均方稳定的Least-Mean第四算法归一化高斯白的投入.docVIP

均方稳定的Least-Mean第四算法归一化高斯白的投入 作者: Bershad Neil J.; Bermudez Jose C. M. 归一化自适应算法的形式通常是寻求为了获得收敛性的输入信号功率独立。情况就是如此著名的归一化最小均方 NLMS 算法。Least-Mean第四 LMF 的自适应算法已被证明比最在不同的情况。然而LMF稳定性取决于两个信号功率自适应权重和初始化。本文研究了两个规范的行为形式的LMF算法为高斯的投入。可以预期相反,均方稳定的归一化算法都表现得依赖于输入信号的力量。因此,NLMF算法的有效性值得商榷。向量的模型参数，x n 为原始信号,零均值和高斯和方差。I是一个N*N的矩阵。 （1） 序列Z n 是个零均值随机序列和方差统计独立于任何的其它的信号。此外，它假定z n 可以具有任意分布是一个pdf。序列z n 1 占测量噪声和建模误差。向量W n 是自适应权值向量,e n 是错误的信号。 NLMF重量的更新算法,在[5]给出。 （2） 是步长 （3） 定义重量误差矢量V n 0?W n 的最优解，公式（2）也可写成二阶矩收敛条件的意思 4 可以提供一些洞察算法的行为。然而,二阶矩稳定性判定条件更为重要的算法收敛[7,8]。因此,分析研究的限制均方收敛的条件。如果输入和忽略了白色之间统计依赖XT n X n 和V n 、直接计算使用 4 表明,二阶原点矩的重量与均方误差 MSE 通过[8] （5） 在MSD n 是重量偏差和均方MSD n Tr[KVV n ]。Tr[A]是矩阵的痕迹 （6） 递归了E[V T n V n 可以通过pre-multiplying 4 以其移位和平均服 （7） 在V条件 n ,所有六个期望 7 的形式 （8） K 1，2，3.X n 被假设为零均值高斯白和协方差矩阵预期的价值 8 条件对V n 是很难评价术语由于分母XT n X n 。作为这一困难能绕过了[6]通过引入虚拟变量的β成高斯期望构成一个整体。考虑到预期的期望函数当β等于 1。来简单的评估（9） （9） 一个变量的变化，和是U n 和X n 的组成。期望相等的时刻是2kth有条件的零意味着高斯变量但 n V n 使用条件方差之间在统计依赖X n 和V n 忽略在 5 。 （11） （12） 现在它是假定的方差V T n V n 比地球小得多,它的值。同样的近似成功应用在[4]模型LMF算法的行为。因此,忽视了波动的V T n V n ,采用了近似V T n V n Tr[KVV n ], （13） 当定义一个k 0，从 0，服从微积分基本定理。 （14） 因此， 因此（7）可以写为一阶递归标量立体y n