自适应信号处理2.pptVIP

LMS实现算法的实际系统中不需要平方、平均或微分，因而这种系统具有简单和高效的优点， 梯度矢量的每一分量是由单一数据取样获得，而与加权矢量无关。 由于每次迭代中的加权矢量值的变化是根据粗略的梯度估计，所以自适应过程是不准确的，它并不遵循在性能表面上的真实的最陡下降曲线，且没有经过平均，梯度中包含有大量噪声。 梯度估计噪声在自适应过程中将随时间而衰减，这种作用相当于低通滤波器。 C.3.2 加权矢量的收敛性 C.3.3 梯度估计对自适应过程的影响 理论上，自适应算法中要求精确地测量梯度矢量，以便在每次迭代中使用。 在大多数应用中，精确测量是得不到的，而只能根据有限的样本进行估计，这样的估计是有噪声的，因此可以看作实际梯度加上噪声。 以有噪声的梯度估计为基础的自适应过程将使加权矢量解被噪声污染，并导致性能上的损失。 有噪声梯度估计对收敛性能的影响程度随所采用的自适应算法不同而不同。 C.3.4 失调 C.3.5 LMS自适应递归滤波器 C.3.6 LMS自适应格型滤波器 C.3.7 归一化LMS算法 C.3.8 LMS滤波器的统计特点 C.3.9 非平稳环境下的LMS算法 C.3.10 解相关LMS算法 设 传输函数 自适应递归滤波器存在二个缺点： 在自适应过程中，极点可能移到单位圆外，导致滤波器不稳定； 性能曲面超过二次，有局部极小点，搜索最小点复杂。 定义