递归最小二乘（RLS）自适应均衡算法.docVIP

递归最小二乘(RLS)自适应均衡算法 §3.1 引言 在自适应滤波系统中，最陡梯度(LMS)法由于其简单获得了广泛的应用。但各种LMS算法均有收敛速度较慢(收敛所需码元数多)，对非平稳信号的适应性差(且其中有些调整延时较大)的缺点。究其原因主要是LMS算法只是用以各时刻的抽头参量等作该时刻数据块估计时平方误差均最小的准则，而未用现时刻的抽头参量等来对以往各时刻的数据块均作重新估计后的累积平方误差最小的原则(即所谓的最小平方(LS)准则)。 为了克服收敛速度慢，信号非平稳适应性差的缺点，根据上述内容，可采用新的准则，即在每时刻对所有已输入信号而言重估的平方误差和最小的准则(即LS准则)。从物理概念上可见，这是个在现有的约束条件下利用了最多可利用信息的准则，即在一定意义上最有效，信号非平稳的适应性能也应最好的准则。这样建立起来的迭代方法就是递归最小二乘(RLS：Recursive Least Square)算法，又称为广义Kalman自适应算法。 用矩阵的形式表示RLS算法非常方便，因此我们首先定义一些向量和矩阵。假定在时刻，均衡器的输入信号为，线性均衡器对于信息符号的估计可以表示为 式(3-1) 让的下标从到，同时定义，则变为