最小均方(LMS)算法优秀培训书.pptVIP

第三章　最小均方(LMS)算法 第五章 最小二乘自适应滤波器 §5.3 对复信号的LS算法和RLS算法 其中 (5.3.11) (5.3.12) 令 可得最佳权系数满足的方程为 (5.3.13) 这与式(5.1.23)完全一样。式(5.3.13)还可写成 (5.3.14)类似地，可得到RLS算法的递推公式. 第六章 卡尔曼滤波器和 平方根RLS自适应滤波器 §6.3 卡尔曼滤波与RLS算法的对应 §6.4 平方根卡尔曼滤波算法和平方根RLS算法 §6.1 基本卡尔曼滤波算法 图6.1系统的动态模型 (6.1.1)状态方程 (6.1.2)测量方程 为M维系统状态矢量 为M×M维转移矩阵 为N维测量矢量。 为M维系统噪音矢量（白噪音矢量）。 为N维测量噪音矢量（白噪音矢量 ） 卡尔曼滤波的目的就在于对状态矢量进行最佳估计 为N×M维测量矩阵 为M维系统噪音矢量（白噪音矢量）。 为N维测量噪音矢量（白噪音矢量 ） 卡尔曼滤波就是对由式(6.1.1)~(6.1.6)所描述的系统 （ 、 、 、 为已知）， 根据测量矢量 对状态矢量 进行估计， 使估计误差的均方差为最小。 预测。根据测量值 ，… ，估计 。 滤波。根据测量值 ，… ， 估计 。 两座标防空雷达 信号处理机每隔T秒输出飞机的一组径向距离r和方位θ的数据，但含有噪音。 录取设备要对这些数据进行处理，抑制噪音并建立起飞机的航行轨迹（航迹）。 雷达输出数据的周期T通常为秒量级，在此时间可假定飞机作匀速运动。 r(n)为nT时刻飞机的径向距离； 为飞机的径向速度； 为飞机方位； 为飞机角速度。 和 为零均值白噪音，机动噪音 状态方程(6.1.9) 、 测量方程(6.1.14) 信号处理机每T秒送一次有误差的 、 预测在于根据测量值 ，…， 估计 ，估计值记为 预测误差的均方差即均方误差（纯量） 预测误差相关阵（矩阵） 卡尔曼预测即最佳卡尔曼预测估计 预测误差矢量 6.1.2预测 (6.1.1)状态方程 (6.1.2)测量方程 状态矢量预测值为 测量矢量之预测值为 新息矢量 新息相关阵 最佳的卡尔曼预测滤波器递推方程 图 6.2 卡尔曼预测框图 （6.1.27） 图 6.3 卡尔曼预测及滤波框图 增益矩阵 递推方程 预测误差相关阵 递推方程(Riccati方程) （6.1.28） （6.1.29） （6.1.30） （6.1.31） 滤波指根据测量值 ，…， ， 估计 。 6.1.3 滤波 记为 6.1.4 初始条件和卡尔曼预测算法流程 初始条件 表6.1 卡尔曼预测算法流程（1） 模型： 和 为零均值白噪音， 为已知 其相关阵分别为 、 初始值： 输入： 计算：对n=1，2，…… （1）本次增益及新息 （2）求本次预测值 （3）准备下次的 表6.1 卡尔曼预测算法流程（2） §6.2 一种卡尔曼滤波自适应算法 图6.4 自适应滤波器及其输入信号产生模型 输入信号 自适应滤波器 §4.3 最小均方误差自适应格形滤波器 图4.14 格形滤波器梯度算法流程 图4.14 格形滤波器梯度算法流程 最小均方误差(MMSE)准则。 使滤波器输出与需要信号的误差的平方的统计平均最小。 根据MMSE准则得到的是对一类数据的最佳滤波器， 对同一类数据来说，MMSE准则对不同的数据组导出同样的“最佳”滤波器； MMSE准则根据输入数据的长期统计特性寻求最佳滤波。 已知的仅是一组数据，因此只能对长期统计特性进行估计或近似。 最小二乘(LS)准则是对一组已知