18_最小二乘快速横向滤波ftf)18_最小二乘快速横向滤波(ftf)18_最小二乘快速横向滤波(ftf)18_最小二乘快速横向滤波(ftf).ppt

3.4.4 快速横向滤波(FTF)自适应算法 FTF算法是由4个横向滤波器组合起来的一种自适应算法. 由于这4个滤 波器都是用横向滤波算子描述的, 因此这些滤波器的参数更新可利用该算 子的时间更新来实现, 并进而达到横向自适应滤波器参数更新的目的. 1. 用矢量空间法描述FTF算法中的4个横向滤波器 （1）最小二乘横向滤波器 设一 阶横向滤波器的权矢量为 时刻的输入信号矢量 期望信号矢量 由已知的 来估计 , 这时, 横向滤波器的输出是 的最小二乘 估计 , 即滤波方程为 (3.4.125) 其中, 采用前加窗法时的数据矩阵 由于最小二乘横向滤波器的权矢量由下式决定: (3.4.126) 定义横向滤波算子(又称横向滤波器的投影矩阵): (3.4.127) 则式(3.4.126)可写成 (3.4.128) 上式表明, 权矢量 是横向滤波算子 各行矢量与 的内积. 将式(3.4.128)代入式(3.4.125), 可得 (3.4.129) 估计误差矢量为 (3.4.130) 式中， 和 分别是数据子空间 的投影矩阵和正交投影矩阵。 利用单位现时矢量 , 可求出误差矢量 的当前分量: (3.4.131) （2）前向预测误差滤波器 最小二乘前向预测器是用 时刻以前相继的 个数据, 对该时刻的 做最小二乘估计, 即 (3.4.132) 在最小二乘意义下, 预测系数(权系数)矢量的最佳解为 引入横向滤波算子 (3.4.133) 考虑到数据子空间 的投影矩阵: 因此得到 (3.4.134) 式(3.4.134)表明, 用横向滤波算子 作用于数据矢量 , 便可求出 最小二乘前向预测系数矢量 (即最佳权矢量). 最小二乘前向预测误差矢量为 (3.4.135) 其当前分量为 (3.4.136) 根据前向线性预测滤波器的输入输出关系, 上式还可表示为 (3.4.137) 预测误差能量为 (3.4.138) （3）后向预测误差滤波器 最小二乘后向预测器, 是利用 时刻以后的 个相继数据 ,向后一步预测 [即延时数据 ]. 根据上 节分析, 的最小二乘后向预测矢量为 (3.4.139) 在最小二乘意义下, 后向预测系数(权系数)矢量的最佳解为 引入横向滤波算子 (3.4.140) 考虑到子空间 的投影矩阵 因此得到 (3.4.141) (3.4.142) 式(3.4.141)表明, 用横向滤波算子 作用于延时数据矢量 , 便可求出最小二乘后向预测系数矢量 (即最佳权矢量). 最小二乘后向预测误差矢量为 (3.4.143) 其当前分量为 (3.4.144) 误差能量为 (3.4.145) （4）增益滤波器 a) 什么是增益滤波器? 确切而言, 增益滤波器实际是关于角参量的滤波器. 现以图3.4.9所示的 一维数据空间为例予以说明. 设 时刻的数据子空间为 , 时刻的数据子空间为 , 两者 之间的夹角为 , 角参量为 (3.4.146) 若一维子空间 的投影矩阵为 , 单位现时矢量 在 上投影为 , 令 (3.4.147) 很明显, 矢量 就是 对 的最小二乘估计. 如果把这种估计 看成是 通过一个最小二乘滤波器的输出, 则