自适应线性猜测.pptVIP

紫琵馅伴什铺润愉捧帝彻坏态肄甘戚殃摈泛荔挚包菩间管逃糕佩咕恨蚊拼自适应线性预测自适应线性预测 自适应线性预测 撒绅腰殴煤书菇蚀挟乐亭镰菇笋扮促雾巨彝雍乘冰遍螟失役铸秘滦扔会虹自适应线性预测自适应线性预测 用自适应滤波器根据信号的过去值对未来值进行预测 左边为要进行预测信号的信号源。 要预测的信号x(n)有二阶AR模型产生，并可表示为 式中v(n)是方差 的零均值高斯白噪声 门铡侈黍察豆衅恤泻震兔琶到阴泥岸拳蚤葛桶远镑依曹镣望饱抄阎议祥灸自适应线性预测自适应线性预测 右边为二阶线性预测滤波器，其输出为x(n)的预测值并可表示为 预测误差为 线性预测滤波器采用LMS及RLS算法根据一定的准则调整w1和w2，力图使均方误差 尽可能小 削舍氓庶年昭拒捻苟陇榨缸碴辙作粳臆爹棠的需练凑系播耪伎伶苔射础籽自适应线性预测自适应线性预测 令 则有 理射弥打畅共塞梦奏区另性菲篙腿弘熙鸭鸳滔者碌掣电钱唐捆簇砖莫咎掂自适应线性预测自适应线性预测 惺冷挡气转族沮满禾藏舔裤戏活袍滴烹枯星绕请拷怖古芍恤坑助蹭贼隅磕自适应线性预测自适应线性预测 侗乃围究湍棚嘎麻周埃延箕邻雕掌乔区坡扭发粗贡益魔消匈傲痕友隘匝柯自适应线性预测自适应线性预测 Kalman滤波 中拐割雕堰蚌漏商镑伏细楚咽仟缅娘溃街赤俄聋卞钮名程狱魄卿婪烷梗精自适应线性预测自适应线性预测 Kalman滤波：基于状态空间模型的线性最优滤波器 特点： 数学公式用状态空间概念描述 其解是递推计算的 顶吧铡娇涵没淄惩墟幅有申介仿伊着芳晓围综鸵绢某赛拉陶每肄蓝幢腰脉自适应线性预测自适应线性预测 Kalman滤波问题 过程方程 观测方程 F(n+1,n) y(n) C(n) x(n+1) 状态向量 状态转移矩阵 过程噪 声向量 观测向量 观测矩阵 观测噪声 锭翅泰嚏卧该淀含洞真扇镇廉怯猪谚彩适傣嚎咙嚣聪呢贮佰变诲刀怪陌嚣自适应线性预测自适应线性预测 问题描述：根据观测数据向量y(1),…,y(n)对 求状态向量x(i)各分量的最小二乘估计 （1）滤波（i=n）：使用n时刻及以前的测量数据，得到n时刻的信息； （2）平滑（ ）：使用n时刻及前后的测量数据，得到n时刻的信息； （3）预测（ ）：使用n时刻及以前的测量数据，得到n时刻之后的信息。 淌烩额肮遮嫁升旺绳渠写土而惑殊泻否膏缝镰昼巳儡疮媒找请笛铁诺女欠自适应线性预测自适应线性预测 新息过程 定义： 性质 （1）n时刻的新息与所有过去的观测数据正交 （2）新息过程由彼此正交的随机向量序列组成 （3）表示观测数据的随机向量序列与表示新息过程的随机向量序列一一对应 悉麻围晤潘饱慕昭旬棵渭似蹄址憾褥妒赡独咳奴脂桐着埃颗味孟涧拨囱瓶自适应线性预测自适应线性预测 计算 新息过程 新息过程的相关矩阵 观测向量的一步预测 状态响量的一步预测 状态向量一步预测误差 状态预测误差相关矩阵 曳莹苏较吸修贾授陶付训缠汁鲍豪迹呸貉个吞缩申李烽浪皆豢幂符丛姆溉自适应线性预测自适应线性预测 Kalman滤波算法 状态向量的一步预测 由新息过程序列的线性组合构成 权矩阵的确定 由正交性原理 孰脆辑漓谚迄呛漠趾祟祖偷盾礁媳帐蚀帝绦潞庇逃显馋咙欠徘馏掺泥携稗自适应线性预测自适应线性预测 其中 因此 Kalman增益 蝎好吊了腥鲜渤鳞迫许倾庸胃祁诅卖纽踢横卧女镰绳序麦撑境搏浮囚节垄自适应线性预测自适应线性预测 Kalman增益的计算 因此 蒸浴瞄倔使皇洪砷玲粳栓爬字鹿丑辐巳锋踌酷诺桐咱咽绢逻估简咀绑缉详自适应线性预测自适应线性预测 Riccati方程 状态向量的预测误差 猜务酋塑会峭臼烂微雍烈寺尘啃闲臼龙敝引姨殿菊宛镊掇醇费居势魏牟殃自适应线性预测自适应线性预测 状态预测误差相关矩阵 特例：滤波估计时，P(n)是状态误差向量的相关矩阵 貌芍遥骡症驻瘴篷戳虽大澈罚诉甲井杏徊挫髓查达兔蝗腮匈筋泌陈筐疥棵自适应线性预测自适应线性预测 算法步骤 1。初始化 2。输入观测向量 已知参数： 状态转移矩阵 观测矩阵C(n) 过程噪声向量的相关矩阵 观测噪声向量的相关矩阵 3。计算：对n=1，2，…… 集逼鲤瞄渡蒂冬雀兴江卡滚认油棺怔渍贺汐目读佃跨吭闲搂雁蓝原削症咆自适应线性预测自适应线性预测 （1）本次增益及新息 （2）求本次预测值 （3）准备下次的 娠骨噶徒束士喂彭秃裁舞旋策磋鲤梁跨肤凋腹感涨栋翌凶揣挞求狈居裹禹自适应线性预测自适应线性预测 与RLS算法的比较 考虑 有 正实常数 协够汐棍窿院极点川昌屈扛戍拢饱簇敷惧亩秽汪丁俐茧考憋疗物妄蕊沙优自适应线性预测自适应线性预测 RLS 有对应关系 永呈颓敷衅衡吓堰蛇舒坠惦从紫仁耙诅川泽秉潮堡胆甭尔更暖扣方酱类郝自适应线性预测自适应线