LMS类自适应算法.pptxVIP

LMS类自适应算法 11电工 樊辉 自适应算法的提出 个人理解：传统系统设计均是在某种情况下按照某些特定参数推导得出，是系统设计完成后运行在该类特定情况效果最佳。系统一旦发生某些参数变化，则系统输出效果一般会明显变差。诚如PID这类控制系统中使用最广最常用的控制算法，也只具有一定的鲁棒性。提出自适应算法，通过某些系统参数的在线学习，适应改变的系统，优化系统性能，就显得有必要了。自适应实现在滤波器中的引入 自适应实现：N阶FIR滤波器的抽头权系数可以根据估计误差e(n)的大小自动调节，使得某个代价函数最小。自适应实现在滤波器中的引入MMSE准则是滤波器设计最常用的准则。故在设计中采用均方误差为代价函数： 之前最优滤波理论中可知，代价函数相对于滤波器的抽头权向量w的梯度为： 则对应的梯度向量为：自适应实现在滤波器中的引入在导出梯度向量后，再定义： 则式3可改写为向量式： 式中，自适应实现在滤波器中的引入使用中最广泛的形式是：“下降算法”式中，w(n)为第n步迭代（即时刻n）的权向量，μ(n)为第n次迭代的更新步长，而v（n）为第n次迭代的更新方向。依据下降算法的两种主要实现方式，分为自适应梯度算法和自适应高斯-牛顿算法。下面主要讲：自适应梯度算法，其包括LMS类自适应算法 LMS算法及其基本变型 自适应梯度下降算法中，更新方向向量v(n)取自第n-1次迭代的代价函数J[w(n-1)]的负梯度，即统一形式为： 其中，系数1/2是为了使得到的更新公式更简单。将更新公式中的部分用之前结论带入，既得抽头权向量w(n)的更新公式为： 由更新公式式9得到：LMS算法及其基本变型（1） 为误差向量，代表了抽头权向量的校正量；（2）参数μ(n)称为在时间n的“步长参数”，决定了更新算法的收敛速度；（3）当自适应算法趋于收敛是，有 ，即抽头权向量收敛为之前所说的Wiener滤波器。LMS算法及其基本变型在式6中，将数学期望分别用相应的瞬时值代替，便得到了瞬时梯度： 进而，将真是梯度向量用瞬时梯度向量代替，既得瞬时梯度算法： 式中，式11，即为最小均方差自适应算法，简称LMS算法。易证：瞬时梯度向量是真实梯度向量的无偏估计。LMS算法及其基本变型LMS自适应算法： 步骤1：初始化权抽头向量：w(0)=0; 步骤2：更新： w(n)=w(n-1)+μ(n)u(n)e*(n)注：1、μ(n)=c（c取常值），则为基本LMS算法 2、 μ(n)=，则为归一化LMS算法 3、当期望信号未知时，可直接用滤波器输出y(n)代替d(n) 解相关LMS算法解相关算法的提出：在LMS算法中，有一个独立性假设：假定滤波器的输入向量是彼此独立的向量序列。当他们之间有耦合时，算法性能下降，尤其是收敛速度。因此需要解除各时刻输入向量之间的相关（解相关），使其保持统计独立。解相关LMS算法1、时域解相关LMS算法思路一：在输入量中根据实际剔除相关量定义u(n)与u(n-1)在n时刻的相关系数为：若=1,则称u(n)是u(n-1)的相干信号；=0，则u(n)与u(n-1)不相关；0 1，称u(n)与u(n-1)相关。解相关LMS算法现用解相关的结果v(n)作为更新方向向量：另步长参数μ(n)应该是满足下列最小化问题的解： 解相关LMS算法综上所述，提出解相关算法：步骤一： 初始化 w(0)=0;步骤二：更新：上述算法中，参数 称为修正因子 解相关LMS算法思路二：利用前向预测在解相关LMS算法中，其实可视为一种自适应辅助变量法，其中辅助变量为： 。现用一前向预测器的误差向量代替。令 为一M阶前向预测其的权向量，计算前向预测误差： 式中，解相关LMS算法使用前向预测误差向量作辅助变量，即更新方向向量： 用前向预测器对瞬时估计误差 滤波，则得到滤波型LMS算法。解相关LMS算法滤波型LMS算法：步骤一：初始化 w(0)=0;步骤二：更新： 学习速率参数选择为什么要选择学习参数LMS算法中的步长参数μ决定抽头权向量在每步迭代中的更新量，是影响算法收敛的关键参数。由于LMS算法的目的是在更新过程中使抽头权向量逼近Wiener滤波器，所以权向量更新可视为一种学习过程，而μ决定了LMS算法学习过程的快慢。故步长参数μ也称为学习速率参数。学习速率参数选择基于LMS算法收敛，给出学习速度参数的选择问题：1、均值收敛： 或均值收敛条件：2、均方差收敛：均方差收敛条件：学习速率参数选择自适应学习速率参数1、学习速率参数选择常数 选择学习速率参数为常数，在收敛与稳态性能上会引起矛盾：大的学习速率参