华北水利水电学院毕业论文答辩ppt_SCAPI子空间跟踪算法及其应用_毕业论文答辩.pptVIP

 在信号处理领域中，为了抽取混杂在噪声中的低秩信息，我们通常采用对采样数据矩阵进行奇异值分解或对采样数据自相关矩阵进行特征值分解的方法。利用特征值的相对大小，可以将数据矩阵或数据协防差矩阵的几何空间即特征空间划分为信号子空间和噪声子空间，以此为基础，借助不同的方法可以抽取低秩的有用信息。这就是特征子空间的基本思想。因此，特征子空间起着非常重要的作用。 传统的提取子空间信息的方法是数据自相关矩阵的特征值分解（EVD）或者数据矩阵的奇异值分解（SVD），但是这些分解的缺陷是计算量太大，达到 ，其中N为观测数据的长度，不适于工程问题的实时应用。并且在许多实时应用中，如移动信号方位的跟踪、活动目标的时变信道识别、第三代移动通信中的多用户检测，等等，其数据自相关矩阵或者协方差矩阵是变化的，此时需要解决在一次或几次采样的基础上自适应地估计出时变的数据自相关矩阵（协方差矩阵）的瞬时特征值分解或数据矩阵的瞬时奇异值分解。 幂法的起源最早可以追溯到1966年。幂法是一种计算矩阵主特征值（矩阵按模最大的特征值）及其对应特征向量的迭代方法，特别适用于大型稀疏矩阵。 设实矩阵 有一个完全的特征向量组，其特征值为 ，相应的特征向量为 。已知的主特征值是实根，且满足条件， 幂法的基本思想是任取一个非零的初始向量 ，由矩阵 构造一向量序列 称为迭代向量。由假设， 可表示为 于是 其中 。由假设 ，故 ，从而 。 这说明序列 越来越接近 的对应于 特征值 的特征向量，或者说当 充分大时 即迭代向量 为 的特征向量的近似向量（除一个因子外）。 下面再考虑主特征值的 的计算，用 表示 的第 个分量，则 故 也就是说两相邻迭代向量分量的比值收敛到主特征值。 应用幂法计算 的主特征值 及对应的特征向量时，如果 或（ ），迭代向量 的各个不等于零的分量将随 而趋于无穷（或趋于零），这样在计算机实现时就可能“溢出”，为了克服这个缺点，需要将迭代向量加以规范化。 经典幂法只能得到一个主特征对，而实际应用中需要计算p-维主子空间，那么有学者将同时迭代的思想用到幂迭代算法中 其中 是一个 初始主子空间矩阵。 同样为了防止在迭代过程中， 变得过大或过小 ，我们在上式的右边乘上 即 保证迭代矩阵的模是1。 然而如果只进行迭代，不进行正交化，最后 的每一个列向量都会收敛到主特征值，这不是我们想要的结果。 为了克服这个的缺陷，就需要对 进行正交化操作 其中 是正交矩阵， 是上三角矩阵或者 下三角矩阵。 将上面两式结合得 其中 容易证明 是一个酉矩阵，因此 和 作为子空间的估计是等同的。 在应用中，数据的自相关矩阵的迭代更新形式为 那么结合上面的讨论，我们可以得出准确的迭代形式为 其中 满足 ， 定义为 ，那么 就是 的一个平方根。 在2005年，法国的Badeau等人，阐述了一种快速子空间跟踪算法，该算法的主要思想是如果假设 可以准确地张成 的r维主子空间，由2式可以得出 其中 ，在这种情况下，由于 和 两个正交的矩阵，那么 其中 是一个正交矩阵。 现在如果假设 近似地张成 r维主空间，那么相应的5式将变为 ，并且 变为近似的正交。利用这一近似迭代式 变为 接