均衡的算法（续）(数字通信技术)培训讲解.pptVIP

Institute of Communications Engineering §7.3　均衡的算法（续） 3 内容和要求 内容目的 理解RLS算法原理 了解均衡器中RLS算法的实现复杂性 常用自适应算法的性能 要求 难点为RLS算法的学习，了解RLS与LMS在算法上的侧重点有什么不一样。学习常用自适应算法和性能。 4 一、LMS算法的特点 LMS具有上讲所说的优点之外，明显的缺点如下： 采用随机梯度算法进行最佳参数的搜索。 对所有对数采用同一个参数：步长进行调整。 在输入信号相关矩阵特征值具有很强的弥散性时，整个LMS算法收敛速度将大大将低。 7 二、对自适应算法改进的思考 预计性能 从代价函数形式上可以看出，其系数调整依赖的信息远大于LMS算法，因而从直观形式上讲，采用这一代价函数应可以获取更好的性能。 关心以下二个问题 采用上述方法，将引起很大的计算量，这一运算量的增加有多大？ 其收敛速率与输入信号特征值的关系是否较LMS算法得到改善？ 8 三、递归最小二乘算法（RLS算法） 1、变量的约定 N：均衡器的抽头数，均衡器具采用FIR滤波器进行实现。 　　：在t时刻的滤波器系数，下标代表滤波器的除数，括号中代表哪一时刻的滤波器系数。 　　：在t时刻接收信号。 ：用t时刻获取的均衡器系数对n时刻的接收信号进行均衡的输出： 9 1、变量的约定 ：利用t时刻新的均衡器系数，对n时刻接收观察矢量计算的均衡误差输出： ：按照新的代价函数，利用t时刻获取的均衡器参数对均衡误差进行加权计算，有： 加权系数范围： 三、递归最小二乘算法（RLS算法） 10 三、递归最小二乘算法（RLS算法） 2、Yule-Walker方程 为了求解t时该的均衡器最佳系数，对代介函数的均衡器系数求偏导数应为0，有： 11 三、递归最小二乘算法（RLS算法） 有： 根据矩阵的关系，进行如下推导： （括号中是标量，因而转置对结果没有影响） 有： 12 定义： 注意：这儿定义的自相关性与互相关性不是平均意义上定义，而是基于时间集平均方式进行定义。与LMS算法中的定义完全不同。 于是： 在t时刻的解为： 三、递归最小二乘算法（RLS算法） 13 三、递归最小二乘算法（RLS算法） 问题 从上式中可以看出，如果从t时刻以前的数据来求解均衡器的系数所涉及的运算量非常巨大。 因而有效计算t时刻最优解是我们的目标。 14 三、递归最小二乘算法（RLS算法） 3、RLS算法推导 对于t时刻接收数据的自相关性可以从t-1时刻获取： 如何从　　　　的矩阵逆求解　　　的逆？可以运用矩阵求逆公式： 定理：若A是非奇异的，则 15 三、递归最小二乘算法（RLS算法） 对　　　的迭代式应用以上引理，有： 定义： 16 三、递归最小二乘算法（RLS算法） 定义Kalman增益矢量 将上述定义代入　　　的迭代式中，有： Kalman增益矢量的另一种表达方式： 对上式后乘　　，有： 17 三、递归最小二乘算法（RLS算法） 即Kalman增益矢量也可定义为： RLS滤波器系数的更新： 互相关性矢量迭代关系如下式所示： 求解t时刻的滤波器系数为： 18 三、递归最小二乘算法（RLS算法） 推导： 19 三、递归最小二乘算法（RLS算法） 进一步推导： 20 三、递归最小二乘算法（RLS算法） 利用t-1时刻的滤波器的系数，在t时刻的均衡输出为： 因而： 21 1、RLS的算法过程 初始 均衡器的滤波器系数为： 输入信号自相关函数的关逆阵初始化为一个单位阵乘以一个系数　 ，该系数可任意取值，随着时间的推移，其影响将不断减小： 四、算法描述（基本RLS自适应算法） 22 四、算法描述（基本RLS自适应算法） 运用上一时刻的均衡器系数计算当前时刻估计： 运用上一时刻的均衡器系数前时刻均衡器估值误差 ： 计算Kalman增益矢量： 计算输入信号自相关矩阵的逆阵： 滤波器系数更新： 23 四、算法描述（基本RLS自适应算法） 2、RLS的算法特点 其与LMS算法很相似，但其更新量中增加了一个输入信号自相关函数的逆阵，其是改善算法性能的重要因素。 比较了三种算法的收敛性能与稳态性能 24 四、算法描述（基本RLS自适应算法） 特点总结 RLS算法具有更快的收敛速率； RLS在遗忘因子具有较大值时具有更好