硕士生现代信号处理_自适应滤波(二)教学讲义.pptVIP

第四章　自适应滤波 4.1 引言 4.2 最速下降法 4.3 LMS算法 4.7 自适应格型滤波器 4.4 改进的LMS算法 4.8 快速横向滤波器 4.6 Kalman自适应滤波 4.5 RLS算法 4.9 其它算法 4.5 RLS算法 1. 问题的引出 LMS算法收敛速度较慢，无法快速跟踪信号或系统的时变特性。当信号或系统特性变化较快时，需要一种收敛快、跟踪能力强的算法。 LMS算法的权值调整方向取决于瞬时梯度，存在大量误调，是导致收敛速度慢的原因之一。 4.5 RLS算法 2. 信号模型 设n时刻已知n个数据 ，且 利用N阶FIR滤波器来估计信号d(n)。 滤波器的权向量: 输入信号向量: 输出信号: 4.5 RLS算法 误差信号: n时刻输入信号矩阵(n×N维）: 期望信号向量: 误差向量: 4.5 RLS算法 3. 最小二乘 ( Least Square)算法 i) 代价函数: 　 　 , 称为遗忘因子(forgetting factor)。 4.5 RLS算法 4. 递归最小二乘 ( Recursive Least Square)算法 i) 推导 思路：通过 和 的递归计算求 　的迭代式。 4.5 RLS算法 (A) 的递归计算 为方便,令 4.5 RLS算法 矩阵求逆引理： 设A及A+BCD均是满秩方阵，则 4.5 RLS算法 定义 (B) 的递归计算 4.5 RLS算法 (C) 的迭代计算 4.5 RLS算法 ii) 说明： n时刻的最佳　 可由n-1时刻的最佳值　 加一个修正量　　　　　　　得到。 称　　　　　　为先验误差； 称　　　　　　为后验误差； 　 为增益矢量。 gn与Pn的计算是递归的。 4.5 RLS算法 初始化： 通常取 或根据具体应用选其它值。 通常取 ， 为很小的正数。 4.5 RLS算法 iii) RLS算法流程小结： 初始化： , 　　　， 对　　 ， 　　① 取得 　　②计算增益： 　　③更新权向量: 　　④滤波: 　　⑤计算Pn ： n=n+1，重复①- ⑤ 。 4.5 RLS算法 5. RLS算法的收敛性 i) 系统模型（讨论以系统辨识为应用背景）: 4.5 RLS算法 未知系统响应向量： 噪声向量： ，与 不相关，　　　　，　　　　　。 期望信号向量： 4.5 RLS算法 ii) 均值收敛性: 是　的无偏估计。 4.5 RLS算法 iii) 权向量的收敛过程: 定义权向量的误差向量: 均方误差: 权向量的均方误差随着n的增加而减小。其大小取决于输入信号相关矩阵的最小特征值 。当 很小时，收敛性能变差。 4.5 RLS算法 iv) 均方收敛性: v) 失调系数: 遗忘因子。 4.5 RLS算法 当　 时，有 　。 当 时， 。此时RLS算法理论上没有超量均方误差。 当　　时，有　　　　　 　 。此时RLS算法存在超量均方误差， 越小，超量均方误差越大。 4.5 RLS算法 6. 应用实例:系统辨识 信号模型 x(n)是方差为1，均值为0的服从高斯分布的随机信号； h(n)由5阶FIR低通滤器模拟； 。 4.5 RLS算法 处理流程： 初始化 ：N=13，　　，　　　， 迭代处理（n=1,2……） ① 取得d(n)和xn ②计算增益： ③更新权向量: ④计算Pn ： ⑤n=n+1，重复①- ⑤ 。 4.5 RLS算法 实验结果 4.5 RLS算法 LMS算法实验结果对比 由 得