硕士生现代信号处理_自适应滤波(五)教材课程.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 4.8 快速横向滤波器(FTF) 4.8.1 矢量空间 1. 线性空间 若域F上的n维向量集合V满足以下条件，则称V是域F上的线性空间或矢量空间。 V关于向量加法构成交换群； 如果x,y∈V，则x+y∈V; 加法满足交换律、结合律； 存在0，使x+0=x； 存在“-x”，使x+(-x)=0。 4.8 快速横向滤波器(FTF) 数乘封闭：对V中任何向量v和F中任何元素c，cv∈V。 数乘分配律：对V中任何向量u,v和F中任何元素c,d, 恒有 数乘结合律： 4.8 快速横向滤波器(FTF) n维欧基里德空间Rn的几何结构 内积： 向量内积 矩阵与向量 矩阵与矩阵 向量长度： 向量夹角： 向量正交： 4.8 快速横向滤波器(FTF) 内积空间：定义了内积的线性空间称为内积空间。 Hilbert空间 若内积空间具有完备性，则称之为希尔伯特空间。 自适应滤波涉及的空间都是Hilbert空间。 欧基里德空间是希尔伯特空间。 4.8 快速横向滤波器(FTF) 定理：对矢量x来说，U中距x 最近的矢量为x在U中的投影PUx。即对U中任何不等于PUx的矢量y，都有 定理： 若U1和U2为希尔伯特空间H中相互正交的子空间，则对H中任一矢量x，有 4.8 快速横向滤波器(FTF) 2. 投影矩阵与正交投影矩阵 定义：考虑矢量x到u1…um所张成的子空间U的投影。定义矩阵U=[u1…um]，设UTU满秩，可以证明 　　　　　　　。 为将矢量投影到U的投影矩阵。 　为将矢量投影到U的正交子空间的正交投影矩阵。 4.8 快速横向滤波器(FTF) 性质： (1)对称性： (2)幂等性： (3) (4)正交性： 4.8 快速横向滤波器(FTF) (5) 设PUv为对子空间U和矢量v组成的子空间{U,v} 的投影矩阵，　　　为与U正交的矢量， PUw为对子空间{U,w}的投影矩阵，则 　 PUv =PUw = PU +Pw 4.8 快速横向滤波器(FTF) (6) (7)对任意矢量y, (8)对任意矢量y,z, 4.8 快速横向滤波器(FTF) 4.8.2 单位现时矢量及角参量 1.单位现时矢量 引入： 最小二乘滤波器在n时刻的观测数据矢量为　　　　　　　　。其中最新时刻分量即现时分量为x(n)。 为分出x(n)的现时部分和过去部分，引入n维单位现时矢量：　　　　　　。 4.8 快速横向滤波器(FTF) 投影矩阵与正交投影矩阵： x(n)的现时部分： x(n)的过去部分： x(n)的现时分量： 4.8 快速横向滤波器(FTF) 2.数据空间和投影矩阵的时间更新 例子：用矢量x(3)=[4,3,2]T对d(3)=[3,1,4]T进行最优估计。 4.8 快速横向滤波器(FTF) 子空间{x(3),π(3)}是一个二维矢量空间， 和 均在此空间内。 4.8 快速横向滤波器(FTF) 各矢量在{x(3),π(3)}的投影 4.8 快速横向滤波器(FTF) 各矢量在{x(3),π(3)}的投影的关系 由于 ， 因此 于是有 4.8 快速横向滤波器(FTF) 结论：到子空间{x(3),π(3)}的投影矩阵可由到子空间x(2)的投影矩阵扩展得到。 推广：在由m个矢量组成的空间{U(n)}上对d(n)做LS估计, 4.8 快速横向滤波器(FTF) 3. 角参量 定义： 说明： 角参量是标量； 当子空间由{U(n-1)}变成子空间{U(n)}时，等效于子空间旋转了一个角度 。 即为 的度量。 4.8 快速横向滤波器(FTF) 在前面的例子中， 4.8 快速横向滤波器(FTF) 新的数据信息蕴含在数据子空间{U(n)}与{U(n-1)}之间的夹角中，因此 是新息的度量。 4.8 快速横向滤波器(FTF) 4.8.3 最小二乘问题归结为矢量空间问题 1. 信号模型 目标：利用N阶FIR滤波器，通过n时刻数据矢量 对期望信号矢量 进行最小二乘估计。 （注：为简便计，仅讨论实信号。） 4.8 快速横向滤波器(FTF) 误差向量 4.8 快速横向滤波器(FTF) 信号矩阵 信号子空间： 4.8 快速横向滤波器(FTF) 2. 最小二乘估计的解 代价函数 最小二乘解使误差矢量长度最短。 RLS算法推导已经得到