自适应滤波器第5节.pptVIP

5月20日结束点 a1和a2的选取应保证 的根为复数，即 预测误差为： 按表5.1， RLS算法的递推公式为 取实验参数值1为： (5.4.4) 取实验参数值2、3等为不同的值，分析对收敛性的影响。结果是：条件数增大时，稳态误差降低；初值δ对RLS的影响很小；λ值的影响主要表现在稳态误差上， λ减小时，稳态误差增大。 递推最小二乘算法（RLS）计算流程（表5.1） 1）初始条件 2）运算 取实验参数值1为： 取实验参数值2、3等为不同的值，分析对收敛性的影响。结果是：条件数增大时，稳态误差降低； ① Cond(Rxx)=1.2222 ② Cond(Rxx)=10 ③ Cond(Rxx)=100 初值δ对RLS的影响很小；λ值的影响主要表现在稳态误差上， λ减小时，稳态误差增大。 λ值的影响主要表现在稳态误差上， λ减小时，稳态误差增大。 5.4.2 模式识别 1、模式识别模型 识别对象为具有可加噪声 两参数a1、a2的移动平均（MA）模型。 为方差为 、均值为零的高斯白噪声。 模式识别的目的在于确定其参数 a1、a2。 识别对象与自适应滤波用同一个噪声发生器驱动 令 RLS算法的递推公式： (5.4.4) 按表5.1， RLS算法的递推公式为 实验值： (5.4.4) ①:条件数为0.2; ②:条件数为2; ③:条件数为10。 5.4.3 自适应均衡 1、问题的提出 由于信道的时延扩展、失真等原因，要产生传输的符号间的干扰。为了降低这种符号间的干扰，可采用自适应均衡器。 自适应均衡器的目的是使其与原信道组合后的系统尽可能具有δ函数冲击响应。 2、自适应均衡在训练模式下的框图 信道模型 3、算法 按表5.1， RLS算法的递推公式为 实验值： (5.4.4) 5.4.4 RLS算法与LMS算法的比较 结论 RLS算法的仿真效果比LMS算法要好得多。 En général, TRM TPS sauf pour des radars spéciaux ayant une meilleure résolution que notre système : ex des CROSS : radar de 200KW avec PS=50ns pour une portée 100 km -- plus de 10000 samples par radial == merging de 5 ou 6. SPW = 7.5 m SRM = 22.5 m (RM=5) Tuning : set à légèrement à TPS. La discrimination est efficace par mauvais temps : cest un moyen efficace de supprimer le bruit sans supprimer les bateaux. Dans ce cas, on se fout des bouées qui sont de toute fa?on perdues dans le bruit. And then possible fine adjustement of the alignment. 6月6日课程结束点和下次课的起点。 * 第五章 最小二乘自适应滤波器 说明： 1）前面分析的最小均方误差准则下的最佳滤波器是根据输入数据的长期统计特性寻求最佳滤波； 2）通常已知的仅是一组数据， LMS算法和格形梯度算法对长期统计特性进行估计或近似； 3）本章将讨论的最小二乘法是根据一组数据寻求最佳滤波； 4）根据最小均方误差准则得到的是对一类数据的最佳滤波器，根据最小二乘法得到的是对一组已知数据的最佳滤波。 本章的内容： 1）最小二乘（LS）算法； 2）递推最小二乘（RLS）算法 3）RLS算法的收敛特性分析 4）RLS算法的计算机仿真 §5.1 时域最小二乘（LS）滤波器 5.1.1 时域最小二乘滤波方程 设已知n个数据 ，用它们来估计需要的信号 。 估计误差 假设：i1及in时，x(i)=d(i)=0，有如下n+M-1个估计误差 其余的e(i)均为零。 最小二乘滤波器的性能（目标）函数 式中 为遗忘因子。 式(5.1.4)中，i的变化范围有如下四种取值法： 对于前加窗法，只利用式(5.1.3)的前n个误差。 设M维向量