自适应信号处理(第六章一些改进自适应算法).pptxVIP

第六章 改进的自适应LMS算法;6.1 LMS牛顿算法; 当滤波器的输入信号为有色随机过程时，特别是输入信号为高度相关的情况，大多数自适应滤波算法的收敛速度都要下降，对于典型的LMS算法，此问题更加突出。LMS牛顿算法可以很好地解决这个问题。它不仅可以提高收敛速度也不会太增加计算复杂度. LMS牛顿算法公式推导： 自适应横向滤波器的滤波系数矢量的二次方函数所构成的均方误差曲面，可由其均方误差ξ(n+1)描述滤波特性，; 将(6-1-1)式和相应的ξ(n)关系式相减，可以得到 (6-1-2) 式中，▽(n)=-2P+2Rw(n) 是均方误差MSE曲面上相当于滤波系数w(n)点的梯度矢量。而ξ(n)表示自适应滤波系数w(n)点的均方误差值 。 ; 由于滤波器的均方误差可以写成： 两边分别对w(n+1)的瞬时(n+1)值求偏导数，并令其等于零，经整理后，得到 (6-1-3) 这就是牛顿方法迭代计算公式。在理想情况下，R和▽(n)精确已知，此算法可达最佳滤波结果，且在一次简单迭代运算后就得最佳解，即： (6-1-4); 实际应用中，仅有效地估计自相关矩阵R和梯度矢量，这也适应LMS算法的基本思想和原则，所以把 和 的估计值用到类似牛顿方法迭代计算公式中，如下式 (6-1-5) 这里,0μ1,应用收敛因子μ是为了保证R与▽(n)的噪化估计也能使算法收敛. ;当输入信号为平稳随机过程时，R的无偏估计值等于 (6-1-6) 因为估值的数学期望为 因此是无偏的。当然，还有其他相关矩阵估计方法，这里不再赘述了.; 为了避免求 的逆，我们可以利用下列矩阵反演引理公式： (6-1-7) 其中，A和C为非奇异矩阵. 如果我们选用 ,可以导出 的计算公式： (6-1-8) ; 从每次迭代运算所需乘法来看，上式计算 的运算量为O( ),低于直计算 的逆的运算量O( ).; 初始条件选取为： δ为小的正数 (6-1-11) 式(6-1-8)~(6-1-11)组成了LMS牛顿算法。 小结：LMS梯度方向趋向于理想梯度方向，类似地，由 相乘所生成的矢量的方向接近于牛顿的方向，所以LMS牛顿算法朝均方误差曲面最小点方向的路径收敛。而且算法的收敛特性表明与相关矩阵R的特征值扩张无关.;一种快速LMS牛顿算法 直接计算式(6-1-9)中的 来实现LMS牛顿算法。算法的基本思想是用自回归（AR）模型来做输入信号矢量 的建模，即用阶为0到M-1的预测器的反向预测误差把矢量X(n)换成新矢量 ，即有 b(n)=Lx(n) (6-1-12) ;(6-1-13); 我们可以认为， 都是互不相关的，这意味着它们的相关矩阵 是一个对角线矩阵，所以求它的逆矩阵比较容易，即