数字信号处理第3章2.pptVIP

3.2.3 最陡下降法 1. 最陡下降法的递推公式 将(3.2.11)式代入(3.2.29)式，得到 (3.2.30) (3.2.31) 在上式两边都减去W *,并令Vj=W j-W*, 得到 Vj+1=［I-2μRxx］Vj (3.2.32) 上式是一个递推公式，由于［·］项不是对角矩阵，计算与分析均复杂。下面仍然采用坐标旋转的方法进行推导。 (3.2.33) 此时，［·］项已变成对角矩阵，假设起始值是V0′，可得到上式的递推解为 (3.2.34) 再将(3.2.24)式代入，再经过坐标平移，即代入Vj=Wj-W*式， 最后得到权系数的递推公式： (3.2.35) 上面递推公式中，［·］部分已变成对角矩阵， 这使分析与研究自适应特性变得简单了。 2. 收敛条件 由最陡下降法的递推公式不难分析出它的收敛条件，即当迭代次数j趋于∞时，权系数收敛最佳时的条件。按照上式， 显然只有当 (3.2.36) (3.2.37) 满足时，才能得到： 。(3.2.37)式即是最陡下降法的收敛条件，式中λmax是Rxx的最大特征值。(3.2.36)式中的0表示0矢量。 3. 过渡过程 过渡过程是指权矢量和性能函数由起始点随迭代次数的增加，进行变化的过程。下面从权矢量和性能函数两方面讨论自适应滤波器的过渡过程。权矢量的过渡过程讨论如下： 按照(3.2.34)式，权矢量的递推解是 第i个权系数递推方程是 (3.2.38) 令 (3.2.39) 将上式代入(3.2.38)式，得到 (3.2.40) 上式说明第i个分量v i′按指数规律变化，其时常数为 i=1, 2, 3, …, N (3.2.41) 因为一般μ取得比较小，可以近似为 i=1, 2, 3, …, N (3.2.42) 因为 所以 再将(3.2.40)式代入，得到 (3.2.43) (3.2.44) 式中 (3.2.45) 上式说明第i个加权系数按照N个指数和的规律变化，由初始值收敛到最佳值，其时常数与特征值成反比。下面分析性能函数的过渡过程。按照(3.2.25)式，性能函数如下式： (3.2.46) 将(3.2.40)式代入，得到 (3.2.47) 上式说明性能函数也是按N个指数和的规律变化，和加权系数过渡过程不同的是时间常数不同， 它的时常数为 (3.2.48) 我们已经知道，性能函数和各个加权系数都是按照N个具有不同时常数的指数和的规律变化的，时常数和特征值成反比，不同的特征值对应的收敛时间是不一样的，但最终的收敛要取决于最慢的指数过程，它的时常数最大，对应最小的特征值，公式如下： (3.2.49) (3.2.50) 但为保证收敛，μ不能取得太大，受限于最大特征值λmax。 这样，如果特征值比较分散时，即λmax和λmin相差很大时， 使最陡下降法的收敛性能很差。下面分析μ值的影响。 μ值收敛过程影响很大，首先必须选择得足够小，使之满足收敛条件： 但按照(3.2.47)、 (3.2.48)式，它影响收敛速度。 一般希望在保证收敛的条件下，选大一些，使时间常数小一些，收敛的速度快一些。但当μ选择得太大时，即使收敛条件满足，也可能形成振动性的过渡特性。 在图 3.2.7 中，图(a)是μ较小时的情况；图(b)是μ较大时的情况，此时过渡过程已发生振荡。 图 3.2.7 值的影响 (a) 较小时的情况； （b） 较大时的情况 3.2.4 最小均方(LMS)算法 1. LMS算法的权值计算]  LMS(Least Mean Square)算法的梯度估计值用一条样本曲线进行计算，公式如下： (3.2.51) 因为 * 第三章 自适应数字滤波器 第三章 自适应数字滤波器 3.1 引言 3.2 自适应横向滤波器 3.3 自适应格型滤波器 3.4 最小二乘自适应滤波 3.5 自适应滤波的应用 3.1 引 言 　　自适应数字滤波器和维纳滤波器一样，都是符合某种准则的最佳滤波器。维纳滤波器的参数是固定的，适用于平稳随机信号的最佳滤波，但要设计这种滤波器，必须要求输入信号是平稳的，且具有信号和噪声统计分布规律的先验知识。在实际中， 常常无法知道这些先验知识，且统计特性还会变化，因此实现最佳滤波是困难的。 　　自适应滤波器的特点是：滤波器的参数可以自动地按照某种准则调整到最佳滤波；实现时不需要任何关于信号和噪声的先验统计知识，尤其当输入统计特性变化时，自适应滤波器都能调整自身的参数来满足最佳滤波的需要。 常常将这种输入统计特性未知，调整自身的参数到最佳的过