自适应滤波基础.pptxVIP

会计学;本章主要包括以下内容;2.1引言;实际上，决定MSE曲面形状的参数是不能得到的。我们只有用得到的数据对这些参数进行直接或间接的估计，然后研究利用这些估计值搜索MSE曲面的自适应算法。，使得自适应滤波器系数在某种意义上收敛到维纳解。研究表明，牛顿算法和最陡下降算法可能是自适应滤波的搜索方法。尽管这两种算法都不能直接应用于实际的自适应滤波问题，但在这两种方法的启发下，产生了最小均方算法（LMS）和牛顿算法等实际算法，本章主要介绍牛顿算法和最陡下降算法。;2.2 信号表示; 线性时不变滤波器对于输入x(k)的响应是由卷积求和给出 的，如下所示： 其中，h(k)是滤波器的冲激响应。 给定序列x(k)的Z变换的定义为 如果Z变换是在Z平面的某个给定区域中定义的，也就是说，上 述求和是在该区域中收敛的，那么卷积运算就可以用如下的 ;Z变换乘积代替为 Y(z)=H(z)X(z) 其中，Y(z),X(z)和H(z)分别是y(k),x(k)和h(k)的Z变换。考 虑到波形只能在k≥0时刻开始，并且具有有限功率，因此其Z 变换将总是在单位圆外部才有定义。 对于有限能量波形，利用下面定义的离散时间傅里叶变换会 更加方便： 尽管具有无穷能量的信号不存在离散傅里叶变换，但是如 信号具有有限功率，则广义离散傅里叶变换存在，并被广泛于 确定性信号。;2.2.2 随机信号 随机变量X是一个函数，对于某个给定的实验q，它都分配 一个数作为每次实验的输出。随机过程是一个规则，它描述随 机变量依赖于是q的时间变化关系，因此它是两个变量的函数X (k, q)。所有实验输出的集合（即全体）是q 的域。有x (k)表 示给定过程在q固定时的一个样本，在这种情况下，如果k 也是 固定的，则x (k)是一个数。当对x (k)进行任何统计运算时，意 味着k是因定的而q是变量。本书中用x (k)表示一个随机信号。 不能对随机信号的波形进行准确描述，可能的方法是通过 测量统计量统计量或者一个概率模型来表征它。对于随机信号 而言，一阶和二阶统计量在大多数时候是足以用来表示随机过 程的，而且一阶和??阶统计量测量起来也很方便。另外，还很 容易考虑线性滤波处理对于这些统计量的影响。; 现在，假设暂时考虑实数随机信号。随机过程的期望值 或者均值被定义为 期望值的定义可表示为 为了解释概率密度函数，需要将随机变量的分布函数定义 为P x (k) (y) ＝ x (k)小于或者等于y的概率，或者定义为 分布函数的导数即为概率密度函数 随机过程x(k)的自相关函数的定义为 ; ;能够说明高斯分布重要性的一个理由是中心极限定理。假设 随机变量x 是由n个独立随机变量xi的和组成的，即 中心极限定理指出，在一定的通用条件下，当n值较大时，x的 概率密度函数近似为高斯密度函数。X 的均值和方差分别为 考虑到x的均值和方差会增长，定义 在这各情况下，当n→∞时，可以得到 在许多情况下，我们需要计算条件分布函数，即计算在假设另 一个事件B已经发生以后的条件下某个事件发生的概率。此 时，我们定义;上述联合事件由满足X(q) ≤y的所有q∈B所组成。条件均值被 定义为 条件方差的定义为 存在其均值和自相关函数具有移不变（或时不变）特性的随机 过程 因此;我们把这些过程称为广义平稳(WSS，wide-sense stationary) 过程 联合WSS过程：y(k)=k1x1(k)+k2x2(k), k1，k2是任意常数 对于复数信号，x(k)=xr(k)+jxi(k)，y=yr+jyi， z=zr+jzi，其期望值 定义如下 复数随机信号x(k)的自相关函数的定义为 其自协方差函数： ;自回归滑动过程 当bj=0，j=1，2，…M时，得到的过程为自回归（AR）过程 当ai=0，j=1，2，…N时，得到的过程为滑动平均（MA）过程 马尔可夫过程 定义：如果一个随机过程的当前值被确定以后，其过去值对未来没有影响，则该随机过程称为马尔可夫过程。 比如，对于下面的序列： y(k)=ay(k-1)+n(k) 可以看出，y(k)是由y(k-1)和n(k)决定的，不需要k-1以前的信 息，因此说y(k)表示了一个马尔可夫过程。当a=1，y(-1)=0,则 k≥0时的信号y(k)是白噪声样值和，称为随机游动序列。;Word分解 x(k)可分解为：