现代信号处理-第12讲.pptxVIP

(3) 格形结构最小二乘法的算法 可证明： 令：U=X1,m(n)、u=z-m-1x(n)、y=x(n)、z=?(n) 有：41第一页，共四十一页。 正交原理： 定义前向预测误差矢量和后向预测误差矢量的相关系数为： 41第二页，共四十一页。 第m+1阶后向反射系数定义为： 满足格形结构表示式 类似上述推导，令：U=X1,m(n)、u=x(n)、y=z-m-1x(n)、z=?(n) 有： 第m+1阶前向反射系数定义为： 前向预测残差有： 41第三页，共四十一页。 后向预测残差有： 令U=X1,m(n)、u=z-m-1x(n)、y=x(n)，z= x(n) 有： 对比 有： 类似地，令：U=X1,m(n)、u=x(n)、y=z-m-1x(n)、z=z-m-1x(n)41第四页，共四十一页。 令：U=X1,m(n)、u=?(n)、y=z-m-1x(n)、z= x(n) 其中?m(n-1)为角度参数： 令：U=X1,m(n)、u=z-m-1x(n)、y=?(n)、z=?(n) 格形结构自适应最小二乘算法： 初始化：41第五页，共四十一页。时间迭代：按n=1，2，?变化，对每一个n时刻，设： m从0，1，?，到p-1迭代： 计算?m+1(n)： 计算各阶前后向反射系数： 计算： 计算： 计算?m+1(n)： 从这些反射系数推导信号AR模型的系数 41第六页，共四十一页。6 、快速横向滤波器 利用线性矢量空间及其投影技术，也可推导固定阶数的横向最小二乘自适应滤波器的算法 这种滤波器称为快速横向滤波器(FTF) (1) 横向滤波器 快速横向滤波器的自适应算法涉及4种横向滤波器 这4种滤波器都可用横向滤波算子来描述 最小二乘横向滤波器 n时间的观察矢量x(n)为：x(n)=[x(1) x(2) ? x(n)]T 用一权系数矢量为w(n)=[w1(n) w2(n) ? wp(n)]T的p阶横向滤波器，从x(n)估计期望信号矢量d(n)=[d(1) d(2) ? d(n)]T，所得的最小二乘估计为： 其中矩阵X0, p-1(n)为： 41第七页，共四十一页。 根据 最小二乘横向滤波器的权系数矢量解为： 定义n ? p阶矩阵U的横向滤波算子： 41第八页，共四十一页。 矩阵X0, p-1(n)的横向滤波算子为： 横向滤波算子K0, p-1(n)是p?n阶矩阵 根据 ，估计的误差矢量为： 是矩阵X0, p-1(n)列矢量张成的子空间的正交投影矩阵 估计误差矢量的当前分量为： 41第九页，共四十一页。前向预测误差滤波器 格形结构最小二乘法中，可利用n时刻以前的p个观察值，对x(n)做最小二乘估计，这种估计称为最小二乘前向预测 利用线性矢量空间概念，观察矢量x(n)的前向预测矢量为： 其中矩阵X1, p(n)为： ap(n)是最小二乘前向预测系数矢量：ap(n)=[a1(n) a2(n) ? ap(n)]TP1, p(n)是矩阵X1, p(n)列矢量张成的子空间的投影矩阵：41第十页，共四十一页。 矩阵X1, p(n)的横向滤波算子为： 最小二乘前向预测系数矢量ap(n)为： 最小二乘前向预测的误差矢量为： 最小二乘前向预测误差矢量的当前分量为： 最小二乘前向预测的残差为： 41第十一页，共四十一页。后向预测误差滤波器 类似于前向预测误差滤波器的推导，可得到后向预测误差滤波器的情况 观察矢量x(n)的最小二乘后向预测矢量为： 其中矩阵X0, p-1(n)为： bp(n)是最小二乘后向预测系数矢量：bp(n)=[bp(n) ? b2(n) b1(n)]TP0, p-1(n)是矩阵X0, p-1(n)列矢量张成的子空间的投影矩阵：41第十二页，共四十一页。 矩阵X0, p-1(n)的横向滤波算子为： 最小二乘后向预测系数矢量bp(n)为： 最小二乘后向预测的误差矢量为： 最小二乘后向预测误差矢量的当前分量为： 最小二乘后向预测的残差为： 41第十三页，共四十一页。增益滤波器 增益滤波器的权矢量g(n)用来表示观察值子空间{X0,p-1(n)}和{X0,p-1(n-1)}间夹角的大小 以一维子空间为例：?(n)在x(n)上的投影记为Px(n)?(n) 因是一维子空间，该投影可表示为x(n)的倍数： Px(n)?(n)=g(n)x(n) 其中g(n)可视为x(n)根据最小二乘法预测?(n)的单一系数滤波器的权系数 这一预测的误差矢量为： 其n时刻的分量为： 根据角度参数的定义，有：41第十四页，共四十一页。 将结论从一维子空间推广到p维子空间，有：其中xp(n)为：xp(n)=[x(n) x(n-1) ? x(n-p+1)]T 结论：用权矢量为gp(n)的增益滤波器对最近的观察值xp(n)进行处理，可得到角度参数