(周围)现代信号处理基础-03-自适应信号处理.ppt

第三章

自适应信号处理周围

内容梯度下降算法横向LMS自适应滤波器横向RLS自适应滤波器自适应格型滤波器盲自适应滤波器自适应滤波器的应用

维纳滤波与卡尔曼滤波的特点维纳滤波和卡尔曼滤波都是随机情况下最优滤波,特点是:?维纳滤波:参数固定,适用于平稳随机情况下的最优滤波且实现简单；?卡尔曼滤波:参数时变,适用于非平稳随机情况下最优滤波且性能优越；最优预测和滤波自适应滤波器维纳滤波与卡尔曼滤波的局限性只有在信号和噪声统计特性先验的情况下,这两种滤波器才能获得最优滤波。在实际应用中,往往无法得到这些统计特性的先验知识,或统计特性随时间而变,这时就无法用这两种滤波器实现最优滤波。

自适应滤波器的特点在信号和噪声统计特性先验未知的情况下,自适应滤波器也能够提供卓越的滤波性能。?可自动调整其自身参数，使系统特性满足要求；?只需很少或根本无需任何关于信号和噪声的先验知识；?实现差不多象维纳滤波那么简单，性能接近卡尔曼滤波自适应滤波器的应用?系统辨识与均衡〔如信道估计与均衡〕；?雷达和声纳波束赋型(beamforming);?噪声中信号的检测、跟踪、增强等；?信号或时间序列的自适应预测；?语音和图像的自适应预测编码。最优预测和滤波自适应滤波器

自适应FIR滤波器：定义输入向量输入信号：输出信号：期望信号〔参考信号或训练信号〕：d(n)抽头权矢量：输出误差信号：………+-+Σ自适应算法最优权矢量：

均方误差性能曲面及其性质输入信号的自相关矩阵：互相关矩阵

与FIR维纳滤波器的最优解一致。均方误差函数〔代价函数〕

几何意义对二维实加权情况：均方误差性能函数：为求得等高线，令

定义输入向量输出信号：复加权矢量：输出误差信号：

定义输入向量其中空间自相关矩阵：最优加权矢量：互相关矩阵

最陡〔梯度〕下降算法梯度的数学表示：相对于向量的梯度算子记作，定义为因此，一个实向量函数相对于一列向量的梯度为

最陡〔梯度〕下降算法〔续〕梯度的几何特征梯度的每个分量给出了标量函数在该分量方向上的变化率。梯度的重要性质指出了当变元增大时函数的最大增大率。相反，梯度的负值〔简称负梯度〕指出了当变元增大时函数的最大减小率。这一性质是梯度下降算法的根底。

极小化取负曲率方向作搜索方向取负梯度作目标函数的更新方向。定理：令是实向量的实值函数。将视为独立的变元，实目标函数的曲率方向由梯度向量给出。最陡〔梯度〕下降算法

梯度下降算法的迭代过程：近似解在迭代过程中的校正量与目标函数的负梯度成正比。上式称为优化问题近似解的学习算法；常数称为学习步长，它决定近似解趋向最优解的收敛速率。梯度：故坐标平移最陡〔梯度〕下降算法

由初始权向量迭代可得：〔变量间无耦合〕或表为因为最陡〔梯度〕下降算法

假设满足：实际常用〔保守的〕收敛条件：那么有：那么有：或最陡〔梯度〕下降算法〔续〕

过渡过程令：那么其中权向量时间常数〔1〕权向量过渡过程〔2〕均方误差过渡过程其中均方误差时间常数最陡〔梯度〕下降算法〔续〕

〔3〕特征值分散对过渡过程的影响均方误差和权矢量的分量均按M个不同时间常数的指数函数之和的规律变化。收敛速度主要取决于最慢的指数过程，相应时间常数：为了保证收敛，步长，故有：当特征值分散性大（条件数大）时，算法最陡下降法收敛性很差。最陡〔梯度〕下降算法〔续〕

梯度下降算法〔续〕〔4〕步长μ对过渡过程的影响步长μ必须满足收敛条件:●μ太大将不收敛；●在保证收敛情况下：μ越大，收敛越快，但太大时过渡过程具有振荡特性，且稳态误差较大；μ越小，稳态误差越小，但收敛越慢。或

内容最优滤波理论与Wiener滤波器梯度下降算法横向LMS自适应滤波器横向RLS自适应滤波器自适应格型滤波器盲自适应滤波器自适应滤波器的应用

自适应滤波根本原理自适应滤波器包括两个过程：自适应学习过程和滤波过程。此仅考虑前者,即滤波器的自适应实现问题；且主要考虑FIR滤波器的自适应实现，其关键是自适应算法。FIR滤波器的自适应实现指的是：M阶FIR滤波器的抽头权系数w1,…,w