自適應信號處理(第六章一些改進的自適應算法)_第1頁
自適應信號處理(第六章一些改進的自適應算法)_第2頁
自適應信號處理(第六章一些改進的自適應算法)_第3頁
自適應信號處理(第六章一些改進的自適應算法)_第4頁
自適應信號處理(第六章一些改進的自適應算法)_第5頁
已閱讀5頁,還剩53頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

第六章改進的自適應LMS算法

6.1LMS牛頓算法6.2歸一化LMS算法6.3變換域LMS算法6.4頻域LMS算法6.5簡介其它LMS算法自適應濾波器6.1LMS牛頓算法

當濾波器的輸入信號為有色隨機過程時,特別是輸入信號為高度相關的情況,大多數(shù)自適應濾波算法的收斂速度都要下降,對于典型的LMS算法,此問題更加突出。LMS牛頓算法可以很好地解決這個問題。它不僅可以提高收斂速度也不會太增加計算復雜度.

LMS牛頓算法公式推導:自適應橫向濾波器的濾波系數(shù)矢量的二次方函數(shù)所構成的均方誤差曲面,可由其均方誤差ξ(n+1)描述濾波特性,(6-1-1)

將(6-1-1)式和相應的ξ(n)關系式相減,可以得到

(6-1-2)

式中,▽(n)=-2P+2Rw(n)是均方誤差MSE曲面上相當于濾波系數(shù)w(n)點的梯度矢量。而ξ(n)表示自適應濾波系數(shù)w(n)點的均方誤差值。

由于濾波器的均方誤差可以寫成:兩邊分別對w(n+1)的瞬時(n+1)值求偏導數(shù),并令其等于零,經整理后,得到

(6-1-3)

這就是牛頓方法迭代計算公式。在理想情況下,R和▽(n)精確已知,此算法可達最佳濾波結果,且在一次簡單迭代運算后就得最佳解,即:

(6-1-4)

實際應用中,僅有效地估計自相關矩陣R和梯度矢量,這也適應LMS算法的基本思想和原則,所以把和的估計值用到類似牛頓方法迭代計算公式中,如下式

(6-1-5)

這里,0<μ<1,應用收斂因子μ是為了保證R與▽(n)的噪化估計也能使算法收斂.

當輸入信號為平穩(wěn)隨機過程時,R的無偏估計值等于

(6-1-6)

因為估值的數(shù)學期望為因此是無偏的。當然,還有其他相關矩陣估計方法,這里不再贅述了.

為了避免求的逆,我們可以利用下列矩陣反演引理公式:

(6-1-7)其中,A和C為非奇異矩陣.如果我們選用,可以導出的計算公式:(6-1-8)

從每次迭代運算所需乘法來看,上式計算的運算量為O(),低于直計算的逆的運算量O().

如果在式(6-1-5)中用LMS算法來估計梯度矢量,則LMS牛頓算法的濾波權系數(shù)更新公式將如下式:

(6-1-9)

(6-1-10)

初始條件選取為:

δ為小的正數(shù)

(6-1-11)式(6-1-8)~(6-1-11)組成了LMS牛頓算法。

小結:LMS梯度方向趨向于理想梯度方向,類似地,由相乘所生成的矢量的方向接近于牛頓的方向,所以LMS牛頓算法朝均方誤差曲面最小點方向的路徑收斂。而且算法的收斂特性表明與相關矩陣R的特征值擴張無關.一種快速LMS牛頓算法

直接計算式(6-1-9)中的來實現(xiàn)LMS牛頓算法。算法的基本思想是用自回歸(AR)模型來做輸入信號矢量的建模,即用階為0到M-1的預測器的反向預測誤差把矢量X(n)換成新矢量,即有

b(n)=Lx(n)(6-1-12)(6-1-13)

式中,L為下三角矩陣,它由預測器系數(shù)表示其元素,這里為第i階預測器的第j個系數(shù),三角矩陣L的形式是

我們可以認為,都是互不相關的,這意味著它們的相關矩陣是一個對角線矩陣,所以求它的逆矩陣比較容易,即

(6-1-14)可得到這是一種快速LMS牛頓算法.6.2歸一化LMS

基本思路:不希望用與估計輸入信號矢量有關的相關的矩陣來加快LMS算法的收斂速度,可用變步長方法來縮短其自適應收斂過程,變步長μ(n)的更新公式寫成

(6-2-1)

式中,表示濾波權矢量迭代更新的調整量。為了達到快速收斂的目的,必須合適地選擇變步長μ(n)的值,一個可能的策略是盡可能多地減小瞬時平方誤差,即用瞬時平方誤差作為均方誤差MSE的簡單估計,這也是LMS算法的基本思想。瞬時平方誤差可以寫成

(6-2-2)

如果濾波權矢量的變化量,則對應的平方誤差可以由上式得到

(6-2-3)

在此情況下,瞬時平方誤差的變化量定義為

(6-2-4)

把的關系式代入式(6-2-4)中,得到

(6-2-5)

這個步長值μ(n)導致

出現(xiàn)負的值,這對應于的最小點,相當于平方誤差等于零。(6-2-6)

為了增加收斂速度,合適地選取μ(n)使平方誤差最小化,故將式(6-2-5)

對變系數(shù)μ(n)求偏導數(shù),并令其等于零,求得:

為了控制失調量,考慮到基于瞬時平方誤差的導數(shù)不等于均方誤差MSE求導數(shù)值,所以以LMS算法的更新迭代公式作如下修正:

(6-2-7)

式中,μ為控制失調的固定收斂因子,γ參數(shù)是為避免過小導致步長值太大而設置的。通常稱式(6-2-7)為歸一化LMS算法的迭代公式.

為了保證自適應濾波器的工作穩(wěn)定,固定收斂因子μ的選取應滿足一定的數(shù)值范圍。現(xiàn)在我們來討論這個問題。首先考慮到下列關系:

(6-2-8)

然后對收斂因子的平均值應用更新LMS的方向e(n)x(n)是μ/2tr[R],最后,將歸一化LMS算法的更新公式與經典LMS算法更新公式相比較,可以得到收斂因子μ的上界不等式條件,如下:

0<μ(n)=μ/2tr[R]<1//2tr[R](6-2-9)

或0<μ<2

顯然,由式(6-2-7)與(6-2-9)可構成歸一化LMS算法,其中0≤

γ≤1,選擇不同的γ值可以得到不同的算法.當γ=0時,由式(6-2-7)可以寫成

(6-2-10)

這種算法是NLMS算法的泛化形式,其中隨機梯度估計是除以輸入信號矢量元素平方之和。所以步長變化范圍比較大,可有較好的收斂性能。

在此情況下,算法的歸一化均方誤差NMSE可由式(6-2-10)得到

(6-2-11)

最佳濾波權矢量可由對w(n)求偏導數(shù),并令其等于零,即由式

得到最佳濾波權系數(shù):

(6-2-12)

式中,

(6-2-13)

上式可知,自相關矩陣和互相關量都含有歸一化因子,在穩(wěn)定狀態(tài)x(n)和d(n)時,假定自相關矩陣R’存在可逆性。同時,由式(6-2-11)可看出,當且僅當時,歸一化LMS算法的均方誤差可等于零。這需要對d(n)用輸入信號矢量線性組合進行精確地建模。此時,最佳濾波權矢量變成合宜的線性權系數(shù)矢量。當γ=1時,NLMS算法更新公式可以寫成

(6-2-14)

由此可得到NLMS算法的特殊形式:

(6-2-15)

(6-2-16)

此式表明等效步長是輸入信號的非線性變量,它使變步長由大逐步變小,加速了收斂過程,計算量較之LMS算法稍有增加.兩個改進型LMS算法,均屬變步長的LMS算法:6.2.1時域正交LMS(TDO-LMS)算法此算法是基于對平方誤差時間上的平均,即對下式取最小值,

(6-2-17)

按上式對權系數(shù)矢取偏導數(shù),并令其為零,得到時域正交準則下序列x(n)對d(n)進行線性估計的最佳權系數(shù)矢量w0,即:

(6-2-18)

這意味著用時域正交LMS算法的權矢量更新運算公式,可對線性估計的權矢量作自適應調整,使其趨于最佳。Huffman的TDO-LMS更新公式:m=0,1,2,…n…

(6-2-19)當m取足夠大時,上式可近似寫成

(6-2-20)與上面討論的歸一化LMS算法權矢量更新公式類似。6.2.2修正LMS(MLMS)算法

MLMS算法是在LMS算法中權矢量的較正量和梯度估計之間人為地引入一個時延,利用現(xiàn)時刻的梯度估計代替前一刻的梯度估計,即:

(6-2-21)

因為是w(n+1)的函數(shù),而且可解。式(6-2-21)用瞬時梯度信息可表示為:

w(n+1)=w(n)+μe(n+1)x(n+1)

(6-2-22)代入式(6-2-22)得:將自適應步長是可變收斂因子,它隨著信號輸入功率變化可加快收斂速度,從而使用MLMS算法的性能有了很大的改進,特別是步長因子的值較大時。整理后得:

小結

歸一化LMS算法,時域正交LMS算法及修正LMS算法都是以輸入信號功率控制變步長的LMS算法,利用梯度信息調整濾波器權系數(shù)使其達到最佳值這一點完全相同。但它們的自適應過程較快,性能有了很大改進。6.3變換域LMS算法1、適用條件:當輸入信號具有高度的相關性時,采用變換域算法可以增加LMS算法的收斂速度。2、基本思路:先對輸入信號進行一次正交變換以去其相關性或衰減其相關性,然后將變換后的信號加到自適應濾波器實現(xiàn)濾波處理,從而改善了相關矩陣的條件數(shù)。酉變換Z-1自適應算法Z-1Z-1y(n)e(n)d(n)x(n)x(n)x(n-1)x(n-2)x(n-M+1)酉變換酉變換酉變換Z-1自適應算法Z-1Z-1y(n)e(n)d(n)x(n)x(n)x(n-1)x(n-2)x(n-M+1)酉變換酉變換3、變換域LMS(TRLMS)算法框圖4、TRLMS算法公式推導:

X(n)=Tx(n)

(6-3-1)

其中TTH=I,T*TH=I,T為變換陣,I為單位陣;“*”表示共軛。已知LMS自適應濾波器的均方誤差MSE是:

(6-3-2)

式中:△w(n)=w(n)-w0,在變換域情況下,TRLMS算法的均方誤差MSE變?yōu)椋?/p>

(6-3-3)式中,代表變換域自適應濾波器的權系數(shù)矢量。變換域自適應濾波器的自相關矩陣RTR可由式(6-2-3)寫成:

(6-3-4)

如果濾波器中信號分量之間沒有相關性,則矩陣是一對角線矩陣,此時變換矩陣的列將含有R的正交特征矢量.

用歸一化LMS算法來更新變換域算法的系數(shù)。變換后信號分量Xi(n)用其功率實現(xiàn)歸一化,權系數(shù)的更新公式可寫成:其中為控制估計精度和跟蹤能力的平滑系數(shù),

式(6-3-5)的矩陣形式表示為:

(6-3-7)式中是一個對角線矩陣,其元素是變換后信號分量功率估值加上常數(shù)γ的逆。當μ取的合適時,TR-LMS的權系數(shù)收斂到下列最佳:

其是W0為自適應濾波器權系數(shù)的最佳維納解。6.4頻域LMS自適應濾波器前面我們學習的都是時域LMS自適應濾波器,本節(jié)討論頻域自適應濾波器算法。1、基本思路:本算法在自適應濾波前把輸入信號變換到頻域,然后在頻域上實現(xiàn)自適應濾波處理,仍用梯度下降法調整權系數(shù)。2、算法優(yōu)點:(1)和時域相比,處理數(shù)據(jù)量減少。因為頻域變換都有快速算法,利用變換相乘代替了卷積運算,加快了收斂過程。(2)與前述經典梯度下降法相比,自適應過程的收斂性有所改善。(3)頻域法容易進行信號分塊處理。變換變換計算誤差時變?yōu)V波器W(k)逆變換自適應算法X(k)Y(k)E(k)D(k)輸入信號x(n)輸出y(n)期望響應d(n)計算誤差D(k)計算誤差3、頻域自適應濾波器原理框圖

輸入信號x(n)和期望響應d(n)分別形N點數(shù)據(jù)塊,然后做N點快速傅里葉變換(FFT),每個FFT變換輸出組成N個復數(shù)點X(k)和D(k),具有權系數(shù)矢量W(k)輸出為Y(k),它等于

Y(k)=X(k)W(k)

(6-4-1)4、算法公式推導上式表明時域內卷積等于其變換的乘積。其中第k個數(shù)據(jù)塊的頻域權系數(shù)矢量W(k)和輸入信號FFT系數(shù)的對角線矩陣X(k)分別定義如下:從圖上可看出,計算誤差E(k)等于是E(k)=D(k)-Y(k)(

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論