第二章 最佳滤波.

Presentation on theme: "第二章 最佳滤波."— Presentation transcript:

1 第二章 最佳滤波

2 性能函数 最佳化（优化）

3 时域-正弦输入

4 空域-正弦输入

5

6 §A.6 梯度 对于实矢量 x=[x1，x2 ，…，xn]T的纯量实函数f(x), 函数对于一维自变量x1的梯度 就是函数对x1的导数
度方向是函数值增加最快的方向。

7 对于复矢量x

8 x=[x1,…，xn]T a=[a1,…，an]T
对实矢量的函数的梯度公式 x=[x1,…，xn]T a=[a1,…，an]T 对复矢量的函数的梯度公式 a=ar+jaj, x=xr+jx

9 第三章　 最小均方(LMS)算法

10 §3.1 最小均方误差滤波器 图3.1 横式滤波器

11

12 (１)是埃米尔特矩阵　 (2)是正定的或半正定的。 (3)具有Toeplitz性质，即其任意对角线上的元素相等。

13 最佳解---维纳解 (正规方程)

14 正规方程的解 直接矩阵求逆算法（DMI算法）或采样矩阵求逆(SMI)算法 最陡下降法（加权系数的递推）----最小均方算法即LMS算法 (3) 利用矩阵的埃尔米特和Toeplitz性质

15 正交原理

16 根据正交原理推正规方程

17 §3.2 关于均方误差性能函数的进一步讨论 3.2.1 均方误差性能函数的各种表达式

18

19

20 3.2.2 几何意义 图3.2 均方误差性能面 图3.3 等均方误差椭圆族 均方误差椭圆 的长轴正比于 短轴正比于

21 §3.3 最陡下降法 3.3.1 最陡下降法的递推公式

22 3.3.2 最陡下降法的性能分析 一、收敛性

23

24 二、过渡过程 （1）权向量的过渡过程

25 （2）均方误差的过渡过程 （3） 特征值分散的影响 当 大时，称方程及其相应的矩阵为病态的。 当 为病态时，最陡下降法的收敛性能很差

26 （4） 步长值的影响

27 §3.4 最小均方（LMS）算法 3.4.1 最小均方（LMS）算法公式

28 图3.5 LMS算法的第i支路 图3.6 LMS算法框图

29 表3.1 LMS算法流程 参量： M=滤波器抽头数 =步长因子 初始条件： 或由先验知识确定 运算： 对 取得 (2)滤波 (3)误差估计 (4)更新权向量

30 3.4.2 LMS算法的性能分析 最陡下降法 LMS算法 最陡下降法的加权矢量的递推校正值为确定值 LMS算法的相应的递推校正值为随机量。 LMS算法的加权矢量将以随机方式变化。 LMS算法又称为随机梯度法

31 一、加权矢量的平均值的收敛性和过渡过程 仅与 有关， 与 无关 最陡下降法

32 类似于最陡下降法

33 （1）加权矢量的平均值的收敛性

34 （2）加权矢量的平均值的过渡过程 当 的特征值分散时，即其条件数很大时， 即 为病态时，LMS算法的收敛性很差。 值必须选得满足收敛条件。 在收敛范围内， 愈大，收敛愈快。 但 过大时，过渡过程将出现震荡

35 2. 均方误差的过渡过程

36 2. 均方误差的过渡过程（con’t） 为 的对角元素 (3.4.37)

37 3. 稳态误差及失调系数 LMS算法来说，在收敛到最佳值后，由于加权矢量继续按公式
变化，其校正值不为零而是继续随机起伏，从而使加权矢量继续随机起伏。 这就使得LMS算法的收敛到（即收敛到零）后，均方误差将大于维纳误差 图3.7 LMS算法 的稳态误差

38 失调系数 用于描述LMS算法的稳态均方误差对维纳误差的相对偏差。

39 对LMS算法的失调系数的估计(1)

40 对LMS算法的失调系数的估计(2) 的误差矢量 各元素互不相关，其方差阵为对角阵。

41 对LMS算法的失调系数的估计(3) 当n很大时 令 为 的对角元素 当n很大时

42 §3.5 修正的LMS算法 3.5.1 归一化LMS（NLMS）算法 基于不同的思路和严格的分析推导NLMS 算法: 基于约束优化问题、 基于对每次输入多次运行普通LMS算法等。 本节根据一种直观的思路来导出NLMS算法。

43 LMS算法的失调系数 当输入功率变化时，失调系数即过剩误差将变化。 若使LMS算法的值随输入功率成反比变化 则过剩误差将保持不变。 NLMS 算法公式 输入信号功率可能很小，所以通常采用

44 3.5.2 简化的LMS算法 由标准的实信号LMS算法的递推公式 自适应调整方向仅取决于的符号，所以式(3.5.1)可以简化成如下几种简化

45