-
1.
自适应信号处
理基本概念,解决的问题,适用条件下(平稳、短时平稳)
,结构分类
< br>。
自适应信号处理
:
是研究一类结构可变或可以调整的系统,它通过自身与外界环境的接触来改善自身对信号处理的性
能。通常这类系统
是时变的非线性系统,可以自动适应信号传送变化的环境和要求。
p>
p>
自适应系统和一般系统类似,可以分为开环系统(闭
环:计算量小,
收敛慢;开环:计算量大,收敛快)和闭环系统两种类型。开环系统仅由输入确定,而闭环不仅取决于输入,还依
赖
于系统输出的结果。自适应信号处理所研究的信号既可以是随机平稳信号,也可以是局
部平稳随机信号,也可以是窄带或者是宽带信
号。
2
、信号相关矩阵及其性质,梯度运算
:
p>
输入信号的相关矩阵
:
R
< br>E[X
*
X
T
< br>]=
下性质:
①对应于
R
的不同特征值的特征向量都是正交的。
<
/p>
②
R
是正定(或半正定)矩阵,它所有的
特征值都为实数,且大于或等于零。
③所有特征值之和等于<
/p>
矩阵
R
的迹
,即
为输入信号的功率。
【定义一个幺向量:
1=[
1 1
…
1
]
p>
T
,于是,
R
的特
征值之和为
1
T
∧
1=1
T
Q
H
RQ1=
=
上式等
号右边的求和即为矩阵
R
的迹(矩阵主对角线所有
,相关矩阵
R
是厄米特矩阵,即满足
R
*
= R
T
。作为厄米特矩阵,它具有以
元素之和)
,亦即系统
输入信号的功率。
】
④信号相关矩阵
R
可以被分解为一个实对称矩阵和一个实反对称矩阵,即:
p>
R=R
a
+jR
b
,其中,实矩阵
R
a
< br>、
R
b
分别满足条件:
R
a
T
=R
a
和
R
b
T
=-
R
b
⑤若<
/p>
W
为
L+1
维的
权向量,
则对相关矩阵
R
,
存在关于
W
的一个瑞利商,
且对于所有
W
的瑞利商均为实数。
瑞利商
Ray(W)=
⑥
R
可分解为
R=Q
Q
T
where Q
< br>[q
0
,q
1
< br>,
…
q
l
],
<
/p>
信号子空间:
R
s
非零特征值对应的特征向量张成的子空间。
Span{q
0<
/p>
,q
1
,
…
p>
q
s
}
噪声子空间:信号子空间的正交补空间
零特征值→特征向量。
Span{ q
s+1
,q
s+2
,
…
q
l+1
}
梯度运算:
=[
]
T
式中
分别是向量
W
的第
l
个元素
的实部和虚部,即
< br>;
ε
即为
。
实标量函数的梯度是一个向量,其方向代表该函数最陡下降时
W
变化方向的负向。
(
)
=2RW
3
、性能测量方法。
(代价函数)
①最小均方误差(
MSE
)
:准则
--
误差信号功率最小:
< br>
ε
(W)=E[
]=
E[
]+
-
2Re(W
T
P)
,
(代价函数)
→
W
p>
opt
=R
x
-1
P*.
)
)
]
–
P
T
W
opt
(
ε
(W
opt
)=E[
ε
min
=E[
]-
W
opt
T
P
---(
P
]+P
T
R
-1
RW
o
pt
-
2W
T
opt
P
=
E[
<
/p>
②
最大信噪比
:
SNR
=
,
SINR=
SNR=
W
opt
=arg
< br>R
s
’
最大特征值对应特征向量
。
R
s
’
W
opt
’
=
λ
max
W
opt
< br>’
③最大似然准则
(
ML
)
:
=arg
,高斯噪声,干扰背景
④最小
噪声
方差
(
MV
p>
)
:
W
opt
=
λ
1
,
λ
=
<
/p>
评价自适应系统
性能的指标
:收敛速度,
跟踪能力,稳健性,计算量,算法结构,数值稳定性,稳态性能。
4
、权向量求解方法:
①最陡下降法:
-
μ
▽
②牛顿法:
-
μ
▽
适用范围:代价函数是凸函数,不存在局部极值点。
收敛方向
计算量
收敛速度
收敛条件
0<
μ
<
最陡下降法
梯度下降最快
小
慢
牛顿法
直接指向最优权
大
快
0<
μ
<1
p>
μ
:
特征值散布程度
【
最速下降法:
0<
μ
<
牛顿
法:
0<
μ
<1
收敛条件
会证明!
最陡下降法:
-
μ
▽
在初始值位于椭圆族主轴上时,它两个收敛特性相同。
】
梯度:▽
=
|
ω
=
<
/p>
=2
λ
(
)
p>
于是:
- <
/p>
2
μ
λ
(
)
即:
=(1-2
μ
λ
)
则可将第
k
次权偏差值迭代递推表示为:
=(1-2
μ
λ
)
k
而将第
k
次权值表示成:
+
(1-2
μ
λ
)
k
(
)
相继两次权偏差值迭代的比值均为
公比:
(1-2
μ
λ
< br>)=
γ
,则上述迭代过程“稳定”的充要条件是
|
γ
|=|
1-2
p>
μ
λ
|<1
,
p>
即:
0<
μ<
/p>
<1/
λ
。
<
/p>
则算法收敛于最佳解:
牛顿法:
=
。
-2
P
*
R
-1
P
*
、▽
=2R
-2
P
*
→
= (1-2
μ
)
▽
=2R
+2
μ
.
→
= (1-2
μ
)
k+1
所以,收敛条件:
0<
μ
<1 .
5
、自适应实现算法:
(最陡下降法,牛顿法,
仅给出迭代公式)
①微商法
:梯度估计:
=
p>
β
(因权微扰而不停留在
所引起的均方误差
平均增量
β
为“
性能损失
”
,即
β
=1/2[
ε
(
-
σ
)+
ε
(
+
σ
)]-
ε
(
).
对
于单个实权的
二次型性能函数,
β
=<
/p>
λ
σ
)
;
2
P
(
扰动
,即
P =
=
,
此式给出了用最小均方误差归一化的均方
误差平均增量。
)
,
excMSE
(
超量均方误差
:
excMSE=E[
,
自适应过程中权值噪声将引起稳态权向量解围绕最佳点随机地变化,即
)
,
系统输出均方误差在“碗底”附近“徘徊”
,结果就产生了“超量”均方误差,
于是会使稳态均方误差输出值大于
M
(
失调
,
M=
,
它是超量均方误差和最小均方误差的相对比值,且是一个无量纲的量。它是自适应能力所付代价的归一化量度。<
/p>
失调
M
并不包括人为将权偏离(而不是由
噪声)所引起的扰动
P
。
)
总失调
:
M
tot
=M+P
< br> .
P
p>
opt
≈
A/P
o
pt
≈
M
tot
-
P
opt
≈
M
tot
/2
。也就是说,当扰动等于总失调的一半时,总失调量达到最小
值。
------
性能损失
参数选择对性能影响:
σ
,
N(
样本数
),
μ
P+M
最小选择
σ
(扰动)
性能评估:
N
越大,估计方法越小,<
/p>
β
↓,
excMSE
↑,稳定性能好,但收敛慢,
μ
越大,
(满足收敛条件)
。
收敛速度快
,
excMSE
变大,稳定性能变差。
性能分析:
N
越大,
??
越大,
??
越小,超量均
方误差就越小;
N
越大,
??
越大,
??
越小,
失调量就越小
时间常数
:①权向量收
敛:
γ
n
=1-2
μ
λ
n
,
τ
n
=
=
②学习曲线(
)
:
τ
③自适
应算法:
(
τ
收敛时间常数:
< br>②
LMS
最小均方差
:基于最陡
下降法。
最陡下降法
+
瞬时梯度估计
)
n
=
(
τ
)
n
,
(
迭代次数
)
,
----
(物理时间)
=
=
mse
mse
mse
→
优点:计算量小
缺点:瞬时梯度估计
收敛条件:
p>
0<
μ
<1/
λ<
/p>
max
(
0<
μ
<1/tr(R)
p>
)
,
k
→∞
,E[V
k+1
]
→
0 ,
V
k+1
→
0
=
<
/p>
’
’
时间常数
:
a.
权向量收敛:
γ
< br>n
=1-2
μ
λ
n
,
τ
n
=
b.
学习曲线(
)
:
τ
c.
③自适应算法:
(
τ
τ
=T
MSE
)
n
p>
=
(
τ
mse
p>
=
=
mse
p>
mse
)
n
p>
收敛性分析(会推导)
。
K
→∞
,E[V
k
]
→
0.
0<
μ
<
1/
λ
max
0<
μ
< 1/trR
mse
和
T
MSE
关系:
τ
mse
LM
S/Newton
(最小均方牛顿算法)
:
→
③
SER
(序贯回归算法)
SER
是基于牛顿法梯度搜索算法。以迭代方式求解
R
-1
,降低了运算量。由于使用牛顿梯度搜索算法,所以收
敛速度快,快于
LMS
算法。遗忘因子
α的选择要考虑信号的平稳时间长度,α越大,估计方差越小。
→
a.
R
的估
计:
=
]
→
=
=
b.
P<
/p>
的估计:
P=E[
c.
< br>
迭代公式:
R
(
隐含牛顿法,一步收敛
)
d.
求解:
(矩阵求逆引理)