论文首页哲学论文经济论文法学论文教育论文文学论文历史论文理学论文工学论文医学论文管理论文艺术论文 |
图(2.1.5.4)( =0.001)
图(2.1.5.5)( =0.005)
观察两个不同步长情况下的误差曲线不难看出,步长越小,误差越小,但收敛速度越慢,为了好的精度,我们在选择时必然牺牲收敛速度。
以上就是围绕对LMS算法的分析,着重讨论了算法的实现及算法中重要参数 的选择问题。在实际中,噪声功率大小的也会对系统的收敛程度产生影响,噪声功率越大,即信噪比SNR越小,误差曲线就会明显增加,这就是更大噪声功率对算法中随机梯度的影响,可以通过下面两个仿真图看出。分别取信噪比SNR=5和SNR=20。 =0.001
图(2.1.5.6)(SNR=5)
图(2.1.5.7)(SNR=20)
2.2 递推最小二乘(RLS)算法
2.2.1 最小二乘法
设已知n个数据 ,…, ,…, ,利用图3.1所示的滤波器结构来估计期望信号 ,…, ,…, 。对 的估计可表示成 式(2.2.1.1)
估计误差 - 式(2.2.1.2)
根据最小二乘法, (n)的最佳值应该使下列累计平方误差性能函数为最小 式(2.2.1.3) , 其中0< <1, 称为遗忘因子。使用前加窗法,只用 的前 个误差,则 式(2.2.1.4)
前加窗法最小二乘性能函数为 式(2.2.1.5)
其中 。 引入m维矢量: 式(2.2.1.6),而 维矩阵: 式(2.2.1.7)
式(2.2.1.8)
的最佳值满足方程 式(2.2.1.9)
从而有 式(2.2.1.10)
最终得到最小二乘算法的最后方程 式(2.2.1.11)
2.2.2 递推最小二乘(RLS)算法
由于最小二乘法的运算量较大,一般不适合实时滤波,采用递推算法可以减少运算量。
由式(2.2.1.11)有 式(2.2.2.1)
根据式2.2.1.7得 式(2.2.2.2)
对矩阵求逆得 式(2.2.2.3)
其中 为一纯量。 矩阵 式(2.2.2.4)
N维矢量 , 为增益系数 式(2.2.2.5)
由式2.2.2.4和式2.2.2.5逆推式2.2.2.3可得
式(2.2.2.6)
利用式2.2.2.6,就可以用递推的方式求m m维矩阵 的逆,使运算量降低。
式2.2.2.6两端乘以 ,利用式2.2.2.5可得
式(2.2.2.7)
另外,根据式2.2.1.6可得 式(2.2.2.8)
将式2.2.2.4,式2.2.2.6,式2.2.2.8代入式2.2.1.11就可以得到
式(2.2.2.9)
利用式2.2.2.5和式2.2.2.9的最后两项可简化为 ,而式2.2.2.9的前两项中的 即为 。所以由式2.2.2.9可得
式(2.2.2.10)
这即为递推最小二乘(RLS)算法的递推公式。
下图为RLS算法的流程图: