5)自适应滤波(二)[RLS算法]
目录
一.递推最小二乘法(RLS)算法
1.1 以N阶线性系统起点,
1.2 动机:
1.3 目标函数的定义:
1.3.1 基于指数加权定义目标函数:
1.3.2 后验与先验误差对比:
1.3.2 最小化目标函数J(w):
1.4 求解滤波器系数
1.4.1 推导自相关矩阵和相关向量的时间递推公式:
1.4.2 自相关矩阵时间递推公式的优化:
1.4.3 滤波器系数w(n)的时间递推公式:
1.5 RLS算法的执行流程:
1.6 RLS vs LMS
Table of Contents |
- 一.递推最小二乘法(RLS)算法 - 1.1 以N阶线性系统起点, - 1.2 动机: - 1.3 目标函数的定义: - 1.3.1 基于指数加权定义目标函数: - 1.3.2 后验与先验误差对比: - 1.3.2 最小化目标函数J(w): - 1.4 求解滤波器系数 - 1.4.1 推导自相关矩阵和相关向量的时间递推公式: - 1.4.2 自相关矩阵时间递推公式的优化: - 矩阵求逆引理: - R逆的时间递推公式: - 1.4.3 滤波器系数w(n)的时间递推公式: - 1.5 RLS算法的执行流程: - 1.6 RLS vs LMS |
一.递推最小二乘法(RLS)算法
1.1 以N阶线性系统起点,
1.2 动机:
MMSE是一个均匀加权的最优化问题,即每一个时刻的误差信号对目标函数的贡献一样
对于非平稳信号,需要调整目标函数的定义方式,使得越近的时刻误差贡献越大,越远时刻误差贡献越小。
1.3 目标函数的定义:
1.3.1 基于指数加权定义目标函数:
4.1,其实就是均方误差再乘一个步长的指数因子,调节不同时刻的误差大小。
指数函数对应形式y = a^x , 且a(这里那么大)属于(0,1],函数单调递减, 又因为 n-i >=0, 当i越接近n时,n-i越趋近于0,所以值越大,即误差权重越大。
1.3.2 后验与先验误差对比:
这里使用后验误差结果比使用先验误差小,先验和后验实际应用结果有时差别不大,但理论上存在较大差异。
1.3.2 最小化目标函数J(w):
R物理含义是一个加权的相关矩阵的求和。包含了从0时刻到n时刻所有输入向量取相关矩阵。
1.4 求解滤波器系数
1.4.1 推导自相关矩阵和相关向量的时间递推公式:
4.3,可以经过简单的拆项推导可以得出4.5,发现n时刻可以由n-1时刻推出。4.6的得来同理。 所以理论上可以直接经过递推得到R的逆 和r,然后计算出n时刻的 w(n)。
但逆矩阵的存在会导致数值不稳定的风险,所以这里R需要另外再找方法进行推导。
1.4.2 自相关矩阵时间递推公式的优化:
(避开求R逆的逆矩阵)
矩阵求逆引理:
R逆的时间递推公式:
矩阵求逆引理,标量和向量都可以应用。
先验估计误差:
1.4.3 滤波器系数w(n)的时间递推公式:
最终的结果表示,w(n)是由w(n-1)加上一个调整量。 调整量中k(n)是增益向量。瑟塔是先验误差,通过对前一时刻w(n-1)计算得来,所有称之为先验估计误差。
这里先验误差和上一节LMS采用的后验误差有差别,并且维纳滤波也是采用的后验误差。
1.5 RLS算法的执行流程:
如上图1)中, P(0)表示相关矩阵R逆(0),由于相关矩阵可以表示成如上红色笔求和公式。 又因为希望当更新第n时刻的滤波器系数时,时间越远影响越小,所以由输入向量 x 计算的相关矩阵初始值设定为接近0的单位矩阵。
为了计算方便每次计算都对逆矩阵进行更新。
1.6 RLS vs LMS
LMS对输入信号也隐含一个条件,即希望输入信号是具有独立性假设,即各个时刻的输入信号尽量不相关,太相关则会导致相关矩阵接近奇异矩阵。与LMS对输入信号的要求一样。
5)自适应滤波(二)[RLS算法]相关推荐
- 自适应滤波器之 LMS 算法
本文对 LMS 算法作以介绍,如有表述不当之处欢迎批评指正.欢迎任何形式的转载,但请务必注明出处. 目录 1. 引言 2. 基本概念 2.1. 横向滤波器 2.2. 误差性能曲面 2.3. 最陡下降法 ...
- 自适应稳定快速RLS算法---(SFTRLS算法)
在上一篇的博客文章中(浅谈自适应滤波器-(快速RLS算法)),我给出了关于RLS的快速算法(简称FTRLS),但是它有一个缺点就是不够稳定,虽然我给出的例子里是稳定的,这主要是Matlab默认的计算精 ...
- 【语音信号处理】自适应滤波方法——LMS算法
LMS 算法(最小均方算法) 滤波器--改变信号频谱 模拟滤波器: 由R.L.C构成的模拟电路. 数字滤波器: 由数字加法器.乘法器.延时器构成,基于数字信号运算实现. 自适应滤波器: 一种能够根据输 ...
- matlab lms自适应滤波,基于LMS算法的自适应滤波收敛性的Matlab仿真
Author :Jeffrey 白噪声经过AR模型的输出作为LMS滤波器的输入,已知:a1=1.558:a2=-0.81:白噪声方差为1.0,均值为0:u=0.002:利用Matlab实现: (1)给 ...
- matlab adaptfilt.rls,基于RLS算法的多麦克风降噪
<信息处理课群综合训练与设计> 课程设计任务书 学生姓名: 专业班级: 指导教师: 工作单位: 题 目: 基于RLS算法的多麦克风降噪 设计任务: 给定主麦克风录制的受噪声污染的语音信号和 ...
- 比较LMS和RLS算法的性能
1.仿真模型 水声通信模型 图源:网络 2.调制方式及信道设置 要求:调制方式QPSK.序列长度2048.训练序列长度1024.信噪比范围5-20dB,比较LMS和RLS算法的 ...
- LMS自适应滤波matlab仿真
目录 1.算法概述 2.仿真效果 3.MATLAB仿真源码 1.算法概述 LMS(Least Mean Square), 由 Widrow 和 Hoff 于1960年提出,也称Δ规则.该算法与感知器网 ...
- 基于matlab的LMS自适应滤波仿真
目录 1.算法概述 2.仿真效果 3.MATLAB仿真源码 1.算法概述 LMS(Least Mean Square), 由 Widrow 和 Hoff 于1960年提出,也称Δ规则.该算法与感知器网 ...
- 【FPGA教程案例78】通信案例4——基于FPGA的RLS自适应滤波算法实现
FPGA教程目录 MATLAB教程目录 -------------------------------------------------------------------------------- ...
最新文章
- 网页加载报错——URL网页连接错误
- 前端学习(892):bom概述
- UI交互设计关键词:情感化设计与心理
- java indexof 通配符,字符串与含有通配符‘*’的字符串匹配(非正则表达式)
- 女生做程序员压力大吗?
- 一些易忘记的常识--CSS,不定期添加
- WCF+AJAX最佳实践
- 轻松了解模型评价指标
- 探索SQL Server元数据(一)
- php教程 网易,网易开源镜像使用帮助
- oracle双机热备 rose,linux下使用RoseHa实现oracle双机热备.doc
- 51单片机c语言实训报告总结,单片机实训心得体会
- debian中修改freeswitch的 sip默认端口,防盗打
- 博士伦-SCI论文撰写培训
- php的seeder是什么,laravel利用seeder实现数据表中填充数据
- 解读 TiDB Server
- 全网最佳,第三方登录系列——苹果登录
- (转)Windows 7 系统下载安装一贴导航
- Android 时间间隔显示处理 1小时前 1天前 一个月前
- 生活中的数学问题(数学家的难题)