自适应均衡算法研究.docx
- 文档编号:3455785
- 上传时间:2022-11-23
- 格式:DOCX
- 页数:17
- 大小:237.53KB
自适应均衡算法研究.docx
《自适应均衡算法研究.docx》由会员分享,可在线阅读,更多相关《自适应均衡算法研究.docx(17页珍藏版)》请在冰豆网上搜索。
自适应均衡算法研究
自适应均衡算法LMS研究
一、自适应滤波原理与应用
所谓自适应滤波器,就是利用前一时刻已获得的滤波器参数等结果,自动地调节现时刻的滤波器参数,以适应信号和噪声未知的或随时间变化的统计特性,从而实现最优滤波。
根据环境的改变,使用自适应算法来改变滤波器的参数和结构。
1.1均衡器的发展及概况
均衡是减少码间串扰的有效措施。
均衡器的发展有史已久,二十世纪60年代前,电话信道均衡器的出现克服了数据传输过程中的码间串扰带来的失真影响。
但是均衡器要么是固定的,要么其参数的调整是手工进行。
1965年,Lucky在均衡问题上提出了迫零准则,自动调整横向滤波器的权系数。
1969年,Gerhso和Porkasi,Milier分别独立的提出采用均方误差准则(MSE)°1972年,ungeboekc将LMS算法应用于自适应均衡。
1974年,Gedard在kalmna滤波理论上推导出递推最小均方算法RLS(Recursiveleast-squares)。
LMS类
算法和RLS类算法是自适应滤波算法的两个大类。
自适应滤波在信道均衡、回波抵消、谱线增强、噪声抑制、天线自适应旁瓣抑制、雷达杂波抵消、相参检测、谱估计、窄带干扰抑制、系统辨识、系统建模、语音信号处理、生物医学、电子学等方面获得广泛的应用。
1.2均衡器种类
均衡技术可分为两类:
线性均衡和非线性均衡。
这两类的差别主要在于自适应均衡器的输出被用于反馈控制的方法。
如果判决输出没有被用于均衡器的反馈逻辑中,那么均衡器是线性的;如果判决输出被用于反馈逻辑中并帮助改变了均衡器的后续输出,那么均衡器是非线性的。
LMS
梯度RLS
LMS梯度RLS
LMS
RLS快速RLS平方根RLS
RLS快速RLS平方根RLS
RLS快速RLS平方根RLS
算法
图1.1均衡器的分类
1.3自适应算法LMS算法
LMS算法是由widrow和Hoff于I960年提出来的,是统计梯度算法类的很重要的成员之一。
它具有运算量小,简单,易于实现等优点。
LMS算法是建立在Wiener滤波的基础上发展而来的。
Wiener解是在最小均方误差
(MMSE意义下使用均方误差作为代价函数而得到的在最小误差准则下的最优解。
因其结构简单、稳定性好,一直是自适应滤波经典有效的算法之一,被广泛应用于雷达、通信、声纳、系统辨识及信号处理等领域。
1.3.1MSE的含义
MSE为基础。
下
LMS算法的推导以估计误差平方的集平均或时平均(即均方误差,面先介绍MSE勺概念。
设计一个均衡系统如下图所示:
图1.2
图1.2中的均衡器为一FIR横式滤波器,其结构如图1.3所示。
其输入矢量为
(1.5)
使得性能函数一均方误差为最小。
式(1.5)称为均方误差性能函数
图1.3时域FIR横式滤波器
在指定的信道条件下,f(w)为各滤波器抽头系数的函数。
现在来研究系统处于平稳
状态时的情况。
将式(1.4)代入式(1.5)可得
f(w)=E*e(n)J=e&n)e*(n)}
lIi/\2\H/H*,H_
=Eld(n)f_w3-(w%)+wRxxw
(1.6)
=E 其中rxd表示d(n)和x(n)的互相关矢量。 Rxx(n)表示x(n)的自相关矩阵。 对(1.6)式两端对w求导,并令导数为零,得到: 当Rxx为满秩时,从而可得到该横式滤波器抽头系数的最优维纳解为: (1.8) LMS迭代算法 由式(1.8)知Wiener滤波器的抽头系数的直接计算需要矩阵求逆,当M较大时,计 算量较大且由于信号和干扰环境的变化常须对求逆过程不断进行。 所以常用其它递推求解的方法。 F面我们介绍从最陡下降法来推导LMS算法。 根据最陡下降法,有: 其中,'wf(w)为f(w)的梯度,而"为常数并被称为步长因子。 又因为: 为了实现上述迭代算法需要知道梯度'wf(w)的精确值,这就要求输入信号x(n)和 d(n)平稳且其二阶统计特性已知。 这时才能根据信号x(n)和需要信号d(n)的采样值来估 计Rxx和rxd,从而寻找Wopt。 由式(1.4)可得 将式(1.11)和式(1.12)代入式(1.9)得 (1.13) w(n1)=w(n)2」e(n)x(n) 上式就是B.Windrow在60年代初提出的LMS自适应迭代算法。 LMS算法的流程归纳如 下: ⑴初始化: Wm=[000]T ⑵更新: n=1,2, e(n)=d(n)—y? (n) w(n1)=w(n)-2.Se(n)x(n) ot 在第二步中,若取^二常数,则称之为基本LMS算法;若取)=「xH(n)x(n),其中 (0,2),--0,则得到归一化LMS算法。 LMS算法的重要特点是将其期望值近似为瞬时值。 故在迭代收敛后,加权矢量不会等于最优的加权矢量,而是在最优加权矢量附近随机性的波动,等效于在最优加权矢量上叠加了一个噪声,也就是说这种近似存在误差。 所以,LMS算法又被称为随机梯度法。 此法 可以被视为最陡下降法的近似。 其另一个重要的特点是每次迭代需要M1次乘法和M次 加法,因而运算处理相当简单。 1.3.2最小均方(LMS)算法的性能分析 LMS算法采用瞬时值代替期望值,则会存在着一个算法收敛、稳定性的问题。 在本节中,主要来讨论LMS算法的收敛性及稳定性。 §1.3.2.1LMS算法的稳定性 比较LMS算法递推公式(1.13)和最陡下降法递推公式(1.9)可以看出,LMS算法用Je(n)作为JE{e(n)"估计。 从而可以想象,LMS算法的加权矢量平均值EM)〉将按最陡下降法的加权矢量的变化规律变化。 现在,假设x(n)和w(n)不相关来寻找LMS算法的加权矢量平均值的变化规律。 将式 (1.4)代入(1.13)LMS算法的递推公式可写为: (2.1) w(n1)=w(n)2叮x(n)d(n)-x(n)xH(n)w(n)] H w(n1)“I-2x(n)x(n)]w(n)2」x(n)d(n) (2.2) 对式(2.2)求均值,可得 E「w(n1).;珂I-2・Rxx]E: w(n)? 2・[rxd (2.3) 并令误差矢量v(n)为 则 由式(2.3)可得 式中 根据矩阵理论有 v(n)=w(n)-Wopt E'v(n)f=E: w(n).;-w。 戌 E「v(n1)丄[I-2、Rxx]E: v(n)? E「v(n);=[l—2gnv(0) v(0)=w(0)-w°pt Rxx=Q^Q (2.4) (2.5) (2.6) (2.7) (2.8) (2.9) 其中Q是可以将Rxx对角化的酉矩阵,A(人二Diag(1,'2/,'m))是以Rxx的特征值 为对角线元素的对角线阵。 在令v'(n)二QJv(n) 即E"v'(n)lQ,E、(n)/ 由式(2.7)可得 eJ'(n)}=[l—2卩A]nv'(0) 由式(2.5)还有 E「w(n)—WoptQ[I-2lAnQ‘[w(0)-w°pt] 由式(2.11)和(2.12)可得: (2.10) (2.11) (2.12) 当且仅当 时 0-1/'max limEw(n)j=wopt (2.13) (2.14) 其中,max为滤波器对应的输入信号相关矩阵Rxx的最大特征值。 式(2.13)即为LMS 算法的加权矢量平均值的收敛条件。 实际上,有 : TrR maxxx (2.15) 式中TrRxx为Rxx的迹, M TrRxx二'1i i4 M 7E「x2(n—i1)^MSin (2.16) i二 式中色为滤波器输入信号x(n)的功率。 这样还可以得到加权矢量收敛的充分条件 (2.17) 式(2.17)导出了一个大M的LMS算法滤波器步长参数'■稳定性界的必要条件,滤波器步长参数■对M为较小长度时,至今没有理论上得到'■的固定上界。 但是对于步长'■小的时候: 小步长理论对收敛性提供了理论描述⑻即满足式(2.13)的要求。 由上面的收敛稳定性分析可以看出,LMS算法的收敛是有条件的。 步长"必须要满 足一定的要求。 §1.3.2.2LMS算法的收敛速度 对信道均衡自适应算法的选择,除了算法本身的稳定性,我们还要考虑它的收敛速度收敛速度是指对于恒定输入,当迭代算法的迭代结果已经充分接近最优解时,即已经收敛时,算法所需的迭代次数。 一般来说快速的收敛算法可以快速地适应稳定的环境,而且也可以及时地跟上非稳定环境的特性变化。 从均方误差来看,LMS算法的最终收敛速度要取决于最慢的一个指数过程,相应的时 间常数为 ■msemax二(2」'min) (2.18) 'min为矩阵Rxx的最小特征值。 从式(2.13)可知,为了保证自适应算法收敛'■受限于 'max,将式(2.13)代入时(2.18)有 所以,当Rxx的特征值分散时,即’max和’min相差很大时,LMS算法的收敛速度性能将 变的很差 特征值分散定义为: (2.20) 它反映了一个矩阵Rxx的条件数。 当cond(Rxx)大时,称矩阵Rxx及相应的Rxx方程为病态,所以当Rxx为病态时,LMS算法的收敛性能很差。 由上分析可知,LMS算法的收敛速度主要是由两个参数来决定: 步长■和特征值分散。 即对Rxx的特征值分散敏感。 也就是说,对于不同的特征值分散,LMS算法的收敛速度不同。 另一方面,LMS算法的收敛速度和步长"之间也有关系。 由(2.13)和(2.18)可知在收敛范围内,'■愈大,LMS算法的收敛速度愈快。 但'■过大时,过渡过程将出现振荡⑺o §1.3.2.3LMS算法的性能学习曲线及稳态误差 自适应算法的均方误差的过渡过程又称为学习曲线,均方误差学习曲线是研究自适应 2 滤波器的统计特性的一种通用的方法。 它是基于均方估计误差e(n)的集平均值。 这个 学习曲线因此也是均方误差E{e(n)'2}在时刻n的图形。 e{e(n)叮 由1.3.2.1小节分析可想像,LMS算法的均方误差Ee(n)将近似地按最陡下降 法的均方误差的变化规律变化。 这就是说,LMS算法的学习曲线近似地为几个不同的时间 常数的指数之和。 由式(2.4)及式(1.4)有 e(n)=d(n)-y(n)=d(n)-wHx(n) Hh =d(n)一w°ptx(n)一[w(n)一w°pt]x(n) H =eopt(n)-v(n)x(n) 而 H e°pt(n)二d(n)-w°pt(n)x(n) (2.21) (2.22) 为w二⑷甲时的误差信号,称为最佳误差信号。 最佳误差信号对应于最小均方误差(维 12} 纳误差)%n=E乂戌5) o {2} 下降法的Ee(n)。 特别是,对于LMS算法来说,在E{w(n)}收敛到最佳值WoPt后,加权矢量继续按式(1.13)变化,其校正值2七(n)x(n)不为零,而是继续随机起伏的,从而使w(n)继续随机起伏。 这就使得LMS算法的E'w(n)1收敛到Wopt后,均方误差;将大于维纳 B.Widrow为此引入了失调系数 ._: -;min "min (2.23) 来描述LMS算法(和其他算法)的稳态均方误差对维纳误差的相对偏差。 并且有 (2.24) 由上分析可知,使LMS算法的性能达到最佳,要选择合适的步长因子滤波器抽头数、输入信号能量及特征值分散。 总而言之,对于平稳系统,算法的参数选择应保证较小的稳态误差和较快的收敛速度,这时均衡才能得到较理想的效果。 本文着重对自适应滤波器算法进行理论分析。 LMS算法简单,计算代价小,易于实现 等特点是其主要优点。 但其缺点是速度慢且收敛速度强烈依赖于输入信号相关矩阵特征值。 LMS算法是一种递归运算,它不需要对信号的统计特性有先验的了解,而只是使用它们的瞬时估计值,运算得到的只是权重系数的估计值,但随着时间的增加,权数逐步调整,估计值也逐步调整,估计值也逐步改善,最终得到收敛值。 就经典的LMS算法提出了改进算法: 误差归一化的变步长LMS算法。 算法的基本指导 思想是先指定一个较大的步长,使算法有较快的收敛速度;算法在若干次迭代以后会进入稳态邻域,这时减小步长,算法就会在先前稳态的基础上进一步收敛,从而和维纳解更接近,进入范围更小的稳态邻域。 可以看出选择一个可以反映稳态邻域大小的参量是变步长算法核心问题。 并且对改进算法进行了MATLAB仿真。 计算机仿真结果表明,改进算法有快速的收敛能力,很好的跟踪能力和较小的稳态误差。 通过自适应算法的研究,尤其是LMS算法的深 入研究,使我们对自适应滤波器有了更为透彻的认识。 §1.3.2.4LMS算法的仿真实现 采用线性横向均衡器与LMS算法 %LM算法1次实验 clear; N=500; db=25; sh仁sqrt(10A(-db/10)); u=1; error_s=zeros(1,N); forloop=1: 1 w=0.05*ones(1,11)'; V=sh1*randn(1,N); K=randn(1,N)-0.5;x=sign(K); forn=3: N; M(n)=0.3*x(n)+0.9*x(n-1)+0.3*x(n-2); end z=M+V; forn=8: N; d(n)=x(n-7); end a (1)=z (1)A2; forn=2: 11; a(n)=z(n).A2+a(n-1); end forn=12: N; a(n)=z(n).A2-z(n-11)A2+a(n-1); end forn=11: N; z1=[z(n)z(n-1)z(n-2)z(n-3)z(n-4)z(n-5)z(n-6)z(n-7)z(n-8)z(n-9)z(n-10)]'; y(n)=w'*z1; e(n)=d(n)-y(n); w=w+u./(eps+a(n)).*z1.*conj(e(n)); end error_s=error_s+e42; end w error_s=error_s./1; n=1: N; plot(n,error_s); xlabel('n(当u=1;DB=25时)'); ylabel('e(门)八2'); title('LMS算法1次实验误差平方的均值曲线'); %LM算法20次实验 clear; N=500; db=20; sh仁sqrt(10A(-db/10)); u=1; error_s=zeros(1,N); forloop=1: 20 w=0.05*ones(1,11)'; V=sh1*randn(1,N); K=randn(1,N)-0.5; x=sign(K); forn=3: N; M(n)=0.3*x(n)+0.9*x(n-1)+0.3*x(n-2); end z=M+V; forn=8: N; d(n)=x(n-7); end a (1)=z (1)A2; forn=2: 11; a(n)=z(n).A2+a(n-1); end forn=12: N; a(n)=z(n).A2-z(n-11)A2+a(n-1); endforn=11: N; z(n-8) z1=[z(n)z(n-1)z(n-2)z(n-3)z(n-4)z(n-5)z(n-6)z(n-7) z(n-9)z(n-10)]'; y(n)=w'*z1; e(n)=d(n)-y(n); w=w+u./(eps+a(n)).*z1.*conj(e(n)); end error_s=error_s+e.A2; end w error_s=error_s./20; n=1: N; plot(n,error_s); xlabel('n(当u=1;DB=20时)'); ylabel('e(n)A2'); title('LMS算法20次实验误差平方的均值曲线') 4 3.5 3 2.5 2 1.5 1 0.5 0 5 4.5 4 3.5 3 2.5 2 1.5 1 0.5 0 050100150200250300350400450500 n(当u=1;DB=25时) LMS算法1次实验误差平方的均值曲线 Hi' - 1 ii ・1 ;_1- uNj1 -I. 1I1I1H/R|||;JI1|]11 'Jr''t宓: \r.*J1;.JM.2—才」| 050100150200250300350400450500 n(当u=1.5;DB=25时) 3 2.5 2 1.5 1 0.5 0 1.4 1.2 1 0.8 0.6 0.4 0.2 0 结果分析: 观察三个不同步长情况下的平均误差曲线不难看出,步长越小,平均误差越小,但收敛速度越慢,为了好的精度,必然牺牲收敛速度;当降低信噪比时,尽管20次平均仍有好的结果,但单次实验的误差曲线明显增加,这是更大的噪声功率对随机梯度的影响。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 自适应 均衡 算法 研究
![提示](https://static.bdocx.com/images/bang_tan.gif)