自适应滤波的几种算法的仿真

合集下载

自适应滤波的几种算法的仿真

自适应滤波的几种算法的仿真

3、抽头权向量的自适应。
图 2.1 LMS 算法的一般过程 2.1.2 LMS 算法特性
0<µ <
LMS 的均值收敛条件为
2
λmax 。
注意这是在小步长下推导出来的结果(要求
µ < 1 / λmax ) E[vk (n)] → 0 ,当 。此时,
ˆ (n)] → w o n → ∞ ,对所有 k 用 ε 0 (n) 代替 ε(n) ,可得等效地 E[w ,当 n → ∞ 。但是,渐
五、计算复杂度。即考虑一次迭代所需要的计算量、需要的存储器资源; 六、结构。信息流结构及硬件实现方式,是否高度模块化,适合并行计算。
1.4 线性自适应滤波算法
线性自适应滤波算法基于以下两种算法, 而两种算法的思路均为最接近目标平面的极值 点为最终目的。 一 、 随 机 梯 度 算 法 。 例 如 LMS, NLMS, 仿 射 投 影 滤 波 器 , DCT-LMS , GAL (gradient-adaptive lattice algorithm),块 LMS,子带 LMS 等。其思路是通过迭代和梯度估值 逼近维纳滤波,其性能准则是集平均的均方误差。在平稳环境中,通过搜索误差性能表面迭 代地达到性能测量的最优值(最速下降法) ;在非平稳环境中,通过误差性能表面的原点随 时间发生变化,跟踪误差性能表面的底部,输入数据的变化速率须小于算法的学习速率。它 的主要缺点在于收敛速度慢,对输入数据自相关阵的条件数变化敏感。 二、最小二乘算法。例如标准 RLS,平方根 RLS,快速 RLS 等。其思路是基于最小二 乘的算法通过使误差平方的加权和最小求最优权值,其性能准则是时间平均的均方误差。 RLS 算法可以被看作是 Kalman 滤波的一种特殊形式。各算法特点如下: 标准 RLS 算法:基于矩阵求逆引理,缺乏数值鲁棒性、计算量大 O( M );

LMS线性预测matlab算法及simulink

LMS线性预测matlab算法及simulink

LMS线性预测matlab算法及simulink概述LMS线性预测算法和simulink的重要性和应用领域LMS(Least Mean Squares)算法是一种自适应滤波算法,用于线性预测问题。

其原理是通过迭代更新滤波器的权值来最小化预测误差的均方差。

LMS算法的步骤如下:初始化滤波器的权值为零或随机值。

提供待预测的输入信号和目标输出信号。

根据当前输入信号和滤波器的权值计算预测输出信号。

计算预测误差,即目标输出信号与预测输出信号之差。

根据预测误差和当前输入信号更新滤波器的权值。

权值的更新公式为:权值 = 权值 + 步长因子 * 预测误差 * 输入信号。

以下是一个基于matlab实现LMS算法的示例:定义输入信号和目标输出信号input_signal =[1.2.3.4.5];target_output = [2.4.6.8.10];定义输入信号和目标输出信号input_signal = [1.2.3.4.5];target_output = [2.4.6.8.10];定义输入信号和目标输出信号input_signal = [1.2.3.4.5];target_output = [2.4.6.8.10];初始化滤波器的权值filter_weights =zeros(1.length(input_signal));初始化滤波器的权值filter_weights = zeros(1.length(input_signal));初始化滤波器的权值filter_weights = zeros(1.length(input_signal));初始化滤波器的权值filter_weights = zeros(1.length(input_signal));初始化滤波器的权值filter_weights = zeros(1.length(input_signal));初始化滤波器的权值filter_weights = zeros(1.length(input_signal));设置步长因子step_size = 0.01;设置步长因子step_size = 0.01;设置步长因子step_size = 0.01;设置步长因子step_size = 0.01;迭代更新滤波器的权值for i = 1:length(input_signal)。

RLS算法及其仿真

RLS算法及其仿真

RLS算法及其仿真RLS(Recursive Least Square)算法是一种用于递归估计的算法,主要用于实现自适应滤波器和系统的参数估计。

本文将对RLS算法以及其仿真进行阐述。

首先,我们来介绍一下RLS算法的基本原理。

RLS算法是一种在线递归最小二乘算法,主要用于估计线性滤波器的权值。

该算法通过不断地更新权值来最小化滤波器的误差平方和。

RLS算法的基本原理如下:1.初始化滤波器权值为一些初始值,并初始化协方差矩阵P和增益向量K。

2.递归更新增益向量K和协方差矩阵P:K=P*H'/(H*P*H'+λ)P=(I-K*H)*P/λ其中,H是输入信号的延迟版本,λ是正则化参数,I是单位矩阵。

3.更新滤波器权值:w=w+K*(d-H*w)其中,w是滤波器的权值向量,d是期望输出信号。

4.重复步骤2和3,不断地更新滤波器的权值,直到收敛或达到一些停止条件。

接下来,我们将通过仿真来展示RLS算法的性能。

我们将使用MATLAB软件来进行仿真。

首先,我们定义一个输入信号x,并假设期望输出信号d是x的加权和加上一些噪声。

我们可以通过下面的代码来生成输入信号和期望输出信号:```MATLABn=1000;%生成1000个采样点x = randn(1, n); % 生成正态分布的随机数作为输入信号w_true = [0.5, -0.3, 0.2]'; % 真实的权值向量d = conv(w_true, x); % 计算期望输出信号d = d + 0.1 * randn(size(d)); % 加入噪声```接下来,我们使用RLS算法来估计滤波器的权值。

我们可以通过下面的代码来实现RLS算法的仿真:```MATLABlambda = 0.99; % 正则化参数w = zeros(length(w_true), 1); % 初始化权值向量P = eye(length(w_true)); % 初始化协方差矩阵for i = 1:nH = [x(i), x(max(i-1, 1)), x(max(i-2, 1))]'; % 构造输入信号的延迟版本K = P * H / (H' * P * H + lambda); % 更新增益向量P = (eye(length(w_true)) - K * H') * P / lambda; % 更新协方差矩阵e(i)=d(i)-H'*w;%计算误差信号w=w+K*e(i);%更新权值向量end```最后,我们可以绘制出估计的权值和真实的权值之间的比较图,以及估计的输出信号和期望输出信号之间的比较图。

自适应滤波的方法

自适应滤波的方法

自适应滤波的方法
自适应滤波是一种对信号进行滤波的方法,其可以根据观测到的信号实时调整滤波器参数,以提高滤波效果。

常用的自适应滤波方法包括:
1. 最小均方(LMS)自适应滤波器:该方法依据最小均方误差准则进行滤波,在每一时刻根据观测信号对滤波器系数进行更新。

2. 递归最小二乘(RLS)自适应滤波器:该滤波器通过在线解最小二乘问题,实现对噪声的最优抑制。

3. Kalman滤波器:该滤波器是一种最优化滤波器,它最小化误差的平方和,同时考虑信号的先验知识。

由于需要计算协方差矩阵和卡尔曼增益,计算量较大。

4. 无参数自适应滤波器:这种方法不依赖于任何先验的信号统计信息,仅根据观测信号本身对滤波器系数进行估计,常见的方法包括快速自适应滤波器(FNLMS)和非线性自适应滤波器(NLA)。

这些方法比起传统滤波,具有更好的适应性和鲁棒性,并且可以用于实时处理信号。

自适应滤波算法的仿真及工程实现

自适应滤波算法的仿真及工程实现

自适应滤波算法的仿真及工程实现引言自适应滤波理论是20世纪50年代末开始发展起来的。

它是现代信号处理技术的重要组成部分,对复杂信号的处理具有独特的功能。

自适应滤波器在信号处理中属于随机信号处理的范畴。

对于随机数字信号的滤波处理,通常有维纳(Weiner)滤波器、卡尔曼(Kal-man)滤波器和自适应(Adaptive)滤波器。

维纳滤波器的权系数是固定的,适用于平稳随机信号;卡尔曼滤波滤波的权系数是可变的,适用于非平稳随机信号。

但是,只有在对信号和噪声的统计特性先验已知的情况下,这两种滤波器才能获得最优滤波。

但在实际应用中,常无法确定这些统计特性的先验知识,或统计特性是随时间变化的,因此,在许多情况下,维纳滤波器或卡尔曼滤波器实现不了最优滤波,而自适应滤波不要求已知信号和噪声的统计特性,因而可以提供理想的滤波性能。

当前,自适应滤波技术已广泛应用于自适应噪声对消、语音编码、自适应网络均衡器、雷达动目标显示、机载雷达杂波抑制、自适应天线旁瓣对消等众多领域。

在一些信号和噪声特性无法预知或它们是随时间变化的情况下,自适应滤波器通过自适应滤波算法调整滤波器系数,使得滤波器的特性随信号和噪声的变化而变化,以达到最优滤波的效果。

这里在对自适应滤波算法研究的基础上,给出了不同信噪比情况下,LMS算法的仿真实现及基于DSP的工程实现,并对两种实现方法的结果进行了验证、分析比较。

1 自适应滤波理论所谓自适应滤波,就是利用前一时刻已获得的滤波器参数等结果,自动调节现时刻的滤波器参数,以适应信号和噪声未知或随时间变化的统计特性,从而实现最优滤波。

自适应滤波器由两个部分组成:一是滤波器的结构;二是调节滤波器系数的自适应算法。

自适应滤波器的特点是自动调节自身的冲激响应,达到最优滤波,此算法适用于平稳和非平稳随机信号,并且不要求知道信号和噪声的统计特性。

1.1 自适应滤波器结构自适应滤波器主要有无限冲激响应(IIR)和有限冲激响应(FIR)两种类型。

一种新的LMS自适应滤波算法分析仿真研究

一种新的LMS自适应滤波算法分析仿真研究
e t t n e o o u d t h a p n e t r o h efa a t e f t r T e t e r t a n lss a d smu a in si i r r t p ae t e tp i g v co ft e s l d p i l . h h o ei l a ay i n i lt ma o - v i e c o r s l h w h tc mp r d wi V L n S L lo i m ,h e ag r h h s fse o v r e c e u t s o s t a o ae t S S MS a d G— VS MS ag r h t e n w lo i m a a tr c n e g n e s h t t s e d, we ta y s t l r a d b t rp r r n e o o s u p e s n p e l r s d t e e r n et ef ma c fn ie s p r s i . o e a o e o o Ke r s y wo d :v ra l tp sz ;L lo t m;c n e g n e s e d ta y sae e r r e fr n eo os H a ibe se ie MS ag r h i o v r e c p e ;se d — tt ro ;p r ma c fn ie S — o
v l e o e p o u t f h u r n n o me ros T ea g rt m lo ito u e h it r a c ft e a s l t au f h r d c e c re ta d f r re r . h l o h as n rd c st e d s b n e o b ou e t ot i u h

基于LMS和RLS算法的自适应滤波器仿真

基于LMS和RLS算法的自适应滤波器仿真

基于LMS和RLS算法的自适应滤波器仿真自适应滤波器是一种可以自动调整其权重参数来适应不断变化的信号环境的滤波器。

常用的自适应滤波算法包括最小均方(LMS)和最小二乘(RLS)算法。

本文将对基于LMS和RLS算法的自适应滤波器进行仿真,并分析其性能和特点。

首先,介绍LMS算法。

LMS算法是一种基于梯度下降的自适应滤波算法。

其权重更新规则为:w(n+1)=w(n)+μ*e(n)*x(n),其中w(n)为当前时刻的权重,μ为步长(学习速率),e(n)为当前时刻的误差,x(n)为输入信号。

通过不断迭代和更新权重,LMS算法可以使滤波器的输出误差逐渐减小,从而逼近期望的输出。

接下来,进行LMS自适应滤波器的仿真实验。

考虑一个声纳系统的自适应滤波器,输入信号x(n)为声波信号,输出信号y(n)为接收到的声纳信号,期望输出信号d(n)为理想的声纳信号。

根据LMS算法,可以通过以下步骤进行仿真实验:1.初始化权重w(n)为零向量;2.读取输入信号x(n)和期望输出信号d(n);3.计算当前时刻的滤波器输出y(n)=w^T(n)*x(n),其中^T表示矩阵的转置;4.计算当前时刻的误差e(n)=d(n)-y(n);5.更新权重w(n+1)=w(n)+μ*e(n)*x(n);6.重复步骤2-5,直到滤波器的输出误差满足预设条件或达到最大迭代次数。

然后,介绍RLS算法。

RLS算法是一种递推最小二乘的自适应滤波算法。

其基本思想是通过不断迭代更新滤波器的权重,使得滤波器的输出误差的二范数最小化。

RLS算法具有较好的收敛性和稳定性。

接下来,进行RLS自适应滤波器的仿真实验。

基于声纳系统的例子,RLS算法的步骤如下:1.初始化滤波器权重w(n)为一个较小的正数矩阵,初始化误差协方差矩阵P(n)为一个较大的正数矩阵;2.读取输入信号x(n)和期望输出信号d(n);3.计算增益矩阵K(n)=P(n-1)*x(n)/(λ+x^T(n)*P(n-1)*x(n)),其中λ为一个正则化参数;4.计算当前时刻的滤波器输出y(n)=w^T(n)*x(n);5.计算当前时刻的误差e(n)=d(n)-y(n);6.更新滤波器权重w(n+1)=w(n)+K(n)*e(n);7.更新误差协方差矩阵P(n)=(1/λ)*(P(n-1)-K(n)*x^T(n)*P(n-1));8.重复步骤2-7,直到滤波器的输出误差满足预设条件或达到最大迭代次数。

(完整word版)自适应滤波LMS算法及RLS算法及其仿真

(完整word版)自适应滤波LMS算法及RLS算法及其仿真

自适应滤波第1章绪论 (1)1.1自适应滤波理论发展过程 (1)1. 2自适应滤波发展前景 (2)1. 2. 1小波变换与自适应滤波 (2)1. 2. 2模糊神经网络与自适应滤波 (3)第2章线性自适应滤波理论 (4)2. 1最小均方自适应滤波器 (4)2. 1. 1最速下降算法 (4)2.1.2最小均方算法 (6)2. 2递归最小二乘自适应滤波器 (7)第3章仿真 (12)3.1基于LMS算法的MATLAB仿真 (12)3.2基于RLS算法的MATLAB仿真 (15)组别: 第二小组组员: 黄亚明李存龙杨振第1章绪论从连续的(或离散的)输入数据中滤除噪声和干扰以提取有用信息的过程称为滤波。

相应的装置称为滤波器。

实际上, 一个滤波器可以看成是一个系统, 这个系统的目的是为了从含有噪声的数据中提取人们感兴趣的、或者希望得到的有用信号, 即期望信号。

滤波器可分为线性滤波器和非线性滤波器两种。

当滤波器的输出为输入的线性函数时, 该滤波器称为线性滤波器, 当滤波器的输出为输入的非线性函数时, 该滤波器就称为非线性滤波器。

自适应滤波器是在不知道输入过程的统计特性时, 或是输入过程的统计特性发生变化时, 能够自动调整自己的参数, 以满足某种最佳准则要求的滤波器。

1. 1自适应滤波理论发展过程自适应技术与最优化理论有着密切的系。

自适应算法中的最速下降算法以及最小二乘算法最初都是用来解决有/无约束条件的极值优化问题的。

1942年维纳(Wiener)研究了基于最小均方误差(MMSE)准则的在可加性噪声中信号的最佳滤波问题。

并利用Wiener. Hopf方程给出了对连续信号情况的最佳解。

基于这~准则的最佳滤波器称为维纳滤波器。

20世纪60年代初, 卡尔曼(Kalman)突破和发展了经典滤波理论, 在时间域上提出了状态空间方法, 提出了一套便于在计算机上实现的递推滤波算法, 并且适用于非平稳过程的滤波和多变量系统的滤波, 克服了维纳(Wiener)滤波理论的局限性, 并获得了广泛的应用。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

第1章 自适应滤波简介
1.1 自适应滤波的定义与特点
在信息处理、通信等领域内,滤波器的应用可谓是无处不在,不可或缺。传统概念中, 滤波器多应用在实际信道或者期望信道已知, 系统结构已知的领域中, 滤波器系数多是常数, 如广播、 早期的移动通信、 无线电控制等。 在这一时期内, 最优滤波成为了人们研究的热点, 如维纳滤波和卡尔曼滤波。 但随着人类社会和科技的进一步发展, 信息与通信领域中又面临 着新的问题,如码间干扰、高速数据传输等,这样就需要用到更加智能的,系数需要随着实 际情况而有所不同的滤皮器。这样,自适应滤波器就应运而生了。 自适应过程是指,按照某种准则,通过自身与外界的接触,改变自身的性质或性能,以 达到滤波效果的最优或者极优化,如自动增益控制,自适应均衡等。自适应系统通常具有如 下所有或部分的特性: 一、能自动地适应变化(非平稳)的环境与变化的系统要求; 二、 能够被训练成去完成特定的滤波或判决任务。 具有这种能力的系统设计是通过训练自动 完成的; 三、与非自适应系统不同,自适应系统试图自行设计,不需要精确的综合方法; 四、在有限的范围内能够自我维修; 五、常被描述为一种具有时变参量的非线性系统。
2
平方根 RLS 算法:对输入数据矩阵作 QR 分解,具有数据稳定性和鲁棒性; 快速 RLS 算法:计算复杂度为 O( M),阶次递推自适应滤波基于格形结构,快速横 向滤波器数值稳定性不好。 下面将对 LMS 算法、NLMS 算法和 RLS 算法进行仿真研究,比较其性能。
第 2 章 自适应算法
2.1 最小均方自适应算法
近零均值的随机变量序列不一定趋近于零。 LMS 的均方收敛条件为
J (n) = J min + µJ min ∑
= J min +
M λk µJ min | vk (0) |2 − + ∑ λk 2 − µλk k =1 2 − µλk k =1 M
M
2n (1 − µλk )
自适应滤波器中 几种算法的仿真研究
电信科学技术研究院 JJC


自适应过程是指按照某种准则,通过自身与外界的接触,改变自身的性质或性能,以达 到一种滤波效果的最优化,如自动增益控制,自适应均衡等。自适应滤波过程在当代雷达数 据处理、高速数据接入、数据实时处理、最优线性滤波等领域具有举足轻重的作用。 自适应滤波过程常用两种线性自适应算法,一种是随机梯度算法,如 LMS, NLMS, 仿 射投影滤波器, DCT-LMS, GAL (gradient-adaptive lattice algorithm), 块 LMS, 子带 LMS 等。 通过迭代和梯度估值逼近维纳滤波, 其性能准则是集平均的均方误差。 另一种是最小二乘算 法,如标准 RLS,平方根 RLS,快速 RLS 等。基于最小二乘的算法通过使误差平方的加权 和最小求最优权值,其性能准则是时间平均的均方误差。RLS 算法可以被看作是 Kalman 滤 波的一种特殊形式。本文是关于两种算法的仿真研究,得出各自的和关联的性能特点。 关键词:自适应 随机梯度算法 最小二乘算法
µJ min
2
∑ λk + ∑ λk | vk (0) |2 −
k =1 k =1
M

µJ min
(1 − µλk ) 2
2n
µ 较小。同样,上式收敛要
0<µ <

2
λmax 而零阶近似要求小步长( µ < 1 / λmax ) , µ 较大时,LMS 滤波器的稳
定性问题还没有结果。 超出上述收敛范围易产生超调或者失调现象。
在未知 R 和 p 的先验知识时,只能使用它们的估计值代入梯度估计公式,最简单的选 择是使用 R 和 p 的瞬态估计,即
ˆ (n) = u(n)u H (n) R ,
ˆ ( n) = u ( n) d * ( n) p
因此,梯度向量的瞬态估计为
ˆ J (n) = −2u(n)d * (n) + 2u(n)u H (n)w ˆ ( n) ∇
w (n + 1) = w (n) +
其中,
1 µ [− ∇J (n)] = w (n) + µ [p − Rw (n)] 2
2 H H H J (n) = E e(n)e ∗ (n) = σ d − w (n)p − p w (n) + w (n)Rw (n)
{
}
∇J ( n ) =
∂J (n) = −2p + 2Rw (n) ∂w (n)
ˆ (n + 1) = w ˆ ( n) + w
1 ˆ (n) + µu(n) d * (n) − u H (n)w ˆ ( n) µ [− ∇J (n)] = w 2
[
]
由此可用三个基本关系式写出 LMS 算法:

ˆ 1、滤波输出: y (n) = w (n)u(n) ;
H
2、估计误差: e(n) = d (n) − y (n) ;
1.2 自适应滤波的基本过程和结构
一般的自适应滤波算法包含三个基本过程(如图) : 一、滤波过程:计算滤波器输出对输入信号的响应; 二、误差计算:通过比较输出结果与期望响应产生估计误差; 三、自适应过程: 根据估计误差自动调整滤波器参数 (不同的性能准则导致不同的自适应算 法) 。
输入
滤波过程
输出
图 1.2 自适应滤波器的一般结构
1.3 自适应滤波器设计过程中需要注意的问题
自适应滤波器设计过程中需要注意以下问题: 一、稳定性。即无论初值为多少均收敛; 二、鲁棒性。保证系统有一定扰动也能正常按预期工作; 三、收敛性。注意平稳系统的性能,即瞬态特性(收敛速度)和稳态特性(失调) ,并且可 以跟踪时变系统的性能; 四、数值稳定性/数值精度(有限字长效应) ;
如果定义均方误差的瞬态估计值
ˆ ( n ) = e( n ) e ∗ ( n ) = [ d − w ˆ H (n)u(n)][d − w ˆ H (n)u(n)]* J
则也可以得到,
ˆ J (n) = −2u(n)d * (n) + 2u(n)u H (n)w ˆ ( n) ∇
把梯度向量的估计值代入权向量迭代公式,则可以得到
3、抽头权向量的自适应。
图 2.1 LMS 算法的一般过程 2.1.2 LMS 算法特性
0<µ <
LMS 的均值收敛条件为
2
λmax 。
注意这是在小步长下推导出来的结果(要求
µ < 1 / λmax ) E[vk (n)] → 0 ,当 。此时,
ˆ (n)] → w o n → ∞ ,对所有 k 用 ε 0 (n) 代替 ε(n) ,可得等效地 E[w ,当 n → ∞ 。但是,渐
五、计算复杂度。即考虑一次迭代所需要的计算量、需要的存储器资源; 六、结构。信息流结构及硬件实现方式,是否高度模块化,适合并行计算。
1.4 线性自适应滤波算法
线性自适应滤波算法基于以下两种算法, 而两种算法的思路均为最接近目标平面的极值 点为最终目的。 一 、 随 机 梯 度 算 法 。 例 如 LMS, NLMS, 仿 射 投 影 滤 波 器 , DCT-LMS , GAL (gradient-adaptive lattice algorithm),块 LMS,子带 LMS 等。其思路是通过迭代和梯度估值 逼近维纳滤波,其性能准则是集平均的均方误差。在平稳环境中,通过搜索误差性能表面迭 代地达到性能测量的最优值(最速下降法) ;在非平稳环境中,通过误差性能表面的原点随 时间发生变化,跟踪误差性能表面的底部,输入数据的变化速率须小于算法的学习速率。它 的主要缺点在于收敛速度慢,对输入数据自相关阵的条件数变化敏感。 二、最小二乘算法。例如标准 RLS,平方根 RLS,快速 RLS 等。其思路是基于最小二 乘的算法通过使误差平方的加权和最小求最优权值,其性能准则是时间平均的均方误差。 RLS 算法可以被看作是 Kalman 滤波的一种特殊形式。各算法特点如下: 标准 RLS 算法:基于矩阵求逆引理,缺乏数值鲁棒性、计算量大 O( M );
2.1.1 LMS 算法内容 最小均方(LMS, least-mean-square)算法,1960 年由 Widrow 和 Hoff 提出,目前仍在 广泛使用。LMS 算法是随机梯度算法族中的一员,而最速下降算法使用确定性梯度。LMS 算法的最大特点是它的简单性,它不需要计算相关函数,也不需要矩阵求逆运算。 对于最速下降算法,抽头权向量的迭代计算公式为
Abstract
Self-adaption is a kind of filtering process which could change its own properties or performances through contacting outer environment. Its purpose is to make the filtering results the best. For example, Automatic Gain Control (AGC) and Self-adaptive Equalization belong to the kind of process. Self-adaption is pretty important to processing radar data, xDSL, real-time processing, optimal liner filtering and so on. Self-adaption could be realized with the method of two liner forms. One of them is stochastic gradient method, such as LMS, NLMS, DCT-LMS, GAL, block LMS, sub-band LMS, etc. Its thought is approaching Wiener Filtering by iteration way and gradient evaluating way. The performance principle is the minimum mean square (MMS) of collection average. The other algorithm is least square method, like basic RLS, square root RLS, fast speed RLS and so on. Its thought is to find the optimal weigh by making the total of error square which is relative to the weighs minimum. The performance principle is the minimum mean square of time sequence average. RLS could be seen as one particular form of Kalman filtering. The paper is about the simulation of both methods and getting respective and reciprocal performance characters. Key Words: Self-adaption stochastic gradient method least square method
相关文档
最新文档