精华内容
下载资源
问答
  • 自适应算法

    2015-06-14 17:07:18
    自适应算法的MATLAB仿真-
  • Matlab神经网络自适应算法的Matla盲源分离-神经网络自适应算法的Matla盲源分离.rar 神经网络自适应算法的Matla盲源分离
  • lms自适应算法

    2014-04-22 21:19:13
    此代码是lms自适应算法的实现算法,详细的讲解了自适应算法的流程
  • FTF自适应算法 - FTF自适应算法MATLAB仿真,包括算法流程和性能仿真
  • 基于CCA准则的自适应信号盲提取自适应算法
  • FTF自适应算法

    2015-04-17 21:38:03
    FTF自适应算法MATLAB仿真,包括算法流程和性能仿真
  • 自适应算法讲解

    2013-06-15 19:05:59
    自适应算法的简单详细的介绍,希望对大家有用
  • lms类自适应算法.ppt

    2019-12-21 23:49:14
    LMS类自适应算法 11电工 樊辉 自适应算法的提出 个人理解传统系统设计均是在某种情况下按照某些特定参数推导得出是系统设计完成后运行在该类特定情况效果最佳系统一旦发生某些参数变化则系统输出效果一般会明显变差...
  • 精品文档 RLS和LMS自适应算法分析 摘要本文主要介绍了自适应滤波的两种算法最小均方(LMS, Least Mean Squares)和递推最小二乘(RLS, Recursive Least Squares)两种基本自适应算法我们对这两种基本的算法进行了原理...
  • RLS自适应算法的基本原理、RLS算法性能分析、RLS算法的特点、RLS算法简单应用
  • LMS类自适应算法.ppt

    2019-12-17 20:18:20
    LMS类自适应算法 11电工 樊辉;自适应算法的提出;自适应实现在滤波器中的引入;自适应实现在滤波器中的引入;自适应实现在滤波器中的引入;自适应实现在滤波器中的引入; LMS算法及其基本变型;LMS算法及其基本变型;LMS...
  • 本文主要介绍了自适应滤波的两种算法:最小均方(LMS, Least Mean Squares)和递推最小二乘(RLS, Recursive Least Squares)两种基本自适应算法。我们对这两种基本的算法进行了原理介绍,并进行了Matlab仿真。通过仿真...
  • 自适应算法回顾

    千次阅读 2019-06-15 13:59:14
    自适应算法回顾 简要列出了LMS、RLS和Kalman Filter三种自适应滤波方法,为有源噪声控制中的主动算法提供基础。


    版权声明:本文为博主原创文章,转载请附上博文链接!

    1 写在前面

    近年来,有源噪声控制 的应用越来越广泛。在这里,先不着重于描述有源噪声控制(ANC,active noise control),而是对自适应信号处理中的算法进行回顾。自适应算法自动调节单位脉冲响应,使之趋近于维纳解。

    2 自适应算法

    2.1 LMS算法

    LMS算法是自适应算法中最基础的算法。因为其简单及实用性,在实际工作中具有广泛的应用。误差信号 e ( n ) e(n) e(n)可以表示为
    e ( n ) = d ( n ) − y ( n ) e(n)=d(n)-y(n) e(n)=d(n)y(n)式中 y ( n ) y(n) y(n)为自适应滤波器的输出。即
    y ( n ) = w ( n ) T x ( n ) y(n)=\bm{w}(n)^T\bm{x}(n) y(n)=w(n)Tx(n)式中 x ( n ) \bm{x}(n) x(n)为信号 x ( n ) x(n) x(n)的采样延时矢量:
    x ( n ) = [ x ( n ) , x ( n − 1 ) , . . . x ( n − L + 1 ) ] \bm{x}(n)=[x(n),x(n-1),...x(n-L+1)] x(n)=[x(n),x(n1),...x(nL+1)]算法的目标函数可以表示为,
    J ( n ) = E [ e ( n ) ] 2 J(n)=E[e(n)]^2 J(n)=E[e(n)]2利用最速下降法可得, w ( n + 1 ) = w ( n ) + ▽ J ( n ) \bm{w}(n+1)=\bm{w}(n)+\bigtriangledown J(n) w(n+1)=w(n)+J(n) w ( n + 1 ) = w ( n ) + μ x ( n ) T e ( n ) \bm{w}(n+1)=\bm{w}(n)+\mu \bm{x}(n)^Te(n) w(n+1)=w(n)+μx(n)Te(n)
    LMS算法运算量低,但收敛速度慢。当自适应循环次数 n n n趋于无限大时,维纳滤波器的最速下降法的解接近于维纳解。

    2.2 RLS算法1

    RLS算法即递归最小二乘算法(RLS,recursive least squares)。首先介绍最小二乘的概念。
    最小二乘法可以看成维纳滤波器理论的另一种表示方法。维纳滤波器是从集平均导出的,最小二乘法涉及使用时间的平均,因此该滤波器取决于计算中适用的样本数。RLS算法利用 n − 1 n-1 n1时滤波器权向量的最小二乘估计计算 n n n时的数据。
    RLS代价函数为 J ( n ) = ∑ i = 1 n β ( n , i ) ∣ e ( i ) ∣ 2 J(n)=\sum_{i=1}^{n}\beta(n,i)\left|e(i)\right|^2 J(n)=i=1nβ(n,i)e(i)2式中 e ( i ) e(i) e(i)与上节中表示的含义一样,为期望信号与滤波器输出之差
    e ( i ) = d ( i ) − y ( i ) e(i)=d(i)-y(i) e(i)=d(i)y(i)
    通常所用的加权因子是指数加权因子,即遗忘因子 β ( n , i ) = λ n − i i = 1 , 2 , . . . , n \beta(n,i)=\lambda^{n-i}\qquad i=1,2,...,n β(n,i)=λnii=1,2,...,n

    J ( n ) = ∑ i = 1 n λ n − i ∣ e ( i ) ∣ 2 J(n)=\sum_{i=1}^{n}\lambda^{n-i}\left|e(i)\right|^2 J(n)=i=1nλnie(i)2
    为了解决病态问题,在代价函数中加入正则化项,则有
    J ( n ) = ∑ i = 1 n λ n − i ∣ e ( i ) ∣ 2 + δ λ n ∥ w ( n ) ∥ 2 J(n)=\sum_{i=1}^{n}\lambda^{n-i}\left|e(i)\right|^2+\delta\lambda^n\left\|\bm{w}(n)\right\|^2 J(n)=i=1nλnie(i)2+δλnw(n)2
    增益向量 k ( n ) = λ − 1 P ( n − 1 ) u ( n ) 1 + λ − 1 u ( n ) T P ( n ) u ( n ) \bm{k}(n)=\frac{\lambda^{-1}\bm{P}(n-1)\bm{u}(n)}{1+\lambda^{-1}\bm{u}(n)^T\bm{P}(n)\bm{u}(n)} k(n)=1+λ1u(n)TP(n)u(n)λ1P(n1)u(n)
    先验估计误差为 e ( n ) = d ( n ) − u ( n ) T w ^ ( n − 1 ) \bm{e}(n)=\bm{d}(n)-\bm{u}(n)^T\widehat\bm{w}(n-1) e(n)=d(n)u(n)Tw (n1)
    抽头权系数的迭代为
    w ^ ( n ) = w ^ ( n − 1 ) + k ( n ) e ( n ) \widehat\bm{w}(n)=\widehat\bm{w}(n-1)+\bm{k}(n)e(n) w (n)=w (n1)+k(n)e(n)
    Riccati方程
    P ( n ) = λ − 1 P ( n − 1 ) − λ − 1 k ( n ) u ( n ) T P ( n − 1 ) \bm{P}(n)=\lambda^{-1}\bm{P}(n-1)-\lambda^{-1}\bm{k}(n)\bm{u}(n)^{T}\bm{P}(n-1) P(n)=λ1P(n1)λ1k(n)u(n)TP(n1)

    2.3 卡尔曼滤波

    卡尔曼滤波(KF,Kalman filter)利用含有噪声的测量值来估计具有难以预测扰动的动态系统的当前状态,且其应用可以推广到弱线性问题。最优估计看作是滤波过程。上述RLS算法可以归为Kalman滤波的一种特殊形式。
    设线性系统的动态模型为 x ( k ) = F x ( k − 1 ) + w \bm{x}(k)=\bm{Fx}(k-1)+w x(k)=Fx(k1)+w测量模型为 z ( k ) = H x ( k ) + v \bm{z}(k)=\bm{H}x(k)+v z(k)=Hx(k)+v上面两式中 w w w v v v均为0均值的高斯白噪声。令 x ^ ( k ∣ k − 1 ) \widehat\bm{x}(k|k-1) x (kk1) x ^ ( k ∣ k ) \widehat\bm{x}(k|k) x (kk)分别表示状态变量的先验估计和后验估计。
    离散时间的卡尔曼滤波公式包括 x ^ ( k + 1 ∣ k ) = F [ x ^ ( k ∣ k − 1 ) + K ( k ) α ( k ) ] \widehat\bm{x}(k+1|k)=\bm{F}[\widehat\bm{x}(k|k-1)+\bm{K}(k)\alpha(k)] x (k+1k)=F[x (kk1)+K(k)α(k)]式中 α ( k ) \alpha(k) α(k)为新息。有 α ( k ) = z ( k ) − H x ^ ( k ∣ k − 1 ) \alpha(k)=z(k)-\bm{H}\widehat\bm{x}(k|k-1) α(k)=z(k)Hx (kk1) K ( k ) K(k) K(k)为卡尔曼增益矩阵 K ( k ) = P ( k ∣ k − 1 ) H T [ H P ( k ∣ k − 1 ) H T + R ] − 1 \bm{K}(k)=\bm{P}(k|k-1)\bm{H}^T[\bm{H}\bm{P}(k|k-1)\bm{H}^T+\bm{R}]^{-1} K(k)=P(kk1)HT[HP(kk1)HT+R]1式中 P ( k ∣ k − 1 ) \bm{P}(k|k-1) P(kk1)为协方差矩阵,即 P ( k ∣ k − 1 ) = E [ x ( k ) − x ^ ( k ∣ k − 1 ) ] [ x ( k ) − x ^ ( k ∣ k − 1 ) ] T \bm{P}(k|k-1)=E[\bm{x}(k)-\widehat\bm{x}(k|k-1)][\bm{x}(k)-\widehat\bm{x}(k|k-1)]^T P(kk1)=E[x(k)x (kk1)][x(k)x (kk1)]T
    协方差矩阵更新公式为 P ( k + 1 ∣ k ) = F [ ( I − K ( k ) H ( k ) ) P ( k ∣ k − 1 ) ] F + Q \bm{P}(k+1|k)=\bm{F}[(I-\bm{K}(k)\bm{H}(k))\bm{P}(k|k-1)]\bm{F}+\bm{Q} P(k+1k)=F[(IK(k)H(k))P(kk1)]F+Q

    3 结语

    上述自适应算法在ANC中均有广泛的应用,特别是LMS算法,由于其简单运算量小的特点,使得FxLMS算法成为ANC中最基础的算法。
    如果您有兴趣,可以参考自适应数字滤波器,学习自适应信号处理的相关知识。


    1. 请参考《自适应滤波器原理》 ↩︎

    展开全文
  • 鲁棒的脉冲噪声抑制自适应算法
  • 无线Mesh网络速率自适应算法研究.pdf
  • RLS自适应算法基本原理刘庆杰信号与信息处理RLS算法基本原理RLS算法性能分析RLS算法的特点RLS算法简单应用目录RLS算法基本原理通用自适应滤波器的基本原理线性滤波器输出信号输入信号滤波器参数性能评价期望响应误差...
  • 自适应参数估计算法及自适应算法的仿真与研究
  • 车联网速率自适应算法.ppt
  • 自适应算法.m

    2013-10-13 23:07:45
    自适应算法,matlab,很好用,分享给大家
  • RLS递归最小二乘方自适应算法源程序-rls算法.rar RLS(递归最小二乘方自适应算法源程序)
  • 现阶段, 基于平面交叉路口交通灯切换时间相对固定, 恶劣天气或发生交通事故时路口经常发生交通堵塞的实际情况, 本文提出了一种平面交叉口交通拥堵多方向交通灯运行时间自适应算法, 采取视频图像处理算法判断道路...
  • 供水管道泄漏定位的自适应算法研究
  • 基于RNN汉语语言模型自适应算法研究

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 91,891
精华内容 36,756
关键字:

自适应算法