本章核心:利用最小二乘估计及算法,根据有限个数的观测数据寻求滤波器的最优值。内容分为四部分:
- 最小二乘估计原理
- 基于奇异值分解的最小二乘法求解
- 基于最小二乘的FBLP谱估计
- 最小二乘的两种递归算法:RLS和QR-RLS
一、最小二乘理论
1、线性方程组Ax=b解的形式
- A可逆,x=A−1b
- A列满秩,独立方程数大于未知量数,方程有最小二乘解,x^LS=(AHA)−1AHb
- A行满秩,位置量数目大于方程数,方程有无穷多组解,但有唯一最小范数解,x^F=AH(AAH)−1b
2、LS估计的确定型正则方程
经过推导,令数据矩阵AH如下图所示,则估计值b^=Aw,误差为e=b−b^=b−Aw
横向滤波器的设计原则是:寻找权向量使得误差信号e(n)在某种意义下取得极小值。即J=n=M∑N∣e(n)∣2=∣e∣2=eHe=(bH−wHAH)(b−Aw)=bHb−bHAw−wHAHb−wHAHAwΔJ=−2AHb+2AHAw=0确定性正则方程:AHAw^=AHb最小二乘解:w^=(AHA)−1AHb最小二乘估计:b^=Aw^,简称LS估计
3、LS估计正交原理
- A中每一列都与误差向量e正交:AHe=AH(b−Aw^)=AHb−AHAw^=0
- 估计向量b^是b的一个正交投影:b^e=b^(b−Aw^)=0
4、代价函数极小值Jmin=eminHemin
二、LS问题的求解——奇异值分解
直接求解AHAw^=AHb工程上不易实现。我们借助奇异值分解可以求出AHA的 逆。假设A含有M个非零特征值∑={σ1,σ2,⋯,σM},可以将AHA分解为酉矩阵X的表达式AHA=X∑2XH,因为酉矩阵X−1=X,可得(AHA)−1=X∑−2XH,展开可得:
故而,w^=∑i=1Mσi2xixiHAHb。利用SVD得到LS问题的算法如下:
三、基于LS估计的FBLP原理和功率谱估计
对于FLP而言,数据矩阵为
代价函数为
对于BLP而言,数据矩阵和代价函数依次是:
令FBLP的代价函数为FLP和BLP之和,即J=Jf+Jb,
定义向量bH=[bfH,bbT],AH=[AfH,AbT],则J=bHb−bHAw−wHAHb−wHAHAw,只需使得AHAw=AHb便能最小化误差。
使用SVD实现AR模型功率谱估计
四、递归最小二乘算法RLS
- 初值δ=0.001,0.01,0.1对RLS算法影响很小
-
λ的取值对算法有明显影响,主要表现在稳态误差上
- PLS算法比LMS算法收敛特性好很多
五、基于QR分解递归最小二乘算法QPLS
QR分解原理