| tento článek příliš spoléhá na Reference na primární zdroje. Vylepšete to přidáním sekundární nebo terciární zdroje. (Květen 2008) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) |
The Nejméně střední filtr čtverců řešení konverguje k Wienerův filtr řešení za předpokladu, že neznámý systém je LTI a hluk je stacionární. Oba filtry lze použít k identifikaci impulzní odezvy neznámého systému, protože zná pouze původní vstupní signál a výstup neznámého systému. Uvolněním kritéria chyby ke snížení aktuální chyby vzorku namísto minimalizace celkové chyby za celé n lze algoritmus LMS odvodit z Wienerova filtru.
Odvození Wienerova filtru pro identifikaci systému
Daný známý vstupní signál
, výstup neznámého systému LTI
lze vyjádřit jako:
![x [n] = součet _ {{k = 0}} ^ {{N-1}} h_ {k} s [n-k] + w [n]](https://wikimedia.org/api/rest_v1/media/math/render/svg/29d41ffb9167c860cce2987a1c1d7cff8030c784)
kde
je neznámý koeficient kohoutku filtru a
je hluk.
Modelový systém
, pomocí řešení Wienerova filtru s objednávkou N, lze vyjádřit jako:
![{hat {x}} [n] = součet _ {{k = 0}} ^ {{N-1}} {hat {h}} _ {k} s [n-k]](https://wikimedia.org/api/rest_v1/media/math/render/svg/9e99c12580f9be872405e0fe1e438d2ea3bd4a49)
kde
jsou koeficienty odbočky filtru, které mají být stanoveny.
Chyba mezi modelem a neznámým systémem může být vyjádřena jako:
![e [n] = x [n] - {hat {x}} [n]](https://wikimedia.org/api/rest_v1/media/math/render/svg/ce6a7691f1713e4f03cf5267dc298e154f673615)
Celková čtvercová chyba
lze vyjádřit jako:
![E = součet _ {{n = -infty}} ^ {{infty}} e [n] ^ {2}](https://wikimedia.org/api/rest_v1/media/math/render/svg/74020f9287004f13d8a581ff697af14465459553)
![E = součet _ {{n = -infty}} ^ {{infty}} (x [n] - {hat {x}} [n]) ^ {2}](https://wikimedia.org/api/rest_v1/media/math/render/svg/30a2b943f4c0ef0ed1d6a62e443c1a4e0aeedf34)
![E = součet _ {{n = -infty}} ^ {{infty}} (x [n] ^ {2} -2x [n] {hat {x}} [n] + {hat {x}} [n ] ^ {2})](https://wikimedia.org/api/rest_v1/media/math/render/svg/0f04965570d5a3527c08f828e41ae89e62ff1e5f)
Použijte Minimální střední chyba kritériem pro všechny
nastavením jeho spád na nulu:
který je
pro všechny 
![{frac {částečné E} {částečné {hat {h}} _ {i}}} = {frac {částečné} {částečné {hat {h}} _ {i}}} součet _ {{n = -infty}} ^ {{infty}} [x [n] ^ {2} -2x [n] {hat {x}} [n] + {hat {x}} [n] ^ {2}]](https://wikimedia.org/api/rest_v1/media/math/render/svg/f74b4f305ccf81c69472c6baed33d36eff495f57)
Nahraďte definici
:
![{frac {částečné E} {částečné {hat {h}} _ {i}}} = {frac {částečné} {částečné {hat {h}} _ {i}}} součet _ {{n = -infty}} ^ {{infty}} [x [n] ^ {2} -2x [n] součet _ {{k = 0}} ^ {{N-1}} {hat {h}} _ {k} s [nk ] + (součet _ {{k = 0}} ^ {{N-1}} {hat {h}} _ {k} s [nk]) ^ {2}]](https://wikimedia.org/api/rest_v1/media/math/render/svg/494c25e285acf543f55c3378d49e7c6ae51b50b4)
Distribuujte částečnou derivaci:
![{frac {částečné E} {částečné {hat {h}} _ {i}}} = součet _ {{n = -infty}} ^ {{infty}} [- 2x [n] s [ni] +2 ( součet _ {{k = 0}} ^ {{N-1}} {hat {h}} _ {k} s [nk]) s [ni]]](https://wikimedia.org/api/rest_v1/media/math/render/svg/23993057b95398bea838c81467dca8ac5f7ea806)
Použití definice diskrétní vzájemná korelace:
![R _ {{xy}} (i) = součet _ {{n = -infty}} ^ {{infty}} x [n] y [n-i]](https://wikimedia.org/api/rest_v1/media/math/render/svg/6dd0be6cdff7c6826db2c50ef465cc70c6a6c560)
![{frac {částečné E} {částečné {hat {h}} _ {i}}} = - 2R _ {{xs}} [i] + 2sum _ {{k = 0}} ^ {{N-1}} { klobouk {h}} _ {k} R _ {{ss}} [ik] = 0](https://wikimedia.org/api/rest_v1/media/math/render/svg/a3725ae5e10c4be1368fc3815e6e8c110ba0cce4)
Uspořádejte podmínky:
pro všechny 
Tento systém N rovnic s N neznámými lze určit.
Výsledné koeficienty Wienerova filtru lze určit podle:
, kde
je vektor vzájemné korelace mezi
a
.
Odvození algoritmu LMS
Uvolněním nekonečného součtu Wienerova filtru pouze k chybě v čase
lze odvodit algoritmus LMS.
Čtvercovou chybu lze vyjádřit jako:
![E = (d [n] -y [n]) ^ {2}](https://wikimedia.org/api/rest_v1/media/math/render/svg/992c761863a1024e1abe940e681b112c2f19f420)
Pomocí kritéria minimální střední kvadratické chyby vezměte gradient:
![{frac {částečné E} {částečné w}} = {frac {částečné} {částečné w}} (d [n] -y [n]) ^ {2}](https://wikimedia.org/api/rest_v1/media/math/render/svg/8e782154b068787c1b580dae3f0890d434e65024)
Použít řetězové pravidlo a nahradit definici y [n]
![{frac {částečné E} {částečné w}} = 2 (d [n] -y [n]) {frac {částečné} {částečné w}} (d [n] -sum _ {{k = 0}} ^ {{N-1}} {hat {w}} _ {k} x [nk])](https://wikimedia.org/api/rest_v1/media/math/render/svg/19888f66d939baf75866c50d012a65a7f826e176)
![{displaystyle {frac {částečné E} {částečné w_ {i}}} = - 2 (e [n]) (x [n-i])}](https://wikimedia.org/api/rest_v1/media/math/render/svg/5d03c1011cfacbdd64160c7e09337bdeb1fe7599)
Pomocí klesání a velikosti kroku
:
![w [n + 1] = w [n] -mu {frac {částečné E} {částečné w}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/f68ce4b36bdb6c59f24ea7dd309ff9fa00dc0fba)
který se stává pro i = 0, 1, ..., N-1,
![{displaystyle w_ {i} [n + 1] = w_ {i} [n] + 2 mu (e [n]) (x [n-i])}](https://wikimedia.org/api/rest_v1/media/math/render/svg/12a8a0b31c71c2f62a444aba32ac66e4efd2cd6d)
Toto je rovnice aktualizace LMS.
Viz také
Reference
- J.G. Proakis a D.G. Manolakis, Digital Signal Processing: Principles, Algorithms, and Applications, Prentice-Hall, 4. vydání, 2007.