目录
一.递推最小二乘法(RLS)算法
1.1 以N阶线性系统起点,
1.2 动机:
1.3 目标函数的定义:
1.3.1 基于指数加权定义目标函数:
1.3.2 后验与先验误差对比:
1.3.2 最小化目标函数J(w):
1.4 求解滤波器系数
1.4.1 推导自相关矩阵和相关向量的时间递推公式:
1.4.2 自相关矩阵时间递推公式的优化:
1.4.3 滤波器系数w(n)的时间递推公式:
1.5 RLS算法的执行流程:
1.6 RLS vs LMS
Table of Contents |
- 一.递推最小二乘法(RLS)算法 - 1.1 以N阶线性系统起点, - 1.2 动机: - 1.3 目标函数的定义: - 1.3.1 基于指数加权定义目标函数: - 1.3.2 后验与先验误差对比: - 1.3.2 最小化目标函数J(w): - 1.4 求解滤波器系数 - 1.4.1 推导自相关矩阵和相关向量的时间递推公式: - 1.4.2 自相关矩阵时间递推公式的优化: - 矩阵求逆引理: - R逆的时间递推公式: - 1.4.3 滤波器系数w(n)的时间递推公式: - 1.5 RLS算法的执行流程: - 1.6 RLS vs LMS |
一.递推最小二乘法(RLS)算法
1.1 以N阶线性系统起点,
1.2 动机:
MMSE是一个均匀加权的最优化问题,即每一个时刻的误差信号对目标函数的贡献一样