{[ promptMessage ]}

Bookmark it

{[ promptMessage ]}

Tema 34 Slides 1_6 - 34 H z = hi z i =0 N-1-i y(n = hi x(n...

Info icon This preview shows pages 1–4. Sign up to view the full content.

View Full Document Right Arrow Icon
Тема 34. Видове адаптивни алгоритми при реализация на нерекурсивни адаптивни структури : алгоритъм с най - малките квадрати , алгоритъм с най - малките средни квадрати , знаков алгоритъм Нормални уравнения Нека обект на адаптация да е нерекурсивен цифров филтър . За разлика от филтър с фиксирани параметри , чиито коефициенти на умножение са постоянни числа = = = = 1 0 1 0 ) ( ) ( ; ) ( N i i N i i i i n x h n y z h z H ; коефициентите на адаптивния филтър се менят във времето = = = = 1 0 1 0 ) ( ) ( ) ( ˆ ; ) ( ) ( ); ( N i i N i i i AF i i i n x n h n y z n h z H n h h . N - те коефициента h i ( n ) в момент n могат да се представят като вектор на коефициентите Н ( n ), а N - те последни стойности на входния сигнал x ( n ) – като вектор Х ( n ): ( ) ( ) . ) 1 ( ) 1 ( ) ( ; ) ( ) ( ) ( 1 1 0 + = = N n x n x n x n n h n h n h n N M M X H Тогава разликовото уравнение може да се запише така ) ( ) ( ) ( ) ( ) ( ˆ n n n n n y H X X H t t = = и грешката от адаптация ще бъде ) ( ) ( ) ( ) ( ˆ ) ( ) ( n n n y n y n y n X H t = = ε . За целева функция можем да изберем претеглената сума от квадратите на тази грешка , )] ( ) ( ) ( [ ) ( 1 2 = = n p p n p n p y W n X H J t където Х ( р ) е вектора на N - те последни стойности на входния сигнал към момента р , а W е тегловен коефициент , имащ стойност близка до единица Проф . Георги Стоянов , ЦОС - лекции , Тема 34 , OHP 1
Image of page 1

Info icon This preview has intentionally blurred sections. Sign up to view the full version.

View Full Document Right Arrow Icon
Проф . Георги Стоянов , ЦОС - лекции , Тема 34 , OHP 1
Image of page 2
1 0 << W . Тогава задачата на адаптацията се свежда до намиране на вектор на коефициентите Н ( n ), който минимизира J ( n ). До решение се стига като се намерят производните на J ( n ), спрямо коефициентите h i ( n ) от H ( n ) и се приравнят на нула . 0 ) ( )] ( ) ( ) ( [ 1 = = n p p n p p n p y W X X H t Компактният запис на това уравнение е ), ( ) ( ) ( n n n yx 1 N r R H = където = = n p p n p p W n 1 ) ( ) ( ) ( t N X X R е автокорелационна функция на входния сигнал x ( n ), а = = n p p n p y p W n 1 ) ( ) ( ) ( X r yx е взаимнокорелационна функция на входния и обучаващия сигнали . Това уравнение за Н ( n ) и
Image of page 3

Info icon This preview has intentionally blurred sections. Sign up to view the full version.

View Full Document Right Arrow Icon
Image of page 4
This is the end of the preview. Sign up to access the rest of the document.

{[ snackBarMessage ]}

What students are saying

  • Left Quote Icon

    As a current student on this bumpy collegiate pathway, I stumbled upon Course Hero, where I can find study resources for nearly all my courses, get online help from tutors 24/7, and even share my old projects, papers, and lecture notes with other students.

    Student Picture

    Kiran Temple University Fox School of Business ‘17, Course Hero Intern

  • Left Quote Icon

    I cannot even describe how much Course Hero helped me this summer. It’s truly become something I can always rely on and help me. In the end, I was not only able to survive summer classes, but I was able to thrive thanks to Course Hero.

    Student Picture

    Dana University of Pennsylvania ‘17, Course Hero Intern

  • Left Quote Icon

    The ability to access any university’s resources through Course Hero proved invaluable in my case. I was behind on Tulane coursework and actually used UCLA’s materials to help me move forward and get everything together on time.

    Student Picture

    Jill Tulane University ‘16, Course Hero Intern