论文阅读系列文章

论文阅读系列文章

第一篇：基于kronecker分解的NLMS算法

---

---

前言

论文阅读系列文章主要是分享一些自己平常在IEEE上看到的一些有趣的论文，基于kronecker 分解的NLMS算法是今年ICASSP2020的文章，由于自己目前也是在做关于自适应滤波相关的研究，因此分享下该篇论文

---

一、介绍

NLMS算法属于自适应滤波的一种，一般可以用于回声消除，主动噪声控制，房间脉冲响应估计等实际应用中。NLMS算法的本质实际上就是用来估计系统函数；得到系统函数后，将系统函数和输入的参考信号卷积，在理论上是可以获得想要的输出信号；

二、原理说明

1.数学模型

假设输出信号为$y(n)$,房间脉冲响应或是系统函数为$\mathbf{\omega }$, 参考信号为$\mathbf{x}(n)$, 噪声或是其他信号为$v(n)$,那么信号模型可以表示为：
$$y(n)={\mathbf{\omega }}^T\mathbf{x}(n)+v(n)$$
其中：
$$\mathbf{\omega }=[{\omega }_0,{\omega }_1,...,{\omega }_{L-1}{]}^T$$

$$\mathbf{x}=[x(n),x(n-1),...,x(n-L+1){]}^T$$
在回声消除领域中，${\mathbf{\omega }}^T\mathbf{x}(n)$称为回声信号， $v(n)$称为近端信号或是噪声信号；
那么误差信号可以表示为：
$$e(n)=y(n)-\hat{y}(n)=y(n)-\hat{\mathbf{\omega }}(n)\mathbf{x}(n)$$
其中$\hat{y}(n)$表示为估计的回声信号；
对$\omega (n)$进行kronecker分解，可以得到：
$$\hat{\mathbf{\omega }}(n)=\sum _{d=1}^D{\hat{\mathbf{\omega }}}_{2,d}(n)\otimes {\hat{\mathbf{\omega }}}_{1,d}(n)$$
其中：
$${\hat{\mathbf{\omega }}}_{2,d}(n)\otimes {\hat{\mathbf{\omega }}}_{1,d}(n)=({\hat{\mathbf{\omega }}}_{2,d}(n)\otimes {\mathbf{I}}_{L_1}){\hat{\mathbf{\omega }}}_{1,d}(n)=({\mathbf{I}}_{L_2}\otimes {\hat{\mathbf{\omega }}}_{1,d}(n)){\hat{\mathbf{\omega }}}_{2,d}(n)$$

分解之后，每个子系统的误差信号可以表示为：

$$e_1(n)=y(n)-{\hat{\mathbf{\omega }}}_1^T(n){\mathbf{x}}_2(n)$$

$$e_2(n)=y(n)-{\hat{\mathbf{\omega }}}_2^T(n){\mathbf{x}}_1(n)$$

$${\hat{\mathbf{x}}}_{2,d}(n)={\hat{\mathbf{W}}}_{2,d}(n)\mathbf{x}(n)$$
其中${\hat{\mathbf{W}}}_{2,d}(n)$的维数为：$L_1{L}_2\times L_1$

$${\mathbf{x}}_2(n)=[{\hat{\mathbf{x}}}_{2,1}(n),{\hat{\mathbf{x}}}_{2,2}(n),...,{\hat{\mathbf{x}}}_{2,D}(n){]}^T$$

$${\hat{\mathbf{\omega }}}_2(n)=[{\hat{\mathbf{\omega }}}_{2,1}^T(n),{\hat{\mathbf{\omega }}}_{2,2}^T(n),...,{\hat{\mathbf{\omega }}}_{2,D}^T(n){]}^T$$

$${\hat{\mathbf{x}}}_{1,d}(n)={\hat{\mathbf{W}}}_{1,d}(n)\mathbf{x}(n)$$
其中${\hat{\mathbf{W}}}_{1,d}(n)$的维数为：$L_1{L}_2\times L_2$；
$${\mathbf{x}}_1(n)=[{\hat{\mathbf{x}}}_{1,1}(n),{\hat{\mathbf{x}}}_{1,2}(n),...,{\hat{\mathbf{x}}}_{1,D}(n){]}^T$$

$${\hat{\mathbf{\omega }}}_1(n)=[{\hat{\mathbf{\omega }}}_{1,1}^T(n),{\hat{\mathbf{\omega }}}_{1,2}^T(n),...,{\hat{\mathbf{\omega }}}_{1,D}^T(n){]}^T$$

最终的更新公式可以表示为：

$${\hat{\mathbf{\omega }}}_1(n+1)={\hat{\mathbf{\omega }}}_1(n)+\mu e_1(n){\mathbf{x}}_2(n)$$

$${\hat{\mathbf{\omega }}}_2(n+1)={\hat{\mathbf{\omega }}}_2(n)+\mu e_2(n){\mathbf{x}}_2(n)$$

2.实验实例

仿真效果如下：
待添加

---

总结

以上就是今天要讲的内容，目前只更新了基本原理，下次再添加该论文相关的实验结果；