维纳滤波 梯度最速下降 最小均方 梯度随机下降 最小二乘 迭代最小二乘 分别推导及其关系

Winner Filte

先从维纳滤波器说起,M阶维纳滤波的模型为
(1) e ( n ) = d ( n ) − W H U ( n ) e(n) = d(n) - W^HU(n) \tag{1} e(n)=d(n)WHU(n)(1)
其中 W = [ W ( 0 ) , ⋯   , W ( M − 1 ) ] T , U ( n ) = [ U ( 0 ) , ⋯   , U ( M − 1 ) ] T W=[W(0),\cdots,W(M-1)]^T,U(n) = [U(0),\cdots,U(M-1)]^T W=[W(0),,W(M1)]T,U(n)=[U(0),,U(M1)]T

Cost function为 J ( W ) = E [ ∣ e ( n ) ∣ 2 ] J(W) = E[|e(n)|^2] J(W)=E[e(n)2]

我们的目的是:
W o p t = arg ⁡ min ⁡ W J ( W ) W_{opt} = \arg \min_W J(W) Wopt=argWminJ(W)
我们着手来解这个最优化问题
(2) J ( W ) = E [ ∣ e ( n ) ∣ 2 ] = E [ e ( n ) e ∗ ( n ) ] = E [ ( d ( n ) − W H U ( n ) ) ( d ∗ ( n ) − U H ( n ) W ) ] = E [ ∣ d ( n ) ∣ 2 − d ( n ) U H ( n ) W − W H U ( n ) d ∗ ( n ) − W H U ( n ) U H ( n ) W ] = σ d 2 − E [ d ( n ) U H ( n ) ] W − W H E [ U ( n ) d ∗ ( n ) ] + W H E [ U H ( n ) U ( n ) ] W = σ d 2 − P H W − W H P + W H R W \begin{aligned} J(W) &= E[|e(n)|^2]\\ &= E[e(n)e^*(n)]\\ &= E[(d(n)- W^HU(n))(d^*(n)-U^H(n)W)]\\ &= E[|d(n)|^2-d(n)U^H(n)W-W^HU(n)d^*(n)-W^HU(n)U^H(n)W]\\ &= \sigma_d^2-E[d(n)U^H(n)]W-W^HE[U(n)d^*(n)]+W^HE[U^H(n)U(n)]W\\ &=\sigma_d^2-P^HW-W^HP+W^HRW \end{aligned} \tag{2} J(W)=E[e(n)2]=E[e(n)e(n)]=E[(d(n)WHU(n))(d(n)UH(n)W)]=E[d(n)2d(n)UH(n)WWHU(n)d(n)WHU(n)UH(n)W]=

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值