《表1 自适应滤波算法与压缩感知问题的参数对应关系》
自适应滤波算法广泛应用于未知系统辨识领域,与压缩感知问题的对应关系由表1给出。最小均方(Least Mean Square,LMS)算法是自适应滤波算法中最为常用的一种,其代价函数为ξLMS(n)=|e(n)|2,e(n)=d(n)-x(n)h为递归误差,迭代公式为h(n+1)=h(n)+μe(n)xT(n),μ为迭代步长,μ>0。为更准确地描述稀疏系统,L0-LMS算法[7]将零范数惩罚项引入代价函数,即ξl0-LMS(n)=|e(n)|2+γ‖h(n)‖0,γ>0用以平衡零范数惩罚项和递归误差的影响。零范数的最小化为NP问题,常使用连续函数或L1范数代替,文献[7]等使用的近似函数为‖h(n)‖0≈∑i(1-e-α|hi (n)|) ,代入代价函数并最小化,得新的系数迭代公式为h(n+1)=h(n)+μe(n)xT(n)-καsgn(h (n)) e-α|h(n)|,κ=μγ,sgn(·)为符号函数。
图表编号 | XD0078789000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.20 |
作者 | 曾创展、朱卫纲、贾鑫 |
绘制单位 | 航天工程大学研究生院、航天工程大学电子与光学工程系、航天工程大学电子与光学工程系 |
更多格式 | 高清、无水印(增值服务) |