本技术提出了一种基于改进自适应滤波器的稀疏系统辨识方法及系统,属于自适应系统辨识技术领域,包括:获取当前时刻输入信号;基于共轭梯度方法更新相关估计矩阵及互相关估计向量;引入非线性梯度,更新滤波器的搜索方向;引入正则化参数,得到滤波器的动态步长;对滤波器的抽头权系数进行更新;令时刻更新为下一时刻,更新自适应滤波器的权重向量系数,当滤波器权重系数向量等于未知系统的脉冲响应时,未知系统辨识结束。本发明通过修改非线性梯度更新、正则化参数以及动量增强更新可以更高效的实现稀疏未知系统的辨识。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在自适应滤波器的许多应用中,待识别的底层系统脉冲响应(IRS)通常是稀疏的或可压缩的,例如在声学回波和反馈抵消中。因此,设计能够利用系统红外稀疏结构的自适应滤波器一直是一个备受关注的研究课题。不足为奇的是,稀疏信号恢复(SSR)技术在学习线性问题的紧凑解方面已经被证明是可以实现的,这推动了稀疏感知自适应滤波研究的趋势。自适应滤波器系统辨识技术的核心原理是基于输入信号及其相关特性来构建语音模型,通过分析输入信号与未知系统之间的残差,不断调整滤波器的系数,使得估计值逐渐逼近未知系统的参数。然而,脉冲噪声的高幅值可能会与未知系统的输出叠加,导致自适应滤波器的系数向更大误差的方向更新。为此,如何开发和优化具备优异抗噪性能的自适应滤波器算法,已成为系统辨识领域中的一个挑战。在目前的稀疏系统辨识的应用中,现有技术中主要有以下方法:
(1)基于稀疏最小均方算法(LMS)的系统辨识方法,在论文“Sparse LMS forsystem identification,” (Y. Chen, Y. Gu, and A. O. Hero), Proc IEEEIntConf.Acoust, Speech, Signal Process,(3125–3128),2009)中,所提出的LMS型算法的复杂度仅呈线性扩展,但在信号相关性较强的情况下收敛速度较慢。
(2)基于递归最小二乘法(RLS)算法的系统辨识方法,在论文 “SPARLS: Thesparse RLS algorithm,”(B. Babadi,N. Kalouptsidis, and V. Tarokh), IEEE Trans.Signal Process,(4013–4025),2010)中,所提出的RLS型算法相比于LMS算法一般具有更快的收敛速度,但计算复杂度大大增加。
因此,基于稀疏信号系统辨识领域,大量的工作集中在开发最小均方(LMS)的稀疏变体和递归最小二乘(RLS)自适应滤波器算法上。LMS型算法的复杂度仅呈线性扩展,但在信号相关性较强的情况下收敛速度较慢。相比之下,RLS型算法通常收敛速度更快,但计算复杂度增加。
实现思路