自適應濾波器演示文稿

自適應濾波器演示文稿當前第1頁\共有92頁\編于星期四\11點（優(yōu)選）自適應濾波器當前第2頁\共有92頁\編于星期四\11點設計維納和卡爾濾波器，要求已知關于信號和噪聲統(tǒng)計特性的先驗知識。但在許多情況下人們對此并不知道或知道甚少，某些情況下這些統(tǒng)計特性還是時變的。處理上述這類信號需要采用自適應濾波器。自適應信號處理器分為兩大類，一類是自適應天線，另一類是自適應濾波器。本章主要討論自適應濾波器的工作原理、基本原理、重要算法和典型應用。當前第3頁\共有92頁\編于星期四\11點3.1自適應濾波原理自適應濾波器由參數可調的數字濾波器和自適應算法兩部分組成，如下圖：d(n)x(n)e(n)y(n)-+參數可調數字Filter自適應算法Σ與參考信號比較經過自適應算法對Filter參數進行調整。自適應算法的原則：最終使e(n)均方值最?。∽赃m應濾波器是一種能自動調整本身參數的特殊維納濾波器。它在設計時，不需先知道輸入信號和噪聲的統(tǒng)計特性。它能在自己工作中逐漸學會or估計出所需的統(tǒng)計特性。并以此依據自動調整自己的參數以達到最佳濾波的目的。當前第4頁\共有92頁\編于星期四\11點自適應濾波器常見的例子：1.自適應預測：（可用于語音編碼、譜估計、信號白化等）輸入信號是s(n),輸出響應是預測值期望響應d(n)是n+D時刻的信號值當前第5頁\共有92頁\編于星期四\11點2.自適應建模（a）（b）（a）是正向建模，（b）是逆向建模。在正向建模中，自適應處理器調整自己的權值，使得輸出響應y(n)盡可能逼近未知系統(tǒng)的輸出d(n)。在逆向建模中，自適應處理器調整自己的權值以成為被建模系統(tǒng)的逆系統(tǒng)，即把被建模系統(tǒng)的輸出轉換成為輸入信號的延時。當前第6頁\共有92頁\編于星期四\11點3.自適應干擾器傳感器陣列接收到目標信號，導向延時使其預定觀測方向上波束增益最大。固定目標信號濾波器輸出為自適應處理器輸出是噪聲的估計，并用來抵消常用于波束形成器。當前第7頁\共有92頁\編于星期四\11點設計自適應濾波器時，首先要確定濾波器的結構（FIR，IIR或格形結構），然后設計自適應算法以調整濾波器參數，其目標是使某一特定的代價函數最小化。（本章選擇均方誤差為代價函數）當前第8頁\共有92頁\編于星期四\11點3.2自適應線性組合器自適應線性組合器是一種參數可自適應調整的有限沖激響應數字濾波器，具有非遞歸結構形式，分析實現簡單。在大多數自適應信號處理中得到廣泛應用。自適應線性組合器的一般形式：當前第9頁\共有92頁\編于星期四\11點輸入信號矢量：輸入信號和輸出信號之間的關系式為：對單輸入情況：對多輸入情況：還可表示為：自適應線性組合器按照誤差信號均方值（or平均功率）最小的準則（即③）來自動調整權矢量，選擇什么信號作為參考響應，要根據不同的應用要求來確定。當前第10頁\共有92頁\編于星期四\11點3.3均方誤差性能曲面由上面①②③三式，得均方誤差表示式：將④式進一步寫成：均方誤差是權矢量W的各分量的二次函數，即若將該式展開，則W各分量只有一次和二次項存在，的圖形一定是L+1維空間向中一個中間下凹的超拋物面，有唯一最低點min，該曲面稱為均方誤差性能曲面。當前第11頁\共有92頁\編于星期四\11點當輸入w(n)只有兩個元素時，可得到如圖的自適應濾波器：自適應過程，即自動調整權系數w(n)，使均方誤差達到最小值的過程，相當于沿性能曲面往下搜索達最低點的過程。最常用的搜索方法是梯度法，因此，性能曲面的梯度是一個很重要的概念。ξ當前第12頁\共有92頁\編于星期四\11點均方誤差性能曲面的梯度為：，讓得此式表明：當W偏離最佳值W*一個數值

，將比大一個數值當前第13頁\共有92頁\編于星期四\11點3.4二次性能曲面的基本性質平穩(wěn)隨機信號的統(tǒng)計特性是不隨時間變化的。因此，其性能曲面在坐標系中是固定不變或“剛性”的。自適應過程就是從性能曲面上某點（初始狀態(tài)）開始，沿著曲面向下搜索最低點的過程。但對非平穩(wěn)隨機信號來說，這種性能曲面是“晃動的”、“模糊的”自適應過程，不僅要求沿性能曲面向下搜索最低點，而且還對最低點進行跟蹤。我們這里只討論平穩(wěn)隨機過程，且為方便理解，只討論兩個權系數W0和W1的自適應線性組合。此時性能曲面是三維空間中的一個拋物面。當前第14頁\共有92頁\編于星期四\11點現用一個與平面平行與其相距的平面切割該拋物面，交線在平面上投影是一個橢圓。如圖：橢圓中心為，它是性能曲面最低點的投影。如果用若干個與平面距離不同的平行平面來切割性能曲面，交線投影將是一組中心同在W*的橢圓。它們各與一個確定的相對應。因此稱為等均方誤差線or等高線。當前第15頁\共有92頁\編于星期四\11點等高線方程：由得：常數若將堅持原點平移至，得到權偏移矢量全標系等高線方程：常數（可由得到）這是一組同心橢圓，中心位于新坐標原點V=0。將上面討論推廣到L+1個權系數的情況不難想象，等高線將是L+1維空間中的一組同心超橢圓，橢圓中主位于坐標系的原點。這組同心超橢圓有L+1個主軸，它們也是均方誤差曲面的主軸。

當前第16頁\共有92頁\編于星期四\11點是R的特征值矩陣：可由R的特征方程det[R-aI]=0解出。當前第17頁\共有92頁\編于星期四\11點最終得：由此總結出二次性能曲面的三個基本性質：主軸是R的特征矢量。（1）輸入信號自相關矩陣R的特征矢量

確定了性能曲面的主軸;（2）因此它定義的旋轉系統(tǒng)

就是橢圓的主軸系統(tǒng)。（3）R的特征值給出了性能曲面沿主軸的二階導數值。當前第18頁\共有92頁\編于星期四\11點3.5最陡下降法前面分析知，自適應線性組合器的均方誤差性能曲面是權系數的二次函數，但在實際應用中，性能曲面的參數甚至解析式都是未知的。因此，只能由已測數據，采用某種算法對性能曲面自動進行搜索。尋找最低點，從而得到最佳權矢量。牛頓法和最陡下降法是兩種著名的方法，牛頓法在數學上有重要意義，但實現很困難。因此，我們只介紹最陡下降法，它在工程上易于實現。最陡下降法是沿性能曲面最陡方向向下搜索曲面最低點。曲面的最陡下降是曲面的負梯度方向。這是一個迭代搜索過程。當前第19頁\共有92頁\編于星期四\11點最陡下降法迭代計算權矢量公式為：是控制搜索步長的參數-----稱為自適應增益常數或稱為收斂因子（常數）。將梯度公式代入上式，得：方程由計算很困難，一般將w坐標通過平移坐標，通過旋轉到主坐標當前第20頁\共有92頁\編于星期四\11點即：由于它們之間沒有耦合，所以可分別由初始權值進行迭代運算求解，可得：當前第21頁\共有92頁\編于星期四\11點即：為確保算法收斂，有，即收斂到V的原點，即W的W*點。因此必須保證可以由給定的求由R的特征值在此范圍內選??！這樣計算仍比較繁鎖，可采用直接估計的方法，讓R矩陣的跡：當前第22頁\共有92頁\編于星期四\11點也可由輸入信號取樣值進行估計：由于實際自適應F中調整參數是可將上面結果返回到自然坐標系去，以看清W(n)的自適應調整規(guī)律。由有：利用恒等式有：

從而取當前第23頁\共有92頁\編于星期四\11點3.6學習曲線和收斂速度在自適應調整權系數的過程中，均方誤差是迭代n次數的函數，稱為學習曲線。∵∴這就是最陡下降法學習曲線的表達式，收斂條件約為：當前第24頁\共有92頁\編于星期四\11點收斂速度的快慢，用時間常數來說明：有三個常用時間常數⒈權系數衰減時間常數：第一就是，權系數衰減時間常數：定義：即衰減為的倍時，所經歷的迭代次數即為。通常其中當前第25頁\共有92頁\編于星期四\11點⒉學習曲線時間常數其物理意義：衰減為-的倍所需迭代次數。3.自適應時間常數

·（Samples樣本數or取樣周期）即：將迭代次數用其取樣間隔來度量。

當前第26頁\共有92頁\編于星期四\11點3.7自適應的最小均方算法最陡下降法，每次迭代都需要知道性能曲面上某點的梯度值，而實際上梯度值只能根據觀測數據進行估計。LMS算法是一種很有用的估計梯度的方法。它的突出優(yōu)點是計算量小，且不脫線計算，只要知道輸入信號和參考響應。LMS算法核心思想是用平方誤差代替均方誤差。LMS算法的基本關系式→當前第27頁\共有92頁\編于星期四\11點LMS算法調整權系數時不需要進行平方運算和統(tǒng)計平均運算，因而實現起來很簡單。下圖為兩個權系數的自適應線性組合器采用LMS算法的計算流程圖：d(n)

e(n)y(n)++++++2μ當前第28頁\共有92頁\編于星期四\11點當前第29頁\共有92頁\編于星期四\11點而最陡下降法梯度公式：說明：LMS算法得到的權矢量的期望值與最陡下降法權矢量本身一樣，因此，當收斂條件或滿足時，隨迭代次數趨近于無窮，LMS權矢量的期望值將趨近于最佳權矢量。當前第30頁\共有92頁\編于星期四\11點3.8權矢量噪聲LMS算法之所以簡單，主要是因為它對梯度矢量各分量的估計是根據單個數據取樣值得到，沒有進行平均。也正因此相當于使梯度估計中存在噪聲。梯度估計的噪聲矢量用N(n)表示，有：協(xié)方差：

均值為0，協(xié)方差=自相關函數，又不相關當前第31頁\共有92頁\編于星期四\11點將上式變換到主軸坐標系：∴這是計算噪聲的協(xié)方差公式。下面考慮自適應調整權矢量這程中，梯度估計噪聲的影響，即LMS對權矢量的影響。平移坐標系V：平移坐標系V’：←由噪聲產生當前第32頁\共有92頁\編于星期四\11點用歸納法求上式，即得：另推：這就是LMS算法中梯度估計噪聲在穩(wěn)態(tài)權矢量中引起的噪聲。

←穩(wěn)態(tài)解當前第33頁\共有92頁\編于星期四\11點3.9失調量梯度估計噪聲的存在，使得收斂后的穩(wěn)態(tài)權矢量在最佳權矢量附近隨機起伏，這意味著穩(wěn)態(tài)均方誤差值總是大于最小均方誤差，且在附近隨機地改變。如下圖：將這種偏移量的期望值稱為：超量均方誤差，用“超量MSE”表示。當前第34頁\共有92頁\編于星期四\11點變換到主軸坐標系，超量超量將代入，可得近似公式：超量均方誤差是度量這種性能損失的一個量（權系數在最佳解附近隨機變動）。另一個度量自適應性能損失的量是失調量。用M表示超量當前第35頁\共有92頁\編于星期四\11點失調量和收斂速度這兩個量要折衷加以考慮，學習曲線時間常數為：根據上式可將R的跡寫成：得到：上式說明了失調量、學習曲線時間常數以及權系數的個數三者之間的關系式。在特征值未知的情況下，這個近似式對于設計自適應系統(tǒng)很有用的。在所有特征值相等時：當前第36頁\共有92頁\編于星期四\11點3.10自適應的遞歸最小二乘方（RLS）算法1.特征：FIR維納濾波器的一種時間遞歸算法嚴格以最小二乘方準則為依據的算法收斂速度快應用于：快速信道均衡實時系統(tǒng)辨識時間序列分析缺點：每次迭代計算量大，N階的FIR計算量曾經一度受到限制，近來有大的發(fā)展。2.RLS算法：用二乘方的時間平均的最小化準則取代最小均方準則，并按時間進行計算。當前第37頁\共有92頁\編于星期四\11點具體說：是要對初始時刻到當前時刻所有誤差的平方進行平均并使其最小化，再按照這一準則確定FIR濾波器的權系數矢量W。即其中：——期望響應——是N階FIR的輸出響應對于非平穩(wěn)輸入信號，為了能很好的進行跟蹤，常引入一個指數加權因子對式進行修正：當前第38頁\共有92頁\編于星期四\11點

—遺忘因子（的正數）舊數據的權值按指數規(guī)律衰減，越舊對影響越小，忘性越大。求偏導這是最小二乘方準則所對應的正交方程。上式經整理后得：或定義：當前第39頁\共有92頁\編于星期四\11點則標準方程可寫為簡化形式：該方程的解為：都與時間n有關，所以w是n的函數3.迭代算法將兩式寫成迭代形式當前第40頁\共有92頁\編于星期四\11點同理：由利用矩陣恒等式則上式可寫成：當前第41頁\共有92頁\編于星期四\11點將上兩式代入并利用上式得到式中增益誤差上式具有卡爾曼濾波器的形式。是根據及以前所有數據得到的最佳權值，根據它來預測應該是合理的?？蓪⒃鲆婀綄懗僧斍暗?2頁\共有92頁\編于星期四\11點上式與LMS算法的差別在于權矢量校正項中出現了因子。由于R(n)是自相關矩陣的一種量度，因此，因子的出現使得RLS算法具有快速收斂的性質。RLS算法步驟如下：（1）在時刻n，已獲得w(n-1)、T(n-1)和d(n),x(n)也已存儲在濾波器的延時部件中。（2）計算出T(n),w(n),k(n)和e(n|n-1)，并得到濾波器輸出響應y(n)和誤差e(n)，即當前第43頁\共有92頁\編于星期四\11點（3）進入第n+1次迭代遺忘因子的選取的值對算法影響最大。算法的有效記憶長度用來度量，定義為越小對應的越小，意味著對信號的非平穩(wěn)跟蹤性能越好。太小，會小于信號的每個平穩(wěn)的有效時間，不能充分利用所有已經獲取的取樣數據。結果，算出的將會受到嚴重噪聲影響。對平穩(wěn)信號，最佳值為1。例子：當前第44頁\共有92頁\編于星期四\11點

是一個零均值，方差為1的白噪聲，顯然是由這個白噪聲激勵一個二階自回歸模型產生。這里：模型參數權系數逐漸收斂于-1.6的過渡過程曲線LMS自適應參數權系數收斂后出現較大噪聲。，在計算最佳數據時沒有充分利用能夠獲得的全部取樣數據。

當前第45頁\共有92頁\編于星期四\11點3.11IIR遞推結構自適應濾波器的LMS算法

在一種實用場合，常為了提高精度，FIR自適應型的濾波器要求階數很高。而用IIR遞推結構通常只用低階（二階）就夠了。有些情況下必須用IIR遞歸結構。如：某些通信信道等效于一個FIR濾波器，其傳輸函數為：在接收端：為了補償多徑效應引起的失真，常設計一個的自適應濾波器。（顯然這是一個IIR自適應濾波器）當前第46頁\共有92頁\編于星期四\11點IIR自適應濾波器的主要優(yōu)點是可以大幅度減少計算量，具有諧振和銳截止特性，但也有以下缺點：（1）由于遞歸結構存在反饋支路，故在自適應過程中有可能使極點移到單位圓外，使濾波器失去穩(wěn)定。（2）搜索全局極小值的工作比較復雜和困難為克服點一個缺點，采取措施限制濾波器的參數取值范圍，克服第二個缺點的辦法是尋求好的自適應算法，以便在復雜的性能曲面上能夠正確搜索全局最低點。已證明：具有足夠多零點和極點的自適應遞歸濾波器，其性能曲面可以是單模的，而不是多模的。這意味著，增加權系數的個數能夠移去性能曲面的局部極小值。當前第47頁\共有92頁\編于星期四\11點IIR濾波器差分方程為：

可以是單輸入的，也可以是多輸入的。定義兩個新矢量—復合權矢量和復合數據矢量。于是差分方程可寫成矢量形式：誤差：當前第48頁\共有92頁\編于星期四\11點與FIR自適應的LMS算法類似。梯度估計為：令：由差分方程知：當前第49頁\共有92頁\編于星期四\11點于是，梯度估計可寫成：對權矢量進行迭代調整的公式現在為：這里用對角矩陣M代替自適應增益常數，即：當前第50頁\共有92頁\編于星期四\11點由于現在性能曲面是非二次的，因此，對應于每個權系數有一個收斂參數，對應于每個權系數有一個收斂參數v，L+1個是相同的，L個v各不相同，這些收斂參數可以是時變的。于是，IIR自適應濾波器的LMS算法總結如下：當前第51頁\共有92頁\編于星期四\11點3.12自適應濾波器計算舉例有一個自適應線性組合器，如下圖：設在開關S打開和閉合的兩種情況下，求解：（1）性能曲面函數，并畫出圖形（2）求最佳權值（3）求最小均方誤差當前第52頁\共有92頁\編于星期四\11點解：開關S斷開時：（1）（2）（3）當前第53頁\共有92頁\編于星期四\11點開關閉合時：（1）（2）（3）當前第54頁\共有92頁\編于星期四\11點3.13自適應濾波器的數字實現自適應濾波器通常分為模擬實現和數字實現兩類。模擬實現自適應濾波器主要采用電荷耦合器件、聲表面波器件等技術，具有功耗低、尺寸小和重量輕等優(yōu)點，但動態(tài)范圍和精度等指標難以提高。因此自適應濾波器以數字實現為主。1.LMS算法自適應濾波器的直接實現自適應濾波器的計算主要包括：（1）計算可調數字濾波器的輸出。通常較多采用FIR橫向結構，主要計算輸入序列與濾波權系數序列的線性卷積。（2）完成自適應算法，通常選用LMS算法，主要計算輸入信號與誤差之積，并對權系數進行修正，以實現權系數的迭代運算。當前第55頁\共有92頁\編于星期四\11點LMS算法FIR橫向結構自適應濾波器數字實現的方框圖如下：當前第56頁\共有92頁\編于星期四\11點3.14最小二乘自適應濾波器

最陡下降法要求知道性能曲面上各點的梯度，而實際中梯度是未知的。LMS算法要求輸入信號和期望信號都是平穩(wěn)的，或者要求輸入和期望信號的統(tǒng)計特性在較長時間內基本保持不變或變化緩慢。但是，實際中遇到的信號不可能滿足這種要求。對于非平穩(wěn)信號的自適應處理，最合適的方法是采用最小二乘自適應濾波器。設在當前時刻n已獲得n個數據，現要用一個m階FIR濾波器對數據進行濾波，是濾波器的輸出成為某個期望信號的最小二乘估計。則濾波器的輸出，即期望信號的估計值為：當前第57頁\共有92頁\編于星期四\11點估計誤差：估計誤差的平均加權：這里，是加權因子，其值為。對于越新的數據，加權越重。求和范圍有以下4種不同的情況：（1），計算全部誤差的平方加權和。意味著已知數據段的前后都添加了零取樣值，這種方法稱為相關法。（2），計算前一部分誤差的平方加權和。意味著只在已知數據段的前面添加零取樣值，這種方法稱為前加窗法。當前第58頁\共有92頁\編于星期四\11點（3），計算后一部分誤差的平方加權和。意味著只在已知數據段后添加零取樣值，這種方法稱為后加窗法。（4），計算中間一部分誤差的平方加權和。意味著在數據前后都沒有添加零取樣值。這種方法稱為協(xié)方差法。若分別定義誤差矢量、期望矢量、權矢量和數據矩陣如下：當前第59頁\共有92頁\編于星期四\11點則估計誤差可寫成：估計誤差的平方加權可寫成：為簡化推到，假設，于是得到：當前第60頁\共有92頁\編于星期四\11點求對的偏導數，并令偏導數為零，得到一個代數方程，解此方程得到：上式①②即是最小二乘濾波器的最佳系數矢量或最佳權矢量?？傻玫絛(n)的最小二乘估計為：上式是對整個期望矢量的估計，而不僅僅是對其中一個分量d(n)的估計。當前第61頁\共有92頁\編于星期四\11點2.投影矩陣和正交投影矩陣上式表明：d(n)在上的投影是，這個投影的計算方法是用一個矩陣左乘矢量d(n)，表示為：其中：上式簡稱為的投影矩陣。得到誤差矢量：稱為對的正交投影矩陣當前第62頁\共有92頁\編于星期四\11點3.15最小二乘格形自適應算法1.前向預測和后向預測前向預測值：前向預測誤差：在前加窗情況下，前向預測誤差平方和為：當前第63頁\共有92頁\編于星期四\11點令m階前向預測誤差矢量、當前數據矢量x(n)、前向預測系數矢量以及數據矩陣分別為：于是，有：當前第64頁\共有92頁\編于星期四\11點根據矢量空間的概念，由的列矢量對x(n)所作的最小二乘（最佳）前向預測是x(n)在上的投影，即式中，是的投影矩陣，有m階前向預測誤差矢量是x(n)對投影補

其中是的正交投影矩陣。當前第65頁\共有92頁\編于星期四\11點后向預測值：后向預測誤差值：令m階后向預測誤差矢量、后向預測矢量，后向預測系數矢量以及數據矩陣分別為:當前第66頁\共有92頁\編于星期四\11點則有：由矢量空間的概念，有：當前第67頁\共有92頁\編于星期四\11點

預測誤差矢量的范數的平方即預測誤差功率，稱為預測誤差剩余。前向和后向預測誤差剩余分別定義為：當前第68頁\共有92頁\編于星期四\11點2.預測誤差濾波器的格型結構m+1階前向預測誤差：如果把看成是將列矢量附加到的最后一列的后面得到的，并令那么有當前第69頁\共有92頁\編于星期四\11點可得到前向預測誤差按階遞推計算公式：同理，可得到后向預測誤差的階更新公式：當前第70頁\共有92頁\編于星期四\11點3.LSL自適應算法LSL自適應算法流程如下：（1）初始化（2）迭代計算（按時間n=1,2,…)當前第71頁\共有92頁\編于星期四\11點（3）迭代計算（按階m=0,1,…,M-1）

同階的嵌套著按時間進行迭代計算，M是給定的濾波器的階。當前第72頁\共有92頁\編于星期四\11點4.LSL自適應算法的性能一個2階自回歸隨機過程，信號模型為：采用LSL自適應濾波器作為預測器，得到對信號模型的兩個參數的估計值：結論：LSL算法很明顯地比LMS算法收斂得更快。采用LSL自適應算法時，前向和后向預測誤差剩余初始值的選取，對于模型參數的收斂性能是有影響的。當前第73頁\共有92頁\編于星期四\11點3.16快速橫向濾波自適應算法

快速橫向濾波自適應算法通過引入橫向濾波算子，并利用該算子的時間更新關系來實現有關的4個濾波器的參數的更新，從而達到橫向自適應濾波器參數更新的目的。1.FTF算法中涉及到的4個橫向濾波器算法。（1）最小二乘橫向濾波器稱為橫向濾波算子當前第74頁\共有92頁\編于星期四\11點（2）前向預測誤差濾波器是最小二乘前向預測系數矢量（3）后向預測誤差濾波器是最小二乘后向預測系數矢量（4）增益濾波器是增益濾波器的權矢量矢量當前第75頁\共有92頁\編于星期四\11點2.橫向濾波算子的時間更新橫向濾波算子的時間更新關系式：橫向濾波算子的時間更新關系式：當前第76頁\共有92頁\編于星期四\11點3.FTF自適應算法中的時間更新關系（1）最小二乘橫向濾波器權矢量的時間更新（2）增益濾波器權矢量的時間更新當前第77頁\共有92頁\編于星期四\11點（3）前后預測誤差濾波器參量的時間更新（4）后向預測誤差濾波器參量的時間更新當前第78頁\共有92頁\編于星期四\11點（5）角參量的時間更新4.FTF自適應算法流程（1）初始化：當前第79頁\共有92頁\編于星期四\11點（2）迭代計算（按時間n=1,2…)前向預測誤差濾波器參數N+1階角參量N+1階增益濾波器矢量當前第80頁\共有92頁\編于星期四\11點d.后向預測誤差濾波器參量、N階角參量和N階增益濾波器權矢量（注意：這些參數的計算是交叉進行的）e.最小二乘橫向自適應濾波器參數當前第81頁\共有92頁\編于星期四\11點5.FTF自適應算法的性能與LMS算法相比較，FTF算法的突出優(yōu)點是它的收斂速度對數據的相關性不敏感。FTF不僅收斂速度較快，而且收斂性能對初始參數（即前向和后向預測誤差剩余初始值）的選取不敏感。6.FTF算法計算量的進一步減少用角參量對增益矢量進行歸一化，計算量可進一步減少。定義歸一化增益矢量當前第82頁\共有92頁\編于星期四\11點歸一化增益矢量的更新角參量的時間更新當前第83頁\共有92頁\編于星期四\11點其中通過下式計算節(jié)約了很大的計算量采用歸一化增益矢量的FTF自適應算法的計算流程如下：（1）初始化（2）迭代計算（按時間n=1,2,…)a.前向預測誤差濾波器參數當前第84頁\共有92