文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.181077
中文引用格式: 吳文靜,,梁中華,羅倩文,,等. 基于最大相關(guān)熵的多凸組合濾波器[J].電子技術(shù)應(yīng)用,,2018,44(12):97-100,,105.
英文引用格式: Wu Wenjing,,Liang Zhonghua,Luo Qianwen,,et al. Multi-convex combined filter based on maximum correntropy criterion[J]. Application of Electronic Technique,,2018,44(12):97-100,,105.
0 引言
自適應(yīng)濾波技術(shù)被廣泛地應(yīng)用在信號(hào)處理和機(jī)器學(xué)習(xí)的許多不同的領(lǐng)域,如信道估計(jì),、噪聲消除和系統(tǒng)辨識(shí)等,。濾波器算法設(shè)計(jì)是更新濾波器的參數(shù)使其盡可能更接近理想響應(yīng)[1]。自適應(yīng)濾波器的優(yōu)化準(zhǔn)則和代價(jià)函數(shù)是濾波器設(shè)計(jì)的核心,。常見的優(yōu)化準(zhǔn)則或代價(jià)函數(shù)分別是最小均方差(Minimum Mean Square Error,,MMSE)準(zhǔn)則、最小誤差熵(Minimum Error Entropy,,MEE)代價(jià)函數(shù)和最大相關(guān)熵準(zhǔn)則(Maximum Correntropy Criterion,,MCC)[2]。MMSE準(zhǔn)則的代表算法為最小均方算法(Least Mean Square,,LMS),。LMS算法因?yàn)槠漭^低的復(fù)雜度和計(jì)算量,所以常適用于線性和高斯噪聲的情況,。MEE代價(jià)函數(shù)在非高斯噪聲和非線性結(jié)構(gòu)中表現(xiàn)出了很強(qiáng)的魯棒性,,并且具有表征數(shù)據(jù)整個(gè)結(jié)構(gòu)的能力。但是,它的計(jì)算復(fù)雜度相當(dāng)大,。MCC代價(jià)函數(shù)由于權(quán)重更新中指數(shù)部分的存在,,使得在脈沖干擾和非線性系統(tǒng)中表現(xiàn)出很強(qiáng)的魯棒性,并且有著與LMS相近的復(fù)雜度和與MEE相近的性能,。因此,,本文采取的自適應(yīng)準(zhǔn)則為MCC。
MCC是采用核心寬度來決定局部量,,它對(duì)出界量和脈沖噪聲造成的有害影響有很好的抑制效果,。在文獻(xiàn)[3]中,研究者已經(jīng)介紹最大相關(guān)熵的本質(zhì)就是一種平滑的后驗(yàn)估計(jì),。在文獻(xiàn)[2],、[4]中,介紹了MCC被引入到自適應(yīng)濾波器中在非高斯噪聲下可以有效地提高追蹤能力,。同時(shí),,在文獻(xiàn)[5]也對(duì)MCC的穩(wěn)態(tài)均方差性能進(jìn)行了詳細(xì)的推導(dǎo)。
眾所周知,,自適應(yīng)濾波器中最重要的矛盾就是收斂速度與失衡量之間的矛盾,,即收斂速度與失衡量成反比。這種矛盾在基于MCC的自適應(yīng)濾波器中也不例外,。在基于最大相關(guān)熵的自適應(yīng)濾波器中,,收斂速度由步長(zhǎng)與kernel寬度決定。當(dāng)kernel寬度一定時(shí),,濾波器的步長(zhǎng)越大收斂速度越快,,但失調(diào)量也越高;步長(zhǎng)越小失調(diào)量越低,,但收斂速度越慢,。為了解決這個(gè)問題,文獻(xiàn)[6]將最近比較流行的凸組合方式引入到最大相關(guān)熵自適應(yīng)濾波器中,,使得組合濾波器不僅得到了大步長(zhǎng)的濾波器快收斂速度,,還得到了小步長(zhǎng)的濾波器的低失調(diào)量。但是在CMCC濾波器中,,由于兩個(gè)濾波器的步長(zhǎng)選取的問題,,從而導(dǎo)致組合濾波器的收斂和追蹤性能下降。
基于上述討論,,本文提出了基于最大相關(guān)熵的多凸組合濾波器。在MCMCC濾波器中,,每個(gè)基于MCC的自適應(yīng)濾波器都表現(xiàn)出很好的追蹤性能,,所以MCMCC可以有效地追蹤各種各樣的改變。
1 基于最大相關(guān)熵的凸組合自適應(yīng)濾波器
根據(jù)自適應(yīng)算法的隨機(jī)梯度原則,基于最大相關(guān)熵的權(quán)重系數(shù)更新方程為[7]:
其中,,y1(k)=XTW1(k)和y2(k)=XTW2(k)分別表示大步長(zhǎng)濾波器和小步長(zhǎng)濾波器的輸出,。大步長(zhǎng)濾波器和小步長(zhǎng)濾波器的權(quán)重分別表示為:
其中,e(k)=d(k)-y(k)表示組合誤差,;μα表示參數(shù)α(k)在基于最大相關(guān)熵準(zhǔn)則下的步長(zhǎng),,并且μα必須設(shè)定為遠(yuǎn)大于λ1,以保證組合濾波器的自適應(yīng)速度快于大步長(zhǎng)的濾波器的自適應(yīng)速度,;α(k)的取值范圍限定在[-4,,4],以防止v(k)和1-v(k)接近0而導(dǎo)致算法停止[12],。
同時(shí),,基于MCC的凸組合濾波器的性能還可以繼續(xù)被優(yōu)化,通過引入權(quán)重轉(zhuǎn)移的方法,。該方法是用步長(zhǎng)大的濾波器的權(quán)重去加速步長(zhǎng)小的濾波器的權(quán)重[6],。
2 多凸組合的最大相關(guān)熵的自適應(yīng)濾波器
由以上的分析可知,凸組合自適應(yīng)濾波器是凸組合兩個(gè)步長(zhǎng)不同的濾波器,。多凸組合濾波器就是把多個(gè)步長(zhǎng)不同的濾波器進(jìn)行凸組合,。本文所提到的基于最大相關(guān)熵的多凸組合自適應(yīng)濾波器就是多個(gè)步長(zhǎng)不同的基于最大相關(guān)熵準(zhǔn)則的濾波器進(jìn)行凸組合。多凸組合的濾波器模型如圖2所示,。接下來介紹基于最大相關(guān)熵的多凸組合濾波器的各個(gè)參數(shù)的設(shè)定,。
假設(shè)采用的濾波器個(gè)數(shù)為L(zhǎng),它們的步長(zhǎng)是從大到小排列(μ1>μ2>…>μL),??紤]L個(gè)基于最大相關(guān)熵的自適應(yīng)濾波器的凸組合,可以得出組合濾波器的輸出為[13]:
組合濾波器的權(quán)重為:
類似于CMCC濾波器,,基于MCC的多凸組合濾波器的性能也可以繼續(xù)被優(yōu)化,,通過引入改進(jìn)后的權(quán)重轉(zhuǎn)移的方法。該方法是用組合的濾波器的權(quán)重去加速其他所有比組合濾波器收斂速度慢的濾波器的權(quán)重,。第i個(gè)濾波器改進(jìn)后的權(quán)重為:
其中,,β是轉(zhuǎn)移系數(shù)。使用式(13)的條件是組合濾波器明顯優(yōu)于部分濾波器,。判斷組合濾波器明顯優(yōu)于部分濾波器的方法是計(jì)算每個(gè)濾波器的相關(guān)熵的估計(jì)量,。相關(guān)熵的估計(jì)量的計(jì)算為:
3 仿真結(jié)果
綜上所述,可知隨著凸組合濾波器個(gè)數(shù)的增加,,收斂性能和追蹤性能也會(huì)越來越好,。但是在濾波器個(gè)數(shù)增加的同時(shí),計(jì)算量也會(huì)線性地增長(zhǎng),,所以為了更好地表現(xiàn)MCMCC的性能同時(shí)又不會(huì)造成計(jì)算量的急劇增加,,本文的仿真結(jié)果采用的是4個(gè)濾波器進(jìn)行凸組合,。
為了進(jìn)一步驗(yàn)證MCMCC算法的收斂性能與跟蹤性能,現(xiàn)將MCMCC算法與CMCC算法用于系統(tǒng)辨識(shí)過程中進(jìn)行計(jì)算機(jī)仿真分析,并分別對(duì)兩種算法進(jìn)行1 000次獨(dú)立仿真實(shí)驗(yàn),求取統(tǒng)計(jì)平均值。同時(shí),為能夠客觀比較系統(tǒng)失調(diào)等性能參數(shù),兩種算法的參數(shù)均選為經(jīng)過大量實(shí)驗(yàn)后的相對(duì)最優(yōu)參數(shù),。其中CMCC算法的相關(guān)參數(shù)選擇如下:取μ1=0.1,,μ4=0.002;對(duì)于本文提出的MCMCC算法,與原算法重合部分的參數(shù)仍取原參數(shù)不變,,即μ1=0.1,,μ4=0.002,同時(shí)選擇其他兩個(gè)濾波器的步長(zhǎng)為:μ2=0.03,,μ3=0.01,。
在本文中,性能的分析是通過歸一化均方差(Normalized Mean Square Deviation,,NMSD)來判定,,其表示為:NMSD=10log10(||W-W0||2/||W0||2)。下面在混合高斯噪聲和突變的系統(tǒng)辨識(shí)中比較MCMCC性能和CMCC性能,。
3.1 混合高斯噪聲下的性能
假設(shè)未知系統(tǒng)沖激響應(yīng)滿足7階FIR模型,,4個(gè)MCC自適應(yīng)濾波器的階數(shù)也為7階,理想輸出為:d(k)=W0TX(k)+N(k),,其中本文設(shè)定W0=[0.9003,,0.5377,-0.2137,,0.028,,-0.7826,-0.5242,,0.0871]′,;輸入信號(hào)X(k)為均值0、方差1的高斯白噪聲序列,;噪聲信號(hào)N(k)為混合高斯噪聲:
從圖3的3幅圖還可以明顯地看出,,在收斂過程最初始的階段,分別是圖3(a)的(0,,67),、圖3(b)的(0,50),、圖3(c)的(0,,21),4-MCMCC和CMCC的收斂曲線重合,。這是因?yàn)樵诔跏茧A段,,權(quán)重系數(shù)發(fā)生快速的變化,而4-MCMCC和CMCC都是μ1在起作用,。在收斂過程中間階段,,分別是圖3(a)的(67,,983)、圖3(b)的(50,,1021)、圖3(c)的(21,,1091),,4-MCMCC算法的收斂速度明顯快于CMCC算法。這是因?yàn)?-MCMCC算法比CMCC算法具有更多的步長(zhǎng),,可以更靈活地調(diào)節(jié)步長(zhǎng),,所以可以更適應(yīng)權(quán)重系數(shù)的變化,從而獲得更快的收斂速度,。在收斂過程進(jìn)入穩(wěn)態(tài)階段時(shí),,4-MCMCC算法要比CMCC算法更快地進(jìn)入穩(wěn)態(tài)狀態(tài),并且4-MCMCC算法也具有低NMSD,這說明4-MCMCC算法可以用更少的迭代次數(shù)就收斂并且保持同CMCC算法一樣的低NMSD,,因此極大地縮小了系統(tǒng)漸進(jìn)穩(wěn)態(tài)的過渡過程,。
3.2 突變環(huán)境下的性能
為了比較兩種算法在權(quán)重突變環(huán)境下的收斂性能和跟蹤性能,使系統(tǒng)的權(quán)重系數(shù)w0在3 000步時(shí)改變?yōu)?w0,,把噪聲參數(shù)固定為(0,,0,0.001,,10,,0.1)。從而得到4-MCMCC算法和CMCC的收斂曲線,,如圖4所示,。從圖4中可以看出,在1 049步之前的初始階段,,4-MCMCC算法的收斂速度明顯快于CMCC算法的收斂速度,,并且有著更低的NMSD;然后,,4-MCMCC在1 049步時(shí)就進(jìn)入穩(wěn)定狀態(tài),,所以4-MCMCC比CMCC更早進(jìn)入穩(wěn)定狀態(tài);當(dāng)在3 000步時(shí),,權(quán)重系數(shù)發(fā)生變化從w0到-w0,,4-MCMCC以比CMCC更快的收斂速度收斂,最后穩(wěn)定到與CMCC同樣的NMSD。這說明4-MCMCC比CMCC有著更好的再收斂性能和追蹤性能,。這是因?yàn)楫?dāng)w0在3 000步改變?yōu)?w0時(shí),,產(chǎn)生了很大的權(quán)重偏差,而4-MCMCC算法有著4個(gè)不同的步長(zhǎng),,可以根據(jù)偏差盡快地調(diào)節(jié)自身的4個(gè)步長(zhǎng)按照不同的比例來收斂,。但是CMCC只有兩個(gè)步長(zhǎng),,它的步長(zhǎng)調(diào)節(jié)有限,所以MCMCC比CMCC在權(quán)重改變時(shí)有著更好的再收斂能力和追蹤能力,。
4 結(jié)論
為了克服CMCC算法中步長(zhǎng)范圍窄而導(dǎo)致收斂性能和追蹤性能低的缺點(diǎn),,本文嘗試將基于最大相關(guān)熵的凸組合濾波器擴(kuò)展為基于最大相關(guān)熵的多凸組合濾波器。理論分析和仿真結(jié)果表明,,MCMCC算法在混合高斯噪聲下,,相比CMCC算法,不僅提高了收斂速度,,而且還保持了低的失調(diào)量,。 MCMCC算法在突變權(quán)重環(huán)境下,相比CMCC算法,,因?yàn)榭梢愿`活地調(diào)節(jié)多個(gè)步長(zhǎng)比重,,所以提高了再收斂能力和追蹤能力。因此,,本算法在系統(tǒng)識(shí)別方面具有較大的實(shí)際應(yīng)用價(jià)值,。
參考文獻(xiàn)
[1] WANG R,Chen Badong.A variable step-size adaptive algorithm under maximum correntropy criterion[C].IEEE International Conference on Acoustic,,Speech and Signal Processing(ICASSP),,2015:1-5.
[2] SINGH A,PRINCIPE J C.Using correntropy as a cost function in linear adaptive filters[C].International Joint Conference on Neural Networks,,Piscataway,,2009:2950-2955.
[3] CHEN B,PRINCIPE J C.Maximum correntropy estimation is a smoothed MAP estimation[J].IEEE Signal Processing Letters,,2012,,19(8):491-494.
[4] ZHAO S,CHEN B,,PRINCIPE J C.Kernel adaptive filtering with maximum correntropy criterion[C].Proceedings of International Joint Conference on Neural Networks,,Piscataway,2011:2012-2017.
[5] CHEN B,,XING L,,LIANG J,et al.Steady-state mean-square error analysis for adaptive filtering under the maximum correntropy criterion[J].IEEE Signal Processing Letters,,2014,,21(11):880-884.
[6] Shi Liming.Convex combination of adaptive filters under the maximum correntropy criterion in impulsive interference[J].IEEE Signal Process Letters,2014,,21(11):1385-1388.
[7] GUIMARAES J P F,,F(xiàn)ONTES A I R,RLGO J B A,,et al.Performance evaluation of the maximum correntropy criterion in identification systems[C].IEEE Conference on Evolving and Adaptive Intelligent Systems,,2016:110-113.
[8] LIU W,,POKHAREL P,PRINCIPE J.Error entropy,,correntropy and m-estimation[C].IEEE International Workshop on Machine Learning for Signal Processing,,2006:179-184.
[9] ARENAS-GARCIA J,F(xiàn)IGUEIRAS-VIDAL A R,,SAYED A H.Steady state performance of convex combinations of adaptive filters[C].International Conference on Acoustics,,Speech and Signal Processing,2005:33-36.
[10] SHI L M,,LIN Y,XIE X Z.Combination of affine projection sign algorithms for robust adaptive filtering in non-Gaussian impulsive interference[J].Electronics Letters,,2014,,50(6):466-467.
[11] FERRER M.Convex combination filtered-x algorithms for active noise control systems[J].IEEE Transaction on Audio Speech and Language Processing,2013,,21(1):156-167.
[12] ARENAS-GARCIA J,,GOMEZ-VERDEJO V,F(xiàn)IGUEIRAS-VIDAL A R.New algorithms for improved adaptive convex combination of LMS transversal filters[J].IEEE Transaction,,2005,,54(6):2239-2249.
[13] ARENAS-GARCIA J,MARTINEZ-RAMIN M,,GOMEZ-VERDEJO V,,et al.Multiple plant identifier via adaptive LMS convex combination[C].IEEE International Symposium on Intelligent Signal Processing,2003:137-142.
作者信息:
吳文靜,,梁中華,,羅倩文,李 巍
(長(zhǎng)安大學(xué) 信息工程學(xué)院,,陜西 西安710064)