(7-49)
考虑 矢量的第 个模式,则式所示的最速下降法的迭代公式变为
(7-50)
式中, 为自相关矩阵 R 的第个 特征值, 为矢量 的第个 元素。
上式为 的一阶齐次方程。若设 的初始值为 ,则该差分方程的
解为
(7-51)
由于矩阵 R 为正定阵,其特征值均为正实值。这样, 构成了一个
等比级数,其公比为 。为了保证最速下降法稳定收敛,必须有
(7-52)
即保证 的幅值小于 。当迭代次数 时,最速下降法的各个模式均趋
于 ,而与初始状态无关。这意味着当 时,自适应滤波器的权矢量趋于最
佳权矢量 。将式写成矢量形式,有
(7-53)
由式可以得到最速下降法收敛因子的限制条件:
(7-54)
式中, 为自相关矩阵 R 的最大的特征值。
最速下降法的主要优点是它的简单性,然而,这种方法需要大量的迭代,才能使算法收敛
于充分接近最优解的点。这个性能是由于最速下降法是以围绕当前点的性能表面的一阶近
似为基础的。在实际应用中,如果计算的简单性相对重要,则选择最速下降法是合适的。
然而,如果收敛速度是更重要的,可以选用牛顿法及其改进方法,这里就不再讨论了。
【 例 7-2 】 均 方 误 差 性 能 函 数 为 , 初 值 权 值 为
0,μ=0.05,给出最速下降法的学习曲线。
已知