假 设 存 在 2 个 n 维 信 号 向 量 序 列 {x(k)∈Rn×1}{x(k)∈ℝn×1} 和
{y(k)∈Rn×1}{y(k)∈ℝn×1} , 其 自 相 关 矩 阵 分 别 为 {y(k)∈Rn×1}
{y(k)∈ℝn×1} 和 Ry=E[y(k)yT(k)]Ry::=E[y(k)yT(k)]:。 显 然 , 自 相 关 矩 阵
RxRx 和 RyRy 是 2 个正定的 Hermitian 矩阵。将 RxRx 和 RyRy 组合成矩阵束
(Ry,Rx)(Ry,Rx)Ry,Rx),则 GEVD 问题就是计算 n 维非零向量 pp 和标量 λ,使
式(1)成立。
Ryp=λRxp (1)Ryp=λRxp (1)
其中,pp 和 λ 分别表示矩阵束(Ry,Rx)(Ry,Rx):的广义特征向量和广义特征
值。显然对于任意非零常数 a,apap 也是矩阵束(Ry,Rx)(Ry,Rx):的广义特征向
量。为了方便后续使用,这里将矩阵束(Ry,Rx)(Ry,Rx):中关于 RxRx 正交、且
模值为 1 的广义特征向量 vivi 和对应的广义特征值组成特征对(λi,vi)(λi,vi),其
中 i=1,2,…,n。进而根据 GEVD 的性质,有
{vTjRxvi=δijvTiRyvi=λi (2){vjTRxvi=δijviTRyvi=λi (2)
其中,i,j∈{1,2,⋯,n}i,j∈{1,2,⋯,n},δ
i j
为 Kronecker 函数。
将矩阵束(Ry,Rx)(Ry,Rx):的所有广义特征值按照从大到小的顺序进行排序,
即
λ1≥λ2≥⋯≥λ>0 (3)λ1≥λ2≥⋯≥λ>0 (3)
所对应的广义特征向量也相应调整,则广义特征值 λ
1
对应的广义特征向量
v1v1 是信号的广义主元。
3 本文算法的提出
为了自适应地估计信号的广义主元,本文考虑式(4)所示的 Hebbian 线性神
经元模型。
g(k)=wT(k)h(k) (4)g(k)=wT(k)h(k) (4)
其 中 , h(k)∈Rn×1h(k)∈ℝn×1 表 示 神 经 元 的 输 入 ,
w(k)∈Rn×1w(k)∈ℝn×1 表示神经元的权向量,g(k)表示神经元的输出。利用
评论0
最新资源