基于最大峰度準則的非因果AR系統(tǒng)盲辨識

一、引　　言

　　在地震勘探、通訊和水聲信號處理等許多領(lǐng)域，經(jīng)常需要辨識非因果系統(tǒng).要解決這類非因果系統(tǒng)的盲辨識問題、單靠相關(guān)函數(shù)是不夠的，因為它不包含系統(tǒng)的相位信息［1］.

　　基于高階統(tǒng)計量的系統(tǒng)辨識方法在近年來受到了高度的重視.同基于相關(guān)函數(shù)的傳統(tǒng)辨識方法相比較，高階統(tǒng)計量的優(yōu)點在于：1.可保留系統(tǒng)的相位信息，從而有效地辨識非最小相位、非因果系統(tǒng).2.可以抑制加性有色噪聲的影響，提高算法的魯棒性.在各種高階統(tǒng)計量中，四階統(tǒng)計量由于計算相對簡單，可以處理對稱分布信號而受到人們的特別重視，成為許多算法的基礎(chǔ).

　　在文獻［3］的基礎(chǔ)上，本文提出了最大峰度準則，并將其應(yīng)用到非因果系統(tǒng)的辨識中.通過非線性優(yōu)化中的梯度法，本文設(shè)計了一種AR系統(tǒng)的盲辨識算法，并證明了它的全局收斂性，給出了算法在平衡點附近的收斂速度.算法通過構(gòu)造逆濾波器的方法來進行盲辨識，同時通過基于高階累積量的自學習算法用逆濾波器的系數(shù)逼近AR系統(tǒng)的參數(shù).這個算法可以辯識非因果系統(tǒng)并且也可用于反卷積或者盲均衡.由于采用了高階累積量，算法對高斯觀測噪聲有較好的魯棒性.

二、基于最大峰度準則的系統(tǒng)辨識算法

　　設(shè)有一未知的線性時不變系統(tǒng)H，其輸入序列{u(n)}也未知，我們只觀測到其輸出序列{x(n)},n=0,1,…,N-1，其中N為測量序列的長度.系統(tǒng)模型為

x(n)=u(n)*h(n)+w(n)　(1)

其中{w(n)}是量測噪聲.h(n)是未知的線性時不變系統(tǒng)H的單位脈沖響應(yīng).

　　對這個模型中的信號特性做如下假設(shè)：

　　(A1)線性時不變系統(tǒng)H是穩(wěn)定的，但它不一定是最小相位，也不一定是因果的，它存在一個穩(wěn)定的逆系統(tǒng)H-1.

　　(A2){u(n)}是平穩(wěn)的零均值非高斯實信號，而且是一個獨立同分布信號，它的m階累積量γm存在，m3.加性噪聲{w(n)}服從高斯分布，其統(tǒng)計特性未知，且與輸入信號{u(n)}相獨立.

　　設(shè)對逆系統(tǒng)H-1的估計為V，則V的輸出{y(n)}為

y(n)=x(n)*v(n)=u(n)*g(n)+w′(n)　(2)

其中w′(n)=w(n)*v(n)仍為一高斯噪聲，g(n)是由下式給出的穩(wěn)定的濾波器

g(n)=h(n)*v(n)　(3)

　　與通常的峰度定義不同，定義信號x(t)的(規(guī)范化的)峰度K42x為

K42x=c4x(0,0,0)/［c2x(0)］2=γ4x/［σ2x］2　(4)

　　為了克服Shalvi Weinstein提出的準則［2］中要求信號的方差相等的限制，可以把式(4)定義的(規(guī)范化)的峰度值做為準則函數(shù)，這使它更適合于實際應(yīng)用環(huán)境定義的準則函數(shù)為

J(v(n))=|K42y|=|γ4y/(σ2y)2|　(5)

　　需要說明的是，這個準則函數(shù)實際上是Chi Wu［3］提出的一大類準則函數(shù)中的一個特例.他們提出的準則函數(shù)為：

Jl+s,2s(v(n))=|γl+s,y|2s/|γ2s,y|l+s　(6)

其中l(wèi)＞s1.

　　顯然，式(5)是式(6)在l=3,s=1時的特例.該準則函數(shù)的有效性在［3］中得到了證明，但本文將證明基于式(5)這個準則的算法的全局收斂性和收斂速度.

　　對于非因果AR系統(tǒng)，其逆濾波器是一個因果MA系統(tǒng)和一個反因果MA系統(tǒng)的極聯(lián)，設(shè)這兩個系統(tǒng)分別為ω(i)和(i).針對上面的準則函數(shù)，可以利用非線性優(yōu)化中的梯度法，得到ω(i)和(i)的自學習算法為：

　(7)
　(8)

　　式中的數(shù)學期望在實際應(yīng)用中都由相應(yīng)的均值估計代替.當K42x為正時，x(t)為所謂超值，保證K42y不斷向正的方向增大；當K42x為負時，x(t)為亞高斯(Sub-Gaussian)信號，α取負值，K42y不斷減小，|K42y|增大.

三、算法的全局收斂性

　　因為本文采是非線性優(yōu)化方法，這就必然涉及到一個問題：算法收斂到的是全局極值點還是局部極值點?下面的定理表明算法必然收斂到全局極值點.

　　定理：式(7)，式(8)的算法的收斂點是全局極值點.

　　證明：根據(jù)輸入和輸出之間高階累積量的關(guān)系，可以把準則函數(shù)改寫為

J(v(n))=|K42u|∑g4(n)/［∑g2(n)］2　(9)

去掉其中與輸入有關(guān)的常數(shù)，可以把目標函數(shù)進一步簡化為

J(g(n))=∑g4(n)/［∑g2(n)］2　(10)

　　由式(10)，得到下列駐點方程

j=1,2,…　(11)

　　由式(11)，駐點為g(j)=0或g2(j)=c,其中c=∑g4(i)/∑g2(i)為一常數(shù).為了便于敘述，定義由駐點gM(j)組成的集合GM,M=1,2,…,即
GM={gM:gM(j)符合式(11)，且gM中有M個非零元素}　(12)

　　由文獻［3］關(guān)于準則有效性的證明，知道G1是由所有全局極值點組成的集合，下面證明GM，M2是由不穩(wěn)定平衡點(鞍點)組成的集合，即利用本算法不會收斂到局部極值點.
　　假定∈GM為

　(13)

其中IM=(k1,…,KM)是一個有M個不重復正整數(shù)的集合.構(gòu)造一個向量.

　(14)

它的準則函數(shù)為

　(15)

　　只要ε＞0，上面的不等式就嚴格成立.也就是說，在的任何小的領(lǐng)域里，總存在使得J()＞J()，所以∈GM不可能是局部極大值.下面證明它也不是局部極小值.
　　設(shè)kM+1IM，構(gòu)造如下的一個向量g)

　(16)

它的準則函數(shù)為

　(17)

因為c＞ε＞0，上面的不等式嚴格成立，所以∈GM不可能是局部極小值.
　　綜上所述，∈GM,M2是準則函數(shù)的不穩(wěn)定平衡點.因此按照式(7)，式(8)的梯度尋優(yōu)算法收斂到的必然是全局極值點.證畢.

　　上述定理表明，本算法對任何初始值都不會收斂到不希望的局部極值點，這無疑是一個非?？少F的性質(zhì).本文例2的仿真結(jié)果說明了這一性質(zhì).

四、算法的收斂速度
　　下面考慮算法的收斂速度.不失一般性，假設(shè)平衡點為(i)=δ(τ),g(i)為偏離平衡點的一個迭代值.

　(18)

　　定義則有，

≈(1-4ε0)/|1+ε-2ε0|2-1(推導中去掉了分子中ε,ε0所有的二次以上項)
≈(1-4ε0)|1-ε+2ε0|2-1
≈-2ε(推導中去掉了ε,ε0所有的二次以上項)　(19)

　　由式(18)和(19)，得到

J(g)-J()∝‖g-‖2　(20)

　　可見在全局極值點附近，準則函數(shù)是以平方速度變化的.因此本文提出的基于梯度法尋優(yōu)的學習算法在平衡點附近將線性收斂.從下節(jié)例1的圖1和圖2中可以看到在接近收斂點附近，辨識的各個參數(shù)都以幾乎相同的斜率收斂到終值.

圖1　反因果部分辨識過程

圖2　因果部分辨識過程

五、仿真結(jié)果

　　此處給出兩種典型情況的仿真結(jié)果，在所有仿真中加性觀測噪聲為高斯白噪聲，輸入信號是指數(shù)分布的隨機過程(均值為零，λ=1)，數(shù)據(jù)長度為3000.學習常數(shù)開始時為0.5，在學習過程中逐漸減小為0.1.對每個例子均為30次Monte Carlo實驗.

　　例1.(非因果系統(tǒng)的辨識)真實AR模型為

它的極點位于-0.0506±j0.6532，-0.6988，和-1.7500±h1.3919，信噪比SNR=10dB辨識時取m=5和n=5，即因果MA部分和反因果MA部分分別比實際模型高兩階和三階.辨識結(jié)果見表1和表2.

表1　非因果AR系統(tǒng)的因果部分辨識結(jié)果