UNIVERZITET CRNE GORE

EELEKTROTEHNIČKI FAKULTET

A Full Mean Square Analzsis of CLMS for Second Order

Nonciruclar Inputs
- seminarski rad –

Nastavnik: Kandidat:
Prof. dr Miloš Daković Dražen Jelić
Sadržaj
Sadržaj .................................................................................................................................................... 1
Uvod ....................................................................................................................................................... 1
Uopšteno o CLMS.................................................................................................................................... 6
Informacije vezane za ACLMS ................................................................................................................. 8
Analiza srednjeg kvadrata CLMS-a .......................................................................................................... 9
Rezime standardne analize srednjeg kvadrata ...................................................................................... 10
Puna srednja kvadratna stabilnost CLMS .............................................................................................. 11
Analiza sredstava I srednjih kvadratnih stabilnosti CLMS I ACLMS ....................................................... 12
Simulacija ............................................................................................................................................. 13
Zaključak............................................................................................................................................... 14
Literatura .............................................................................................................................................. 16
Sadržaj
Analiza CLMS algoritma stacionarnog stanja punog srednjeg kvadrata adresirana je za strogo
linearnu procjenu opštih nepravilnih Gaussovih ulaza drugog reda. Po prvi put razmatramo
performanse u smislu razvoja komplementarne greške srednjeg kvadrata (CMSE) i
komplementarne kovarijance (pseudo-kovarijancije) matrice vektora težine greške CLMS-a. Oni
mjere necirkularnost izlazne greške i vektor greške težine i nastaju kada su sistemski ulaz i
sistemska buka drugog reda nepravilni. Nedavno je uvedena približna nekorelirajuća
transformacija (AUT), koja omogućava zajedničku direktnu dijagonalizaciju ulazne kovarijancije
i komplementarne kovarijantne matrice sa jednom pojedinačnom dekompozicijom vrijednosti,
zatim se koristi kako bi se izvukla objedinjena veza na veličini koraka što garantuje
konvergenciju i MSE i CMSE i omogućava njihove izraze zatvorenog oblika u stabilnom stanju.
Predložena je dopunska analiza performansi, zajedno sa uspostavljenom standardnom analizom
performansi srednjeg kvadrata, pruža potpune statističke opise drugog reda i privremenih i
stabilnih performansi CLMS-a za nekružne Gausove ulazne podatke drugog reda.

Uvod
Prije nego krenemo sa CLMS koji predstavlja kompleksni LMS algoritam najprije da kažemo
nesto o LMS algoritmu kao uvod na datu temu.
LMS metod služi za adaptivno otklanjanje smetnji. Njegova primjena je dosta široka, pa ćemo
nabrojati samo neke od slučajeva u kojima se upotrebljava:

• Linearni aspekti ovog algoritma se koriste da razdvoje širokopojasni signal nosioca informacije
od uskopojasnog šuma.

• Za pojačanje sinusoidalnih osobina vremenske serije kod slabog sinusoidalnog signala uz

prisustvo pozadinskog šuma.

• Za otklanjanje eha koji se javlja na mrežama za komunikaciju na velikim udaljenostima.

• Otklanjivač šuma za smanjene vjerovatnoće greške u digitalnim telekomunikacionim

sistemima.

Matematička analiza LMS algoritma je važno sredstvo zbog toga što omogućava odrađivanje
mnogih osobina adaptivnog filtra vršenjem kompjuterske simulacije. Cilj analize je da se odredi
LMS konvergencija i svojstva stacionarnog stanja kao funkcije statistike signala, dužine filtra,
pojačanje povratne sprege itd. Velika prednost je u tome što značajne parametarske vrijednosti
dobijamo tokom analize, dok bi u suprotnom morali obaviti veliki broj simulacija da bi dobili
vrijednosti ovih parametara. Njegova primjena se može ilustrovati kroz sledeći primjer.Dat je
nepoznati sistem. Treba izvršiti identifikaciju primjenom LMS algoritma, predpostavljajući da je
sistem drugog reda.

Neka su dati sledeći podaci:

n 0 1 2 3 4 5 6 7 8 9

x(n) 1 0 -1 2 1 3 0 -2 -1 -4

d(n) 1 -1 -1 1 3 4 3 -2 -3 3
Kod za identifikaciju nepoznatog sistema pomoću LMS algoritma:
% Simulacija identifikacije nepoznatog sistema
function izlaz=simulacija(mi,red_sistema,h)

if red_sistema<1
error('Ne mozete unijeti ovaj red sistema')
end
x=randn(1,100);
N=100;
L=length(h);

d=zeros(1,length(x));
p=[];
for i=1:L
a=[x(1:N+1-i)];
d=d+h(i)*[p [a]];
p=zeros(1,i);

end
WR=[];
W0=zeros(1,red_sistema)';
b=zeros(1,red_sistema);
k=0;
for n=red_sistema:N

k=0;
while k<=red_sistema-1
b(k+1)=x(n-k);
k=k+1;
end
 y=W0'*b';
e=d(n)-y;
Wn=W0+2*mi*e*b';
W0=Wn;

WR=[WR W0];
end
plot(WR'),title('Simulacija identifikacije nepoznatog sistema')

CLMS algoritam uveli su Widrow 1975. koja ima koristi za robusnost i stabilnost LMS-a i
omogućava istovremenu obradu složenih signali.Ovaj algoritam izvodi pristojan stohastički
gradijent u složenoj statistici domena koji to omogućava bolje modeliranje složenih podataka i
postizanje efikasnog ishoda..Ažuriranje težine i izlaz CLMS algoritma je sledeći:

1.Stohastička adaptacija gradijenta za vektor težine može se izraziti kao:

w(k+1)==w(k)+ µe(k)x*(k), w(0)=0

2. Ovaj izlaz algoritma CLMS izračunava se kao:

y=xH(k)w(k) → w(k+1)=w(k)+ µe(k)x*(k)

Šema konveksne strukture algoritma CLMS

Složeni algoritam najmanje srednjeg kvadrata (CLMS) verovatno je najčešće korišćeni adaptivni
algoritam obrade signala u složenom domenu C, čija primjena uključuje komunikaciju, obradu
slike, obradu govora i medicinu. Za vektor težine N × 1 , h (k) = [h1 (k), h2 (k),…, hN (k)]T u
trenutku k, CLMS algoritam ažurira jednostavnu kvadratnu funkciju greške koristeći stohastički
gradijent silazak, koji daje:

e(k)=d(k) - hH(k)x(k)
h(k+1)=h(k)+ µe*(k)x(k)

gde je x (k) = [x1 (k), x2 (k),…, xN (k)]T ∈ CNx1 ulazni vektor, e (k) greška izlaza, m veličina
koraka, dok ( ⋅)H i (⋅)* su hermitski i složeni operator konjugacije. Unutar CLMS-a može se
pretpostaviti da se željeni signal d(k) generiše strogo linearnim modelom procjene (SLE), dat
kao:

d(k) = hoH x(k) +q(k)

gde je ho = [ho1, ho2,…, hoN]T optimalni vektor impulsnog odziva sistema koji treba procjeniti i
q(k) je nula-srednja vrijednost nezavisnog identično distribuiranog šuma varijanse σ2k. Osnovni
rad Horovitza i Sennea razmatra situaciju kada je par željenog i ulaznog signala, {d (k), h (k)},
zajednički kružno distribuiran Gausom. Nula-srednja vrijednost Gausova ulaza x(k) takođe se
implicitno pretpostavlja da je cilindrična drugog reda, sa funkcijom rotacije invarijantne
verovatnoće u kompleksnom domenu C i nestajućom komplementarnom kovarijantnom
matricom

P=E[x(k)xT(k)]=0

Rad u tht-u pruža analizu konvergencije, u postavkama SLE, na osnovu srednje kvadratne greške
(MSE) i kovarijantne matrice vektora težine CLMS-a. Fisher i Bershad proširili su analizu
utvrdivši da matrica koja dijagonalizuje ulaznu matricu kovarijance takođe dijagonalizuje
matricu kovarijance greške težine. To omogućava analizu kovarijantne matrice vektora greške
težine, koja zajedno sa MSE predstavlja standardnu srednju analizu kvadratne konvergencije
složenih algoritama adaptivnog filtriranja. Gornja pretpostavka kružnosti pojednostavljuje okvir
za analizu u mnogim aspektima, jer se na taj način složeno valudirani slučajni signali statistički
ponašaju kao stvarno vrednovani i stoga je implicitno ili eksplicitno usvojen za analizu CLMS-a
i njegovih varijanti u različitim aplikacijama. Nedavni napredak u takozvanoj proširenoj složenoj
statistici uspostavljen je u okviru za analizu necikrularnih slučajnih signala drugog reda, koje
zajednički karakterišu i standardna matrica kovarijance R i komplementarna kovarijancijska
matrica P. Ne-nestajuća komplementarna kovarijancija može biti uzrokovana različitom snagom
u stvarnom i imaginarnom dijelu, ili stepenom korelacije između stvarnog i imaginarnog dijela ili
oba. Zbog toga, da bismo koristili sve dostupne informacije drugog reda, moramo uzeti u obzir i
komplementarnu kovarijantnu matricu P, pored standardne kovarijantne matrice R=E[x(k)xH(k).
Koncept usko povezan sa proširenom kompleksnom statistikom je takozvana široko linearna
procjena (WLE), koja smatra da se željeni signal, dwl(k) generiše široko linearnim modelom
dwl(k)=h0Hx(k)+g0Hx*(k)+q(k)

gdje je g0=[g01, g02,…, g0N]T takozvani vektor impulsnog odziva konjugovanog optimalnog
sistema, povezan sa ulaznim konjugatom x*(k). WLE se stoga može smatrati uopštenim okvirom
procjene u složenom domenu C i pružio je prednosti modeliranja u odnosu na SLE u brojnim
aplikacijama u obradi signala, komunikacijama, elektroenergetskim sistemima, biomedicinskom
inženjerstvu i obnovljivoj energiji. Na primer, proširena složena statistika otvorila je mogućnost
dizajniranja adaptivnog algoritma tipa LMS na široko linearnom modelu, čiji je primer prošireni
CLMS koji se daje kroz sledeće formule:

e(k)=dwl(k)-hH(k)x(k)-gH(k)

h(k+1)=h(k)+ µe*(k)x(k)

g(k+1)=g(k)+ µe*(k)x(k)

U poređenju sa standardnim CLMS, ACLMS ažurira dodatni vektor težine g0(k) kako bi se
pratio optimalni vektor impulsnog odziva konjugovanog sistema, g0, povezan sa željenim dwl(k)
signalom generisanim široko linearnim modelom. Zbog prednosti široko linearnog modeliranja,
ACLMS drugog reda optimalan je i za WLE i za SLE drugog reda kružnog i necikrularnog
nusrednjeg Gausovog ulaznog signala, jer uvjek daje srednju kvadratnu grešku (MSE) koja je
manja ili jednaka onom strogo linearnog CLMS-a.

Informacije vezane za ACLMS

Algoritam ACLMS ima isti generički oblik kao i standardni CLMS, lako ga je primjeniti, ali
uzima u obzir punu dostupnu statistiku drugog reda složenih vrijednosti ulaza (nekružnost) u
domenu adaptivnog oblikovanja snopa koji koristi drugi red statističke informacije. To se postiže
na osnovu određenog napretka u složenim statistikama sa upotrebom široko linearnog
modeliranja. Tako se ovaj model naziva i široko linearnim LMS-om. The ACLMS ima prednosti
u odnosu na CLMS,uključujući:

1. U slijepom razdvajanju izvora, možda će moći da se bavi više izvorima nego

zapažanjima.

2. Poboljšan oporavak signala u šemama komunikacione modulacije.

3. Poboljšan smjer procjene dolaska u obradi proširenog niza signala.

4. Analiza proširenih algoritama za obradu signala koristi posebne matrične strukture koje
ne postoje u standardnoj složenoj obradi signala.

Osnovni algoritam ACLMS-a je sledeći:

1. Izlaz ACLMS-a je:

 𝑁
y(k)=∑ [ℎ𝑛 (𝑘)𝑧(𝑘 − 𝑛) + 𝑔𝑛 (𝑘)𝑧(𝑘 − 𝑛)] → y(k)=hT(k)z(k)+gT(k)z*(k)
𝑛=1

2. Ažuriranje težine:
𝜕𝐽(𝑘)
∆wn(k)=−𝜇𝛻𝑤𝑛 𝐽(𝑘) = −𝜇 𝜕𝑤(𝑘)

Gdje wn(k)=wrn(k)+jwin(k) je složena težina i 𝜇 stopa učenja, mala pozitivna konstanta.

h(k+1)=h(k)+ 𝜇e(k)z*(k)
g(k+1)=g(k)+ 𝜇e(k)z*(k)

3. Vektor povećane težine:

wa(k)=[hT(k),gT(k)]T

4. Konačni oblik ACLMS-a, kako slijedi:

wa(k+1)= wa(k)+ 𝜇e(k)za*(k)
gde je trenutna greška „uvećanja“
e(k)=d(k)-zaT(k)wa(k)

Analiza srednjeg kvadrata clms-a

U statistikama, srednja kvadratna greška (MSE) ili srednja kvadratna devijacija (MSD)
procenitelja (postupka za procjenu neopažene veličine) mjeri prosjek kvadrata grešaka - to jest,
prosječnu kvadratnu razliku između procenjenih vrijednosti i stvarne vrijednosti. MSE je
funkcija rizika koja odgovara očekivanoj vrijednosti kvadrata gubitka greške. Činjenica da je
MSE gotovo uvjek strogo pozitivna (a ne nula) je zbog slučajnosti ili zato što procjenjivač ne
uzima u obzir informacije koje bi mogle dati tačniju procjenu. MSE je mera kvaliteta
procenjivača - uvek je negativan, a vrijednosti bliže nuli su bolje.

Razmotrimo upotrebu CLMS koje su sadržane u prvo napisanim formulama:

e(k)=d(k) - hH(k)x(k)
h(k+1)=h(k)+ µe*(k)x(k)
za SLE željenog odziva d(k),dat u formuli d(k) = hoH x(k) +q(k). Nakon predstavljanja Nx1
tezinskog vektora greške:
̂ (𝑘) = ℎ(𝑘) − ℎ0
ℎ

izlazna greška h(k) u prvoj formuli postaje:

ⅇ(𝑘) = 𝑔(𝑘) − ℎ̃𝐻 𝑥 (𝑘)

dok za konjugaciju imamo

 𝑇
̃ (𝑘)𝑥∗ (𝑘)
e*(k)=q(k)-ℎ

Iz osnovne napisane formule h(k), rekurzija za evoluciju vektora greške težine h (k) sada postaje:

ℎ ̃(𝑘) + 𝜇 (𝑔̇ (𝑘) − ℎ𝑇 (𝑘)𝑥∗ (𝑘)) 𝑥(𝑘)=(𝐼 − 𝜇𝑥(𝑘)𝑥𝐻 (𝑘)) ℎ

̃(𝑘 + 1) = ℎ ̃(𝑘) + 𝜇𝑔∗ (𝑘)𝑥(𝑘)

Gdje je I matrica indetiteta NxN.

Rezime standardne analize srednjeg kvadrata

Standardni kriterijum učinka srednje kvadratne greške (MSE) CLMS, označen sa J (k), može se
definisati kao:

J(k)=E[|e(k)|2]=E[e(k)e*(k)]

Gde je E [∙] je operator statističkog očekivanja, a |∙| označava apsolutnu vrijednost kompleksnog
broja.Da bi se pomogla teorijska srednja kvadratna analiza performansi CLMS-a sa
matematičkom traktabilnošću,standardna pretpostavka nezavisnosti koja se obično koristi u
analizi adaptivnog filtriranja, odnosno sistemski šum q(k) je statistički nezavisan od bilo kog
drugog signala u CLMS algoritmu i vektora greške težine ℎ ̃(𝑘) statistički nezavisan od unosa
adaptivnog filtra x(k) koji se ubacuje u gore navedene formule i dobija se:
𝐻 𝐻
̃ (𝑘)x(k)xH(k) [ℎ
J(k)= σ2q+E[ℎ ̃ (𝑘)]= σ2q+tr[RK(k)]

Gdje je tr[∙] prateći matrični operator:

̃
̃(𝑘)ℎ𝐻 (𝑘)]
K(k)= E[ℎ

je matrica kovarijance greške težine. Međutim, treba napomenuti da je primjena nekih čestica,
poput izjednačavanja slijepog kanala, nezavisnost između ℎ ̃(𝑘) i h(k) možda narušena. Analiza
prosječnih kvadrata performansi potraživanja sada počiva na standardnim karakteristikama
drugog reda vektora greške težine ℎ̃(𝑘). Množenjem obje strane formule h(k + 1) i ℎ ̃(𝑘 + 1),
uzimajući statističko očekivanje E [∙] i koristeći standardne pretpostavke o nezavisnosti,
evolucija matrice kovarijancije grešaka težine K(k) je:
̃
̃(𝑘)ℎ𝐻 (𝑘)x(k)xHd(k)])
K(k+1)=K(k)- 𝜇(RK(k)+K(k)R)+ 𝜇 2(σ2qR+E[x(k)xH(k)ℎ

Nakon primjene Gausove teoreme o faktoringu četvrtog reda sredjivanjem date forumule na
kraju dobijamo:

K(k+1)= K(k)- 𝜇(RK(k)+K(k)R)+ 𝜇 2(σ2qR+RK(k)R+PK*(k)P*+Rtr[RK(k)])

Formule,
𝐻 𝐻
̃ (𝑘)x(k)xH(k) [ℎ
J(k)= σ2q+E[ℎ ̃ (𝑘)]= σ2q+tr[RK(k)]
K(k+1)= K(k)- 𝜇(RK(k)+K(k)R)+ 𝜇 2(σ2qR+RK(k)R+PK*(k)P*+Rtr[RK(k)])
zajedno opisuju standardne srednje kvadratne performanse CLMS algoritma za drugi red
necirkularnih Gausovih ulaznih podataka.

Puna srednja kvadratna stabilnost CLMS-a

Sada razmatramo dovoljne uslove za potpunu srednju kvadratnu konvergenciju vektora greške
težine h (k) CLMS-a za opšte necirkularne Gaussove ulazne podatke drugog reda. To je izazovno
u smislu da je potrebna istovremena dijagonalizacija obe matrice kovarijancije R i
komplementarnu kovarijantnu matricu P. Da bi se obojica rešili problema dijagonalizacije sa
kojim se susreće SUT i pojednostavili analizu, koja omogućava dijagonalizaciju R i P na osnovu
jedne dekompozicije pojedinačne vrednosti (SVD), bez nekih razumnih aproksimacija.
Takagi faktorisanje kaže da bilo koja složena simetrična matrica, poput komplementarne
kovarijantne matrice P = PT, može biti dijagonalizovana kao:

𝑃 = 𝑄𝛬𝑃 𝑄𝑇

Dok je konjugovani oblik:

P*=𝑄∗ 𝛬𝑃 𝑄𝑇

Gdje je Q jedinstvena matrica,QQH=𝐼 i 𝛬𝑃 = diag{p1,p2,…,pN} je dijagonalna matrica unosa

stvarnih vrijednosti gdje p1≥p2≥…≥pN su nenegativni kvadratni korjeni PPH. Približna
nekorelirajuća stanja transformacije koja je ista matrica Q može koristiti, koristiti približno
dijagonalizacijom kovarijantne matrice R, tako da:

𝑅 ≈ 𝑄𝑟 𝛬𝑟 𝑄𝐻
Inverzovana verzija:

𝑅−1 ≈ 𝑄𝛬−1
𝑟 𝑄
𝐻

Performanse CLMS-a u stabilnom stanju u odnosu na stepen ulazne necirkularnosti

Od posebnog je interesa pronaći eksplicitnu vezu između stepena ulazne necirkularnosti i punih
stabilnih performansi CLMS-a. Da bismo pojednostavili našu analizu, uzimamo u obzir postavku
gde je neokružni Gausov ulaz drugog reda xr(k) dvostruko bijeli (DW), za koji 𝑥𝑟 (𝑘) ⊥ 𝑥𝑖 (𝑘) i:

R=𝜎2𝑥 𝐼
̃2 𝐼
R=𝜎𝑥

̃2 =E[x2(k)] su varijansa i komplementarna varijansa x(k).

Gdje je 𝜎2𝑥 =E[x(k)x*(k)] kao I 𝜎𝑥
Budući da su dijagonalni element pi ,i=1,2,3,…,N u 𝛬𝑃 , dobijeni Takagi faktorisanjem,
nenegativni kvadratni koreni PPH, za dvostruko bijele nekružne podatke drugog reda imamo
̃2 |2 i, prema tome:
PPH=|𝜎𝑥
𝜆𝑖 = 𝜎2𝑥

̃ 2𝑥 |
pi= |𝜎

Razmotrimo mjeru,𝜂,stepena ulazne necirkularnosti u signalu, definisanu kao odnos apsolutne

̃ 2𝑥 prema varijansi 𝜎2𝑥 , dajući 𝜂=|𝜎
vrijednosti njegove komplementarne kovarijantne 𝜎 ̃ 2𝑥 |/𝜎2𝑥 koja
je ograničena iznutra

Analiza sredstava i srednjih kvadratnih stabilnosti CLMS I ACLMS

Ovdje ispitujemo granice veličine koraka m, dajući uvid u konvergenciju CLMS i ACLMS
algoritma. Postaji oblik vektorske matrice za vektore težinske greške

Vrste unosa 𝟐 𝟏 𝟏 𝝁max

𝝀𝒎𝑨 𝒙 (𝑪𝒂𝒙𝒙 ) 𝝀 𝒎𝒂𝒙(𝑨 𝑩) −𝟏 𝝀 𝒎𝒂𝒙(𝝀(𝑯) ∈ ℝ+ )

Gausov ulaz 1.2795 1.2853 0.9109 0.9109

Uniformni 0.9769 0.9752 0.6614 0.6614

Simulacija MSE (isprekidana linija) i teorijske granice (puna linija) CLMS-a u funkciji veličine koraka m za (a)
Gaussov ulaz (b) Jedinstveni ulaz.
Nakon primene operatora statističkog očekivanja i korišćenja „proširene“ notacije za vektor
𝑇
greške u težini𝑤
̃ (𝑘) = [ℎ ̃ 𝑇 (𝑘)]T mi dobijamo:
̃ (𝑘),𝑔

̃ (𝑘 + 1)=( 𝐼- μCa*xx)E[𝑤
E[𝑤 ̃ (𝑘)]

Vršeći analizu načina konvergencije s obzirom na konjugovanu proširenu kovarijantnu matricu

Ca*xx, a imajući u vidu da su sopstvene vrednosti Ca*xx identične onima iz Ca*xx, lako je pokazati
da je veličina koraka ograničena:
2
0<μ< 𝜆 𝑚𝑎𝑥 (𝐶𝛼𝑥𝑥 )

Gdje je 𝜆 𝑚𝑎𝑥(𝐶𝑥𝑥𝛼 )
je najveća sopstvena vrijednost proširene matrice kovarijance 𝐶𝛼𝑥𝑥.
Uzimajući u obzir da izraz zadovoljava oblik evolucije srednjeg vektora greške težine, tada se,
kako je prikazano, granice veličine koraka m mogu pooštriti na osnovu λ(F(μ)) < 1 gdje je:

F(μ) = I − μA + μ2B

Nakon argumenta, konačno možemo utvrditi ograničenje veličine koraka u obliku:

0 <μ< min{1/λmax(A−1B), 1/max(λ(H) ∈ ℝ+)}

Gdje je H definisano kao:

Veličina koraka µ za Gausov ulaz Veličina koraka µ za uniforni ulaz

Simulacija

Prvi set simulacija izveden je u postavci predviđanja u jednom koraku, za nekružni kompleksni
signal generisan široko linearnim autoregresivnim (AR) modelom
r(k + 1) = 0.5r(k)+0.2r*(k) + q(k)

Svi grafikoni su dobijeni u prosjeku sa 200 nezavisnih ispitivanja. Analiza ne zahtjeva da ulazni
podaci budu Gausovi, a istražena su dva slučaja složene dvostruko bijele kružne buke q(k):
Gaussova i uniformna, sa nultom srednjom varijansom i jedinicnom varijansom. Ovo je dalje
ilustrovano na slici.

Poređenje teorijskog i simuliranog MSE stabilnog stanja algoritama CLMS i ACLMS: prve dvije nekružni šum (r =
0,1) i druge dvije neokruženi šum (r = 0,5)

prikazuje simulirane MSE krive (isprekidana linija) i teorijske granice (puna linija). Druge dvije
slike ispod prikazuje simulirane i teoretske MSE krive stacionarnog stanja CLMS i ACLMS u
funkciji veličine koraka m - one se dobro slažu sa teorijskim rezultatima.Skup simulacija izveden
je u postavci identifikacije sistema, gde je sistem koji treba identifikovati bio strogo linearni FIR
kanal dužine L = 4 sa koeficijentima ho = [1.79, −1.85, 1.27, −0.41]T ulazni signal q(k) bio je
vrijednosni dvostruko bijeli Gausov šum sa nultom sredinom i jedinicnom varijansom. Željeni
signal je imao stvarnu vrednost d(k) = Re {xT(k) h0}, a izlaz filtera je kontaminiran nekružnim
Gaussovim šumom:

q(k)=√1 − 𝑝2 qr (k)+𝑗𝑝qi(k)

na nivou SNR od 30 dB; komponente qr(k) i qi(k) su nekorelirani realno bijeli Gausovi procesi sa
nultom sredinom i jedinicom varijanse. Promjenom vrijednosti r ∈ [0,1], možemo kontrolisati
stepen necirkularnosti q(k). Prva slika u donjem redu ilustruje teorijski i simulirani MSE
algoritama CLMS i ACLMS za dva slučaja nekružnog šuma (r = 0,1, 0,5). U oba slučaja,
teorijski rezultati su se dobro slagali sa simulacijama, a po želji je ACLMS algoritam pružio
manji MSE od CLMS-a.
Zaključak
Uvedena je potpuna analiza privremenih i stabilnih stanja performansi složenog najmanjeg
srednjeg kvadrata (CLMS) za striktno linearnu procjenu nekružnih Gausovih ulaznih podataka
drugog reda. To je postignuto zajedničkim razmatranjem pokrivenosti komplementarnih
statistika drugog reda,greške i vektor greške težine, odnosno komplementarna srednja kvadratna
greška i komplementarna kovarijancijska matrica vektora greške težine CLMS algoritma.Analiza
performansi srednjeg kvadrata standardnog kompleksnog najmanjeg srednjeg kvadrata (CLMS) i
široko linearnog proširenog CLMS (ACLMS) algoritma izvedena je za filtriranje neokružnih
kompleksnih signala drugog reda. Pokazano je da je CLMS neoptimalan za nekružne procese
drugog reda, a prednost ACLMS-a u odnosu na CLMS kvantifikovana je korišćenjem pristupa
očuvanju energije. Simulacije u široko linearnom scenariju predviđanja i identifikaciji sistema
podržavaju analizu.
Literatura
[1] A Full Mean Square Analysis of CLMS for Second-Order Noncircular Inputs by Yili Xia and
Danilo Mandic
[2] Ljubiša Stankovic, “Digital Signal Processing“
[3] Performance Analysis of the Deficient Length Augmented CLMS Algorithm for Second
Order Noncircular Complex Signals by Yili Xiaa, Scott C. Douglasb, Danilo P. Mandic
[4] A Variable Step-size CLMS Algorithm and Its Analysis by Xinfeng FAN, Zhiliang TAN,
Peijiao SONG, Liwei CHEN
[5] New Insights on MSE Behavior of the Widely-Linear LMS Algorithm by Undergraduate
Thesis presented to the Federal University of Santa Catarina as a requisite for the bachelor
degree of Electronics Engineering.