首页 | 新闻 | 新品 | 文库 | 方案 | 视频 | 下载 | 商城 | 开发板 | 数据中心 | 座谈新版 | 培训 | 工具 | 博客 | 论坛 | 百科 | GEC | 活动 | 主题月 | 电子展
返回列表 回复 发帖

最小均方算法(LMS Algorithm)理论及DSP实现

最小均方算法(LMS Algorithm)理论及DSP实现

LMS算法可认为是机器学习里面最基本也比较有用的算法,神经网络中对参数的学习使用的就是LMS的思想,在通信信号处理领域LMS也非常常见,比如自适应滤波器。
         本文主要对LMS(Least Mean Square)算法进行简单的整理,包括内容:
         (1)理论上介绍基于LMS的梯度下降算法(包括BACH/STOCHASTIC),给出一个matlab的实现
         (2)DSP上的实现,主要使用C语言
         1. LMS算法理论
         问题引出
         因为本人感兴趣的领域为机器学习,因此这里先说明下学习的过程,给定这样一个问题:某地的房价与房地面积和卧室的数量之间成如下表的关系,
Living area (feet2)       #bedrooms          Price (1000$s)
2104                              3                           400
1600                              3                           330
2400                              3                           369
1416                              2                           232
3000                              4                           540
         据此,我们要通过分析上面的数据学习出一个模型,用于预测其它情况(比如面积2000,卧室数5)的房价。这就是一个学习问题,更简洁的说,就是一个概率里的回归问题。这里固定几个符号:x表示输入([Living area,bedrooms]),y表示输出(Price),h表示要学习的模型,m表示输入每个数据维度(这里是2),n表示输入数据的个数(这里是5)。
         该学习过程的可以描述如下图,
         h必定与面积和卧室数相关,.这里不考虑复杂的情况,假设模型是线性的(实际其它问题中很可能是其它关系模型,比如exp)
         .
         .令x1=1,则 。这里,我们考虑上面的房价问题,还是将w0忽略。
         为了获得h(x),现在的问题是什么呢?那就是:怎样获得h(x)的w1~w2的值。
         我们再对问题进行描述:
         已知——上面的数据表格,线性模型(不知道参数)
         求解——参数w1~w2
         引入一个函数,叫损失函数
         就是最小二乘法中计算误差的函数,只是前面添加了1/2,表示什么意思呢?损失函数越小,说明模型与当前已知数据的拟合程度越好,否则越差。因此,求解w1~w2的目标就是求解J(w)最小,这就用到了LMS算法。
         LMS算法
         LMS算法是一个搜索算法,假设w从某个给定的初始值开始迭代,逐渐使J(W)朝着最小的方向变化,直到达到一个值使J(w)收敛。考虑梯度下降算法(gradient descent algorithm),它通过给定的w值快速的执行如下的更新操作:
         其中为学习率(Learning rate)。
         要对w更新,首先需要完成上面的求导,求导的结果参见下面的算法流程。
         对一个单一的训练实例j,
         按照上述的更新方法,对多个实例的更新规则为
Repeat until convergence {
        for every j, exec
}
         这种更新的梯度下降方法称为batch gradient descent。还有一种更新的方式:采用随机的样本数据实例,如下
Repeat until convergence {
        for every j, exec
}
         这种方法称为stochastic gradient descent (或者incremental gradient descent)。
         两种方法的明显区别是batch的训练时间要比stochastic常,但效果可能更好。实际问题中,因为我们只需要找到一个接近使J(w)最小的值即可,因此stochastic更常用。
         说了这么久,LMS到底能用来干嘛,其实上面已经很清楚了:参数训练中的求极值。
         在matlab上对stochastic gradient descent 的实现如下:
    function [test_targets, a, updates] = LMS(train_patterns, train_targets, test_patterns, params)  
      
    % Classify using the least means square algorithm  
    % Inputs:  
    %   train_patterns  - Train patterns  
    %   train_targets   - Train targets  
    %   test_patterns   - Test  patterns  
    %   param           - [Maximum iteration Theta (Convergence criterion), Convergence rate]  
    %  
    % Outputs  
    %   test_targets    - Predicted targets  
    %   a               - Weights vector  
    %   updates         - Updates throughout the learning iterations  
    %  
    % NOTE: Suitable for only two classes  
    %  
      
    [c, n]                  = size(train_patterns);  
    [Max_iter, theta, eta]  = process_params(params);  
      
    y               = [train_patterns ; ones(1,n)];  
    train_zero      = find(train_targets == 0);  
      
    %Preprocessing  
    processed_patterns               = y;  
    processed_patterns(:,train_zero) = -processed_patterns(:,train_zero);  
    b                                = 2*train_targets - 1;   
      
    %Initial weights  
    a               = sum(processed_patterns')';  
    iter            = 1;  
    k               = 0;  
    update          = 1e3;  
    updates         = 1e3;  
      
    while ((sum(abs(update)) > theta) & (iter < Max_iter))  
        iter = iter + 1;  
         
        %k <- (k+1) mod n  
        k = mod(k+1,n);  
        if (k == 0),   
            k = n;  
        end  
         
        % a <- a + eta*(b-a'*Yk)*Yk'  
        update  = eta*(b(k) - a'*y(:,k))*y(:,k);  
        a       = a + update;  
         
        updates(iter) = sum(abs(update));  
    end  
      
    if (iter == Max_iter),  
        disp(['Maximum iteration (' num2str(Max_iter) ') reached']);  
    else  
        disp(['Did ' num2str(iter) ' iterations'])  
    end  
      
    %Classify the test patterns  
    test_targets = a'*[test_patterns; ones(1, size(test_patterns,2))];  
      
    test_targets = test_targets > 0;  
复制代码
2. 基于LMS的梯度下降算法在DSP上的实现
         下面是我在DSP6713上使用软件仿真实现的LMS算法,
    /*
    * zx_lms.h
    *
    *  Created on: 2013-8-4
    *      Author: monkeyzx
    */  
      
    #ifndef ZX_LMS_H_  
    #define ZX_LMS_H_  
      
    /*
    * methods for @lms_st.method
    */  
    #define STOCHASTIC           (0x01)     /* 随机梯度下降 */  
    #define BATCH                (0x02)     /* BATCH梯度下降 */  
      
    struct lms_st {  
        short method;       /* 0/1 */  
        double *x;          /* features, x0,...,x[n-1] */  
        int n;              /* dimension of features */  
        double *y;          /* given output, y0,..,y[m-1] */  
        int m;              /* number of data set */  
        double *weight;     /* weighs that want to train by using LMS, w0,w1,..,w[n-1] */  
        double lrate;       /* learning rate */  
        double threshhold;  /* if error < threshold, stop iteration */  
        int max_iter;       /* if iter numbers > max_iter, stop iteration,
                               if max_iter<0, then max_iter is unused */  
    };  
      
    extern void zx_lms(void);  
      
    #endif /* ZX_LMS_H_ */
继承事业,薪火相传
返回列表