第七章 自适应格型滤波器课件.pptVIP

第七章 自适应格型滤波器 7.1引言 7.2格型递归算法 7.3格型滤波器的基本结构 7.4基于伯格公式的自适应格型算法 7.5自适应统计梯度格型算法 7.6自适应RLS格型算法 7.1 引言 自适应格型滤波器有着广泛的应用领域，例如用于系统辨识和控制、噪声干扰抵消，信道均衡，以及语音分析和合成等。特别是递归最小二乘格型滤波器具有非常好的数值特性并能跟踪时变信号。 自适应格型滤波器的算法准则正如前述自适应横向滤波器一样，有最小均方误差准则与最小二乘误差准则两种，因而自适应格型滤波器也有两种不同算法及其实现结构。 本章将详细讨论自适应最小二乘格型滤波器的结构和算法，包括非归一化RLS格型滤波器和归一化RLS格型滤波器、自适应格型滤波联合处理滤波器、绝 7.2 格型递归算法 7.2.1 时间递归算法 7.2.2 阶数递归算法 7.2.3 格型滤波器的相关性质 7.3 格型滤波器的基本结构 数字格型滤波器有FIR与IIR两种类型结构，前者属滑动平均(MA)模型，后者有自回归(AR)模型与自回归滑动平均(ARMA)模型，它们的基本结构形式不完全相同。现在我们分别讨论它们的模型结构及其转移函数。 7.4 基于伯格公式的自适应格型算法 反射系数是格型滤波器中的一个重要参数。为了使滤波器能稳定工作，要求前向与后向反射系数的值小于1。但是，采用前节计算方法很难保证这个要求，尤其在语音线性预测编码等信号处理中存在着严重问题。伯格方法就是用来克服这个限制问题的。 在伯格方法中，前向反射系数与后向反射系数被假定是相等，即 。由前述格型滤波器理论，不难写出平稳输入信号情况下第m节的滤波方程： 7.5 自适应统计梯度格型算法 在这里我们仅给出自适应随机梯度格型算法 比较式(7-49)和式(7-53)分别与式 (7-40)和式(7-43)相比较，不难得出结论：AR格型滤波器转移函数正好是MA格型滤波器转移函数的倒数，即 . (7-53) (7-54) 当且仅当 这种AR格型滤波器才是稳定的，它们的极点位于Z平面的单位圆内。我们由式(7-46) 与(7-40)可以看出，MA格型滤波器反向预测误差方程与AR格型滤波器反向预测误差方程相同。因此，由输入信号 到AR格型辅助系统(后向预测误差系统)输出 的转移函数仍是 . 不难看出，把上述两个系统相级联，由输入信号x(n)到辅助系统输出 的总系统函数 应等于两(子)系统函数相乘之积，即 . 显然，这是一个全通网络的系统函数。所以，递归格型滤波器提供了另一种实现方法。此外，对滤波器加以约束以后，便可以得到线性相位的滤波系统。当 时 ，格型滤波结构是最小相位(稳定)的；当 时，FIR格型滤波结构就成为线性相位系统。 . 还有ARMA递归格型滤波器，这里不再详述。 (7.4.1) (7.4.2) 式中，m=1,2,…,M.利用前向预测误差与后向误差的均方值之和作为代价函数： . (7.4.3) 把式(7.4.1)和式(7.4.2)代入上式中，得到 (7.4.4) 将 对 求导并令其等于零，由此得到反射系数的最佳值 (7.4.5) 式(7.4.5)就是著名的伯格公式。这个公式具有以三个重要性质： 性质1 当第m节反射系数等于最佳值 时，其输出 端的前向和后向预测误差分别是