LMS自适应FIR.pptVIP

LMS算法自适应滤波器 目录 1 信号矩阵理论介绍 2 LMS自适应滤波器原理介绍 3 matlab 仿真与结果分析 1 信号矩阵理论 信号、信号向量与权向量 输入信号的相关矩阵 梯度运算 信号、信号向量与权向量 一个自适应系统输入的有用信号可以是确定信号或随机信号，而输入信号中不可避免的混有噪声或干扰；在频域考虑可能是窄带的也可能是宽带的。 一个自适应系统的输入信号和信号特性，通常对该系统的结构和性能起重要作用。 一般一个自适应系统的输入x(t)表示为 x(t)=a(t)ej ? e+n(t） 其中， a(t)为输入信号的复包络（时节缓变的随机信号），?为信号的载频， n(t)为输入噪声。 输入信号用向量的形式表示，隐去时间函数，则信号向量X可以表示为： X=[x0 x1…xL]T 式中“T”表示矩阵转置。 自适应系统的基本单元（线性组合器） 输入信号的相关矩阵 输入信号的相关矩阵R定义为 厄米特矩阵的性质 对应于R的不同特征值的特征向量都是正交的。 R是正定（或半正定）矩阵，它所有的特征值都为实数，且大于或等于零。 所有特征值之和等于矩阵R的迹，即为输入信号的功率。 信号相关矩阵R可以分解为一个实对称矩阵和一个实反对称矩阵， 即：R=Ra+j R b； RaT=Ra， RbT = -Rb 若W为L+1维的权向量,则对相关矩阵R,存在关于W的一个瑞利(Rayleigh)商,且对于所有W的瑞利商均为实数。 定义向量W的瑞利商为： Ray(W)=WHRW/WHW 图1-1所示的自适应系统的输入信号X表示为(有用)信号S及噪声N之和,即： X=S+N 若输入噪声和信号互不相关,则相关矩阵R可写为: R=E[S*ST]+E[N*NT]=R s+R n R s 、R n分别表示信号和噪声的相关矩阵。 梯度运算 梯度定义 实标量函数?(W)对向量W的梯度为： 式中wla, wlb分别是向量W的第l个元素wl的实部和虚部，即：wl=wla+jwlb;?即为?(W). 由定义可知，实标量函数的梯度是一个向量，其方向代表该函数最陡下降时W变化方向的负向。规定一个复标量函数的梯度无定义。 2 LMS自适应滤波器原理 自适应滤波器概述 根据环境的改变，使用自适应算法来改变滤波器的参数和结构。这样的滤波器就称之为自适应滤波器。 一般情况下，不改变自适应滤波器的结构。而自适应滤波器的系数是由自适应算法更新的时变系数。即其系数自动连续地适应于给定信号，以获得期望响应。自适应滤波器的最重要的特征就在于它能够在未知环境中有效工作，并能够跟踪输入信号的时变特征。 自适应滤波器的分类 自适应滤波器的应用 LMS自适应横向滤波器 LMS横向自适应滤波器的基本原理 最陡下降法 3 matlab仿真分析 N=1024 输入信号抽样点数N k=128 时域抽头LMS算法滤波器阶数 s=a*sin(0.5*pi*t) ， xn=awgn(s,3)，加入均值为零的高斯白噪声，信噪比为3dB 设置初值 y=zeros(1,N); 输出信号y y(1:k)=xn(1:k); 将输入信号xn的前k个值作为输出y的前k个值 w=zeros(1,k); 设置抽头加权初值 e=zeros(1,N); 误差信号 u=0.001 u=0.0001 * y 输出信号 ? + + + 权向量 x1 xL … wL w1 w0 x0 此基本单元由L+1个输入x0(t) ,x 1 (t),… xL (t),其相应的一 组可调权为 w0 , w1 ,… wL ,而输出信号为y(t),用于调整权的方法即 “自适应算法”。 可调权用权向量W表示： W=[w0 w1 … wL ]T 自适应组合器的输出为： y=X T W= W T X 图1-1 式中“*”表示复数共轭，由定义可知，信号相关矩阵为厄米特(Hermit)矩阵，即满足R*=RT