第四章自适应信号处理.pptVIP

第四章 自适应信号处理 郑宝玉 维纳滤波与卡尔曼滤波 自适应滤波器的应用 * * 内 容 最优滤波理论与Wiener滤波器 梯度下降算法 横向LMS自适应滤波器 横向RLS自适应滤波器 自适应格型滤波器 自适应格-梯型滤波器 无限脉冲响应自适应滤波器 盲自适应滤波器 Kalman滤波器 自适应滤波器的应用 维纳滤波 设信号s(k)或s(k)及观测过程x(k)或x(k)是广义平稳的, 且已知 其功率谱或自相关函数的知识, 则基于观测过程x(k)或x(k), 按 线性最小均方误差估计准则, 对信号s(k)或s(k)所作的最优估 计称为维纳滤波。特点: 参数固定, 适用于平稳随机情况下 的最优滤波 , 且实现简单。 卡尔曼滤波 设已知信号的动态模型测量方程, 则基于过程x(k)及初始条件, 按线性无偏最小方差递推估计准则,对状态s(k)所作的最优估 计称为卡尔曼滤波。特点: 参数时变, 适用于非平稳随机情况 下最优滤波且性能优越； 局限性 只有在信号和噪声统计特性先验已知的情况下,这两种滤波 器才能获得最优滤波。在实际应用中,往往无法得到这些统 计特性的先验知识, 或统计特性随时间而变, 这时就无法用这 两种滤波器实现最优滤波。 Kalman滤波器 Kalman滤波是Wiener滤波的发展, 它最早用于随机过程的参数估计, 后来很快在各种最佳滤波器和最佳控制中获得极其广泛的应用。 Kalman滤波器具有以下特点： 其数学公式用状态空间概念描述。 其解是递推计算的。 它提供了RLS类自适应滤波器的统一框架 Kalman滤波器 Kalman滤波器问题的状态空间方程描述 (描述状态向量的过程方程) (描述观测向量的观测方程) Kalman滤波器（续） 假设： 都是零均值的白噪声过程，相关矩阵伪 其中 为高斯噪声 并假设状态的初始值x(0)与v1(n)、v2(n)均不相关， v1(n)与v2(n)线性独立，即有 Kalman滤波器（续） 已知： Kalman滤波问题可以叙述为： 利用观测数据向量y(1),…,y(n)，求状态向量 x(i)各个分量的最小二乘估计。 Kalman滤波器（续） 根据i和n的不同关系，Kalman滤波问题又可进一步分为滤 波问题(i=n)、预测问题(in)和平滑问题 。 具体如下： Kalman滤波器（续） 三个基本概念 Kalman滤波器（续） 新息过程（innovation process） 称 为 的新息过程向量,简称新息。 新息过程 的相关矩阵定义为 称为Kalman增益阵。 若令 是状态向量 的一步预测向量，并用 表示预测状态误差向量，即 称为预测状态误差相关矩阵。 预测状态误差相关矩阵可以利用Riccati差分方程 递推计算，其中 矩阵 由下面的递推公式定义： 若定义 是利用已知的 求得的状态向量 的滤波估计，则 定义为滤波状态误差向量，可以证明 因此， Riccati差分方程中的矩阵 事实上是 滤波状态误差向量的相关矩阵。 Kalman滤波器（续） Kalman滤波算法 经过推导，并将计算过程加以归纳，即可得到如下基于一步预测Kalman滤波算法： 初始条件： 输入观测向量过程： 观测值＝{y(1),…y(n)} 已知参数： 状态转移矩阵＝F(n+1,n) 观测矩阵=C(n) 过程噪声向量的相关矩阵=Q1(n) 观测噪声向量的相关矩阵=Q2(n) Kalman滤波器（续） Kalman滤波算法(续) 计算：n=1,2,3,… Kalman滤波器（续） 例： 是一个时不变的标量随机变量， 为观测数据，其中 为白噪声。现用Kalman滤波器自适应估计 ，即考虑设计Kalman滤波器的问题。 设计过程：(1)构造状态空间方程；(2)设计 的更新公式 Kalman滤波器（续） Kalman滤波器（续） 结论 Kalman滤波器是一种线性的离散时间