第三章—自适应滤波器.pptVIP

3.3 均方误差性能曲面 由上面①②③三式，得均方误差表示式： 将④式进一步写成： 均方误差 是权矢量W的各分量的二次函数，即若将该式展开，则W各分量只有一次和二次项存在， 的图形一定是L+1维空间向中一个中间下凹的超抛物面，有唯一最低点 min，该曲面称为均方误差性能曲面。 当输入w(n)只有两个元素时，可得到如图的自适应滤波器： 自适应过程，即自动调整权系数w(n)，使均方误差达到最小值的过程，相当于沿性能曲面往下搜索达最低点的过程。 最常用的搜索方法是梯度法，因此，性能曲面的梯度是一个很重要的概念。 也可由输入信号取样值进行估计： 由于实际自适应F中调整参数是 可将上面结果返回到自然坐标系去，以看清W(n)的自适应调整规律。 由 有： 利用恒等式 有： LMS算法调整权系数时不需要进行平方运算和统计平均运算，因而实现起来很简单。下图为两个权系数的自适应线性组合器采用LMS算法的计算流程图： 失调量和收敛速度这两个量要折衷加以考虑，学习曲线时间常数为： 上式与LMS算法的差别在于权矢量校正项中出现了因子 。由于R(n)是自相关矩阵 的一种量度，因此，因子 的出现使得RLS算法具有快速收敛的性质。 RLS算法步骤如下： （1）在时刻n，已获得w(n-1)、T(n-1)和d(n),x(n)也已存储在滤波器的延时部件中。 （2）计算出T(n),w(n),k(n)和e(n|n-1)，并得到滤波器输出响应y(n)和误差e(n)，即 IIR自适应滤波器的主要优点是可以大幅度减少计算量，具有谐振和锐截止特性，但也有以下缺点： （1）由于递归结构存在反馈支路，故在自适应过程中有可能使极点移到单位圆外，使滤波器失去稳定。 （2）搜索全局极小值的工作比较复杂和困难 为克服点一个缺点，采取措施限制滤波器的参数取值范围，克服第二个缺点的办法是寻求好的自适应算法，以便在复杂的性能曲面上能够正确搜索全局最低点。已证明：具有足够多零点和极点的自适应递归滤波器，其性能曲面可以是单模的，而不是多模的。这意味着，增加权系数的个数能够移去性能曲面的局部极小值。 于是，梯度估计可写成： 由于现在性能曲面是非二次的，因此，对应于每个权系数 有一个收敛参数 ，对应于每个权系数 有一个收敛参数v，L+1个 是相同的，L个v各不相同，这些收敛参数可以是时变的。于是，IIR自适应滤波器的LMS算法总结如下： 3.12 自适应滤波器计算举例 有一个自适应线性组合器，如下图： 设 在开关S打开和闭合的两种情况下，求解： （1）性能曲面函数，并画出图形 （2）求最佳权值 （3）求最小均方误差 解： 开关S断开时： （1） （2） （3） 3.13 自适应滤波器的数字实现 自适应滤波器通常分为模拟实现和数字实现两类。模拟实现自适应滤波器主要采用电荷耦合器件、声表面波器件等技术，具有功耗低、尺寸小和重量轻等优点，但动态范围和精度等指标难以提高。因此自适应滤波器以数字实现为主。 1.LMS算法自适应滤波器的直接实现 自适应滤波器的计算主要包括： （1）计算可调数字滤波器的输出。通常较多采用FIR横向结构，主要计算输入序列与滤波权系数序列的线性卷积。 （2）完成自适应算法，通常选用LMS算法，主要计算输入信号与误差之积，并对权系数进行修正，以实现权系数的迭代运算。 LMS算法FIR横向结构自适应滤波器数字实现的方框图如下： 3.14 最小二乘自适应滤波器 最陡下降法要求知道性能曲面上各点的梯度，而实际中梯度是未知的。LMS算法要求输入信号和期望信号都是平稳的，或者要求输入和期望信号的统计特性在较长时间内基本保持不变或变化缓慢。但是，实际中遇到的信号不可能满足这种要求。对于非平稳信号的自适应处理，最合适的方法是采用最小二乘自适应滤波器。 设在当前时刻n已获得n个数据，现要用一个m阶FIR滤波器对数据进行滤波，是滤波器的输出成为某个期望信号的最小二乘估计。则滤波器的输出，即期望信号的估计值为： 2.投影矩阵和正交投影矩阵 3.15 最小二乘格形自适应算法 1.前向预测和后向预测 前向预测值： 前向预测误差： 在前加窗情况下，前向预测误差平方和为： 令m阶前向预测误差矢量 、当前数据矢量x(n)、前向预测系数矢量 以及数据矩阵 分别为：