信号分析与处理 教学课件 作者 杨西侠 柯晶 第7章.pptVIP

第7章 自适应滤波 山东大学 背景 实际应用中，系统不仅受到控制输入的作用，而且也受到各种扰动的影响，这些扰动通常既不能控制也不能在模型中确定。 同时，传感器也受到各种噪声的污染，使测量结果包含噪声，不能直接获得有用信号。 本章内容 7.1 最优波形估计 7.2 Wiener滤波 7.3 Kalman滤波 7.4 自适应滤波器原理 7.5 最小均方(LMS)自适应算法 7.6 递推最小二乘(RLS)自适应算法 7.1 最优波形估计 7.1.1 概述 波形估计的分类 最小方差估计的定理和性质 线性最小方差估计 线性最小方差估计 7.1.2 投影定理 投影定理 7.1.3 线性最优滤波 线性离散滤波器是一类广泛应用的滤波器。从 应用的角度出发，线性滤波器的数学分析和处理 比较容易，而离散时间滤波器便于数字化实现。 离散时间滤波器原理框图 FIR滤波器 根据冲激响应是有限长的还是无限长的，线性离散时间 滤波器可以分为有限冲激响应(FIR)滤波器和无限冲激响应 (IIR)滤波器，FIR滤波器是实际使用最为广泛的线性滤波器 结构。 FIR滤波器 最小均方误差准则 7.2 Wiener滤波 7.2.1 Wiener滤波与Wiener-Hopf方程 Wiener滤波器 Wiener滤波器的标准方程(Wiener-Hopf方程) Wiener滤波器分为以下3种情况： 7.2.2 FIR Wiener滤波器 7.3 Kalman滤波 7.3.1 状态估计与Kalman滤波 Kalman滤波的基本思想 Kalman滤波的基本思想: 利用观测数据对状态变量的预测估计进行修正，以得到状态变量的最优估计，即 最优估计＝预测估计＋修正 7.3.2 Kalman滤波递推算法 可以应用正交投影定理推导Kalman滤波算法 分3步推导Kalman滤波算法 (1) 滤波递推方程 (2) 滤波增益矩阵算法 (3) 滤波估计误差的方差 Kalman滤波递推算法 例7-1 7.4 自适应滤波器原理 自适应滤波器是一种能够自动调整本身参数的滤波器，它在设计时通常不需要事先知道信号的统计知识，而是能够在运行过程中自动调整自身参数，以期找到使滤波器达到或接近最优性能的参数。 当信号的统计特性发生变化时，自适应滤波器又能够自动跟踪这种变化，重新调整自身参数以使滤波器性能重新达到或接近最优。 7.4.1 自适应滤波器基本概念 一般来说，自适应滤波器包括三个基本模块：可调 滤波器、性能评价和自适应算法。 自适应滤波器原理 有监督自适应滤波器 自适应通常又分为有监督型和无监督型两类。 有监督型自适应滤波器原理 自适应FIR滤波器 7.4.2 均方误差与下降算法 自适应滤波器设计最常用的准则仍然是使滤波器实际输出与期望响应之间均方误差最小化的最小均方误差(MMSE)准则。 下降算法有两种主要实现方式： 自适应梯度算法 自适应Newton算法 自适应梯度算法包括最小均方(least mean-square, LMS)类算法，自适应Newton算法则包括递推最小二乘(recursive least-squares, RLS)算法及其各种变形和改进算法。 7.5 最小均方(LMS)自适应算法 7.5.1 最速下降与LMS算法 为了便于理解和分析LMS算法，将LMS算法进一步表示为如下3个基本公式： 基本LMS算法总结 基本LMS算法总结 例7-2 LMS自适应FIR滤波器仿真：首先设计一个具有32个系 数的FIR滤波器，并用它生成测试信号，然后根据测试信号 利用LMS算法对原滤波器进行辨识，并将辨识结果与原滤波 器进行比较。 在MATLAB(版本7)的滤波器设计工具箱中提供了LMS算 法实现函数，其调用格式为： ha = adaptfilt.lms(l,step,leakage,coeffs,states) 仿真结果： 7.5.2 归一化LMS算法 由于LMS算法采用梯度向量的瞬时估计，它有大的方差，以致不能获得最优滤波性能。此外，LMS自适应滤波器收敛速度较慢。 归一化LMS(normalized LMS, NLMS)算法是一种常用的采用变步长方法加快算法收敛的改进LMS算法。 归一化LMS算法 例7-3 NLMS