自适应滤波器的算法比较研究.docVIP

自适应滤波器的算法比较研究 摘 要:自适应滤波器一直是随机信号处理当中的一个重要的研究课题在介绍了自适应滤波器的各种算法之后,重点讨论了基于的自适应滤波器算法和基于的自适应滤波器算法,并用对这两种算法进行了仿真和比较分析 关键词:自适应滤波器;算法;算法 滤波技术是指从复杂的含有噪声的信号中提取出有用的所需信号,而滤波器是一个选频系统,让有用的所需信号以尽量小的衰减通过,其实我们可以把大部分的信号处理系统看作滤波器系统滤波器可以分为经典滤波器和现代滤波器,也可以分为模拟滤波器和数字滤波器,而自适应滤波器是属于现代滤波器,它是相对固定滤波器而言 1 自适应滤波器简介 自适应滤波器是能够根据输入信号自动调整性能进行数字信号处理的数字滤波器自适应滤波器应用广泛,如自适应天线系统!数字通信接收机!自适应噪声对消技术!系统建模等自适应滤波器的一般算法原理框图如图1所示,其中()为输入信号,()为输出信号,()为期望信号,E()为误差信号,各信号的关系为: 自适应滤波器算法主要包括以下几个方面: 1)数字滤波器的系数计算 2)数字滤波器的性能指标优化 3)数字滤波器的结构 图1自适应滤波器的原理框图 2 各种自适应滤波器算法 自适应滤波器自动调整自身参数,得到有效的输出,则它必须满足某种最佳准则要求,不同的准则,可以产生不同的自适应算法 2.1自适应滤波器 最小均方误差[1]()算法是由Widrow和提出的,具有计算量小!易于实现等优点在实践中广泛应用算法的基本思想:调整滤波器自身的参数,使滤波器的输出信号与期望输出信号之间的均方误差最小,系统输出为有用信号的最佳估计实质上可以看成是一种随机梯度或者随机逼近算法,可以写成如下的基本迭代方程: 其中为步长因子,控制稳定性和收敛速度的参量从上式可以看出其结构简单!计算量小且稳定性好等优点,但固定步长的算法在收敛速度!跟踪速率及权失调噪声之间的要求是相互矛盾的,为了克服其缺点,人们提出了各种变步长的改进算法,主要是采用减小均方误差或者以某种规则基于时变步长因子跟踪信号的时变,其中有正规算法()!梯度自适应步长算法!自动增益控制自适应算法!符号-误差算法!符号-数据算法!数据复用算法等 2.2自适应滤波器 递推最小二乘算法[2],采用输入数据的递推计算方式,保证每一步都能达到最佳权重向量信号处理算法如下: 上式中,n是递推次数,输入为u(n),P(n)为信号自相关矩阵的逆,k(n)为增益矢量,输出为y(n),误差为E(n),期望输出为d(n),权重因子为K具有快速自适应跟踪能力,当然需要一定的计算复杂度为代价 2.3基于神经网络的自适应滤波器 神经网络具有自适应能力[3],将系统期望输出响应作为输出信号,采用最陡下降算法可组成自适应神经网络滤波器,如图2所示 图2 自适应神经网络滤波器 网络训练的目的要使误差函数最小化来修正权值,权值修正是实时的,误差函数在每次迭代时动态定义: 式中:Kc为迭代次数;dKc为期望输出;yKc为输出信号而在计算时我们用近似的权值误差梯度去修正未来的权值修正规则为: 式中:L为学习率;dEKc/dW(Kc)为近似误差梯度式中的近似误差梯度在多层正反馈神经网络中,可用神经网络计算图2自适应神经网络滤波器 2.4基于遗传算法的自适应滤波器 遗传算法是基于生物进化论和遗传学说,它将求解的目标问题经过基因编码表示成染色体,一定数目的染色体组成代表问题可能潜在解集的一个种群,并且由待求问题的目标函数确定适应度函数,通过遗传操作从初始种群开始代代进化,直至达到最大代数或新的种群个体的适应度满足一定的优化准则,从而得出最佳个体及其代表的最佳解 遗传算法的自适应滤波器[4]的重点是利用遗传算法调节权系数,对阶滤波器,将有待优化的参数,记为一条染色体: 依据适应度公式可以进行选择!交叉和变异操作以实现最优权系数 2.5基于微粒群算法的自适应滤波器 微粒群算法[5](PSO)是由Kennedy和Eberhart等于1995年开发的一种演化计算技术它的基本思想是:将每个个体看成是一个在D维搜索空间的微粒,它在这个空间中以一定的速度飞行,这个速度根据它本身的飞行经验与同伴的飞行经验进行动态调整第I个微粒表示为Xi,每个微粒的位置就是一个潜在的解它经历过的最好位置记为Pi,群体中所有微粒曾经历过的最好位置记为PG,微粒的速度用Vi表示,每向前进化一代就更新一次,更新方法为: 将Xi代入到目标函数就可以计算出其适应值 2.6基于小波变换的自适应滤波器 小波是平方可积函数空间上的一簇基函数,离散小波变换()是一种正交线性变换,具有滤波和采样功能[6]小波变换在信号处理中具有/显微镜0作用,其多分辨率分量是局部不相关的,用小波进行自适应滤波可使算法效果得到明显提高 根据不同的尺度,滤波器的输入信号经