自适应滤波器原理-带图带总结word版.docVIP

第二章 自适应滤波器原理 2.1 基本原理 2.1.1 自适应滤波器的发展 在解决线性滤波问题的统计方法中，通常假设已知有用信号及其附加噪声的某些统计参数（例如，均值和自相关函数），而且需要设计含噪数据作为其输入的线性滤波器，使得根据某种统计准则噪声对滤波器的影响最小。实现该滤波器优化问题的一个有用方法是使误差信号（定义为期望响应与滤波器实际输出之差）的均方值最小化。对于平稳输入，通常采用所谓维纳滤波器（Wiener filter）的解决方案。该滤波器在均方误差意义上使最优的。误差信号均方值相对于滤波器可调参数的曲线通常称为误差性能曲面。该曲面的极小点即为维纳解。 维纳滤波器不适合于应对信号和/或噪声非平稳问题。在这种情况下，必须假设最优滤波器为时变形式。对于这个更加困难的问题，十分成功的一个解决方案使采用卡尔曼滤波器（Kalman filter）。该滤波器在各种工程应用中式一个强有力的系统。 维纳滤波器的设计要求所要处理的数据统计方面的先验知识。只有当输入数据的统计特性与滤波器设计所依赖的某一先验知识匹配时，该滤波器才是最优的。当这个信息完全未知时，就不可能设计维纳滤波器，或者该设计不再是最优的。而且维纳滤波器的参数是固定的。 在这种情况下，可采用的一个直接方法是“估计和插入过程”。该过程包含两个步骤，首先是“估计”有关信号的统计参数，然后将所得到的结果“插入（plug into）”非递归公式以计算滤波器参数。对于实时运算，该过程的缺点是要求特别精心制作，而且要求价格昂贵的硬件。为了消除这个限制，可采用自适应滤波器（adaptive filter）。采用这样一种系统，意味着滤波器是自设计的，即自适应滤波器依靠递归算法进行其计算，这样使它有可能在无法获得有关信号特征完整知识的环境下，玩完满地完成滤波运算。该算法将从某些预先确定的初始条件集出发，这些初始条件代表了人们所知道的上述环境的任何一种情况。我们还发现，在平稳环境下，该运算经一些成功迭代后收敛于某种统计意义上的最优维纳解。在非平稳环境下，该算法提供了一种跟踪能力，即跟踪输入数据统计特性随时间的变化，只要这种变化时足够缓慢的。 40年代，N.维纳用最小均方原则设计最佳线性滤波器，用来处理平稳随机信号，即著名的维纳滤波器。 60年代，R.E.卡尔曼创立最佳时变线性滤波设计理论，用来处理非平稳随机信号，即著名的卡尔曼滤波器。 70 年代，美国B.Windrow和Hoff提出了处理随机信号的自适应滤波器算法，弥补了维纳、卡尔曼滤波器的致命缺陷：必须事先知道待处理信号的统计特性（如自相关函数），才能计算出最佳的滤波器系数Wopt，否则，维纳、卡尔曼滤波器无法判定为最佳。 一个自适应算法的好坏取决于以下一个或多个因素[6]： 收敛速率：它定义为算法在平稳输入时响应足够接近地收敛于均方误差意义上的最优维纳解。 失调：这个参数提供了自适应滤波器的最终均方误差与维纳滤波器所产生的最小均方误差之间偏离程度的一个定量测量。 跟踪：当自适应算法运行在非平稳条件下，该算法需要跟踪环境的统计量变化。然而，算法的跟踪性能受到两个相互矛盾的特性的影响：即收敛速率和由算法噪声引起的稳态波动。 鲁棒性：对于一个鲁棒的自适应滤波器，小的扰动只会产生小的估计误差。这些扰动来源于各种因素，包括来自滤波器内部或外部的因素。 计算量：主要包括三方面（a）完成算法一次完整迭代所需要的运算量（即乘法、除法、加法和减法）；（b）存储数据和程序所需要的存储器位置的大小；（c）在计算机上对算法编程所需要的投资。 结构：涉及算法的信息流结构以及硬件实现的方式。例如，其结构呈现高度模块化、并行或并发的算法很适应于使用超大规模集成电路（VLSI）实现。 数值特性：当一个算法数值实现时，将产生由量化误差引起的不精确性，特别存在人们所关心的两种基本问题：数值稳定性和数值精确性问题。数值稳定性是自适应算法的固有的特征。数值精确性由样本值和滤波器系数的位数确定。当某种算法对其数字实现的字长变化不敏感时，就说该自适应滤波器算法的数值鲁棒。 2.1.2 自适应滤波器的研究方法 自适应滤波问题不存在唯一地解决方法。自适应滤波用户面临的挑战包括：首先要了解各种自适应滤波算法的能力和限制；其次把了解到得知识用于选择合适的算法以满足各自的应用需要。 自适应滤波器基本上存在如下两种不同的推导方法。 ①随机梯度法 随机梯度法（stochastic gradient approach）使用抽头延迟线或者横向滤波器作为实现自适应滤波器的构造基础。对于平稳输入情况，代价函数（也称为性能指标）定义为均方误差（即期望响应与横向滤波器输出之差的均方值）。代价函数恰好是横向滤波器中抽头权值的二次函数。该抽头权值的均方误差函数可看做是具有唯一确定的极小点的多维抛物面。