中文第三章 自适应滤波器.ppt

现代数字信号处理 第三章：自适应滤波器 内容 1. 自适应滤波器原理 2. 自适应线性组合器 3. 均方误差性能曲面 4. 最陡下降算法 5. LMS算法 6. RLS算法 7. 典型应用：噪声消除 1。 自适应滤波原理 学习和跟踪（时变信号） 带有可调参数的最优线性滤波器 3. 自适应滤波器的性能 4. 最陡下降法 基本思想：搜索性能曲面 理想情况下（梯度可知）: 使用基于梯度的方法（最陡下降法） 实际情况（梯度多数不可知）: LMS方法（the Least-Mean-Square algorithm ） RLS方法（Recursive Least-Square Algorithm） 自适应过程的稳定性 参数变更的回馈模型 收敛速率 滤波器参数的收敛速度决定于自适应步长的选择 在主轴系统中参数沿着各个参数坐标轴独立收敛。各个坐标轴的收敛速度被各自的几何比 r 控制。 需要注意的是，在自然坐标系中各个参数w并不是独立收敛的。这是我们为什么要变换坐标系到主轴系统进行收敛分析的原因。 注意 最陡下降法具有更多的理论分析意义，实际操作时我们必须对其做很多近似。 6. 自适应的递归最小二乘方(RLS)算法 维纳滤波器的一种时间递归形式(收敛速度快) 遗忘因子 新数据比旧数据更加重要 7. 典型应用：噪声消除 没有回声控制的远程电视会议系统 使用自适应回声抵消器抵消回波 LMS 方法推导 使用单次计算的估计误差平方代替平方误差的期望。 LMS使用单次误差代替误差平均，造成梯度和权矢量成为围绕真值的随机变量。 LMS 自 适 应 滤 波 器 举例（2输入线性组合器） LMS方法对梯度的估计的均值为真实梯度 估计量的期望值与真实梯度的偏差为0。所以为无偏估计 最陡下降法 LMS权矢量的均值等于最陡下降法得到的权矢量 最陡下降 LMS 单次 最陡下降 LMS 多次平均 收敛条件 在最小均方误差点 附近的梯度估计误差 (around ) (梯度估计噪声 ) 权矢量噪声 (2)在最小均方误差点 附近的权矢量估计误差 (3)在最小均方误差点 附近的权矢量噪声方差 梯度估计噪声的存在，使得收敛后的权矢量在最佳权矢量的附近随机起伏。这意味着稳态的均方误差值在 附近随机的改变。这个偏移量的期望值称为超量EMS 失 调 量 (1) 超量EMS（Mean-Square Error） (2) 失调量 M 实际应用中，失调量，收敛速度和权系数的个数往往需要作一个折中，因此这个方程很有用。 通常自适应过程在大概4倍学习曲线时间常数内基本结束。 因此，失调量可认为等于权重数目比上过渡时间（4倍时间常数）。 特殊情况下所有特征值都相等： 设计滤波器时的考虑 假设要求失调量小于10％，则过渡时间应当比权重数目大10倍。 维纳滤波器 RLS 自适应滤波器 自相关矩阵： 互相关矢量: 自相关矩阵逆的迭代形式： 相关的递归形式 A 和 B 是两个正定矩阵 关于矩阵逆的一个定理 * 自适应算法 理论分析 两输入两输出Two inputs and two outputs; FIR,IIR, and 格形（Lattice） 最小均方误差和最小平方误差准则 线性滤波器 性能评价 自适应方法 输入信号 输出信号 期望响应 误差 滤波器参数 通用自适应滤波器的基本原理 失调量（Misadjustment） 计算复杂度（Computational complexity） 对时变统计量的跟踪能力 结构上：高模块性，并行性等（是否适合硬件实现） 收敛速度 数值特性：数值稳定性（对字长效应不敏感），数值精确性 鲁棒性：对噪声干扰不敏感，小能量干扰只能造成小估计误差 本章主要讨论自适应线性组合器（其分析和实现简单，在大多数自适应滤波系统中广泛应用）。 多输入自适应线性组合器 2。 自适应线性组合器 一类具有自适应参数的FIR数字滤波器。－－》一般形式 单输入自适应线性组合器 多输入 单输入 输入信号x的自相关矩阵R，期望信号d和输入信号x的互相关矩阵P 3. 均方误差性能曲面 单权重情况: 抛物线 性能曲面 两个权系数: 抛物面 权系数数目大于两个情况：超抛物面 个权系数: 一个 维空间内的 超抛物面 “碗底”点对应于均方误差最小点，也就是最优权系数矢量 所在的点。对于一个二次性能方程，存在唯一全局最优权矢量，没有局部最优点存在. 梯度，最优权矢量和最小均方误差 很多自适应方法使用基于梯度的方法寻找可以达到最小均方误差的权矢量。 均方误差性能曲面的梯度定义为： 最优权重矢量处梯度为零： 最小