第三章 自适应数字滤波器要点.ppt

维纳滤波器：参数固定，适用于平稳随机信号的最佳滤波，设计时需要知道　　和　　这些先验知识。应用困难。;它让期望响应作为“导师”，逐渐更新（递推）滤波器系数，使滤波器系数逐渐逼近最优滤波器，即使滤波器的输出对期望响应的误差逐渐接近最小。 自适应滤波器就是通过对环境进行学习，逐渐达到或逼近最优滤波器。由于学习过程中有“导师”存在，因此它是一种具有监督学习功能的过程。 当滤波器的应用环境发生缓慢变化时，相当于滤波器应用于非平稳环境，但环境变化比学习速度更缓慢时，自适应滤波器能够自适应地跟踪这种非平稳变化。;　　主要讨论自适应滤波器的设计原理和收敛性能（主要讨论FIR自适应滤波器）。 　　自适应滤波器都是非线性时变系统。因为从输入输出关系看，不再是线性系统，系统输入用于调节滤波器系数，滤波器系数变化也影响系统输出。 　　线性自适应滤波器指构成系统的各运算单元都是线性运算。当构成自适应滤波器的运算单元是非线性运算时，称该滤波器为非线性自适应滤波器。;　　讨论线性自适应滤波器的原因是： 　　1.大量的线性自适应滤波器满足种类应用，且实现简单。 2.许多非线性自适应滤波器是以线性自适应滤波器为核心。 3.一大类人工神经网络（BP算法）是线性自适应滤波器－－LMS算法的推广。;　　自适应滤波器主要由两部分组成，一是一个FIR滤波器，也称横向滤波器，其权系数可随时调整，完成滤波工作；第二部分是滤波器的权调整算法，也称学习算法。;　　自适应滤波器工作过程： 　　开始时，给FIR滤波器赋予任意的初始权系数，在每个时刻，用当前权系数对输入信号进行滤波运算，产生输出信号，输出信号与期望响应的差定义为误差信号，由误差信号与输入信号矢量一起构造一个校正量，自适应地调整权矢量，使误差信号趋于降低的趋势，从而使滤波器逐渐达到或接近最优。;自适应滤波器的应用;　　噪声对消实际应用： 　　(1)心电图中50Hz或60Hz电源工频干扰的消除。 (2)胎儿检测中，胎儿心电图中母体心电图的对消。 (3)长途电话线路中的回声对消。;(2)线性预测应用;(3)系统辨识;(4)自适应均衡;3.2 自适应横向滤波器;N个权系数　　　　　　受误差信号 的自适应控制。;图　自适应FIR滤波器;横向结构的自适应FIR滤波器是一种最常用的自适应滤波器。滤波器输出 可表示为：;均方误差为; 的主对角线是输入信号的均方值，交叉项是输入信号的自相关值。; 上式表明，当输入信号和期望信号是平稳随机信号时， 是权系数W的二次函数，即将上式展开时，公式中的权系数均以一次幂或二次幂出现。 如果只有一个权系数 ,则 是 的口向上的抛物线，如果有两个权系数 ， ，则 是 ， 的口向上的抛物面，对于两个以上权函数的情况，则 属于超抛物面，“碗形”曲面。 　　自适应过程正是调节W去寻找“碗”的底点，也就是 　　值最小。;用性能函数　　　　　　　　　　　　　　对　求导，得;当自适应滤波器的权系数满足上式时，均方误差将取最小值，;　　自适应滤波器与维纳滤波器比较，加了一个识别控制环节，将输出　与期望信号　比较，若有误差　　，则用此误差去控制　　，调节　　，使　　为　　　　　的权系数　 。;将　　　　　　　　　　　代入　表达式，得;为便于分析，引入中间变量;　　是 维，它的N个特征值为：　　　　　，将　 进行分解，得;　　称为特征向量，满足;引入另一中间变量　;式中，　　　　。这是一个口向上的抛物面，如图。;图　等均方误差的椭圆曲线族;按照　　　　　　　式，有;此式是一个椭圆方程，　和　是椭圆族的主轴，如果 　　，则　　是长轴，　是短轴。因此　　　　起坐标旋转的作用，将　　旋转到主轴上，形成　　主轴。对于维数　　的情况，长轴对应最小特征值，按照上面的椭圆方程长轴正比于　　　：短轴对应于最大特征值，正比于　　　。;3.2.3最陡下降法;两边减去　　，令　　　　　，得;此时，（）项是对角矩阵，假设起始值是　　，可得上式的递推解为。;2. 收敛条件;其中　　　　　随迭代次数j作指数衰减。令　　　　　　　;代入　　　　　　　　　，得　　　　　　　;因为　　　　;性能函数的过渡过程：; 性能函数和各加权系数都是按照N个具有不同时间常数的指数和的规律变化的，时间常数和特征值成反比，不同的特征值对应的收敛时间不同，但最终的收敛要取决于最慢的指数过程，它的时间常数最大，对应最小特征值。　　　　; 值的影响：　　;3.2.4最小均方(LMS)算法;梯度估计值用一条样本曲线进行计算。;