第6章自适应滤波器祥解.pptVIP

①RLS算法:n?∞时，权系数W?最佳值；若n有限，则是有偏估计。 ②权系数的均方误差随最小特征值的减小而增大，因此，R特征值的散布度加大，会使RLS权系数W的收敛性变差； ③权系数的均方误差随n的增加而线性减小，权系数W?最佳值。 ④RLS算法经过2M次迭代(LMS算法则需经20M次迭代)，可使均方误差=1.5*最小均方误差，RLS比LMS至少快一个数量级。 RLS算法的均方误差收敛特性与R的特征值散布无关。 RLS收敛快的原因在于采用类似归一化步长。 若n趋于无限大，在不考虑量化误差的条件下，RLS算法无失调。而LMS始终存在与步长有关的失调。 RLS算法的主要问题：每次迭代中的计算量与阶数M的平方成正比。虽然比之最小二乘法(M的三次方成正比)好，但比LMS算法(M成正比)要差。 人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。 * 6.3.2 基于状态空间法的卡尔曼滤波器 6.3.3 卡尔曼滤波器的递推算法 6.3.3 卡尔曼滤波器的递推算法 小结 维纳滤波器的参数w是固定的,处理平稳随机信号 卡尔曼滤波器的参数w是时变的,处理非平稳随机信号 这两种滤波器的设计前提：要预知信号和噪声的统计特性(如相关函数)。 遗憾的是,在实际应用中常无法预知信号的统计特性，或信号的统计特性是随时间变化的. 若输入信号的统计特性未知,或者输入信号的统计特性随时间变化,只能使用自适应滤波器。它能够自动地迭代调节自身的滤波器参数w,以满足某种准则的要求,从而实现最优滤波. 所处理信号的统计特性未知,调整自身参数w到最佳的过程— 学习过程. 所处理信号的统计特性变化,调整自身参数w到最佳的过程— 跟踪过程 因此，自适应滤波器具有学习能力和跟踪能力. 6.4. 自适应滤波器 6.4.1 引言 ① 6.4.1 引言 ② 6.4.1 引言 ③自适应滤波器的定义 自适应滤波器 自适应滤波器：根据所处理信号的变化，使用自适应算法 来改变滤波器的参数和结构 。 通常，不改变滤波器的结构，而只改变滤波器的系数，即 其系数是由自适应算法不断更新的时变系数，自动连续地适应于 所处理信号，以获得期望响应。 6.4.1 引言 自适应：生物能以各种有效方式适应周围环境，从而使生命力变强。 40年代，N.维纳，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，设计最佳时变线性滤波器，用来处理非平稳随机信号，即著名的卡尔曼滤波器。 70 年代，B.Windrow和Hoff，自适应滤波器，克服维纳、卡尔曼滤波器的致命缺陷：要预知待处理信号的统计特性（如自相关函数?最佳滤波器系数Wopt，否则，维纳、卡尔曼滤波器无法判定为最佳。 自适应滤波器：利用前一时刻已获得的滤波器系数Wn-1，自动地调节现时刻的滤波器系数Wn，以适应随机信号的时变统计特性，实现最优滤波。 自适应滤波器的发展史 自适应滤波器的分类 按滤波器的结构来分： 递归型（最佳递归估计-卡尔曼滤波） 非递归型（最佳非递归估计-维纳滤波） 按实现方式来分： 模拟式自适应滤波器（抑制某些单频干扰） 数字式自适应滤波器（常用，需用软件实现） 自适应FIR滤波器的分类(非递归型)： 自适应横向滤波器 自适应格型滤波器 自适应对称横向滤波器 自适应滤波器的分类 按复杂度来分： 线性自适应滤波器 非线性自适应滤波器（包括Volterra滤波器和基于神经网络的自适应滤波器 。信号处理能力更强，但计算也更复杂。） 值得注意的是：自适应滤波器--时变性，非线性。 非线性：系统根据所处理信号特点不断调整自身的滤波器系数。时变性：系统的自适应响应/学习过程。 所以，自适应滤波器可自动适应信号的传输环境，无须详细知道信号的特征参数，无须精确设计滤波器本身。 线性自适应滤波器的两个阶段： ①学习阶段：根据输入信号的特点，滤波器系数W被不断修改调整，直到获最优系数。 ②工作阶段：滤波器系数W保持不变(成为线性系统)，进行滤波。 学习阶段 工作阶段 采集一段数据 线性自适应滤波器的两部分： 自适应滤波器的结构 自适应权调整算法 自适应滤波器的结构有FIR 和IIR 两种。 FIR 滤波器是非递归系统，系统冲激响应h(n)是一个有限长序列， 除原点外