_自适应滤波器详解.pptVIP

注意：两个横坐标含义不同 逆系统辨识： 令： 收敛后： 例16.5.2 设待辨识的系统 是一个FIR系统，长度 ，归一化截止频率为0.4。令 是方差等于1的高白噪声。延迟器输出 2000次迭代后的结果如图： 理论上应该是全通的 16.5.2 自适应噪声抵消 自适应噪声抵消有广泛的应用。例如，在记录人体生理信号（心电、脑电、肌电、心音等）时，不可避免地会受到50Hz工频的干扰。再例如，记录胎儿心电时也不可避免地会同时记录到母亲的心电。需要对“噪声”抵消掉。其他如，驾驶室内噪声的抵消，长途电话线路中的回声抵消，耳道式数字助听器中speaker对microphone所产生的干扰的抵消，等等。 混入到上面的传感器，得到 使 逼近 ，则 确定性量 使其最小 例16.5.3 信号 是一正弦信号，受到白噪声 的污染，使用上面的自适应噪声抵消方案所得到结果如下图。 LMS算法的步骤： 1.给定滤波器的长度 、步长 和滤波器 的初始值 ，或 ； 2.计算卷积 ； 3.计算 ； 4.由 更新滤波器。 重复上述步骤 2～4，直到 收敛到最优的滤波器系数 。这时误差序列 的均方误差达到其最小值 。迭代结束。 LMS算法只利用了 和 ，没有用到 及 。由此，该算法适合应用于先验知识未知的场合，当然，也适用于输入信号非平稳的情况。计算量是 。 16.3.2 LMS算法性能 1. 收敛的稳定性； 2. 收敛的速度； 3. 在 附近的摆动， 或误差能量的“超量（excess）”。 1. 收敛的稳定性 的特征值 如果保证 则保证 收敛到 ，稳定。 推导过程见教材 （1）由于步长 的上界反比于滤波器的长 度 ，因此，滤波器越长，相应的步 长应该越小； （2）同理，弱的信号（功率小），可选 较大的步长 ，反之，取小的步长 。 2. 收敛的速度 可以证明，收敛的时间常数 显然，如果输入信号的自相关矩阵 的最大和最小特征值越接近，则时间常数越小，收敛速度越快。反之，若 的特征值越分散，则 时间常数越大。 时间常数的另一个表达式 3. 误差能量的“超量” LMS算法 利用 代替 结果 收敛后的 偏离 ； 收敛后的 大于 ； 误差能量的“超量” 如何描述“超量”的大小 可以证明：误差能量超量 ： 与滤波器长度 成正比。 与信号能量 成正比。 显然，超量 与步长 成正比。 这三个量又和收敛速度有关。取折中 推导过程见教材 例 利用例16.5.1（系统辨识）中的误差序列 来研究LMS算法的性能。其结果如图： ： 对一个自适应滤波算法进行多次实现所得到的每一个误差序列 都取平方再经集总取平均后而得到的。 曲线①：对应的步长 ， 集总平均 的次数是100次； 曲线③ ：对应的步长 ，集总平均 的次数是100次；下降快； 曲线④：曲线③的“预测MSE曲线” 曲线②：曲线①的“预测MSE曲线” 相当于无穷次实现后取集总取平均的结果 曲线⑤：最小均方误差曲线MMSE ：预测 MMSE＝0.01； 超量EMSE= ：预测 MMSE＝0.01； 超量EMSE= 步长大，超量明显变大。 本例题，对所有的 ，MSE=0.01 调用了文件msesim.m和msepred.m 16.3.3 改进的LMS算法 1．归一化LMS算法 LMS算法的收敛稳定性、收敛速度及收敛