自适应滤波器绪论.ppt

最小二乘法： 递归最小二乘法的预备知识： ① ② RLS算法随n趋向无限大，权系数按均值收敛于最佳值；但，对于有限的n，由于δ的引入，RLS算法是有偏估计。 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权系数的收敛性能变差； 权系数的均方误差随n的增加而线性减小，所以，RLS算法权系数按均方渐近收敛于最佳值。 RLS算法经过n=2M次迭代，即可使均方误差达到最小误差的1.5倍，而LMS算法达此水平至少需20M次迭代。因此，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。 状态方程 输出方程 4.2 基于状态空间法的卡尔曼滤波器 4.3 卡尔曼滤波器的递推算法 小结 维纳滤波器的参数是固定的,适用于平稳随机情况下的最优滤波; 卡尔曼滤波器的参数是时变的,适用于非平稳随机情况下的最优滤波. 这两种滤波器设计的前提：必须拥有事先知道信号和噪声的统计特性(数学期望,相关函数等)。遗憾的是,在实际应用中常常无法预先得到信号的统计特性或信号的统计特性是随时间变化的. 而如果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,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. 5 自适应滤波器 5.1 引言 ① ② ③自适应滤波器的定义 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： 自适应滤波器常称为：时变性的非线性的系统。 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，以便使滤波器系数最优。 时变性：系统的自适应响应/学习过程。 实际应用的常见情况： 学习/训练阶段：滤波器根据所处理信号的特点，不断修正自己的滤波器系数，以使均方误差最小(LMS)。 使用阶段：均方误差达最小值，意味着滤波器系数达最优并不再变化，此时的滤波器就变成了线性系统，故此类自适应滤波器被称为线性自适应滤波器，因为这类系统便于设计且易于数学处理，所以实际应用广泛。本文研究的自适应滤波器就是线性自适应滤波器。 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，即当前输出样本仅是过去和现在输入样本的函数， 其系统冲激响应h(n)是一个有限长序列，除原点外，只有零点没有极点。具有 很好的线性相位，无相位失真，稳定性比较好。 IIR 滤波器是递归系统，即当前输出样本是过去输出和过去输入样本的函数， 其系统冲激响应h(n)是一个无限长序列。IIR 系统的相频特性是非线性的， 稳定性也不能得到保证。唯一可取的就是实现阶数较低，计算量较少； 硬件速度的巨大发展，使得工程师更关心系统的稳定性、处理能力的优越性， 而不在乎那么一丁点计算量的减少。因此，自适应滤波器常采用FIR结构。 可分为：横向型、对称横向型、格型 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 自适应权调整算法可分为两类最基本算法： ①最小均方误差(LMS)算法 ：使滤波器的实际输出与期望输出之间的均方误差最小. LMS算法的基础是最陡下降法(Steepest Descent Method), 1959年，威德诺等提出， 下一时刻权系数矢量=“现时刻”权系数矢量+负比例系数的均方误差函数梯度 。 当权系数达到稳定（最佳权系数）时,则均方误差达到极小值。LMS算法有两个关键: 梯度的计算以及收敛因子的选择。通常，将单个误差样本的平方作为均方误差的估计值 LMS算法是一种递推过程,表示要经过足够的迭代次数后,权系数才会逐步逼近最佳权系数, 从而计算得到最佳滤波输出,即噪声得到最好抑制. 存在问题：收敛速度。抽头延迟线的非递归型自适应滤波器算法的收敛速度，取决于 输入信号自相关矩阵特征值的离散程度。当特征值离散较大时，自适应过程收敛速度较慢。 格型结构的自适应算