自适应均衡技术.pptxVIP

自适应均衡技术;目录;均衡与自适应均衡;均衡与自适应均衡;均衡与自适应均衡;均衡与自适应均衡;均衡与自适应均衡;均衡与自适应均衡;自适应均衡技术的发展综述;自适应均衡技术的发展综述;自适应均衡技术的发展综述;自适应均衡技术的发展综述;为什么需要自适应均衡滤波器？;为什么需要自适应均衡滤波器？;为什么需要自适应均衡滤波器？;为什么需要自适应均衡滤波器？;为什么需要自适应均衡滤波器？;为什么需要自适应均衡滤波器？;为什么需要自适应均衡滤波器？;为什么需要自适应均衡滤波器？;自适应滤波算法;简介： 自适应滤波算法是当今自适应信号处理中最为活跃的研究课题之一，自适应滤波算法广泛应用于系统辨识、回波消除自适应谱线增强、自适应信道均衡、语音线性预测、自适应天线阵等诸多领域中。在一些信号和噪声特性无法预知或他们是随时间变化的情况下，自适应滤波器通过自适应滤波算法调整滤波器系数, 使得滤波器的特性随信号和噪声的变化而变化，以达到最优的滤波效果。 ;定义： 自适应滤波器下的定义为：自适应滤波器是这样的处理器，它在输入信号特性未知或者输入信号特性变化时，能够调整自己的参数，以满足某种最佳滤波准则的要求。两种最典型的自适应算法是最小均方算法（LMS）和递归最小二乘算法（RLS）。 ;原理： 输入信号x(n)通过参数可调数字滤波后产生输出信号y(n)，将其与参考信号d(n)进行比较，形成误差信号e(n)，e(n)通过某种自适应算法对滤波器参数进行调整，最终使e(n)的均方值最小。如何提高收敛速度、增强稳定性以满足信号处理的高效性、实时性，一直是人们研究的重点和热点。 ;自适应滤波算法分类; LMS自适应滤波：;推导： 构成自适应数字滤波器的基本部件是自适应线性组合器，如图所示;; 令代表 “所期望的响应”，并定义误差信号： 写成向量形式为：; 误差平方为 ： 期望为：;定义互相关函数行向量 ： 自相关函数矩阵： 则均分误差为：; 上面式子表明，均方误差是权系数向量W的二次函数，它是一个中间向上凹的抛物形曲面，是具有唯一最小值的函数。调节权系数使均方误差为最小，相当于沿抛物形曲面下降找最小值。可以用梯度来求该最小值。;将上面式子对权系数W求导数，得到均方误差函数的梯度：;令 0，即可求出最佳权系数向量： 将代入式求得最小均方误差为：;求最佳权系数向量的精确解需要知道 和 的先验统计知识，而且还需要进行矩阵求逆等运算。Widrow and Hoff (1960)提出了一种在这些先验统计知识未知时求 的近似值的方法。这种算法的根据是最优化方法中的最速下降法。根据最速下降法，“下一时刻”权系数向量W(K+1)应该等于“现时刻”权系数向量W(k)加上一个负均方误差梯度??(k)的比例项，即 其中 是一个控制收敛速度与稳定性的常数，称之为收敛因子。;LMS算法有两个关键： 梯度?(k)的计算以及收敛因子μ的选择。;（一） 的近似计算 精确计算梯度 是十分困难的，一种粗略的但是却十分有效的计算的近似方法是：直接取 作为均方误差 的估计值，即 其中 所以 Widrow – Hoff LMS算法最终为;上式的实现方框图;下面分析梯度估值的无偏性： 所以是无偏估计。 在上面的推导过程中，利用了 和 二者皆为标量的事实。;（二）u值的确定 其中 是 的最大特征值。;;;RLS算法基本简介;;;RLS算法的特点：;;比较：;