第三章自适应数字滤波器概述.ppt

第三章　自适应数字滤波器 3.1 引言 加权矩阵，对角线上元素称为加权因子。为推导简单，取 。 期望信号的估计和估计误差可以表示为 误差信号能量 式中 使上式成立的 就是 的最小二乘估计，记为 。应用标量求导公式，得 要使 取得最小值，应满足 则 代入 ，得 * 将*式展开，得 若矩阵 的秩等于M，记作 ，则 非奇异，求解上式，可以得到 的最小二乘估计 引入M维向量 及 维矩阵 则 式可写为 此方程类似于维纳-霍夫方程，不同之处在于这里是求和，维纳霍夫方程是数学期望。 在 式两边同左乘以 ，得 若 ，则 不能唯一辨识。 应用 得 此式与 等价，表明最小二乘滤波器的误差向量 与最小二乘估计向量 正交，与任一进入估计的输入信号正交。这就是最小二乘正交原理。 正交原理的几何解释： 与维纳滤波器的 和 两式比较，可见维纳滤波器中的数学期望用求和符号替代，说明最小均方误差准则下的正交性原理是针对集合平均而言的，最小二乘准则下的正交性原理是针对瞬时时间而言的。　 当 取得最小值时，称 是 的最小二乘估计。 当 存在时，最小二乘估计值 为 最小二乘估计的误差信号能量 为 最小二乘估计的误差信号能量 为 是观测信号， 为噪声信号， 可看作一数据矩阵，表征输入与输出之间的关系， 是可调整量。对比 ， 类似于信号真值 ， 类似于信号的估计值 ，且 矩阵与 矩阵相对应，在数据矩阵 已经确定的情况下， 对 的最小二乘估计为 综合前面的分析，可以把最小二乘问题用下列模型描述 令误差信号能量为 ，并取加权矩阵 ，则 假设误差向量n k 独立同分布的，具有零均值，方差为 ,那么最小二乘估计是无偏估计;若噪声是高斯噪声,则最小二乘估计是一致估计。 2.最小二乘估计的质量 1 无偏性 2 一致性 表示以概率为1的收敛。 当 具有零均值时，最小二乘估计的协方差为 已知噪声为高斯噪声，则 ，得最小二乘估计的协方差为 证明：首先求解最小二乘估计的协方差。最小二乘估计的误差 式中， 将以概率1收敛于一个正定阵，且 是有界的，因此 最小二乘估计的无偏性已经保证了偏移量为0，因此一致性得证。 经典的一次完成的最小二乘运算法在具体使用时，占用内存大，不能实时实现。经常采用的是递推最小二乘算法。 根据最小二乘估计式 ，用 表示第i步迭代时A的取值， 表示前k步A的数值构成的向量。 新的估计值 老的估计值 +修正项 基本思想:新的估计值 是在老的估计值 的基础上修正而成的。为分析简便，设 为一向量，且 仅与当前观测值有关，则 定义一个变量P 3.3.2递推最小二乘法 RLS Recursive Least Square 其中 令观测信号向量为 那么 Z j 表示j时刻观测信号的大小。 上式两边同时左乘 ,得 把 式代入 时刻 的估计值 其中z k 是观测数据，a k 是输入、输出关系矩阵的元素， 可以看作是估计值或一步预测值， 待估计向量的修正项 则 就是估计的误差，修正项由估计误差，输入输出矩阵和加权矩阵所组成。 得 这里A,C为一个具体数值，代入 为进一步得到加权矩阵的表达式，定义q k 则 根据矩阵反演公式 故得到最小二乘递推算法的一种形式 也可用q k 表示递推公式 另一种递推形式 当 为矩阵时，结论同样成立。 可以看出，采用递推算法可以减少计算量和储存量，且能实时实现。 与经典最小二乘算法相比，提高计算速度。 格型最小二乘算法LSL Least Square of Lattice 快速横向最小二乘算法FTF Fast Transversal Filtering 总结RLS算法的主要性质： 1 RLS是收敛的，且不存在额外误差项； 2 在高信噪比情况下，RLS收敛的速度明显快于LMS算法。在小信噪比情况下，RLS收敛的速度可能与LMS算法等价，但仍收敛到明显小于LMS的最终误差； 3 RLS算法的运算量明显大于LMS算法。 3.4 自适应滤波的应用 　　自适应滤波在对消、陷波、逆滤波、预测、信号分离等方面有广泛应用。 3.4.1自适应对消 　　自适应滤波的许多应用是将它用作自适应对消系统。 　　自适应对消系统有两个输入，一个是原始输入，另外一个是参考输入。参考输入端的信号必须与原始输入中需要抵消的噪声信号相关，对消系统的输出几乎对有用信号不产生畸变。 　　最小均方误差的方法、最小二乘方法都可用于自适应对消。下面采用均方误差最小作为误差的最佳准则，并且信号为实信号。 图 自适应对消系统　　 1.对消原理 原始输入　，　　　　， 是要抵消的噪声，　与　不相关。 参考输入　，　 　， 是与　相关，与　不相关的噪声信号。 系统输出