第6章自适应滤波器(免费阅读).pptVIP

第6章 现代滤波器 经典滤波器 只适合处理信号能量与噪声能量在不同频段的情况 现代滤波器 填补其空白。 6.1 匹配滤波器 最优滤波 6.2 维纳滤波器 6.3 卡尔曼滤波器 6.3.1 预备知识 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. 6.4. 自适应滤波器 6.4.1 引言 6.4.1 引言 第6章 自适应滤波器 6.1 引言 自适应的概念：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.维纳用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.卡尔曼创立最佳时变线性滤波设计理论，用来处理非平稳随机信号，即著名的卡尔曼滤波器。 70 年代，美国B.Windrow和Hoff提出了处理随机信号的自适应滤波器算法，弥补了维纳、卡尔曼滤波器的致命缺陷：必须事先知道待处理信号的统计特性（如自相关函数），才能计算出最佳的滤波器系数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，自动地调节现时刻的滤波器系数，以适应所处理随机信号的时变统计特性，实现最优滤波。 6.1.2 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 6.1.2 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：自适应滤波器系统--时变性的，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结构和特征参数，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，滤波器系数被持续修改调整，直到得最优系数。 ②工作阶段：滤波器系数保持不变(成为线性系统)，进行滤波。 便于设计、易于数学处理，实际应用广泛。 6.5.2 LMS自适应算法 回顾： 最陡下降法 回顾：维纳滤波器的系数—使均方误差最小 6.5.3 RLS自适应算法递归最小二乘法：Recursive Least Squares 回顾：最小二乘法 6.5.3 RLS自适应算法 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。 6.4.1 引言 ① ② ③自适应滤波器的定义 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