地球物理信号分析..docx

地球物理信号分析实验报告 -----自适应滤波的原理及应用自适应滤波通俗点讲就是混合信号向期望信号的逼近。在逼近的过程中，根据观测信号与真实（期望）信号的均放误差（MSE)为量化指标，按照一定规则进行迭代（迭代规则自己可以设定），直到算法收敛（收敛条件有很多，比如达到预先设定的迭代次数、或达到允许的误差等）。现有的常见自适应算法有RLS,LMS,NLMS，往往都是按照梯度下降法或牛顿法进行迭代。自适应滤波器理论是现代信号处理技术的重要组成部分,他对复杂信号的处理具有独特的功能。自适应滤波器在信号处理中属于随机信号处理的范畴。当前,自适应滤波技术已广泛应用于自适应噪声对消、语音编码、自适应网络均衡器、雷达动目标显示、机载雷达杂波抑制、自适应天线旁瓣对消等众多领域。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，以达到最优滤波的效果，解决了固定全系数的维纳滤波器和卡尔曼滤波器的不足。第一节 自适应滤波器结构所谓自适应滤波,就是利用前一时刻已获得的滤波器参数等结果,自动调节现时刻的滤波器参数,以适应信号和噪声未知或随时间变化的统计特性,从而实现最优滤波。自适应滤波器由两个部分组成: 一是滤波器的结构;二是调节滤波器系数的自适应算法。自适应滤波器的特点是自动调节自身的冲激响应,达到最优滤波,此算法适用于平稳和非平稳随机信号,并且不要求知道信号和噪声的统计特性。自适应滤波器主要有无限冲激响应( IIR) 和有限冲激响应( FIR) 两种类型,滤波器结构的选择对算法的处理起着重要的影响。IIR 型结构滤波器的传输函数既有零点又有极点,他可以用不高的阶数实现具有陡峭通带特性,缺点是稳定性不好,且相位特性难于控制。FIR 滤波器是全零点滤波器,他是稳定的,且能实现线性的相位特性,因此,自适应滤波器的结构通常采用FIR 型滤波器的横向结构,如图1 所示。滤波器的输出表示为第二节 自适应滤波器的研究方法自适应滤波问题不存在唯一地解决方法。自适应滤波用户面临的挑战包括：首先要了解各种自适应滤波算法的能力和限制；其次把了解到得知识用于选择合适的算法以满足各自的应用需要。自适应滤波器基本上存在如下两种不同的推导方法。①随机梯度法随机梯度法（stochastic gradient approach）使用抽头延迟线或者横向滤波器作为实现自适应滤波器的构造基础。对于平稳输入情况，代价函数（也称为性能指标）定义为均方误差（即期望响应与横向滤波器输出之差的均方值）。代价函数恰好是横向滤波器中抽头权值的二次函数。该抽头权值的均方误差函数可看做是具有唯一确定的极小点的多维抛物面。我们把这个抛物面称为误差性能曲面；对于该曲面的极小点的抽头权值定义了最优维纳解。为了推导更新自适应横向滤波器抽头权值的递归算法，我们分两步进行这项工作。首先，使用迭代方法求解维纳霍夫方程（Wiener-Hopf equation）；迭代过程以最优化理论中人们所熟知的最速下降法（method of steepest descent）为基础。这个方法需要使用梯度向量，其值取决于两个参量：横向滤波器中抽头输入的自相关矩阵以及期望响应与该抽头输入之间的互相关向量。其次，我们使用这些相关的瞬态值，以便导出梯度向量的估计值，推导中假设该向量是随机的。基于上述思想的算法，通常称为最小均方（LMS，least-mean-square）算法。当横向滤波器运行在实数据的情况下，该算法大体上可描述为：（抽头权向量更新值）=（老的抽头权向量值）+（学习速率常数）（抽头输入向量）（误差信号）其中误差信号定义为期望响应与抽头输入向量所产生的横向滤波器实际向量之差。LMS算法很简单，而且在正确条件下可获得满意的性能。其主要缺点是收敛速率相当缓慢，而且对抽头输入相关矩阵条件数（矩阵的条件数定义为其最大特征值与最小特征值之比）的变化比较敏感。即使这样，LMS算法仍然十分流行且应用广泛。在非平稳环境下，误差性能曲面的方向随时间连续变化。在这种情况下，LMS算法有一个连续跟踪误差性能曲面极小点的附加任务。实际上，只要输入数据变化比LMS算法学习速率来的慢时，就会发生跟踪问题。随机梯度方法也用于格型结构。产生的自适应算法叫做梯度自适应格型（GAL gradient adaptive lattice）算法。LMS和GAL算法是自适应滤波器随机梯度族的两个成员，而且迄今为止，LMS仍然是这个家族中最流行的一员。②最小二乘估计第二种自适应滤波算法以最小二乘法为基础。根据这个方法，我们对加权误差平方和形式的代价函数进行最小化，其中误差或残差定义为期望响应与实际滤波器输出之差。最小二乘法可用块估计或递归估计来表示。在块估计中，输入数据