生物医学信号处理7课件.pptVIP

维纳滤波参数是固定的，适用于平稳随机信号。卡尔曼滤波器参数是时变的，适用于非平稳随机信号。然而，只有对信号和噪声的统计特性先验已知条件下，这两种滤波器才能获得最优滤波。 所谓的自适应滤波，就是利用前一时刻已获得滤波器参数等结果，自动地调节现时刻的滤波器参数，以适应信号或噪声未知的或随时间变化的统计特性，从而实现最优滤波。设计自适应滤波器时可以不必要求预先知道信号和噪声的自相关函数，而且在滤波过程中信号与噪声的自相关函数即使随时间作慢变化它也能自动适应，自动调节到满足最小均方差的要求（因此实际同WF及KF是一致的）。这些都是它突出优点。 概念: 利用前一时刻已获得的滤波器参数等结果,自动的调节(更新)现时刻的滤波器参数.以适应信号和噪声未知的统计特性,或者随时间变化的统计特性,从而实现最优滤波. 这个概念是从仿生学中引伸出来的，生物能以各种有效的方式适应生存环境，生命力极强。 几种重要的自适应滤波器: 最小均方(LMS)自适应滤波器; 递推最小二乘(RLS)自适应滤波器. 格型结构自适应滤波器. 前两种最常用。 E [ε2(j)]与[W]的关系 对均方误差梯度求导 LMS算法递推式 设w(j)是j时刻的权矢量，w(j+1)是j+1时刻的权矢量； 则LMS算法的递推公式为： 式中μ0, μ是一个控制稳定性与收敛速度的参数。 因为E[ε2(j)]是权矢量W的二次方程，即E[ε2(j)]与W的关系在几何上是一个“碗形”的多维曲面。 自适应递推算法的递推过程步骤1 步骤2 步骤3-合并 步骤4-结论 LMS自适应滤波器递推公式 应用－预测器 应用－自适应模拟 应用－自适应噪声对消 自适应噪声抵消 自适应噪声抵消的目的是;去除主信号中的背景噪声. 噪声抵消技术主要依赖于从主信号和噪声中获取参考信号. 2、自适应陷波器的优点 与一般陷波器比较，有两 大优点： （1）能够自适应地准确跟踪干扰频率。 （2）容易控制带宽，且 3、单频干扰陷波器框图 %自适应滤波程序 echo off; t=(0:.01:10-0.01); n=size(t); d=0.5*sin(2*pi*t);%参考信号 noise=rand(n)-0.5;%干扰信号 x=d+noise;%输入信号 M=20;%滤波器长度 u=0.002;%收敛因子 w=zeros(M); for k=1:M %序列长度小于滤波器阶数 y(k)=0; for i=1:k-1 y(k)=y(k)+w(i)*x(k-i); end e=d(k)-y(k); for i=1:k-1 w(i)=w(i)+2.0*u*e*x(k-i); end end 自适应滤波实验 输入是信噪比为1的信号，其中，v(i)是均值为零，方差为1的高斯噪声。在这里，我们就直接认为参考信号d(i)＝s(i)，滤波器的长度设置为20点。收敛因子u=0.005。 其MATLAB源程序如下所示： % 自适应滤波的演示程序 % 参考的系统如下： % 实际输入信号x(n)=2^0.5*sin(0.05*pi*n)+v(n), % v(i)是均值为零，方差为1的高斯噪声,实际输入信号的信噪比是1 % 参考信号直接设为d=s; % 收敛因子u=0.0005 % 滤波器的长度为20点，即w的长度是20点 n=0:0.1:120; % 系统赋初值 s=2^0.5*sin(0.05*pi*n); % 有用信号 v=1*randn(size(n)); % 噪声信号 x=s+v; % 实际的输入信号 d=s; % 参考信号 u=0.0005; % 收敛因子 for i=1:20, w(i)=0; % w(i)的初值都设置为0 end for i=1:1200, % 对y赋初值为0 y(i)=0; end for i=1:1200, if i20 for j=1:i, y(i)=y(i)+w(j)*x(i+1-j); % 用卷积求y(i) end e=d(i)-y(i); for j=1:i, w(j)=w(j)+2*u*e*x(i+1-j); % 修正w(n) end else for j=1:20, y(i)=y(i)