六自适应信号处理.ppt

第六章 自适应信号处理 内容 1. 自适应滤波器原理 2. 自适应线性组合器 3. 均方误差性能曲面 4. 最陡下降算法 5. LMS算法 6. RLS算法 7. 典型应用：噪声消除 1。 自适应滤波原理 学习和跟踪（时变信号） 带有可调参数的最优线性滤波器 3. 自适应滤波器的性能 4. 最陡下降法 基本思想：搜索性能曲面 理想情况下（梯度可知）: 使用基于梯度的方法（最陡下降法） 实际情况（梯度多数不可知）: LMS方法（the Least-Mean-Square algorithm ） RLS方法（Recursive Least-Square Algorithm） 自适应过程的稳定性 参数变更的回馈模型 收敛速率 滤波器参数的收敛速度决定于自适应步长的选择 在主轴系统中参数沿着各个参数坐标轴独立收敛。各个坐标轴的收敛速度被各自的几何比 r 控制。 需要注意的是，在自然坐标系中各个参数w并不是独立收敛的。这是我们为什么要变换坐标系到主轴系统进行收敛分析的原因。 注意 最陡下降法具有更多的理论分析意义，实际操作时我们必须对其做很多近似。 6. 自适应的递归最小二乘方(RLS)算法 维纳滤波器的一种时间递归形式(收敛速度快) 遗忘因子 新数据比旧数据更加重要 7. 典型应用：噪声消除 没有回声控制的远程电视会议系统 使用自适应回声抵消器抵消回波 Least-Mean-Square Algorithm 最陡下降法在每次迭代时要求得到性能曲面梯度的估计值。 LMS 方法使用一个特别方法估计这个梯度（这个梯度对于自适应的线性组合器是有效的） LMS 方法的优势在于: (1) 计算简单方便 (2) 不需要离线的梯度估计或者数据副本 如果自适应系统是一个自适应线性组合器，并且输入矢量和期望响应在每次迭代时都可以得到，那么LMS方法通常是一个最好选择。 5. LMS 方法 LMS 方法推导 使用单次计算的估计误差平方代替平方误差的期望。 LMS使用单次误差代替误差平均，造成梯度和权矢量成为围绕真值的随机变量。 LMS 自 适 应 滤 波 器 举例（2输入线性组合器） LMS方法对梯度的估计的均值为真实梯度 估计量的期望值与真实梯度的偏差为0。所以为无偏估计 最陡下降法 LMS权矢量的均值等于最陡下降法得到的权矢量 最陡下降 LMS 单次 最陡下降 LMS 多次平均 收敛条件 在最小均方误差点 附近的梯度估计误差 (around ) (梯度估计噪声 ) 权矢量噪声 (2)在最小均方误差点 附近的权矢量估计误差 (3)在最小均方误差点 附近的权矢量噪声方差 梯度估计噪声的存在，使得收敛后的权矢量在最佳权矢量的附近随机起伏。这意味着稳态的均方误差值在 附近随机的改变。这个偏移量的期望值称为超量EMS 失 调 量 (1) 超量EMS（Mean-Square Error） (2) 失调量 M 实际应用中，失调量，收敛速度和权系数的个数往往需要作一个折中，因此这个方程很有用。 通常自适应过程在大概4倍学习曲线时间常数内基本结束。 因此，失调量可认为等于权重数目比上过渡时间（4倍时间常数）。 特殊情况下所有特征值都相等： 设计滤波器时的考虑 假设要求失调量小于10％，则过渡时间应当比权重数目大10倍。 维纳滤波器 RLS 自适应滤波器 自相关矩阵： 互相关矢量: 自相关矩阵逆的迭代形式： 相关的递归形式 A 和 B 是两个正定矩阵 关于矩阵逆的一个定理 * 统计信号分析与处理 机电学院通信工程系 2010年11月 侯 强 自适应算法 理论分析 两输入两输出Two inputs and two outputs; FIR,IIR, and 格形（Lattice） 最小均方误差和最小平方误差准则 线性滤波器 性能评价 自适应方法 输入信号 输出信号 期望响应 误差 滤波器参数 通用自适应滤波器的基本原理 失调量（Misadjustment） 计算复杂度（Computational complexity） 对时变统计量的跟踪能力 结构上：高模块性，并行性等（是否适合硬件实现） 收敛速度 数值特性：数值稳定性（对字长效应不敏感），数值精确性 鲁棒性：对噪声干扰不敏感，小能量干扰只能造成小估计误差 本章主要讨论自适应线性组合器（其分析和实现简单，在大多数自适应滤波系统中广泛应用）。 多输入自适应线性组合器 2。 自适应线性组合器 一类具有自适应参数的FIR数字滤波器。－－》一般形式 单输入自适应线性组合器 多输入 单输入 输入信号x的自相关矩阵R，期