中科院数字信号处理作业自适应滤波.docVIP

数字信号处理实验 一、实验目的 掌握滤波器的基本原理 设计滤波器，对加噪声的信号进行滤波处理； 实验原理 图1自适应滤波原理图 在自适应滤波器中，参数可调的数字滤波器一般为FIR数字滤波器，IIR数字滤波器或格型数字滤波器。自适应滤波分2个过程。第一，输入信号想x(n)通过参数可调的数字滤波器后得输出信号y(n)，y(n)与参考信号d(n)进行比较得误差信号e(n)；第二，通过一种自适应算法和x(n)和e(n)的值来调节参数可调的数字滤波器的参数，即加权系数，使之达到最佳滤波效果。 三、实验内容及要求 1、给出自适应滤波器的设计思路； 2、在同一幅图中绘出受干扰观测信号和滤波处理后输出信号的波形图、自适应滤波器的权系数和均方误差； 3、给出自适应滤波开始时和稳定时的输出信号波形图； 四、LMS自适应滤波器原理 LMS算法最核心的思想是用平方误差代替均方误差[2]。因此该算法简化了计算量。在自适应噪音抵消系统中,如自适应滤波器参数选择不当,就达不到应有的滤波效果,而且还可能得到适得其反的效果。因此针对不同的信号和噪声应选择相应的参数 [3]。可见，参数的选择对滤波效果是至关重要的。下面仅以L阶加权自适应横向滤波器为例，推导LMS算法的公式。L阶加权自适应横向滤波器，如图2所示。 图2 L阶加权自适应横向滤波器 LMS算法公式推导： 设; ；其中为输入信号，为加权系数。 误差信号： (1) 公式（1）中d（n）为参考信号，y(n) 为输出信号。 误差信号均方值： (2) 由公式（1）和公式（2）得： 均方误差性能曲面的梯度： (3) 而最陡下降法迭代计算全矢量公式： (4) 公式（4）中为控制稳定性和收敛速度的参数。 由公式（3）和公式（4）得： (5) 公式（5）说明了LMS算法的核心是用每次迭代的粗略估计值代替了实际的精确值，这样大大简化了计算量，但是不可否认，加权系数不可能准确的沿着理想的最陡下降路径来调整自身的参数，而加权系数与μ有着密切的关系。因此，适当的选择自适应滤波器性能参数μ显得格外重要。 四、实验结果及分析 一、先将滤波器的阶数设置为50，然后改变步长u的大小进行比较。 图1 u = 0.0000006 图2 u = 0.00006 图3 u = 0.006 通过上述三组图的对比可以看出，u的值越大，收敛的越快。但是当u的值达到一定大小后会导致滤波器发散，完不成滤波效果。 0.0000006，然后改变滤波器阶数的大小进行比较。 图4 滤波器阶数K=20 图5 滤波器阶数K=50 图6 滤波器阶数K=100 图7 滤波器阶数K=150 由上述几幅图进行对比可以看出，当步长大小确定时，滤波器的阶数越大，最终达到稳定后的滤波效果越好。 三、当步长大小u=0.0000006，滤波器阶数K=50的时候，在同一幅图中画出理想信号、输入信号、自适应滤波后的信号以及均方误差如图8所示。 图8 同一幅图中的各种信号 图中红色的为加噪后的信号，蓝色为滤波后的信号，黄色为均方误差，立项信号是绿色的曲线，被红色所掩盖了。 从均方误差曲线可以看出，滤波开始的时候均方误差较大，随着迭代次数的升高，军方误差趋于一个稳定的值。 本实验由于权系数取的是高阶的，所以没有画出权系数的曲线。 附录：程序源代码 %======code of adaptive-filtering=======% clc;clear; % u is the step-length that will determine the convergence rate %n is the sampling rate %K is the lengh of weighting coefficients u = 0.0000006; n = 0: 0.01: 200-0.005; K = 50; x = 5 * sin( 0.05 * n); % desired signal noise = normrnd(0, sqrt(5), 1, length(x)); % noise x_n = x + noise; % input signal w=zeros(1, K); % weighting coefficients iterNum = length(x) - (length(w)-1); % iteration number %===process adaptive-filtering======% for i = 1 : iterNum y(i+lengt