第七章自适应格型和递归型滤波器.pptVIP

第七章 自适应格型和递归型滤波器 7.1引言 7.2格型递归算法 7.3格型滤波器的基本结构 7.4基于伯格公式的自适应格型算法 7.5自适应统计梯度格型算法 7.6自适应RLS格型算法 7.7方程误差结构形式的自适应IIR滤波器 7.8输出误差结构形式的自适应IIR滤波器 7.9自适应递归高斯-牛顿算法 7.10自适应递归滤波器LMS算法及其它自适应递归算法 7.1 引言 自适应格型滤波器有着广泛的应用领域，例如用于系统辨识和控制、噪声干扰抵消，信道均衡，以及语音分析和合成等。特别是递归最小二乘格型滤波器具有非常好的数值特性并能跟踪时变信号。 自适应格型滤波器的算法准则正如前述自适应横向滤波器一样，有最小均方误差准则与最小二乘误差准则两种，因而自适应格型滤波器也有两种不同算法及其实现结构。 本章将详细讨论自适应最小二乘格型滤波器的结构和算法，包括非归一化RLS格型滤波器和归一化RLS格型滤波器、自适应格型滤波联合处理滤波器、绝对递归LS格型滤波器、自适应QR分解格型算法，以及自适应拉格里格型滤波算法。 7.2 格型递归算法 7.2.1 时间递归算法 7.2.2 阶数递归算法 7.2.3 格型滤波器的相关性质 7.3 格型滤波器的基本结构 数字格型滤波器有FIR与IIR两种类型结构，前者属滑动平均(MA)模型，后者有自回归(AR)模型与自回归滑动平均(ARMA)模型，它们的基本结构形式不完全相同。现在我们分别讨论它们的模型结构及其转移函数。 7.4基于伯格公式的自适应格型算法 反射系数是格型滤波器中的一个重要参数。为了使滤波器能稳定工作，要求前向与后向反射系数的值小于1。但是，采用前节计算方法很难保证这个要求，尤其在语音线性预测编码等信号处理中存在着严重问题。伯格方法就是用来克服这个限制问题的。 在伯格方法中，前向反射系数与后向反射系数被假定是相等，即 。由前述格型滤波器理论，不难写出平稳输入信号情况下第m节的 7.5 自适应统计梯度格型算法 7.6 自适应RLS格型算法 7.7方程误差结构形式的自适应IIR滤波器 7.8输出误差结构形式的自适应IIR滤波器 7.9 自适应递归高斯-牛顿算法 7.10 自适应递归滤波器LMS算法 把式(7.4.19) 和式式(7.4.20)代入(7.4.22)，得到 将式(7.4.18)代入上式中，整理后变成 (7.４.23a) (7.４.23b) 上式表示格型滤波器中第m节的递归计算关系，因此，将式(7.４.23b)代入式(7.４.21)中，可得到反射系数估计的时间递归计算公式： (7.４.24) 　　图7.8表示式(7.4.24)时间更新递归计算的信号流图，其中， 　　　是利用式7.4.20)进行递归计算的。注意， 的计算需要第m节输入端前向预测误差 与延迟后向预测误差 的知识。而式(7.4.24)中校正项又需要这节输出端前向预测误差 与后向预测误差 这两个变量的知识。当格型滤波器输入信号是平稳随机过程时，指数加权常数 λ将等于1， 随着迭代次数连续地增加，校正项 将随着 n 趋于 ∞ 而趋于零。 ∑ 图7.8 反馈系数时间递归计算的信号流图 - + 显然，上述递归计算的自适应估计方法的分块估计计算具有计算量低和存贮量少的优点。这种改进是以反射系数估算带有噪化计算为代价的。 在这里我们仅给出自适应随机梯度格型算法： 　　在第五章，我们已经详细介绍了自适应递归最小二乘(RLS)算法，它的收敛速度高于LMS算法。早在1997年，Morf 等就提出了自适应RLS格型算法。如本章前面所述，由于格型滤波器的递归算法结构及存在预测误差的许多相关性质，使RLS格型算法具有较多的独特优点，除了比LMS算法有快速收敛性之外，时间递归和阶数递归可混合使用，获得高效信号处理和计算；利用前向预测误差和后向预测误差传递信息和准确处理数据，数值稳定性也好． 　　自适应格型滤波器有许多不同的快速算法，除了前面讨论的伯格方法和由它导出的梯度算法之外，还有最小二乘格型算法中几种不同的形式，非归一化RLS算法，归一化 RLS算法，以及方差归一化RLS等。 　除了前面介绍的几种格型滤波器算法外还有自适应QR分解格型算法、