自适应信号处理4.ppt

在实际进行谱估计中，只有输入信号数据 是未知的。进行线性预测滤波谱估计时，要从Yule-Walker ，须先计算自相关估值 而信号常常具有时变谱特性，自相关估值应不断更新，其计算量很大。采用自适应算法，随着新数据的输入，可直接自适应更新预测滤波系数估值。 时刻输入信号 用其前 个采样值 所作的线性预测值 为 预测误差 为 式中 与 。 在时变情况下， 可用，矩阵 方程求解 当采用LMS自适应算法时，线性预测滤波系数矢量 为 的最大特征值，则当 收敛到维纳解，即 稳态均方误差 即 由于 代入得 故 应满足 若 迭代式： （1）预测滤波参数矢量的初始值 当 （2）步长 线性预测滤波器阶数与输入信号统计特性有关。 对于自适应线性预测滤波算法，有三个基本参数： 大于过渡时间后 总趋于稳定值，一般选取 ，通常取 式中 可用平均估值来代替，即 （3）线性预测滤波器阶数 。 对横向自适应数字滤波器，其失调量 在线性预测滤波器的设计中，在保证滤波器快速收敛与失调量不太大的情况下，考虑谱分辨率问题： 当输入信号中谱线数目增加时，滤波阶数 L 应增加，但并非 阶数越多越好；当信噪比较低时，可适当增加阶数L；对AR过程信号，只要使滤波器阶数等于AR过程阶数即可，此时增加滤波器阶数L，对谱估计分辨率性能并无明显改善。 与滤波器节数 成正比， 而收敛步长 应满足条件： 值太大，不仅使 增大，还可能使 不能满足收敛条件， 产生发散现象。 C.5 自适应信号处理的应用 不同应用的基本自适应结构： （2）自适应反向建模 （1）自适应建模 （3）自适应干扰对消 （4）自适应预测 在自适应处理中所使用的误差信号取决于应用的类型 C.5.1 自适应建模 对于同样的输入信号，自适应滤波器通过自调整达到使其输出与未知系统的输出相近似或完全一致，则称此自适应系统为相应的未知系统的一个模型。 自适应系统与相应的未知系统的结构和参数可能相同，也可能不同，但它们的输入—输出响应关系类似。  设一个正弦输入信号 理想滤波器的输出是线性的，即  FIR滤波器综合 以自适应横向滤波器模拟理想滤波器特性，设其滤波器长度为L，则最佳模拟性能的自适应横向滤波器为 其中 T 为采样间隔 迭代求得 ，滤波器传输函数为 可用LMS算法 多径信道模型 C.5.2 自适应反向建模 一个未知系统的传输函数与其反向模型的传输函数互为倒数。 未知系统的传输函数称为受控对象 的功率谱为 ，噪声功率谱 且与输入不相关， 则性能函数 反向模型 设输入信号 为双边IIR非递归滤波器 ， 求最佳权值 得 由Z变换可得 而 则 所以 不考虑噪声，有最佳反向滤波器 此时 C.5.3 自适应均衡 在数字传输系统中，为了消除由于色散信道引起的符号间干扰，可以先把观测到的信号通过一个叫做均衡器的滤波器，其特性正好与信道特性相反。如果均衡器严格地与信道匹配，则信道与均衡器合在一起正好是一个纯增益，使均衡器的输出不出现符号间干扰。由于信道的特性可能是未知的并随时间缓慢变化的，因此均衡器应是自适应式的。 均衡条件 设 为输入数字序列， 表示信道的冲激响应， 是加性噪声， ，则接收信号为 接收端的采样间隔为 ，接收信号为 ， ， ， 右边第一项相当于所要求的信号，第二项是信道弥散造成的符号间的干扰效应，最后一项是加性噪声。 则 时刻的输出 为 设加均衡器后系统（即信道与均衡器的级联）的冲激响应为 其中 在采样时刻 满足下列条件： 实际中理想均衡是不能实现的，常以峰值失真最小为均衡条件 或以均方值失真最小为均衡条件 — 均方判决准则 —迫零判决准则 Lucky自适应数字均衡器 Lucky自适应数字均衡器采用横向滤波器结构及迫零算法，自适应调整横向滤波器加权系数 ，使被均衡系统的 满足 最小，即满足迫零判决准则。 由上式可见，理想的均衡器应使 ，由最陡下降法，第 步至第 步 若目标函数为 参数值 可按下式迭代计算： ， 由于 令 ， ， ， 为初始失真，定义为 而 即均衡器加权系数 代入，有 须满足 其中 Lucky证明下列两个重要结论： ，亦同时使 ，则 为上凹函数（ 除外） 为最小。 （1）若初始失真 为最小。 由于上凹函数有唯一最小点，故可使 则可得 （2）若 为最小的加权系数值 ，则使 用最陡下降法来求最小点，由（1）可得 则有 根据假定 ，即 小一数量级，得 ， 可得均衡器加权系数 的迫零自适应算法如下： ， 对于足够大的K个输入序列采样，若其平均功率为 S，即 则 的估计为 比 C.5.4 自适应干扰