2_4 自适应滤波在信号处理中应用 - MATLAB数字信号处理和应用.docVIP

2_4 自适应滤波在信号处理中应用 - MATLAB数字信号处理和应用 2.4 自适应滤波在信号处理中的应用 - MATLAB数字信号处理和应用 MATLAB数字信号处理和应用 2.4 自适应滤波在信号处理中的应用 2.4 自适应滤波在信号处理中的应用 2.4 自适应滤波在信号处理中的应用 自适应滤波器的各种应用在很多文献中都有介绍，一些重要的应用包括：⑴系统建模，其中自适应滤波器作为估计未知系统特性的模型。⑵自适应噪声对消器，其中自适应滤波器用于估计并对消期望信号中的噪声分量；⑶数字通信接收机，其中自适应滤波器用于信道识别并提供码间串扰的均衡器；⑷自适应天线系统，其中自适应滤波器用于波束方向控制，并可在波束方向图中提供一个零点以便消除不希望的干扰。 2.4.1 系统辨识或系统建模 对于一个真实的物理系统，人们主要关心其输入与输出特性，即对信号的传输特性，而不要求完全了解其内部结构。系统可以是一个或多个输入，也可以有一个或多个输出。通信系统的辨识问题是通信系统的一个非常重要的问题。所谓系统辨识，实质上是根据系统的输入与输出信号来估计或确定系统的特性以及系统的单位脉冲响应或传递函数。 系统辨识与建模是一个非常广泛的概念，在控制、通信与信号处理等领域里都有重要意义。实际上，系统辨识与建模不仅局限于传统的工程领域，而且可以用来研究社会系统、经济系统与生物系统等。本节只讨论通信与信号处理中的系统辨识与建模问题。采用滤波器作为通信信道的模型，并利用自适应系统辨识的方法对通信信道进行辨识，从而可以进一步地对通信信道进行均衡处理。 如果把通信信道看成是一个“黑箱”，仅知道“黑箱”的输入与输出；以一个自适应滤波器作为这个“黑箱”的模型，并且使滤波器具有和“黑箱”同样的输入与输出。自适应滤波器通过调制自身的参数，使滤波器的输出和“黑箱”的输出相“匹配”。这里的“匹配”通常指最小二乘意义上的匹配。这样，滤波器就模拟了通信信道对信号的传输行为。尽管自适应滤波器的结构与参数和真实的通信信道不一样，但是它们在输入、输出响应上保持高度一致。因此，在这个意义上，自适应滤波器就是这个未知“黑箱”系统的模型。并且还可以发现，如果自适应滤波器具有足够多的自由度(可调节参数)，那么，自适应滤波器可以任意程度地模拟这个“黑箱”。 假定未知信道为有限冲激响应(FIR)结构，构造一个FIR结构的自适应滤波器，如图7-12所示。在图中，用一伪随机系列作为系统的输入信号x(n)，同时送入未知信道系统与自适应滤波器。调整自适应滤波器的系数，使误差信号e(n)的均方误差达到最小，则自适应滤波器的输出y(n)近似等于通信系统的输出d(n)。可以证明，加性噪声v(n)的存在并不影响自适应滤波器最终收敛到最优维纳解。可以认为，具有相同输入与相似输出的两个FIR系统，应该具有相似的特性。因此，可以采用自适应滤波器的特性或其单位脉冲响应来近似替代未知系统的特性或单位脉冲响应。 图7-12 自适应系统辨识原理图 模型建立的过程通常分为三步： ① 选择模型的结构与阶次； ② 估计模型的参数； ③ 验证模型的性能是否满足要求，如果不满足要求，回到第①步重新设计。 【例7-7】通过FIR滤波器的自适应调整，不断修正其系统函数，使其和未知系统的参数充分逼近，从而使误差最小，达到系统辨识的目的。 例程7-5 基于LMS算法的系统辨识 clear clc ee=0; fs=800; det=1/fs; f1=100; f2=200; t=0:det:2-det; x=randn(size(t))+cos(2*pi*f1*t)+cos(2*pi*f2*t); %未知系统 [b,a]=butter(5,150*2/fs); d=filter(b,a,x); %自适应FIR滤波器 N=5; delta=0.06; M=length(x); y=zeros(1,M); h=zeros(1,N); for n=N:M x1=x(n:-1:n-N+1); y(n)=h*x1; e(n)=d(n)-y(n); h=h+delta.*e(n).*x1; end X=abs(fft(x,2048)); Nx=length(x); kx=0:800/Nx:(Nx/2-1)*(800/Nx); D=abs(fft(d,2048)); Nd=length(D); kd=0:800/Nd:(Nd/2-1)*(800/Nd); Y=abs(fft(y,2048)); Ny=length(Y); ky=0:800/Ny:(Ny/2-1)*(800/Ny); figure(1); subplot(3,1,1) plot(kx,X(1:Nx/