三章 自适应滤波系统.pptVIP

第三章 自适应滤波系统 本章重点： 掌握自适应滤波器设计的基本思想（基本原理）; 掌握基于LMS算法的自适应滤波器设计方法； 了解熟悉自适应滤波器的应用条件及对应； 掌握算法编程的技巧。 Why？ 维纳滤波参数是固定的，适用于平稳随机信号。卡尔曼滤波器参数是时变的，适用于非平稳随机信号。然而，只有对信号和噪声的统计特性先验已知条件下，这两种滤波器才能获得最优滤波。 What？ 所谓的自适应滤波，就是利用前一时刻已获得滤波器参数等结果，自动地调节现时刻的滤波器参数，以适应信号或噪声未知的或随时间变化的统计特性，从而实现最优滤波。设计自适应滤波器时可以不必要求预先知道信号和噪声的自相关函数，而且在滤波过程中信号与噪声的自相关函数即使随时间作慢变化它也能自动适应，自动调节到满足最小均方差的要求（因此实际同WF及KF是一致的）。这些都是它突出优点。 需要已知的内容：输入及理想的输出（参考信号） Example：基于最陡下降法 其中： 其基本结构可表示为： 应用需求（HOW？） §3.1 LMS自适应滤波器基本原理 介绍了自适应滤波器的结构形式、物理意义及实质，从而说明其实质是同 WF一致的，只是算法的思想不同。 横向结构的FIR滤波器的物理意义 系统的零状态响应为： 语言可描述： 输出 是N个所有过去各输入的线性加权之和，其加权系数就是 上式可等价为：即：自适应滤波器可看成是自适应线性组合器 ，其结构图如下： 线性组合器（通用的结构模型） 横向FIR结构 横向FIR自适应滤波器简化形式: 自适应滤波器的工作原理介绍 原则：最小均方差。 需要求的是加权系数W 推导的思路： 将输出y的表达式代入均方差公式中，对欲求的权系数求一阶导数为零的值，即为最佳值。 §3.2 Widrow-Hoff LMS算法（递推算法） 最陡下降法原理 3.2.2 能使LMS算法收敛于 的μ值范围 本节讨论以下问题： 1。控制参数μ是否可以任意选取，只要大于零就行吗？ 2。其大小影响了算法的那些方面？ 3。具体在滤波器的实际设计中，应如何确定？ 2。μ是一个控制稳定性和收敛速度的参量 ，其对收敛的影响 有以下结论： 1：在 的范围内，当μ取得愈大，有 愈大，收敛愈快。 2；在满足 2 条件下的μ，最后仍可收敛于 。图3.2.4(a)表示在这种情况收敛的过程（这种情况称为欠阻尼情况。对应于欠阻尼情况，（1）情况成为过阻尼）。 当μ选得过大，使 2 时，此时将不能收敛于 3.2.3 LMS算法的动态特性—学习曲线及其时间常数 §3.5 自适应滤波系统在信号处理中的其它应用 3.5.1自适应仿模（Adaptive modeling）系统 %自适应滤波程序 echo off; t=(0:.01:10-0.01); n=size(t); d=0.5*sin(2*pi*t);%参考信号 noise=rand(n)-0.5;%干扰信号 x=d+noise;%输入信号 M=20;%滤波器长度 u=0.002;%收敛因子 w=zeros(M); for k=1:M %序列长度小于滤波器阶数 y(k)=0; for i=1:k-1 y(k)=y(k)+w(i)*x(k-i); end e=d(k)-y(k); for i=1:k-1 w(i)=w(i)+2.0*u*e*x(k-i); end end 自适应滤波实验 输入是信噪比为1的信号，其中，v(i)是均值为零，方差为1的高斯噪声。在这里，我们就直接认为参考信号d(i)＝s(i)，滤波器的长度设置为20点。收敛因子u=0.005。 其MATLAB源程序如下所示： % 自适应滤波的演示程序 % 参考的系统如下： % 实际输入信号x(n)=2^0.5*sin(0.05*pi*n)+v(n), % v(i)是均值为零，方差为1的高斯噪声,实际输入信号的信噪比是1 % 参考信号直接设为d=s; % 收敛因子u=0.0005 % 滤波器的长度为20点，即w的长度是20点 n=0:0.1:120; % 系统赋初值 s=2^0.5*sin(0.05*pi*n); % 有用信号 v=1*randn(size(n)); % 噪声信号 x=s+v; % 实际的输入信号 d=s; % 参考信号 u=0.0005;