005-自适应滤波.pptVIP

定义n时刻信号矢量 加权矢量 则 IIR型LMS算法推导： IIR型LMS滤波器 自适应算法(2)---IIR型LMS算法 输入信号 以前输出信号 对b的偏导 对a的偏导 IIR自适应LMS算法在 时，即为FIR自适应LMS算法 令： 分别相对 的系数 则 滤波系数的迭代关系： 自适应IIR滤波器等效双输入自适应FIR滤波器，性能有类似 自适应算法(2)---IIR型LMS算法 LMS算法推导： IIR自适应滤波器算法步骤 自适应算法(2)---IIR型LMS算法 LMS算法→最小均方误差准则 RLS算法→最小二乘准则 自适应算法(3)---RLS算法 引入加权因子 信号误差： 加权最小二乘误差： 作用：对于越新的数据，加权越重 min RLS滤波器系数求解： 自适应算法(3)---RLS算法 时间平均自相关矩阵 时间平均互相关矩阵 滤波器系数W 故，滤波系数： 其递推项： 自适应算法(3)---RLS算法 其中： RLS自适应算法步骤 初始条件： 递归计算 递推RLS滤波的系数更新递归公式：（公式推导过程略） 加权因子λ：接近1但小于1的正常数。 0.95λ1，λ=1即平稳输入，无限记忆； 输入过程的非平稳程度越严重，则λ越小。 正则化参数δ： 为输入过程1方差 ①高信噪比(SNR30db)：α=1，较小的δ； ②中信噪比(SNR=10db数量级)：-1α0，中等δ； ③低信噪比(SNR=-10db数量级)：α-1，较大的δ； 自适应算法(3)---RLS算法 RLS自适应算法参数选择 其中， Matlab中的自适应滤波设计： adaptfilt.lms、 adaptfilt.blms、 adaptfilt.nlms、adaptfilt.rls 、adaptfilt.hrls LMS：ha = adaptfilt.lms(N,u); RLS：ha = adaptfilt.rls(N,lambda,P0); [y,e] = filter(ha, Mixed_Signal, refer_signal); 自适应滤波 阶数 滤波系数 初始逆相关矩阵C(0) 步长 输入信号 参考信号 输出信号， 误差 阶数越高，收敛越快，滤波效果愈好，但计算量加大 自适应滤波的应用—降噪 自适应滤波的应用—降噪 步长越大，收敛越快，但稳定误差变大 现代滤波器---小结 分析对象 滤波器系数 所需数据 存在不足 维纳滤波 平稳信号 所有n个时刻的数据共同参与计算 需知信号的统计特性 (相关矩阵) 卡尔曼滤波 非平稳信号 需要n和n-1时刻观测数据和状态数据 需知状态方程和观测方程 自 适 应 滤 波 LMS 非 平 稳 信 号 只需要n和n-1时刻观测数据 对参数敏感 RLS 只需要n和n-1时刻观测数据 计算复杂，数值稳定性欠佳 自适应滤波器的应用 自适应建模 估计未知系统H(z)的模型W(z)的参数 当自适应滤波器处于最优工作状态时，输出y(n)逼近所期望的响应d(n)，W(z)逼近H(z) 典型应用：自校正调节器，自适应回声抵消 自适应反向建模 典型应用：自适应信道均衡器 自适应线性预测 根据已知的前p次观测值来预测当前时刻的信号x(n)的估计值 自适应干扰抵消(降噪) 使用与干扰信号相关而与有用信号不相关的信号作为参考输入，估计干扰信号，然后从信号中减去该估计，得到期望信号 自适应抵消技术已广泛应用于通信、雷达、声纳、生物医学工程等研究领域 自适应滤波器的应用 心电图(ECG)记录 主要问题：市电干扰。 原因：电磁感应、导线或人体的位移电流等等。 原始输入：有电源干扰的心电图信号 参考信号：取自电源插头的信号 输出：消除了电源干扰的心电图信号 自适应滤波---应用实例（1） 原始输入 参考输入 自适应对消器的输出 ? 胎儿心电监护 提取胎儿的心电信号有助于了解胎儿的发育状况 主要问题：胎儿的心电信号微弱，母亲的心音强度通常是胎儿心音的2到10倍，肌肉活动及胎儿运动产生的外部噪声干扰严重 多参考噪声自适应对消： 原始输入：母亲腹部电极取得信号（母亲心音、胎儿心音和背景干扰） 参考信号：母亲胸部电极取得信号 输出：母体心电信号的强度小于胎儿心电信号，且胎儿的心电信号比较清楚。 自适应滤波---应用实例（2） 自适应对消器的输出 ? 用于胎儿心电图监测的多参考噪声对消器 母亲腹部导联的心电（原始输入） 母亲胸部导联心电（参考输入） 心脏移植心电图中移植心脏干扰的对消 希望获得旧心脏的起搏速率，它受新心脏的干扰。 原始输入：由穿过左臂静脉和上腔动脉，直至