[工学]微弱信号检测课件7高晋占 --清华大学出版.pptVIP

Chapter 7 Adaptive Noise Cancelling ?? Principles ?? The Steepest Descent Method ?? The LMS Algorithm ?? Other Optimum Algorithms ?? Applications 4．算法中的梯度?(k)计算忽略了求数学期望，所以叫做随机逼近。式(6)中的h(k)非线性地取决于随机变量 X(k)，即使分析h(k)的平均特性也很困难。 5. 收敛后h(k)波动的一个测度是E[| h(k)- h *|2]， 在某些限制条件之下，可表示为： 因此，步长μ可以控制收敛之后h(k)波动的幅度， 需要在收敛精度和收敛速度之间做权衡。 * 7.1 自适应噪声抵消原理 7.1.1 简述 1．补偿法噪声抵消 传输通道差异 导致不能完全补偿。 2.自适应噪声抵消 算法调整滤波器参数，使： 计算过程： 逐次迭代使： （1）在时刻 , 计算滤波器输出 ； （2）计算 ； （3）计算下一次的滤波器参数； （4） ，跳到（1）。 7.1.2 自适应噪声抵消原理 1．自适应噪声抵消基本思想 2．自适应滤波器 （1）FIR横向滤波器 权序列： 回归向量: FIR滤波器输出： 特点： 全零点,稳定,线性相移；通带特性边沿陡峭时 需要相当高的阶次。 （2） IIR横向滤波器 特点： 既有零点又有极点，可以用不高的阶次实 现边沿陡峭的通带特性； 稳定性不好，而且相位特性难于控制。 （3）格型滤波器 基于Levinson-Durbin算法 特点：各级结构相对独立，每级的参数可独立调 节，对舍入误差不敏感。 7.1.3 自适应FIR维纳滤波器 权序列： 回归向量: 误差信号： 定义准则函数： 正交状态方程为 或 使 最小化的目的： 从 中除去任何与 相关的部分， 剩余的 只保留与 不相关的部分。 对于FIR滤波器： 1．FIR滤波器权序列的最优解 得正则方程（Normal Equation）： 维纳最优解： 式中： 为具有Toeplitz 结构的对称阵，即 2．最优解的相关消噪解释 由正交状态方程 可知， 互不相关；第二项是和 相关的项，滤波后从 中被消除了。剩余的 是与 互不相关的项。 7.2 最陡下降法 7.2.1 准则函数特性 误差信号： 准则函数： 式中： 7. 2. 2 最陡下降算法 沿负梯度逐次逼近法： μ为步长，μ太小则收敛太慢， μ太大则振荡或不收敛。 最陡下降法的相关解释： 当收敛到碗底最小点时， 问题： 的先验知识确定。 满足正交状态方程。 7.2.3 最陡下降算法性能 1．收敛条件 由上式可推理出 由于 为对称矩阵，用酉矩阵变换法，可得 得： 式中， 只要保证 每个特征值 都满足 得最陡下降算法收敛条件为 7. 3 LMS Algorithm 7.3.1 算法 说明梯度估计是一种无偏估计。 将： 代入最陡下降算法： 对比上式与（2）式可知： LMS算法计算过程： （1）选定权序列初始值h(0)， k=0（常选h(0)=0）； （2）计算滤波器输出 （3）计算 ； （4）计算； （5）k→k+1，跳到（2） 逐次迭代使 . 算法注评： 7.3.2 收敛条件 得： ∴ LMS算法收敛于维纳最优解的条件为： ∴ 收敛条件可修正为： 7.3.3 收敛速度 7.3.4 学习曲线 失调系数 LMS算法特点 （1）算法能充分利用信号各频段的能量，对宽带及窄 带信号都适用； （2）算法较简单，易实现； （3）收敛速度取决于 的分散程度及信号功率 ： 越分散，收敛越慢； （4） 收敛到Wiener最优解 的附近。 7．4 其它自适应算法 7.