自适应信号滤波.pdfVIP

实验二、自适应信号滤波 学 院： 专 业： 学 号： 姓 名： 指导老师： 2012-12-6 自适应信号滤波 一、实验目的 1、 利用自适应LMS 算法实现FIR 最佳维纳滤波 2、 观察影响自适应 LMS 算法收敛性，收敛速度以及失调量的 各种因素，领会自适应信号处理方法的优缺点。 3、 通过实现AR 模型参数的自适应估计，了解自适应信号处理 方法的应用。 二、实验原理  假设信号y(n)=x(n)+w(n),(2-1) 其中x(n)为有用信号，w(n)为干扰信号。利用维纳滤波的方法 ˆ x 可以用y(n)信号中得到有用信号x(n) 的最佳估计 (n)。假如维纳滤 波器由一个 FIR 滤波器所构成，则其最佳权系数 hopt 可表示为 hopt=R-1r, (2-2) 其中，hopt=[h0,h1,..,hm]T (2-3) T R=E[yy ], (2-4) r=E[x(n)y] (2-5) y= [y(n),y(n-1),…,y(n-m)]T (2-6) 但在实际中，一般很难准确的统计量R 和r,因此，若设计一个维 纳滤波，事先要估计出R, r。同时，当R 和r 改变时，（如果信号或干 扰是非平稳的），需要重新计算 h,这是非常不方便的。虽然卡尔曼滤 波方法无须事先知道R 和r,但它必须知道系统的初始状态和噪声的统 计特性，这在实际中是很难做到的。根据卡尔曼滤波的思想，Widrom 等提出了一种自适应最小均方差的算法（LMS）,这种算法不需要事先 知道相关矩阵R, r, 由所得到的观察值y(n),滤波器等价于自动“学习” 所需要的相关函数，从而调整FIR 滤波器的权系数，并最终使之收敛 于最佳值，即维纳解。 LMS 算法如下： M ˆ ˆ , (2-7) x(n)  h(n)y (n m) m 0 e(n)=x(n)-y(n), (2-8) ˆ ˆ hm (n 1) hm (n) 2.e(n)y (n m) m=0,…M (2-9) ˆ 其中 FIR 滤波器共有 M+1 个权系数，hm (n) 表示 FIR 滤波器第 m 个权系数在第 n 步的估计值。因此给定初始值 hm(0)，每得到一个样  本y(n),可以递归得到一组新的滤波器系数，只要步长 满足 1 ˆ   h (n) 0