数字信号处理实研究.docVIP

实验一 基于LMS算法的自适应滤波器设计 自适应算法的概括 包括最小均方算法LMS、最小高阶均方算法LMP、最小平方算法OLS、递推最小算法RLS。自适应算法主要根据滤波器输入的统计特性进行处理，存在开环算法和闭环算法；开环算法的控制输出仅取决于滤波器的输入和其他输入数据；闭环的控制输出则是滤波器输出及其他输入信号的函数。闭环控制利用输出反馈，不但能在滤波器输入信号变化时保持最佳输出，而且在某种程度上补偿滤波元件参数的变化和误差以及运算误差。 二、自适应滤波器的结构 自适应滤波器由参数可调的数字滤波器和自适应算法两部分组成。如图1.1所示为自适应滤波器的一般结构。输入信号通过参数可调数字滤波器后产生输出信号（或响应），将其与参考信号（或期望响应）进行比较，形成误差信号，通过某种自适应算法对滤波器参数进行调整，最终使得均方值最小。所以，自适应滤波器实际上是一种能够自动调整本身参数的特殊的Wiener模型。 图1.1 自适应滤波器的一般结构 上面的自适应滤波器设计不需要知道关于输入信号和噪声的统计特性，能够在工作过程中估计出所需的统计特性，并以此为依据自动调整自己的参数，以达到最佳的滤波效果。一旦输入信号统计特性发生变化，其又能跟踪这种变化，自动调整参数，从而使滤波器性能达到最佳效果。 滤波器采用的结构 采用FIR横向滤波器（由于IIR滤波器存在稳定性问题）作为自适应滤波器结构，如图1.2所示。 图1.2 FIR横向滤波器结构 图中所示自适应滤波器的输入矢量： ， 权重系数矢量：，即自适应滤波器的冲击响应。 为自适应滤波器的输出矢量；为时间序列；为滤波器的阶数。其均方误差为式（1-1）所示： 滤波器输出为式（1-2）所示： 的自相关函数为式（1-3）所示： 和期望输出信号的互相关函数为式（1-4）所示： 误差信号定义为期望输出与滤波器的实际输出之间的误差，即式（1-3）所示： 在是常数矢量的情况下，由式（1-1）可得出 上述为均方误差性能函数，其中是输入矢量的自相关矩阵，是输入矢量与期望响应的互相关矢量为使均方误差最小化，对关于求导使其值为0，得到式（1-7）所示： 在最小均方误差下，滤波器的权向量，一定满足正则方程： 当为满秩时，正则方程有唯一解，称为维纳解，即。则得到均方误差的最小值表达式为维纳误差，式（1-9）所示： 四、LMS自适应滤波算法 LMS算法使用的是最陡下降法，它是取单个误差样本的平方的梯度作为均方误梯度的估计，则由式（1-1）和式（1-5）可推出梯度公式为式（1-10）所示。 由此得到一个新的权矢量递推公式，即LMS算法的递推公式为式（1-11）所示。 LMS算法仿真 1、LMS算法步骤： （1）、设置变量和参量： 为输入向量，或称为训练样本，为权值向量，为期望输出 ；为实际输出，为学习速率，为迭代次数。 （2）、初始化，赋给各一个较小的随机非零值， （3）、对于一组输入样本和对应的期望输出，计算 （4）、判断是否满足条件，若满足算法结束，若否则，转入第3步继续执行。 2、基本LMS算法程序，见附录1。 3、程序仿真结果分析。 图1.3 步长因子u=0.0002时的滤波情况 结果分析：从图中可以看到，在加入信噪比为5dB噪声后输出的正弦波形有明显的抖动失真，在通过步长因子u=0.0002，时域抽头阶数K=128的自适应滤波后，一开始由于迭代次数较少，权重次数W还没有得到完全修正，误差较大，在N在0-120之间输出的波形还有较大的失真，经过迭代次数的增加，均方误差逐渐趋于0，在N=350之后可以看到输出的波形有了明显的改善，从而可以得出，自适应滤波器运用LMS算法能对加噪的信号进行修正，得到的输出信号有较高的精确度。 图1.4 步长因子u=0.005 时的滤波情况 结果分析，在步长因子u增加后，可以看到收敛速度加快，自适应时间缩短，收敛曲线经过较少的时间就趋于0，但是从滤波输出曲线可以看到在N=0-100之间输出波形并没有得到很好的矫正，这说明步长因子增加后滤波性能有一定程度上的降低。 图1.5 滤波器阶数K=32时的滤波情况 结果分析：当滤波器阶数K减少后，比较图1.3可以看到其收敛速度变慢。从图中可以看出，误差曲线收敛缓慢，知道在N接近1000时，还有较小的误差。但当阶数K增大道一定程度，收敛速度变化不明显，且可能引起系数迭代过程不收敛。 小结 LMS算法最核心思想是用平方误差代替均方误差，自适应步长的选择越大，自