基于LMS算法的自适应组合滤波器.docxVIP

基于LMS算法的自适应组合滤波器 摘 要 提出了一种自适应组合滤波器。它由并行LMS的自适应FIR滤波器和一个具 有更好的选择性的算法组成。作为正在研究中的滤波器算法比较标准，我们采取 偏差和加权系数之间的方差比。仿真结果证实了提出的自适应滤波器的优点。 关键词：自适应滤波器；LMS算法；组合算法；偏差和方差权衡 第一章绪论 自适应滤波器己在信号处理和控制，以及许多实际问题[1, 2]的解决当中得到了 广泛的应用.自适应滤波器的性能主要取决于滤波器所使用的算法的加权系数的 更新。最常用的自适应系统对那些基于最小均方（LMS）自适应算法及其改进（基 于LMS的算法）。 LMS算法是非常简便，易于实施，具有广泛的用途[l-3]o但是，因为它并不 总是收敛在一个可接受的方式，所以有很多的尝试，以对其性能做适当改进：符 号算法（SA）的[8],几何平均LMS算法（GLMS） [5],变步长LMS （最小均方 比）算法[6, 7]o 每一种基于LMS的算法都至少有一个参数在适应过程（LMS算法和符号算法, 加强和GLMS平滑系数，各种参数对变步长LMS算法的影响）中被预先定义。这 些参数的影响关键在两个适应阶段：瞬态和稳态滤波器的输出。这些参数的选择 主要是基于一种算法质量的权衡中所提到的适应性能。我们提岀了一个自适应滤 波器的性能改善的方法。也就是说，我们提出了几个基于LMS算法的不同参数的 FIR滤波器，并提供不同的适应阶段选择最合适的算法标准。这种方法可以适用于 所有的LMS的算法，虽然我们在这里只考虑其中几个。 第二章基于LMS的算法 让我们定义输入信号向量Xk = [x仗）兀伙-1）…兀伙- N +1）]7和矢量加权系数为 w, = [%伙）叱伙）…Wg伙）r权重系数向量计算应根据: Wk+i=Wk^2^E{ekXk} （1） 其中卩为算法步长，E,}是预期值的估计。在ek=dk-W^Xk中，常数K表式误 差，久是一个参考信号。根据（1）中不同的预期值估计在，我们可以得出一种各 种形式的自适应算法的定义：LMS , G厶MS匾北}= a工：。（1 q S 1）, SA（恥乂 }=恥初低））,[1,2,5,8]. 变步长LMS算法和基本LMS算法具有相同的形式，但在适应过程中步长卩（k） 是变化的[6, 7]0 正在研究中的自适应滤波问题在于尝试调整权重系数，使系统的输出 儿= W^Xk跟踪参考信号，dk =刃；氏+??中你是一个零均值与方差丈的高斯 噪声，町是最佳权向量（维纳向量）。我们考虑两种情况：町二丽是一个常数（固 定的情况下），西*随时间变化（非平稳的情况下）。在非平稳情况下，未知系统参 数（即丙T最佳载体）是随时间变化的。我们假设变量西*可以建立模型为 西:严町+貳，它是随机独立的零均值，依赖于兀和吐自相关矩阵 G = ￡[zAZf]=crgo注意：分析直接服从龙=0,如果[1, 2]的条件是满足的， 那么加权系数向量收敛于维纳解。 定义加权错位系数卩6 Vk=Wk-W；.是因为这两个梯度噪声（加权系数的平 均值左右的变化）和加权矢量滞后（平均及最佳值的差额）的影响⑴。它可以表示 为： 匕=（%-E（wJ）+（E 阪）-瓯） 根据(2),耳 匕@) =(E他(Q)-W卫))+(叱(灯—E(比伙))) (3) =bias 他(k)) + pH) bias(wM)是加权系数的偏差，门⑹与方差k是零均值的随机变量差，它取决于 LMS的算法类型，以及外部噪声方差7；。因此，如果噪声方差为常数或是缓慢变 化的，er?为某一特定的基于LMS时间不变的算法。在这个意义上说，在后面的 分析屮我们将假定er?只依赖算法类型，及其参数。自适应滤波器的一个重要性能 衡量标准是其均方差(MSD)的加权系数。对于自适应滤波器，它被赋值⑶： MSD = hm ￡刃可 *T8 第3章组合自适应滤波器 合并后的自适应滤波器的基本思想是在两个或两个以上自适应LMS算法并行 实现与每个迭代之间的最佳选择，［9］。在每次迭代中选择最合适的算法，选择最 佳的加权系数值。最好的加权系数是1,即在给定的时刻，向相应的维纳矢量值最 接近。让W.^q）是以基本LMS算法为基础的第i个加权系数，在瞬间选择参数q 和系数k。注意，现在我们可以在一个统一的处理方式（LMS: q = g,GLMS: q = a,SA:q三卩）下。基于LMS算法的行为主要依赖于q,在每个迭代中有一个最佳 值q如，生产的最佳表现的自适应算法。现在分析最小均方与一些基于相同类型的 算法相结合的自适应滤波器，但参数q是不同的。 加权系数周围分布随机变量叫仗）和bias（WXk,q］）和方差穴,相关［° 9］：。 忆（如）-叫伙）-曲（W,（k,切匕叫 （4） （4）中的概率P（k）依赖k的值.