自适应滤波(第章).pptVIP

从 到 的传输函数为： 这种滤波器称为全极点滤波器。 这种全极点滤波器对应的横式滤波器： 根据式（4.2.8） 将该式与（4.2.8a）结合，可得到全极点格形滤波器结构。 可得到全极点格形滤波器的另一种形式： 全极点格形滤波器结构： 该结构除去了交叉连接。 对于既有零点又有极点的传输函数 其横向滤波器结构为： 2阶零极点横式滤波器与格形滤波器的转换关系 格形到横式 横式到格形 零极点格形滤波器 §4.3 最小均方误差自适应格形滤波器 4.3.1 自适应格形滤波器的批处理算法 前面由最小均方误差意义下的最佳线性预测滤波器导出的格形滤波器结构 下面将讨论给定格形滤波器结构，求其最佳参量Km的问题。 基本思想：由已知数据估计相关函数，再由相关函数根据Levison-durbin算法计算最佳Km。 前面的分析说明，对一个M阶格形滤波器，只要前m个环节（m=1，2，…，M）的参量Km为最佳，相应的预测误差功率 就为最小。即后面的环节对前面的环节参量最佳值无影响。 直接根据数据计算最佳Km的方法： 计算预测误差功率对Km的导数，令导数等于零，即可求得最佳Km。 性能函数： 该性能函数能保证| Km |≤1，即保证格形滤波器稳定。 根据式（4.2.5） 可由 得到 实际计算时，用求和近似统计平均，得 的变量n表示它是根据 算出的。式（4.3.4）为第二批处理算法。 说明： 用第二批处理算法计算Km的运算量仍然很大，且必须从m=1开始逐阶计算预测误差，因此，要求较大的存储量和相当大的计算延迟。所以，该算法仅有理论意义，而应用有限。 4.3.2 自适应格形滤波器的梯度算法 采用递推算法计算Km，可减少计算量，且更适合于非平稳情况。 对照第3章中所讨论的LMS算法的递推公式 可建立格形滤波器反射系数的递推公式 称该算法为格形滤波器梯度算法。 式中， 为步长因子。合理选择β，使递推公式收敛，为此， 取为时变参数 。 式中， 为一常数。 格形滤波器的递推算法 1、Gibson Haykin算法1 设 根据式（4.3.4） 可得 将（4.3.11）代入，得 式中， 说明：在稳态（输入功率恒定）情况下， 如果将 保持为常数，可引入恒定的加权因子w 式中， 为滤波器的理论自适应长度。 Gibson Haykin算法1的递推公式 上式等效于Km(n)的下列估计 2、 Gibson Haykin算法2 该算法是反射系数的分子分母分别进行递推。 令 式中 加权因子μ的作用是为了加重新的输入值的影响，其取值范围是 式（4.3.17）等效为 上述两种算法计算M阶格形滤波器的流程 回第10页。 式（4.1.10)在8页。 返回13页。返回14页。 式(4.1.11)在第8页 返回12页。 * 自适应滤波技术 Adeptive Filter Technology (4) 第四章 自适应格形滤波器 优点： （1）一个m阶格形滤波器可产生相当于1阶到m阶的m个横向滤波器的输出； （2）格形滤波器具有模块化结构，便于实现高速并行处理； （3）格形滤波器对舍入误差较不敏感。 内容： 1）对最小均方误差意义下的最佳线性预测滤波器进行详细的讨论，并导出格形滤波器； 2）讨论自适应格形滤波器的批处理算法和梯度算法。 §4.1线性预测滤波器 4.1.1 前向线性预测滤波器 一、线性预测和前向线性预测 设，已知x(n-1)，x(n-2)，…，x(n-m)等m个值，现用这m个值和下式来预测x(n)： （4.1.1）式为线性预测，且由于是由过去的值对未来的值进行预测，故又称为“前向线性预测”。式中amk称为前向线性预测系数。 二、前向线性预测滤波器和前向线性预测误差 实现前向线性预测的滤波器称为“前向线性预测滤波器”。 定义前向线性预测误差为： 式（4.1.1）和式（4.1.2）可用右图表示。 由图和式（4.1.2），可将 看成是一个前向预测误差滤波器的输出。 前向线性 预测滤波器 前向预测误差滤波器 前向预测误差的z变换为 前向预测误差传输函数为: 三、最佳前向线性预