二自适应滤波的设计.DOCVIP

电控学院 专业：信息与通信工程 学号：S200802099 苏文娟 实验二 自适应滤波的设计 一.实验要求： 对语音或图像信号加噪，然后自适应滤波恢复原来的信号。要求使用算法LMS 或者LS。 二.实验原理： （1）自适应滤波基本原理 所谓的自适应滤波，就是利用前一时刻以获得的滤波器参数的结果，自动的调节当前时刻的滤波器参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。 自适应滤波器的特性变化是由自适应算法通过调整滤波器系数来实现的。一般而言，自适应滤波器由两部分组成，一是滤波器结构，二是调整滤波器系数的自适应算法。自适应滤波器的结构采用FIR或IIR结构均可，一般采用FIR滤波器作为自适应滤波器的结构。图1给出了自适应滤波器的一般结构。 图1 自适应滤波器的一般结构 x(n)为输入信号，y(n)为输出信号，d(n)为参考信号或期望信号，e(n)则是d(n)和y(n)的误差信号。自适应滤波器的滤波器系数受误差信号e(n)控制，根据e(n)的值和自适应算法自动调整。 （2）最小均方自适应算法 最小均方（LMS）自适应算法就是一种已期望响应和滤波输出信号之间误差的均方值最小为准的，依据输入信号在迭代过程中估计梯度矢量，并更新权系数以达到最优的自适应迭代算法。LMS算法是一种梯度最速下降方法，其显著的特点是它的简单性。这算法不需要计算相应的相关函数，也不需要进行矩阵运算。下图2为基于FIR的LMS自适应滤波器结构图： 图2 LMS自适应滤波器结构框图 其中令d(n)表示“期望输出信号”，定义误差信号e(n)为 (2.1) 为了方便起见，将上述式子表示为向量形式，令信号矢量为：。权矢量为：。则上述式子表示为： (2.2) 误差序列可写为： （2.3） 显然，自适应滤波器控制机理是用误差序列e(n)按照某种准则和算法对其系数进行调节的，最终使自适应滤波的目标（代价）函数最小化，达到最佳滤波状态。按照均方误差（MSE）准则所定义的代价函数是： (2.4) 将式(2.2),(2.3)代入(2.4)，目标函数可写成： （2.5） 其中，是输入信号的自相关矩阵；是期望信号与输入信号的互相关矢量。由式（2.5）可见，自适应滤波器的代价函数是延迟线抽头系数的二次函数。当矩阵R和矢量P已知时，可以由权系数矢量W直接求其解。将式（2.5）对W求其偏导数，并令其等于零，同时假设R是非奇异的，由此可得代价函数最小的最佳滤波系数为： （2.6） 这个解称为维纳—霍夫方程的维纳解，即最佳滤波系数值。将带入式(2.5)，得到最小均方误差(维纳误差)为：。因为均方误差（MSE）函数是滤波系数w的二次方程，此函数表示空间中形成一个多维的超抛物面，这好像一个碗状曲面又具有唯一的碗底最小点，通常称之为自适应滤波器的误差性能曲面。当滤波器工作在平稳随机过程的环境下，这个误差性能曲面就具有固定边缘的恒定形状。自适应滤波系数的起始值是任意值，位于误差性能曲面上某一点，经过自适应调节过程，使对应于滤波系数变化的点移动，朝碗底最小点方向移动，最终到达碗底最小点，实现了最佳维纳滤波。自适应过程是在梯度矢量的负方向接连的校正滤波系数的，即在误差性能曲面的最陡下降法方向移动和逐步校正滤波系数，最终到达均方误差为最小的碗底最小点，获得最佳滤波或准最优工作状态。（3） LMS算法描述 令代表n时刻的M×1维梯度矢量，M等于滤波器系数的数目(阶数)；为自适应滤波器在n时刻的滤波系数或权矢量。按照最陡下降法调节滤波系数，则在n+1时刻的滤波系数或权矢量可以用下列简单递归关系来计算： (2.7) 式中是一个正常数，通常称它为自适应收敛系数或步长。最小均方（LMS）算法是一种用瞬时值估计梯度矢量的方法，即 （2.8） 这种瞬时估计是无偏的，因为它的期望值等于最陡下降法的梯度矢量，所以按照自适应滤波器滤波系数矢量的变化关系与梯度矢量估计的方向之间的关系，可以写出LMS算法的公式如下： （2.9） （4） LMS算法步骤如下： 1.初始化w(0)=0； 2.对 n从1到N的滤波器滤波系数矢量估值 W(n)，输入信号矢量x(n)及期望信号d(n),计算误差信号： ； 3.利用递归法计算滤波系数矢量的更新估值： ； 4.将时间指数n增加1，回到第一步骤，重复上述计算步骤，一直到达稳定状态为止。 三．实验程序： clear; N=20;