自适应滤波器简介.pptVIP

徐科军 主编《信号分析与处理》配套课件 合肥工业大学 陈强 制作 信号分析与处理 第6章 自适应滤波器简介 内容提要 最优滤波 维纳滤波器 卡尔曼滤波器 自适应滤波 自适应滤波原理 最速下降法 最小均方算法 自适应滤波器的应用 6.1 概述 传统的IIR和FIR滤波器是时不变的，即在处理输入信号的过程中滤波器的参数是固定的，使得当环境发生变化时，滤波器可能无法实现原先设定的目标 自适应——系统根据当前自身的状态和环境调整自身的参数以达到预先设定的目标 自适应滤波器的系数是根据输入信号，通过自适应算法自动调整的 6.2 最优滤波 估计误差定义为期望响应与滤波器输出之差。对滤波器的要求是使估计误差在某种统计意义下“尽可能小”。 滤波器是线性的，以使数学分析更为简便 滤波器是离散时间的，可以数字实现 滤波器的脉冲响应类型多用FIR型 IIR滤波器在计算上更为简单一些 FIR滤波器稳定性好。大多数应用中，更倾向于使用FIR滤波器 优化统计准则 使某个代价函数或性能指标最小化，其中估计误差的均方值的计算简单，实际中使用最广泛 使估计误差均方值最小化的准则称为最小均方误差（minimum mean square error, MMSE）准则 正交性原理 假设线性离散时间滤波器的输入x(n)和脉冲响应w(n)都是复数无穷序列，则输出y(n) 假设滤波器输入和期望响应都已经是零均值，估计误差和误差均方值为 为使均方误差最小，其梯度向量的所有元素应为零 将均方误差表达式代入 由估计误差的定义可知 代入前式有 代价函数最小化应满足 正交原理：代价函数最小化的充分必要条件是估计误差eo与输入x(0)，x(1)，x(2)，…正交 对于最优滤波器有 推论：最优滤波器输出定义的期望响应的估计与响应的估计误差也是正交的 维纳滤波器 维纳滤波器是根据信号和干扰的统计特性（自相关函数或功率谱），以线性最小均方误差估计准则设计的最优滤波器 设计维纳滤波器必须有输入信号统计特性的先验知识，这在实际中往往难以预知 自适应滤波器用输入数据来学习所要求的统计特性，渐进收敛（均值意义上）到维纳解 维纳滤波器理论非常重要 设输入信号、滤波器系数和期望输出都是实数 均方误差函数J是滤波器权系数w的二次方程，由此形成一个具有唯一最小值的多维超抛物曲面，通常称为误差性能曲面 滤波器工作在最优状态，w应使J取最小值 为简化该式，注意到 且由自相关函数的对称性 代入前式简化得 此式的矩阵形式 滤波器工作在最优状态下，有 或者 著名的维纳－霍夫（Wiener-Hopf）方程 若R是非奇异的，存在逆矩阵，则最优滤波器系数wo为 可得到代价函数最小值Jmin的表达式为 两个关于维纳滤波器的主要结论 计算维纳滤波器最优权系数需要预知以下统计量：输入向量的自相关矩阵R和输入向量与期望响应的互相关向量p 维纳滤波器实际上是无约束优化最优滤波器问题的解 卡尔曼滤波器 维纳滤波器的局限 实时信号处理时，每到一个新的样本，维纳滤波器需使用以往所有数据重新计算全部自相关和互相关项 卡尔曼滤波器是维纳滤波理论的发展，具有如下特点 用状态空间概念描述 递推计算维纳解。当前时刻的估计是由前一时刻的估计和当前输入计算得到的，比维纳滤波计算更有效 离散动态系统可由描述状态向量的状态方程和描述观测向量的观测方程共同表示 x(n)：M×1维向量，表示系统在n时刻的状态向量，不可观测 F(n+1,n)：M×M维状态转移矩阵，描述系统从n到n+1时刻之间的状态转移 v1(n)： M×1维向量，描绘状态转移中的加性过程噪声 y(n)：动态系统在时刻n的N×1维观测向量 C(n)： N×N维观测矩阵 v2(n)： N×1维向量，观测噪声向量 卡尔曼滤波问题可以叙述为：利用观测数据向量y(1)，y(2)，…，y(n)对n≥1求状态向量x(i)的各个分量的最小二乘估计。根据i和n的不同取值，卡尔曼滤波可用于： 滤波（i=n），用n时刻及以前时刻的测量数据来估计n时刻的信息 平滑（1≤i≤n），用1~n时刻的全部数据来估计n以前某个时刻的信息 预测（in），用n时刻及以前的测量数据来估计n+τ(τ0)时刻的信息 标量卡尔曼预测器 对于一阶递归模型信号 n+1时刻的预测均方误差 标量卡尔曼滤波器的预测公式，注意增益项是时变的 可以推导出确定一阶卡尔曼预测器的递归式 与维纳滤波器不同之处在于，卡尔曼滤波器的增益必须根据迭代法来确定，因此不可能由一般的稳定解来求得 若一阶模型不足以表征物理过程，可以用N阶模型表述卡尔曼滤波器的核心算法，用N阶矢量代替标量的方法，写成高阶形式 其中，Z(n)和Q(n)分别是观测噪声方差矩阵和系统噪声