如何处理现代信号.pptVIP

第四章 自适应信号处理 郑宝玉 最优滤波理论与Wiener滤波器 最优预测和滤波 最优预测和滤波 滤波与预测 最优预测和滤波 最优预测和滤波 最优预测和滤波 最优滤波理论 线性最优滤波器 最优滤波理论 线性最优滤波器（续） 最优滤波理论 线性最优滤波器（续） 自适应滤波基本原理 自适应滤波基本原理（续） LMS滤波器（续） LMS算法的改进 LMS算法的改进（续） LMS算法的改进（续） LMS滤波器 最陡下降法： 随机优化问题： Wiener滤波器： 真实梯度 LMS滤波器（续） 梯度下降算法： 步长参数，学习速率 真实梯度 缺点：真实梯度含数学期望，不易求得。 梯度估计 改进： 瞬时梯度： 先验估计误差 LMS滤波器（续） 基本LMS算法： 瞬时梯度分析： 最陡下降法 LMS算法 搜索方向为梯度负方向，每一步更新都使目标函数值减小（“最陡下降含义”）。 搜索方向为瞬时梯度负方向，不保证每一步更新都使目标函数值减小，但总趋势使目标函数值减小。 LMS滤波器（续） 梯度下降法要求：不同时间的梯度向量（搜索方向）线性独立。 LMS算法的独立性要求： 要求不同时间的输入信号向量 线性独立（因为随时梯度向量为 ）。 LMS滤波器（续） 自适应学习速度参数及收敛性 （3）“换档变速”方法：固定＋时变 （2） 时变学习速度： （递减），模拟退火法则 （1） 固定学习速度： （常数） 缺点： 偏大 收敛快 跟踪性能差 偏小 收敛慢 跟踪性能好 LMS滤波器（续） 例1. （先搜索，后收敛） 例2. （先固定，后指数衰减） （4）自适应学习速度：“学习规则的学习” 和 正的常数 而且可以证明LMS自适应滤波器的权向量收敛于维纳解： (5) 算法收敛性 前已指出，瞬时梯度向量是真实梯度向量的无偏估计： 条件是 LMS算法还必须兼顾收敛速度和失调,它来自梯度估计误差: ? 若 自适应产生，则称为自适应步长的LMS算法 LMS算法的几种变形 ? 若 常数，则称为基本LMS算法 ? 若 , 则称为归一化LMS算法 结论：这些算法通常称为LMS类算法－梯度算法。 * * 内 容 最优滤波理论与Wiener滤波器 梯度下降算法 横向LMS自适应滤波器 横向RLS自适应滤波器 Kalman滤波器 自适应格型滤波器 盲自适应滤波器 自适应滤波器的应用 最优预测和滤波 最优滤波理论 正交性原理 Wiener滤波器 估计问题 在许多实际问题中，需要研究随时间变化的随 机变量或随机矢量的估计问题，即按照某种最 优准则对随时间变化的随机变量或随机矢量作 出估计。 不同称谓 - 在通信工程中称为波形估计 - 在控制工程中称为动态估计 波形估计与动态估计 滤波定义 所谓滤波,是指在含噪信号x(k)=s(k)+v(k) 或其矢 量信号x(k)=s(k)+v(k)中尽可能排除噪声v(k)或v(k) 干扰，而将有用信号s(k)或s(k)分离或提取出来。 滤波、预测与平滑 设基于观测过程x(k)或矢量观测过程x(k)，对 s(k+α)或s(k+α)作最优估计，那么 ? 若α=0，就是滤波问题。 ? 若α0，就是预测问题。 ? 若α0，就是平滑问题。 维纳滤波 设信号s(k)或s(k)及观测过程x(k)或x(k)是广义平稳的, 且 已知其功率谱或自相关函数的知识，则基于观测过程x(k) 或x(k)，按线性最小均方误差估计准则，对信号s(k)或s(k) 所作的最优估计称为维纳滤波 卡尔曼滤波 设已知信号的动态模型测量方程，则基于过程x(k)及初 始条件，按线性无偏最小方差递推估计准则,对状态s(k) 所作的最优估计称为卡尔曼滤波. 维纳滤波与卡尔曼滤波 维纳滤波与卡尔曼滤波的特点 维纳滤波和卡尔曼滤波都是随机情况下最优滤波, 特点是: ? 维纳滤波: 参数固定, 适用于平稳随机情况下的最优滤波 且实现简单； ? 卡尔曼滤波: