自适应信号滤波.docxVIP

数字信号处理 = 2 \* ROMAN II ——自适应信号滤波 实验目的 利用自适应LMS算法实现FIR最佳维纳滤波器。 观察影响自适应LMS算法收敛性，收敛速度以及失调量的各种因素，领会自适应处理信号的优缺点。 通过实现AR模型参数的自适应估计，了解自适应信号处理方法的应用。 二、实验原理及方法 通过实验一我们已经知道，如果信号是由有用信号和干扰信号组成，即 （2-1） 利用维纳滤波方法可以从信号中得到有用信号的最佳估计。假如最佳维纳滤波器由一个FIR滤波器所构成，则其最佳权系数向量可表示为 （2-2） 其中 （2-3） （2-4） （2-5） （2-6） 但是实际中，一般很难知道准确的统计量和，因此，若设计一个维纳滤 波器，事先要估计出和。同时，当和改变时（如果信号或干扰时非平稳 的），需要重新计算，这是非常不便的。虽然卡尔曼滤波方法无需事先知道和，但它必须知道系统的状态方程和噪声的统计特性，这在实际中也是很难 办到的。根据卡尔曼滤波的思想，Windrow等提出了一种自适应最小均方误差算 法（LMS），这种算法不需要事先知道相关矩阵和，由所得到的观察值， 滤波器等价于自动“学习”所需要的相关系数，从而调整FIR滤波器的权系数，并最终使之收敛于最佳值，即维纳解。 下面是自适应FIR维纳滤波器的LMS算法公式： （2-7） （2-8） （2-9）其中FIR滤波器共有M+1个权系数，表示FIR滤波器第m个权系数在第n步的估计值。 因此，给定初始值，每得到一个样本值，可以递推得到一组新的滤波器权系数，只要步长满足 （2-10） 其中为矩阵R的最大特征值，当时，收敛于维纳解。 为说明自适应滤波方法的基本原理，我们首先考察一个最简单的滤波器，它仅仅有一个权系数（如图2.1所示）。假如信号由下式确定： （2-11） （2-12） 图2.1 其中为标量常数，与互不相关，我们希望利用和得到的估计。 利用公式（2-7），（2-8）和（2-9），我们可以得到下面的自适应估计算法： （2-13） （2-14） 其框图如图2.2所示。 图2.2 选择的初始值为，对式（2-14）取数学期望可得 （2-15） 其中 （2-16） 因此，只要满足 （2-17） 的条件，总归可以收敛于最佳值，从而也逐渐地收敛于。 自适应信号处理方法的应用十分广泛，其中一个非常重要的方面是用来进行参数估计。本实验第二部分就是利用LMS算法实现AR模型，即 （2-18） 通过解Yule-Walker方程可以得到AR模型的参数估计，同样，利用LMS算法，我们也可以对AR模型的参数估计进行自适应估计，其算法如下： （2-19） （2-20） （2-21） 这种算法的实现框图如图2.3所示。 图2.3 同样可以证明，只要步长值选择合适，当时，上述自适应算法得到的也收敛于AR模型的参数。 三、实验内容及步骤 1、仔细阅读有关自适应滤波的内容，根据图示的流程，编制自适应滤波的通用程序。 2、运行自适应波波程序，选择L=100，h=-0.8，=1，，=0.03，观察并记录： = 1 \* GB3 ①和有何差异，分析原因。 由图知，随着迭代次数的增多，逐渐收敛于，并且在迭代次数较大时，趋向平稳。在步长满足收敛条件时，表现出在真值上下波动的特征。产生上述现象的原因是在足够小时，即满足（1-2R）1时，2-15式的右边随着n的增大趋向于收敛到h，而对，因为使用的一次估计的梯度值，所以即使收敛到真值也会离开，同时由于是均值，将波动性平滑掉了，所以表现出在真值附近波动的情况。 = 2 \* GB3 ②自适应滤波效果如何? 由图知：随着迭代次数的增加，估计值和真实值越来越接近，其滤波效果基本理想。 3