第四章 自适应滤波器及其应用.pptVIP

作业：P118-119： 3.3、3.5、3.6、3.10 自适应滤波器包括两个过程：滤波过程和自适应过程。 滤波器的自适应实现是关键；设计重点是选择FIR结构，主要内容是研究自适应算法。 FIR滤波器的自适应实现指的是(L+1)阶FIR滤波器的抽 头权系数 可以根据估计误差e(n)的大小自动调节，使得误差在某个统计最优准则下最小。 自适应滤波器设计最常用MMSE准则，即：使滤波器 实际输出y(n)与期望响应d(n)之间的均方误差 最小; 最终达到Wiener解。 最广泛使用的自适应算法是“下降算法” 下降算法的两种实现方式 - 自适应梯度算法：LMS算法及其改进算法 - 自适应高斯－牛顿算法：RLS算法及其改进算法 本节介绍LMS类算法，下一节介绍RLS类算法。 式中 为第n步迭代(亦即时刻n)的权矢量， 为第n步 迭代的更新步长， 为第n步迭代的更新方向(矢量)。 随机优化问题(数学描述)： 最优解(Wiener解）： 最陡下降算法： 真实梯度 最陡下降法存在不可实现的缺点：真实梯度含数学期望，只有理论意义。 梯度的估计 算法改进： 无偏估计 瞬时梯度： 先验估计误差 用误差平方代替均方误差 权矢量因梯度估计误差而引入的稳态噪声 权矢量稳态噪声功率 算法流程图 单支路 全系统 (1)若 常数，则称为基本LMS算法 ； (2)若 , ,则称为归一化LMS算法； (3)若 自适应产生，则称为自适应步长的LMS算法。 LMS类算法统称为梯度算法，实际应用中有以下几种形式： 六、LMS算法的改进： 牛顿法也是一类LMS算法，与LMS算法有相同的迭代格式。 用 左乘上式两边，并将结果代入维纳解公式，得： 实际上，前面已导出维纳最优解为 ： 由上式可写出牛顿迭代公式： LMS类算法的统一迭代结构: 取不同的 就构成不同的自适应算法。 第四章 自适应滤波器及其应用 基本原理与典型应用 自适应算法及误差性能 梯度下降算法 横向LMS自适应滤波器 横向RLS自适应滤波器 一、最小二乘（LS）准则及LS滤波器 最小均方误差（MMSE)准则使误差平方的统计平均最小，需要根据输入数据长期统计特性寻求最佳滤波。 实际中通常已知的仅是一组数据，因而只能对长期统计特性进行估计或近似。 最小二乘准则是直接根据一组有限长数据进行最佳滤波的准则。 最小二乘准则：对有限长数据，用其误差二乘方的时间平均代替MMSE准则中的均方误差，并使其最小化。 … … … + - + Σ 自适应算法 问题描述：当前时刻n已获得n个数据 如何设计m阶滤波器的权矢量 对这组数据进行滤波，使其输出为期望信号 的最小二乘估计。 特别注意：这里是批处理，特定时刻n的一批输入数据对应一个 权矢量 。 FIR LS滤波器结构 对d(i)的估计： n个估计误差平方加权和： 估计误差： 表示用n时刻 滤波权矢量处理数据时对d(i)进行估计的误差。 如下页示意图： 注：后补零仅针对并行（多）输入情形 考虑指数加权的最小二乘法，其代价函数表示为 以前加窗法 为例。 2) 和 e(i) 分别称为滤波器在i 时刻后验和先验估计误差 故使用 作为误差函数比使用 e(i) 更为合理。即 式中 , 称为遗忘因子。其作用是对离n时刻越近的误差更加大权重, 而对离n时刻越远的误差更减小权重, 即 对各个时刻的误差具有某种遗忘作用。 式(1a)中, 误差函数定义为： 1) 式中，滤波器权矢量取为n时刻的权向量, 理由是:在自适 应更新过程中, 滤波器特性总是越来越好, 这意味着,对任何时刻, 总有 讨论 合并(1a)和(1b)得 从而，有最佳权矢量使代价函数最小，即 式(4)表明：指数加权最小二乘问题的最佳权矢量也为维纳解。 最佳权矢量的自适应迭代求解过程即采用RLS自适应算法。 根据上面的推导，可以得出 记 二、递归最小二乘（RLS）自适应算法的构造 算法思想： 把最小二乘法(LS)推广为一种自适应算法，用来设计自适应的横向滤波器，利用n-1时刻的滤波器抽头权系数，通过简单的更新，求出n 时刻的滤波器抽头权