第三章数字信号处理方法.pptVIP

§3.2 自适应横向滤波器 一、自适应线性组合器和自适应FIR滤波器 自适应线性组合器和自适应FIR滤波器是学习自适应信号处理的基础，他们都是非递归型的。 1. 矩阵表示式 2. 最小均方误差和 最佳权系数 Rdx称为dj与Xj的互相关矩阵，是一个N维列向量； Rxx是输入信号的自相关矩阵，具有如下特点： （1）对称阵 （2）正定或半正定阵，对任意矢量V满足： 自相关阵的主对角线是输入信号的均方值，交叉项是输入信号的自相关值。 输入信号自相关矩阵的特征值及其性质 正则化方程求解方法 直接矩阵求逆法 最陡下降法——LMS的基础 Levinson-Durbin算法——基于Rxx的Hormtan性及Toplitz性能 -格型的基础 上式说明只要N2，通过对权系数的调整可使均方误差达到0，此时输出信号yj完全等于期望信号dj。N=2时候的具体权系数的取值见教材P67.。 二．性能函数的表示式及其几何意义 三、最陡下降法 3、过渡过程 四、LMS算法 个别学习曲线和150条平均学习曲线 六、 LMS自适应滤波——时域 变换域的自适应LMS滤波器 小波变换域中的自适应滤波 同理 横向滤波器， 通常取 第i个分量 3、LMS算法性能函数的过渡过程-学习过程 称为最佳误差信号，它对应于 最小均方误差 设 与 不相关， 变化很小， 同理， 4、稳态误差和失调系数 失调系数 : 滤波器的阶数 ：输入信号功率 ：控制步长因子 提高收敛速度，失调系数要增加，因此要求适中 ex:　一个单输入二维权向量的自适应滤波器,输入信号 和期望信号 分别为: 求自适应滤波器的最佳权向量和 其中 ， 　　　 　　　 求出梯度向量得： 令梯度向量值为零，可以求出 均方误差： 代入梯度矢量求出最小均方误差： 性能函数是一个重要的函数，其三种基本表达形式如下： 令 是实对称矩阵 ① ② 其中 是单位正交矩阵 是由 的特征值所构成的对角阵 将②式代入①式 其中 ③ 不用矩阵求逆的方法求解正则方程的方法，与牛顿法类似，并更容易工程实现。 ：调整步长的常数，它控制系统的稳定性和自适应的收敛速度。 自适应过程是连续地调节 ，去寻求碗的底部 递推公式 ① ① 式两边同时减去 令 则 ② v：偏差权向量 ，同前。 将 正交分解 ②式两边同时乘以 得 ③ 设初始状态为 ，将③式反复迭代 2、收敛条件 当迭代次数 时，只有 才能满足收敛 收敛条件： 取值对收敛速度的影响：在保证收敛的前提下，一般希望选大一些，使时间常数小一些，收敛速度快一些，但是要注意避免发生振动性的过渡特征。 权向量的过渡过程 第 i 个方程 令 当 取值很小时 上式说明第i个加权系数按照N个指数和的规律变化，由初始值收敛到最佳值，其时常数与特征值成反比。 性能函数的过渡过程 1、权值计算 ① ② ③ 用FIR滤波器实现，第j个权系数的计算公式 ∴梯度估计值是无偏的，梯度的估计量在理想梯度 附近随机变化，权系数也在理想情况下的权轨迹附近随机变化。 2、LMS算法加权向量的过渡过程 点积满足交换律 ① 若认为 与 不相关 , 与 不相关 关联性很小 需要经过若干步 * * 第三章 自适应滤波器 前面讨论了Wiener滤波和Kalman滤波，Wiener滤波器的参数是固定的，仅适用于平稳随机信号；Kalman滤波器参数是时变的，适用于非平稳和平稳随机信号。要设计这两种滤波器，必须对信号和噪声的统计特性有先验知识。在实际中，常常无法预先知道这些统计特性，或者它们是随时间变化的，从而不能用Wiener滤波方法实现最优滤波。 自适应滤波器可以自动调节自身的参数，而在设计时只需要很少的、或者根本不需要任何关于信号和噪声的先验统计知识，这种滤波器的实现几乎像Wiener滤波器那样简单，而性能几乎如Kalman滤波器一样好。 在信号和噪声的先验知识不完全知道的情况下，只有使用自适应滤波器才能得到优越性能。 基于此，自从1967年B.Widrow等人提出自适应滤波器以来，短短几十年间，自适应滤波器发展很快，现已广泛应用于系统模型识别、通信信道的自适应均衡、雷达与声纳的波束形成、