第16章_自适应滤波器.pptVIP

第16章 自适应滤波器;16.1 前言;2.维纳滤波器研究的对象是平稳信号。 对非平 稳信号， 是随时刻 时变的。如果 对每一个时刻 ，都去求出 ，包 括 ，显然是不实际的。怎么办？;;;16.2 最陡下降法;令：;求解：;分析：; 是误差能量，恒正。所以该超抛物面 的开口朝上，最下端对应的是 ，而 对应的坐标就应该是最优解 。;解：;最下端是 ，本例，; 如果输入信号 是宽平稳的，则其二阶统计特性不随时间变化，上图的误差曲面有着固定的形状，即有唯一的最小值 。反之，则误差曲面的形状和梯度方向将会改变，且其底部会不断的移动，即 在随时间改变，这就需要使用自适应算法来对其进行跟踪，以找到不同时刻的 。 ;16.2.2 最陡下降法; 在误差曲面上往下搜索 的一个非常自然的方法是沿着曲面切线的方向，也即负梯度的方向进行搜索。是一迭代的过程。记第 次迭代得到的滤波器系数为 ，并记该次迭代得到的均方误差是 ，那么，在第 次迭代的滤波器系数 可由下式求出：;：第 次迭代时的梯度向量；;;;16.3 LMS算法;;LMS算法的步骤：;重复上述步骤 2～4，直到 收敛到最优的滤波器系数 。这时误差序列 的均方误差达到其最小值 。迭代结束。;16.3.2 LMS算法性能;;（1）由于步长 的上界反比于滤波器的长 度 ，因此，滤波器越长，相应的步 长应该越小；;;3. 误差能量的“超量”;可以证明：误差能量超量 ：;例 利用例16.5.1（系统辨识）中的误差序列 来研究LMS算法的性能。其结果如图：; ： 对一个自适应滤波算法进行多次实现所得到的每一个误差序列 都取平方再经集总取平均后而得到的。;：预测 MMSE＝0.01； 超量EMSE= ;16.3.3 改进的LMS算法;时变步长，被“瞬时”功率除;2．泄漏LMS算法;16.4 RLS算法;定义：;RLS算法可表述如下：在已知观察数据 的情况下，令 为最小以求出滤波器的系数 。;通过令 为相对 最小，可求出：;RLS???法;递推公式;定义;自适应滤波器 时刻的输出，但用的是 时刻的滤波器，记：;最后递推公式;（4）令 ， 小正数，;16.4.2 RLS 算法性能分析;令滤波器系数;（1） ;RLS算法的一般性能：;该方法通过迭代求解 和 ，避免求逆。;16.5自适应滤波器的应用;;显然，如果;注意：两个横坐标含义不同;;例16.5.2 设待辨识的系统 是一个FIR系统，长度 ，归一化截止频率为0.4。令 是方差等于1的高白噪声。延迟器输出 2000次迭代后的结果如图： ;理论上应该是全通的;16.5.2 自适应噪声抵消;;;16.5.3 自适应预测;1.自适应线性预测器;在语音和图像的编码中，总希望用最小的bit数对信号进行编码同时又保证有最小的编码误差。实现该目的的一个有效的方法是减小被编码信号的动态范围。显然，误差序列 的动态范围应远小于原信号 的动态范围。预测效果越好， 的动态范围越小。这就是“线性预测编码（LPC）”的基本原理。由于信号 的统计特性是未知的，且是时变的，因此要利用自适应滤波器。在上图中，通过使 的能量为最小而得到最优的滤波器系数 ，从而可保证在每一个时刻 都得到对 的最好预测。;例16.5.4 信号 （上图中的 ）是一分段的正弦信号，现使用上图的方案对其进行一步前向预测。输入到自适应滤波器的 是 加上一定的白噪声后并做一