第4章-维纳滤波原理和自适应算法.pptVIP

第4章 维纳滤波原理及自适应算法 本章将介绍以下内容： 维纳滤波器的基本理论 维纳滤波的递推求解方法——最陡下降法 随机梯度算法——LMS算法 多级维纳滤波器理论 4.1 自适应横向滤波器及其学习过程 4.1.1自适应横向滤波器结构 图1：M个权系数（抽头）的横向滤波器 定义： ：输入信号 ：输入向量 :滤波器的权系数 :滤波器权向量 假设 由信号 与噪声 组成 ⑴ 如果 ，图1的系统称为滤波（filtering）； ⑵ 如果 ，图1的系统称为预测（prediction）； ⑶ 如果 ，图1的系统称为平滑 （smoothing）。 4.1.2自适应横向滤波器的学习过程和工作过程 实际的滤波器系统 通过控制开关K1和K2，使系统进入不同的工作模式 开关K1打向A1，K2打向A2，进入学习过程，求得最优权向量 开关K1打向B1，K2打向B2 ，进入工作过程，对输入信号进行滤波处理 求出滤波器权值的学习过程是最优滤波问题的关键 4.2 维纳滤波原理 4.2.1 均方误差准则及误差性能面 已知估计误差 定义： 的平均功率  对实系统，若M=1 若M=2, 是抛物面 对于任何的M, 是M维的抛物面，具有唯一的全局极小值点 4.2.2 维纳-霍夫方程 ∴ ---维纳-霍夫方程 ∵ R是非奇异的 ∴ ---最优权向量 最小均方误差（MMSE，Minimum Mean Square Error）准则 ---使误差的平均功率最小 4.2.3 正交原理 已知维纳-霍夫方程 改写成 ∵ ∴ ∴ 即 和 相互正交 和 也相互正交 几何解释： 4.2.4 最小均方误差 ∵ 最小均方误差 与最佳权向量 示意图 4.2.5 计算实例1：噪声中的单频信号估计 期望信号 ，N 2,d(n)不恒为零 观测信号 d(n)是余弦信号， u(n)是白噪声中的正弦信号, 是在 上均匀分布的随机初始相位，噪声 ，信号与噪声互不相关。 解：定义滤波器输入信号向量 自相关函数 ∴ 类似地 ∴ N=4 误差性能面 4.2.6 计算实例2：信道传输信号的估计 考虑如下系统 和 分别是零均值，方差为 和 的白噪声过程 问题：如何设计维纳滤波器，使估计误差 在MMSE意义下最小。 ：产生语音信号的模型 ：传输信道 思路：维纳滤波问题，根据 求解 解： 令 其中 ， 差分方程： 4.3 维纳滤波器的最陡下降求解方法 维纳-霍夫方程的缺点： ⑴需要计算逆矩阵 ⑵在估计出 后， 将固定，不具有自适应性 4.3.1 维纳滤波的最陡下降算法 自适应横向滤