中科院现代数字信号处理.pptxVIP

第三章 自适应数字滤波器 3.1 引言 3.2 LMS横向自适应滤波器 3.3 LMS格型自适应滤波器 3.4 LS自适应滤波 3.5 自适应滤波的应用 3.1 引 言自适应数字滤波器自适应数字滤波器的应用1、自适应数字滤波器维纳滤波存在的问题：适用于平稳随机信号的最佳滤波；维纳滤波器的参数是固定的；必须已知信号和噪声的有关统计特性。自适应数字滤波器：利用前一时刻已获得的滤波器参数等结果，自动地调节现时刻的滤波器参数，以适应信号与噪声未知的或随时间变化的统计特性，从而实现最优滤波。维纳滤波器的输入－输出关系e(n)=d(n)-y(n) 自适应滤波器原理图 自适应滤波器H(z)的系数根据误差信号，通过一定的自适应算法，不断地进行改变， 使输出y(n)最接近期望信号d(n)。 实际中，d(n)要根据具体情况进行选取。自适应滤波器的特点：滤波器的参数可以自动地按照某种准则调整到最佳滤波，是一种最佳的时变数字滤波器；实现时不需要任何关于信号和噪声的先验统计知识；具有学习和跟踪的性能。2、自适应数字滤波器的应用1967年由美国B.Windrow 及Hoff等人提出自适应数字滤波算法，主要用于随机信号处理。自提出以来，自适应滤波器发展很快，在各个方面得到了广泛的应用：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；消除心电图中的电源干扰；噪声中信号的检测、跟踪、 增强和线性预测等。 自适应滤波器分类： FIR自适应滤波器、IIR自适应滤波器 最小均方误差（LMS）自适应滤波器、最小二乘（LS）自适应滤波器 横向结构、格型结构3.2 LMS自适应滤波器LMS自适应滤波器的基本原理最陡下降法Widrow-Hoff LMS算法 LMS算法的收敛性质1、LMS自适应横向滤波器的基本原理e(n)=d(n)-y(n) 表示成矩阵形式： 式中 误差信号表示为 图 3.1.3 自适应线性组合器 图 3.1.4 横向FIR结构的自适应滤波器 利用LMS准则求最佳权系数和最小均方误差 误差信号被用来作为权系数的控制信号。均方误差（性能函数）为 上式表明，当输入信号和期望信号是平稳随机信号时， 均方误差信号E［e2j］是权系数的二次函数，它是一个中间上凹的超抛物形曲面，是具有唯一最小值的函数。图 3.2.5 二维权矢量性能表面 调节加权系数W使均方误差最小，相当于沿超抛物形曲面下降到最小值。 在数学上，可用梯度法沿着该曲面调节权矢量的各元素得到均方误差E［ej2］的最小值。为求最佳权系数，令 即用 表示E［ej2］的梯度向量，用公式表示如下： 当滤波器的单位脉冲响应取最佳值时，其误差信号和输入信号是正交的。可以得到 最佳权矢量W*： 均方误差将取最小值：或者将上式取转置，用下式表示： 2、 最陡下降法采用最优化的数学算法－最陡下降法（Steepest Descent Method），搜索性能函数表面寻找最佳权系数。 自适应过程的物理意义 最陡下降法的递推公式 其中,μ是一个控制稳定性和收敛速度的参量，称之为收敛因子。 方向是性能函数下降最快的方向，因此称为最陡梯度下降法。 E[e2(j)]与W的关系在几何上是一个“碗形”的多维曲面。 收索方向为梯度负方向，每一步更新都使目标函数值减小。3、 Widrow-Hoff LMS算法 由Widrow等人提出，采用梯度的估计值代替梯度的精确值。 LMS算法的权值计算 LMS(Least Mean Square)算法的梯度估计值用一条样本曲线进行计算，公式如下： 因为 所以 对梯度估计值求统计平均， 得到 上式说明梯度估计值是无偏估计的，梯度的估计量在理想梯度▽j附近随机变化。 最陡下降法的递推公式修改为： 权系数也是在理想情况下的权轨迹附近随机变化的 搜索方向为瞬时梯度负方向，不能保证每一步更新都使目标函数值减小，但总趋势使目标函数值减小。4、 LMS算法的收敛性质对加权矢量取统计平均： 令 Vj=Wj-W* (3.2.58) V称为偏差权向量，它表示权向量对最佳权向量的偏差。那么 E［Vj］=E［Wj］-W* E［Vj+1］=E［Wj+1］-W* (3.2.59) 将上面两式代入(3.2.57)式中，得到 它的递推解是 将Rxx进行分解，得到 Rxx=QTΛQ,Λ=QTRxxQ 其中，Q称为正交矩阵或特征矩阵，Λ是由特征值组成的对角矩阵， 用下式表示： 令 得到 (3.2.62) 由 E［Vj］=E［Wj］-W* LMS算法加权矢量是在最陡下降法加权矢量附近随机变化的， 其统计平均值等于最陡下降法的加权矢量。 加权矢量的的收敛条件 LMS算法加权矢量的收敛条件为 (3.2.64) 收敛条件还可以表示为 加权矢量的收敛性质 μ值对收敛稳定性和收敛速度影响