自适应滤波原理.docxVIP

自适应滤波器的算法研究及 DSP 仿真实现 1 自适应滤波器简介 自适应滤波器属于现代滤波器的范畴，自适应滤波器是相对固定滤波器而言的，固定滤波器属于经典滤波器，它滤 波的频率是固定的，自适应滤波器滤波的频率则是自动适应输入信号而变化的，所以其适用范围更广。在没有任何关 于信号和噪声的先验知识的条件下，自适应滤波器利用前一时刻已获得的滤波器参数来自动调节现时刻的滤波器参数， 以适应信号和噪声未知或随机变化的统计特性，从而实现最优滤波。所谓自适应滤波，就是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，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最 优滤波。自适应滤波器实质上就是一种能调节其自身传输特性以达到最优化的维纳滤波器。 2 自适应滤波原理 自适应滤波器的特性变化是由自适应算法通过调整滤波器系数来实现的。一般而言，自适应滤波器由两部分组成， 一是滤波器结构，二是调整滤波器系数的自适应算法。自适应滤波器的结构采用 FIR 或 IIR 结构均可，由于 IIR 滤波 器存在稳定性问题，因此一般采用 FIR 滤波器作为自适应滤波器的结构。图 1 给出了自适应滤波器的一般结构。 图 1 为自适应滤波器结构的一般形式，图中 x(n)为输入信号，通过参数可调的数字滤波器后产生输出信号 y(n)，将 输出信号 y(n)与标准信号(或者为期望信号)d(n)进行比较，得到误差信号 e(n)。e(n)和 x(n)通过自适应算法对滤波器的 参数进行调整，调整的目的使得误差信号 e(n)最小。 自适应滤波器设计中最常用的是 FIR 横向型结构。图 2 是横向型滤波器的结构示意图。 其中：x(n)为自适应滤波器的输入；w(n)为自适应滤波器的冲激响应：w(n)={w(O)，w(1)，…，w(N-1)}；y(n) 为自适应 3 自适应滤波算法 自适应滤波器除了包括一个按照某种结构设计的滤波器，还有一套自适应的算法。自适应算法是根据某种判断来设 计的。自适应滤波器的算法主要是以各种判据条件作为推算基础的。通常有两种判据条件：最小均方误差判据和最小 二乘法判据。LMS 算法是以最小均方误差为判据的最典型的算法，也是应用最广泛的一种算法。 最小均方误差(Least Mean Square，LMS)算法是一种易于实现、性能稳健、应用广泛的算法。所有的滤波器系数调 整算法都是设法使 y(n)接近 d(n)，所不同的只是对于这种接近的评价标准不同。LMS 算法的目标是通过调整系数，使 输出误差序列 e(n)=d(n)-y(n)的均方值最小化，并且根据这个判据来修改权系数，该算法因此而得名。误差序列的均方 值又叫“均方误差”(Mean Sqluare Error，MSE)。 理想信号 d(n)与滤波器输出 y(n)之差 e(n)的期望值最小，并且根据这个判据来修改权系数 wi(n)。由此产生的算法 称为 LMS。均方误差 ε 表示为： 对于横向结构的滤波器，代入 y(n)的表达式： 其中：R=E[X(n)XT(n)]为 N×N 的自相关矩阵，它是输入信号采样值间的相关性矩阵。P=E[d(n)X(n)]为 N×1 互相 关矢量，代表理想信号 d(n)与输入矢量的相关性。在均方误差 ε 达到最小时，得到最佳权系数 它应满足下式： 这是一个线形方程组，如果 R 矩阵为满秩的，R-1 存在，可得到权系数的最佳值满足：W*=R-1p。用完整的 矩阵表示为： 显然 φx(m)=E[x(n)x(n-m)]为 x(n)的自相关值，φxd(R)=E[x(n)d(n 一 k)]为 x(n)与 d(n)互相关值。在有些应用中， 把输入信号的采样值分成相同的一段(每段称为一帧)，再求出 R，P 的估计值得到每帧的最佳权系数。这种方法称为块 对块自适应算法。如语音信号的线性预测编码 LPC 就是把语音信号分成帧进行处理的。R，P 的计算，要求出期望值 E，在现实运算中不容易实现，为此可通过下式进行估计： 用以上方法获得最佳 W*的运算量很大，对于一些在线或实时应用的场合，无法满足其时间要求。大多数场合使用 迭代算法，对每次采样值就求出较佳权系数，称为采样值对采样值迭代算法。迭代算法可以避免复杂的 R-1 和 P 的运 算，又能实时求得近似解，因而切实可行。LMS 算法是以最快下降法为原则的迭代算法，即 W(n+1)矢量是 W(n)矢量 按均方误差性能平面的负斜率大小调节相应一个增量：W(n+1)=W(n)-μ▽(n)，这个“是由系统稳定性和迭代运算收敛 速度决定的自适应步长。▽(n)为 n 次迭代的梯度。对于 LMS 算法▽(n)为下式 E[e2(n)]的斜率： 由上式产生了求解最佳权系数 W*的两种方法，一种是最陡梯度法。其思路为：设计初始权系数 W(0