第四章 自适应数字滤波器教学教材.ppt

第四章 自适应数字滤波器 ;4.1 引 言;1、自适应数字滤波器;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;自适应滤波器原理图 ;图 4.1.3 自适应线性组合器 ;图 4.1.4 横向FIR结构的自适应滤波器 ;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??知识； 具有学习和跟踪的性能。;2、自适应数字滤波器的应用; 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、本章讨论的主要内容;4.2 LMS自适应滤波器;1、本节讨论的主要问题及方法;2、LMS自适应横向滤波器的基本原理;LMS自适应横向滤波器的基本原理： 自适应数字滤波器的单位脉冲响应h(n)受误差信号e(n)控制； 根据e(n)的值而自动调节，使之适合下一刻(n+1)的输入x(n+1)，以使输出y(n+1)更接近于所期望的响应d(n+1),直至均方误差 达到最小值； y(n)最佳地逼近d(n)，系统完全适应了所加入的两个外来信号，即外界环境。 注意： x(n)和d(n)两个输入信号可以是确定的，也可以是随机的，可以是平稳的随机过程，也可以是非平稳的随机过程。 从图中可见：自适应数字滤波器是由（普通数字滤波器+相关抵消回路）构成。;表示成矩阵形式： ; 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 ;图 4.2.5 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。;用 表示E［ej2］的梯度向量，用公式表示如下： ;可以得到 ; 例 4.2.1 一个单输入的二维权矢量自适应滤波器如图 所示，图中输入信号与期望信号分别为 ;解： （1）、计算相关矩阵Rxx和Rdx;（2）、求梯度向量;（3）、求最佳权矢量和最小均方误差：;3、 最陡下降法; 自适应过程的物理意义; 最陡下降法的递推公式;4、 Widrow-Hoff LMS算法 ; 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： ;对梯度估计值求统计平均， 得到 ; 最陡下降法的递推公式修改为： ;图 4.2.8 FIR第i个支路的控制电路 ;图 4.2.8 LMS自适应滤波器总计算框图;5、 LMS算法的收敛性质; 将Rxx进行分解，得到 ;其中; 欲使上式收敛必须满足; 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。; μ值对收敛稳定性和收敛速度影响很大，首先必须选择得足够小，使之满足收敛条件，同时，它还影响收敛速度。 ;;图 4.2.7 ; 性能函数和最小均方误差分别为： ;可得 ;在上式两边都减去W *,并令Vj=W j-W*, 得到 ; 将Rxx进行分解，得到 ; 得到最陡下降法的性能函数递推公式： ;下面用二维权矢量的情况说明它的几何意义。对于二维权矢量情况，有下面公式： ;图 4.2.5 二维权矢量性能表面 ;图 4.2.6 等均方误差的椭圆曲线族;;第i个权系数递推方程是 ;因为 ; 性能函数的过渡过程：; 最终的收敛要取决于最慢的指数过程，它的时常数最大，对应最小的特征值，公式如下： ; 稳态误差和失调系数 存在问题：实际中，工作于实时的自适应算法，权系数不能完全收敛于最佳值，只是其平均值可以收敛到最佳值。这是由于采用梯度的估计值代替梯度值而产生的估计误差。;跟踪能力越好，曲线稳态越接近横轴。;图 4.2.10 LMS算法稳态误差; 上式说明，当选择足够长的 ，M可以做到任意小。但当 一定时，M随着权数目N的增加而增大。另一方面， 越小，收敛也会越快。如此，便产生了动态特性和静态特性的矛盾，这就要求我们在收敛速度和失调量间取得适当的折中。一般而言，迭代次数选择为 。 ;例 设M=10%（一般M=10%可以满足大多数工程设计的要求）并设N=10，问应该取多少次迭代数？ 解：;图 4.2.11 LMS算法的学习曲线 ;4.3 LMS格型自适应滤波器;1、本节讨论的主要内容及方法;2、 线性预测误差滤波器;前向预测误差滤波器 ;将上式用矩阵方程表示为 ;