格型自适应滤波器.pdfVIP

. 第四章 格型自适应滤波器 本章研究另一类线性自适应滤波器， 其是设计基于阶数更新和时间更新的递 归算法。这种新的自适应滤波器与前面章节所研究的滤波器的不同之处在于阶数 更新。而这可以利用均匀采样后时间数据的时移特性来实现。 就结构而言， 阶更 新 获得一种计算高效、 模块化以及格型的结构； 它可将前面 m-1 阶计算得到的 信息传递到更新后的 m阶滤波器。最后结果是实现其计算复杂度与滤波器 m阶呈 线性关系的自适应滤波器。 与其他类型线自适应滤波器相同， 阶递归自适应滤波器的设计也是基于下面 两种方法： 1 随机梯度法 它建立在前向线性格型预测器和后向格型预测器的基础上。 2 最小二乘法 它建立在卡尔曼滤波器与最小二乘滤波器之间对应关系的基 础上。 LMS和 RLS滤波器同属于横向自适应滤波器，在实际应用中，一个横向滤波 器的最优阶数通常是未知的， 这就需要通过比较不同阶数的滤波器来确定最优的 阶数。但是，当改变横向滤波器的阶数时， LMS和 RLS算法必须重新运行，这显 然是很不方便且费时，而格型滤波器解决了这一难题。 格型滤波器最突出的特点是局部相关联的模化块结构， 格型系数对于数值扰 动的低灵敏性， 以及格型算法对于信号协方差矩阵特征值扩散的相对惰性， 使得 其算法具有快速收敛和优良数值特性，已被广泛应用于信号预测和滤波处理。 4.1 梯度自适应格型算法 梯度自适应格型（ GAL，gradient-adeptive lattice ）滤波器具有对称的 格型结构， 从随机梯度法得出的阶递归自适应滤波器设计简单， 但在特性方面是 近似的；其设计的简单性在于格型滤波器的每一级只有一个反射系数。 其设计准 则和 LMS算法一样是使均方误差为最小。 图 4.1 示出了一个单级格型预测器的方框图： 教育资料 . fm 1( n) f m (n) 由反射系数 K m b ( n) 表征的第 m级 m 1 bm (n) [6] 图 4.1 单级格型预测器 其输入输出关系用单个参数 —— 反射系数 K m 来表征。假设输入数据广义平 稳且 km为复值。对于 km 的估计，首先考虑代价函数 1 2 2 J fb ,m E[| f m (n) | | bm ( n) | ]