鲁棒自适应网络设计.docVIP

鲁棒自适应网络设计 摘要：鲁棒性是指系统在遇见异常状况时呈现的健壮性。控制系统在某些参数的限制下，能够维持它的某些性能的能力称为鲁棒性。分布式网络通常是指在某个固定区域里将节点分散，并且每个节点都具备一定的信息处理的能力的网络。自适应网络是具有能对网络中各个节点收集到的信息进行处理，并且自适应的估量某参量的分布式网络的总称。自适应滤波算法的鲁棒性主要通过抗噪声干扰的能力来判断。仿射投影算法(APA)在脉冲干扰存在的情况下性能会下降，然而符号算法(SAs)复杂度较低且对脉冲噪声有较强鲁棒性，因此，将APA和SAs的优点结合的仿射投影符号算法(APSA)被提出。APSA对非高斯脉冲干扰具备很强的鲁棒性，还具有快速收敛性。自适应网络的协作模式分为递增式、扩散式、概率扩散式。在节点网络处于较恶劣的网络环境时，很有可能受到脉冲干扰的影响，然而递增式的仿射投影符号算法(IAPSA)和扩散式的仿射投影符号算法(DAPSA)可以解决抗脉冲干扰能力差的问题。 关键词：鲁棒性、自适应网络、仿射投影符号算法、递增式网络结构、扩散式网络结构。 第一章 绪论 在过去30年中，数字信号处理范畴发展飞速，在许多教学方案里都对它做出了要求，这与持续出现的数字信号处理实现技术密不可分。40年来，对自适应信号处理的研究也一直都是学习热点。自适应滤波器可通过将内部参数最优化来自动改变特征。自适应滤波器被广泛用于如信道估计、噪声消除、回波消除、图像处理和地震系统识别等[1]。分布式更是应用于目标跟踪、动物群体运动模拟、基因网络建模、频谱感知等领域[2]。 1.1自适应滤波 自适应滤波主要包括两个方面的内容，自适应滤波器和自适应的算法。滤波器通常指一个能从含有噪声的数据中提取出待研究的并且符合规定要求的信息的系统。自适应滤波器依靠递归算法进行运算，它是一个非线性的系统。自适应滤波器的结构和自适应滤波的算法共同影响着系统的收敛速度和稳定性。为了寻找收敛性能比较好，计算复杂度低，并且鲁棒性还要好的算法，对自适应滤波的研究一直都是热门的课题。 1.1.1自适应滤波器简介及分类 滤波器可以被分为线滤波器和非线性滤波器。维纳滤波器[3]和自适应滤波器是应用较多的两种滤波器。根据不同的要求和条件选择恰当的滤波器，只有当输入的数据统计特性和滤波器设计的某一先验知识相匹配，维纳滤波器才是最好的选择。然而，当信息完全未知的时候，可以采用估计和插入的直接方法来进行设计。这种方法要求我们先对有关信号的参数进行估值，然后将所得结果插入非递归公式中，从而计算滤波器的参数。但是上述方法的成本较高，所以一般我们可采用自适应滤波器来解决这个问题。 计算得出[5]。一方面，输入信号在噪声的干扰下产生期望响应;另外一方面，输入信号通过自适应滤波器产生输出信号，输出信号减去期望响应所得到的就是误差信号，判断了误差信号的大小之后，调整自适应滤波器的系数来逐渐逼近滤波器的最优解 [6]。 图1-1 自适应滤波器的一般结构 自适应滤波器有很多种不一样的结构。不同的结构影响数据处理的复杂度，还对达到要求性能标准的迭代次数产生影响。自适应滤波器分为两种，分别是有限冲激响应(FIR)滤波器和无限冲激响应(IIR)滤波器。自适应滤波器的参数作为递归算法的直接结果，将通过一次一次的迭代进行更新，让它变成与数据相关的参数，在这情形下自适应滤波器是非线性系统。实际上，自适应滤波器根据输入和输出分为线性系统和非线性系统，当输入和输出符合叠加原理，这个系统就是线性的系统;反之，当输入和输出不符合叠加原理，该系统就是非线性的。 自适应FIR滤波器是一个横向的滤波器，它利用没有反馈的标准直接形式实现全零点传输函数。这种结构里的输出信号是滤波器的抽头系数的线性组合，它通过产生一个具有唯一最优解的二次均方误差函数来判断性能。 自适应IIR滤波器采用最多的是容易实现而且分析起来简单的标准直接形式结构。但是选用递归自适应滤波器会产生一些内在问题，这些问题可能是由滤波器结构引起的内部问题，主要体现在收敛性和稳定性上。 1.1.2自适应滤波的应用 自适应滤波器的应用非常广泛，在通信领域的应用有信道均衡、回波消除、天线阵波束形成等，其他领域的也有很多，比如参数识别、频谱估计、噪声消除等。对于不同的运用，它们的基本原理是相同的，只是加的输入信号和期望响应有差别。下文是几个自适应滤波器应用的举例[7]。 1)系统识别 系统识别的应用中，在大部分情况下，白噪声信号是输入信号，未知系统受到某个宽带信号激励时的输出信号是期望信号。上述的宽带信号同时也是自适应滤波器的输入。当二次均方误差达到最小值的时候，自适应滤波器就可近似