第3章自适应数字滤波器.pptx

第三章 自适应数字滤波器 3.1 引言 3.2 自适应横向滤波器 3.3 自适应格型滤波器 3.4 最小二乘自适应滤波 3.5 自适应滤波的应用 07:50:243.1 引 言§3.1 引 言　 自适应滤波器和维纳滤波器一样，都是符合某种准则的最佳滤波器。不同的地方在于：(1) 维纳滤波器参数是固定的，要求输入信号平稳、且具有信号和噪声统计规律的先验知识。 而实际的统计特性是变化的，因此维纳滤波无法应用在实际中。(2)自适应滤波器参数可以自动调整,不需要信号和噪声的先验统计知识，当统计特性慢变化时，自适应滤波器可以不断调整参数，实现自适应滤波。因此自适应滤波在实际中更有意义。 Kalman滤波器本质上就是一个自适应滤波器。07:50:24x(n)y(n)H(z)+e(n)+d(n)3.2 自适应横向滤波器 §3.2 自适应横向滤波器 自适应滤波器基本原理： x(n)－输入信号 y(n)－输出信号 d(n)－期望信号、 参考信号或训练信号 e(n)－误差信号e(n)=d(n)-y(n) 自适应滤波器H(z)的系数调整：根据一定的自适应算法，由误差信号来控制滤波器系数的不断调整， 使输出y(n)最接近期望信号d(n)。 07:50:24x1jw1x2jyjw-…2e+jxNjdjwN3.2 自适应横向滤波器 3.2.1 自适应线性组合器和自适应FIR滤波器1. 自适应滤波器的矩阵表示 自适应滤波器可以用自适应线性组合器来表示，因为输出信号yj是N个并行输入信号x1j, x2j, …, xNj的线性组合，而N个权系数w1,w2,…,wN受误差信号ej的自适应控制。07:50:24x(n)x(n-1)x(n-2)x(n-N)z-1z-1…z-1wwwwwd(n)123N-1N+e(n)-y(n)3.2 自适应横向滤波器 如果将N个输入x1j, x2j, …, xNj理解为同一个信号源的N个序贯样本，那么这实际上是一个具有单输入的FIR滤波器或自适应横向滤波器。w(n)为滤波器的单位脉冲响应07:50:243.2 自适应横向滤波器 自适应滤波器的矩阵形式：自适应滤波器不管是理解为自适应线性组合器还是理解为FIR滤波器，都可以表示为矩阵形式： (3.2.3) (3.2.4) 误差信号： 说明：几种表达形式完全等价，但矩阵形式的求解更简洁。 07:50:243.2 自适应横向滤波器 2. 利用均方误差最小准则(MMSE)求最佳权系数(3.2.6) (3.2.7) 07:50:243.2 自适应横向滤波器 用互相关矩阵和自相关矩阵表示的均方误差：(3.2.8) 自相关矩阵Rxx的特点： (1)是对称矩阵， ;(2) 是正定或半正定的，因为 (3) 主对角线是输入信号均方值， 交叉项是输入信号自相关值。 07:50:243.2 自适应横向滤波器 性能函数：均方误差E[ej2]称为性能函数，因为它是衡量权系数好坏的一个重要函数。计算最优权系数：使性能函数最小的权系数，常采用梯度法。定义E[ej2]的梯度 (3.2.9) 07:50:243.2 自适应横向滤波器 令梯度等于0可得最佳权矢量W*： (3.2.12) 结论：上述结果称为自适应滤波器的维纳解，因为二者最佳解的充要条件是一致的，即误差信号和输入信号是正交的：计算最小均方误差：07:50:243.2 自适应横向滤波器 例 3.2.1 一个单输入的二维权矢量自适应滤波器如图 3.2.4所示，图中输入信号与期望信号分别为 图 3.2.4两个权的自适应滤波器07:50:243.2 自适应横向滤波器 这两个信号都是周期性确定性信号，因为任何正弦函数积的期望值，都可由这个积在一个或多个周期上作时间平均来计算，可以推导出下面公式: 07:50:243.2 自适应横向滤波器 07:50:243.2 自适应横向滤波器 上式表明性能函数E［ej2］对权函数是二次型的，用(3.2.11)式求梯度向量，得到 求最佳权矢量可以用(3.2.12)式，通过对Rxx求逆得到，也可以通过上式，令 ，而求出： 07:50:243.2 自适应横向滤波器 用(3.2.13)式求最小均方误差： 上式说明只要N＞2，不管N取多少，通过对权系数的调整可使均方误差达到0，此时输出信号yj完全等于期望信号dj, 例如N=4，按照上面公式，可以求出输入、输出信号以及最佳权系数如下： 07:50:243.2 自适应横向滤波器 07:50:243.2 自适应横向滤波器 3.2.2 性能函数表示式及其几何意义 均方误差是权系数的二次函数，当权系数取最佳值时，均方误差取最小值，因此可以用最小均方误差表示性能函数。 为了表示方便，我们令 ζ=E[e2j]： 07:50:243.2 自适应横向滤波器 V=W－W*