自适应滤波器原理NLMS算法.pptxVIP

会计学第1页/共32页回声消除应用如何归一化及归一化的稳定性为什么归一化？仿射投影滤波器应用第2页/共32页为什么归一化？由第五章的传统的LMS滤波器的标准形式从上式可以看出n+1次迭代中应用于滤波器抽头权向量的失调为w(n+1)-w(n)由以下三点影响： 1.步长参数 u（由设计者控制） 2.抽头输入向量u(n)（由信息源提供） 3.实数据的估计误差e（n）或复数据估计误差e*（n）（n次迭代计算的结果） 可知失调与抽头输入向量u（n）成正比。我们在调整滤波器的权向量使滤波器达到稳定状态的过程中，应当使权向量以最小方式改变，这样才能的得到最优解。当u（n）较大时，出现梯度噪声放大问题。归一化：n+1次迭代时对抽头权向量的失调相对于n次迭代时抽头输入向量u（n）的平方欧式范数进行归一化。第3页/共32页4.1.归一化LMS滤波器作为约束最优化问题的解 （1）在结构上，归一化LMS滤波器与标准LMS滤波器完全一样，都是横向滤波器。区别在于权值控制器的机理 ，如下图输入向量u（n）输出信号y（n）横向滤波器w(n）—误差信号e(n）∑自适应控制算法+期望响应d（n）自适应横向滤波器框图第4页/共32页最小化干扰原理：从一次迭代到下一次中，自适应滤波器的权向量应当以最小方式改变，而且受到更新的滤波器输出所施加的约束。归一化LMS滤波器设计准则表述为约束优化问题。即给定抽头输入向量u（n）和目标响应d（n），确定更新的抽头向量w（n+1），使得增量的欧式范数最小化，并受制于以下约束条件我们应用拉格朗日乘子法来解决这个约束优化问题。代价函数为 其中Re[.]表示取实部运算，约束对代价函数的贡献是实值的； 为复数拉格朗日乘子，*表示复共轭； 表示欧式范数的平方运算，其结果也是实值的。因此代价函数J（n）是实值的二次函数，且表示为第5页/共32页为了得到代价函数为最小的最优更新权向量，推到如下：第一步；代价函数对w（n+1）求导，得：令其为零，得最优解为第二步; 将第一步的结果带入式（2）得第6页/共32页对 求解得其中是误差信号。第三步；由上两步的结果，表示增量变化的最优值。故归一化LMS算法抽头权向量期望的递归结果为第7页/共32页为了对一次迭代到下一次迭代抽头权向量的增量变化进行控制而不改变向量的方向，引入了一个正的实数标度因子 。故得到归一化抽头权向量的递归方程以上便是解决了当u（n）较大时，造成的LMS滤波器的梯度噪声放大的问题。而当u（n）较小时，不得不用较小的平方范数除以 ，以致有可能出现数值计算困难。故将递归方程修改为； 其中4.2归一化LMS滤波器的稳定性第8页/共32页期望响应d（n）多重回归模型控制 ，重写如下加权误差向量为 于是从w中减去式得到以均方偏差为基础，进行稳定性分析。对式两边取平方欧式范数，并取期望值得：其中是无干扰误差信号第9页/共32页由式看做 为变量的一元二次函数 则当满足如下条件归一化LMS滤波器在均方误差意义下是稳定的。最优步长参数为0u第10页/共32页特殊情况：复数据 实数据为便于计算最优步长提出三个假设：假设一：从一次迭代到下一次迭代的输入信号能量的波动足够小满足第11页/共32页从而得到简化的最优步长假设二：无干扰误差信号与期望响应d（n）的多重回归模型干扰（噪声）v(n)无关第五章中，干扰信号e（n）与无干扰信号有关。最优步长第12页/共32页假设三：输入信号u（n）的谱内容在比加权误差向量每一个分量所占频带更宽的频带上基本上是平坦的，因此证实了如下近似：（低通滤波作用）最优步长4.3回声消除中的步长控制第13页/共32页 几乎所有的谈话都在存在回声的情况下进行。根据是否可察觉是有所涉及的时延决定。语音与回声之间时延较短，不容易察觉。（频谱失真）时延较长，(超过几十毫秒)，就能感觉到。现实生活中很常见；电话电路： 电路中的混合变换器的桥式电路，当平衡不好时，输入与输 出之间存在耦合现象，引起回声。免提电话： ‘啸叫’声。这是由于麦克风得到了扬声器的语音信号和 机壳反射的回波信号。 听到自己的延迟的声音。经系统环绕-往返时间延迟造 成的 。回声消除中的步长控制第14页/共32页远处说话者的信号u(n)u（n）扬声器-机壳-麦克风环境（LEM）自适应和步长控制器横向滤波器w（n）合成回声y（n）期望响应d（n）—+误差信号e（n）回声消除器 回声控制系统的结构框图第15页/共32页步长控制1.本地说话者语音信号导致的干扰。（双说话）2.永久的本地噪声（汽车内的背景噪声）3.需要长的滤波器长度，但不能满足的话，不能考虑全部脉冲响应，而不能建模的那部分系统的剩余回声成为本地噪声4.