毕业设计(论文)-lms及rls自适应干扰抵消算法的比较[管理资料].doc

前言 自适应信号处理的理论和技术经过40 多年的发展和完善,已逐渐成为人们常用的语音去噪技术。我们知道，在目前的移动通信领域中，克服多径干扰，提高通信质量是一个非常重要的问题，特别是当信道特性不固定时，这个问题就尤为突出，而自适应滤波器的出现，则完美的解决了这个问题。另外语音识别技术很难从实验室走向真正应用很大程度上受制于应用环境下的噪声。 自适应滤波的原理就是利用前一时刻己获得的滤波参数等结果，自动地调节现时刻的滤波参数，从而达到最优化滤波。自适应滤波具有很强的自学习、自跟踪能力，适用于平稳和非平稳随机信号的检测和估计。自适应滤波一般包括3个模块：滤波结构、性能判据和自适应算法。其中，自适应滤波算法一直是人们的研究热点，包括线性自适应算法和非线性自适应算法，非线性自适应算法具有更强的信号处理能力，但计算比较复杂，实际应用最多的仍然是线性自适应滤波算法。线性自适应滤波算法的种类很多，有RLS自适应滤波算法、LMS自适应滤波算法、变换域自适应滤波算法、仿射投影算法、共扼梯度算法等[1]。 其中最小均方(Least Mean Square,LMS)算法和递归最小二乘(Recursive Least Square,RLS)算法就是两种典型的自适应滤波算法，它们都具有很高的工程应有价值。本文正是想通过这一与我们生活相关的问题，对简单的噪声进行消除，更加深刻地了解这两种算法。我们主要分析了下LMS算法和RLS算法的基本原理，以及用程序实现了用两种算法自适应消除信号中的噪声。通过对这两种典型自适应滤波算法的性能特点进行分析及仿真实现，给出了这两种算法性能的综合评价。 1 绪论 自适应噪声抵消( Adaptive Noise Cancelling，ANC) 技术是自适应信号处理的一个应用分支， 年提出，经过三十多年的丰富和扩充，现在已经应用到了很多领域，比如车载免提通话设备，房间或无线通讯中的回声抵消( AdaptiveEcho Cancelling，AEC) ，在母体上检测胎儿心音，机载电子干扰机收发隔离等，都是用自适应干扰抵消的办法消除混入接收信号中的其他声音信号。 自适应干扰抵消中的关键技术是自适应滤波器，自适应滤波器的实现是影响系统收敛速度、噪声抵消效果的关键部分。自适应滤波器(Adaptive Filter) 的基本目标是以某种方式调整其参数,让滤波器的输出尽可能的让包含某个特定参考信号的目标函数最小化。调整滤波器参数的方法就是自适应算法(Adaptive Algorithm),自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一。寻求收敛速度快、计算复杂性低、数值稳定性好的自适应滤波算法是研究人员不断努力追求的目标。目前两种典型的自适应滤波算法是最小均方(Least Mean Square,LMS)算法和递归最小二乘(Recursive Least Square,RLS)算法。 在近几十年中，LMS类算法已广泛应用于干扰抵消、信道均衡、系统识别以及阵列信号处理之中。Widrow等人提出的最小均方(Least Mean Square,LMS)算法就是一种以期望响应和滤波器输出信号之间误差的均方值最小为原则。LMS算法的优点是结构简单、鲁棒性强，其缺点是收敛速度很慢。基于最小二乘准则，递归最小二乘(Recursive Least Square,RLS)算法确定自适应滤波器的权系数向量使估计误差的加权平方和最小。RLS算法对输入信号的自相关矩阵的逆进行递推估计更新，收敛速度快，其收敛性能与输入信号的频谱特性无关。但是，RLS算法的计算复杂度很高，所需的存储量极大，不利于适时实现，倘若自相关矩阵的逆失去了正定特性，这还将引发算法发散。 自适应滤波的基本理论通过几十年的发展已日趋成熟，近十几年来自适应滤波器的研究主要针对算法与硬件实现。算法研究主要是对算法速度和精度的改进，其方法大都采用软件C、MATLAB等仿真软件对算法的建模和修正。通常，自适应滤波器的硬件实现都是用DSP通用处理器(如TI的TMS320系列)。DSP器件采用改进的哈佛结构，具有独立的程序和数据空间，允许同时存取程序和数据，内置高速的硬件乘法器(MAC)，增强的多级流水线。DSP具有的硬件乘法模块(MAC)，专用的存储器以及适用于高速数据运行的总线结构，使DSP器件具有高速的数据运算能力。目前，用DSP器件处理数字信号已经成为电子领域的研究热点。在自适应信号处理领域，对于数据处理速度在几兆赫兹以内的，通用DSP器件也是首选。迟男等人在TMS320C32芯片上扩展EPROM和RAM，实现了30阶LMS自适应滤波器，使用的刀D转化器件为AD1674，最高采样频率为l00KHz。陆斌等人采用TMS320C30数字信号处理器与IMSA110专用滤波器并行处理的方法