自适应滤波器介绍及原理.docxVIP

对于自适应滤波的问题： 自适应滤波器有4种基本应用种类： 系统辨别：这时参照信号就是未知系统的输出，当偏差最小时，此时自适应滤波器就与未知系统拥有邻近的特征，自适应滤波器用来供应一个在某种意义上可以最好拟合未知装置的线性模型 逆模型：在这种应用中，自适应滤波器的作用是供应一个逆模型，该模型可在某种意义上最好拟合未知噪声装置。理想地，在线性系统的状况下，该逆模型拥有等于未知装置转移函数倒数的转移函数，使得两者的组合组成一个理想的传输媒介。该系统输入的延缓组成自适应滤波器的希望响应。在某些应用中，该系统输入不加延缓地用做希望响应。 展望：在这种应用中，自适应滤波器的作用是对随机信号的目前值供应某种意义上的一个最好展望。于是，信号的目前值用作自适应滤波器的希望响应。信号的过去值加到滤波器的输入端。取决于感 兴趣的应用，自适应滤波器的输出或预计偏差均可作为系统的输出。在第一种状况下，系统作为一个预 测器；而在后一种状况下，系统作为展望偏差滤波器。 扰乱除去：在一类应用中，自适应滤波器以某种意义上的最优化方式除去包括在基本信号中的未知扰乱。基本信号用作自适应滤波器的希望响应，参照信号用作滤波器的输入。参照信号来自定位的某一传感器或一组传感器，并以承载新息的信号是轻微的或基本不行展望的方式，供应基本信号上。 这也就是说，获得希望输出常常不是引入自适应滤波器的目的，引入它的目的是获得未知系统模型、获得未知信道的传达函数的倒数、获得将来信号或偏差和获得除去扰乱的原信号。 对于SANC（自适应消噪）技术的问题 自适应噪声除去是利用winer自适应滤波器，以输入信号的时延信号作为参照信号来进行滤波的， 其自适应消噪的原理说明以下： 信号x(n)可分解为确立性信号重量 xD(n)和随机信号重量 xR(n)，即： x(n)xD(n)xR(n) (1.1) 对于旋起色械而言，确立性信号重量 xD(n)往常可表示为周期或准周期信号重量 xP(n)，即： x(n)xP(n)xR(n) 1.2 对信号x(n)两个重量xP(n)和xR(n)，有两个基本假定： xP(n)和xR(n) xP(n)和xR(n)  互不有关； 的自有关函数拥有下述特征： RxPxP(m)0，m MN；RxRxR(m) 0，m MB； MNMB。该特征表示xP(n)的自己有关性比 xR(n)的自己有关性强。 第一考虑以下维纳滤波问题以实现信号重量 xP(n)和xR(n)的自适应分别： xnxP(n)xR(n) ? ynxP(n) hn 图有参照信号状况的维纳滤波问题 如上图所示，信号 x(n)经滤波器h(n)获得y(n)，此中y(n)是对周期或准周期信号重量 xP(n)的估 () ( ) ( ) 2 (MMSE: n ，则知足Ee(n) min 计。定义预计偏差 ，即知足最小均方偏差预计 ? minimummean-squareerror) 的最优滤波器系数可由维纳 -霍夫方程求得： N 1 RxxP(m) hopt(i)Rxx(m i) 1.3 i 0 此中RxxP(m)表示输入信号 x(n)和参照信号xP(n)的互有关函数，Rxx(m)表示输入信号 x(n)的自相 关函数。 参照信号对于上述自适应滤波器是不行缺乏的。机械振动较为复杂，利用理论建模没法供应靠谱的 参照信号，经过实质丈量获得参照信号也不现实。在机械状态监测和故障诊疗领域，传感器的安装地点 对信号特点拥有很大影响。实质中很难选择合理的传感器地点，使得收集的参照信号中仅包括所需要的 信号特点。在实质数据收集过程中，为了获得某一零件的振动信息，都是尽量把传感器部署在凑近该部 件的地点上，而这样也不免遇到噪声和其余零件振动状况的扰乱。所以，依赖参照信号的获得实现机械 振动信号的自适应滤波是不现实的，面对的实质问题是怎样利用单通道采样信号实现信号自己的噪声滤 出。 在参照信号未知的状况下，往常选用丈量信号的延时信号作为参照信号。选用信号 x(n)x(i),i1,2,..,L作为输入信号，选用时延信号x(n)x(i),i1,2,..,L作为参照信 号，维纳滤波问题以下列图所示： xn xP(n )xR(n ) x?n x?P(n)x?R(n) hn 图19  时延信号作为参照信号的维纳滤波问题 选用时延伸度  ，使得  MN  MB，即  xR  (n)  的自有关函数  RxRxR(m)  0  ，对全部  m  ，而 xP(n)  的自有关函数  RxPxP(m)在  m  时仍有非零项存在。此时，参照信号  x(n)和输入信号  x(n  )的 互有关函数可写为： Rx(n)x(n ) E(xR(n) xP(n))(xR(n ) xP(n )) ExR(n)xR(n ) ExR(n)