自适应滤波器幻灯片.ppt

《自适应滤波器幻灯片.ppt》由会员分享，可在线阅读，更多相关《自适应滤波器幻灯片.ppt（77页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、自适应滤波器第1页，共77页，编辑于2022年，星期二第2页，共77页，编辑于2022年，星期二 最优最优第3页，共77页，编辑于2022年，星期二6.1 匹配滤波器匹配滤波器第4页，共77页，编辑于2022年，星期二第5页，共77页，编辑于2022年，星期二第6页，共77页，编辑于2022年，星期二证明：证明：第7页，共77页，编辑于2022年，星期二第8页，共77页，编辑于2022年，星期二最优滤波最优滤波最优数字滤波器的两条现实约束（1）滤波器是线性的，以使对滤波器的数学分析更为简便；（2）滤波器是离散时间的，这将使得滤波器可以采用数字硬件或软件来实现；维纳滤波器：滤波器系数固定,是适用

2、于平稳随机情况下的最优滤波;卡尔曼滤波器：滤波器系数时变,是适用于非平稳随机情况下的最优滤波.这两种最优滤波器设计的前提：必须事先知道所处理信号的统计特性(数学期望,相关函数等)。遗憾的是,在实际应用中常常无法预先得知信号的统计特性或所处理信号的统计特性是随时间变化的第9页，共77页，编辑于2022年，星期二6.2 维纳滤波器第10页，共77页，编辑于2022年，星期二第11页，共77页，编辑于2022年，星期二第12页，共77页，编辑于2022年，星期二 该式表明：已知期望信号该式表明：已知期望信号d(n)与观测信号与观测信号u(n)的互相关矩阵的互相关矩阵r，观测信号观测信号u(n)的自相

3、关矩阵的自相关矩阵R,通过求逆和矩阵乘法，可得最佳滤波器通过求逆和矩阵乘法，可得最佳滤波器wopt 若滤波器长度若滤波器长度M较大，则计算量大，存储空间也要大。较大，则计算量大，存储空间也要大。M是由实验所要求的是由实验所要求的精度来决定。精度来决定。第13页，共77页，编辑于2022年，星期二第14页，共77页，编辑于2022年，星期二第15页，共77页，编辑于2022年，星期二第16页，共77页，编辑于2022年，星期二第17页，共77页，编辑于2022年，星期二第18页，共77页，编辑于2022年，星期二第19页，共77页，编辑于2022年，星期二第20页，共77页，编辑于2022年，星

4、期二第21页，共77页，编辑于2022年，星期二最小均方误差：最小均方误差：第22页，共77页，编辑于2022年，星期二6.3 卡尔曼滤波器卡尔曼滤波器第23页，共77页，编辑于2022年，星期二6.3.1 预备知识预备知识卡尔曼滤波的前提：要用卡尔曼滤波的前提：要用状态空间法状态空间法表征系统表征系统第24页，共77页，编辑于2022年，星期二第25页，共77页，编辑于2022年，星期二第26页，共77页，编辑于2022年，星期二状态方程状态方程输出方程输出方程第27页，共77页，编辑于2022年，星期二第28页，共77页，编辑于2022年，星期二第29页，共77页，编辑于2022年，星期二

5、6.3.2 基于状态空间法的卡尔曼滤波器基于状态空间法的卡尔曼滤波器第30页，共77页，编辑于2022年，星期二第31页，共77页，编辑于2022年，星期二6.3.3 卡尔曼滤波器的递推算法卡尔曼滤波器的递推算法第32页，共77页，编辑于2022年，星期二6.3.3 卡尔曼滤波器的递推算法卡尔曼滤波器的递推算法第33页，共77页，编辑于2022年，星期二第34页，共77页，编辑于2022年，星期二第35页，共77页，编辑于2022年，星期二第36页，共77页，编辑于2022年，星期二第37页，共77页，编辑于2022年，星期二第38页，共77页，编辑于2022年，星期二第39页，共77页，编辑

6、于2022年，星期二小结w维纳滤波器的参数是固定的,适用于平稳随机情况下的最优滤波;w卡尔曼滤波器的参数是时变的,适用于非平稳随机情况下的最优滤波.w这两种滤波器设计的前提：必须拥有事先知道信号和噪声的统计特性(数学期望,相关函数等)。遗憾的是,在实际应用中常常无法预先得到信号的统计特性或信号的统计特性是随时间变化的.w而如果输入信号的统计特性未知,或者输入信号的统计特性随时间变化,只能使用自适应滤波器。它能够自动地迭代调节自身的滤波器参数,以满足某种准则准则的要求,从而实现最优滤波.w所处理信号的统计特性未知,调整自身参数到最佳最佳的过程 学习过程.w所处理信号的统计特性变化,调整自身参数到

7、最佳最佳的过程 跟踪过程w因此自适应滤波器具有学习能力和跟踪能力.第40页，共77页，编辑于2022年，星期二6.4.自适应滤波器6.4.1 引言引言第41页，共77页，编辑于2022年，星期二6.4.1 引言引言第42页，共77页，编辑于2022年，星期二6.4.1 引言引言自适应滤波器的定义自适应滤波器的定义第43页，共77页，编辑于2022年，星期二第6章 自适应滤波器 自适应滤波器：根据所处理信号的变化，使用自适应算法自适应滤波器：根据所处理信号的变化，使用自适应算法来改变滤波器的参数和结构来改变滤波器的参数和结构。通常，不改变滤波器的结构，而只改变滤波器的系数，即通常，不改变滤波器的

8、结构，而只改变滤波器的系数，即其系数是由自适应算法不断更新的时变系数，自动连续地适应于其系数是由自适应算法不断更新的时变系数，自动连续地适应于所处理信号，以获得期望响应。所处理信号，以获得期望响应。第44页，共77页，编辑于2022年，星期二6.1 引言w自适应的概念：生物能以各种有效方式适应周围环境，从而使生命力变强。自适应的概念：生物能以各种有效方式适应周围环境，从而使生命力变强。w40年代，年代，N.维纳用最小均方原则设计最佳线性滤波器，用来处理平稳随机信号，即维纳用最小均方原则设计最佳线性滤波器，用来处理平稳随机信号，即著名的维纳滤波器著名的维纳滤波器。w60年代，年代，R.E.卡尔曼

9、创立最佳时变线性滤波设计理论，用来处理非平稳随机信号，卡尔曼创立最佳时变线性滤波设计理论，用来处理非平稳随机信号，即即著名的卡尔曼滤波器著名的卡尔曼滤波器。w70 年代，美国年代，美国B.Windrow和和Hoff提出了处理随机信号的自适应滤波器算法，提出了处理随机信号的自适应滤波器算法，弥补了维纳、卡尔曼滤波器的致命缺陷：必须事先知道待处理信号的统计特性弥补了维纳、卡尔曼滤波器的致命缺陷：必须事先知道待处理信号的统计特性（如自相关函数），才能计算出最佳的滤波器系数（如自相关函数），才能计算出最佳的滤波器系数Wopt，否则，维纳、卡尔曼滤，否则，维纳、卡尔曼滤波器无法判定为最佳。波器无法判定为

10、最佳。w自适应滤波器：利用前一时刻已获得的滤波器系数，自动地调节现时刻自适应滤波器：利用前一时刻已获得的滤波器系数，自动地调节现时刻的滤波器系数，以适应所处理随机信号的时变统计特性，实现最优滤波。的滤波器系数，以适应所处理随机信号的时变统计特性，实现最优滤波。6.1.1 自适应滤波器的发展史自适应滤波器的发展史第45页，共77页，编辑于2022年，星期二6.1.2 自适应滤波器的分类自适应滤波器的分类w按滤波器的结构来分：n递归型（最佳递归估计-卡尔曼滤波）n非递归型（最佳非递归估计-维纳滤波）w按实现方式来分：n模拟式自适应滤波器（抑制某些单频干扰）n数字式自适应滤波器（常用，需用软件实现）

11、w自适应FIR滤波器的分类(非递归型)：n自适应横向滤波器n自适应格型滤波器n自适应对称横向滤波器第46页，共77页，编辑于2022年，星期二6.1.2 自适应滤波器的分类自适应滤波器的分类w按复杂度来分：n线性自适应滤波器线性自适应滤波器n非线性自适应滤波器（包括Volterra滤波器和基于神经网络的自适应滤波器。信号处理能力更强，但计算也更复杂。）值得注意的是：自适应滤波器系统-时变性的，非线性。非线性：系统根据所处理信号特点不断调整自身的滤波器系数。时变性：系统的自适应响应/学习过程。所以，自适应滤波器可自动适应信号的传输环境，无须详细知道信号的结构和特征参数，无须精确设计滤波器本身。线

12、性自适应滤波器的两个阶段：学习阶段：根据输入信号的特点，滤波器系数被持续修改调整，直到得最优系数。工作阶段：滤波器系数保持不变(成为线性系统)，进行滤波。便于设计、易于数学处理，实际应用广泛。第47页，共77页，编辑于2022年，星期二线性自适应滤波器的两部分：线性自适应滤波器的两部分：自适应滤波器的结构自适应滤波器的结构自适应权调整算法自适应权调整算法自适应滤波器的结构有自适应滤波器的结构有FIR 和和IIR 两种。两种。FIR 滤波器是非递归系统，即当前输出样本仅是过去和现在输入样本的函数，滤波器是非递归系统，即当前输出样本仅是过去和现在输入样本的函数，其系统冲激响应其系统冲激响应h(n)

13、是一个有限长序列，除原点外，只有零点没有极点。具有是一个有限长序列，除原点外，只有零点没有极点。具有很好的线性相位，无相位失真，稳定性比较好。很好的线性相位，无相位失真，稳定性比较好。IIR 滤波器是递归系统，即当前输出样本是过去输出和过去输入样本的函数，滤波器是递归系统，即当前输出样本是过去输出和过去输入样本的函数，其系统冲激响应其系统冲激响应h(n)是一个无限长序列。是一个无限长序列。IIR 系统的相频特性是非线性的，系统的相频特性是非线性的，稳定性也不能得到保证。唯一可取的就是实现阶数较低，计算量较少；稳定性也不能得到保证。唯一可取的就是实现阶数较低，计算量较少；硬件的巨大发展，使得工程

14、师更关心系统的稳定性，硬件的巨大发展，使得工程师更关心系统的稳定性，而不在乎那么一丁点计算量的减少。因此，自适应滤波器常采用而不在乎那么一丁点计算量的减少。因此，自适应滤波器常采用FIR结构。结构。可分为：横向型、对称横向型、格型可分为：横向型、对称横向型、格型第48页，共77页，编辑于2022年，星期二线性自适应滤波器的两部分：线性自适应滤波器的两部分：自适应滤波器的结构自适应滤波器的结构自适应权调整算法自适应权调整算法自适应权调整算法可分为两类最基本算法：自适应权调整算法可分为两类最基本算法：最小均方误差最小均方误差(LMS)算法算法：使滤波器的实际输出与期望输出之间的均方误差最小.LMS

15、算法的基础是最陡下降法(Steepest Descent Method),1959年，威德诺等提出，下一时刻权系数矢量下一时刻权系数矢量=“现时刻现时刻”权系数矢量权系数矢量+负比例系数的均方误差函数梯度负比例系数的均方误差函数梯度。当权系数达到稳定（最佳权系数）时,则均方误差达到极小值。LMS算法有两个关键:梯度的计算以及收敛因子的选择。通常，将单个误差样本的平方作为均方误差的估计值 LMS算法是一种递推过程,表示要经过足够的迭代次数后,权系数才会逐步逼近最佳最佳权系数,从而计算得到最佳滤波输出最佳滤波输出,即噪声得到最好抑制.存在问题：收敛速度。抽头延迟线的非递归型自适应滤波器算法的收敛速

16、度，取决于输入信号自相关矩阵特征值的离散程度。当特征值离散较大时，自适应过程收敛速度较慢。格型结构的自适应算法 则收敛较快。递归型结构的自适应算法是非线性的，收敛可疑。递推最小二乘递推最小二乘(RLS)算法算法：使估计误差的加权平方和最小.第49页，共77页，编辑于2022年，星期二6.5.2 LMS自适应算法维纳滤波器的寻优以最小均方误差为准则；维纳滤波器的寻优以最小均方误差为准则；LMS自适应滤波的寻优就在最小均方误差的基础上稍作改动：自适应滤波的寻优就在最小均方误差的基础上稍作改动：目标函数：均方误差目标函数：均方误差E|e(k)|2瞬时平方误差瞬时平方误差|e(k)|2 其实质：以当前

17、输出误差、当前参考信号和当前权系数求得其实质：以当前输出误差、当前参考信号和当前权系数求得下个时刻的权系数。下个时刻的权系数。最小均方算法：最小均方算法：Least Mean Squares第50页，共77页，编辑于2022年，星期二回顾：回顾：最陡下降法最陡下降法1）依据：）依据：wiener滤波器的均方误差曲面滤波器的均方误差曲面 J(w)是权矢量是权矢量w的二次的二次函数，不存在局部最小点。函数，不存在局部最小点。2）方法：从任意初始值）方法：从任意初始值 w(0)出发，沿出发，沿 J(w)的负梯度方的负梯度方向向(最陡下降方向最陡下降方向)按一定步长进行迭代搜索至最小点。按一定步长进行

18、迭代搜索至最小点。权矢量随权矢量随n变化的轨迹在每个时刻变化的轨迹在每个时刻n都正交于都正交于J(n)(等高线等高线)；第51页，共77页，编辑于2022年，星期二回顾：维纳滤波器的系数使均方误差最小第52页，共77页，编辑于2022年，星期二第53页，共77页，编辑于2022年，星期二证明证明第54页，共77页，编辑于2022年，星期二第55页，共77页，编辑于2022年，星期二第56页，共77页，编辑于2022年，星期二第57页，共77页，编辑于2022年，星期二6.5.3 RLS自适应算法递归最小二乘法：Recursive Least Squaresn最小二乘法：无需假定输入是宽带平稳过

19、程，收敛快。最小二乘法：无需假定输入是宽带平稳过程，收敛快。问题的描述：问题的描述：在在n时刻巳知一组输入数据时刻巳知一组输入数据 x(1)(1)，x(2)(2)，.，x(n)一组需要的响应一组需要的响应设计一个设计一个M M阶的滤波器阶的滤波器(估计器估计器)，使它，使它n n时刻的输出时刻的输出第58页，共77页，编辑于2022年，星期二最小二乘问题的分类：最小二乘问题的分类：回顾：最小二乘法回顾：最小二乘法第59页，共77页，编辑于2022年，星期二n最小二乘法：最小二乘法：第60页，共77页，编辑于2022年，星期二正交性原理：按误差平方和最小化原则，可得：正交性原理：按误差平方和最小

20、化原则，可得：n最小二乘法：最小二乘法：第61页，共77页，编辑于2022年，星期二n最小二乘法：最小二乘法：第62页，共77页，编辑于2022年，星期二6.5.3 RLS自适应算法递归最小二乘法的预备知识：递归最小二乘法的预备知识：第63页，共77页，编辑于2022年，星期二第64页，共77页，编辑于2022年，星期二第65页，共77页，编辑于2022年，星期二nRLSRLS算法随算法随n n趋向无限大，权系数按均值收敛于最佳值；但，对于有限的趋向无限大，权系数按均值收敛于最佳值；但，对于有限的n n，由于，由于的引入，的引入，RLSRLS算法是有偏估计算法是有偏估计。n权系数的均方误差随最

21、小特征值的减小而增大，因此，权系数的均方误差随最小特征值的减小而增大，因此，R R特征值的散布度特征值的散布度加大，会使加大，会使RLSRLS权系数的收敛性能变差权系数的收敛性能变差；n 权系数的均方误差随权系数的均方误差随n n的增加而线性减小，所以，的增加而线性减小，所以，RLSRLS算法权系数按算法权系数按均方渐近收敛于最佳值均方渐近收敛于最佳值。n RLSRLS算法经过算法经过n=2Mn=2M次迭代，即可使均方误差达到最小误差的次迭代，即可使均方误差达到最小误差的1.51.5倍，倍，而而LMSLMS算法达此水平至少需算法达此水平至少需20M20M次迭代。因此，次迭代。因此，RLSRLS

22、比比LMSLMS至少快一个数至少快一个数量级。量级。第66页，共77页，编辑于2022年，星期二n RLSRLS算法的均方误差收敛特性与算法的均方误差收敛特性与R R的特征值散布无关。的特征值散布无关。n RLSRLS收敛快的原因在于采用类似归一化步长。收敛快的原因在于采用类似归一化步长。n 若若n n趋于无限大，在不考虑量化误差的条件下，趋于无限大，在不考虑量化误差的条件下，RLSRLS算法无算法无失调。而失调。而LMSLMS始终存在与步长有关的失调。始终存在与步长有关的失调。n RLSRLS算法的主要问题：每次迭代中的计算量与阶数算法的主要问题：每次迭代中的计算量与阶数M M的平方成正的平

23、方成正比。虽然比之最小二乘法比。虽然比之最小二乘法(M(M的三次方成正比的三次方成正比)好，但比好，但比LMSLMS算法算法(M(M成正比成正比)要差。要差。第67页，共77页，编辑于2022年，星期二第68页，共77页，编辑于2022年，星期二第69页，共77页，编辑于2022年，星期二第70页，共77页，编辑于2022年，星期二第71页，共77页，编辑于2022年，星期二第72页，共77页，编辑于2022年，星期二第73页，共77页，编辑于2022年，星期二第74页，共77页，编辑于2022年，星期二第75页，共77页，编辑于2022年，星期二第76页，共77页，编辑于2022年，星期二第77页，共77页，编辑于2022年，星期二