学术论文毕业设计论文《递归最小二乘算法及性能仿真》Word格式文档下载.docx
- 文档编号:22361583
- 上传时间:2023-02-03
- 格式:DOCX
- 页数:27
- 大小:31.86KB
学术论文毕业设计论文《递归最小二乘算法及性能仿真》Word格式文档下载.docx
《学术论文毕业设计论文《递归最小二乘算法及性能仿真》Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《学术论文毕业设计论文《递归最小二乘算法及性能仿真》Word格式文档下载.docx(27页珍藏版)》请在冰豆网上搜索。
专业
通信工程
毕业论文〔设计〕题目
指导教师
学历
博士
职称
讲师
所学专业
主要内容:
本文分析了递归最小二乘算法的优点,它具有维纳滤波和卡尔曼滤波的最正确滤波性能,而且不需要先验知识的初始条件。
本文首先介绍了自适应滤波算法中的LMS算法,其具有计算量小、易于实现等优点而在实践中被广泛采用。
然后重点分析了RLS算法的根本原理和步骤。
最后,利用MATLAB仿真软件,在实验中对根本LMS算法及RLS算法的性能进行比照,得出RLS算法的优良性能。
根本要求:
着重培养学生解决实际问题的能力及初步的理论研究能力;
查阅文献资料、调查收集信息的能力;
独立思考,认真钻研,提出方案并论证方案的能力;
设计、计算、绘图能力;
实验数据分析与处理的能力;
外文阅读、计算机应用能力;
撰写实验报告、设计说明书、技术总结和论文的能力;
语言表达、思辨能力。
参考文献:
陈莉.自适应滤波算法与应用研究.西安电子科技大学硕士论文.2021,D
JMCioffi,TKailath.Windowedfasttransversalfiltersforrecursiveleastsquaresadaptivefiltering[J].IEEETrans.onASSP.1985,33(3):
607-625.
高鹰一种基于最小二乘准那么的自适应滤波算法[J].广州大学学报.2001,15
(2):
32-34.
进度安排:
5-6 周:
查找、阅读,翻译文献。
6-7 周:
素材加工,系统分析。
7-8 周:
撰写论文大纲。
8-10 周:
撰写论文。
12 周:
论文修改完善。
13周:
定稿,打印论文,准备辩论。
指导教师〔签字〕:
年 月 日
院〔系〕意见:
教学院长〔主任〕〔签字〕:
年 月 日
备注:
[摘要]自适应滤波理论和技术是统计信号处理和非平稳随机信号处理的主要内容,它具有维纳滤波和卡尔曼滤波的最正确滤波性能,而且不需要先验知识的初始条件,所以,自适应滤波器不但可以用来检测确定性信号,也可以用来检测平稳的或非平稳的随机过程。
本文详细阐述了递归最小二乘算法的根本理论,研究了自适应滤波的原理和方法,并讨论了LMS和RLS的优劣性。
主要内容概括如下:
RLS算法的主要优点是收敛速度快,且对自相关矩阵特征值的分散性不敏感,其缺点是计算量比较大。
LMS算法具有计算量小、易于实现等优点,缺点是收敛速度慢。
重点研究了LMS自适应算法和递归最小二乘算法,给出了它们具体的推导过程和根本原理,并对其性能进行了简单分析。
利用MATLAB仿真软件,在信道均衡实验中比照了上述两种算法的性能,验证了变递归最小二乘算法的优良性能。
[关键词]递归最小二乘;
自适应滤波;
LMS算法;
MATLAB仿真
[Abstract] Adaptivefiltertheoryandtechniquesofstatisticalsignalprocessingandnon-stationaryrandomsignalprocessingmaincontent,whichhasWienerfilteringandKalmanfilteringthebestfilteringperformance,anddoesnotrequirepriorknowledgeofinitialconditions,therefore,adaptivefilternotonlycanbeusedtodetectdeterministicsignalscanalsobeusedtodetectstationaryornonstationarystochasticprocess.
Thispaperdescribesthebasictheoryofrecursiveleastsquaresalgorithmtostudytheprinciplesandmethodsofadaptivefiltering,anddiscussedthemeritsofLMSandRLS.Mainlybesummarizedasfollows:
ThemainadvantageofRLSalgorithmisfastconvergence,andtheeigenvalueoftheautocorrelationmatrixisnotsensitivetothedispersion,thedrawbackislargerthancalculated.LMSalgorithmhasacomputation,easyimplementation,convergencespeedisslow.
FocusoftheLMSadaptivealgorithmandrecursiveleastsquaresalgorithm,giventheirspecificprocessandthebasicprincipleofderivation,anditsperformanceisalsoanalyzed.
UsingMATLABsimulationsoftware,channelequalizationexperimentcomparedtheperformanceofthesetwoalgorithms,recursiveleastsquaresalgorithmwithvariableverifiedtheexcellentperformance.
[Keywords]RLSAlgorithm;
AdaptiveFiltering;
LMSalgorithm;
MATLABsimulation.
目 录TOC\o"
1-3"
\h\z\u
l"
_Toc262298110"
目 录REF_Toc262298110\hIII
_Toc262298111"
1 绪论REF_Toc262298111\h1
_Toc262298112"
1.1 自适应信号处理的国内外开展现状REF_Toc262298112\h1
_Toc262298113"
1.2 自适应信号处理技术的应用REF_Toc262298113\h2
_Toc262298114"
1.3 本文的主要研究内容及工作安排REF_Toc262298114\h2
_Toc262298115"
2 自适应滤波的原理与算法REF_Toc262298115\h4
_Toc262298116"
2.1 自适应滤波的原理REF_Toc262298116\h4
_Toc262298117"
2.2 自适应滤波算法REF_Toc262298117\h5
_Toc262298118"
2.3 自适应滤波的特征REF_Toc262298118\h6
_Toc262298119"
2.4 自适应滤波器的应用REF_Toc262298119\h7
_Toc262298120"
3 LMS自适应算法REF_Toc262298120\h8
_Toc262298121"
3.1 最小均方算法的结构和运算概述REF_Toc262298121\h8
_Toc262298122"
3.1 最速下降概述REF_Toc262298122\h9
_Toc262298123"
3.3 LMS自适应滤波算法REF_Toc262298123\h12
_Toc262298124"
4 递归最小二乘自适应算法及仿真REF_Toc262298124\h15
_Toc262298125"
4.1 引言REF_Toc262298125\h15
_Toc262298126"
4.2 递推最小二乘〔RLS〕算法REF_Toc262298126\h15
_Toc262298127"
4.3 递推最小二乘算法性能分析REF_Toc262298127\h18
_Toc262298128"
5 结论与展望REF_Toc262298128\h21
_Toc262298129"
5.1总结REF_Toc262298129\h21
_Toc262298130"
5.2展望REF_Toc262298130\h21
_Toc262298131"
致谢REF_Toc262298131\h22
_Toc262298132"
参考文献REF_Toc262298132\h23
II
1 绪论
自适应信号处理是近40年来开展起来的信号处理领域一个新的分支。
自适应滤波理论和技术是统计信号处理和非平稳随机信号处理的主要内容,它具有维纳滤波和卡尔曼滤波的最正确滤波性能,而且不需要先验知识的初始条件,所以,自适应滤波器不但可以用来检测确定性信号,也可以用来检测平稳的或非平稳的随机过程。
自适应信号处理的研究内容是以信号与信息自适应处理为主线,包括自适应滤波理论、自适应技术应用两大局部。
(1)自适应滤波理论包括:
自适应LMS横向滤波器、自适应RLS横向滤波器、自适应格型滤波器、自适应递归滤波器、自适应神经滤波器等。
(2)自适应技术应用包括自适应谱线增强与谱估计方法、自适应噪声干扰抵消技术、自适应均衡技术、自适应阵列处理与波束形成、自适应神经网络信息处理等。
1.1 自适应信号处理的国内外开展现状
早在20世纪40年代,就对平稳随机信号建立了维纳滤波理论。
根据有用信号和干扰噪声的统计特性(自相关函数或功率谱),以线性最小均方误差估计准那么所设计的最正确滤波器,称为维纳滤波器。
维纳滤波器能最大程度地滤除干扰噪声,提取有用信号。
但是,当输入信号的统计特性偏离设计条件,它就不是最正确的滤波器,这在实际应用中受到了限制。
60年代初,由于空间技术的开展,出现了卡尔曼滤波理论:
利用状态变量模型对非平稳、多输入多输出随机序列作最优估计。
在设计卡尔曼滤波器时,必须知道信号和噪声的统计特性。
在实际中,往往难以预知这些统计特性,故实现不了真正的最正确滤波。
自适应信号处理的研究工作始于20世纪中叶。
美国通用电气公司研究出了简单的自适应滤波器,用以消除混杂在有用信号中的噪声和干扰。
WidrowB.等于1967年提出的自适应滤波理论,可使自适应滤波系统的参数自动地调整而到达最正确状况,而且在设计时,只需要很少的或根本不需要任何关于信号与噪声的先验统计知识,这种滤波器的实现差不多像维纳滤波器那样简单,而滤波性能几乎与卡尔曼滤波器一样好。
随着自适应空域滤波概念的不断完善,一类由维德罗、格里菲思等人研制出来的基于“引导信号〞算法的自适应波束形成器应用于自适应阵列信号处理。
1969年至1972年间,由格里菲思和弗罗斯特等人创造了又一类和“引导算法〞相似的“线性约束〞自适应天线算法。
近10年来,自适应滤波理论和方法得到了迅速开展。
自适应滤波器与普通滤波器不同,其冲激响应或滤波参数随外部环境的变化而改变,经过一段自动调节的收敛时间到达最正确滤波的要求。
自适应滤波器本身有一个重要的自适应算法,此算法可以根据输入、输出及原参量值,按照一定准那么修改滤波参量,以使它本身能有效地跟踪外部环境的变化。
目前,自适应信号处理技术仍在继续向纵深方向开展,特别是盲自适应信号处理和利用神经网络进行的非线性自适应信号处理,对于实现智能信息处理系统,有很广阔的应用前景。
1.2 自适应信号处理技术的应用
自适应信号处理技术在语音信号处理、雷达、通信、声纳、图像处理、计算机视觉、生物医学工程等领域有着极其重要的应用,可以用来检测平稳的和非平稳的随机信号。
(1)自适应线性组合器可以用于语音增强、频谱估算、窄带信号检测等研究。
(2)自适应均衡技术可以用于克服数字微波接力通信系统中由于多径传输而引起的码间串扰。
另外,在有线传输系统中,当数据传输系统的速率高于4800bit/s时,由于有线信道的传输特性不理想,其幅频响应和相频响应分别是非恒定的和非线性的,所以必须采用自适应均衡器来补偿信道的畸变,以减少误码。
在移动通信中,由于信道环境不断发生变化,要求盲自适应非线性均衡器参数的更新速率比信道参数的变化至少快一个数量级,而且信道模型比较复杂,对盲均衡技术要求很高,需要进一步研究解决。
(3)自适应阵列与波束形成技术在雷达、声纳、通信领域有着广泛而重要的应用。
在相控阵雷达体制中,机载预警雷达杂波谱散布在整个多谱勒区域,采用自适应波束形成技术能很好的抑制杂波。
(4)自适应控制在现代信息社会许多系统工程和动态系统中得到了广泛应用。
自适应控制方法类似于自适应滤波理论及算法,欲研究自适应控制系统的稳定性,需研究自适应噪声控制器的稳定极限、等效转移函数以及用逆滤波方法实现自适应控制系统的补偿等问题。
(5)自适应盲信源别离方法可以推广应用到盲反卷积、盲均衡理、盲阵列处及盲多用户检测等领域,具有非常重要的理论意义和实用价值。
在语音信号处理、阵列信号处理、移动通信领域、生物医学信号处理、图像处理、地震信号处理等领域都有广泛的应用。
随着人们在自适应信号处理领域研究的不断深入,自适应信号处理的理论和技术日趋完善,其应用的范围也越来越广泛。
1.3 本文的主要研究内容及工作安排
语音去噪是一门古老的科学,根据自适应滤波原理,利用最小均方自适应滤波算法实现语音信号去除噪声。
因此,本文在传统的LMS算法的根底上研究了RLS算法。
主要工作如下:
(1)对信号的性态进行分析,为后续研究奠定理论根底。
(2)分析自适应滤波的根本原理。
(3)基于自适应滤波器的原理,对LMS算法进行分析。
(4)在LMS的根底上,分析RLS自适应滤波算法。
主要安排如下:
第二章详细介绍了自适应滤波的原理与算法法,所谓自适应滤波,就是利用前一时刻已获得的滤波器参数等结果,自动的调节现时刻的滤波器参数,以适应信号和噪声未知的或随时间变化的统计特性,从而实现最优滤波。
自适应滤波器实质上就是一种能调节其自身传输特性以到达最优化的维纳滤波器。
自适应滤波器不需要关于输入信号的先验知识,计算量小,特别适用于实时处理。
第三章介绍了LMS自适应算法,从LMS算法的结构和运算入手研究该算法。
第四章介绍了递归最小二乘自适应算法,并与其他算法相比较,论述了其优缺点。
2 自适应滤波的原理与算法
在对随机信号处理过程中经常用到的是维纳滤波器和卡尔曼滤波器。
维纳(Weiner)滤波,它根据平稳随机信号的全部过去和当前的观察数据来估计信号的当前值,在最小均方差的条件下得到系统的传递函数或者冲击响应,它是一种最优线性滤波方法,参数是固定的,适用于平稳随机信号。
卡尔曼滤波,它是依据当前时刻数据的观测值和前一时刻对该时刻的预测值进行递推数据处理的滤波算法。
它自动调节本身的冲击响应特性,或者说,自动调节数字滤波器的系数,以适应信号变化的特性,从而到达最优化滤波。
它的参数是时变的,适用于平稳和非平稳的随机信号。
然而,只有对信号噪声的统计特性先验的情况下,这两种滤波器才能获得最优滤波。
可是,在实际应用中,常常无法得到这些统计特性的先验知识;
或者,统计特性是随时间变化的。
因此,用维纳或卡尔曼滤波器实现不了最优滤波。
在这种情况下,自适应滤波能够提供卓越的滤波性能。
所谓自适应滤波,就是利用前一时刻已获得的滤波器参数等结果,自动的调节现时刻的滤波器参数,以适应信号和噪声未知的或随时间变化的统计特性,从而实现最优滤波。
2.1 自适应滤波的原理
图2.1表示了维纳滤波器的输入输出关系,其输入是一组随机信号。
图2.1 维纳滤波器的输入输出关系
图2.1中表示信号的真值,表示噪声。
其输出等于的估计值,维纳滤波器是具有这样的或的滤波器,它能使与间的均方误差,即 (2.1)
从而到达最好地从噪声中提取信号的目的。
而自适应滤波器那么能自动调节它的值以满足上述最小均方误差的准那么。
应用横向结构的FIR滤波器形式来实现自适应滤波是最常用的一种方法。
(2.2)
式中;
;
;
由此可见,输出是个所有过去各输入的线性加权之和,其加权系数就是{}。
在自适应滤波器中这个加权系数常用符号;
表示所希望的输出常用表示。
为了书写简化时间用下标表示,于是式(2.2)成为:
(2.3)
自适应滤波器可以分为线性自适应滤波器和非线性自适应滤波器。
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。
非线性自适应滤波器具有更强的信号处理能力。
但是,由于非线性自适应滤波器的计算较复杂,实际用得最多的仍然是线性自适应滤波器。
2.2 自适应滤波算法
对自适应滤波算法的研究是当今自适应信号处理中最为活泼的研究课题之一。
自适应滤波算法广泛应用于系统辨识、回波消除、自适应谱线增强、自适应信道均衡、语音线性预测、自适应天线阵等诸多领域中。
总之,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。
虽然线性自适应滤波器和相应的算法具有结构简单、计算复杂性低的优点而广泛应用于实际,但由于对信号的处理能力有限而在应用中受到限制。
Volterra滤波器和基于神经网络的自适应滤波器,由于具有更强的信号处理能力,已成为自适应信号处理中的一个研究热点。
根据自适应滤波算法优化准那么的不同,自适应滤波算法可以分为两类最根本的算法:
最小均方误差(LMS)算法和递推最小二乘(RLS)算法。
基于最小均方误差准那么,LMS算法使滤波器的输出信号与期望输出信号之间的均方误差最小。
基于最小二乘准那么,RLS算法决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。
其中λ为遗忘因子,且。
由此两准那么衍生出许多不同的自适应滤波算法。
2.3 自适应滤波的特征
每个自适应滤波器的实际应用都涉及一个或多个输入信号,以及一个能或不能接入自适应滤波器的期望响应的信号,我们把这些信号统称为自适应滤波器的信号运算环境(SOE)。
每个自适应滤波器都包括三个模块:
(1)滤波结构:
这个模块利用对输入信号的度量,形成滤波器的输出。
如果滤波器的输出是输入信号的线性组合,那么这个滤波器就是线性的;
否那么就是非线性的。
例如,滤波模块可能是用直接或格型结构实现的、可调的有限脉冲响应数字滤波器,或是用级联结构实现的递归滤波器。
滤波结构被设计者固定了,而其参数可以用自适应算法进行调整。
(2)性能判据(COP):
COP模块用自适应滤波器的输入和期望的响应去评价其质量是否与特定应用的要求相符合。
标准的选择是用户可接受和数学易处理之间的折衷,我们可以用它推导自适应算法。
大多数自适应滤波器使用平方误差的某种平均形式,因为这在数学上是容易处理的,且有利于实际系统的设计。
(3)自适应算法:
自适应算法用性能标准的数值、它的某些函数、输入信号和期望的响应来决定如何修改滤波器的参数,以提高性能。
自适应算法的复杂性和特性是滤波结构和性能判据的函数。
任何自适应滤波器的设计,都需要信号运算环境的一般先验信息和对特定应用的深入理解。
设计者用这些信息去选择性能判据和滤波结构。
很明显,信号运算环境的不可靠的先验信息,或不正确的假设会导致严重的性能降低,甚至是滤波器无法解决这个实际问题。
从性能评估到对参数进行成功调整的策略转化,即自适应算法的设计,是自适应滤波器的设计和应用中最难的一步。
如果信号运算环境的特性是固定不变的,自适应滤波器的目的就是:
找到使自适应滤波器具有最正确性能的参数,然后停止调整。
从滤波器开始运行直到其根本到达最正确性能的初始阶段,被称为捕获或收敛模式。
然而当信号运算环境的特性随时间改变时,自适应滤波器应首先发现这个变化,然后重新调整自己的参数以跟随这个变化。
在这种情况下,滤波器开始于捕获阶段,紧跟着跟踪模式。
期望的响应信号的可利用率,是自适应算法设计中影响非常大的因素。
我们看到对于特定的应用,期望的响应对于自适应滤波器是不可用的。
因此,自适应必须通过下面两种方式中的一种来进行:
(1)有监督(有导师)型自适应:
每一时刻自适应滤波器都预先知道期望的响应,计算出误差(即期望的和实际响应的差异),然后估计性能标准并且用它来调整自己的系数。
(2)无监督(无导师)型自适应:
当期望的响应不可知时,自适应滤波器就不能准确计算出误差,并用它来改进自己的性能。
在许多应用中,输入信号有某些可测量的特性,这些特性在它到达自适应滤波器时消失了。
自适应滤波器通过恢复输入信号丧失的特性来调整自己的参数。
在其他的一些应用中(如数字通信)中,自适应滤波器的根本任务是对每个接收到的脉冲进行分类,把它用有限的一组符号中的一个来表示。
2.4 自适应滤波器的应用
自适应滤波器具有在未知环境下良好运行并跟踪输入统计量随时间变化的能力,使得自适应滤波器成为信号处理和自动控制应用领域强大的设备。
实际上,自适应滤波器已经成功地应用于通信、雷达、声纳、地震学和生物医学工程等领域。
尽管这些应用在特性方面是千变万化的,但它们都有一个共同的根本特征:
输入向量和期望响应被用来计算估计误差,该误差依次用来控制一组可调滤波器系数。
可调系数取决于所采用的滤波器结构,可取抽头权值、反射系数或旋转参数等形式。
自适应滤波器各种应用分为四种类型:
(1)辨识:
在这类涉及辨识的应用中,自适应滤波器用来提供一个在某种意义上能够最好拟合未知装置的线性模型。
例如:
系统辨识。
(2)逆模型:
该应用中,自适应滤波器的作用是提供一个逆模型,该模型可在某种意义上最好地拟合未知噪声装置。
分层地球建模均衡。
(3)预测:
这里,自适应滤波器的作用是对随机信号的当前值提供某种意义上的一个最好预测。
预测编码、谱分析。
(4)干扰消除:
在最后一类应用中,自适应滤波器以某种意义上的最优化方式消除包含在根本信号中的未知干扰。
噪声消除、波束形成。
3 LMS自适应算法
LMS自适应滤波算法是一种广泛使用的算法,下面从LMS算法的结构和运算入手研究该算法。
3.1 最小均方算法的结构和运算概述
LMS算法是自适应滤波算法。
一般来说,它包含两个根本过程:
(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 递归最小二乘算法及性能仿真 学术论文 毕业设计 论文 递归 最小 算法 性能 仿真
![提示](https://static.bdocx.com/images/bang_tan.gif)