自适应信号处理综述报告.docx
- 文档编号:26065385
- 上传时间:2023-06-17
- 格式:DOCX
- 页数:15
- 大小:113.75KB
自适应信号处理综述报告.docx
《自适应信号处理综述报告.docx》由会员分享,可在线阅读,更多相关《自适应信号处理综述报告.docx(15页珍藏版)》请在冰豆网上搜索。
自适应信号处理综述报告
自适应信号处理综述报告
摘要:
本文对国内外自适应信号处理的研究进行了综述,简要介绍了自适应算法的发展和应用,并讲述了LMS算法的原理及应用,最后给出了其在信号处理中的应用情况。
关键字:
LMS算法;变步长;噪声抵消;系统辨识;自适应信号分离器
1.自适应信号处理概述
自适应信号(AdaptiveSignalProcessing)处理的研究工作始于20世纪中叶。
在1957年至1960年间,美国通用电气公司的豪厄尔斯(P.Howells)和阿普尔鲍姆(P.Applebaum),与他们的同事们研究和使用了简单的是适应滤波器,用以消除混杂在有用信号中的噪声和干扰。
而结构更为复杂的自适应滤波器的研究工作,则由美国斯坦福大学的维德罗(B.Widrow)和霍夫(M.Hoff)始于1959年。
此期间,他们在自适应理论方面的研究作出了贡献,发明了最小均方(LMS)自适应算法,并提出了一种采用被称为“自适应线性门限逻辑单元”的模式识别方案。
同时,原苏联莫斯科自动学和遥控力学研究所的艾日曼及同事们,也研制出了一种自动梯度搜索机器。
英国的加布尔(D.Gabor)和他的助手们则研制了自适应滤波器。
到20世纪60年代初期和中期,有关自适应信号处理的理论研究和实践、应用工作更加强了,研究范围已发展到自适应、自适应控制、自适应滤波(包括时域和空域)及其他方面。
勒凯(R.Lucky)在美国贝尔实验室首先将自适应滤波应用于商用的数字通信中。
1965年,自适应噪声对消系统在斯坦福大学建成,并成功应用于医学中,主要用于对消心电放大器和记录仪输出端的60Hz干扰。
此后,瑞格勒(R.Riegler)和康普顿(R.T.Compton)推广了由豪厄尔斯和阿普尔鲍姆所做的工作。
数字集成电路和微电子技术的迅速发展给自适应信号处理技术的应用提供了十分优越的条件。
自适应系统的应用领域包括通信、雷达、声纳、地震学、导航系统、生物医学电子学和工业控制等。
随着人们在改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,其应用的范围也愈来愈广泛。
2.自适应滤波算法基本原理
自适应滤波是利用前一时刻已获得的滤波器参数等结果,自动地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。
所谓“最优”是以一定的准则来衡量的,根据自适应滤波算法优化准则不同,自适应滤波算法可以分为最小均方误差(LMS)算法和递推最小二乘(RLS)算法两类最基本的算法。
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Voherra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复杂度高,实际用得最多的仍然是线性自适应滤波器。
本文只讨论线性自适应滤波器及其LMS算法。
图一为自适应滤渡器原理框图。
图一自适应滤波器原理图
2.1LMS算法
LMS算法即最小均方误差(least-mean-squares)算法,是线性自适应滤波算法,包括滤波过程和自适应过程。
基于最速下降法的LMS算法的迭代公式如下:
e(n)=d(n)-w(n-1)x(n)
(1)
w(n)=w(n-1)+2μ(n)e(n)x(n)
(2)
式中,x(n)为自适应滤波器的输入;d(n)为参考信号;e(n)为误差;w(n)为权重系数;μ(n)为步长。
LMS算法收敛的条件为:
0<μ<1/λmax,λmax是输入信号自相关矩阵的最大特征值。
2.2LMS算法的改进
由于LMS算法具有结构简单,计算复杂度小,性能稳定等特点,因而被广泛地应用于自适应均衡、语音处理、自适应噪音消除、雷达、系统辨识及信号处理等领域。
但是这种固定步长的LMS自适应算法在收敛速率、跟踪速率和稳态误差特性之间的要求是相互矛盾的,不能同时得到满足,其性能由步长来控制。
初始收敛速度、时变系统跟踪能力及稳态失调是衡量自适应滤波算法优劣的三个最重要的技术指标。
在LMS算法中最简单的学习速率参数选择是取μ(n)为常数,即:
μ(n)=μ 0<μ<1/λmax
式中,λmax是输入信号自相关矩阵的最大特征值。
然而,这种方法会引起收敛与稳定性能的矛盾,即大的学习速率能够提高滤波器的收敛速率,但稳态性能就会降低;反之,为了提高稳态性能而采用小的学习速率时,跟踪速度和收敛就会慢,因此,学习速率的选择应该兼顾稳态性能与收敛速率。
简单而有效的方法就是在不同的迭代实践使用不同的学习速率参数,即采用时变的学习速率。
这就是变步长LMS自适应滤波算法。
这些变步长的LMS自适应算法的指导思想是:
在初始收敛阶段或未知系统参数发生变化时,步长应比较大,这使得算法有较快的收敛速度或对时变系统的跟踪速度,然后随着收敛的加深而逐渐减小步长来减小稳态误差。
实践表明,该算法可以保证较快的收敛速度和较小的失调,能有效地去除不相关噪声的干扰,而且算法本身引入的参数和计算量比较少,且易于硬件实现,可以很好地应用于自适应噪声对消系统中。
在变步长LMS自适应滤波算法的研究过程中,人们首先提出了使步长因子μ正比于误差信号e(n)的大小。
然后提出了一种时间平均估值梯度的自适应滤波算法。
再此之后又提
出了另一种变步长自适应滤波算法,其步长因子μ与e(n)和x(n)的互相关函数的估值成正比。
在分析了上述变步长自适应滤波算法之后,高鹰等人提出了一种新的变步长算法,如下式所示:
W(n+1)=W(n)+2μ(n)e(n)X(n)(3)
μ(n)=β(1-exp(-αe(n)2))(4)
其中,参数α>0控制函数的形状,参数β>0控制函数的取值范围。
该算法简单且在参数稳定后具有缓慢变化的特性。
然而,此算法仍然对噪声比较敏感,在低信噪比环境下,该算法的收敛速度.跟踪速度和稳态误差并不十分理想,这就大大制约了其应用范围。
而本文改进的算法中,不直接用信号误差的平方即e2(n)调节步长,而是通过将误差信号延长一定的时间从而使噪声信号的自相关性减到零,即用误差的相关值e(n)e(n-D)(其中D为正整数,D选为小于输入信号的时间相关半径而大于噪声的时间相关半径)去调节步长。
由于噪声信号的自相关性减到了零,所以噪声信号对步长因子的影响大大降低,从而降低了变步长LMS算法对噪声的敏感性。
本文改进算法的步长公式即:
μ(n)=β(1-exp(-αe(n)e(n-D)))(5)
此算法用误差信号的相关值e(n)e(n-D)去调节步长,兼顾了收敛速度和误差等性能,并且降低了LMS算法对自相关性较弱的噪声的敏感性。
本文将此算法应用于自适应噪声抵消中,从理论和实践上都证明此算法效果明显。
3.自适应滤波在信号处理中的应用
3.1自适应噪声对消器
在通信和其他许多信号处理应用问题中,接收的信号中往往伴随着干扰和噪声,影响接收信号的可靠性,导致误码率的上升。
自适应信号处理就是利用最优滤波器将受到噪声和干扰污染的信号中估计、检测或恢复出原始信号,例如经典的维纳滤波器和卡尔曼滤波器。
最优滤波器可以是固定的,也可以是自适应的,其中设计固定滤波器依赖于信号和噪声的先验统计知识,而自适应滤波器则不需要或只需很少有关信号噪声的统计先验知识。
自适应噪声抵消(ANC)系统是自适应最优滤波器的一种变形,它是于1965年由美国斯坦福大学最先研究成功的。
自适应噪声抵消的基本原理是将被噪声污染的信号与参考信号进行抵消运算,从而消除带噪信号中的噪声。
其关键问题是自适应噪声抵消系统的参考信号一定要与待消除的噪声具有一定相关性,而与要检测或提取的信号不相关。
一般来说,从接收信号中减去噪声似乎是很危险的,极有可能会导致噪声不仅不能被消除,反而会消弱有用信号。
但是,自适应噪声抵消系统经过自适应系统的控制和调整,能够有效地从噪声中恢复出原始信号。
下面来具体讨论自适应噪声抵消系统的基本原理。
假设自适应噪声对消系统的原始输入端用d(n)=s+
表示,n0是要抵消的噪声,并且与s不相关。
参考输入端用x(n)表示,x(n)=
与
是相关的,与s不相关。
系统的输出用z(n)表示,z(n)=y(n)-d(n),如图二所示。
图二噪声对消器原理图
依据图二设计一个2阶加权自适应噪声对消器,对经加性白高斯噪声信道干扰的正弦信号进行滤波。
实现程序代码如下:
%自适应噪声对消器2介基本LMS算法
clearall
clc
t=0:
1/1000:
10-1/1000;
s=sin(2*pi*t);
snr=10;
s_power=var(s); %var函数:
返回方差值
linear_snr=10^(snr/10);
factor=sqrt(s_power/linear_snr);
noise=randn(1,length(s))*factor;
x=s+noise; %由SNR计算随机噪声
x1=noise; %噪声源输入
x2=noise;
w1=0; %权系数初值
w2=0;
e=zeros(1,length(x));
y=0;
u=0.05;
fori=1:
10000 %LMS算法
y=w1*x1(i)+w2*x2(i);
e(i)=x(i)-y;
w1=w1+u*e(i)*x1(i);
w2=w2+u*e(i)*x2(i);
end
figure
(1)
subplot(3,1,1)
plot(t,x);
title('带噪声正弦信号')
axis([010-1.21.2]);
subplot(3,1,2)
plot(t,noise);
title('噪声信号')
axis([010-1.21.2]);
subplot(3,1,3)
plot(t,e);
title('自适应噪声对消器')
axis([010-1.21.2]);
【程序运行结果】
图三自适应对消器仿真结果
图三中,信号源产生一个正弦信号,并与噪声源产生的高斯白噪声信号叠加后进入噪声对消器主通道,自适应滤波器的输入端是单一的噪声源产生的噪声信号,通过LMS算法自适应调整线性组合器的权系数,主通道与参考通道内的噪声信号对消,所输出误差信号即为信号源产生的期望正弦信号。
3.2系统辨识
对于一个真实的物理系统,人们主要关心其输入和输出特性,即对信号的传输特性,而不要求完全了解其内部结构。
系统可以是一个或多个输入,也可以有一个或多个输出。
通信系统的辨识问题是通信系统的一个非常重要的问题。
所谓系统辨识,实质上是根据系统的输入和输出信号来估计或确定系统的特性以及系统的单位脉冲响应或传递函数。
系统辨识和建模是一个非常广泛的概念,在控制、通信和信号处理等领域里都有重要意义。
实际上,系统辨识和建模不仅局限于传统的工程领域,而且可以用来研究社会系统、经济系统和生物系统等。
本节只讨论通信和信号处理中的系统辨识和建模问题。
采用滤波器作为通信信道的模型,并利用自适应系统辨识的方法对通信信道进行辨识,从而可以进一步地对通信信道进行均衡处理。
如果把通信信道看成是一个“黑箱”,仅知道“黑箱”的输入和输出;以一个自适应滤波器作为这个“黑箱”的模型,并且使滤波器具有与“黑箱”同样的输入和输出。
自适应滤波器通过调制自身的参数,使滤波器的输出与“黑箱”的输出相“匹配”。
这里的“匹配”通常指最小二乘意义上的匹配。
这样,滤波器就模拟了通信信道对信号的传输行为。
尽管自适应滤波器的结构和参数与真实的通信信道不一样,但是它们在输入、输出响应上保持高度一致。
因此,在这个意义上,自适应滤波器就是这个未知“黑箱”系统的模型。
并且还可以发现,如果自适应滤波器具有足够多的自由度(可调节参数),那么,自适应滤波器可以任意程度地模拟这个“黑箱”。
假定未知信道为有限冲激响应(FIR)结构,构造一个FIR结构的自适应滤波器,如图7-12所示。
在图中,用一伪随机系列作为系统的输入信号x(n),同时送入未知信道系统和自适应滤波器。
调整自适应滤波器的系数,使误差信号e(n)的均方误差达到最小,则自适应滤波器的输出y(n)近似等于通信系统的输出d(n)。
可以证明,加性噪声v(n)的存在并不影响自适应滤波器最终收敛到最优维纳解。
可以认为,具有相同输入和相似输出的两个FIR系统,应该具有相似的特性。
因此,可以采用自适应滤波器的特性或其单位脉冲响应来近似替代未知系统的特性或单位脉冲响应。
图四自适应系统辨识原理图
模型建立的过程通常分为三步:
①选择模型的结构和阶次;
②估计模型的参数;
③验证模型的性能是否满足要求,如果不满足要求,回到第①步重新设计。
下面Matlab代码给出了通过FIR滤波器的自适应调整,不断修正其系统函数,使其与未知系统的参数充分逼近,从而使误差最小,达到系统辨识的目的。
实现程序代码如下:
Clearall
ee=0;
fs=800;
det=1/fs;
f1=100;
f2=200;
t=0:
det:
2-det;
x=randn(size(t))+cos(2*pi*f1*t)+cos(2*pi*f2*t);
%未知系统
[b,a]=butter(5,150*2/fs);
d=filter(b,a,x);
%自适应FIR滤波器
N=5;%滤波器介数
delta=0.06;
M=length(x);
y=zeros(1,M);
h=zeros(1,N);
for n=N:
M
x1=x(n:
-1:
n-N+1);
y(n)=h*x1';
e(n)=d(n)-y(n);
h=h+delta.*e(n).*x1;
end
X=abs(fft(x,2048));
Nx=length(x);
kx=0:
800/Nx:
(Nx/2-1)*(800/Nx);
D=abs(fft(d,2048));
Nd=length(D);
kd=0:
800/Nd:
(Nd/2-1)*(800/Nd);
Y=abs(fft(y,2048));
Ny=length(Y);
ky=0:
800/Ny:
(Ny/2-1)*(800/Ny);
figure
(1);%绘图
subplot(3,1,1)
plot(kx,X(1:
Nx/2));xlabel('Hz')
title('原始信号频谱')
subplot(3,1,2)
plot(kd,D(1:
Nd/2))
title('经未知系统后信号频谱');xlabel('Hz')
subplot(3,1,3)
plot(ky,Y(1:
Ny/2))
title('经自适应FIR滤波器后信号频谱');xlabel('Hz')
【程序运行结果】
图五 系统信号处理频谱
从图五可知,自适应FIR滤波器能很好地模拟未知系统,它们与原始信号处理后的效果十分接近。
这样,通过自适应FIR滤波器的参数指标,就能得到未知系统的系统函数,从而可以对未知系统进行功能相同的硬件重构。
这在工程应用中有着广泛的应用。
3.3自适应信号分离器
自适应噪声抵消系统要求参考输入的参考信号是与噪声相关的。
然而,在有些应用中,要想找到一个噪声有较好相关性的参考信号是非常困难的,这使自适应噪声抵消系统难以工作。
实际上,如果宽带信号中的噪声是周期性的,则即使没有另外的与噪声相关的参考信号,也可以使用自适应噪声抵消系统来消除这种同期性干扰噪声。
图六分离周期信号和宽带信号的电路
在图7-16中,虚线框中的部分为一自适应噪声抵消系统结构,原始输入
为周期信号和宽带信号的混合。
输入信号直接送入主通道,同时经过一个延时为Δ的延时电路送入参考通道。
延时Δ取足够长,使得参考信道输入r中的宽带信号与x中的宽带信号不相关或者相关性极小。
而在x和r中的周期信号因其周期性,其相关性也是周期性的,经过延时Δ之后,其相关性保持不变。
然后经过自适应噪声抵消系统处理,参考通道中的自适应滤波器将调整其加权,使输出y在最小均方误差意义上接近与相关分量——周期信号,而误差接近与非相关分量——宽带信号。
从而得到两个输出端:
输出1将主要包含宽带信号,输出2将主要包含周期信号。
以下是自适应分离器的一个例子:
设计自适应信号分离器,用以从白噪声中提取周期信号。
其中选取正弦信号s=sin(2*pi*t/10)为周期信号,宽带噪声信号为高斯白噪声,设置参考通道延迟为50。
实现程序代码如下:
%自适应信号分离器
t=0:
1/10:
400;
s=sin(2*pi*t/10); %周期信号
x=awgn(s,15);
D=50;%延迟
r=[zeros(1,D),x]; %信号延迟D
x=[xzeros(1,D)];
N=5; %r经LMS自适应滤波
u=0.02;
M=length(r);
y=zeros(1,M);
w=zeros(1,N);
for n=N:
M
x1=r(n:
-1:
n-N+1);
y(n)=w*x1';
e(n)=x(n)-y(n);
w=w+u.*e(n).*x1;
end
subplot(3,1,1);
plot(t,x(1:
(length(x)-D)));
title('输入信号');
axis([1200-1.21.2]);
subplot(3,1,2);
plot(t,y(1:
(length(x)-D)));
title('周期信号');
axis([1200-1.21.2]);
subplot(3,1,3);
plot(t,e(1:
(length(x)-D)));
title('宽带信号');
axis([0200-1.21.2]);
【程序运行结果】
图七分离周期信号与宽带信号
在无线通信中,通信信号往往被其他信号干扰。
通常,通信信号是扩展频谱信号,干扰信号是窄带信号,往往来自于另一频带用户的信号,或者企图破坏通信或检测系统的干扰台的故意干扰信号是窄带干扰。
为保障正常通信和提高通信性能,需要抑制宽带信号中的窄带干扰,即设计消除窄带干扰的滤波器。
4.结论
本文分析了目前几种主要自适应滤波算法,针对LMS算法进行了讨论,归纳了LMS算法的优缺点及适用情况。
最后给出了三种自适应滤波的应用情况。
其实,自适应信号处理的应用远远不止这三种,随着自适应信号处理理论不断的完善它的应用已经得到了人们的普遍关注。
5.参考文献
[1]冯冬青,孙长峰,费敏锐.一种新的变步长LMS算法研究及其应用[J].自动化仪表,2007,28(8):
67-69.
[2]孙娟,王俊,刘斌.一种新的变步长LMS算法及其应用[J].雷达科学与技术,2007,5(5):
379-383.
[3]张玲玲,唐晓英,刘伟峰.一种新的变步长LMS自适应滤波算法性能分析[J].生命科学仪器,2005,3(5):
39-41.
[4]孙恩昌,李于衡,张冬英,等.自适应变步长LMS滤波算法及分析[J].系统仿真学报
[5]高鹰,谢胜利.基于相关函数的递推最小二乘算法及其在回波消除中的应用[J].通信学报
- 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:
- 自适应 信号 处理 综述 报告