自适应滤波器理论.docx
- 文档编号:26264318
- 上传时间:2023-06-17
- 格式:DOCX
- 页数:19
- 大小:255.22KB
自适应滤波器理论.docx
《自适应滤波器理论.docx》由会员分享,可在线阅读,更多相关《自适应滤波器理论.docx(19页珍藏版)》请在冰豆网上搜索。
自适应滤波器理论
摘要
自适应滤波器理论是现代信号处理技术的重要组成部分,他对复杂信号的处理具有独
特的功能。
自适应滤波器在信号处理中属于随机信号处理的范畴。
自适应滤波算法作为自
适应滤波器的重要组成部分,直接决定着滤波性能的优劣。
目前针对它的研究是自适应信号处理领域中最为活跃的研究课题之一。
本文在论述自适应滤波基本原理的基础上,首先介绍了目前主要的自适应滤波算法及其应用,其中对LMS算法和RLS算法进行了较深入的理论分析和研究。
接着对一些典型的变步长LMS算法和RLS算法的性能特点进行分析比较,给出了算法性能的综合评价。
最后本文提出了几种改进的变步长LMS算法和RLS算法。
关键词:
自适应滤波,LMS算法,RLS算法
ABSTRACT
Thetheoryofself-adaptingfilterisanimportantpartofmodernsignalprocessingtechnology,whichhasuniquefunctiontocomplexsignalprocessing.Self-adaptingfilterbelongstothecategoryofrandomsignalprocessing.Adaptivefilteringalgorithm,whichdecidesdirectlytheperformanceoffiltering;isseemedastheimportantpartoftheadaptivefiter.Presentlytheresearchonitisoneofthemostactivetasks.
Basedonthebasicadaptivefilteringprinciple,firstly,thispaperintroducesthepresentmainadaptivefilteringalgorithmsandtheirapplications.EspeciallytheLMSalgorithmandRMSalgorithmaredeeplyanalyzed.Secondly,thispaperintroducesseveraltypicalvariablestepsizeLMSandRMSalgorithms,andcomparesandevaluatestheirperformance.Finally,thepaperpresentsseveralkindsofmodifiedvariablestepsizeLMSandRMSalgorithms.
KEYWORDS:
self-adaptingfilter,LMSalgorithm,RMSalgorithm
1绪论
1.1研究背景
自适应滤波是近30年以来发展起来的一种最佳滤波方法。
它是在维纳滤波,kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法。
由于它具有更强的适应性和更优的滤波性能。
从而在工程实际中,尤其在信息处理技术中得到广泛的应用。
自适应滤波的研究对象是具有不确定的系统或信息过程。
“不确定”是指所研究的处理信息过程及其环境的数学模型不是完全确定的。
其中包含一些未知因数和随机因数。
任何一个实际的信息过程都具有不同程度的不确定性,这些不确定性有时表现在过程内部,有时表现在过程外部。
从过程内部来讲,描述研究对象即信息动态过程的数学模型的结构和参数是我们事先不知道的。
作为外部环境对信息过程的影响,可以等效地用扰动来表示,这些扰动通常是不可测的,它们可能是确定的,也可能是随机的。
此外一些测量噪音也是以不同的途径影响信息过程。
这些扰动和噪声的统计特性常常是未知的。
面对这些客观存在的各种不确定性,如何综合处理信息过程,并使某一些指定的性能指标达到最优或近似最优,这就是自适应滤波所要解决的问题。
在这几十年里,数字信号处理技术取得了飞速发展,特别是自适应信号处理技术以其计算简单、收敛速度快等许多优点而广泛被使用。
它通过使内部参数的最优化来自动改变其特性。
自适应滤波算法在统计信号处理的许多应用中都是非常重要的。
在工程实际中,经常会遇到强噪声背景中的微弱信号检测问题。
例如在超声波无损检测领域,因传输介质的不均匀等因素导致有用信号与高噪声信号迭加在一起。
被埋藏在强背景噪声中的有用信号通常微弱而不稳定,而背景噪声往往又是非平稳的和随时间变化的,此时很难用传统方法来解决噪声背景中的信号提取问题。
自适应噪声抵消技术是一种有效降噪的方法,当系统能提供良好的参考信号时,可获得很好的提取效果。
与传统的平均迭加方法相比采用自适应平均处理方法还能降低样本数量。
1.2国内外研究现状
经过数十年的研究,自适应滤波理论得到了极大的发展,成为信号处理理论研究的热点之一,而依据不同的优化准则可以推导出许多截然不同的自适应理论,目前自适应滤波理论主要包括以下几个分支.
(1)基于维纳滤波器理论的最小均方算法
(2)基于卡尔曼滤波理论的卡尔曼算法
(3)基于最小二乘法的算法
(4)基于神经网络的算法
由于设计简单、性能最佳,自适应滤波器是目前数字滤波器领域是活跃的分支,因而被广泛应用到各种信号处理领域中.
(1)广泛用于系统模型识别
如系统建模:
其中自适应滤波器作为估计未知系统特性的模型。
(2)通信信道的自适应均衡
如:
高速modem采用信道均衡器:
用它补偿信道失真,modem必须通过具有不同频响特性而产生不同失真的信道有效地传送数据,则要求信号均衡器具有可调系数,据信道特性对这些系数进行优化,以使信道失真的某些量度最小化。
又如:
数字通信接收机:
其中自适
应滤波器用于信道识别并提供码间串扰的均衡器。
(3)雷达与声纳的波束形成如自适应天线系统,目前在通信领域研究的一个重要课题就是如何在有限的频谱资源基础上提高通信系统的容量。
在第三代移动通信系统(TD-SCDMA)中的一个关键技术就是智能天线技术,它的核心是自适应天线波束形成技术,它结合了自适应技术的优点,利用天线阵列对波束的汇成和指向的控制,产生多个独立波束,可以自适应地调整其方向图消除不希望的干扰以跟踪信号的变化。
(4)消除心电图中的电源干扰一
如:
自适应回波相消器,自适应噪声对消器:
其中自适应滤波器用于估计并对消预期信号中的噪声分量。
噪声中信号的滤波、跟踪、谱线增强以及线性预测等。
1.3本文的主要工作及内容安排
通过阅读并分析大量相关文献,本文在研究自适应滤波理论的基础上,对传统的LMS算法和RLS算法以及文献中已有的各种改进算法进行理论分析,同时提出了相应的改进算法,然后研究了它们在系统辨识,信道均衡等领域的应用,最后通过matlab仿真对各种算法的性能进行了分析。
本文的研究工作主要包括以下几个方面:
第一章,介绍了自适应滤波的发展历程以及目前研究现状。
第二章,介绍了自适应滤波的基本原理以及分析影响自适应滤波的性能参数,最后介绍了LMS算法和RLS算法。
第三章,分析了LMS算法和RLS算法的优缺点及改进策略,并进行了仿真分析。
2自适应滤波算法
所谓的自适应滤波,就是利用前一时刻以获得的滤波器参数的结果,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达到最优的维纳滤波器。
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。
由于无法预先知道信号和噪声的特性或者它们是随时间变化的,仅仅用FIR和IIR两种具有固定滤波系数的滤波器无法实现最优滤波。
在这种情况下,必须设计自适应滤波器,以跟踪信号和噪声的变化。
自适应滤波器的特性变化是由自适应算法通过调整滤波器系数来实现的。
一般而言,自适应滤波器由两部分组成,一是滤波器结构,二是调整滤波器系数的自适应算法。
自适应噪声抵消系统的核心是自适应滤波器,自适应算法对其参数进行控制,以实现最佳滤波。
不同的自适应滤波器算法,具有不同的收敛速度、稳态失调和算法复杂度。
根据自适应算法是否与滤波器输出有关,可将其分成开环算法和闭环算法两类。
自适应噪声抵消器中利用了输出反馈,属于闭环算法。
其优点是能在滤波器输入变化时保持最佳的输出,而且还能在某种程度上补偿滤波器元件参数的变化和误差以及运算误差。
但其缺点是存在稳定性问题以及收敛速度不高。
所以探讨如何提高收敛速度、增强稳定性以满足信号处理的高效性、实时性,一直是人们研究的重点和热点。
本文基于自适应噪声抵消对比研究了两类基本的自适应算法,并对它们在分离周期信号和随机噪声中呈现的滤波性能进行了分析。
计算机仿真结果表明,RLS算法从背景噪声中提取有用信号的滤波性能明显优于LMS算法。
2.1自适应滤波算法原理
用自适应噪声抵消技术来解决噪声背景中的信号提取问题的基本原理为:
主输入端接
收从信号源发来的信号s但是受到噪声源的干扰收到噪声V0。
参考输入端的参考信号为Vi是一个与有用信号s无关但与V0相关的噪声信号。
主输入中含有待抵消的加性噪声,参考输入对准主输入中的噪声V0。
利用两输入噪声的相关性和信号与噪声的独立性,使参考输
入通过自适应滤波器与主输入中噪声分量逼近并相减,输出误差信号。
自适应滤波算法决定滤波器对参考信号V1的处理,使得滤波器的输出尽可能地逼近主输入中的干扰成分。
所以,在最佳准则意义下滤波器的输出v逼近vo等效于系统的输出e逼近s。
从而在噪声对消器的输出端大大地提高了信噪比。
但若参考通道除检测到噪声V1外,还收到信号分量,则自适应滤波器的输出中将包含信号分量,从而使噪声对消效果变坏。
因此,为获得良好的噪声对消性能,应使参考通道检测到的信号尽可能小,在信号不可测的噪声环境拾取参考输入信号。
2.2自适应滤波算法分类
自适应滤波算法作为自适应滤波器中最重要的环节,直接影响着自适应系统的性能。
目前,对自适应滤波算法的研究是自适应信号处理领域中最为活跃的研究课题之一。
寻求收敛速度快,计算复杂度低,鲁棒性强的自适应滤波算法是研究人员不断努力追求的目标。
目前,所研究的自适应滤波算法主要包括基于二阶累积量和高阶累积量的自适应滤波算法。
根据自适应算法的优化准则的不同,自适应滤波算法可分为两类最基本的算法:
最小均方(LMS)算法和递推最小二乘(RLS)算法。
为了解决传统LMS算法存在梯度噪声放大问题,以及为克服常规的固定步长LMS自适应算法在收敛速率、跟踪速率与权失调噪声之间的要求上存在的较大矛盾,许多学者研究出了各种各样的改进型LMS算法,如归一化
LMS算法和基于瞬变步长LMS自适应滤波算法以及基于离散小波变换的LMS自适应滤波
2.2.1LMS算法
LMS算法是一种基于最小均方误差准则,通过调节权系数使得滤波器的输出信号y(n)
与期望响应信号d(n)之间的均方误差或e(n)最小的算法。
LMS算法为随机梯度下降算法,它是梯度最速下降算法的一种,它在每次迭代时滤波器权矢量会沿着误差性能曲面的梯度估值的负方向按一定比例进行更新。
在最速下降法中,如果我们可以精确估计每一次迭代所需要的梯度矢量,且选取合适的步长因子,那么最速下降法可使滤波器权矢量收敛于维纳解,然而要精确测量梯度矢量需要知道自相关矩阵R和互相关矩阵P,在未知环境下这
是不可能做到的,因此必须根据已有数据对梯度矢量进行估计。
LMS算法的核心思想就是利用单次采样获得的平方误差代替均方误差,即用e(n)代替e2(n),从而简化梯度的估计。
因此,我们把这种梯度估计也叫做随机梯度估计。
自适应滤波器在时刻n的向量定义:
抽头权向量:
W(n)二[b°(n),bdn),…,b”」(n)]T
参考输入向量:
X(n)=[x(n),x(n-1),…,x(n-M1)]T
d(n)是主输入信号,y(n)是期望输出值,e(n)是误差信号,也是系统输出值,M是滤波器长度。
由维纳-霍夫方程可知,最小均方误差为:
(E[e;])min=E[d2]-W*P
实际上,该方程与维纳滤波器结果完全一样。
自适应滤波器与维纳滤波器相比,其差
别在于它增加了一个识别控制环节,将输出与期望值进行比较,利用误差e(n)去控制W(n),使E[e2]=最小值,从而得到W(n)的估计W*(n)。
根据最优的数学算法最陡下降法,下一个权矢量Wji(n)等于现在的权矢量Wj(n)加一
个正比于梯度「的负值变化量,即有:
通过梯度下降法:
曲=*WjX
算法步骤:
步骤一:
初始化:
步骤二:
更新:
n=1,2,3,…
滤波:
y(n)=WT(n)X(n);
误差估计:
e(n)=d(n)-y(n);
权向量更新:
W(n1)=W(n)2」e*(n)X(n);
其中」是用来控制稳定性和收敛速度的步长参数。
为确保自适应过程的稳定性,」必
须满足0」:
:
:
2/MPin,其中Pn二E[X2(n)]为输入功率。
2.2.2RLS算法
最小二乘(LS)法是一种典型的有效的数据处理方法。
由著名学者高斯在1795年提出,
他认为,根据所获得的观测数据来推断未知参数时,未知参数最可能的值是这样一个数据,即它使各项实际观测值和计算值之间的差的平方乘以度量其精度的数值以后的和为最小。
这就是著名的最小二乘法。
前面所研究的自适应滤波算法根据的最佳准则为最小均方误差准则。
自适应算法的目标在于,使滤波器输出与需要信号的误差的平方的统计平均值最小。
这个准则根据输入数据的长期统计特性寻求最佳滤波。
然而,我们通常己知的仅是一组数据,因而只能对长期统计特性进行估计或近似。
LMS算法、格形梯度算法都是这样。
而最小二乘算法就是能直接根据一组数据寻求最佳解。
换句话说,根据最小均方误差准则得到的是对一类数据的最
佳滤波器,而根据最小二乘法得到的是对一组已知数据的最佳滤波器。
对同一类数据来说,
最小均方误差准则对不同的数据组导出同样的“最佳”滤波器;而最小二乘法对不同的数据组导出不同的“最佳”滤波器。
因而常说最小二乘法导出的最佳滤波器是“精确”的。
递推最小二乘法((RLS)是最小二乘法的一类快速算法。
SISO系统动态过程的数学模型:
A(z」)z(k)=B(z」)u(k)n(k)
(1)
其中u(k),z(k)为输入输出量,n(k)为噪声。
式中
11.2.兀
A(z1a1za2z...a%z
B(z-1^biz-1b2z-2...bnbz」b
展开后得到:
Nk)=_az(k-1TXk-2)二..说^bujk-1)^u(k-2尢.pMk-n)模型
(1)可化为最小
二乘格式:
z(k)=h(k戸n(k)
(2)
记j-[a1,a2,...ana,^,b2,...,bnb]
为待估计的参数。
h(k)二[-z(k-1),…,-z(k-na),u(k-1),…,u(k-%)],对于k=1,2,••丄(L
为数据长度)。
方程
(2)构成一个线性方程组,写成ZL(k)二HL(k尸5L(k);
F(L)」
根据最小二乘法一次完成算法,其参数估计为:
乱S=(HlHL)'HlZl
参数递推估计,每取得一次新的观测数据后,就在前次估计结果的基础上,利用新引入的观测数据对前次估计的结果,根据递推算法进行修正,减少估计误差,从而递推地得出新的参数估计值。
这样,随着新观测数据的逐次引入,一次接一次地进行参数估计,直到参数估计值达到满意的精确程度为止。
算法步骤:
步骤一:
初始化W(0)=0;p(o)-;」I,其中I为单位矩阵;
步骤二:
更新n=1,2,…计算
更新增益矢量:
g(n)=P(n—1)X(n)/[•XT(n)P(n—1)X(n)];
滤波:
y(n)=WT(n-1)X(n);
误差估计:
e(n)=d(n)_y(n);
更新权向量:
W(n)=W(n一1)g(n)e(n);
更新逆矩阵:
P(n)仝严[P(n-1)-g(n)XT(n)P(n-1)];
其中,P(n)为自相关矩阵PJn)的逆矩阵,常数■是遗忘因子,且门。
总上所述:
算法实现的主要步骤为:
⑴数据采集与生成,取d(n),X(n);⑵对参数的初
始化;(3)自适应的滤波处理;(4)滤波器系数更新
3自适应算法性能分析
3.1自适应算法的收敛性
自适应滤波系数矢量的初始值w(0)是任意的常数,应用LMS算法调节滤波系数具有随机性而使系数矢量w(n)带来非平稳过程。
通常为了简化LMS算法的统计分析,假设算法连续迭代之间存在以下的充分条件:
(1)每个输入信号样本矢量的起始值w(0)与其过去全部样本矢量x(k),k=O,l,...,n-1是
统计独立的,不相关的,即有E[x(n)*xT(k)]=O,k=O,l,...,n-10
(2)每个输入信号样本矢量x(n)与全部过去的期望信号d(k),k=O,l,...,n-1也是统计独立的,不相关的,即有E[x(n)*d(k)]=0,k=0,1,...,n-to
(3)期望信号样本矢量d(n)依赖于输入过程样本矢量x(n),但全部过去的期望信号样本
是统计独立的。
⑷滤波器抽头输入信号矢量x(n)与期望信号d(n)包含着全部n的共同的高斯分布随机变量。
由上式可知,自适应滤波器在n+1时刻的滤波系数矢量w(n+1)依赖于三个输入:
输入过程的过去样本矢量x(k),k=n,n-1,...,0;期望信号的以前样本值d(k),k=n,n-1,...,0;
滤波系数矢量的起始值w(0)
按照均方误差(MSE)准则定义的目标函数是
F(e(n))二(n)=E[e2(n)]二E[d2(n)-2d(n)*y(n)y2(n)]
通过计算可以得到,要使LMS算法收敛于均值,必须使自适应收敛系数参数■满足下列条
0:
:
:
'「:
:
2/■max
这里’max是相关矩阵R的最大特征值。
在此条件下,当迭代次数n接近于8时,自适应滤
波系数矢量w(n)近似等于最佳维纳解w0。
3.2平均MSE学习曲线
最陡下降法每次迭代都要精确计算梯度矢量,使自适应横向滤波器权矢量或滤波系数
矢量w(n)能达到最佳维纳解Wo,这时滤波器均方误差(MSE)为最小,即
min二二2「wT*p
式中,二2是期望信号d(n)的方差。
学习曲线定义为均方误差随迭代计算次数n的变化关系,如下所描述的包含
指数项之和:
N
(n)=min汽:
J(1-」■j)2\2(0)
iT
式中每个指数项对应的固有模式,模式的数目等于滤波加权数。
其中:
:
:
1,故当
n趋近于8时,则最陡下降法均方误差(8Hmin。
但LMS算法用瞬时值估计梯度存在误
差的噪声估计,结果使滤波权矢量估值w(n)只能近似于最佳维纳解。
这意味着滤波均方误差In)随着迭代次数n的增加而出现小波动地减少,最后,(8)不是等于,(n)min而是稍
大于其值。
3.3失调
在自适应滤波器中,失调T是衡量滤波性能的一个技术指标,它被定义为总体平均超量均方误差值ex(8)与最小均方误差值min之比,即
T=E[ex(8)]/min
自适应滤波器LMS算法的稳态失调与步长拜成正比。
以上表明:
(1)失调为自适应LMS算法提供了一个很有用的测度,比如,10%失调意味着自适应算法所产生的总体平均MSE高于最小均方误差的增量值为10%;
(2)失调是随着滤波系数数目线性增加的;
(3)失调可以做得任意小,只要选用大的时间常数,也就是小的步长值即可。
但是,滤波器自适应收敛过程需要长的时间,影响了滤波器的自学习、自训练的速度,所以,自适应滤波器LMS算法的失调与自适应收敛过程之间存在矛盾。
3.4仿真结果与分析;
为了检验两种自适应滤波算法在去噪应用中的滤波性能,下面对LSM算法和RLS算
法进行计算机模拟仿真实验。
其中采样频率为1000Hz,其算法用MATLAB语言实现。
其中图1为幅度为2标准正弦波。
图2为幅度为2正弦波叠加带限高斯白噪声的混迭信号,是系统的主输入信号。
图3、图4分别为用LMS算法和RLS算法提取得到的正弦信号。
表一各自适应滤波各参数设置
名称
N(阶数)
[1
入
CT
LSM
8
0.00026
RLS
8
0.99
0.1
从图上可以看出,用RLS自适应滤波算法提取得到的正弦信号效果较好。
而LMS自
适应滤波算法也能将信号提取出来,但是其滤波效果较差,存在没有滤除的随机噪声部分较多。
由于LMS算法只是用以前各时刻的抽头参量等作该时刻数据块估计时的平方误差均方最小的准则,而未用现时刻的抽头参量等来对以往各时刻的数据块作重新估计后的累计平方误差最小的准则,所以LMS算法对非平稳信号的适应性差。
RLS算法的基本思想是力图使在每个时刻对所有已输入信号而言重估的平方误差的加权和最小,这使得RLS算法
对非平稳信号的适应性要好。
与LMS算法相比,RLS算法采用时间平均,因此,所得出的最优滤波器依赖于用于计算平均值的样本数,而LMS算法是基于集平均而设计的,因
此稳定环境下LMS算法在不同计算条件下的结果是一致的。
在性能方面,RLS的收敛速率比LMS要快得多,因此,RLS在收敛速率方面有很大优势。
图5分别为RLS算法和LMS算法在处理过程中的误差曲线,它指出了在迭代过程中的误差减少过程。
由图可见,RLS算法在迭代过程中产生的误差明显小于LMS算法。
由此可见,RLS在提取信号时,收敛速度快,估计精度高而且稳定性好,可以明显抑制振动加速度收敛过程,故对非平稳信号的适应性强,而LMS算法收敛速度慢,估计精度低而且权系数估计值因瞬时梯度估计围绕精确值波动较大,权噪声大,不稳定。
幅度为2标准正弦波
2
图1幅度为2标准正弦波
幅度为2正弦波叠加带限高斯白噪声的混迭信号
4
图2幅度为2正弦波叠加带限高斯白噪声的混迭信号
MLS
1.5
0.5
-0.5
-1.5
-2.5
A
门
fY
A
AIIi
;I
111
J
*
!
1
f
1
11
'i:
11
■1
i■
1
it
y
11
■
法
图3用LMS算法提取得到的正弦信号
图4RLS算法提取得到的正弦信号
图5各自适应滤波器处理过程中的误差曲线
由于LMS算法只是用以前各时刻的抽头参量等作该时刻数据块估计时的平方误差均方最小的准则,而未用现时刻的抽头参量等来对以往各时刻的数据块作重新估计后的累计平方误差最小的准则,所以LMS算法对非平稳信号的适应性差。
递推式最小均方((RLS)
算法的基本思
- 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 滤波器 理论