高等数字信号处理 教学课件 ppt 作者 吴正国 尹为民 第4章 自适应滤波

上传人:E**** 文档编号:89348208 上传时间:2019-05-23 格式:PPT 页数:171 大小:3.58MB
返回 下载 相关 举报
高等数字信号处理 教学课件 ppt 作者 吴正国 尹为民 第4章 自适应滤波_第1页
第1页 / 共171页
高等数字信号处理 教学课件 ppt 作者 吴正国 尹为民 第4章 自适应滤波_第2页
第2页 / 共171页
高等数字信号处理 教学课件 ppt 作者 吴正国 尹为民 第4章 自适应滤波_第3页
第3页 / 共171页
高等数字信号处理 教学课件 ppt 作者 吴正国 尹为民 第4章 自适应滤波_第4页
第4页 / 共171页
高等数字信号处理 教学课件 ppt 作者 吴正国 尹为民 第4章 自适应滤波_第5页
第5页 / 共171页
点击查看更多>>
资源描述

《高等数字信号处理 教学课件 ppt 作者 吴正国 尹为民 第4章 自适应滤波》由会员分享,可在线阅读,更多相关《高等数字信号处理 教学课件 ppt 作者 吴正国 尹为民 第4章 自适应滤波(171页珍藏版)》请在金锄头文库上搜索。

1、第四章 自适应滤波,维纳滤波与自适应滤波 最小均方自适应滤波算法 递归最小二乘自适应滤波 最小二乘格形自适应滤波 自适应滤波器的应用 自适应盲信号处理简介,4.1 维纳滤波与自适应滤波,线性最佳滤波问题 维纳霍夫(Wiener-Hopf)方程及求解 横向滤波器的误差性能曲面 块估计与递推估计 自适应滤波器,问题的描述: 滤波器的输入信号为x(n),其单位冲激响应为h(n)。现要求滤波器的输出y(n)是对需要信号d(n)的一个最佳估计。使它的输出y(n)按一定的最佳准则能最佳地估计需要信号d(n)? 当最佳准则为最小均方误差(MMSE)准则,所得最佳滤波器称之为维纳(Wiener)滤波器。,4.

2、1.1 线性最佳滤波问题,1.离散FIR型横向滤波器 设滤波器的单位冲激响应为h(n),滤波器系数用w0,w1,w2,表示,则滤波器的输出y(n)为:,J=Ee2(n),4.1.2 维纳霍夫方程及求解,2 正交性原理,令,则得,正交性原理:使代价函数最小化的充要条件是 n 时刻的最优估计误差正交于 n 时刻滤波器的每个输入值,或者说正交于 n 时刻的输入信号空间。,4.1.2 维纳霍夫方程及求解,推论: n 时刻的最优估计误差正交于 n 时刻滤波器的最优输出值,4.1.2 维纳霍夫方程及求解,3.维纳-霍夫(WienerHopf)方程,输入自相关函数:,互相关函数:,推导:将最佳误差的表达式代

3、入正交性原理中得,4.1.2 维纳霍夫方程及求解,FIR型Wiener滤波器,4.1.2 维纳霍夫方程及求解,4.1.2 维纳霍夫方程及求解,非因果性考虑,可以证明:非因果Wiener滤波器的性能(误差方差性能)要优于因果Wiener滤波器(参见郑南宁编数字信号处理)。所以,在实际FIR滤波器中,常用时延方法用可实現的因果系统逼近非因果系统。,令,4.1.2 维纳霍夫方程及求解,4.1.2 维纳霍夫方程及求解,因果系统n时刻的输出可以逼近非因果系统(n-M)的输出。,4.1.3 横向滤波器的误差性能曲面,1. 误差性能曲面的推导,4.1.3 横向滤波器的误差性能曲面,4.1.3 横向滤波器的误

4、差性能曲面,2. 性能曲面的性质,1)旋转坐标系v是超椭圆的主轴坐标系统 ; 2)主轴向量vn是相关矩阵R的特征向量 ; 3)输入信号的自相关矩阵R的特征值给出了误差性能曲面沿主轴的二阶导数值。,4.1.3 横向滤波器的误差性能曲面,4.1.4 块估计与递推估计,块估计:将长度为N的输入数据分块,每块长度为M,对每块分别计算 R 和 p ,从而分别计算权系数w。,块估计的问题:,输入数据的非平稳性与准确计算每块 R 和 p 的矛盾;,忽视了数据间的相关性,增加了不必要的计算量。,递推估计的基本思想:记基于x(1),x(2),x(k-1) 设计的Wiener滤波器权系数矢量为:,则基于x(1),

5、x(2), ,x(k-1) , x(k)设计的Wiener滤波器权系数矢量为:,4.1.4 块估计与递推估计,4.1.5 自适应滤波器,1. 基本概念,1)自适应滤波(AF)的定义,在缺乏先验统计知识的情况下,能自动调整滤波器 参数(自我学习)的最优滤波器。(算法形式为迭代计算),2) AF 的分类,按每次迭代时的输入输出关系分:线性与非线性 按最优准则分:最小均方误差AF-统计自适应 最小二乘AF-确定性自适应 按变量域分:时域、频域(变换域)、空域(阵列处理),按滤波器类型分:FIR、IIR;横滤波器(线性组合器)、格形滤波器、脉动阵列;,3) AF的组成:,参数可调的滤波器:其参数受自适

6、应算法控制,随着每次迭代而不断改变的时变滤波器。其功能是对每时刻输入产生输出响应。,自适应迭代算法:根据每时刻滤波器的输出提供下一时刻滤波器参数的一种算法(机制)。,4.1.5 自适应滤波器,1) 性能指标:衡量AF优劣应考虑如下因素,收敛速率:迭代收敛于最优解的迭代次数; 失调量:收敛后的均方误差与最优(小)均方误差 的偏离程度; 跟踪能力:在非平稳条件下,跟踪最优解变化的能力; 鲁捧性:对任何类型输入或扰动的适应性;,2. 性能指标,4.1.5 自适应滤波器,计算要求:计算量-每次迭代所需要的计算 量(常以乘法和 加法次数为代表) 存储量-所要求的存储数据和程序的大小, 算法编程上的其它计

7、算机投资 结构:算法的信息流结构及硬件实现的方式。并行算法、模 块化等。 数值特性:算法对数值量化效应的敏感程度。,4.1.5 自适应滤波器,4.1.5 自适应滤波器,根据实际应用的要求和费效比最低原则,折衷取舍以上指标 可以从最简单的LMS算法出发 应充分考虑各种应用的特殊性,各类算法的优缺点,针对具体应用选用最佳算法。,2)如何选择AF,4.2 最小均方自适应滤波算法,最陡下降法 LMS算法 LMS牛顿算法 归一化LMS算法 变换域块LMS算法,4.2.1 最陡下降法,1 基本思想,1)依据:wiener滤波器的均方误差曲面 J(w) 是权矢量w的二次函数,不存在局部最小点。,2)方法:从

8、任意初始值 w(0) 出发,沿 J(w) 的负梯度方向(最陡下降方向)按一定步长进行迭代搜索至最小点。,3)算法公式推导:,2 稳定性分析(迭代收敛条件),1) 旋转平移变换,4.2.1 最陡下降法,2) 权矢量收敛条件:,4.2.1 最陡下降法,3) 权矢量收敛时间常数:,4.2.1 最陡下降法,3 均方误差的瞬态特性(学习曲线):,4.2.1 最陡下降法,4 R 的特征值散布对收敛性的影响,1) 基本关系式:为加快收敛,取尽可能大的步长,令,2) 实验研究:输入信号为二价AR过程,固定步长,改变R的特征值散布,固定特征值散布,改变步长,4.2.1 最陡下降法,4.2.1 最陡下降法,4.2

9、.1 最陡下降法,4.2.1 最陡下降法,4.2.1 最陡下降法,5 结论:,权矢量随n变化的轨迹在每个时刻n都正交于J(n)(等高线);,当两特征值越接近相等时(输入各分量越不相关时),权矢量随n变化的轨迹越接近直线,收敛越快;,当旋转平移后的权矢量初值位于坐标轴上时,权矢量的变化 轨迹为直线(轨迹沿坐标轴),收敛快;,4.2.1 最陡下降法,对于固定步长,R特征值散布越大(输入各分量越相关),则收敛后的最小均方误差越小,即作为预测器效果越好;,随步长的增加,收敛过程加快,但步长增大到一定程度(与 R的特征值散布有关),在接近最优点时将出现振荡现象(可用各种变步长算法抑制),4.2.1 最陡

10、下降法,除上述两特殊情况外,权矢量随n变化的轨迹一般为曲线,并且对于固定的步长,其弯曲程度随R特征值散布的加大而加剧,即收敛越慢(可用正交化算法改善);,4.2.2 LMS算法,1 问题的提出,最陡下降法的迭代公式中存在P和R,它们是集平均值,在实际中是无法得到的,因而只能用估计值代替。使用P和R的瞬时估计就得到LMS算法。,2 基本的LMS算法,令瞬时互相关矢量:,瞬时自相关矩阵:,说明:,由于P和R的瞬时估计为随机量,因而由它们构成的梯度是随机梯度,所以LMS算法也称随机梯度搜索法;,阶段由于梯度的随机性,使权矢量也是随机变量。权矢量随n的增加是随机趋向最佳点,而不是象最陡下降法那样的确定

11、性的 指数趋向。因此,LMS收敛性的讨论只能应用统计理论。,LMS算法虽然迭代公式非常简单,但它却是高度非线性的。再加上变量的随机性,所以LMS算法的收敛性分析十分困难。现今取得的成果都是在一定假定条件下得出的。,4.2.2 LMS算法,LMS算法既可用于平稳过程,又可用于确定性过程和非平稳过程。它对于非平稳过程,可跟踪最佳点的变化。,3 独立性理论用于LMS性能分析,1) 独立性假定:, 输入矢量x(1)、x(2)、.x(n)之间统计独立;, n时刻的输入矢量x(n)与期望响应的所有过去值d(1)、d(2) .d(n-1)统计独立;,4.2.2 LMS算法, n时刻的期望响应d(n)与x(n

12、)有关,但与期望响应的所有过去值统计独立;,说明:独立性假定在某些应用,例如自适应波束(空间独立)中成立,但对于大多数信号处理应用中不成立。但由于基此假定的LMS分析简单明了,其结论经实践检验是正确的,且与更严格的小步长理论分析结果类似,因此该分析方法仍有实用价值。,2) 收敛性分析:,4.2.2 LMS算法,两边同时取期望值,并应用假定,即 n时刻的权矢量与n时刻的输入矢量及期望响应统计独立,得,注意到上式与最陡速降法的递推公式完全类似,因此,引用类似推导思路可得,4.2.2 LMS算法,与最陡下降法不同之处在于,LMS算法的权系权矢量为随机矢量,它是均值收敛到最佳值。这对于实际应用价值是不

13、大的。为分析LMS算法在收敛过程中的性质,必须研究其方差,即误差的均方收敛特性,即学习曲线,4.2.2 LMS算法,4.2.2 LMS算法,4.2.2 LMS算法,3) 学习曲线:,令权系数误差矢量为:,由于正交性原理,最佳误差与输入矢量无关,并应用独立性假定,时刻权矢量与同时刻的输入无关,所以第二项为零。对于第三项应用矩阵迹的性质再应用独立性假定,则得,4.2.2 LMS算法,定义均方误差超量(额外):,注意:由于权系数误差矢量一般说是非平稳过程,因此其自相关矩阵K(n)是时变的,即均方误差超量是时变的。下面特别讨论它的收敛性。,4.2.2 LMS算法,首先注意到Q为正交矩阵,因此,正交变换

14、前后矢量的范数相等。定义这个范数平方的均值为权系数的均方偏差:,4.2.2 LMS算法,即D(n)的收敛决定于均方误差超量的收敛,并与R的特征值散布有关。,其次,引用LMS算法的权系数迭代公式,可将权系数误差矢量写成如下递推形式:,使用类似的正交变换可得:,从而可将其自相关矩阵K(n)表示为递推形式(推导中巳应用了正交性原理和独立性假定,即同时刻的权系数与输入统计无关。),4.2.2 LMS算法,当n趋向无穷大时,显然可假定n近似等于n+1,从而有,从上式可知,由于R的非负定性,其特征值皆非负,所以均方误差超量应非负,因此,算法收敛的必要条件为:,4.2.2 LMS算法,4) 稳态失调:,5)

15、 结论:,对于同一输入过程和步长,稳态失调随阶数M的增大而增大; 对于同一步长,稳态失调与总的抽头输入功率成正比; 稳态失调与步长成正比。因此,通过加大步长来加快收敛速度将导致稳态失调增加;,4.2.2 LMS算法,改进收敛性的途经: 使用拟牛顿法(归一化LMS); 使用变步长算法,以解决收敛速度与稳态失调的矛盾; 使用变换域算法,将输入矢量解耦,对各个分量采用不同步长。,4.2.2 LMS算法,4.2.3 LMS牛顿算法,2 算法推导:,最小均方误差权向量的牛顿法迭代公式为,1 基本思想:,LMS牛顿算法是一种LMS改进算法,它在估计梯度时采用了输入向量相关矩阵的估值,使得收敛速度大大快于基

16、本LMS算法 ,牛顿法可一步到达最佳点。,与LMS算法类似,用瞬时梯度替换牛顿法中的真实梯度,则得,此迭代公式可以看作是以自相关矩阵进行归一化的归一化LMS算法。由于自相关矩阵的逆必须递推估计,引入矩阵逆引理估计n时刻的自相关矩阵逆,则得LMS牛顿法的迭代公式:,4.2.3 LMS牛顿算法,式中遗忘因子一般取接近零的正数,输入的非平稳程度越大,则遗忘因子越大。上式的迭代初值为:,自相关矩阵逆的估计还可使用正交化输入矢量进行快速计算。,4.2.3 LMS牛顿算法,4.2.4 归一化LMS算法,1 基本思想: 使步长与抽头输入功率成反比,从而抑制稳态失调随抽头输入功率的线性增长。或者等价为最小化干扰原理-在每次迭代中,权系数以最小波动方式变化,或等价为瞬时平方误差变化最小。,2 公式推导:,在约束条件为:,使权系数增量:,4.2.4 归一化LMS算法,的欧氏范数最小化。使用拉格朗日乘子法,即,将上式代入约束条件,可解出最佳乘子值

展开阅读全文
相关资源
相关搜索

当前位置:首页 > 高等教育 > 大学课件

电脑版 |金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号