文档介绍：自适应滤波算法研究
第1章 绪论
课题背景
随着着移动通信事业飞速发展，自适应滤波技术应用范畴也日益扩大。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。依照有用信号和干扰噪声记录特性(自有关函数或功率谱)，用线性最小均方误差预计准则设计最佳滤波器，称为维纳滤波器。这种滤波器能最大限度地滤除干扰噪声，提取有用信号。但是，当输入信号记录特性偏离设计条件，则它就不是最佳了，这在实际应用中受到了限制。到60年代初，由于空间技术发展，浮现了卡尔曼滤波理论，即运用状态变量模型对非平稳、多输入多输出随机序列作最优预计。当前，卡尔曼滤波器己成功地应用到许多领域，它既可对平稳和非平稳随机信号作线性最佳滤波，也可作非线性滤波。实质上，维纳滤波器是卡尔曼滤波器一种特例。
在设计卡尔曼滤波器时，必要懂得产生输入过程系统状态方程和测量方程，即规定对信号和噪声记录特性有先验知识，但在实际中，往往难以预知这些记录特性，因而实现不了真正最佳滤波。
Widrow B等于1967年提出自适应滤波理论，可使自适应滤波系统参数自动地调节而达到最佳状况，并且在设计时，只需要很少或主线不需要任何关于信号与噪声先验记录知识。这种滤波器实现差不多象维纳滤波器那样简朴，而滤波性能几乎如卡尔曼滤波器同样好。因而，近十几年来，自适应滤波理论和办法得到了迅速发展
。[1]
自适应滤波是一种最佳滤波办法。它是在维纳滤波，Kalman滤波等线性滤波基本上发展起来一种最佳滤波办法。由于它具备更强适应性和更优滤波性能。从而在工程实际中，特别在信息解决技术中得到广泛应用。
自适应滤波研究对象是具备不拟定系统或信息过程。“不拟定”是指所研究解决信息过程及其环境数学模型不是完全拟定。其中包括某些未知因数和随机因数。
任何一种实际信息过程都具备不同限度不拟定性，这些不拟定性有时体当前过程内部，有时体当前过程外部。从过程内部来讲，描述研究对象即信息动态过程数学模型构造和参数是咱们事先不懂得。作为外部环境对信息过程影响，可以等效地用扰动来表达，这些扰动普通是不可测，它们也许是拟定，也也许是随机。此外某些测量噪音也是以不同途径影响信息过程。[2]这些扰动和噪声记录特性经常是未知。面对这些客观存在各种不拟定性，如何综合解决信息过程，并使某某些指定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问题。
可见，自适应滤波算法研究与实际状况有着密不可分关系，具备重要意义。
国内外当前研究状况
最早人们依照生物能以各种有效方式适应生存环境从而使生命力变强特性引伸出自适应这个概念。自适应滤波器属于当代滤波器范畴，它是40年代发展起来自适应信号解决领域一种重要应用。60年代，，从而奠定自适应滤波器发展。所谓自适应滤波器，即运用前一时刻已获得滤波器参数等成果，自动地调节现时刻滤波器参数，以适应信号与噪声未知或随时间变化记录特性，从而实现最优滤波。
自适应信号解决重要是研究构造可变或可调节系统，它可以通过自身与外界环境接触来改进自身对信号解决性能。普通此类系统是时变非线性系统，可以自动适应信号传播环境和规定，不必详细懂得信号构造和实际知识，不必精准设计解决系统自身。自适应系统非线性特性重要是由系统对不同信号环境实现自身参数调节来拟定。自适应系统时变特性重要是由其自适应响应或自适应学****过程来拟定，当自适应过程结束和系统不再进行时，有一类自适应系统可成为线性系统，并称为线性自适应系统，由于此类系统便于设计且易于数学解决，因此实际应用广泛。本文研究自适应滤波器就是此类滤波器。自适应信号解决应用领域涉及通信、雷达、声纳、地震学、导航系统、生物医学和工业控制等。[3]
自适应滤波器浮现后来，发展不久。由于设计简朴、性能最佳，自适应滤波器是当前数字滤波器领域是活跃分支，也是数字滤波器研究热点。重要自适应滤波器有：递推最小二乘(RLS)滤波器、最小均方差(LMS)滤波器、格型滤波器、无限冲激响应(IIR)滤波器。其中LMS滤波器和RLS滤波器具备稳定自适应行为并且算法简朴，收敛性能良好。将作为本文研究重点。
自适应滤波器是相对固定滤波器而言，固定滤波器属于典型滤波器，它滤波频率是固定，自适应滤波器滤波频率则是自动适应输入信号而变化，因此其合用范畴更广。在没有任何关于信号和噪声先验知识条件下，自适应滤波器运用前一时刻已获得滤波器参数来自动调节现时刻滤波器参数，以适应信号和噪声未知或随机变化记录特性，从而实现最优滤波。
自适应滤波器是以最小均方误差为准则，由自适应算法通过调节滤波器系数，以达到最优滤波时变最佳滤波器。设计自适应滤波器时，可以不必预先懂得信号与噪声自有关函数，在滤