文档介绍：-
z.
自适应滤波算法的研究
第1章 绪论
伴随着移动通信事业的飞速开展，自适应滤波技术应用的围也日益扩大。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。根据有用信号和干扰噪声的统计特性动调节现时刻的滤波器参数，以适应信号和噪声未知或随机变化的统计特性，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整滤波器系数，以到达最优滤波的时变最正确滤波器。设计自适应滤波器时，可以不必预先知道信号与噪声的自相关函数，在滤波过程中，即使噪声与信号的自相关函数随时间缓慢变化，滤波器也能自动适应，自动调节到满足均方误差最小的要求。自适应滤波器主要由参数可调的数字滤波器和调整滤波器系数的自适应算法两局部构成自适应滤波器的一般构造。实际上，自适应滤波器是一种能够自动调整本身参数的特殊维纳滤波器，在设计时不需要实现知道关于输入信号和噪声的统计特性的知识，它能够在自己的工作过程中逐渐“了解〞或估计出所需的统计特性，并以此为依据自动调整自己的参数，以到达最正确滤波效果。一旦输入信号的统计特性发生变化，它又能够跟踪这种变化，自动调整参数，使滤波器性能重新到达最正确。[4]
第2章 自适应滤波的原理及应用
引言
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两种滤波器。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展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，自动的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，适用于非平稳随机信号。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，自适应能够提供卓越的滤波性能。
-
z.
[5]
所谓自适应滤波，就是利用前一时刻己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。
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。
自适应滤波器是以最小均方误差为准则，由自适应算法通过调整滤波器系数，以到达最优滤波的时变最正确滤波器。设计自适应滤波器时，可以不必预先知道信号与噪声的自相关函数，在滤波过程中，即使噪声与信号的自相关函数随时间缓慢变化，滤波器也能自动适应，自动调节到满足均方误差最小的要求。自适应滤波器主要由参数可调的数字滤波器和调整滤波器系数的自适应算法两局部构成自适应滤波器。参数可调数字滤波器可以是FIR滤波器或IIR数字滤波器，也可以是格形滤波器[6]
图2-1示出了自适应滤波器的一般构造。
-
z.
未知系统
自适应滤波
图2-1 自适应滤波原理图
图中，为输入信号，为输出信号，为参考信号或期望信号，则是和的误差信号。自适应滤波器的滤波器系数受误差信号控制，根据的值和自适应算法自动调整。
一个自适应滤波器的完整规是由如下三项所组成的：
(1)应用 在过去十年中，自适应技术在更多的应用场合(比方回波消除、色散信道的均衡、系统辨识、信号增强、自适应波束形成、噪声消除一级控制领域等)取得了成功。研究自适应滤波器的各种应用本文会简单考虑一些应用例子。
(2)自适应滤波器构造 自适应滤波器可以用许多不同构造来实现。构造的选取会营销到处理的计算复杂度(即每次迭代的算数操作数目)，还会对到达期望性能标准所需要的迭代次数产生影响。从根本上讲主要有两类自适应数字滤波器构造(这是根据其冲激响应的形式来划分的)，即有限长冲击响应(FIR)滤波器和无限长冲激响应(IIR)滤波器。FIR滤波器通常利用非递归构造来实现，而IIR滤波器则利用递归构造来实现。自适应FIR滤波器构造：应用最广泛的自适应FIR滤波器构造是横向滤波器，也成为抽头延迟线，它利用正规直接形式实现全零点传输函数，二不采用反应环节。对于这种构造