文档介绍：题目自适应滤波算法与应用研究一、选题目及研究意义滤波技术是信号处理中一种基本方法与技术,在当今信息处理领域中有着极其重要应用。尤其数字滤波技术使用广泛,数字滤波理论研究及其产品开发一直受到很多国家重视。滤波是从连续或离散输入数据中除去噪音与干扰以提取有用信息过程,与其相应装置就称为滤波器。滤波器实际上是一种选频系统,他对某些频率信号予以很小衰减,使该部分信号顺利通过。而对其他不需要频率信号予以很大衰减,尽可能阻止这些信号通过。从总来说滤波可分为经典滤波与现代滤波。经典滤波要求已知信号与噪声统计特性,如维纳滤波与卡尔曼滤波。现代滤波则不要求已知信号与噪声统计特性,如自适应滤波。自适应滤波器是近30年来发展起来一种最佳滤波方法。它是在维纳滤波,卡尔曼滤波器等线性滤波器基础上发展起来一种最佳滤波方法。由于它具有更强适应性与更优滤波性能,从而在工作实际中,尤其在信息处理技术得到广泛应用。它是利用前一时刻已获得滤波器参数,自动地调节、更新现时刻滤波器参数,以适应信号与噪声未知统计特性,从而实现最优滤波。当在未知统计特性环境下处理观测信号时,利用自适应滤波器可以获得令人满意效果,其性能远超过通用方法所设计固定参数滤波器。自适应信号处理核心思想是“最小方差”,最终目地是使误差信号最小化。由WIDROW与HOFF提出来最小均方误差(LMS)算法,因具有计算量小、易于实现、不依赖模型、性能稳健等优点而被广泛应用。然而,传统固定步长LMS算法在收敛速度、时变系统跟踪能力与稳态失调之间要求是存在很大矛盾。小步长确保稳态时具有小失调,但是算法收敛速度慢,并且对非稳态误差跟踪能力差。另一方面,大步长使算法具有更快收敛速度与好跟踪能力,但是是以失调为代价。为了解决这一问题,人们提出了许多改进LMS算法。研究本课题目就是在目前已提出各种改进算法基础上,剖析它们利与弊,提出一种新算法。该算法要能很好解决滤波器收敛速度、对事变系统跟踪能力与稳态失调三者之间矛盾。继而将该算法应用于解决实际问题。二、总结与本课题相关领域研究现状、发展趋势、研究方法及应用领域等自适应滤波器理论与技术是50年代末与60年代初发展起来。它是现代信号处理技术重要组成部分,对复杂信号处理具有独特功能。自适应滤波器在数字滤波器中属于随机数字信号处理范畴。对于随机数字信号滤波处理,通常有维纳滤波,卡尔曼滤波与自适应滤波,维纳滤波权系数是固定,适用于平稳随机信号;卡尔曼滤波器权系数是可变,适用于非平稳随机信号中。但是,只有在对信号与噪声统计特性先验已知情况下,这两种滤波器才能获得最优滤波。在实际应用中,常常无法得到这些统计特性先验知识,或者统计特性是随时间变化。因此,许多情况下,用维纳滤波器或卡尔曼滤波器实现不了最优滤波,而自适应滤波却能够提供卓越滤波性能。传统自适应滤波器主要在时域中实现,采用抽头延迟线(tappeddelayline)结构及WIDROW-HOFF自适应LMS算法。这种方法算法简单,稳定性也比较好,因而被广泛应用。但是滤波器阶数可能会很高,步长系数可能会很小,收敛性能不理想,对输入信号自相关矩阵有很强依赖性,因而不具有高自适应率。当输入信号自相关矩阵特征值分布发散度很大时,算法收敛速度很慢,跟踪性能不好。许多学者对LMS算法进行了研究,对传统LMS算法提出了许多有效改进措施,如采用变步长LMS算法、变