文档介绍:: .
自适应滤波
第1 章绪论 1
1.1 自适应滤波理论发展过程 1
1.2 自适应滤波发展前景 2
1.2.1小波变换与自适应滤波 2
1.2.2模糊神经网络与自适应滤波 3
第2 章线性自适应滤波理论 4
2.1 最小均方自适应滤波器 4
2.1.1最速下降算法 4
2.1.2最小均方算法 6
2.2 递归最小二乘自适应滤波器 7
第3 章 仿真 12
MATLAB仿真 12
MATLAB仿真 15
组别:第二小组
组员:黄亚明 李存龙 杨振
第 1 章绪论
从连续的 (或离散的 )输入数据中滤除噪声和干扰以提取有用信息的过 程称为滤波。相应的装置称为滤波器。实际上,一个滤波器可以看成是 一个系统,这个系统的目的是为了从含有噪声的数据中提取人们感兴趣的、 或者希望得到的有用信号,即期望信号。滤波器可分为线性滤波器和非 线性滤波器两种。当滤波器的输出为输入的线性函数时,该滤波器称为线 性滤波器,当滤波器的输出为输入的非线性函数时,该滤波器就称为非线 性滤波器。
自适应滤波器是在不知道输入过程的统计特性时, 或是输入过程的统计特性发生 变化时,能够自动调整自己的参数,以满足某种最佳准则要求的滤波器。
1.1 自适应滤波理论发展过程 自适应技术与最优化理论有着密切的系。 自适应算法中的最速下降算法以及 最小二乘算法最初都是用来解决有/无约束条件的极值优化问题的。
1942年维纳(Wiener)研究了基于最小均方误差(MMSE准则的在可加性噪声中 信号的最佳滤波问题。并利用 Wiener.Hopf 方程给出了对连续信号情况的最佳 解。基于这〜准则的最佳滤波器称为维纳滤波器。 20世纪60年代初,卡尔曼
(Kalman) 突破和发展了经典滤波理论,在时间域上提出 了状态空间方法, 提出了一套便于在计算机上实现的递推滤波算法, 并且适用于 非平稳过程的滤波和多变量系统的滤波, 克服了维纳 (Wiener) 滤波理论的局限性, 并获得了广泛的应用。这种基于 MMS准则的对于动态系统的离散形式递推算法 即卡尔曼滤波算法。这两种算法都为自适应算法奠定了基础。 从频域上的谱分析方法到时域上的状态空间分析方法的变革,也标志 着现代控制理论的诞生。 最优滤波理论是现代控制论的重要组成部分。 在控制论 的文献中,最优滤波理论也叫做 Kalman 滤波理论或者状态估计理论。
从应用观点来看,Kalman滤波的缺点和局限性是应用 Kalman滤波时要求知道系 统的数学模型和噪声统计这两种先验知识。 然而在绝大多数实际应用问题中, 它 们是不知道的, 或者是近似知道的, 也或者是部分知道的。 应用不精确或者错误 的模型和噪声统计设计Kalman滤波器将使滤波器性能变坏,导致大的状态估计 误差,甚至使滤波发散。为了解决这个矛盾,产生了自适应滤波。
最早的自适应滤波算法是最小JY(LMS算法。它成为横向滤波器的一种简单而有 效的算法。实际上,LMS算法是一种随机梯度算法,它在相对于抽头权值的误差 信号平方幅度的梯度方向上迭代调整每个抽头权 值。1996年Hassibi等人证明了 LMS算法在 耳 准则下为最佳,从而在理论上证 明了 LMS算法具有孥实性。自Widrow等人1976年提出LMs自适应滤波算法以来, 经过 30 多年的迅速发展,已经使这一理论成果成功的应用到通信、系统辨识、
信号处理和自适应控制等领域, 为自适应滤波开辟了新的发展方向。 在各种自适 应滤波算法中,LMS算法因为其简单、计算量小、稳定性好和易于实现而得到了 广泛应用。这种算法中,固定步长因子卩对算法的性能有决定性的影响。 若卩较
小时,算法收敛速度慢, 并且为得到满意的结果需要很多的采样数据, 但稳态失 调误差
1 较小:当“较大时,该算法收敛速度快,但稳态失调误差变大,并有可能使算法 发散。收敛速度与稳态失调误差是不可兼得的两个指标。以往的文献对LMS算法 的性能和改进算法已经做出了相当多的研究, 并且至今仍然是一个重要的研究课 题。
另一类重要的自适应算法是最小二乘(LS)算法。LS算法早在1795年就由高斯提 出来了,但LS算法存在运算量大等缺点,因而在自适应滤波中一般采用其递推 形式一一递推最小二乘(RLS)算法,这是一种通过递推方式寻求最佳解的算法, 复杂度比直接LS算法小,因而获得了广泛应用。1994年Sayed和Kailath建立 了 Kalman滤波和RLS算法之间的对应关系,证