自适应滤波器是数字滤波器的系数变化与客观滤波器收敛到最优状态。优化准则是一个成本函数,这是最常见的均方误差信号自适应滤波器的输出与期望信号。过滤器调整系数、均方误差(MSE)收敛于其最小值。在这种状态下,过滤器和系数融合适应一个解决方案。滤波器的输出,y (k),然后说密切匹配所需的信号,d (k)。当你改变输入数据特点,有时被称为过滤环境,过滤器适应新环境通过生成一组新的系数的新数据。
一般自适应滤波器算法
自适应滤波器的对象 |
调整算法 |
---|---|
块LMS FIR自适应滤波器算法 |
|
Filtered-x LMS FIR自适应滤波器算法 |
|
LMS FIR自适应滤波器算法 归一化LMS FIR自适应滤波器算法 Sign-data LMS FIR自适应滤波器算法 符号误差LMS FIR自适应滤波器算法 Sign-sign LMS FIR自适应滤波器算法 |
自适应滤波器的对象 |
调整算法 |
---|---|
快速适应横向最小二乘算法 滑动窗口“保障未来粮食供给”适应算法 |
|
适应QR-decomposition RLS算法 户主RLS算法适应 户主SWRLS适应算法 递推最小二乘(RLS)算法适应 滑动窗口(SW)适应RLS算法 |
自适应滤波器块 |
调整算法 |
---|---|
指数加权递归最小二乘(RLS)算法 |
自适应滤波器的对象 |
调整算法 |
---|---|
使用直接矩阵求逆仿射投影算法 仿射投影算法,使用递归矩阵更新 块适应仿射投影算法 |
自适应滤波器的对象 |
调整算法 |
---|---|
频域约束适应算法 无约束频域适应算法 分区算法和频域约束的适应 分区和无约束频域调整算法 |
自适应滤波器块 |
调整算法 |
---|---|
频域约束适应算法 无约束频域适应算法 分区算法和频域约束的适应 分区和无约束频域调整算法 |
自适应滤波器的对象 |
调整算法 |
---|---|
梯度自适应格过滤器适应算法 最小二乘格适应算法 QR分解RLS算法适应 |
已经适应了在稳态时,过滤器,过滤器输出和期望信号之间的误差最小,不为零。这个错误被称为稳态误差。的速度滤波器收敛于最优状态,称为收敛速度,取决于多个输入信号的性质等因素,选择自适应滤波器的算法,该算法的步长。滤波算法的选择通常取决于因素如收敛性能所需的应用程序,算法的计算复杂度,滤波器的稳定环境,和任何其他限制。
LMS算法实现起来比较简单,但稳定性问题。的标准化版本带有改进的LMS算法收敛速度,更稳定,但是增加了计算复杂性。为例,比较了两种,见比较收敛性能之间的LMS算法和归一化LMS算法。RLS算法非常稳定,在时变环境中做得很好,但是计算更复杂的比LMS算法。比较,请参阅比较RLS和LMS自适应滤波器算法。仿射投影过滤器当输入是彩色的,有很好的收敛性能。自适应网格过滤器提供良好的收敛,但有增加计算成本。算法的选择取决于环境和应用程序的细节。
最小化均方误差信号的自适应滤波器的输出与期望信号是最常见的自适应滤波器的优化准则。实际的MSE (MSESIM)的自适应滤波器实现可以确定使用msesim
函数。这MSE预计将遵循的轨迹的预测均方误差(MSEPred),这是计算使用msepred
函数。最小均方误差(MMSE)估计的msepred
使用维纳滤波函数。维纳滤波器之间的均方误差最小化期望信号和输入信号由维纳滤波器过滤。一个较大的值的均方误差表明,自适应滤波器不能准确地跟踪期望信号。最小均方误差值确保了自适应滤波器是最优的。多余的均方误差(EMSE)决定的msepred
之间的区别是函数,自适应滤波器引入的MSE和MMSE由相应的维纳滤波器。最后的MSE所示是EMSE和MMSE的总和,并等于预测均方误差收敛。
一个常见的自适应滤波器的应用程序使用自适应滤波器来确定一个未知的系统,如未知通信通道的反应或礼堂的频率响应,选择相当不同的应用程序。其他应用包括回波消除和通道识别。
在图中,未知的系统放置在并行自适应滤波器。这个布局代表只是许多可能的结构之一。阴影区域包含自适应滤波器系统。
显然,当e (k)非常小,自适应滤波器响应接近未知系统的响应。在这种情况下,相同的输入源的自适应滤波器和未知。例如,如果未知的系统是一个调制解调器,输入通常代表白噪声,是声音的一部分你听到从你的调制解调器当你登录到您的互联网服务提供商。
通过将未知系统串联自适应滤波器,滤波器适应成为未知系统的倒数e (k)变得非常小。如图,这个过程需要一个延迟插入所需的信号d (k)路径保持求和的数据同步。添加延迟系统因果。
包括延迟造成的延迟占未知系统防止这种情况。
普通电话系统(锅)通常使用逆系统识别来弥补铜传输介质。当你通过电话线发送数据或声音,铜线表现得像一个过滤器,一个响应,卷在更高频率(或数据速率)和其他异常。
添加一个自适应滤波器的响应的逆线响应,实时调整和配置过滤器,让过滤器弥补滚边和异常,增加可用的频率输出范围和电话系统的数据速率。
在降噪,自适应滤波器让你把噪声从信号实时。这里,期望信号,清理,结合噪声和所需的信息。消除噪音,养活一个信号n”(k)的自适应滤波器相关的噪音要删除所需的信号。
只要输入噪声滤波器仍然相关配套所需的信号,不需要的噪声的自适应滤波器调整系数降低的价值之间的差异y (k)和d (k),消除噪音,导致一个干净的信号e (k)。注意,在这个应用程序中,误差信号实际上收敛于输入数据信号,而不是收敛于零。
要求你做一些关键的假设预测信号。假设信号是稳定或缓慢变化随着时间的推移,随着时间的推移和周期性。
接受这些假设,自适应滤波器必须预测未来的期望信号值根据过去的价值观。当年代(k)定期和过滤器是足够长的时间来记住以前的值,这个结构与输入信号的延迟,可以执行的预测。您可以使用这种结构消除随机噪声信号的周期信号。
最后,注意感兴趣的大多数系统包含多个元素的四个自适应滤波器结构。仔细审查可能需要真正的结构来确定自适应滤波器是适应。
另外,清晰的数据,模拟数字(A / D)和数模转换(D / A)组件不出现。自适应滤波器在本质上是被认为是数字的,和许多问题产生模拟数据,转换的输入信号和模拟域可能是必要的。
[1]海耶斯,曼森H。统计数字信号处理和建模。新泽西州霍博肯:1996年,约翰·威利& Sons pp.493 - 552。
[2]微积分,西门,自适应滤波器理论。上台北:新世纪,Inc ., 1996年。