自适应滤波器及其应用概述
自适应滤波器是一种数字滤波器,它的系数随着目标的变化而变化,使滤波器收敛到最优状态。优化准则是一个代价函数,最常见的是自适应滤波器输出与期望信号之间的误差信号的均方。当滤波器调整其系数时,均方误差(MSE)收敛到其最小值。在这种状态下,滤波器是适应的,系数收敛到一个解。滤波器输出,y (k),然后被认为与期望的信号非常匹配,d (k).当您改变输入数据的特性时,有时称为过滤环境时,过滤器会为新数据生成一组新的系数,以适应新环境。
通用自适应滤波算法
自适应滤波器DSP系统工具箱
基于最小均方(LMS)的FIR自适应滤波器
自适应过滤器对象 |
调整算法 |
---|---|
块LMS FIR自适应滤波算法 |
|
filter -x LMS FIR自适应滤波算法 |
|
LMS FIR自适应滤波算法 归一化LMS FIR自适应滤波算法 符号数据LMS FIR自适应滤波算法 符号误差LMS FIR自适应滤波算法 符号-符号LMS FIR自适应滤波算法 |
基于递归最小二乘(RLS)的FIR自适应滤波器
自适应过滤器对象 |
调整算法 |
---|---|
快速横向最小二乘自适应算法 滑动窗口FTF自适应算法 |
|
qr分解RLS自适应算法 户主RLS自适应算法 住户SWRLS自适应算法 递归最小二乘自适应算法 滑动窗口(SW) RLS自适应算法 |
自适应滤波器块 |
调整算法 |
---|---|
指数加权递归最小二乘(RLS)算法 |
仿射投影(AP) FIR自适应滤波器
自适应过滤器对象 |
调整算法 |
---|---|
使用直接矩阵反演的仿射投影算法 采用递归矩阵更新的仿射投影算法 块仿射投影自适应算法 |
频域FIR自适应滤波器(FD)
自适应过滤器对象 |
调整算法 |
---|---|
约束频域自适应算法 无约束频域自适应算法 分区约束频域自适应算法 分区无约束频域自适应算法 |
自适应滤波器块 |
调整算法 |
---|---|
约束频域自适应算法 无约束频域自适应算法 分区约束频域自适应算法 分区无约束频域自适应算法 |
基于晶格(L)的FIR自适应滤波器
自适应过滤器对象 |
调整算法 |
---|---|
梯度自适应晶格滤波自适应算法 最小二乘格子自适应算法 QR分解RLS自适应算法 |
选择自适应滤波器
在稳定状态下,当滤波器已适应时,滤波器输出和所需信号之间的误差是最小的,而不是零。这个误差被称为稳态误差。滤波器收敛到最优状态的速度,即收敛速度,取决于输入信号的性质、自适应滤波器算法的选择以及算法的步长等多个因素。滤波器算法的选择通常取决于应用程序所需的收敛性能、算法的计算复杂度、滤波器在环境中的稳定性以及任何其他约束条件等因素。
LMS算法实现简单,但存在稳定性问题。LMS算法的标准化版本具有改进的收敛速度,更稳定,但增加了计算复杂度。有关比较两者的示例,请参见比较LMS算法与归一化LMS算法的收敛性能.RLS算法是高度稳定的,在时变环境中做得非常好,但计算比LMS算法更复杂。有关比较,请参见比较RLS和LMS自适应滤波算法.仿射投影滤波器在输入是彩色的情况下表现良好,具有很好的收敛性能。自适应格滤波器提供了良好的收敛性,但增加了计算成本。算法的选择取决于环境和应用程序的具体情况。
均方误差性能
使自适应滤波器输出与期望信号之间误差信号的均方最小是自适应滤波器最常见的优化准则。参数确定所实现的自适应滤波器的实际MSE (MSESIM)msesim
函数。这个MSE的轨迹预计将遵循预测MSE (MSEPred)的轨迹,这是使用msepred
函数。最小均方误差(MMSE)由模型估计msepred
函数使用维纳滤波器。该维纳滤波器使所需信号与经维纳滤波器滤波的输入信号之间的均方误差最小化。均方误差较大表明自适应滤波器不能准确地跟踪期望的信号。均方误差的最小值确保自适应滤波器是最优的。超额均方误差(EMSE),由msepred
函数,为自适应滤波器引入的均方误差与对应维纳滤波器产生的均方误差之差。下面所示的最终MSE是EMSE和MMSE的和,等于收敛后的预测MSE。
常见的应用程序
系统识别——使用自适应滤波器识别未知系统
一种常见的自适应滤波器应用是使用自适应滤波器来识别未知系统,例如未知通信信道的响应或礼堂的频率响应,以选择相当不同的应用。其他应用包括回波消除和信道识别。
在图中,未知系统与自适应滤波器平行放置。这个布局只是许多可能结构中的一种。阴影区域包含自适应过滤系统。
显然,当e (k)是非常小的,自适应滤波器的响应接近于未知系统的响应。在这种情况下,相同的输入同时提供自适应过滤器和未知。例如,如果未知系统是一个调制解调器,输入通常代表白噪声,并且是当您登录到Internet服务提供商时从调制解调器听到的声音的一部分。
逆系统辨识——确定对未知系统的逆响应
通过将未知系统与你的自适应滤波器串联起来,你的滤波器适应成为未知系统的逆e (k)变得非常小。如图所示,该过程需要在所需信号中插入一个延迟d (k)路径,以保持和的数据同步。添加延迟使系统保持因果关系。
包括延迟,以解释未知系统引起的延迟,以防止这种情况。
普通的老式电话系统(POTS)通常使用逆系统识别来补偿铜质传输介质。当你通过电话线发送数据或语音时,铜线就像一个过滤器,在更高的频率(或数据速率)下有一个响应,同时也有其他异常。
添加响应与有线响应相反的自适应滤波器,并将滤波器配置为实时适应,使滤波器可以补偿滚转和异常,增加电话系统的可用频率输出范围和数据速率。
噪声或干扰消除——使用自适应滤波器去除未知系统中的噪声
在噪声消除中,自适应滤波器可以实时地从信号中去除噪声。在这里,需要清除的信号结合了噪声和需要的信息。为了消除噪音,输入一个信号n”(k)到与要从所需信号中去除的噪声相关的自适应滤波器。
只要滤波器的输入噪声保持与所需信号伴随的不需要的噪声相关,自适应滤波器就会调整其系数以减少之间的差值y (k)而且d (k),去除噪声,从而得到一个干净的信号e (k).注意,在这个应用程序中,错误信号实际上收敛于输入数据信号,而不是收敛于零。
预测——预测周期信号的未来值
预测信号需要你做出一些关键的假设。假设信号要么是稳定的,要么是随时间缓慢变化的,而且是周期性的。
接受这些假设,自适应滤波器必须根据过去的值预测所需信号的未来值。当年代(k)是周期性的并且滤波器有足够长的时间来记住先前的值,这种结构加上输入信号中的延迟,就可以执行预测。你可以用这个结构从随机噪声信号中去除周期信号。
最后,请注意,大多数感兴趣的系统都包含四种自适应滤波器结构中的一种以上的元素。可能需要仔细检查实际结构,以确定自适应滤波器正在适应什么。
此外,为了清晰起见,没有出现模拟到数字(A/D)和数字到模拟(D/A)组件。由于自适应滤波器被假定为数字性质,并且许多问题产生模拟数据,输入信号转换到和从模拟域可能是必要的。
参考文献
[1]海耶斯,蒙森H,统计数字信号处理与建模“,.霍博肯,新泽西州:John Wiley & Sons, 1996,第493 - 552页。
海金,西蒙,自适应滤波理论.上马鞍河,新泽西州:Prentice-Hall, Inc., 1996。