自适应滤波算法的研究

1自适应滤波算法的研究第1章绪论1.1课题背景伴随着移动通信事业的飞速发展，自适应滤波技术应用的范围也日益扩大。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(自相关函数或功率谱)，用线性最小均方误差估计准则设计的最佳滤波器，称为维纳滤波器。这种滤波器能最大程度地滤除干扰噪声，提取有用信号。但是，当输入信号的统计特性偏离设计条件，则它就不是最佳的了，这在实际应用中受到了限制。到60年代初，由于空间技术的发展，出现了卡尔曼滤波理论，即利用状态变量模型对非平稳、多输入多输出随机序列作最优估计。现在，卡尔曼滤波器己成功地应用到许多领域，它既可对平稳的和非平稳的随机信号作线性最佳滤波，也可作非线性滤波。实质上，维纳滤波器是卡尔曼滤波器的一个特例。在设计卡尔曼滤波器时，必须知道产生输入过程的系统的状态方程和测量方程，即要求对信号和噪声的统计特性有先验知识，但在实际中，往往难以预知这些统计特性，因此实现不了真正的最佳滤波。WidrowB等于1967年提出的自适应滤波理论，可使自适应滤波系统的参数自动地调整而达到最佳状况，而且在设计时，只需要很少的或根本不需要任何关于信号与噪声的先验统计知识。这种滤波器的实现差不多象维纳滤波器那样简单，而滤波性能几乎如卡尔曼滤波器一样好。因此，近十几年来，自适应滤波理论和方法得到了迅速发展。[1]自适应滤波是一种最佳滤波方法。它是在维纳滤波，Kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能。从而在工程实际中，尤其在信息处理技术中得到广泛的应用。自适应滤波的研究对象是具有不确定的系统或信息过程。“不确定”是指所研究的处理信息过程及其环境的数学模型不是完全确定的。其中包含一些未知因数和随机因数。2任何一个实际的信息过程都具有不同程度的不确定性，这些不确定性有时表现在过程内部，有时表现在过程外部。从过程内部来讲，描述研究对象即信息动态过程的数学模型的结构和参数是我们事先不知道的。作为外部环境对信息过程的影响，可以等效地用扰动来表示，这些扰动通常是不可测的，它们可能是确定的，也可能是随机的。此外一些测量噪音也是以不同的途径影响信息过程。[2]这些扰动和噪声的统计特性常常是未知的。面对这些客观存在的各种不确定性，如何综合处理信息过程，并使某一些指定的性能指标达到最优或近似最优，这就是自适应滤波所要解决的问题。可见，自适应滤波算法的研究与实际状况有着密不可分的关系，具有重要的意义。1.2国内外目前的研究状况最早人们根据生物能以各种有效的方式适应生存环境从而使生命力变强的特性引伸出自适应这个概念。自适应滤波器属于现代滤波器的范畴，它是40年代发展起来的自适应信号处理领域的一个重要应用。60年代，美国B.Windrow和Hoff首先提出了主要应用于随机信号处理的自适应滤波器算法，从而奠定自适应滤波器的发展。所谓自适应滤波器，即利用前一时刻已获得的滤波器参数等结果，自动地调节现时刻的滤波器参数，以适应信号与噪声未知的或随时间变化的统计特性，从而实现最优滤波。自适应信号处理主要是研究结构可变或可调整的系统，它可以通过自身与外界环境的接触来改善自身对信号处理的性能。通常这类系统是时变的非线性系统，可以自动适应信号传输的环境和要求，无须详细知道信号的结构和实际知识，无须精确设计处理系统本身。自适应系统的非线性特性主要是由系统对不同的信号环境实现自身参数的调整来确定的。自适应系统的时变特性主要是由其自适应响应或自适应学习过程来确定的，当自适应过程结束和系统不再进行时，有一类自适应系统可成为线性系统，并称为线性自适应系统，因为这类系统便于设计且易于数学处理，所以实际应用广泛。本文研究的自适应滤波器就是这类滤波器。自适应信号处理的应用领域包括通信、雷达、声纳、地震学、导航系统、生物医学和工业控制等。[3]3自适应滤波器出现以后，发展很快。由于设计简单、性能最佳，自适应滤波器是目前数字滤波器领域是活跃的分支，也是数字滤波器研究的热点。主要自适应滤波器有：递推最小二乘(RLS)滤波器、最小均方差(LMS)滤波器、格型滤波器、无限冲激响应(IIR)滤波器。其中LMS滤波器和RLS滤波器具有稳定的自适应行为而且算法简单，收敛性能良好。将作为本文研究的重点。自适应滤波器是相对固定滤波器而言的，固定滤波器属于经典滤波器，它滤波的频率是固定的，自适应滤波器滤波的频率则是自动适应输入信号而变化的，所以其适用范围更广。在没有任何关于信号和噪声的先验知识的条件下，自适应滤波器利用前一时刻已获得的滤波器参数来自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，以达到最优滤波的时变最佳滤波器。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部分构成自适应滤波器的一般结构。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，以达到最佳滤波效果。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，使滤波器性能重新达到最佳。[4]第2章自适应滤波的原理及应用2.1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4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行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，从而达到最优化滤波。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已知的情况下，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。[5]2.2自适应滤波器的基本原理所谓自适应滤波，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达到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，以达到最优滤波的时变最佳滤波器。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部分构成自适应滤波器。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结构。5图2-1自适应滤波原理图图中，()xn为输入信号，()yn为输出信号，()dn为参考信号或期望信号，()en则是()dn和()yn的误差信号。自适应滤波器的滤波器系数受误差信号()en控制，根据()en的值和自适应算法自动调整。一个自适应滤波器的完整规范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(比如回波消除、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)自适应滤波器结构自适应滤波器可以用许多不同结构来实现。结构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)，还会对达到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结构(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结构来实现，而IIR滤波器则利用递归结构来实现。自适应FIR滤波器结构：应用最广泛的自适应FIR滤波器结构是横向滤波器，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，二不采用反馈环节。对于这种结构，输出信号()yn是滤波器洗漱的线性组合，它产生具有惟一最优解的二次均方自适应滤波未知系统()xn()yn()en()dn()rn6误差函数。为了得到相对于横向滤波器结构来说更好的性能(这些性能是用计算复杂度、收敛速度和有限字长特征等来描述的)自适应IIR滤波器结构：自适应IIR滤波器采用得最多的结构是标准直接形式结构，因为它的实现和分析都很简单。然而，采用递归自适应滤波会存在一些内在的问题(这些问题是由结构决定的，比如要求对极点的稳定性进行监视)，而且收敛速度很慢。为了克服这些问题，人们提出了不同的结构形式。(3)算法其中算法是为了使某个预先确定的准则达到最小化，而自适应地调整滤波器系数的方法。算法是通过定义搜索方法(或者最小化算法)、目标函数和无偿信号的特性来确定的。算法的选择据定了整个自适应过程的几个重要因素，比如优解的存在性、有偏最优解和计算复杂度等。[7]2.3自适应IIR滤波器自适应滤波器出现以后，发展很快。由于设计简单、性能最佳，自适应滤波器是目前数字滤波器领域是活跃的分支，也是数字滤波器研究的热点。主要自适应滤波器有：递推最小二乘(RLS)滤波器、最小均方差(LMS)滤波器、格型滤波器、无限冲激响应(IIR)滤波器。其中RLS滤波器具有稳定的自适应行为而且算法简单，收敛性能良好。实际情况中，由于信号和噪声的统计特性常常未知或无法获知，这就为自适应滤波器提供广阔的应用空间、系统辨识、噪声对消、自适应谱线增强、通信信道的自适应均衡、线性预测、自适应天线阵列等是自适应滤波器的主要应用领域。自适应有限冲激响应(FIR)滤波器由于其收敛性和稳定性十分简单，现已有相当完善的自适应算法，在信号处理领域，获得了广泛应用。但由于它是非递归结构，冲激响应为有限长，当用于较高精度匹配的实际物理系统时，所需阶次可能相当大，因而导致结构复杂，运算量大。自适应IIR滤波器是一个具有无限冲激响应的递归滤波器，它的一个最重要的优点是，与相同系数个数的自适应FIR滤波器相比有更好的性能，这是因为输出的反馈使有限数量的系数产生了无限冲激响应，使得零点与极点模型滤波器的输出比起仅有零点的滤波器的输出能更有效地逼近期望响应信号。例如，一个有足够高7阶数的自适应IIR滤波器可以精确地逼近一未知的零点与极点系数阔，而一个自适应FIR滤波器只能近似逼近这一系统。反之，要达到相同性能，IIR滤波器所需要的系数个数一般比FIR滤波器少得多，正是由于这一潜在的计算量的优势，近十年来，自适应IIR滤波器的研究一直非常活跃，出现了一批比较成熟的算法。可以预测，在许多应用中，自适应IIR滤波器将取代正被广泛使用的自适应FIR滤波器。[8]应该指出的是，与自适应FIR滤波器相比，自适应IIR滤波器在减少计算量的同时也付出了一定的代价。由于反馈的存在，算法的收敛时间加大，其收敛性和稳定性分析都十分复杂，这是需要注意继续研究的问题。目前，在相同滤波性能条件下，自适应IIR滤波器的收敛性己可优于自适应FIR滤波器。根据误差的不同表示，自适