信号处理(三):最优线性滤波器与线性自适应滤波
对应信号处理(四)(五):维纳滤波,线性预测与 Levinson-Durbin 算法,格型滤波器,最小二乘与投影,卡尔曼滤波;自适应滤波结构,最速下降法与 LMS 算法,格型自适应与 FTF、LSL 的概念。
本节导读
这一节对应信号处理的「(四)最优线性滤波器」与「(五)线性自适应滤波」。(四)有四条:
- 维纳滤波器,维纳-霍夫方程。均方误差性能函数。
- 线性预测误差滤波器,Yule-Walker 方程,Levinson-Durbin 算法,格型滤波器,反射系数。
- 最小二乘滤波器,LS 估计,投影算子和投影矩阵。最小二乘问题的求解方法。
- 卡尔曼滤波器。
(五)有四条:
- 自适应滤波的基本概念。自适应滤波器的基本结构。
- 随机梯度法:理想(梯度已知)情况下的最速下降法、收敛条件、收敛规律、LMS 算法及其收敛规律和性能分析。使用 LMS 算法的自适应滤波器的设计。梯度类算法的优缺点和改进。
- 梯度法自适应求解预测误差滤波的格型滤波器系数(反射系数)。
- 最小二乘快速横向滤波器(FTF)方程和算法、横向滤波算子。最小二乘格型(LSL)算法。要求能够根据给定的观测序列和滤波器电路,建立相应的滤波方程。对这些算法只要求有概念性的了解。
学完要做到:会解二阶维纳-霍夫方程并求最小均方误差;会用 Levinson-Durbin 算法逐阶求预测系数和反射系数;会算最小二乘解与残差;会做标量卡尔曼滤波的一步递推;会定最速下降法和 LMS 算法的步长范围;对 FTF、LSL 有概念性的了解。
记号(实信号):期望响应 d(n);输入矢量 x(n)=[x(n),⋯,x(n−M+1)]T;权矢量 w;误差 e(n)=d(n)−wTx(n);R=E[xxT],p=E[x(n)d(n)];步长 μ(与第 16 节的迁移率不是同一个量)。
维纳滤波器
用 FIR 滤波器估计 d(n),均方误差性能函数
J(w)=σd2−2pTw+wTRw是 w 的二次函数,R 正定时它的曲面像一只碗,只有一个最低点。令梯度为零,得到维纳-霍夫方程
Rwo=p最小均方误差 Jmin=σd2−pTwo,并且 J(w)=Jmin+(w−wo)TR(w−wo)。最优时误差与每个输入样本都正交,E[eo(n)x(n−k)]=0,这叫正交原理。
线性预测与格型滤波器
用过去 p 个样本预测 x(n),预测误差滤波器 A(z)=1+∑k=1pakz−k 的输出就是前向预测误差。使预测误差功率最小,得到 Yule-Walker 方程(与第 25 节 AR 模型的方程同形):
k=1∑pakr(m−k)=−r(m),m=1,⋯,p最小预测误差功率 Ep=r(0)+∑k=1pakr(k)。
Levinson-Durbin 算法按阶递推:从 E0=r(0) 出发,对 m=1,2,⋯,p 依次计算(其中 am,m=km)
kmam,kEm=−Em−1r(m)+∑k=1m−1am−1,kr(m−k)=am−1,k+kmam−1,m−k=(1−km2)Em−1km 叫反射系数,也叫偏相关系数。∣km∣<1 与 A(z) 是最小相位的互为充要条件;预测误差功率随阶数单调不增。
格型滤波器把预测误差滤波器写成逐级级联的结构,第 m 级只有一个参数 km:
fm(n)bm(n)=fm−1(n)+kmbm−1(n−1)=bm−1(n−1)+kmfm−1(n)f0(n)=b0(n)=x(n),fm、bm 分别是 m 阶前向、后向预测误差。各阶后向预测误差互相正交,加一级不用改前面的级;第 24 节说的 FIR 格型实现就是这种结构。
最小二乘滤波器与卡尔曼滤波器
最小二乘滤波器不用统计平均,而是对一段观测数据使误差的时间平方和最小。把 N 次观测的输入矢量排成数据矩阵 A(每行一个)、期望响应排成 d,LS 估计满足正规方程
ATAw^=ATd投影矩阵 P=A(ATA)−1AT 就是投影算子:Pd=Aw^ 是 d 在 A 列空间上的投影,残差 (I−P)d 与各列正交;P 对称、幂等(P2=P)。最小二乘问题的求解方法:直接解正规方程(可用 Cholesky 分解);对 A 做 QR 分解,数值上更稳定;列不满秩时用奇异值分解。
卡尔曼滤波器用状态空间模型描述信号:s(n+1)=Fs(n)+v1(n),观测 y(n)=Cs(n)+v2(n),两种噪声的协方差为 Q1、Q2。每一步先预测、再用新观测修正,标量情形如下:
| 步骤 | 公式(标量) |
|---|---|
| 状态预测 | s^−=fs^ |
| 误差方差预测 | P−=f2P+q1 |
| 卡尔曼增益 | K=c2P−+q2cP− |
| 状态修正 | s^=s^−+K(y−cs^−) |
| 误差方差修正 | P=(1−Kc)P− |
它按时间递推、不用存全部数据,模型参数可以随时间变化。
线性自适应滤波
基本概念与基本结构:自适应滤波器预先不知道信号的统计特性,用误差信号按某种算法自动调整系数,逐步逼近最优解,还能跟踪缓慢变化的统计特性。结构上分横向(抽头延迟线)与格型两类;接法上有系统辨识、逆系统建模(均衡)、预测、干扰对消四种。
本节后面还有约 2840 字:报名学员看全文
每门课前 10 节免费看全文;从第 11 节起,完整教程要报名后由顾问在后台为你的账号开通才能看。
题库账号可以直接登录,但第 11 节起的完整教程要报名后由后台开通才能看。
学完练一练
按本节考点从本课的课后练习里抽题(每次 10 道以内),做完看解析、错题自动进错题本。第 11 节起的课后练习报名学员才能练。
本节内容由 AI 辅助编写,配图由 AI 生成,仅供备考参考;考试要求以《全国各类成人高等学校招生考试大纲(2024 年版)》及浙江省教育考试院当年公布为准。