杭州紫金港培训学校(紫金港专升本)杭州紫金港培训学校(紫金港专升本)
同等学力申硕电子科学与技术学科综合考前辅导第五类 信号处理第 26 节 / 共 32 节约 30 分钟报名学员看全文

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。

本节考点:维纳滤波器线性预测与格型滤波器最小二乘滤波器卡尔曼滤波器最速下降法与 LMS自适应格型与 FTF

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:

  1. 维纳滤波器,维纳-霍夫方程。均方误差性能函数。
  2. 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。
  3. 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。
  4. 卡尔曼滤波器。

(五)有四条:

  1. 自适应滤波的基本概念。自适应滤波器的基本结构。
  2. 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。
  3. 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)。
  4. 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)d(n)d(n);输入矢量 x(n)=[x(n),⋯ ,x(n−M+1)]T\mathbf x(n)=[x(n),\cdots,x(n-M+1)]^{\mathrm T}x(n)=[x(n),⋯,x(n−M+1)]T;权矢量 w\mathbf ww;误差 e(n)=d(n)−wTx(n)e(n)=d(n)-\mathbf w^{\mathrm T}\mathbf x(n)e(n)=d(n)−wTx(n);R=E[xxT]\mathbf R=E[\mathbf x\mathbf x^{\mathrm T}]R=E[xxT],p=E[x(n)d(n)]\mathbf p=E[\mathbf x(n)d(n)]p=E[x(n)d(n)];步长 μ\muμ(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)d(n)d(n),均方误差性能函数

J(w)=σd2−2pTw+wTRwJ(\mathbf w)=\sigma_d^2-2\mathbf p^{\mathrm T}\mathbf w+\mathbf w^{\mathrm T}\mathbf R\mathbf wJ(w)=σd2​−2pTw+wTRw

是 w\mathbf ww 的二次函数,R\mathbf RR 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\mathbf R\mathbf w_{\mathrm o}=\mathbf pRwo​=p

最小均方误差 Jmin⁡=σd2−pTwoJ_{\min}=\sigma_d^2-\mathbf p^{\mathrm T}\mathbf w_{\mathrm o}Jmin​=σd2​−pTwo​,并且 J(w)=Jmin⁡+(w−wo)TR(w−wo)J(\mathbf w)=J_{\min}+(\mathbf w-\mathbf w_{\mathrm o})^{\mathrm T}\mathbf R(\mathbf w-\mathbf w_{\mathrm o})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)]=0E[e_{\mathrm o}(n)x(n-k)]=0E[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 ppp 个样本预测 x(n)x(n)x(n),预测误差滤波器 A(z)=1+∑k=1pakz−kA(z)=1+\sum_{k=1}^{p}a_kz^{-k}A(z)=1+∑k=1p​ak​z−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=1pakr(m−k)=−r(m),m=1,⋯ ,p\sum_{k=1}^{p}a_kr(m-k)=-r(m),\quad m=1,\cdots,pk=1∑p​ak​r(m−k)=−r(m),m=1,⋯,p

最小预测误差功率 Ep=r(0)+∑k=1pakr(k)E_p=r(0)+\sum_{k=1}^{p}a_kr(k)Ep​=r(0)+∑k=1p​ak​r(k)。

Levinson-Durbin 算法按阶递推:从 E0=r(0)E_0=r(0)E0​=r(0) 出发,对 m=1,2,⋯ ,pm=1,2,\cdots,pm=1,2,⋯,p 依次计算(其中 am,m=kma_{m,m}=k_mam,m​=km​)

km=−r(m)+∑k=1m−1am−1,k r(m−k)Em−1am,k=am−1,k+km am−1,m−kEm=(1−km2)Em−1\begin{aligned} k_m&=-\frac{r(m)+\sum_{k=1}^{m-1}a_{m-1,k}\,r(m-k)}{E_{m-1}}\\ a_{m,k}&=a_{m-1,k}+k_m\,a_{m-1,m-k}\\ E_m&=(1-k_m^2)E_{m-1} \end{aligned}km​am,k​Em​​=−Em−1​r(m)+∑k=1m−1​am−1,k​r(m−k)​=am−1,k​+km​am−1,m−k​=(1−km2​)Em−1​​

kmk_mkm​ 叫反射系数,也叫偏相关系数。∣km∣<1\lvert k_m\rvert\lt 1∣km​∣<1 与 A(z)A(z)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 mmm 级只有一个参数 kmk_mkm​:

fm(n)=fm−1(n)+km bm−1(n−1)bm(n)=bm−1(n−1)+km fm−1(n)\begin{aligned} f_m(n)&=f_{m-1}(n)+k_m\,b_{m-1}(n-1)\\ b_m(n)&=b_{m-1}(n-1)+k_m\,f_{m-1}(n) \end{aligned}fm​(n)bm​(n)​=fm−1​(n)+km​bm−1​(n−1)=bm−1​(n−1)+km​fm−1​(n)​

f0(n)=b0(n)=x(n)f_0(n)=b_0(n)=x(n)f0​(n)=b0​(n)=x(n),fmf_mfm​、bmb_mbm​ 分别是 mmm 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 NNN 次观测的输入矢量排成数据矩阵 A\mathbf AA(每行一个)、期望响应排成 d\mathbf dd,LS 估计满足正规方程

ATA w^=ATd\mathbf A^{\mathrm T}\mathbf A\,\hat{\mathbf w}=\mathbf A^{\mathrm T}\mathbf dATAw^=ATd

投影矩阵 P=A(ATA)−1AT\mathbf P=\mathbf A(\mathbf A^{\mathrm T}\mathbf A)^{-1}\mathbf A^{\mathrm T}P=A(ATA)−1AT 就是投影算子:Pd=Aw^\mathbf P\mathbf d=\mathbf A\hat{\mathbf w}Pd=Aw^ 是 d\mathbf dd 在 A\mathbf AA 列空间上的投影,残差 (I−P)d(\mathbf I-\mathbf P)\mathbf d(I−P)d 与各列正交;P\mathbf PP 对称、幂等(P2=P\mathbf P^2=\mathbf PP2=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\mathbf AA 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)\mathbf s(n+1)=\mathbf F\mathbf s(n)+\mathbf v_1(n)s(n+1)=Fs(n)+v1​(n),观测 y(n)=Cs(n)+v2(n)\mathbf y(n)=\mathbf C\mathbf s(n)+\mathbf v_2(n)y(n)=Cs(n)+v2​(n),两种噪声的协方差为 Q1\mathbf Q_1Q1​、Q2\mathbf Q_2Q2​。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^\hat s^-=f\hat ss^−=fs^
误差方差预测P−=f2P+q1P^-=f^2P+q_1P−=f2P+q1​
卡尔曼增益K=cP−c2P−+q2K=\dfrac{cP^-}{c^2P^-+q_2}K=c2P−+q2​cP−​
状态修正s^=s^−+K(y−cs^−)\hat s=\hat s^-+K(y-c\hat s^-)s^=s^−+K(y−cs^−)
误差方差修正P=(1−Kc)P−P=(1-Kc)P^-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。

我要提问免费报名咨询