信号处理(五):自适应滤波
对应信号处理(五):自适应滤波的基本概念与结构,最速下降法的收敛条件与收敛规律,LMS 算法的收敛与性能、滤波器设计及梯度类算法的改进,梯度法求格型滤波器的反射系数,最小二乘快速横向滤波器与最小二乘格型算法的概念。
本节导读
这一节对应信号处理「(五)自适应滤波」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。
注意第 4 条的分寸:FTF、LSL 只要求概念,但「根据给定的观测序列和滤波器电路建立滤波方程」要会动手。学完要做到:说清自适应滤波器的四种典型结构;会判断最速下降法的收敛与各模式的收敛快慢;会做 LMS 迭代、选步长;说清梯度格型算法的准则;会由观测序列写最小二乘正则方程。
本节记号沿用第 12 节:R、p、w、e(n);步长 μ(不是第 2 节的正态均值);R 的特征值 λk,最大、最小特征值 λmax、λmin(不是第 7 节的泊松强度)。
自适应滤波的基本概念与结构
统计特性未知或随时间变化时,维纳滤波器算不出来;自适应滤波器用「滤波器 + 调整算法」的闭环,根据误差在线修改权系数,逐步逼近最优解,并能跟踪变化。滤波部分常用横向(FIR)结构或格型结构。按用法分四类:
| 用法 | 输入 | 期望响应 | 例子 |
|---|---|---|---|
| 系统辨识 | 加到未知系统的激励 | 未知系统的输出 | 回波路径建模 |
| 逆系统建模 | 信道的输出 | 延迟后的发送信号 | 信道均衡 |
| 预测 | 信号的过去值 | 信号的当前值 | 预测编码 |
| 干扰抵消 | 与干扰相关的参考信号 | 含干扰的主信号 | 话筒环境噪声抵消 |
最速下降法:收敛条件与收敛规律
梯度已知(R、p 已知)时,沿负梯度方向迭代:
w(n+1)=w(n)+μ[p−Rw(n)]把权误差 v(n)=w(n)−wo 变换到 R 的特征矢量坐标下,各分量独立衰减:第 k 个模式每次迭代乘以 (1−μλk)。收敛的充要条件是对所有 k 都有 ∣1−μλk∣<1,即
0<μ<λmax2收敛规律:μλk 越接近 1,该模式收敛越快;1−μλk 为负时,该模式正负交替地收敛。最慢的模式由 λmin 决定,特征值分散度 λmax/λmin 越大,整体收敛越慢。
LMS 算法
LMS 用瞬时值 e(n)x(n) 代替梯度里的统计量,本课采用的更新式是
w(n+1)e(n)=w(n)+μe(n)x(n)=d(n)−wT(n)x(n)有的教材写成 w(n)+2μe(n)x(n),那时下面各条件里的 μ 都要换成 2μ,收敛上界减半。
- 收敛规律:权矢量的均值按最速下降法的规律收敛,条件 0<μ<2/λmax;因 λmax≤tr(R),工程上常用更保守的 0<μ<2/tr(R),而 tr(R) 等于抽头数乘输入功率,便于估计。
- 性能:权值在最优解附近随机抖动,稳态均方误差比 Jmin 多出一部分(超量均方误差),二者之比叫失调,大致与 μ 成正比。μ 大收敛快、失调大;μ 小反之。
- 设计:先定抽头数,再按输入功率估计 tr(R)、定步长上界,在收敛速度与失调之间折中。
- 优缺点与改进:计算量小(每次约 2M 次乘法)、易实现、鲁棒;缺点是收敛慢、对特征值分散和输入功率敏感。改进有归一化 LMS(步长除以 ∥x∥2)、变步长 LMS、变换域 LMS 等。
梯度法求格型滤波器的反射系数
把第 12 节的格型预测误差滤波器做成自适应的:每一级单独调整自己的反射系数 km,准则是使该级输出的前向、后向预测误差功率之和最小,用梯度(随机梯度)法迭代。因为各级的后向误差相互正交,一级一级地去相关,收敛速度对输入特征值分散不像横向 LMS 那样敏感;增加阶数只要在后面加一级。
本节后面还有约 2022 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。