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)
同等学力申硕信息与通信工程学科综合考前辅导第二门 信号处理(选考)第 13 节 / 共 32 节约 30 分钟报名学员看全文

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。

本节考点:自适应滤波基本结构最速下降法LMS算法梯度格型算法最小二乘快速算法

本节导读

这一节对应信号处理「(五)自适应滤波」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。

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\mathbf RR、p\mathbf pp、w\mathbf ww、e(n)e(n)e(n);步长 μ\muμ(不是第 2 节的正态均值);R\mathbf RR 的特征值 λk\lambda_kλk​,最大、最小特征值 λmax⁡\lambda_{\max}λmax​、λmin⁡\lambda_{\min}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\mathbf RR、p\mathbf pp 已知)时,沿负梯度方向迭代:

w(n+1)=w(n)+μ[p−Rw(n)]\mathbf w(n+1)=\mathbf w(n)+\mu[\mathbf p-\mathbf R\mathbf w(n)]w(n+1)=w(n)+μ[p−Rw(n)]

把权误差 v(n)=w(n)−wo\mathbf v(n)=\mathbf w(n)-\mathbf w_{\mathrm o}v(n)=w(n)−wo​ 变换到 R\mathbf RR 的特征矢量坐标下,各分量独立衰减:第 kkk 个模式每次迭代乘以 (1−μλk)(1-\mu\lambda_k)(1−μλk​)。收敛的充要条件是对所有 kkk 都有 ∣1−μλk∣<1\lvert 1-\mu\lambda_k\rvert\lt 1∣1−μλk​∣<1,即

0<μ<2λmax⁡0\lt\mu\lt\frac{2}{\lambda_{\max}}0<μ<λmax​2​

收敛规律:μλk\mu\lambda_kμλk​ 越接近 1,该模式收敛越快;1−μλk1-\mu\lambda_k1−μλk​ 为负时,该模式正负交替地收敛。最慢的模式由 λmin⁡\lambda_{\min}λmin​ 决定,特征值分散度 λmax⁡/λmin⁡\lambda_{\max}/\lambda_{\min}λmax​/λmin​ 越大,整体收敛越慢。

LMS 算法

LMS 用瞬时值 e(n)x(n)e(n)\mathbf x(n)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)=w(n)+μ e(n)x(n)e(n)=d(n)−wT(n)x(n)\begin{aligned} \mathbf w(n+1)&=\mathbf w(n)+\mu\,e(n)\mathbf x(n) \\ e(n)&=d(n)-\mathbf w^{\mathrm T}(n)\mathbf x(n) \end{aligned}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)\mathbf w(n)+2\mu e(n)\mathbf x(n)w(n)+2μe(n)x(n),那时下面各条件里的 μ\muμ 都要换成 2μ2\mu2μ,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⁡0\lt\mu\lt 2/\lambda_{\max}0<μ<2/λmax​;因 λmax⁡≤tr(R)\lambda_{\max}\le\mathrm{tr}(\mathbf R)λmax​≤tr(R),工程上常用更保守的 0<μ<2/tr(R)0\lt\mu\lt 2/\mathrm{tr}(\mathbf R)0<μ<2/tr(R),而 tr(R)\mathrm{tr}(\mathbf R)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⁡J_{\min}Jmin​ 多出一部分(超量均方误差),二者之比叫失调,大致与 μ\muμ 成正比。μ\muμ 大收敛快、失调大;μ\muμ 小反之。
  • 设计:先定抽头数,再按输入功率估计 tr(R)\mathrm{tr}(\mathbf R)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 2M2M2M 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\lVert\mathbf x\rVert^2∥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 kmk_mkm​,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。

我要提问免费报名咨询