当前位置：文档之家› 自适应滤波器的dsp实现。docWord 文档

自适应滤波器的dsp实现。docWord 文档

摘要

滤波是电子信息处理领域的一种最基本而又极其重要的技术。在有用信号的传输过程中，通常会受到噪声或干扰的污染。利用滤波技术可以从复杂的信号中提取所需要的信号，同时抑制噪声或干扰信号，以便更有效地利用原始信号。滤波器实际上是一种选频系统，它对某些频率的信号予以很小的衰减，让该部分信号顺利通过；而对其他不需要的频率信号则予以很大的衰减，尽可能阻止这些信号通过。在电子系统中滤波器是一种基本的单元电路，使用很多，技术也较为复杂，有时滤波器的优劣直接决定产品的性能，所以很多国家非常重视滤波器的理论研究和产品开发。

本文从自适应滤波器的基本原理、算法及设计方法入手，其中自适应滤波器的算法是整个系统设计的核心。本设计采用改进的LMS算法设计FIR结构自适应滤波器，并采用MATLAB进行仿真，最后用DSP实现了自适应滤波器。

关键词：DSP（数字信号处理器）；自适应滤波器；LMS算法；FIR结构滤波器

关键词 (1)

引言 (3)

1 自适应滤波器简介 (4)

2 自适应滤波原理 (4)

3 自适应滤波算法 (6)

4 自适应滤波算法的理论仿真与DSP实现 (9)

4.1MATLAB仿真 (9)

4.2 DSP的理论基础 (10)

4.3 自适应滤波算法的DSP实现 (12)

5 结语 (15)

参考文献 (16)

附录自适应滤波子程序 (17)

引言

近年来，尤其数字滤波技术使用广泛，数字滤波理论的研究及其产品的开发一直受到很多国家的重视。从总的来说滤波可分为经典滤波和现代滤波。经典滤波要求已知信号和噪声的统计特性，如维纳滤波和卡尔曼滤波。现代滤波则不要求己知信号和噪声的统计特性，如自适应滤波。自适应滤波的原理就是利用前一时刻己获得的滤波参数等结果，自动地调节现时刻的滤波参数，从而达到最优化滤波。自适应滤波具有很强的自学习、自跟踪能力，适用于平稳和非平稳随机信号的检测和估计。自适应滤波一般包括3个模块：滤波结构、性能判据和自适应算法。其中，自适应滤波算法一直是人们的研究热点，包括线性自适应算法和非线性自适应算法，非线性自适应算法具有更强的信号处理能力，但计算比较复杂，实际应用最多的仍然是线性自适应滤波算法。线性自适应滤波算法的种类很多，有LMS自适应滤波算法、R路自适应滤波算法、变换域自适应滤波算法、仿射投影算法、共扼梯度算法等[1]。

1 自适应滤波器简介

自适应滤波器属于现代滤波器的范畴，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。所谓自适应滤波，就是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。

2 自适应滤波原理

所谓的自适应滤波，就是利用前一时刻以获得的滤波器参数的结果，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II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。自适应滤波器的特性变化是由自适应算法通过调整滤波器系数来实现的。一般而言，自适应滤波器由两部分组成，一是滤波器结构，二是调整滤波器系数的自适应算法。自适应滤波器的结构采用FIR 或IIR 结构均可，由于IIR 滤波器存在稳定性问题，因此一般采用FIR 滤波器作为自适应滤波器的结构。图1 给出了自适应滤波器的一般结构。

图2-1自适应滤波器的一般结构

图 1 为自适应滤波器结构的一般形式，图中x(n)为输入信号，通过参数可调的数字滤波器后产生输出信号y(n)，将输出信号y(n)与标准信号(或者为期望信号)d(n)进行比较，得到误差信号e(n)。e(n)和x(n)通过自适应算法对滤波器的参数进行调整，调整的目的使得误差信号e(n)最小。

自适应滤波器设计中最常用的是FIR 横向型结构。图2 是横向型滤波器的结构示意图。

图2-2横向型滤波器的结构示意图

其中：x(n)为自适应滤波器的输入；w(n)为自适应滤波器的冲激响应：

w(n)={w(O)，w(1)，…，

w(N-1)}；y(n)为自适应

自适应滤波器的结构可以采用FIR或IIR滤波器存在稳定性问题，因此一般采用FIR滤波器作为自适应滤波器的结构。自适应FIR滤波器结构又可分为3种结构类型：横向型结构（Transversal Structure）、对称横向型结构（Symmetric Transversal Structure）以及格型结构（Lattice Struture）。本文采用自适应滤波器设计中最常用的FIR横向型结构。

3 自适应滤波算法

自适应滤波器除了包括一个按照某种结构设计的滤波器，还有一套自适应的算法。自适应算法是根据某种判断来设计的。自适应滤波器的算法主要是以各种判据条件作为推算基础的。通常有两种判据条件：最小均方误差判据和最小二乘法判据。LMS 算法是以最小均方误差为判据的最典型的算法，也是应用最广泛的一种算法。最小均方误差(Least Mean Square，LMS)算法是一种易于实现、性能稳健、应用广泛的算法。所有的滤波器系数调整算法都是设法使y(n)接近d(n)，所不同的只是对于这种接近的评价标准不同。LMS 算法的目标是通过调整系数，使输出误差序列e(n)=d(n)-y(n)的均方值最小化，并且根据这个判据来修改权系数，该算法因此而得名。误差序列的均方值又叫“均方误差”(Mean Sqluare Error，MSE)。理想信号d(n)与滤波器输出y(n)之差e(n)的期望值最小，并且根据这个判据来修改权系数wi(n)。由此产生的算法称为LMS。均方误差ε表示为：

对于横向结构的滤波器，代入y(n)的表达式：

其中：R=E[X(n)XT(n)]为N×N 的自相关矩阵，它是输入信号采样值间的相关性矩阵。

P=E[d(n)X(n)]为N×1 互相关矢量，代表理想信号d(n)与输入矢量的相关性。在均方误差ε

达到最小时，得到最佳权系数：

它应满足下式：

，，

这是一个线形方程组，如果R 矩阵为满秩的，R-1 存在，可得到权系数的最佳值满足：

W*=R-1p。用完整的矩阵表示为：

显然φx(m)=E[x(n)x(n-m)]为x(n)的自相关值，φxd(R)=E[x(n)d(n 一k)]为x(n)与d(n)互相关值。在有些应用中，把输入信号的采样值分成相同的一段(每段称为一帧)，再求出R，P 的估计值得到每帧的最佳权系数。这种方法称为块对块自适应算法。如语音信号的线性预测编码LPC 就是把语音信号分成帧进行处理的。R，P 的计算，要求出期望值E，在现实运算中不容易实现，为此可通过下式进行估计：

用以上方法获得最佳W*的运算量很大，对于一些在线或实时应用的场合，无法满足其时间要求。大多数场合使用迭代算法，对每次采样值就求出较佳权系数，称为采样值对采样值迭代算法。迭代算法可以避免复杂的R-1 和P 的运算，又能实时求得近似解，因而切实可行。LMS 算法是以最快下降法为原则的迭代算法，即W(n+1)矢量是W(n)矢量按均方误差性能平面的负斜率大小调节相应一个增量：W(n+1)=W(n)-μ▽(n)，这个“是由系统稳定性和迭代运算收敛速度决定的自适应步长。▽(n)为n 次迭代的梯度。对于LMS 算法▽(n)为下式即E[e2(n)]的斜率：

由上式产生了求解最佳权系数W*的两种方法，一种是最陡梯度法。其思路为：设计初始权系数W(0)，用W(n+1)=W(n)一μ▽(n)迭代公式计算，到W(n+1)与W(n)误差小于规定范围。其中▽(n)计算可用估计值表达式：

上式K 取值应足够大。如果用瞬时一2e(n)X(n)来代替上面对-2E[e(n)X(n)]的估计运算，就产生了另一种算法——随机梯度法，即Widrow-Hoft 的LMS 算法。此时迭代公式为：

W(n+1)=W(n)+2ue(n)X(n)

以后讨论的LMS 算法都是基于WidrOW-Hoff 的LMS 算法。上式的迭代公式假定滤波器结构为横向结构。对于对称横向型结构也可推出类似的迭代公式：

W(n+1)=W(n)+2ue(n)[X(n)+X(n 一N+1)]

4 自适应滤波算法的理论仿真与DSP实现

4.1MATLAB仿真

4.1.1MATLAB程序仿真

使用MATLAB编程，采用自适应滤波器技术实现语音去噪过程，程序如下：clear all;

clf;

pi=3.14;

signal=sin(2*pi*0.055*[0:999]'); %产生输入信号

noise=randn(1,1000); %产生随机噪声

nfilt=fir1(11,0.4); %产生11阶低通滤波，截止频率为0.4

fnoise=filter(nfilt,1,noise); %噪声信号进行FIR滤波

d=signal.'+fnoise; %将噪声叠加到信号中

w0=nfilt.'-0.01; % 设置初始化滤波器系数

mu=0.05; % 设置算法的步长

s=initse(w0,mu); %初始化自适应FIR结构滤波

[y,e,s]=adaptse(noise,d,s); %进行自适应滤波

t=1:200;

plot(t,signal(1:200))

figure(2);

plot(t,d(1:200),'.-',t,y(1:200),'-');

4.1.2仿真结果

（1）为了确保噪声的相关性，首先让噪声通过一个11阶的低通FIR滤波器然后将滤波后的噪声加到信号中去；

（2）对程序中所使用的一些函数的详细说明，请参考MATLAB的函数说明，这些函数包括：FIR、INITSE、FILTER、PLOT、ADAPTSE等。图4-1为原始信号的信号图；图4-2为滤波前信号和滤波后信号时域图。比较图4-1和图4-2可以看出，采用自适应滤波后的滤波输出信号和原始信号基本相似，噪声完全滤除。

100120140

160

180

200

-1-0.8-0.6-0.4-0.200.20.40.60.81采样点数

幅值

原始信号

图4-1 原始信号时域图

020406080

100120140160180200

-2.5

-2-1.5-1-0.50

0.511.52滤波前后波形比较图

幅值

采样点数

带干扰的信号滤波输出

图4-2 滤波前信号和滤波后信号时域图

对比图4-2中滤波前和滤波后的信号可以看出，信号中的噪声完全滤除，信号完全恢复，通过Matlab 仿真结果分析，自适应滤波器具有很好的性能。

4.2 DSP 的理论基础

数字信号处理(DSP)是指人们利用计算机或专用处理设备，以数字的形式对

信号进行采集，变换，滤波，估值，增强，压缩，识别等处理，以得到符合人们需要的信号形式。其框图如图4-3所示。

DSP 内部一般都包含多个处理单元,如算术逻辑运算单元,辅助寄存器运算单元,累加器等。另外DSP 芯片也有很多种，这里着重介绍TMS320C5000系列。

目前TMS320C5000系列芯片包括了TMS320C54XX 和TMS320C55XX 两大类。

这两类芯片的软件互相兼容。但是本文选择TMS320C55XX 系列DSP 芯片。

1.结构特点比较

（1） TMS320C54XX 和TMS320C55XX 均为16bit 定点DSP （2） C55XX 有双MAC 单元；C54XX 只有单MAC 单元。

（3） C55XX 的指令长度可变，且没有排队的限制；C54X 的指令长度固定。（4） C55XX 有12组总线；C54XX 只有8组总线。

（5） C55XX 提供了EMIF 外部存储器扩展接口，可以直接使用SDRAM ，而C54XX 则不能直接使用。

2.内部结构对比

（1） C54XX 关注于低功耗，而C55XX 则将低功耗提高到一个新水平：300MHZ 的C55XX 和120MHZ 的C54XX 相比，性能提高了5倍，而功耗则降到1/6。（2） C55XX 总线的宽度为32bit,而C54XX 总线宽度为16 bit 。C55XX 有三组数据读总线和两组数据写总线，而C54XX 有两组数据读总线和一组数据写总线。

（3） C55XX 包含一个40bit 的ALU 。用户可以用ALU 作32bit 的运算。C54XX 包含一个分开40bit 的ALU 。它的ALU 可以做成两个16bit 的配置。

（4） C55XX 可以执行可变长度的指令，这和C54XX 有显著的不同。C54XX

X(t)

X(n)

Y(n)

Y(t)

前置滤波

后置滤波 A/D 转换

D/A 转换

DSP 数字处理器

图4-3 数字信号处理系统的简化框图

的指令长度为固定的16 bit ，而C55XX 的指令长度则为8～48 bit 。

3. 寻址模式对比

C54XX 支持单数据存储器操作数寻址和32 bit 操作数寻址，还使用并行指令支持双数据存储器操作数寻址。它也提供立即数寻址，循环寻址和位倒序寻址。在C54XX 的基础上，C55XX 还支持绝对值寻址，寄存器间接寻址，直接寻址。C55XX 的ADFU 包括专门的寄存器，支持使用间接寻址指令的循环寻址。可以同时使用5个独立的循环缓冲器和3个独立的缓冲器长度。这些循环缓冲器没有地址排队的限制。

4.3 自适应滤波算法的DSP 实现

为了提高LMS 算法的处理速度及减小系统的硬件规模, 在实现滤波器算法时, 采用了TMS320C54xx 作为核心芯片。由于该处理器采用改进型结构,具有高度并行性,同时拥有高度集成的指令系统,简化编程过程,模块化结构程序设计增强了程序的可移植性。利用TMS320C54xx 实现LMS 自适应算法时,存储器中数据的存放形式对DSP 的有效运用有着特殊的意义,合理的存放形式,可以使算法实现起来更加快速和高效,为了实现算法中输入样值x(n) 和滤波器系数W(n) 的对应项相乘,他们在存储器中的存放形式如图4-4 所示。

W(1)

W(0)

x(n)

x(n-1)x(n-N+2)x(n-N+1)W(n-1)

W(n-2)

低地址

高地址

图4-4 TMS320C54xx 自适应滤波器存储器组织形式

根据算法和DSP 汇编语言程序（见附录）, 在CCS 环境下编译,连接生成公共目标代码文件,在线下载到DSP 中运行。为了能观察到相应的波形, 在CCS 环境

下选择View\ Grap h\ Time\ Freqency 进入图形观察窗口,在“Graph Property Dialog”窗口中选定相应类型的值。

将编译产生的可执行文件下载到DSP芯片中，经过运行得到图4-5为输入信号的时域图，由图可以看到，正弦信号中叠加了噪声，导致正弦信号出现了较大的畸变。通过对输入信号进行FFT变换，可以得到其频谱图如图4-6，由图4-6可以看出，低频的信号中叠加了比较多的高频噪声，要得到比较好的原始低频正弦信号，必须要进行滤波。

图4-5 输入波形

图4-6 输入波形FFT

如图4-7所示，可以看出输入波形中的高频噪声基本上得到了滤除，为了更方便，更直接的看出滤波效果，对滤波后的波形进行了FFT变换，得出信号的频

谱图如图4-8所示。图4-8的输出信号的频谱图中仅剩余了低频信号，滤除了高频成分。通过对比图4-6和图4-8，更清楚地看到高频区的噪声基本上被消除了。但是由于参数设置不够精确等原因造成高频噪声得不到完全消除，但也很明显的显现了低通滤波的目的。

图4-7输出波形

图4-8 滤波后波形FFT

5 结语

通过仿真实验结果表明：自适应滤波器却能很好地消除叠加在信号上的噪声，虽然也可以用固定滤波器来实现，但设计固定滤波器时需要预先知道信号和噪声的统计特性，而自适应滤波器则不需要，并且当信号和噪声的统计特性发生变化时，自适应滤波器也能自动地调节其冲激响应特性来适应新的情况，因此，自适应滤波器具有更加广阔的应用前景。

本课程设计的重点是自适应FIR滤波器的设计和DSP的实现。对线性自适应滤波器的算法作了大量调查和研究，详细比较了FIR结构滤波器和IIR结构滤波器，并结合硬件设计考虑，最终采用FIR横向结构滤波器。

自适应滤波技术的核心问题是自适应算法的性能问题，研究自适应算法是自适应滤波器的一个关键内容，算法的特性直接影响滤波器的效果。介绍了两种基本的自适应算法:最小均方(LMS)算法及递归最小二乘(RLS)算法，并就这两种基本算法的特点进行了比较，运用MATLAB对采用了LMS自适应算法的自适应滤波器进行了仿真，通过分析仿真结果，验证了算法的可行性。同时，在DSP 上实现了对含噪信号的频率跟踪。在实际中，自适应滤波器的应用比较复杂，包括维纳滤波和卡尔曼滤波都是基于改变参数的滤波方法，修改参数的原则一般采用均方最小原则，修改参数的目的就是使得误差信号尽量接近于0。传统的滤波方法总是设计较精确的参数，尽量精确地对信号进行处理，传统滤波方法适用于稳定的信号，而自适应滤波器可以根据信号随时修改滤波参数，达到动态跟踪的效果。通过本课程设计加深了对DSP原理的理解，初步掌握了DSP 芯片的开发应用，为接下来的深入学习打下了坚实的基础。但是同时还有很多的问题还有待于进一步深入研究，我将在今后的学习工作中，要加强学习，不断进取。

最后要感谢罗老师对我本次课程设计的悉心指导，以及同学们的热情帮助！

参考文献

[1] 胡广书．数字信号处理－理论、算法与实现[M]．清华大学，2004．

[2] 王世一．数字信号处理[M]．第2版．北京理工大学出版社，2005．

[3] 彭启琼，李玉柏．DSP技术[M]．第4版．电子科技大学，2002．

[4] 程卫国，冯峰，姚东，徐昕．MATLAB启用指南[M]．人民邮电出版社，2005．

[5] 邓重一．滤波器的过去、现在与未来[J]．中国电子报社，2003，17(4)：513～523．

[6] Simon Haykin．Adaptive Filter Theory[M]．Publishing House of Electronics Industry．

[7] 张雄伟，陈亮．DSP集成开发与应用实例[M]．北京：电子工业出版社．

[8] Uwe Meyer—Baese．Digital Signal Processing with Field Programmable Gate Arrays[M]．清华大学出版社，2005．

[9] 邓红军．备用电源自动投入逻辑及其实现[J]．电气时代．2004，（7）：130-132．

[10] 许育敏．备自投装置的设计探讨[C]．浙江电力．2000，12 (5)：57-58．

[11] 郑人杰（等）．软件工程概论[M]．北京：清华大学出版社．1998．

[12] 张雄伟（等）．DSP芯片的原理与开发应用[M]．第四版．北京：电子工业出版社．2008．[12] 高西全（等）．数字信号处理[M]．第三版．西安电子科技大学出版社．2008．

附录自适应滤波子程序

DA TA_SIZE .set 256 ;

FILTER .set 10 ;

STACK_SIZE .set 256 ;

STACK .usect “stack”,STACK_SIZE

SYSTEM_STACK .set STACK_SIZE+STACK

DA TA_DP .usect “filter_vars”,0

filter .usect “filter_vars”,FILTER*2

outputdata .usect “filter_vars”,DA TA_SIZE

errrordata .usect “filter_vars”,DA TA_SIZE

.def start

.data

.global inputdata

Inputdata

.word 10408,16451,10820,12227,18146,13106,11485

.word 15737,9840,3644,8171,4118,-4355,-624

.word -2443,-11575,-10290,-8288,-16156,-16663,-10543

.word -15433,-17113,-8010,-11188,-11286,-3102,-2176

.word -3726,4075,8836,3665,10937,16347,11278

.word 13449,19214,13116,11330,16515,10916,4581

.word 7920,4852,-3773,-1259,-2437,-12459,-10499

.word -8657,-16091,-15654,-11133,-15864,-17015,-8342

.word -10862,-11228,-2376,-1394,-3423,4160,7802

.word 5087,10683,16178,11318,12040,18459,13601

.word 10019,16146,10320,4708,9071,3873,-4214

.word -704,-3586,-11606,-9998,-8837,-17008,-16095

.word -10402,-15357,-16675,-8536,-11140,-11943,-2908

.word -1887,-4719,5099,7887,5169,10683,16744

.word -10076,-8626,-17231,-15279,-10646,-16684,-17179

.word -7936,-10141,-11216,-2285,-903,-3720,5052

.word 7833,3880,10946,16387,10515,12519,18743

.word 12257,10662,16038,10388,3906,9196,4417

.word -4219,-912,-2419,-11865,-11209,-9233,-16353

.word -15469,-10824,-15744,-17280,-9320,-10469,-11427 .word -2313,-875,-4650,4739,8016,4821,9834

.word 15507,10613,12142,18944,12333,11383,15673

.word 10308,4892,8156,4732,-4849,-955,-2853

.word -11303,-11279,-9263,-16185,-15864,-9999,-16150 .word -16554,-8656,-10620,-12215,-2220,-836,-3474

.word 4939,9086,4804,10259,15884,10219,12041

.word 18582,13394,10321,15635,10087,4313,8034

.word 5145,-4469,-908,-2155,-12436,-11063,-8792

.word -16193,-16849,-10633,-15990,-16297,-8395,-10178 .word -11597,-2151,-600,-3487,3862,9267,5004

.word 9600,15632,10160,13017,18309,13654,9879

.word 15890,9795,4551,8900,4029,-4107,-1672

.word -3324,-11575,-9976,-8166,-17320,-15900,-10976 .word -15948,-15898,-8530,-10618,-11542,-2163,-1343 .word -4333,5094,8127,4794

.global referdata

Referdata

.word 10408,16451,10820,12227,18146,13106

.word 15737,9840,3644,4118,-4355,-624

.word -2443,-11575,-10290,-8288,-16156,-16663,-10543

.word -15433,-17113,-8010,-11188,-11286,-3102,-2176

.word -3726,4075,8836,3665,10937,16347,11278

.word 13449,19214,13116,11330,16515,10916,4581

.word 7920,4852,-3773,-1259,-2437,-12459,-10499

.word -8657,-16091,-15654,-11133,-15864,-17015,-8342

.word -10862,-11228,-2376,-1394,-3423,4160,7802

.word 5087,10683,16178,11318,12040,18459,13601

.word 10019,16146,10320,4708,9071,3873,-4214

.word -704,-3586,-11606,-9998,-8837,-17008,-16095

.word -10402,-15357,-16675,-8536,-11140,-11943,-2908 .word -1887,-4719,5099,7887,5169,10683,16744

.word 11122,12021,18500,12911,10354,16272,10118

.word 5139,8244,3601,-3640,-574,-3111,-12231

.word -10076,-8626,-17231,-15279,-10646,-16684,-17179 .word -7936,-10141,-11216,-2285,-903,-3720,5052

.word 78333,3880,10946,16387,10515,12519,18743

.word 12257,10662,16038,10388,3906,9196,4417

.word -4219,-912,-2419,-11865,-11209,-9233,-16353

.word -15469,-10824,-15744,-17280,-9320,-10469,-11427 .word -2313,-875,-4650,4739,8016,4821,9834

.word 15507,10613,12142,18944,123333,11383,15673

.word 10308,4892,8156,4732,-4849,-955,-2853

.word -11303,-11279,-9263,-16185,-15864,-9999,-16150 .word -16554,-8656,-10620,-12215,-2220,-836,-3474

.word 4939,9086,4804,10259,15884,10219,12041

.word 18582,13394,10321,15635,10087,4313,8034

.word 5145,-4469,-908,-2155,-12436,-11063,-8792

.word -16193,-16849,-10633,-15990,-16297,-8395,-10178 .word -11597,-2151,-600,-3487,3862,9267,5004

.word 9600,15632,10160,13017,18309,13654,9879

.word 15890,9795,4551,8900,4029,-4107,-1672

.word -3324,-11575,-9976,-8166,-17320,-15900,-10976 .word -15948,-15898,-8530,-10618,-11542,-2163,-1343 .word -4333,5094,8127,4794

.text

.asg AR2,INPUTDA TA

.asg AR3,FILTER

.asg AR4,OUTPUTDATA

.asg AR5,ERRORDA TA

.asg AR6,REFERDA TA

Start: SSBX FRCT

SSBX INTM

LD #DA TA_DP,DP

STM #80,AR3

RPT #10

MVPD inputdata,*AR3+

STM #STACK,SP

CALL lmsfilter_start

NOP

LOOP: B LOOP

.def delta

.def lmsfilter_start

Delta .set -08F5H

One .set 0001h

.text

Lmsfilter_start:

STM #inputdata,INPUTDATA

STM #filter,FILTTER

STM #outputdata+9,OUTPUTDATA

STM #errordata+9,ERRORDATA

STM #referdata+9,REFERDA TA

STM #filter+15,AR1

STM #DA TA_SIZE-10-1,BRC

RPTB lmsfilter_end

基于DSP 的FIR滤波器的设计

基于TMS320VC5416 的FIR 数字滤波器设计与实现论文摘要：在现代电子系统中，数字滤波器在语音处理、图像处理、模式识别以及各种随机信号分析中有着广泛的应用，且其波形传递系统中都越来越多的要求信道具有线性的相位特性，在这方面FIR滤波器具有独到的优点，它可以在幅度特性随意设计的同时保证精确严格的线性相位。本文以窗函数法设计线性相位FIR数字滤波器为例，研究有限冲击响应（FIR）滤波器的基本原理，介绍用MATLAB工具软件设计数字滤波器的方法和如何在定点TMS320VC5416 DSP芯片上设计实现连续数字滤波器。关键词：FIR滤波器，TMS320V5416 一. 课题的目的以及意义随着集成电路技术的发展，各种新型的大规模和超大规模集成电路不断涌现集成电路技术与计算机技术结合在一起，使得对数字信号处理系统功能的要求越来越强。 DSP 技术就是基于VLSI技术和计算机技术发展起来的一门重要技术，DSP 技术已在通信、控制信号处理、仪器仪表、医疗、家电等很多领域得到了越来越广泛的应用.在数字信号处理中数字滤波占有极其重要的地位。数字滤波在语音信号、图象处理模式识别和谱分析等领域中的一个基本的处理技术。数字滤波与模拟滤波相比数字滤波具有很多突出的优点，主要是因为数字滤波器是过滤时间离散信号的数字系统，它可以用软件（计算机程序）或用硬件来实现，而且在两种情况下都可以用来过滤实时信号或

非实时信号。尽管数字滤波器这个名称一直到六十年代中期才出现，但是随着科学技术的发展及计算机的更新普及，数字滤波器有着很好的发展前景。同时它也有完全取代模拟滤波器的时候，原因是数字滤波没有漂移，它能处理低频信号，数字滤波的频率响应特征可做成极接近于理想的特性，它可以做成没有插入损耗和有线性相位特性，可相当简单地获得自适应滤波，滤波器的设计者可以控制数字字长，因而可以精确地控制滤波器的精度，其中的道理是数字滤波随着滤波器参数的改变，很容易改变滤波器的性能。这一特点就能允许我们用一种程序滤波器来完成多重滤波任务。滤波器对幅度和相位特性的严格要求，可以避免模拟滤波器所无法克服的电压漂移、温度漂移和噪声等问题。用可编程DSP芯片实现数字滤波可通过修改滤波器的参数十分方便地改变滤波器的特性，因此我们有必要对滤波器的设计方法进行研究，理解其工作原理优化设计方法，设计开发稳定性好的滤波器系统。我们将通过DSP设计平台来实现较为重要的“FIR和自适应滤波器系统”并实现了它们的应用系统以TMS320VC5416芯片为核心的硬件电路，实现能独立完成滤波功能的系统从而通过本课题的研究。掌握滤波器的设计技术和原理能为在通信领域、信号处理领域等诸多领域中对数字滤波器的设计提供技术和准备。本科题的研究将为今后设计以DSP为核心部件的嵌入式系统集成提供技术准备，这不仅具有重要的理论意义同时还具有重要的现实意义。二、FIR滤波器的DSP实现的技术指标及性能

自适应滤波器介绍及原理

关于自适应滤波的问题：自适应滤波器有4种基本应用类型： 1) 系统辨识：这时参考信号就是未知系统的输出，当误差最小时，此时自适应滤波器就与未知系统具有相近的特性，自适应滤波器用来提供一个在某种意义上能够最好拟合未知装置的线性模型 2) 逆模型：在这类应用中，自适应滤波器的作用是提供一个逆模型，该模型可在某种意义上最好拟合未知噪声装置。理想地，在线性系统的情况下，该逆模型具有等于未知装置转移函数倒数的转移函数，使得二者的组合构成一个理想的传输媒介。该系统输入的延迟构成自适应滤波器的期望响应。在某些应用中，该系统输入不加延迟地用做期望响应。 3) 预测：在这类应用中，自适应滤波器的作用是对随机信号的当前值提供某种意义上的一个最好预测。于是，信号的当前值用作自适应滤波器的期望响应。信号的过去值加到滤波器的输入端。取决于感兴趣的应用，自适应滤波器的输出或估计误差均可作为系统的输出。在第一种情况下，系统作为一个预测器；而在后一种情况下，系统作为预测误差滤波器。 4) 干扰消除：在一类应用中，自适应滤波器以某种意义上的最优化方式消除包含在基本信号中的未知干扰。基本信号用作自适应滤波器的期望响应，参考信号用作滤波器的输入。参考信号来自定位的某一传感器或一组传感器，并以承载新息的信号是微弱的或基本不可预测的方式，供给基本信号上。这也就是说，得到期望输出往往不是引入自适应滤波器的目的，引入它的目的是得到未知系统模型、得到未知信道的传递函数的倒数、得到未来信号或误差和得到消除干扰的原信号。 1 关于SANC （自适应消噪）技术的问题自适应噪声消除是利用winer 自适应滤波器，以输入信号的时延信号作为参考信号来进行滤波的，其自适应消噪的原理说明如下：信号()x n 可分解为确定性信号分量()D x n 和随机信号分量()R x n ，即： ()()()D R x n x n x n =+ (1.1) 对于旋转机械而言，确定性信号分量()D x n 通常可表示为周期或准周期信号分量()P x n ，即： ()()()P R x n x n x n =+ 1.2 对信号()x n 两个分量()P x n 和()R x n ，有两个基本假设： (1) ()P x n 和()R x n 互不相关； (2) ()P x n 和()R x n 的自相关函数具有下述特性：()0P P x x R m ≈， N m M ≥；()0R R x x R m ≈，B m M ≥；

自适应滤波器毕业设计论文

大学数字信号处理课程要求论文基于LMS的自适应滤波器设计及应用学院名称：专业班级：学生姓名：学号： 2013年6月

摘要自适应滤波在统计信号处理领域占有重要地位，自适应滤波算法直接决定着滤波器性能的优劣。目前针对它的研究是自适应信号处理领域中最为活跃的研究课题之一。收敛速度快、计算复杂性低、稳健的自适应滤波算法是研究人员不断努力追求的目标。自适应滤波器是能够根据输入信号自动调整性能进行数字信号处理的数字滤波器。作为对比，非自适应滤波器有静态的滤波器系数，这些静态系数一起组成传递函数。研究自适应滤波器可以去除输出信号中噪声和无用信息，得到失真较小或者完全不失真的输出信号。本文介绍了自适应滤波器的理论基础，重点讲述了自适应滤波器的实现结构，然后重点介绍了一种自适应滤波算法最小均方误差（LMS）算法，并对LMS算法性能进行了详细的分析。最后本文对基于LMS算法自适应滤波器进行MATLAB仿真应用，实验表明：在自适应信号处理中，自适应滤波信号占有很重要的地位，自适应滤波器应用领域广泛；另外LMS算法有优也有缺点，LMS算法因其鲁棒性强特点而应用于自回归预测器。关键词：自适应滤波器，LMS算法，Matlab,仿真

1.引言滤波技术在当今信息处理领域中有着极其重要的应用。滤波是从连续的或离散的输入数据中除去噪音和干扰以提取有用信息的过程，相应的装置就称为滤波器。滤波器实际上是一种选频系统，他对某些频率的信号予以很小的衰减，使该部分信号顺利通过；而对其他不需要的频率信号予以很大的衰减，尽可能阻止这些信号通过。滤波器研究的一个目的就是:如何设计和制造最佳的(或最优的)滤波器。Wiener于20世纪40年代提出了最佳滤波器的概念，即假定线性滤波器的输入为有用信号和噪音之和，两者均为广义平稳过程且己知他们的二阶统计过程，则根据最小均方误差准则(滤波器的输出信号与期望信号之差的均方值最小)求出最佳线性滤波器的参数，称之为Wiener滤波器。同时还发现，在一定条件下，这些最佳滤波器与Wiener滤波器是等价的。然而，由于输入过程取决于外界的信号、干扰环境，这种环境的统计特性常常是未知的、变化的，因而不能满足上述两个要求，设计不出最佳滤波器。这就促使人们开始研究自适应滤波器。自适应滤波器由可编程滤波器(滤波部分)和自适应算法两部分组成。可编程滤波器是参数可变的滤波器，自适应算法对其参数进行控制以实现最佳工作。自适应滤波器的参数随着输入信号的变化而变化，因而是非线性和时变的。 2. 自适应滤波器的基础理论所谓自适应滤波，就是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。所谓“最优”是以一定的准则来衡量的，最常用的两种准则是最小均方误差准则和最小二乘准则。最小均方误差准则是使误差的均方值最小，它包含了输入数据的统计特性，准则将在下面章节中讨论；最小二乘准则是使误差的平方和最小。自适应滤波器由数字结构、自适应处理器和自适应算法三部分组成。数字结构是指自适应滤波器中各组成部分之间的联系。自适应处理器是前面介绍的数字滤波器（FIR或IIR），所不同的是，这里的数字滤波器是参数可变的。自适应算法则用来控制数字滤波器参数的变化。自适应滤波器可以从不同的角度进行分类，按其自适应算法可以分为LMS自适应滤波

dsp滤波要点

数字信号处理综合设计性实验报告学院：电子信息工程学院班级：自动化0706班电子0701班指导教师：高海林学生：张越07213056 陈冠宇07214004 北京交通大学电工电子教学基地 2010年1月20日

利用DSP实现信号滤波一：实验目的实现离散信号滤波是DSP的基本功能，本实验中我们尝试实现分别了设计FIR 和IIR滤波器实现低通，高通，带通，带阻四种滤波器对正弦离散信号进行滤波。（1）学会编写滤波程序和输入信号程序。（2）熟悉CCS集成开发环境，熟悉DSK板的使用。（3）通过实验比较FIR和IIR在设计上和滤波效果上的区别。二：FIR滤波器的设计例：设计一个采样频率Fs为8000Hz，输入信号频率为1000HZ、2500HZ与4000HZ 的合成信号，通过设计FIR滤波器分别实现低通，高通，带通，带阻的滤波功能。一：实验原理一个线性位移不变系统的输出序列y(n)和输入序列x(n)之间的关系，应满足常系数线性差分方程： x(n): 输入序列，y(n): 输出序列，ai、bi : 滤波器系数，N: 滤波器的阶数。在式上式中，若所有的ai 均为0，则得FIR 滤波器的差分方程：对上式进行z 变换，可得FIR 滤波器的传递函数： FIR 滤波器的结构

FIR 滤波器的单位冲激响应h(n)为有限长序列。若h(n)为实数，且满足偶对称或奇对称的条件，则FIR 滤波器具有线性相位特性。在数字滤波器中，FIR 滤波器具有如下几个主要特点： ① FIR 滤波器无反馈回路，是一种无条件稳定系统； ② FIR 滤波器可以设计成具有线性相位特性。本实验程序设计的就是一种偶对称的线性相位滤波器。程序算法实现采用循环缓冲区法。二：算法原理： ①在数据存储器中开辟一个N个单元的缓冲区(滑窗)，用来存放最新的N个输入样本； ②从最新样本开始取数； ③读完最老样本后，输入最新样本来代替最老样本，而其他数据位置不变； ④用BK 寄存器对缓冲区进行间接寻址，使缓冲区地址首尾相邻。三：实验程序设计步骤 1.FIR滤波器设计利用MATLAB中的FDA工具导出正确的参数。 2.产生滤波器输入信号文件以下是一个产生输入信号的C语言程序，信号是频率为1000Hz、2500Hz和4000Hz 的正弦波合成的波形： #include #include

自适应滤波器的应用

中国地质大学（北京）自适应滤波器的应用小论文课程名称：地球物理信息处理基础老师：景建恩学生：李东学号：2110120011 学院：地信学院日期：2012年11月22日

自适应滤波器的应用摘要:自适应滤波器可以在没有任何关于信号和噪声的先验知识的条件下，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。自适应滤波器可用于干扰对消，在地球物理领域也得到了广泛的应用。一、自适应滤波器简介滤波器的分类方法很多，总的来说可分为经典滤波器和现代滤波器两大类。经典滤波器是假定输入信号() x k中的有用成分和希望去掉的成分各占有不同的频带，即关于信号和噪声应具有一定的先验知识，这样当原始信号通过一个线性系统时有效地除去无用的成分。如果有用信号和噪声的频谱相互重叠，那么经典滤波器就无能为力了。现代滤波器是在没有任何关于信号和噪声的先验知识的条件下，从含有噪声的测量数据或时间序列() x k中估计出信号的某些特征或信号本身。一旦信号被估计出，那么被估计出的信号将比原信号具有更高的信噪比。现代滤波器把信号和噪声都视为随机信号，利用它们的统计特征（如自相关函数、功率谱等）导出一套最佳的估计算法，然后用硬件或用软件予以实现。根据所处理的信号不同，滤波器还通常分为模拟滤波器和数字滤波器。现代滤波器大多是数字滤波器。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。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。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。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，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。二、自适应滤波算法原理当输入信号和噪声的统计特性未知或输入过程的统计特性发生变化时，自适应滤波能自动调整自身参数以满足某种最佳准则要求> 根据不同的准则，产生不同的自适应算法，但主要有两种基本的算法：最小均方误差（LMS）算法和递推最小二乘（RLS）算法。最小均方误差算法，因其具有计算量小、易于实现等优点而在实践中被广泛采用。最小均方误差算法的基本思想是：调整滤波器自身参数，使滤波器的输出信号与期望输出信号之间的均方误差

自适应滤波器的原理与设计

实验二自适应滤波信号一、实验目的： 1．利用自适应LMS 算法实现FIR 最佳维纳滤波器。 2．观察影响自适应LMS算法收敛性，收敛速度以及失调量的各种因素，领会自适应信号处理方法的优缺点。 3．通过实现AR 模型参数的自适应估计，了解自适应信号处理方法的应用。二、实验原理及方法自适应滤波是一种自适应最小均方误差算法（LMS ），这种算法不像维纳滤波器需要事先知道输入和输出信号的自相关和互相关矩阵，它所得到的观察值 ,滤波器等价于自动“学习”所需要的相关函数，从而调整FIR 滤波器的权系数，并最终使之收敛于最佳值，即维纳解。 )(n y 下面是自适应FIR 维纳滤波器的LMS 算法公式：（2-1） )()()(0 ^ ^ m n y n h n x M m m -=∑= （2-2） ^ )()()(n x n x n e -=M m m n y n e n h n h m m ?=-?+=+,1) ()(2)()1(^ ^ μ （2-3）其中FIR 滤波器共有M+1个权系数，表示FIR 滤波器第m 个权系数在第n 步的估计值。 ),0)((^ M m n h m ?=因此，给定初始值)M ,0(),0(?=m h m ，每得到一个样本，可以递归得到一组新的滤波器权系数，只要步长)(n y μ满足 max 1 0λμ< < （2-4）其中max λ为矩阵R 的最大特征值，当∞→n 时，)M ,0(),0(?=m h m 收敛于维纳解。

现在我们首先考察只有一个权系数h 的滤波器，如图2.1所示。假如信号由下式确定： )(n y )()()(y n w n s n += （2-5） )()(n hx n s = （2-6）其中h 为标量常数，与互不相关，我们希望利用和得到 )(n x )(n w )(n y )(n x )(n s 图1 利用公式（2-1），（2-2），（2-3），我们可以得到下面的自适应估计算法：（2-7） )()()(^ ^n x n h n s = （2-8） )())()()((2)()1(^ ^ ^ n x n x n h n y n h n h -+=+μ其框图如图所示。图2 选择的初始值为，对式2-8取数学期望可得 ^)(n h ^ )0(h （2-9） ))0(()21(])([^ ^ h h R h n h E n --+=μ其中

自适应滤波器理论

摘要自适应滤波器理论是现代信号处理技术的重要组成部分，他对复杂信号的处理具有独特的功能。自适应滤波器在信号处理中属于随机信号处理的范畴。自适应滤波算法作为自适应滤波器的重要组成部分，直接决定着滤波性能的优劣。目前针对它的研究是自适应信号处理领域中最为活跃的研究课题之一。本文在论述自适应滤波基本原理的基础上，首先介绍了目前主要的自适应滤波算法及其应用，其中对LMS 算法和RLS 算法进行了较深入的理论分析和研究。接着对一些典型的变步长LMS 算法和RLS 算法的性能特点进行分析比较，给出了算法性能的综合评价。最后本文提出了几种改进的变步长LMS 算法和RLS 算法。关键词：自适应滤波，LMS算法，RLS算法

ABSTRACT The theory of self-adapting filter is an important part of modern signal processing technology, which has unique function to complex signal processing. Self-adapting filter belongs to the category of random signal processing. Adaptive filtering algorithm, which decides directly the performance of filtering; is seemed as the important part of the adaptive fiter. Presently the research on it is one of the most active tasks. Based on the basic adaptive filtering principle, firstly, this paper introduces the present main adaptive filtering algorithms and their applications. Especially the LMS algorithm and RMS algorithm are deeply analyzed. Secondly, this paper introduces several typical variable step size LMS and RMS algorithms, and compares and evaluates their performance. Finally, the paper presents several kinds of modified variable step size LMS and RMS algorithms. KEY WORDS: self-adapting filter, LMS algorithm, RMS algorithm

数字滤波器的MATLAB设计与DSP上的实现

数字滤波器的MAT LAB设计与 DSP上的实现数字滤波器的MATLAB 设计与DSP上的实现公文易文秘资源网佚名2007-11-15 11:56:42我要投稿添加到百度搜藏摘要：以窗函数法设计线性相位FIR数字滤波器为例，介绍用MATLAB工具软件设计数字滤波器的方法和在定点DSP上的实现。实现时，先在CCS5000仿真开发，然后将程序加载到TMS320VC5409评估板上实时运行，结果实现了目标要求。文中还讨论了定标、误差、循环寻址等在DSP上实现的关键问题。关键词摘要：以窗函数法设计线性相位 FIR数字滤波器为例，介绍用 MATLAB工具软件设计数字滤波器的方法和在定点DSP上的实现。实现时，先在 CCS5000仿真开发，然后将程序加载到 TMS320VC5 409评估板上实时运行，结果实现了目标要求。文中还讨论了定标、误差、循环寻址等在DSP上实现的关键问题。关键词：数字滤波器MATLAB DSP 引言随着信息时代和数字世界的到来，数字信号处理已成为今一门极其重要的学科和技术领域。数字信号处理在通信、语音、图像、自动控制、雷达、军事、航空航天、医疗和家用电器等众多领域得到了广泛的应

用。在数字信号处理应用中，数字滤波器十分重要并已获得广泛应用。 1数字滤波器的设计 1.1数字滤波器设计的基本步骤数字滤波器根据其冲激响应函数的时域特性，可分为两种，即无限长冲激响应（IIR ）滤波器和有限长冲激响应（FIR ）滤波器。IIR滤波器的特征是，具有无限持续时间冲激响应。种滤波器一般需要用递归模型来实现，因而有时也称之为递归滤波器。FIR滤波器的冲激响应只能延续一定时间，在工程实际中可以采用递归的方式实现，也可以采用非递归的方式实现。数字滤波器的设计方法有多种，如双线性变换法、窗函数设计法、插值逼近法和Chebyshev逼近法等等。随着 MATLAB软件尤其是MATLAB的信号处理工作箱的不断完善，不仅数字滤波器的计算机辅助设计有了可能，而且还可以使设计达到最优化。数字滤波器设计的基本步骤如下： (1确定指标在设计一个滤波器之前，必须首先根据工程实际的需要确定滤波器的技术指标。在很多实际应用中，数字滤波器常常被用来实现选频操作。因此，指标的形式一般在频域中给岀幅度和相位响应。幅度指标主要以两种方式给岀。第一种是绝对指标。它提供对幅度响应函数的要求，一般应用于FI R滤波器的设计。第二种指标是相对指标。它以分贝值的形式给岀要求。在工程实际中，这种指标最受欢迎。对于相位响应指标形式，通常希望系统在通频带中人有线性相位。运用线性相位响应指标进行滤波器设计具有如下优点：①只包含实数算法，不涉及复数运算；②不存在延迟失真，只有固定数量的延迟；③长度为N的滤波器(阶数为N-1)，计算量为N/2数量级。因此，本文中滤波器的设计就以线性相位FIR滤波器的设计为例。 (2)逼近

自适应滤波器的dsp实现

学号: 课程设计学院专业年级姓名论文题目指导教师职称成绩 2013年 1 月 10 日

目录摘要 (1) 关键词 (1) Abstract (1) Key words (1) 引言 (1) 1 自适应滤波器原理 (2) 2 自适应滤波器算法 (3) 3 自适应滤波算法的理论仿真与DSP实现 (5) 3.1 MATLAB仿真 (5) 3.2 DSP的理论基础 (7) 3.3 自适应滤波算法的DSP实现 (9) 4 结论 ............................................... 错误！未定义书签。致谢 ................................................. 错误！未定义书签。参考文献 ............................................. 错误！未定义书签。

自适应滤波器算法的DSP实现学生姓名：学号：学院：专业：指导教师：职称：摘要：本文从自适应滤波器的基本原理、算法及设计方法入手。本设计最终采用改进的LMS算法设计FIR结构自适应滤波器，并采用MATLAB进行仿真，最后用DSP 实现了自适应滤波器。关键词：DSP（数字信号处理器）；自适应滤波器；LMS算法；FIR结构滤波器 DSP implementation of the adaptive filter algorithm Abstract：In this article, starting from the basic principles of adaptive filter and algorithms and design methods. Eventually the design use improved the LMS algorithm for FIR adaptive filter,and use MATLAB simulation, adaptive filter using DSP. Key words：DSP；adaptive filter algorithm；LMS algorithm；FIR structure adaptive filter 引言滤波是电子信息处理领域的一种最基本而又极其重要的技术。在有用信号的传输过程中，通常会受到噪声或干扰的污染。利用滤波技术可以从复杂的信号中提取所需要的信号，同时抑制噪声或干扰信号，以便更有效地利用原始信号。滤波器实际上是一种选频系统，它对某些频率的信号予以很小的衰减，让该部分信号顺利通过；而对其他不需要的频率信号则予以很大的衰减，尽可能阻止这些信号通过。在电子系统中滤波器是一种基本的单元电路，使用很多，技术也较为复杂，有时滤波器的优劣直接决定产品的性能，所以很多国家非常重视滤波器的理论研究和产品开发[1]。近年来，尤其数字滤波技术使用广泛，数字滤波理论的研究及其产品的开发一直受到很多国家的重视。从总的来说滤波可分为经典滤波和现代滤波。经典滤波要求已知信号和噪声的统计特性，如维纳滤波和卡尔曼滤波。现代滤波则不要求己知信号和噪声的统计特性，如自适应滤波。自适应滤波器是统计信号处理的一个重要组成部分。在实际应用中，由于没有充足的信息来设计固定系数的数字滤波器，或者设计规则会在滤波器正常运行时改变，因此我们需要研究自适应滤波器。凡是需要处理未知统计环境下运算结果所产生的信

DSP的FIR设计(低通滤波)C语言编写

一、设计目的低通滤波器设计。本设计中使用的信号为信息信号： signal=sin(2*pi*sl*n*T) 高频噪声1：noise1=0.7*sin(2*pi*ns1*n*T) 高频噪声2：noise2=0.4*sin(2*pi*ns2*n*T) 混合信号： x=(signal+noise1+noise2) 其中sl=500Hz ，ns1=3000Hz ，ns2=8000Hz ，T=1/20000。混合信号波形为滤波器输入信号波形，信息信号波形为输出信号波形，滤波器的效果为滤除两个高频噪声。二、FIR 滤波器基本理论（1）FIR 滤波器的特点数字滤波器的功能，就是把输入序列通过一定的运算变换成输出序列。它的实现方法有很多，其中比较常用到的是无限长脉冲响应滤波器 IIR 和有限长脉冲响应滤波器FIR 两种。在计算量相等的情况下，IIR 数字滤波器比FIR 滤波器的幅频特性优越，频率选择性也好。但是，它有着致命的缺点，其相位特性不好控制。它的相位特性 )argH( )f(ω ωj e =是使频率产生严重的非线性的原因。但是在图像处理、数据传输等波形传递系统中都越来越多的要求信道具有线性的相位特性。在这方面 FIR 滤波器具有它独特的优点，设FIR 滤波器单位脉冲响应h(n)长度为N ，其系统函数H(z)为 ∑-=-= 1 )()(N n n z n h z H H(z)是1 -z 的(N-1)次多项式，它在z 平面上有(N-1)个零点，原点z=0是(N-1)阶重极点。因此，H(z)永远稳定，它可以在幅度特性随意设计的同时，保证精确、严格的线性相位。（2）FIR 滤波器的基本结构数字滤波是将输入的信号序列，按规定的算法进行处理，从而得到所期望的输出序列，FIR 滤波器的差分方程为： ∑-=-= 1 )()(N k k k n x a n y 对上式进行Z 变换得到FIR 滤波器的传递函数为： ()() () ∑-=-= = 1 N i k k z b z X z Y z H

word完整版自适应滤波器原理带图带总结word版推荐文档

第二章自适应滤波器原理 2.1 基本原理 2.1.1 自适应滤波器的发展在解决线性滤波问题的统计方法中，通常假设已知有用信号及其附加噪声的某些统计参数(例如，均值和自相关函数) ，而且需要设计含噪数据作为其输入的线性滤波器，使得根据某种统计准则噪声对滤波器的影响最小。实现该滤波器优化问题的一个有用方法是使误差信号(定义为期望响应与滤波器实际输出之差)的均方值最小化。对于平稳输入，通常采用所谓维纳滤波器( Wiener filter) 的解决方案。该滤波器在均方误差意义上使最优的。误差信号均方值相对于滤波器可调参数的曲线通常称为误差性能曲面。该曲面的极小点即为维纳解。维纳滤波器不适合于应对信号和/或噪声非平稳问题。在这种情况下，必须假设最优滤波器为时变形式。对于这个更加困难的问题，十分成功的一个解决方案使采用卡尔曼滤波器 (Kalman filter )。该滤波器在各种工程应用中式一个强有力的系统。维纳滤波器的设计要求所要处理的数据统计方面的先验知识。只有当输入数据的统计特性与滤波器设计所依赖的某一先验知识匹配时，该滤波器才是最优的。当这个信息完全未知时，就不可能设计维纳滤波器，或者该设计不再是最优的。而且维纳滤波器的参数是固定的。在这种情况下，可采用的一个直接方法是“估计和插入过程”。该过程包含两个步骤，首先是“估计”有关信号的统计参数，然后将所得到的结果“插入( plug into)”非递归公式以计算滤波器参数。对于实时运算，该过程的缺点是要求特别精心制作，而且要求价格昂贵的硬件。为了消除这个限制，可采用自适应滤波器(adaptive filter)。采用这样一种系统，意味着滤波器是自设计的，即自适应滤波器依靠递归算法进行其计算，这样使它有可能在无法获得有关信号特征完整知识的环境下，玩完满地完成滤波运算。该算法将从某些预先确定的初始条件集出发，这些初始条件代表了人们所知道的上述环境的任何一种情况。我们还发现，在平稳环境下，该运算经一些成功迭代后收敛于某种统计意义上的最优维纳解。在非平稳环境下，该算法提供了一种跟踪能力，即跟踪输入数据统计特性随时间的变化，只要这种变化时足够缓慢的。 40年代，N.维纳用最小均方原则设计最佳线性滤波器，用来处理平稳随机

DSP高通滤波器课程设计报告

D S P课程设计报告题目：FIR高通滤波器设计姓名学号教学院系专业年级指导教师

DSP课程设计目录一、设计题目 (1) 二、设计目标 (1) 三、算法研究与参数计算 (1) 1、FIR的原理和参数生成公式 (1) 2、利用MATLAB计算滤波系数 (1) 3、输入信号参数计算 (2) 四、编写源程序 (3) 五、调试过程 (4) 1、调试前准备 (5) 2、MATLAB的使用 (5) 3、编写及编译程序 (5) 4、设置断点和探针 (6) 5、打开观察窗口 (6) 六、实验结果及分析 (6) 1、输入信号的时域波形和频域波形 (6) 2、输出信号的时域波形和频域波形 (7) 七、设计心得 (8)

1 一、设计题目 FIR 高通滤波器设计二、设计目标设计一个FIR 高通滤波器，通带边界频率为6000Hz ，采样频率为20000Hz 。FIR 滤波器的设计用MA TLAB 窗函数法进行。三、算法研究与参数计算 1、FIR 的原理和参数生成公式图3-1 2、利用MATLAB 计算滤波系数在MATLAB 界面输入图3-2所示程序，可得到滤波系数并生成INC 文件。图 3-2

DSP 课程设计 2 输入freqz （y ，1，512），MATLAB 中显示高通滤波器的滤波特性曲线。如图3-3所示。图3-3 3、输入信号参数计算 MATLAB 中输入图3-4中所示程序，包含两种频率成分的正弦信号，一种信号频率1000Hz ，一种信号6000Hz 。图3-4 其频谱特性曲线如图3-5。图3-5

FIR高通滤波器设计四、编写源程序参考资料，编写汇编语言源程序： HIGHPASS .set 1 ;if you want to use ,please set the value to 1 .global start,fir .mmregs COFF_FIR_START: .sect "coff_fir" .copy "0126.inc" K_FIR_BFFR .set 64 d_data_buffer .usect "fir_bfr",64 FIR_DP .usect "fir_vars",0 d_filin .usect "fir_vars",1 output .usect "fir_vars",1 input .usect "fir_vars",1 d_filout .usect "fir_vars",100h stacksize .set 256 stack .usect "fir_vars",stacksize .asg AR4,FIR_DATA_P .asg AR6,INBUF_P .asg AR7,OUTBUF_P .asg AR3,OUTBUF .asg AR2,INBUF .sect "fir_prog" nop start: stm #stack+stacksize,SP LD #FIR_DP,DP STM #d_data_buffer,FIR_DATA_P RPTZ A,#K_FIR_BFFR-1 STL A,*FIR_DATA_P+ STM #d_filin,INBUF_P 3

自适应滤波算法理解与应用

自适应滤波算法理解与应用什么是自适应滤波器自适应滤波器是能够根据输入信号自动调整性能进行数字信号处理的数字滤波器。作为对比，非自适应滤波器有静态的滤波器系数，这些静态系数一起组成传递函数。对于一些应用来说，由于事先并不知道所需要进行操作的参数，例如一些噪声信号的特性，所以要求使用自适应的系数进行处理。在这种情况下，通常使用自适应滤波器，自适应滤波器使用反馈来调整滤波器系数以及频率响应。总的来说，自适应的过程涉及到将代价函数用于确定如何更改滤波器系数从而减小下一次迭代过程成本的算法。价值函数是滤波器最佳性能的判断准则，比如减小输入信号中的噪声成分的能力。随着数字信号处理器性能的增强，自适应滤波器的应用越来越常见，时至今日它们已经广泛地用于手机以及其它通信设备、数码录像机和数码照相机以及医疗监测设备中。下面图示的框图是最小均方滤波器（LMS）和递归最小平方（en:Recursive least squares filter，RLS，即我们平时说的最小二乘法）这些特殊自适应滤波器实现的基础。框图的理论基础是可变滤波器能够得到所要信号的估计。自适应滤波器有4种基本应用类型：1）系统辨识：这时参考信号就是未知系统的输出，当误差最小时，此时自适应滤波器就与未知系统具有相近的特性，自适应滤波器用来提供一个在某种意义上能够最好拟合未知装置的线性模型 2）逆模型：在这类应用中，自适应滤波器的作用是提供一个逆模型，该模型可在某种意义上最好拟合未知噪声装置。理想地，在线性系统的情况下，该逆模型具有等于未知装置转移函数倒数的转移函数，使得二者的组合构成一个理想的传输媒介。该系统输入的延迟构成自适应滤波器的期望响应。在某些应用中，该系统输入不加延迟地用做期望响应。3）预测：在这类应用中，自适应滤波器的作用是对随机信号的当前值提供某种意义上的一个最好预测。于是，信号的当前值用作自适应滤波器的期望响应。信号的过去值加到滤

自适应滤波器的设计与实现毕业论文

自适应滤波器的设计与实现毕业论文目录第一章前言 (1) 1.1 自适应滤波器简介 (1) 1.2 选题背景及研究意义 (1) 1.3 国外研究发展现状 (2) 第二章自适应滤波器的基础理论 (4) 2.1 滤波器概述 (4) 2.1.1 滤波器简介 (4) 2.1.2 滤波器分类 (4) 2.1.3 数字滤波器概述 (4) 2.2 自适应滤波器基本理论 (7) 2.3 自适应滤波器的结构 (9) 第三章自适应滤波器递归最小二乘算法 (11) 3.1 递归最小二乘算法 (11) 3.1.1 递归最小二乘算法简介 (11) 3.1.2 正则方程 (11) 3.1.3 加权因子和正则化 (16) 3.1.4 递归计算 (18) 3.2递归最小二乘(RLS)算法的性能分析 (22) 第四章基于MATLAB自适应滤波器仿真 (23) 4.1 正弦波去噪实验 (23) 4.2 滤波器正则化参数的确定 (28) 4.2.1 高信噪比 (28) 4.2.2 低信噪比 (31) 4.2.3 结论 (33) 4.3 输入信号不同对滤波效果的影响 (33)

4.3.1 输入信号为周期信号 (33) 4.3.2 输入信号为非周期信号 (38) 第五章结论与展望 (44) 5.1 结论 (44) 5.2 对进一步研究的展望 (44) 参考文献 (45) 致谢 (46) 附录 (46) 声明 (58)

第一章前言 1.1自适应滤波器简介自适应滤波器属于现代滤波的畴，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，自适应信号处理主要是研究结构可变或可调整的系统，可以通过自身与外界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，无须详细的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，自适应滤波器的频率则是自动适应输入信号而变化的，所以其适用围更广。在没有任何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。1.2选题背景及研究意义伴随着移动通信事业的飞速发展，自适应滤波技术应用的围也日益扩大。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，卡尔曼滤波器已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。 Widrow.B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

文档之家