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
信号，即著名的维纳滤波器。
60年代，R.E.卡尔曼创立最佳时变线性滤波设计理论，用来处理非平稳随机信号，即著名的卡尔曼滤波器。
70年代，美国B.Windrow和Hoff提出了处理随机信号的自适应滤波器算法，弥补了维纳、卡尔曼滤波器的致命缺陷：必须事先知道待处理信号的统计特性（如自相关函数），才能计算出最佳的滤波器系数Wopt，否则，维纳、卡尔曼滤波器无法判定为最佳。
一个自适应算法的好坏取决于以下一个或多个因素错误!未找到引用源。：
①收敛速率：它定义为算法在平稳输入时响应足够接近地收敛于均方误差意义上的最优维纳解。
②失调：这个参数提供了自适应滤波器的最终均方误差与维纳滤波器所产生的最小均方误差之间偏离程度的一个定量测量。
③跟踪：当自适应算法运行在非平稳条件下，该算法需要跟踪环境的统计量变化。然而，算法的跟踪性能受到两个相互矛盾的特性的影响：即收敛速率和由算法噪声引起的稳态波动。
④鲁棒性：对于一个鲁棒的自适应滤波器，小的扰动只会产生小的估计误差。这些扰动来源于各种因素，包括来自滤波器内部或外部的因素。
⑤计算量：主要包括三方面（a）完成算法一次完整迭代所需要的运算量（即乘法、除法、加法和减法）；（b）存储数据和程序所需要的存储器位置的大小；（c）在计算机上对算法编程所需要的投资。
⑥结构：涉及算法的信息流结构以及硬件实现的方式。例如，其结构呈现高度模块化、并行或并发的算法很适应于使用超大规模集成电路（VLSI ）实现。
⑦数值特性：当一个算法数值实现时，将产生由量化误差引起的不精确性，特别存在人们所关心的两种基本问题：数值稳定性和数值精确性问题。数值稳定性是自适应算法的固有的特征。数值精确性由样本值和滤波器系数的位数确定。当某种算法对其数字实现的字长变化不敏感时，就说该自适应滤波器算法的数值鲁棒。
2.1.2 自适应滤波器的研究方法
自适应滤波问题不存在唯一地解决方法。自适应滤波用户面临的挑战包括：首先要了解各种自适应滤波算法的能力和限制；其次把了解到得知识用于选择合适的算法以满足各自的应用需要。
自适应滤波器基本上存在如下两种不同的推导方法。
①随机梯度法
随机梯度法（stochastic gradient即proach使用抽头延迟线或者横向滤波器作为
实现自适应滤波器的构造基础。对于平稳输入情况，代价函数（也称为性能指标）定义为均方误差（即期望响应与横向滤波器输出之差的均方值）。代价函数恰好是横向滤波器中抽头权值的二次函数。该抽头权值的均方误差函数可看做是具有唯一确定的极小点的多维抛物面。我们把这个抛物面称为误差性能曲面；对于该曲面的极小点的抽头权值定义了最优维纳解。
为了推导更新自适应横向滤波器抽头权值的递归算法，我们分两步进行这项工作。首先，使用迭代方法求解维纳-霍夫方程（Wiener-Hopf equation）；迭代过程以最优化理论中人们所熟知的最速下降法（method of steepest descent为基础。这个方法需要使用梯度向量，其值取决于两个参量：横向滤波器中抽头输入的自相关矩阵以及期望响应与该抽头输入之间的互相关向量。其次，我们使用这些相关的瞬态值，以便导出梯度向量的估计值，推导中假设该向量是随机的。基于上述思想的算法，通常称为最小均方（LMS，least-mean-square 算法。当横向滤波器运行在实数据的情况下，该算法大体上可描述为：
（抽头权向量更新值）=（老的抽头权向量值）+（学习速率常数）（抽头输
入向量）（误差信号）
其中误差信号定义为期望响应与抽头输入向量所产生的横向滤波器实际向量之差。
LMS 算法很简单，而且在正确条件下可获得满意的性能。其主要缺点是收敛速率相当缓慢，而且对抽头输入相关矩阵条件数（矩阵的条件数定义为其最大特征值与最小特征值之比）的变化比较敏感。即使这样，LMS 算法仍然十分流行且应用广泛。
在非平稳环境下，误差性能曲面的方向随时间连续变化。在这种情况下，LMS 算法有一个连续跟踪误差性能曲面极小点的附加任务。实际上，只要输入数据变化比LMS 算法学习速率来的慢时，就会发生跟踪问题。
随机梯度方法也用于格型结构。产生的自适应算法叫做梯度自适应格型
（GAL gradient adaptive lattice）算法。LMS和GAL算法是自适应滤波器随机梯度族的两个成员，而且迄今为止，LMS 仍然是这个家族中最流行的一员。
②最小二乘估计
第二种自适应滤波算法以最小二乘法为基础。根据这个方法，我们对加权误差平方和形式的代价函数进行最小化，其中误差或残差定义为期望响应与实际滤波器输出之差。最小二乘法可用块估计或递归估计来表示。在块估计中，输入数据以等长度块的形式排列，而且一块一块地对输入数据进行滤波处理；而在递归估计中，一个样值一个样值地对感兴趣的估计（例如，横向滤波器的抽头权值）进行更新。通常，递归估计比块估计要求较少的存储量，这就是为什么在实际中递归估计
的使用要多得多的原因。
递归最小二乘（RLS, Recursive least-squareS可看作卡尔曼滤波的一个特例。卡尔曼滤波器著名的特点是引入状态概念，它是对特定时刻加到滤波器抽头的所有输入的一个度量。于是，在卡尔曼滤波算法的核心部分，残在一种递推关系，它可用文字表述为：
（状态递推值）= （旧的状态值）+（卡尔曼增益）（新息向量）其中新息向量表示在计算时刻进入滤波过程的新的信息。由此可见，卡尔曼变量与RLS 变量之间存在一一对应关系。由此，可以从大量卡尔曼滤波器文献中选择一些方法用来设计最小二乘估计的自适应滤波器。
RLS算法具有随M2增加的计算复杂度，其中M是权值个数，复杂度为：o
（M2），故也称为o（M2）算法错误!未找到引用源。，相反，LMS是o（M）算法，其计算复杂度随M线性增加；当M很大时，从硬件实现的观点看，o（M2）算法的计算复杂度将会变得不可接受。另外，诸如LMS 算法等随机梯度算法是模型无关的，而RLS 是模型相关的，这意味着其跟踪能力可能比大量的随机梯度算法族来得差。
2.2 自适应滤波器的结构
滤波算法的运行涉及两个基本过程：（1）滤波过程，用来对一系列的输入数据产生输出响应；（2）自适应过程，其目的是提供滤波过程中可调参数自适应控
制的一种机制（算法）。这两个过程相互影响地工作。自然，滤波过程结构的选择总体山对算法的运行具有深刻的影响。
一横向滤波器
横向滤波器错误!未找到引用源。也称为抽头延迟线滤波器或有限脉冲响应滤波器，它由图2.1所示的三个基本单元组成：（a）单位延迟单元；（b）乘法器; （c）加法器。滤波器中延迟单元的个数确定了脉冲响应的持续时间。延迟单元个数（如图中M 所示），通常称为滤波器的阶数。在该图中，每个延迟单元永延迟算子z-1表示。特别地，当对u n进行z-1运算时，其结果输出为u n-1。滤波器中每个乘法器的作用是用滤波器系数［也成抽头权值（tap weight）］乘以与其相连接的抽头输入。于是，连接到第k 个抽头输入u n-k 的乘法器产生w*k u n-k 的输出，其中W k 是抽头权值，k=0,1,…,M星号表示复数共轭。这里假设抽头输入和抽头权值都是复数。滤波器中加法器的合并作用是对各个乘法器输出求和，并产生总的滤波器输出。对于所示的横向滤波器，其输出为
y(n
)=wd( n k)
k 0
上式叫做有限卷积和，因为它将滤波器的有限脉冲响应
图2.1横向滤波器⑺
二格型滤波器
格型滤波器错误!未找到引用源。具有模块结构。这种模块结构由一系列独立的
基本节(即级)组成，每一级具有格型的形式。图 2.2表示由M级组成的
格型滤波器，M为滤波器阶数。图中表示出的第m级格型滤波器由下列一组一
对输入输出关系描述：
f m( n) f m1( n) K；b m1( n 1) (2-2)
b m( n) b m 1( n 1) K m f m 1( n) (2-3)
式中m=1,2,…，M ,M为滤波器阶数。f m(n)是第m级前向预测误差，b m(n) 是第
m级后向预测误差。K m叫做第m级反射系数。前向预测误差f m(n)定义为输入u n与基于m个过去输入u n-1，…，u n-m所作出的预测值之差。相应地，后向预测误差b m(n)定义为输入u n-m与基于m个未来输入u n，…，u n-m+1所作出的预测值之差。考虑图中第1级输入的条件，我们有
f o( n) b o(n) u(n) (2-4)
式中u n为n时刻格型预测器的输入。于是，从上式的初始条件出发并给定一组发射系数K,k2,...,k M，则可由格型预测器一级一级地向前推进，最终确定出一对输出f M (n)和b M (n)。
(2-1)
w k与滤波器输入
u n卷积以便产生滤波器的输出y(n)
第1级 第2级 第M 级
图2.2格型滤波器 错误!未找到引用源。
对于有统计过程获得的相关输入序列 u n ,u n-1 ,…,o(M),后向预测误差
b o (n) , b i (n),…，b M (n)组成一个非相关随机变量序列。再则，两个随机变量 序列之间在如下意义上存在着一一一对应关系：如果给定其中的一个，可以唯一一 地确定另一个，反之亦然。因此，后向预测误差 b 0(n) , b | (n),…，b M (n)的线 性组合可给出期望响应序列d(n)的一个估计，如图5下半部所示。d(n)与其估 计值之间的差表示估计误差e(n)。这里描述的过程称为联合过程估计。当然， 也可以直接应用输入序列 u n ,u n-1 ,…,u n-M 产生期望响应估计。然而， 图中所示的间接法具有简化抽头权值 h °,h 1,…,h M 计算的优点，因为它利用了估 计中所采用的后向预测误差的非相关特性。
三脉动阵列
脉动阵列错误!未找到引用源。(systolic array )表示并行计算网络，它非常 适合于映射大量重要的代数计算，诸如矩阵乘法、三角化和反向替代；
脉动阵列 的基本处理单元有两种：边界单元和内部单元，其功能画在图
2.3和图2.4中。
输入s 输入u \ 输出u-rs 'r —' 输出z 图2.4内部单元错误!未找到引用源。
mm.
----- r
]
输出y=u/r
图2.3边界单元错误味找到引用源 f M1(n )?厂＞凹
在每一种情况下，参数r表示存储在单元中的一个数值。边界单元的作用产生等于u/r （即输入u除以存储在单元中的数r）的输出。内部单元的作用有两方面：（a）永存储在单元中的r乘以输入s （来自顶部），再从第二个输入（来自左边）中减去乘积rs，从而产生差u-rs作为该单元右边的输出；（b）不用交替地向下发送
第一个输入s。
脉动阵列结构提供了模块化、局部互连、高度流水线和同步并行处理；其中同步借助于全球时钟获得。
2.3自适应滤波器的应用
自适应滤波器具有在未知环境下良好运行并跟踪时变输入统计量的能力，使得自适应滤波器称为信号处理和自动控制应用的强有力手段，实际上，自适应滤波器已经成功的应用于通信、雷达、声纳、地震学和生物学工程等领域。尽管这些应用在特性方面千变万化，但它们都有一个共同的基本特征：用输入向量和期望响应来计算估计误差，并用该误差一次控制一组可调滤波器系数。取决于采用的滤波器结构，可调系数可取抽头权值、反射系数或旋转参数等形式。然而，自适应滤波器各种应用之间的本质不同在于期望响应的获取方式不同。据此，自适应滤波器可应用于以下方面：
a辨识，系统辨识模型如图2.5所示
图2.5辨识
在该应用中，自适应滤波器用来提供一个在某种意义上都能够最好拟合未知装置的线性模型。该装置和自适应滤波器有相同的激励。该装置的输出提供作为自适应滤波器的期望响应。如果该装置具有动态特性，则自适应滤波器所提供的模型将是时变的。
b逆模型，逆模型的示意图如图2.6所示
长江大学 毕业设计开题报告 题目名称自适应滤波器的设计与应用学院电信学院 专业班级信工10702班 学生姓名李雪利 指导教师王圆妹老师 辅导教师王圆妹老师 开题报告日期 2010年3月19日
自适应滤波器的设计与应用 学生：李雪利，长江大学电子信息学院 指导教师：王圆妹，长江大学电子信息学院 一、题目来源 来源于其他 二、研究目的和意义 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。 在数字信号处理中，数字滤波是语音和图像处理、模式识别、频谱分析等应用中的一个基本处理算法。在许多应用场合，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 IIR两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。 自适应滤波器是利用前一时刻已获得的滤波器参数，自动地调节、更新现时刻的滤波器参数，以适应信号和噪声未知的统计特性，从而实现最优滤波。当在未知统计特性的环境下处理观测信号时，利用自适应滤波器可以获得令人满意的效果，其性能远超过通用方法所设计的固定参数滤波器。
三、阅读的主要参考文献及资料名称 1、《数字信号处理》刘益成（第二版）西安电子科技出版社 2、《数字信号处理》张小虹（第二版）机械工业出版社 3、自适应信号处理[M]．西安：西安电子科技大学出版社，2001． 4．邹理和,数字信号处理, 国防工业出版社,1985 5．丁玉美等, 数字信号处理,西安电子科技大学出版社,1999 6．程佩青, 数字信号处理,清华大学出版社,2001 7. The MathWorks Inc, Signal Processing Toolbox For Use with MATLAB, Sept. 2000 8. vinay K.Ingle, John G.Proakis,数字信号处理及MATLAB实现,陈怀琛等译,电子工业出版社,1998.9 9、《MATLAB编程参考手册》 10、中国期刊网的相关文献 11、赫金，自适应滤波器原理第四版，西安工业出版社，2010-5-1 四、国内外现状和发展趋势与主攻方向 自适应滤波器的理论与技术是50年代末和60年代初发展起来的。它是现代信号处理技术的重要组成部分，对复杂信号的处理具有独特的功能。自适应滤波器在数字滤波器中试属于随机数字信号处理的范畴。对于随机数字信号的滤波处理，通常有维纳滤波，卡尔曼滤波和自适应滤波，维纳滤波的权系数是固定的，适用于平稳随机信号；卡尔曼滤波器的权系数是可变的，适用于非平稳随机信号中。但是，只有在对信号和噪声的统计特性先验
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 ≥；
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
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
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
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
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
自适应滤波器 MATLAB仿真 摘要 : 本文介绍了自适应滤波器的工作原理，以及推导了著名的LMS( Least mean squares )算法。以一个例子演示了自适应滤波器的滤波效果。实验结果表明，该滤波器滤波效果较好。 关键词:自适应滤波器 MATLAB7.0 LMS 算法 Simulate of adaptive filter based on MATLAB7.0 Abstract: This article described the working principle of adaptive filter and deduced the well-known LMS algorithm. Take an example to demonstrate the adaptive filters filtering effects. The results show that the filter has an effective way to filter single. Key words: LMS algorithm Adaptive Filter Matlab7.0 1引言 由 Widrow B 等提出的自适应滤波理论，是在维纳滤波、卡尔曼滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能，从而广泛应用于通信、系统辨识、回波消除、自适应谱线增强、自适应信道均衡、语音线性预测和自适应天线阵等诸多领域[1]。自适应滤波器最大的优点在于不需要知道信号和噪声的统计特性的先验知识就可以实现信号的最佳滤波处理。本文通过一个具体例子和结果论证了自适应滤波器的滤波效果。 2自适应滤波原理及 LMS算法 2.1 自适应滤波原理 图 1 自适应滤波原理图 在自适应滤波器中，参数可调的数字滤波器一般为 FIR 数字滤波器， IIR 数字滤波器或格型数字滤波器。自适应滤波分 2 个过程。第一，输入信号想 x(n) 通过参数可调的数字滤波器后得输出信号 y(n) ，y(n) 与参考信号 d(n) 进行比较得误差信号 e(n) ；第二，通过一种自适应算法和 x(n) 和 e(n) 的值来调节参数可调的数字滤波器的参数，即加权系
目录 摘要…………………..………………………………………………………..….............I 第1章绪论....................................................................................................................错误!未定义书签。 1.1引言……………………………………………...…..…………...……………...错误!未定义书签。 1.2课题研究意义和目的 (1) 1.3国内外研究发展状况 (2) 1.4本文研究思路与主要工作 (4) 第2章自适应滤波器理论基础 (5) 2.1自适应滤波器简介 (5) 2.2自适应滤波器的原理 (5) 2.3自适应滤波算法 (7) 2.4TMS320VC5402的简介 (8) 第3章总体方案设计 (10) 3.1无限冲激响应（IIR）滤波器 (10) 3.2有限冲激响应（FIR）滤波器 (11) 3.3电路设计 (11) 4基于软件设计及仿真 (17) 4.3 DSP的理论基础 (17) 4.4自适应滤波算法的DSP实现 (18) 5总结 (21) 参考文献 (22) 致谢 (23) 附录自适应滤波源代码 (24)
第1章绪论 1.1引言 随着微电子技术和计算机技术的迅速发展，具备了实现自适应滤波器技术的各种软硬件条件，有关自适应滤波器的新算法、新理论和新的实施方法不断涌现，对自适应滤波的稳定性、收敛速度和跟踪特性的研究也不断深入，这一切使该技术越来越成熟，并且在系统辨识、通信均衡、回波抵消、谱线增强、噪声抑制、系统模拟语音信号处理、生物医学电子等方面都获得了广泛应用口。自适应滤波器实现的复杂性通常用它所需的乘法次数和阶数来衡量，而DSP强大的数据吞吐量和数据处理能力使得自适应滤波器的实现更容易。目前绝大多数的自适应滤波器应用是基于最新发展的DSP 来设计的． 滤波技术是信号处理中的一种基本方法和技术，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。 1.2课题研究意义和目的 自适应滤波理论与技术是现代信号处理技术的重要组成部分，对复杂信号的处理具有独特的功能，对自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一。自适应滤波器与普通滤波器不同，它的冲激响应或滤波参数是随外部环境的变化而变化的，经过一段自动调节的收敛时间达到最佳滤波的要求。自适应滤波器本身有一个重要的自适应算法，这个算法可以根据输入、输出及原参量信号按照一定准则修改滤波参量，以使它本身能有效的跟踪外部环境的变化。因此，自适应数字系
维纳自适应滤波器设计及Matlab实现
摘要 本文从随机噪声的特性出发，分析了传统滤波和自适应滤波基本工作原理和性能，以及滤波技术的现状和发展前景。然后系统阐述了基本维纳滤波原理和自适应滤波器的基本结构模型，接着在此基础上结合最陡下降法引出LMS算法。在MSE准则下，设计了一个定长的自适应最小均方横向滤波器，并通过MATLAB 编程实现。接着用图像复原来验证该滤波器的性能，结果表明图像的质量在MSE 准则下得到了明显的改善。最后分析比较了自适应LMS滤波和频域维纳递归滤波之间的性能。本文还对MATLAB里面的自适应维纳滤波函数wiener2进行了简单分析。 关键字：退化图像维纳滤波自适应滤波最陡下降法LMS
Abstract This paper analyses the basic work theory, performance of traditional filter and adaptive filter based on the property of random noise, and introduce the status quo and the foreground of filter technology. Then we explain basic theory of wiener filter and basic structure model of adaptive filter, and combine the method of steepest descent to deduce the LMS. Afterward according to the MSE rule, we design a limited length transversal filter, and implement by MATLAB. And then we validate performance of adaptive LMS filter by restoring images, Test result show that the quality of the degrade images were improved under the rule of MSE. Finally, we compare the performance of adaptive LMS filter and iterative wiener filter. We also simply analyses the wiener2 () which is a adaptive filter in MATLAB. Keywords: degrade image；wiener filter；adaptive filter；ADF；LMS algorithm
自适应滤波器：根据环境的改变，使用自适应算法来改变滤波器的参数和结构。这样的滤波器就称之为自适应滤波器。 数学原理编辑 以输入和输出信号的统计特性的估计为依据，采取特定算法自动地调整滤波器系数，使其达到最佳滤波特性的一种算法或装置。自适应滤波器可以是连续域的或是离散域的。离散域自适应滤波器由一组抽头延迟线、可变加权系数和自动调整系数的组成。附图表示一个离散域自适应滤波器用于模拟未知离散系统的信号流图。自适应滤波器对输入信号序列x(n)的每一个样值，按特定的算法，更新、调整加权系数，使输出信号序列y(n)与期望输出信号序列d(n)相比较的均方误差为最小，即输出信号序列y(n)逼近期望信号序列d(n)。 20世纪40年代初期，N.维纳首先应用最小均方准则设计最佳线性滤波器，用来消除噪声、预测或平滑平稳随机信号。60年代初期，R.E.卡尔曼等发展并导出处理非平稳随机信号的最佳时变线性滤波设计理论。维纳、卡尔曼－波色滤波器都是以预知信号和噪声的统计特征为基础，具有固定的滤波器系数。因此，仅当实际输入信号的统计特征与设计滤波器所依据的先验信息一致时，这类滤波器才是最佳的。否则，这类滤波器不能提供最佳性能。70年代中期，B.维德罗等人提出自适应滤波器及其算法，发展了最佳滤波设计理论。 以最小均方误差为准则设计的自适应滤波器的系数可以由维纳-霍甫夫方程解得 式中W(n)为离散域自适应滤波器的系数列矩阵(n)为输入信号序列x(n)的自相关矩阵的逆矩阵,Φdx(n)为期望输出信号序列与输入信号序列x(n)的互相关列矩阵。 B.维德罗提出的一种方法，能实时求解自适应滤波器系数，其结果接近维纳－霍甫夫方程近似解。这种算法称为最小均方算法或简称 LMS法。这一算法利用最陡下降法，由均方误差的梯度估计从现时刻滤波器系数向量迭代计算下一个时刻的系数向量 式中憕【ε2(n)】为均方误差梯度估计， k s为一负数，它的取值决定算法的收敛性。要求，其中λ为输入信号序列x(n)的自相关矩阵最大特征值。 自适应 LMS算法的均方误差超过维纳最佳滤波的最小均方误差，超过量称超均方误差。通常用超均方误差与最小均方误差的比值（即失调）评价自适应滤波性能。
自适应抗差滤波理论及应用的主要进展 杨元喜 西安测绘研究所，西安雁塔路中段1号，西安710054 yuanxi@https://www.doczj.com/doc/289505067.html, 摘要 近十年来，中国学者发展了一种用于动态导航定位的新自适应抗差滤波理论，该理论应用抗差估计原理抵制观测异常误差的影响，构造自适应因子控制动力学模型误差的影响。本文旨在归纳、总结自适应抗差滤波理论的主要成就。首先介绍自适应抗差滤波的原理；随后给出四种自适应因子模型，包括三段函数模型、两段函数模型、指数函数模型以及选权函数模型；陈列了四种误差学习统计量，包括状态不符值统计量、预测残差统计量、方差分量比统计量以及速度统计量；将新的自适应抗差滤波理论与标准Kalman滤波以及其他自适应滤波理论进行了比较与分析；最后利用两个实际算例展示了自适应抗差滤波在导航中的成功应用。 关键词：自适应滤波，Kalman滤波，导航，动态定位，自适应因子，误差学习因子 1. 引言 自适应滤波是近年来大地测量研究领域的一个热点问题。我国学者在自适应滤波领域做了大量的研究工作，取得了一批研究成果。首先基于Sage滤波思想，提出了一种适用于高动态GPS定位的改进的自适应卡尔曼滤波方法，该方法数值稳定性好,存储量小,克服了滤波的发散问题（胡国荣, 欧吉坤，1999）。 目标跟踪或导航一般采用自适应滤波技术，因为相应的系统模型一般是未知（或部分未知）或随时间变化的。与Sage-Husa自适应滤波（Deng 2003, p162-173; Mohamed and Schwarz 1999; Wang et al. 1999）以及有限记忆滤波（Panozzo, et al 2004）不同，中国学者建立了一种新的自适应抗差滤波理论（Yang et al 2001a, b），该理论应用抗差估计原理控制观测异常的影响，引进自适应因子控制动力学模型误差的影响。 基于抗差估计思想，构建了抗差自适应滤波理论体系，通过引入自适应因子平衡动力学模型信息与和动态观测信息的权比，引入观测等价权控制观测异常的影响。该自适应滤波兼容了标准Kalman滤波、自适应Kalman滤波、抗差滤波、序贯最小二乘平差和序贯抗差估计（Yang et al.，2001；杨元喜等，2001）；研究了抗差自适应滤波解的性质（杨元喜，2003）；提出了基于方差分量估计的抗差自适应滤波（Yang and Xu，2003）。建立了多因子自适应滤波（Yang and Cui 2008）。 自适应滤波的关健是判定动力学模型误差和构建自适应引子。为此，中国学
自适应滤波器原理及经典教材下载地址 Pdg格式教材（Adaptive Filter Theory.X.H.）的下载地址在最后，安装绿色板BooX Viewer 1.0 [ PDG阅读器]即可阅读，该阅读器很小，无需安装。也可用超星。 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价值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。 概述 根据环境的改变，使用自适应算法来改变滤波器的参数和结构。这样的滤波器就称之为自适应滤波器。 一般情况下，不改变自适应滤波器的结构。而自适应滤波器的系数是由自适应算法更新的时变系数。即其系数自动连续地适应于给定信号，以获得期望响应。自适应滤波器的最重要的特征就在于它能够在未知环境中有效工作，并能够跟踪输入信号的时变特征。 数学原理
以输入和输出信号的统计特性的估计为依据，采取特定算法自动地调整滤波器系数，使其达到最佳滤波特性的一种算法或装置。自适应滤波器可 自适应滤波器 以是连续域的或是离散域的。离散域自适应滤波器由一组抽头延迟线、可变加权系数和自动调整系数的机构组成。附图表示一个离散域自适应滤波器用于模拟未知离散系统的信号流图。自适应滤波器对输入信号序列x(n)的每一个样值，按特定的算法，更新、调整加权系数，使输出信号序列y(n)与期望输出信号序列d(n)相比较的均方误差为最小，即输出信号序列y(n)逼近期望信号序列d(n)。 20世纪40年代初期，N.维纳首先应用最小均方准则设计最佳线性滤波器，用来消除噪声、预测或平滑平稳随机信号。60年代初期，R.E.卡尔曼等发展并导出处理非平稳随机信号的最佳时变线性滤波设计理论。维纳、卡尔曼－波色滤波器都是以预知信号和噪声的统计特征为基础，具有固定的滤波器系数。因此，仅当实际输入信号的统计特征与设计滤波器所依据的先验信息一致时，这类滤波器才是最佳的。否则，这类滤波器不能提供最佳性能。70年代中期，B.维德罗等人提出自适应滤波器及其算法，发展 了最佳滤波设计理论。 以最小均方误差为准则设计的自适应滤波器的系数可以由维纳-霍甫 夫方程解得 式中W(n)为离散域自适应滤波器的系数列矩阵(n)为输入信号序列x(n)的自相关矩阵的逆矩阵,Φdx(n)为期望输出信号序列与输入信号序列x(n)的互相关列矩阵。 B.维德罗提出的一种方法，能实时求解自适应滤波器系数，其结果接近维纳－霍甫夫方程近似解。这种算法称为最小均方算法或简称 LMS法。这一算法利用最陡下降法，由均方误差的梯度估计从现时刻滤波器系数向量迭代计算下一个时刻的系数向量 …… 下载地址： https://www.doczj.com/doc/289505067.html,/zh-cn/files/8074f56b-c2a1-11e0-bf2f-0015c55db73d/
1自适应滤波器简介 最早人们根据生物能以各种有效的方式适应生存环境从而使生命力变强的特性引伸出自适应这个概念。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。60年代，美国B.Windrow和Hoff首先提出了主要应用于随机信号处理的自适应滤波器算法，从而奠定自适应滤波器的发展。所谓自适应滤波器，即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，以适应信号与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。 自适应滤波器出现以后，发展很快。由于设计简单、性能最佳，自适应滤波器是目前数字滤波器领域是活跃的分支，也是数字滤波器研究的热点。主要自适应滤波器有：递推最小二乘（RLS）滤波器、最小均方差（LMS）滤波器、格型滤波器、无限冲激响应（IIR）滤波器。其中RLS滤波器具有稳定的自适应行为而且算法简单，收敛性能良好。 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，这就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。 2自适应滤波器设计原理 自适应滤波器是以最小均方误差为准则，由自适应算法通过调整滤波器系数，以达到最优滤波的时变最佳滤波器. 设计自适应滤波器时，可以不必预先知道信号与噪声的自相关函数，在滤波过程中，即使噪声与信号的自相关函数随时间缓慢变化，滤波器也能自动适应，自动调节到满足均方误差最小的要求。自适应滤波器主要由参数可调的数字滤波器和调整滤波器系数的自适应算法两部分构成自适应滤波器的一般结构如图1所示。参数可调数字滤波器可以是FIR滤波器或IIR数字滤波器，也可以是格形滤波器。 图1中d(n)为期望响应，x(n)为自适应滤波器的输入，y(n)为自适应滤波器的输出，e(n)为估计误差，e(n)=d(n)-y(n)，前置级完成跟踪信号的选择，确定是信号还是噪声；后置级根据前置级的不同选择对数字滤波器输出作不同的处理，以得到信号输出。自适应滤波器的滤波器系数受误差信号e(n)控制，e(n)通过某种自适应算法对l滤波器参数进行调整，最终使e(n)的均方值最小。因此，实际上，自适应滤波器是一种能够自动调整本身参数的特殊维纳滤波器，在设计时不需要实现知道关于输入信号和噪声的统计特性的知识，它能够在自己的工作过程中逐渐“了解”或估计出所需的统计特性，并以此为依据自动调整自己的参数，以达到最佳滤波效果。一旦输入信号的统计特性发生变化，它又能够跟踪这种变化，自动调整
自适应滤波器MATLAB仿真 摘要:本文介绍了自适应滤波器的工作原理，以及推导了著名的LMS（Least mean squares）算法。以一个例子演示了自适应滤波器的滤波效果。实验结果表明，该滤波器滤波效果较好。 关键词:自适应滤波器 MATLAB7.0 LMS算法 Simulate of adaptive filter based on MATLAB7.0 Abstract:This article described the working principle of adaptive filter and deduced the well-known LMS algorithm. Take an example to demonstrate the adaptive filters filtering effects. The results show that the filter has an effective way to filter single. Key words:LMS algorithm Adaptive Filter Matlab7.0 1 引言 由Widrow B等提出的自适应滤波理论，是在维纳滤波、卡尔曼滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能，从而广泛应用于通信、系统辨识、回波消除、自适应谱线增强、自适应信道均衡、语音线性预测和自适应天线阵等诸多领域[1]。自适应滤波器最大的优点在于不需要知道信号和噪声的统计特性的先验知识就可以实现信号的最佳滤波处理。本文通过一个具体例子和结果论证了自适应滤波器的滤波效果。 2 自适应滤波原理及LMS算法 2.1 自适应滤波原理 自适应滤波原理图[2]，如图1所示。 图1自适应滤波原理图 在自适应滤波器中，参数可调的数字滤波器一般为FIR数字滤波器，IIR数字滤波器或格型数字滤波器。自适应滤波分2个过程。第一，输入信号想x(n)通过参数可调的数字滤波器后得输出信号y(n)，y(n)与参考信号d(n)进行比较得误差信号e(n)；第二，通过一种自适应算法和x(n)和e(n)的值来调节参数可调的数字滤波器的参数，即加权系数，使之达到最佳滤波效果。