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
1 绪论
1.1研究背景
自适应滤波是近30年以来发展起来的一种最佳滤波方法。它是在维纳滤波，kalman 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。从而在工程实际中，尤其在信息处理技术中得到广泛的应用。自适应滤波的研究对象是具有不确定的系统或信息过程。“不确定”是指所研究的处理信息过程及其环境的数学模型不是完全确定的。其中包含一些未知因数和随机因数。任何一个实际的信息过程都具有不同程度的不确定性，这些不确定性有时表现在过程内部，有时表现在过程外部。从过程内部来讲，描述研究对象即信息动态过程的数学模型的结构和参数是我们事先不知道的。作为外部环境对信息过程的影响，可以等效地用扰动来表示，这些扰动通常是不可测的，它们可能是确定的，也可能是随机的。此外一些测量噪音也是以不同的途径影响信息过程。这些扰动和噪声的统计特性常常是未知的。面对这些客观存在的各种不确定性，如何综合处理信息过程，并使某一些指定的性能指标达到最优或近似最优，这就是自适应滤波所要解决的问题。
在这几十年里，数字信号处理技术取得了飞速发展，特别是自适应信号处理技术以其计算简单、收敛速度快等许多优点而广泛被使用。它通过使内部参数的最优化来自动改变其特性。自适应滤波算法在统计信号处理的许多应用中都是非常重要的。
在工程实际中，经常会遇到强噪声背景中的微弱信号检测问题。例如在超声波无损检测领域，因传输介质的不均匀等因素导致有用信号与高噪声信号迭加在一起。被埋藏在强背景噪声中的有用信号通常微弱而不稳定，而背景噪声往往又是非平稳的和随时间变化的，此时很难用传统方法来解决噪声背景中的信号提取问题。自适应噪声抵消技术是一种有效降噪的方法，当系统能提供良好的参考信号时，可获得很好的提取效果。与传统的平均迭加方法相比采用自适应平均处理方法还能降低样本数量。
1.2国内外研究现状
经过数十年的研究，自适应滤波理论得到了极大的发展，成为信号处理理论研究的热点之一，而依据不同的优化准则可以推导出许多截然不同的自适应理论，目前自适应滤波理论主要包括以下几个分支.
(1)基于维纳滤波器理论的最小均方算法
(2)基于卡尔曼滤波理论的卡尔曼算法
(3)基于最小二乘法的算法
(4)基于神经网络的算法
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，因而被广泛应用到各种信号处理领域中.
(1) 广泛用于系统模型识别
如系统建模:其中自适应滤波器作为估计未知系统特性的模型。
(2) 通信信道的自适应均衡
如:高速modem采用信道均衡器:用它补偿信道失真，modem必须通过具有不同频响特性而产生不同失真的信道有效地传送数据，则要求信号均衡器具有可调系数，据信道特性对这些系数进行优化，以使信道失真的某些量度最小化。又如:数字通信接收机:其中自适应滤波器用于信道识别并提供码间串扰的均衡器。
(3) 雷达与声纳的波束形成
如自适应天线系统，目前在通信领域研究的一个重要课题就是如何在有限的频谱资源基础上提高通信系统的容量。在第三代移动通信系统(TD-SCDMA)中的一个关键技术就是智能天线技术，它的核心是自适应天线波束形成技术，它结合了自适应技术的优点，利用天线阵列对波束的汇成和指向的控制，产生多个独立波束，可以自适应地调整其方向图消除不希望的干扰以跟踪信号的变化。
(4) 消除心电图中的电源干扰一
如:自适应回波相消器，自适应噪声对消器:其中自适应滤波器用于估计并对消预期信号中的噪声分量。噪声中信号的滤波、跟踪、谱线增强以及线性预测等。
1.3本文的主要工作及内容安排
通过阅读并分析大量相关文献，本文在研究自适应滤波理论的基础上，对传统的LMS 算法和RLS算法以及文献中已有的各种改进算法进行理论分析，同时提出了相应的改进算法，然后研究了它们在系统辨识，信道均衡等领域的应用，最后通过matlab仿真对各种算法的性能进行了分析。
本文的研究工作主要包括以下几个方面:
第一章，介绍了自适应滤波的发展历程以及目前研究现状。
第二章，介绍了自适应滤波的基本原理以及分析影响自适应滤波的性能参数,最后介绍了LMS算法和RLS算法。
第三章，分析了LMS算法和RLS算法的优缺点及改进策略，并进行了仿真分析。
2 自适应滤波算法
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。
自适应噪声抵消系统的核心是自适应滤波器，自适应算法对其参数进行控制，以实现最佳滤波。不同的自适应滤波器算法，具有不同的收敛速度、稳态失调和算法复杂度。根据自适应算法是否与滤波器输出有关，可将其分成开环算法和闭环算法两类。自适应噪声抵消器中利用了输出反馈，属于闭环算法。其优点是能在滤波器输入变化时保持最佳的输出，而且还能在某种程度上补偿滤波器元件参数的变化和误差以及运算误差。但其缺点是存在稳定性问题以及收敛速度不高。所以探讨如何提高收敛速度、增强稳定性以满足信号处理的高效性、实时性，一直是人们研究的重点和热点。本文基于自适应噪声抵消对比研究了两类基本的自适应算法，并对它们在分离周期信号和随机噪声中呈现的滤波性能进行了分析。计算机仿真结果表明，RLS算法从背景噪声中提取有用信号的滤波性能明显优于LMS算法。
2.1自适应滤波算法原理
用自适应噪声抵消技术来解决噪声背景中的信号提取问题的基本原理为：主输入端接收从信号源发来的信号s但是受到噪声源的干扰收到噪声vo。参考输入端的参考信号为vi 是一个与有用信号s无关但与vo相关的噪声信号。主输入中含有待抵消的加性噪声，参考输入对准主输入中的噪声vo。利用两输入噪声的相关性和信号与噪声的独立性，使参考输入通过自适应滤波器与主输入中噪声分量逼近并相减，输出误差信号。自适应滤波算法决定滤波器对参考信号v1的处理，使得滤波器的输出尽可能地逼近主输入中的干扰成分。所以，在最佳准则意义下滤波器的输出v逼近vo等效于系统的输出e逼近s。从而在噪声对消器的输出端大大地提高了信噪比。但若参考通道除检测到噪声v1外，还收到信号分量，则自适应滤波器的输出中将包含信号分量，从而使噪声对消效果变坏。因此，为获得良好的噪声对消性能，应使参考通道检测到的信号尽可能小，在信号不可测的噪声环境拾取参考输入信号。
2.2 自适应滤波算法分类
自适应滤波算法作为自适应滤波器中最重要的环节，直接影响着自适应系统的性能。目前，对自适应滤波算法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。寻求收敛速度快，计算复杂度低，鲁棒性强的自适应滤波算法是研究人员不断努力追求的目标。目前，所研究的自适应滤波算法主要包括基于二阶累积量和高阶累积量的自适应滤波算法。
根据自适应算法的优化准则的不同，自适应滤波算法可分为两类最基本的算法：最小均方(LMS)算法和递推最小二乘(RLS)算法。为了解决传统LMS 算法存在梯度噪声放大问题，以及为克服常规的固定步长LMS 自适应算法在收敛速率、跟踪速率与权失调噪声之间的要求上存在的较大矛盾，许多学者研究出了各种各样的改进型LMS 算法，如归一化LMS 算法和基于瞬变步长LMS 自适应滤波算法以及基于离散小波变换的LMS 自适应滤波算法等。
2.2.1 LMS 算法
LMS 算法是一种基于最小均方误差准则，通过调节权系数使得滤波器的输出信号y(n)与期望响应信号d(n)之间的均方误差或2()e n 最小的算法。LMS 算法为随机梯度下降算法，它是梯度最速下降算法的一种，它在每次迭代时滤波器权矢量会沿着误差性能曲面的梯度估值的负方向按一定比例进行更新。在最速下降法中，如果我们可以精确估计每一次迭代所需要的梯度矢量，且选取合适的步长因子，那么最速下降法可使滤波器权矢量收敛于维纳解，然而要精确测量梯度矢量需要知道自相关矩阵R 和互相关矩阵P ，在未知环境下这是不可能做到的，因此必须根据已有数据对梯度矢量进行估计。LMS 算法的核心思想就是利用单次采样获得的平方误差代替均方误差，即用 e(n)代替2()e n ，从而简化梯度的估计。因此，我们把这种梯度估计也叫做随机梯度估计。
自适应滤波器在时刻n 的向量定义：
抽头权向量：011()[(),(),...,()]T M W n b n b n b n -=
参考输入向量：()[(),(1),...,(1)]T X n x n x n x n M =--+
()d n 是主输入信号，()y n 是期望输出值，()e n 是误差信号，也是系统输出值，M 是滤波器长度。
由维纳-霍夫方程可知，最小均方误差为：
22*min ([])[]j j
E e E d W P τ=- 实际上，该方程与维纳滤波器结果完全一样。自适应滤波器与维纳滤波器相比，其差
别在于它增加了一个识别控制环节，将输出与期望值进行比较，利用误差()e n 去控制()W n ，
使2
[]j E e =最小值，从而得到()W n 的估计
*()W n 。 根据最优的数学算法最陡下降法，下一个权矢量1()j W n +等于现在的权矢量()j W n 加一个正比于梯度j ?的负值变化量，即有：
1j j j W W μ+=-?
通过梯度下降法：
21[]|j j j j W W dE e W W dW μ
+==-推导可知：12j j j j W W e X μ+=+其中j j j e d W X
τ=- 算法步骤：
步骤一：初始化：
步骤二：更新：1,2,3,...n =
滤波：()()()T y n W n X n =；
误差估计：()()()e n d n y n =-；
权向量更新：*(1)()2()()W n W n e n X n μ+=+；
其中μ是用来控制稳定性和收敛速度的步长参数。为确保自适应过程的稳定性，μ必须满足02/in MP μ<<，其中2[()]in P E X n =为输入功率。
2.2.2 RLS 算法
最小二乘(LS)法是一种典型的有效的数据处理方法。由著名学者高斯在1795年提出，他认为，根据所获得的观测数据来推断未知参数时，未知参数最可能的值是这样一个数据，即它使各项实际观测值和计算值之间的差的平方乘以度量其精度的数值以后的和为最小。这就是著名的最小二乘法。
前面所研究的自适应滤波算法根据的最佳准则为最小均方误差准则。自适应算法的目标在于，使滤波器输出与需要信号的误差的平方的统计平均值最小。这个准则根据输入数据的长期统计特性寻求最佳滤波。然而，我们通常己知的仅是一组数据，因而只能对长期统计特性进行估计或近似。LMS 算法、格形梯度算法都是这样。而最小二乘算法就是能直接根据一组数据寻求最佳解。换句话说，根据最小均方误差准则得到的是对一类数据的最
佳滤波器，而根据最小二乘法得到的是对一组已知数据的最佳滤波器。对同一类数据来说，最小均方误差准则对不同的数据组导出同样的“最佳”滤波器;而最小二乘法对不同的数据组导出不同的“最佳”滤波器。因而常说最小二乘法导出的最佳滤波器是“精确”的。递推最小二乘法((RLS)是最小二乘法的一类快速算法。
SISO 系统动态过程的数学模型：
11()()()()()A z z k B z u k n k --=+ （1）
其中()u k ，()z k 为输入输出量，()n k 为噪声。式中
11212()1...a a n n A z a z a z a z ----=++++
11212()...b b n n B z b z
b z b z ----=+++ 展开后得到：1212()(1)(2)...(1)(2)...()a b n n b z k a z k a z k a bu k b u k b u k n =------+-+-++- 模型（1）可化为最小二乘格式：
()()()z k h k n k τθ=+ （2）
记1212[,,...,,,...,]a b n n a a a b b b τθ=
为待估计的参数。()[(1),...,(),(1),...,()]a b h k z k z k n u k u k n τ=------，对于1,2,...k L =（L
为数据长度）。方程（2）构成一个线性方程组，写成()()()L L L z k H k n k θ=+；
(1)(2)()L z z Z z L ??????=??????，(1)(2)()L h h H h L τττ??????=????????
，(1)(2)()L n n n n L ??????=?????? 根据最小二乘法一次完成算法，其参数估计为：1?()L L L L
LS H H H Z ττθ-=。 参数递推估计，每取得一次新的观测数据后，就在前次估计结果的基础上，利用新引入的观测数据对前次估计的结果，根据递推算法进行修正，减少估计误差，从而递推地得出新的参数估计值。这样，随着新观测数据的逐次引入，一次接一次地进行参数估计，直到参数估计值达到满意的精确程度为止。
算法步骤：
步骤一：初始化(0)0W =；1(0)P I σ-=，其中I 为单位矩阵；
步骤二：更新1,2,...n =计算
更新增益矢量：()(1)()/[()(1)()]T g n P n X n X n P n X n λ=-+-；
滤波：()(1)()T y n W n X n =-；
误差估计：()()()e n d n y n =-；
更新权向量：()(1)()()W n W n g n e n =-+；
更新逆矩阵：1()[(1)()()(1)]T P n P n g n X n P n λ-=---；
其中，()P n 为自相关矩阵()xx P n 的逆矩阵，常数λ是遗忘因子，且01λ<<。
总上所述：算法实现的主要步骤为：(1)数据采集与生成，取()d n ，()X n ；(2)对参数的初始化；(3)自适应的滤波处理；(4) 滤波器系数更新
3 自适应算法性能分析
3.1 自适应算法的收敛性
自适应滤波系数矢量的初始值w(0)是任意的常数，应用LMS 算法调节滤波系数具有随机性而使系数矢量w(n)带来非平稳过程。通常为了简化LMS 算法的统计分析，假设算法连续迭代之间存在以下的充分条件:
(1) 每个输入信号样本矢量的起始值w(0)与其过去全部样本矢量x(k),k=O,l,...,n-1是统计独立的，不相关的，即有[()*()]0T E x n x k =, k=O,l,...,n-10
(2) 每个输入信号样本矢量x(n)与全部过去的期望信号d(k), k=O,l,...,n-1也是统计独立的，不相关的，即有E[x(n)*d(k)]=0, k=0,1,...,n-to
(3) 期望信号样本矢量d(n)依赖于输入过程样本矢量x(n)，但全部过去的期望信号样本是统计独立的。
(4) 滤波器抽头输入信号矢量x(n)与期望信号d(n)包含着全部n 的共同的高斯分布随机变量。
由上式可知，自适应滤波器在n+1时刻的滤波系数矢量w(n+1)依赖于三个输入:输入过程的过去样本矢量x(k), k=n,n-1,...,0;期望信号的以前样本值d(k),k=n,n-1,...,0;滤波系数矢量的起始值w(0)
按照均方误差(MSE)准则定义的目标函数是
222(())()[()][()2()*()()]F e n n E e n E d n d n y n y n ξ===-+
通过计算可以得到，要使LMS 算法收敛于均值，必须使自适应收敛系数参数μ满足下列条
件:
max 02/μλ<<
这里max λ是相关矩阵R 的最大特征值。在此条件下，当迭代次数n 接近于8时，自适应滤波系数矢量()w n 近似等于最佳维纳解0w 。
3.2 平均MSE-学习曲线
最陡下降法每次迭代都要精确计算梯度矢量，使自适应横向滤波器权矢量或滤波系数矢量()w n 能达到最佳维纳解0w ，这时滤波器均方误差(MSE)为最小，即
2min *T w p ξσ=-
式中，2σ是期望信号d(n)的方差。
学习曲线定义为均方误差随迭代计算次数n 的变化关系，如下所描述的包含
指数项之和:
221()min (1)(0)N
i n i i i n v ξξλμλ==+-∑
式中每个指数项对应的固有模式，模式的数目等于滤波加权数。其中11μλ-<，故当n 趋近于8时，则最陡下降法均方误差(8)min ξξ=。但LMS 算法用瞬时值估计梯度存在误差的噪声估计，结果使滤波权矢量估值w(n)只能近似于最佳维纳解。这意味着滤波均方误差()n ξ随着迭代次数n 的增加而出现小波动地减少，最后，(8)ξ不是等于()min n ξ而是稍大于其值。
3.3 失调
在自适应滤波器中，失调T 是衡量滤波性能的一个技术指标，它被定义为总体平均超量均方误差值(8)ex ξ与最小均方误差值min ξ之比，即
[(8)]/min T E ex ξξ=
自适应滤波器LMS 算法的稳态失调与步长拜成正比。以上表明:
(1)失调为自适应LMS 算法提供了一个很有用的测度，比如，10%失调意味着自适应算法所产生的总体平均MSE 高于最小均方误差的增量值为10%;
(2)失调是随着滤波系数数目线性增加的;
(3)失调可以做得任意小，只要选用大的时间常数，也就是小的步长值即可。
但是，滤波器自适应收敛过程需要长的时间，影响了滤波器的自学习、自训练的速度，所以，自适应滤波器LMS算法的失调与自适应收敛过程之间存在矛盾。
3.4仿真结果与分析；
为了检验两种自适应滤波算法在去噪应用中的滤波性能，下面对LSM算法和RLS算法进行计算机模拟仿真实验。
其中采样频率为1000Hz，其算法用MATLAB语言实现。其中图1为幅度为2标准正弦波。图2为幅度为2正弦波叠加带限高斯白噪声的混迭信号，是系统的主输入信号。图3、图4分别为用LMS算法和RLS算法提取得到的正弦信号。
表一各自适应滤波各参数设置
从图上可以看出，用RLS自适应滤波算法提取得到的正弦信号效果较好。而LMS自适应滤波算法也能将信号提取出来，但是其滤波效果较差，存在没有滤除的随机噪声部分较多。
由于LMS算法只是用以前各时刻的抽头参量等作该时刻数据块估计时的平方误差均方最小的准则，而未用现时刻的抽头参量等来对以往各时刻的数据块作重新估计后的累计平方误差最小的准则，所以LMS算法对非平稳信号的适应性差。RLS算法的基本思想是力图使在每个时刻对所有已输入信号而言重估的平方误差的加权和最小，这使得RLS算法对非平稳信号的适应性要好。与LMS算法相比，RLS算法采用时间平均，因此，所得出的最优滤波器依赖于用于计算平均值的样本数，而LMS算法是基于集平均而设计的，因此稳定环境下LMS算法在不同计算条件下的结果是一致的。在性能方面，RLS的收敛速率比LMS要快得多，因此，RLS在收敛速率方面有很大优势。
图5分别为RLS算法和LMS算法在处理过程中的误差曲线，它指出了在迭代过程中的误差减少过程。由图可见，RLS算法在迭代过程中产生的误差明显小于LMS算法。由此可见，RLS在提取信号时，收敛速度快，估计精度高而且稳定性好，可以明显抑制振动加速度收敛过程，故对非平稳信号的适应性强，而LMS算法收敛速度慢，估计精度低而且权系数估计值因瞬时梯度估计围绕精确值波动较大，权噪声大，不稳定。
幅度为2标准正弦波
图1 幅度为2标准正弦波
幅度为2正弦波叠加带限高斯白噪声的混迭信号
图2幅度为2正弦波叠加带限高斯白噪声的混迭信号
-2.5-2
-1.5
-1
-0.5
0.5
1
1.5
图3 用LMS 算法提取得到的正弦信号
图4 RLS算法提取得到的正弦信号
图5 各自适应滤波器处理过程中的误差曲线
由于LMS算法只是用以前各时刻的抽头参量等作该时刻数据块估计时的平方误差均方最小的准则，而未用现时刻的抽头参量等来对以往各时刻的数据块作重新估计后的累计平方误差最小的准则，所以LMS算法对非平稳信号的适应性差。递推式最小均方((RLS)算法的基本思想是力图使在每个时刻对所有己输入信号而言平方误差的加权和最小，这使得RLS算法对非平稳信号的适应性要好。与LMS算法相比，RLS算法采用时间平均，因此，所得出的最优滤波器依赖于用于计算平均值的样本数，而LMS(NLMS)算法是基于集平均而设计的，因此稳定环境下LMS(NLMS)算法在不同计算条件下的结果是一致的。在性能方面，RLS的收敛与E(x(n) xT (n)的特征值无关，同时RLS的收敛速率比LMS(NLMS)要快得多，因此，RLS在收敛速率方面有很大优势。然而，鲁棒性或有限精度问题却给RLS算法的有效性带来很大的问题:一方面，横向RLS算法往往不稳定，鲁棒性很差，另
一方面，格状RLS算法计算量很大，基本是LMS算法的计算量的平方。以上缺点，使RLS 算法并不适合语音通信中的回波抵消。
RLS算法中的步长参数被输入向量的相关矩阵的逆代替，它对抽头输入有白化作用。这一改进对平稳环境下RLS算法的收敛性能有如下深刻影响:
(1) RLS算法的收敛速率比LMS算法快一个数量级。
(2) RLS速率不随输入向量x(n)的集平均相关矩阵R特征值的扩散度(即条件度)而改变。
(3)随着迭代次数n趋于无限，RLS算法的额外均方误差收敛于零。
4 总结
自适应滤波是信号处理的重要基础，近年来发展速度很快，在各个领域取得了广泛的应用。在实际问题中，迫切需要研究有效、实用的自适应算法。本文在大量文献的基础上，对自适应滤波的两种算法进行了分析和研究。研究内容主要包括理论、算法和通过计算机仿真得出有意义的结果。本文基于自适应噪声抵消系统，对比研究了两类自适应滤波算法在噪声抵消应用中的滤波性能。计算机仿真实验结果表明，两种算法都能从高背景噪声中提取有用信号。相比之下，RLS算法具有比LMS好得多的启动速度和收敛速度，对非平稳信号适应性强，其滤波性能明显好于LMS算法，但其计算复杂度高，不便于实时处理。而LMS算法相对存在收敛速度不够快和抵抗突出值干扰能力不够强。值得深入研究的是降低RLS算法的计算复杂度，进一步提高LMS算法的收敛速度并减少其残余(失调)误差。
本文所作的工作仅仅是初步的研究，当然，在自适应滤波这个具有现实意义的课题上还有很多工作要做，例如，如何将变步长类算法与变换域快速算法相结合，如何将自适应均衡算法很好地应用到盲自适应均衡中，如何将自适应算法和神经网络，人工智能等技术相结合以及小波域LMS算法的研究等等。自适应滤波技术目前己经有了一些实际应用，但大多数算法还是基于计算机的仿真实验，如何将这些理论成果应用到实际中，还需要大量的研究。只有解决了这些问题，才能使自适应滤波技术的研究更具有实际意义。
参考文献
[1] 沈福民编著，《自适应信号处理》[M]，西安: 西安电子科技大学出版社，2001.
[2] 罗军辉等编著，《Matlab 7.0在数字信号处理中的应用》[M]，北京：机械工业出版社，2005.
[3] 王友功，薛培鼎.数字滤波器与信号处理[M].北京:科学出版社，2003.8.
[4] 王永德，龙宪惠.自适应信号处理[M] 北京:机械工业出版社，2008.1.
[51陈莉.自适应滤波算法与应用研究.西安电子科技大学硕士论文.2006，1.
[6] 王周丹.自适应均衡算法的研究.大连海事大学硕士论文.2007，2.
[7]G Carayannis, DG Manolakis, N Kalouptsidis. A fast sequential algorithm for least-squares filtering and prediction [J]. IEEE Trans. ASSP.1983,31(6):1394-1402.
[8] Gcarayannls,DGManolakis,NKalouPtsidis.Afastsequentialalgorithmfor least squares filtering and Predietion.IEEETransASSP，1983，31，6.PP:1394一l402.
[9] J M Cioffi, T Kailath. Windowed fast transversal filters for recursive least squares adaptive filtering[J]. IEEE Trans. on ASSP. 1985,33(3): 607-625.
[10] M Dentino, J MeCool, B Windrow. Adaptive filtering in the frequency domain.Proc IEEE. 1979, 67:1658-1659.
[11] Nurgun E, Filiz S. Wavelet transform based adaptive filter: analysis and new results. IEEE Trans on SP 1996, 44(9):2163-2168.
[12] S L Gay, S Tavathia. The fast affine projection algorithm. Proc. ICASSP'95 Detroit, 1995:3023-3026.
[13] B WIDROW Adaptive Signal Processing[M]. USA: Prentic-Hall Inc.1985.
[14] C.E.Davila. Line search algorithm for adaptive filtering. IEEE Trans.on SP,V o1.41,1993
[15] Treichler, Johnson Jrc, Larimore G Theory and design of adaptive filters. Johnwiley&Sonslnc, 1987
[16] Gitlin R D, Weinstein S D. On the design of gradient algorithms for digitally implemented adaptive filters[J]. IEEE Trans on CT, 1973(2): 125一136..
经典 无源低通滤波器的设计
团队：梦知队 团结奋进，求知创新，追求卓越，放飞梦想 队员： 日期：2010.12.10 目录 第一章一阶无源RC低通滤波电路的构建 (3) 1.1 理论分析 (3) 1.2 电路组成 (4) 1.3 一阶无源RC低通滤波电路性能测试 (5) 1.3.1 正弦信号源仿真与实测 (5) 1.3.2 三角信号源仿真与实测 (10) 1.3.3 方波信号源仿真与实测 (15) 第二章二阶无源LC低通滤波电路的构建 (21) 2.1理论分析 (21) 2.2 电路组成 (22) 2.3 二阶无源LC带通滤波电路性能测试 (23) 2.3.1 正弦信号源仿真与实测 (23) 2.3.2 三角信号源仿真与实测 (28)
2.3.3 方波信号源仿真与实测 (33) 第三章结论与误差分析 (39) 3.1 结论 (39) 3.2 误差分析 (40) 第一章一阶无源RC低通滤波电路的构建1.1理论分析 滤波器是频率选择电路，只允许输入信号中的某些频率成分通过，而阻止其他频率成分到达输出端。也就是所有的频率成分中，只是选中的部分经过滤波器到达输出端。 低通滤波器是允许输入信号中较低频率的分量通过而阻止较高频率的分量。 图1 RC低通滤波器基本原理图 当输入是直流时，输出电压等于输入电压，因为Xc无限大。当输入
频率增加时，Xc减小，也导致Vout逐渐减小，直到Xc=R。此时的频率为滤波器的特征频率fc。 解出，得： 在任何频率下，应用分压公式可得输出电压大小为： 因为在＝时，Xc=R，特征频率下的输出电压用分压公式可以表述为： 这些计算说明当Xc=R时，输出为输入的70.7%。按照定义，此时的频率称为特征频率。 1.2电路组成
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
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
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 ≥；
东北大学 研究生考试试卷 考试科目： 课程编号： 阅卷人: 考试日期： 姓名：xl 学号： 注意事项 1.考前研究生将上述项目填写清楚. 2.字迹要清楚,保持卷面清洁. 3.交卷时请将本试卷和题签一起上交. 4.课程考试后二周内授课教师完成评卷工作,公共课成绩单与试卷交研究生院培养办公室, 专业课成绩单与试卷交各学院,各学院把成绩单交研究生院培养办公室. 东北大学研究生院培养办公室
数字滤波器设计 技术指标： 通带最大衰减： =3dB ， 通带边界频率： ＝100Hz 阻带最小衰减： ＝20dB 阻带边界频率： ＝200Hz 采样频率：Fs=200Hz 目标： 1、根据性能指标设计一个巴特沃斯低通模拟滤波器。 2、通过双线性变换将该模拟滤波器转变为数字滤波器。 原理： 一、模拟滤波器设计 每一个滤波器的频率范围将直接取决于应用目的，因此必然是千差万别。为了使设计规范化，需要将滤波器的频率参数作归一化处理。设所给的实际频 率为Ω（或f ），归一化后的频率为λ，对低通模拟滤波器令λ＝p ΩΩ/，则1 =p λ， p s s ΩΩ=/λ。令归一化复数变量为p ，λj p =，则p p s j j p Ω=ΩΩ==//λ。所以巴 特沃思模拟低通滤波器的设计可按以下三个步骤来进行。 (1)将实际频率Ω规一化 (2)求Ωc 和N 11010/2-=P C α s p s N λααlg 1 10 110lg 10 /10/--= 这样Ωc 和N 可求。 p x fp s x s f
根据滤波器设计要求＝3dB ，则C ＝1，这样巴特沃思滤波器的设计就只剩一个参数N ，这时 N p N j G 222 )/(11 11)(ΩΩ+= += λλ (3)确定)(s G 因为λj p =，根据上面公式有 N N N p j p p G p G 22)1(11 )/(11)()(-+= += - 由 0)1(12=-+N N p 解得 )221 2exp(πN N k j p k -+=，k ＝1，2， (2) 这样可得 1 )21 2cos(21 ) )((1 )(21+-+-= --= -+πN N k p p p p p p p G k N k k 求得)(p G 后，用p s Ω/代替变量p ，即得实际需要得)(s G 。 二、双线性变换法 双线性变换法是将s 平面压缩变换到某一中介1s 平面的一条横带里，再通过标准变换关系)*1exp(T s z =将此带变换到整个z 平面上去，这样就使s 平面与z 平面之间建立一一对应的单值关系，消除了多值变换性。 为了将s 平面的Ωj 轴压缩到1s 平面的1Ωj 轴上的pi -到pi 一段上，可以通过以下的正切变换来实现： )21 tan(21T T Ω= Ω 这样当1Ω由T pi -经0变化到T pi 时，Ω由∞-经过0变化到∞+，也映射到了整个Ωj 轴。将这个关系延拓到整个s 平面和1s 平面，则可以得到
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
信息工程系课程设计报告 课程MATLAB课程设计 专业通信工程 班级 2级本科二班 学生姓名1 景学号114 学生姓名2 学号1414 学生姓名3 王学号6 学生姓名4 学号31 学生姓名4 学号02 二〇一四年十二月
目录 目录 (1) 摘要： (2) 关键词： (2) 1.算法描述 (2) 1.1 噪声点 (3) 1.2 窗口尺寸选择 (3) 1.3求滤波窗口内中值，并替换像素点。 (3) 2程序实现 (4) 2.1准备和描述 (4) 2.2扩大窗口、确定窗口 (5) 2.3 确定最大、最小值和中值 (6) 2.4中值替换像素点、输出图像 (7) 实验结果 (9) 参考文献 (9)
摘要：通过本次课程设计，主要训练和培养学生综合应用所学MATLAB课程的自适应中值的相关知识，独立学习自适应中值滤波的原理及处理方式。学会扩大窗口并找到其区域内的中值、最小值、以及最大值，然后用中值代替像素点。通过自主学习和查阅资料来了解程序的编写及改进，并用MATLAB进行仿真。 关键词：自适应中值滤波灰度值椒盐噪声像素点.
1.算法描述 1.1 噪声点 脉冲噪声是图像处理中常见的一类，中值滤波器对消除脉冲噪声非常有效。噪声脉冲可以是正的（盐点），也可以是负的（胡椒点），所以也称这种噪声为“椒盐噪声”。椒盐噪声一般总表现为图像局部区域的最大值或最小值，并且受污染像素的位置是随机分布的，正负噪声点出现的概率通常相等。图像噪声点往往对应于局部区域的极值。 1.2窗口尺寸选择 滤波窗口尺寸的选择影响滤波效果，大尺寸窗口滤波能力强，但细节保持能力较弱；小尺寸窗口能保持图像大量细节但其滤波性能较低。根据噪声密度的大小自适应地选择滤波窗口可以缓和滤波性能与细节保持之间的矛盾，同时也增加了算法的时间复杂度。从形状看来窗口方向要沿着边缘和细节的方向，不能穿过它们也不能把它们和周围相差很大的像素包含在同一窗口中否则边缘和细节会被周围像素模糊。 1.3求滤波窗口内中值，并替换像素点。 设f ij为点(i,j)的灰度,A i,j为当前工作窗口,f min、f max 和f med分别为A i,j中的灰度最小值、灰度最大值和灰度中值, A
课程设计(论文)说明书 题目：有源低通滤波器 院（系）：信息与通信学院 专业：通信工程 学生姓名： 学号： 指导教师： 职称： 2010年 12 月 19 日
摘要 低通滤波器是一个通过低频信号而衰减或抑制高频信号的部件。理想滤波器电路的频响在通带内应具有一定幅值和线性相移，而在阻带内其幅值应为零。有源滤波器是指由放大电路及RC网络构成的滤波器电路，它实际上是一种具有特定频率响应的放大器。滤波器的阶数越高，幅频特性衰减的速率越快，但RC网络节数越多，元件参数计算越繁琐，电路的调试越困难。根据指标，本次设计选用二阶有源低通滤波器。 关键词：低通滤波器；集成运放UA741；RC网络 Abstract Low-pass filter is a component which can only pass the low frequency signal and attenuation or inhibit the high frequency signal . Ideal frequency response of the filter circuit in the pass band should have a certain amplitude and linear phase shift, and amplitude of the resistance band to be zero. Active filter is composed of the RC network and the amplifier, it actually has a specific frequency response of the amplifier. Higher the order of the filter, the rate of amplitude-frequency characteristic decay faster, but more the number of RC network section, the more complicated calculation of device parameters, circuit debugging more difficult. According to indicators ，second-order active low-pass filter is used in this design . Key words：Low-pass filter；Integrated operational amplifier UA741；RC network,
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
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
电子科技大学信息与软件工程学院学院标准实验报告 （实验）课程名称数字信号处理 电子科技大学教务处制表
电 子 科 技 大 学 实 验 报 告 学生姓名： 学 号： 指导教师： 实验地点： 实验时间：14-18 一、实验室名称：计算机学院机房 二、实验项目名称：fir 低通滤波器的设计 三、实验学时： 四、实验原理： 1. FIR 滤波器 FIR 滤波器是指在有限范围内系统的单位脉冲响应h[k]仅有非零值的滤波器。M 阶FIR 滤波器的系统函数H(z)为 ()[]M k k H z h k z -==∑ 其中H(z)是k z -的M 阶多项式，在有限的z 平面内H(z)有M 个零点，在z 平面原点z=0有M 个极点. FIR 滤波器的频率响应 ()j H e Ω 为 0 ()[]M j jk k H e h k e Ω -Ω ==∑ 它的另外一种表示方法为 () ()()j j j H e H e e φΩΩΩ=
其中 () j H e Ω和()φΩ分别为系统的幅度响应和相位响应。 若系统的相位响应()φΩ满足下面的条件 ()φαΩ=-Ω 即系统的群延迟是一个与Ω没有关系的常数α，称为系统H(z)具有严格线性相位。由于严格线性相位条件在数学层面上处理起来较为困难，因此在FIR 滤波器设计中一般使用广义线性相位。 如果一个离散系统的频率响应 ()j H e Ω 可以表示为 ()()()j j H e A e αβΩ-Ω+=Ω 其中α和β是与Ω无关联的常数，()A Ω是可正可负的实函数，则称系统是广义线性相位的。 如果M 阶FIR 滤波器的单位脉冲响应h[k]是实数，则可以证明系统是线性相位的充要条件为 [][]h k h M k =±- 当h[k]满足h[k]=h[M-k],称h[k]偶对称。当h[k]满足h[k]=-h[M-k],称h[k]奇对称。按阶数h[k]又可分为M 奇数和M 偶数，所以线性相位的FIR 滤波器可以有四种类型。 2. 窗函数法设计FIR 滤波器 窗函数设计法又称为傅里叶级数法。这种方法首先给出()j d H e Ω， ()j d H e Ω 表示要逼近的理想滤波器的频率响应，则由IDTFT 可得出滤波器的单位脉冲响应为 1 []()2j jk d d h k H e e d π π π ΩΩ-= Ω ? 由于是理想滤波器，故 []d h k 是无限长序列。但是我们所要设计的FIR 滤波 器，其h[k]是有限长的。为了能用FIR 滤波器近似理想滤波器，需将理想滤波器的无线长单位脉冲响应 []d h k 分别从左右进行截断。 当截断后的单位脉冲响应 []d h k 不是因果系统的时候，可将其右移从而获得因果的FIR 滤波器。
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
低通滤波器的设计 模拟滤波器在各种预处理电路中几乎是必不可少的，已成为生物医学仪器中的基本单元电路。有源滤波器实质上是有源选频电路，它的功能是允许指定频段的信号通过，而将其余频段上的信号加以抑制或使其急剧衰减。各种生物信号的低噪声放大，都是首先严格限定在所包含的频谱范围之内。 最常用的全极点滤波器有巴特沃斯滤波器和切比雪夫滤波器。就靠近ω=0处的幅频特性而言，巴特沃斯滤波器比切比雪夫滤波器平直，即在频率的低端巴特沃斯滤波器幅频特性更接近理想情况。但在接近截止频率和在阻带内，巴特沃斯滤波器则较切比雪夫滤波器差得多。本设计中要保证低频信号不被衰减，而对高频要求不高，因此选择了巴特沃斯滤波器。巴特沃思滤波电路(又叫最平幅度滤波电路)是最简单也是最常用的滤波电路，这种滤波电路对幅频响应的要求是：在小于截止频率ωc。的范围内，具有最平幅度响应，而在ω>ωc。后，幅频响应迅速下降。 因为本设计中要保证低频信号不被衰减，而对高频要求不高，所以选择 二阶滤波器即可。本系统采用二阶Butterworth低通滤波器，截止频率f H=100HZ，其电路原理图如1： 图1 低通滤波器图 根据matlab软件算得该设计适合二阶低通滤波器，FSF=628选Z=10000，则
Z R R FSF Z ?=?=的归一值的归一值 C C 3.2脉象信号的的前置放大 由于人体信号的频率和幅度都比较低，很容易受到空间电磁波以及人体其它生理信号的干扰，因此在对其进行变换、分析、存储、记录之前，应该进行一些预处理，以保证测量结果的准确性。因此需要对信号进行放大，“放大”在信号预处理中是第一位的。根据所测参数和所用传感器的不同，放大电路也不同。用于测量生物电位的放大器称为生物电放大器，生物电放大器比一般放大器有更严格的要求。 在本研究中放在传感器后面的电路就是前置放大电路，由于从传感器取得的信号很微弱，且混杂了一些其他的干扰信号。因此前置放大电路的主要功能是，滤除一些共模干扰信号，同时进行一定的放大。该电路由4部分构成：并联型双运放仪器放大器，阻容耦合电路，由集成仪用放大器构成的后继放大器和共模信号取样电路。并联型双运放仪器放大器的优点是不需要精密的匹配电阻，理论上它的共模抑制比为无穷大，且与其外围电阻的匹配程度无关。集成仪用放大器将由并联型双运放仪器放大器输出的双端差动信号转变为单端输出信号，并采用阻容耦合电路隔离直流信号，可以使集成仪用放大器取得较高的差模增益，从而得到很高的共模抑制比。共模取样驱动电路由两个等值电阻和一只由运放构成的跟随器构成，能够使共模信号不经阻容耦合电路的分压直接加在集成放大器的输入端，避免了由于阻容耦合电路的不匹配而降低电路整体的共模抑制比。此电路中也采用了右腿驱动电路来抑制位移电流的影响。前置放大电路参数选择：此部分总的增益取为1000，其中并联型双运放仪器放大器的增益为5,集成仪用放大器的增益为200。具体设计电路如图2所示
将下面代码直接贴入matlab中，并将读入图像修改成自己机子上的，就可以运行了。可以按照“%%”顺序分步来运行 %% function 自适应中值滤波器 %%%%%%%%%%%%%%% %实现两个功能： %1.对高密度的椒盐噪声有好的滤除效果； %2.滤波时减少对图像的模糊； %%%%%%%%%%%%%%% %%%%%%%%%%%%%%% %原理： %1.椒盐噪声概率越大，滤波器窗口需越大。故若滤波器窗口随噪声概率自适应变化，才能有好的滤除效果 %2.为减少对图像的模糊，需在得出原图像值并非椒盐噪声点时，保留原图像值不变； %3.椒盐噪声点的特点：该点的值为该点领域上的最大或最小；%%%%%%%%%%%%%%% %%%%%%%%%%%%%%% %步骤（得到图像中某点(x,y)（即窗口中心点）的值的步骤）： %1.设定一个起始窗口，以及窗口的最大尺寸； %2.（此步用于确定窗口大小）对窗口内像素排序，判断中值是否是噪声点，若不是，继续第3步，若是，转到第5步； %3.判断中心点是否是噪声点，若不是，则输出该点的值（即图像中该点的原值不变）；若是，则输出中值； %4.窗口尺寸增大，若新窗口尺寸小于设定好的最大值，重复第2步，若大于，则滤波器输出前一个窗口的中值； %%%%%%%%%%%%%%% %%%%%%%%%%%%%%% %参数说明：
%被噪声污染的图像（即退化图像也即待处理图像）:Inoise %滤波器输出图像：Imf %起始窗口尺寸:nmin*nmin(只取奇数)，窗口尺寸最大值：nmax*nmax %图像大小:Im*In %窗口内图像的最大值Smax,中值Smed,最小值Smin %%%%%%%%%%%%%%%%%%%% %% clear clf %% 读入图像I I=imread('e:/photo/cat.jpg'); %转化为灰度图Ig Ig=rgb2gray(I); %被密度为0.2的椒盐噪声污染的图像Inoise Inoise=imnoise(Ig,'salt & pepper',0.2); %或者是被方差为0.2的高斯噪声污染的图像Inoise %Inoise=imnoise(Ig,'gaussian',0.2); %显示原图的灰度图Ig和噪声图像Inoise subplot(2,2,1),imshow(Ig);xlabel('a.原始灰度图像'); subplot(2,2,2),imshow(Inoise);xlabel('b.被噪声污染的图像'); %% 定义参数 %获取图像尺寸:Im,In [Im,In]=size(Inoise); %起始窗口尺寸:nmin*nmin(窗口尺寸始终取奇数) nmin=3; %最大窗口尺寸:nmax*nmax nmax=9; %定义复原后的图像Imf Imf=Inoise; %为了处理到图像的边界点，需将图像扩充
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
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