自适应滤波器的原理与程序
一、实验目的：
1、 了解自适应滤波器的原理，明确自适应滤波器程序的基本构成。
2、 学习自适应滤波程序建立和调试的基本方法,对一个带有噪音干扰的信号进行自适应滤波。
二、实验原理：
1、自适应滤波原理
在数字信号处理的一些应用中，为保证条件变化时的跟踪能力，如语音信号传输中的回声和噪声干扰的消除等，往往需要滤波器能够进行自适应调节。由于IIR 滤波器存在着稳定性问题，因此，目前通常采用FIR 滤波器进行自适应算法的研究和运用。
自适应滤波器的构成如图8-10-1所示。图中H (z )的输出d (n )为期望输出，当实际输出与期望输出存在误差时，自适应滤波器将自动调节其滤波器的系数，使得输出y (n )接近理想输出。
(n x h (n x W )
(n y )(n e 图8-10-1 自适应滤波器的结构
自适应滤波器由参数可调的数字滤波器（或称为自适应处理器）和自适应算法两部分组成。输入信号()x n 通过参数可调的数字滤波器后产生输出信号（或者响应）()y n ，将其与参考信号（或称期望信号）()d n 进行比较，形成误差信号()e n 。()e n 通过某种自适应算法对滤波器参数进行调整，最终使()e n 的均方误差最小。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的维纳滤波器，在设计时不需要事先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。一旦输入信号的特性发生变化，它又能够跟踪这种变化，自动调整参数，使 滤波器性能达到最佳。
在自适应FIR 滤波器中，滤
波输出具有以下形式：
写成矢量的形式即
误差信号()
e n
自适应滤波器按照误差信号的均方值最小的准则，即
来自动调整权矢量。
2[()]E e n 在()d n 和()x n 都是平稳随机信号的情况下，是权矢量的二次函数。这就是说，10
()()()N k k y n w n x n k -==-?()()()()()y n x n w n w n x n T T ==()()()()()()()()()e n d n y n d n x n w n d n w n e n T T =-=-=-2[()]min E e n =
若将上式展开，则w 各分量只有一次项和二次项存在。2[()]E e n 的函数图形是一个中间下凹的超抛物面，有唯一的最低点。
自适应的过程是自动调整权矢量，使均方误差达到最小值的过程，相当于沿性能曲面往下搜索最低点。最常用的搜索方法是梯度法。梯度法实际上是最陡下降法。最陡下降法就是沿性能曲面最陡方向向下搜索曲面的最低点。曲面的最陡下降方向是曲面的负梯度方向。这
是一个迭代搜索的过程。
2、LMS 算法原理
最陡下降法每次迭代都需要知道性能曲面上某点的梯度值，而实际上梯度值只能根据观测数据进行估计，自适应最小均方（LMS ）算法是一种很有用且简单的估计梯度的方法。这种算法自60年代初提出以后很快就得到广泛应用，它的突出优点是：计算量小，易于实现。
LMS 算法最核心的思想是
用平方误差代替均方误差。这样
LMS 算法按照式来调整权系数时不需要进行平方运算和统计平均运算，因而实起来很简单。下一刻权矢量等于前一刻权矢量加上一个修正量，该修正量等于误差信号的加权值，该加权系数为2()x n ，它是正比与当前的输入信号的。
三、实验步骤：
1 编写m 文件程序
2 运行调试程序
3观察运行结果，比较分析
参考文献：
姚天任.现代数字信号处理[M].华中科技大学出版社。
(1)()(())w n w n n m +=+- 2()()2()()()e n n e n x n w n ??=-?(1)()2()()
w n w n e n x n m +=+
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
滤波器原理 滤波器是一种选频装置，可以使信号中特定的频率成分通过，而极大地衰减其它频率成分。在测试装置中，利用滤波器的这种选频作用，可以滤除干扰噪声或进行频谱分析。 广义地讲，任何一种信息传输的通道（媒质）都可视为是一种滤波器。因为，任何装置的响应特性都是激励频率的函数，都可用频域函数描述其传输特性。因此，构成测试系统的任何一个环节，诸如机械系统、电气网络、仪器仪表甚至连接导线等等，都将在一定频率范围内，按其频域特性，对所通过的信号进行变换与处理。 本文所述内容属于模拟滤波范围。主要介绍模拟滤波器原理、种类、数学模型、主要参数、ＲＣ滤波器设计。尽管数字滤波技术已得到广泛应用，但模拟滤波在自动检测、自动控制以及电子测量仪器中仍被广泛应用。带通滤波器 二、滤波器分类 ⒈根据滤波器的选频作用分类 ⑴低通滤波器 从0～f2频率之间，幅频特性平直，它可以使信号中低于f2的频率成分几乎不受衰减地通过，而高于f2的频率成分受到极大地衰减。 ⑵高通滤波器 与低通滤波相反，从频率f1～∞，其幅频特性平直。它使信号中高于f1的频率成分几乎不受衰减地通过，而低于f1的频率成分将受到极大地衰减。 ⑶带通滤波器 它的通频带在f1～f2之间。它使信号中高于f1而低于f2的频率成分可以不受衰减地通过，而其它成分受到衰减。 ⑷带阻滤波器 与带通滤波相反，阻带在频率f1～f2之间。它使信号中高于f1而低于f2的频率成分受到衰减，其余频率成分的信号几乎不受衰减地通过。 推荐精选
低通滤波器和高通滤波器是滤波器的两种最基本的形式，其它的滤波器都可以分解为这两种类型的滤波器，例如：低通滤波器与高通滤波器的串联为带通滤波器，低通滤波器与高通滤波器的并联为带阻滤波器。 低通滤波器与高通滤波器的串联 低通滤波器与高通滤波器的并联 ⒉根据“最佳逼近特性”标准分类 ⑴巴特 沃斯滤波 器 从幅频特 性提出要 求，而不 考虑相频 特性。巴 特沃斯滤 波器具有最大平坦幅度特性，其幅频响应表达式为： ⑵切比雪夫滤波 器 推荐精选
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 ≥；
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
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
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
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
11种经典软件滤波的原理和实现 1、限幅滤波法（又称程序判断滤波法） A、方法： 根据经验判断，确定两次采样允许的最大偏差值（设为A） 每次检测到新值时判断： 如果本次值与上次值之差<=A,则本次值有效 如果本次值与上次值之差>A,则本次值无效,放弃本次值,用上次值代替本次值 B、优点： 能有效克服因偶然因素引起的脉冲干扰 C、缺点 无法抑制那种周期性的干扰 平滑度差 2、中位值滤波法 A、方法： 连续采样N次（N取奇数） 把N次采样值按大小排列 取中间值为本次有效值 B、优点： 能有效克服因偶然因素引起的波动干扰 对温度、液位的变化缓慢的被测参数有良好的滤波效果 C、缺点： 对流量、速度等快速变化的参数不宜 3、算术平均滤波法 A、方法： 连续取N个采样值进行算术平均运算 N值较大时：信号平滑度较高，但灵敏度较低 N值较小时：信号平滑度较低，但灵敏度较高 N值的选取：一般流量，N=12；压力：N=4 B、优点： 适用于对一般具有随机干扰的信号进行滤波 这样信号的特点是有一个平均值，信号在某一数值范围附近上下波动 C、缺点： 对于测量速度较慢或要求数据计算速度较快的实时控制不适用 比较浪费RAM 4、递推平均滤波法（又称滑动平均滤波法） A、方法： 把连续取N个采样值看成一个队列 队列的长度固定为N 每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据.(先进先出原则) 把队列中的N个数据进行算术平均运算,就可获得新的滤波结果 N值的选取：流量，N=12；压力：N=4；液面，N=4~12；温度，N=1~4
B、优点： 对周期性干扰有良好的抑制作用，平滑度高 适用于高频振荡的系统 C、缺点： 灵敏度低 对偶然出现的脉冲性干扰的抑制作用较差 不易消除因为脉冲干扰所引起的采样值偏差 不适用于脉冲干扰比较严重的场合 比较浪费RAM 5、中位值平均滤波法（又称防脉冲干扰平均滤波法） A、方法： 相当于“中位值滤波法”+“算术平均滤波法” 连续采样N个数据，去掉一个最大值和一个最小值 然后计算N-2个数据的算术平均值 N值的选取：3~14 B、优点： 融合了两种滤波法的优点 对于偶然出现的脉冲性干扰，可消除因为脉冲干扰所引起的采样值偏差 C、缺点： 测量速度较慢，和算术平均滤波法一样 比较浪费RAM 6、限幅平均滤波法 A、方法： 相当于“限幅滤波法”+“递推平均滤波法” 每次采样到的新数据先进行限幅处理， 再送入队列进行递推平均滤波处理 B、优点： 融合了两种滤波法的优点 对于偶然出现的脉冲性干扰，可消除因为脉冲干扰所引起的采样值偏差 C、缺点： 比较浪费RAM 7、一阶滞后滤波法 A、方法： 取a=0~1 本次滤波结果=（1-a）*本次采样值+a*上次滤波结果 B、优点： 对周期性干扰具有良好的抑制作用 适用于波动频率较高的场合 C、缺点： 相位滞后，灵敏度低
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
自适应中值滤波方法 我们通过对中心权值进行分析，不难得出以下结论：假设权值为1时，CWM 则退化成为SM ，然而当权值不小于窗口大小时，CWM 滤波器的输出值始终为初始值，也就是会导致CWM 失去去噪效果。通过科学实验验证，当中心权值取3的时候，可以得到相比其他值更好的滤波效果。 从上面的结论可知，CWM 的中心权值为3时，可以增加序列里中心像素点占所有像素点的比重，以便得到更好的去噪效果。那对于SM ，通过改变序列中值左右两个值的大小，观察其去噪效果会发生什么变化呢？ 对于SM 滤波器，除了序列中值外，序列中中值前面一个值与中值后面一个值对去噪的效果也会起到了明显作用。于是结合CWM 的这些优点，并整合了TSM 和NASWF 等滤波器设计的思想，设计了一个改进的自适应中值滤波器( Adaptive Median Filter, AM)[10]。 其主要滤波方法如下： ()()()()1222 122211 22 211212 2ij ij ws ws ij ij ij ij ws ws ij WS rank W WS SM R R if rank X AM WS rank W WS SM R R ifrank X WS ++++??+? -???+??? --?≤ ?????????=? ?+??-?? ?+??--?> ?-? ??? ????? （2.5） 式2.4中，WS 表式窗口大小，R i 表示序列中第i 个元素的值，rank(X)表示元素X 在序列中的位置，点(i,j)为窗口中心像素点。对于点(I,j)，经过AM 滤波后的输出值即为AM ij 。 根据TSM 中设计的阈值策略，Chang 在其设计中也加入了类似的策略，通过阈值T 来判断是否需对当前像素点采用式2.4进行滤波，或者保留原值: ij ij ij ij ij ij ij AM X AM T Y X X AM T ?-≥?=? -
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
均值滤波与自适应中值滤波的仿真与实现 摘要 图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵,然而在图像使用和传输过程中,不可避免会受到噪声的干扰，因此为了恢复原始图像，达到好的视觉效果，需要对图像进行滤波操作。根据噪声种类不同，可以采用不同的滤波方法，均值滤波是典型的线性滤波算法，能够有效滤波图像中的加性噪声，而中值滤波器是能够有效滤除脉冲噪声的非线性滤波器，但传统中值滤波去脉冲噪声的性能受滤波窗口尺寸的影响较大, 在抑制图像噪声和保护细节两方面存在矛盾。本文首先对不同均值滤波器在处理不同噪声方面的优缺点进行了分析，然后分别用中值滤波器和自适应中值滤波器对被椒盐噪声污染的图像进行了滤波操作，发现自适应中值滤波方法不仅可以有效滤波椒盐噪声，同时还可以有效地克服中值滤波器造成图像边缘模糊的缺点。 1.均值滤波 均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素点和其本身像素点。再用模板中的全体像素的平均值来代替原来像素值。均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其邻近的若干像素组成，求模板中所有像素
的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度值g（x，y），即g（x，y）=1/m ∑f（x，y）， m为该模板中包含当前像素在内的像素总个数。均值滤波能够有效滤除图像中的加性噪声，但均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊。均值滤波主要有算术均值滤波，几何均值滤波，谐波均值滤波以及逆谐波均值滤波，本文只对算术均值滤波，几何均值滤波和逆谐波均值滤波进行研究。其中几何均值滤波器所达到的平滑度可以与算术均值滤波器相比,但在滤波过程中丢失更少的图象细节。逆谐波均值滤波器更适合于处理脉冲噪声,但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声,以便于选择合适的滤波器阶数符号,如果阶数的符号选择错了可能会引起灾难性的后果。下面分别对算术平均滤波，几何平均滤波和逆谐波均值滤波对不同噪声的滤波效果进行仿真分析。