下载文档原格式
滤波器设计中的自适应小波分解滤波器的阶数分析自适应小波分解滤波器是数字信号处理中常用的一种滤波器。
它基于小波变换的思想，能够对信号进行多分辨率分析和滤波处理。
在滤波器设计过程中，选择适当的阶数是十分重要的，它直接影响到滤波器的性能和效果。
本文将对自适应小波分解滤波器的阶数进行详细分析和探讨。
一、自适应小波分解滤波器的原理自适应小波分解滤波器的设计目标是将待处理的信号分解为高频子带和低频子带，然后通过滤波处理得到所需的输出信号。
具体的工作流程如下：1. 对输入信号进行小波变换，得到小波系数。
2. 将小波系数进行阈值处理，利用阈值函数将小波系数中较小的值设为0，从而实现信号的压缩和去噪。
3. 对处理后的小波系数进行逆小波变换，得到输出信号。
二、阶数与滤波器性能的关系在自适应小波分解滤波器设计中，阶数是决定滤波器性能的一个重要参数。
阶数代表了滤波器的复杂程度，阶数越高，滤波器的频率响应越精确，但同时也会增加计算复杂度和滤波延迟。
因此，选择合适的阶数是设计滤波器的关键。
1. 频率响应精度阶数越高，滤波器的频率响应越精确。
这是因为高阶滤波器具有更多的参数来调节频率响应。
在一些高精度信号处理应用中，如音频恢复和图像重构等，需要较高的频率响应精度，因此需要选择较高的阶数。
2. 计算复杂度阶数越高，滤波器的计算复杂度越高。
这是因为高阶滤波器需要更多的计算资源来实现滤波操作。
在实时系统或资源受限的设备中，需要考虑计算复杂度的问题，合理选择阶数以保证系统的实时性和可行性。
3. 滤波延迟阶数越高，滤波器的延迟越大。
这是因为高阶滤波器需要更多的时间来处理输入信号。
在某些应用中，如实时控制系统或需要较低延迟的通信系统中，需要选择较低的阶数以保证系统的响应速度。
综上所述，选择自适应小波分解滤波器的阶数时需要综合考虑频率响应精度、计算复杂度和滤波延迟等因素。
根据具体应用的需求，在满足性能要求的前提下，选择最合适的阶数。
结论本文对滤波器设计中的自适应小波分解滤波器的阶数进行了深入的分析和探讨。
滤波器设计中的自适应小波滤波阵列分解滤波器的阶数分析滤波器在信号处理中起着重要的作用，能够对信号进行去噪、特征提取等处理。
在滤波器设计中，自适应小波滤波阵列分解滤波器是一种常用的方法。
本文将分析自适应小波滤波阵列分解滤波器中的阶数，并讨论其对滤波性能的影响。
1. 简介自适应小波滤波阵列分解滤波器是一种基于小波变换的滤波方法，能够根据信号特性自动调整滤波器的参数。
其主要思想是利用小波变换将信号分解为不同尺度的小波系数，然后通过调整滤波器的阶数对小波系数进行滤波处理。
2. 自适应小波滤波阵列分解滤波器的阶数选择在设计自适应小波滤波阵列分解滤波器时，选择合适的阶数对于滤波性能至关重要。
阶数决定了滤波器的自由度和频率响应的平滑程度，过高或过低的阶数都可能导致滤波性能下降。
2.1 阶数过低的影响当选择过低的阶数时，滤波器的自由度不足，无法充分适应信号的变化特性，从而可能导致信号未能得到有效的滤波。
此外，过低的阶数也会导致频率响应的平滑程度不够，使得滤波后的信号可能存在过多的高频噪声。
2.2 阶数过高的影响当选择过高的阶数时，会增加滤波器的计算复杂度，导致滤波速度减慢，对于实时性要求较高的应用来说，这将是一个不可接受的问题。
此外，过高的阶数还可能导致过多的参数需要估计，增加了滤波器的学习难度。
3. 阶数选择的方法为了选择合适的阶数，可以借助一些方法进行优化。
以下是几种常用的阶数选择方法：3.1 基于信号特性的方法根据信号的频率内容和变化规律，可以推测出滤波器的合理阶数范围。
通过分析信号的功率谱密度、谱形等特征，可以大致估计出合适的阶数。
3.2 基于误差性能的方法利用滤波器的期望性能与实际滤波结果之间的差距，可以通过最小化误差来选择最优的阶数。
例如，可以通过均方误差、信噪比等指标来评估滤波效果，然后选择阶数使得指标达到最优。
3.3 基于经验的方法在一些特定应用场景中，可以通过经验法则来选择阶数。
这种方法可能并不是最优的，但可以作为一个快速的选择方案。
第四章格型自适应滤波器本章研究另一类线性自适应滤波器，其是设计基于阶数更新和时间更新的递归算法。
这种新的自适应滤波器与前面章节所研究的滤波器的不同之处在于阶数更新。
而这可以利用均匀采样后时间数据的时移特性来实现。
就结构而言，阶更新获得一种计算高效、模块化以及格型的结构；它可将前面m-1阶计算得到的信息传递到更新后的m阶滤波器。
最后结果是实现其计算复杂度与滤波器m 阶呈线性关系的自适应滤波器。
与其他类型线自适应滤波器相同，阶递归自适应滤波器的设计也是基于下面两种方法：1 随机梯度法它建立在前向线性格型预测器和后向格型预测器的基础上。
2 最小二乘法它建立在卡尔曼滤波器与最小二乘滤波器之间对应关系的基础上。
LMS和RLS滤波器同属于横向自适应滤波器，在实际应用中，一个横向滤波器的最优阶数通常是未知的，这就需要通过比较不同阶数的滤波器来确定最优的阶数。
但是，当改变横向滤波器的阶数时，LMS和RLS算法必须重新运行，这显然是很不方便且费时，而格型滤波器解决了这一难题。
格型滤波器最突出的特点是局部相关联的模化块结构，格型系数对于数值扰动的低灵敏性，以及格型算法对于信号协方差矩阵特征值扩散的相对惰性，使得其算法具有快速收敛和优良数值特性，已被广泛应用于信号预测和滤波处理。
4.1 梯度自适应格型算法梯度自适应格型（GAL，gradient-adeptive lattice ）滤波器具有对称的格型结构，从随机梯度法得出的阶递归自适应滤波器设计简单，但在特性方面是近似的；其设计的简单性在于格型滤波器的每一级只有一个反射系数。
其设计准则和LMS算法一样是使均方误差为最小。
图4.1示出了一个单级格型预测器的方框图：图4.1单级格型预测器[6]其输入输出关系用单个参数——反射系数K m 来表征。
假设输入数据广义平稳且km 为复值。
对于km 的估计，首先考虑代价函数22,1[|()||()|]2fb m m m J E f n b n =+ (4-1) 其中，()m f n 是第m 级前向预测误差，()m b n 是第m 级后向预测误差。
245第3章 最小均方误差自适应格形滤波器前面介绍的滤波器是横向结构的（或称为直接形式），这一章我们介绍另一类结构的自适应滤波器，称为自适应格形滤波器。
自适应格形滤波器具有一系列重要优点，使其有着广泛的应用领域，例如用于系统辨识和控制、噪声干扰对消、信道均衡、以及语音分析和合成等。
特别是递推最小二乘格型滤波器具有非常好的数值特性并能跟踪时变信号。
自适应格形滤波器正如自适应横向滤波器一样，有最小均方误差准则和最小二乘准则两种，因而自适应格形滤波器也两类不同的算法及实现结构。
这一章将讨论最小均方误差自适应格形滤波器。
求解线性预测正规方程也可采用Levinson-Durbin 算法，其运算量比直接求解正规方程要小得多。
根据Levinson-Durbin 算法可以发展出格形滤波器。
格形滤波器具有一系列重要优点，使其在自适应中获得广泛应用。
格形滤波器的优点包括：（1）一个m 阶格形滤波器可以产生相当于从1阶到m 阶的m 个横向滤波器的输出。
这使我们能在变化的环境下动态地选择最佳的阶；（对于横向滤波器来说，一旦滤波器的长度改变就会导致一组新的滤波器系数，而新的滤波器系数与旧的完全不同。
而格形滤波器的结构是阶次递推式的，它的阶数的改变并不影响其它级的反射系数。
）（2）格形滤波器具有模块式结构，便于实现高速并行处理；（3）格形滤波器系数优良的数值特性。
3.1 线性预测滤波器3.1.1 前向线性预测滤波器前向线性预测是已知)1(-n x ，…，)(m n x -等m 个值，用这m 个值线性组合预测)(n x ，即)()1()(ˆ1m n x a n x a n xmm m -----= ∑=--=mk mkk n x a1)( 3.1.1）mk a 称为前向预测系数。
实现这种处理的滤波器称为前向线性预测滤波器。
前向线性预测误差为245()()()∑=-+=-=mk mkfmk n x an x n xn x e 1)(ˆ （3.1.2）如果把fm e 看成是输出，)(n x 是其输入，这时滤波器称为前向线性预测误差滤波器。
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。
245第3章 最小均方误差自适应格形滤波器前面介绍的滤波器是横向结构的（或称为直接形式），这一章我们介绍另一类结构的自适应滤波器，称为自适应格形滤波器。
自适应格形滤波器具有一系列重要优点，使其有着广泛的应用领域，例如用于系统辨识和控制、噪声干扰对消、信道均衡、以及语音分析和合成等。
特别是递推最小二乘格型滤波器具有非常好的数值特性并能跟踪时变信号。
自适应格形滤波器正如自适应横向滤波器一样，有最小均方误差准则和最小二乘准则两种，因而自适应格形滤波器也两类不同的算法及实现结构。
这一章将讨论最小均方误差自适应格形滤波器。
求解线性预测正规方程也可采用Levinson-Durbin 算法，其运算量比直接求解正规方程要小得多。
根据Levinson-Durbin 算法可以发展出格形滤波器。
格形滤波器具有一系列重要优点，使其在自适应中获得广泛应用。
格形滤波器的优点包括：（1）一个m 阶格形滤波器可以产生相当于从1阶到m 阶的m 个横向滤波器的输出。
这使我们能在变化的环境下动态地选择最佳的阶；（对于横向滤波器来说，一旦滤波器的长度改变就会导致一组新的滤波器系数，而新的滤波器系数与旧的完全不同。
而格形滤波器的结构是阶次递推式的，它的阶数的改变并不影响其它级的反射系数。
）（2）格形滤波器具有模块式结构，便于实现高速并行处理；（3）格形滤波器系数优良的数值特性。
3.1 线性预测滤波器3.1.1 前向线性预测滤波器前向线性预测是已知)1(-n x ，…，)(m n x -等m 个值，用这m 个值线性组合预测)(n x ，即)()1()(ˆ1m n x a n x a n xmm m -----= ∑=--=mk mkk n x a1)( 3.1.1）mk a 称为前向预测系数。
实现这种处理的滤波器称为前向线性预测滤波器。
前向线性预测误差为245()()()∑=-+=-=mk mkfmk n x an x n xn x e 1)(ˆ （3.1.2）如果把fm e 看成是输出，)(n x 是其输入，这时滤波器称为前向线性预测误差滤波器。
其传递函数为∑=-+==mk k mk f mfm z a z X z E z H 11)()()( （3.1.4）其中)(z E f m 、)(z X 分别为f m e 、)(n x 的z 变换。
前向线性预测滤波器和前向线性预测误差滤波器可用图3.1来表示。
图3.1 前向线性预测误差滤波器我们主要讨论)(n x 为实信号的情况，但不难推广到复信号情况。
根据最小均方误差准则，最佳预测系数应满足0})]({[2=∂∂mkfm a n e E m k ≤≤1 （3.1.5）可得0)}()({=-k n x n e E f m m k ≤≤1 （3.1.6）即最佳预测误差与用于预测的数据正交。
这就是对于前向线性预测的正交原理。
由（3.1.6）得()fm e n245进一步得 0)()(1=-+∑=mi mii k r ak r m k ≤≤1 （3.1.10）这就是最佳mk a （m k ≤≤1）必须满足的正规方程。
它是m 个方程组成的方程组。
根据正交原理（式（3.1.6））可求得对于最佳mk a 的最小前向预测误差功率 ()]})()[({})]({[1min 2∑=-+==mi mkf mf mfmi n x an x n e E n e E ε()∑=+==mi mif mi r ar n x n e E 1)()0(})({ （3.1.11）结合式（3.1.10）和（3.1.11），可得下面的矩阵方程⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡--001)0()1()()1()0()1()()1()0(1fm mm m a a r m r m r m r r r m r r r ε （3.1.12） 方程（3.1.12）称为Yule-Walker 方程。
这是一个1+m 方程的方程组。
已知)0(r ,)1(r ,…, )(m r ，即可接出1m a ,2m a ,…, mm a ,fmε，得出最佳向前预测误差滤波器和相应的最小预测误差。
3.1.2 后向线性预测滤波器由)1(+-m n x ,…, )(n x 预测)(m n x -，就称为后向预测。
前后向预测可用图3.2表示。
对)(m n x -的后项预测可表示为()∑=+--=-mk mkk m n x bm n x1)(ˆ （3.1.13）相应的后项线性预测误差为()()()∑=+-+-=---=mk mkbmk m n x bm n x m n xm n x e 1)(ˆ （3.1.14）类似地，后向线性预测滤波器和后向线性预测误差滤波器如图3.3所示。
245图3.2 前向预测和后项预测 图3.3 后向线性预测滤波器对于最佳的mk b 值有0})]({[2=∂∂mkbm b n e E m k ≤≤1 （3.1.15）从而有 0)}()({=+-k m n x n e E bm m k ≤≤1 （3.1.16）这就是后向线性预测的正交原理。
将)(n e bm的表达式代入（3.1.16）得 0)()(1=-+∑=mi mii k r bk r m k ≤≤1 （3.1.17）比较式（3.1.10）和式（3.1.17）可看出，最佳的mk a 和mk b 满足同样的方程组。
所以mk a =mk b m k ≤≤1 （3.1.18）后向预测误差滤波器的传递函数为)1()()()(1∑=-+==mk k mkmb mbm z bzz X z E z H （3.1.19）其中其中)(z E b m 为b m e 的z 变换。
因对于最佳预测成立式（3.1.18），所以由（3.1.19）和（3.1.4）可得1()()b m fm m H z z H z --= （3.1.20）对于最佳后向预测，可得最小后向预测误差功率为245∑=+==mi mi b mb mi r b r n e E 1min 2)()0(})]({[ε （3.1.21）根据式（3.1.18），式（3.1.21）和式（3.1.11）相同，所以令其为m ε，即f bm m m εεε== （3.1.22）结合式（3.1.17）和式（3.1.21），可得类似于式（3.1.12）的矩阵方程⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡---m m mm b b r m r m r r m r m r m r r r ε 001)0()1()()1()2()1()()1()0(1 （3.1.23） 3.1.3 Levinson-Durbin 算法定义前向预测误差f m ε和后项预测误差bm ε之相关函数为)}1()({1-≡∆+n e n e E bm f m m （3.1.24）()⎥⎦⎤⎢⎣⎡+--+--=-∑=mk mk f m b mf mk m n x b m n x n e n e n e 1)1(1)()1()( ()⎥⎦⎤⎢⎣⎡+--+--=∑=m k mk f mf mk m n x b n e m n x n e 1)1()(1)(根据正交原理式（3.1.6），上式的第二项为零，所以不难得到∑=+-+++=∆mi mim i m r am r 11)1()1( （3.1.25）将式（3.1.25）加到1+m 个方程的方程组上，得到2+m 个方程的方程组：⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡∆=⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡+--++110001)0()1()()1()1()0()1()()()1()0()1()1()()1()0(m m mm m a a r r m r m r r r m r m r m r m r r r m r m r r rε （3.1.26） 因为这个方程组的系数是对称的和Toeplitz 的（各对角线元素相等），所以首先245颠倒方程的次序（等号右边矩阵的行颠倒），再颠倒变量的次序（变量的行颠倒）就得如下方程⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡∆=⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡+--++m m m mm a a r r m r m r r r m r m r m r m r r r m r m r r r ε0010)0()1()()1()1()0()1()()()1()0()1()1()()1()0(11（3.1.27） 引入系数1+m K ，并将式（3.1.26）和式（3.1.27）组合起来⎪⎪⎪⎭⎪⎪⎪⎬⎫⎪⎪⎪⎩⎪⎪⎪⎨⎧⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡∆+⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡∆=⎪⎪⎪⎭⎪⎪⎪⎬⎫⎪⎪⎪⎩⎪⎪⎪⎨⎧⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡+⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡+--+++++m m m m m m mm m mm m K a a K a a r r m r m r r r m r m r m r m r r r m r m r r r εε00001001)0()1()()1()1()0()1()()()1()0()1()1()()1()0(111111（3.1.28）但是，另一方面对于1+m 阶前向线性预测滤波器有⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡+--++++++0001)0()1()()1()1()0()1()()()1()0()1()1()()1()0(11,1,11,1m m m m m m a a a r r m r m r r r m r m r m r m r r r m r m r r r ε （3.1.29） 比较式（3.1.28）和式（3.1.29）就得到下列的求解最佳线性预测系数的Levinson-Durbin 算法：k m m m mk k m a K a a -++++=1,1,1 m k ≤≤1 11,1+++=m m m K a()m m m K εε2111++-= （3.1.30） m mi mi mm m i m r a m r K εε⎥⎦⎤⎢⎣⎡-+++-=∆-=∑=++111)1()1(245)}({)0(20n x E r ==ε其中前面的2个等式是方程左边第二因子相等求得，后2个等式是方程右边对应相等得到。
对于零阶递推、1阶递推和2阶递推如图3.4所示。
根据初值，由给定的相关函数值即可由式（3.1.30）推出各阶的最佳预测滤波器系数。
从Levinson-Durbin 递推公式运算量为2()O m 。
