自适应滤波算法毕业论文

处理的重要基础。自适应滤波器可以不必事先给定信号及噪声的自相关函数,它可以利用前一时刻已获得的滤波器参数自动地调节现时刻的滤波器参数使得滤波器输出和未知的输入之间的均方误差最小化,从而它可以实现最优滤波。 自适应滤波器的算法有很多,有RLS（递归最小二乘法）和LMS（最小均方算法）等。自适应LMS算法是一种很有用且很简单的估计梯度的方法,在信号处理中得到广泛应用。 本论文主要研究了自适应滤波器的基本结构和原理，然后介绍了最小均方误差算法(LMS算法)，并完成了一种基于MATLAB平台的自适应LMS自适应滤波器的设计,同时实现了对信号进行初步的降噪处理。 通过仿真，我们实现了LMS自适应滤波算法，并从结果得知步长和滤波器的阶数是滤波器中很重要的两个参数，并通过修改它们证实了这一点，其中步长影响着收敛时间，而且阶数的大小也会大大地影响自适应滤波器的性能。

一、应用：1）消除心电图中的电源干扰；2）检测胎儿心音时滤除母亲的心音及背景干扰；3）在有多人讲话的场合下提取某人的讲话；4）作为天线阵列的自适应旁瓣对消器。二、简介： 自适应滤波器属于现代滤波器)它是20世纪40年代发展起来的)在自适应信号处理领域中发挥着重要的作用。 自适应滤波器是相对固定滤波器而言的（自适应滤波器滤波的频率是自动适应输入信号而变化的)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的参数来自动调节现时刻的滤波器的参数-以适应信号和噪声未知或随机变化的统计特性，从而实现最优滤波器。即是根据不同的信号环境实现自身参数的调整。而实际情况中，信号和噪声的统计特性常常未知或无法获知，因此自适应滤波器的应用空间非常广泛-如系统辨识u噪声对消u自适应均衡w线性预测w自适应天线阵列等很多领域。

一种具有双瞬变因子的LMS自适应滤波算法 曾召华 刘贵忠 马社祥 （西安交通大学信息与通信工程研究所 西安710049） 作者在文献〔4〕中提出了一种改进的瞬变步长SPLMS自适应滤波算法。本文在SPLMS算法的基础上，进一步提出一种基于瞬变步长、瞬变平滑因子的双瞬变SPLMS算法—DSPLMS算法。该算法除具有常规LMS算法简单的优点外，还具有更高的起始收敛速率、更小的权失调噪声和更大的抑噪能力。文中重点讨论瞬变步长、瞬变平滑因子的变化特性。计算机仿真结果支持了理论分析。 自适应滤波器，失调噪声，收敛速度，最小均方误差，瞬变因子1 引言 自适应滤波器及其相应算法是多年来人们广泛研究的课题。基于Widrow－Hoff标准的LMS算法和其相应的自适应滤波器以其算法和结构简单，便于实时信号处理等优点，在不同领域得到了最为广泛的应用。而为克服常规的固定步长LMS或牛顿LMS（Newton LMS，即NLMS）自适应算法在收敛速率、跟踪速率与权失调噪声之间要求上存在的较大矛盾，人们发展了各种各样的改进型LMS算法，如基于瞬变步长LMS自适应滤波算法〔1～6〕、基于正交变换（DCT、FFT、小波变换、子带滤波）的新型LMS均衡算法〔7～8〕。基于模糊判断的自适应LMS系统识别和基于最小四次均方误差的LMS自适应平稳收敛算法〔9～10〕。在所有改进型LMS算法中，瞬变步长LMS自适应滤波算法是研究最为广泛的一类LMS自适应滤波算法。本文算法也是基于瞬变因子的一种改进LMS自适应滤波算法。2 SPLMS算法分析及问题的提出 在文献〔4〕中，作者对上述方案进行了大量的计算机仿真和理论分析，结果表明：（1）上述诸种算法的收敛速率与系统输入信噪比SNR直接相关，信噪比SNR越高，它们的收敛速率普遍提高；随着信噪比SNR的降低，它们的收敛速率减慢，甚至出现发散现象，因此它们必须在弱干扰下完成规一化起动，即在起始过程中噪声要相当小，否则效果不佳。（2）在上述所有算法中，由于采用瞬时平方误差性能函数e2k来代替均方误差性能函数，所以其算法的权值收敛过程表现为加权矢量的平均值变化规律和由于噪声引起的随机起伏项的叠加。因此，噪声方差越大，则随机起伏项越大，表现为权值振动也就越大。（3）为了追求更快的收敛性，往往增大μ和M，但滤波器阶数越高，步长因子μ和输入功率越大，就便得失调系数也越大。在有限次数起动迭代过程中，也就很难收敛到较稳态值，所以必须寻求更佳的瞬态步长算法。 文献〔4〕在准最小均方（Pseudo－LMS，即PLMS）误差算法基础上通过采用滑动时间窗，减少PLMS算法起动过程的计算量；同时在权值迭代中加一平滑迭代而使PLMS算法具备全局较强的抗噪性能，较快速收敛性能而提出了SPLMS算法，即： 其中rk为M阶滤波器输入信号的功率估值；Wk为滤波器的第k步M维最优权矢量估值；Xk是滤波器输入信号的M维输入数据矢量；dk为希望输出；μk为滤波器第k步瞬态步长。切换条件中，阈值μ类似于LMS算法的步长因子μL，满足：μL＜μ＜1／trR，R＝E〔XkXTk〕（7）为待定的算法常数，是μk变化的动态平衡点。而α是一常数为平滑因子，它决定上一次的权值变化对本次权值更新的影响程度。k0是采用式（2）规一化启动后，算法收敛到较稳态时的步数。式（4）是μk下降的递推算法，式（5）是μk上升的平滑递推算法。λ为上升的速度因子，满足0＜λ＜1。在实际应用中，考虑到学习过程的启动速度，一般取较大的λ值，即： 0．9＜λ＜1，k0＝25～35，｜α｜＜0．3（8） SPLMS算法的实质是：在开始k0步中，采用启动速度较快的MLMS（Mend LMS）算法收敛到相对较稳态的状态；然后在k≥k0＋1过程中，采用瞬态步长μk来训练算法。而μk根据不同的切换条件将围绕μ作升降变化，其迭代计算主要表现为不降即升的动态过程。α主要根据经验来取值，输入数据的非平稳性越大，噪声方差越大时，增大α可明显抑制振动，从而加速收敛过程；在噪声小时减小α。 但SPLMS算法也有一明显不足，即α主要根据经验来取值，没有理论上的确切依据。α取值不当，反而容易造成算法收敛性能更差，甚至发散的现象。从理论上分析，α与瞬态步长μk和输出误差ek（文中定义为：ek＝dk－WTk Xk）应有一定关系。在算法启动阶段，ek较大，为追求启动速度而常取较大步长μk，但μk越大，权失调系数也就越大，有时反而起不到应有的作用，这时就应相应增加α值来平滑权失调噪声；在算法渐趋稳定，步长μk渐趋于常数，ek渐趋于0，此时α也应渐趋于0。综合起来就是：α应随步长μk和误差ek瞬时变化而变化，也应是一瞬变因子。本文重点就是寻求瞬变因子αk的数学表达式以满足上述分析的要求。3 改进的双瞬变因子SPLMS算法——DSPLMS算法3．1 μk的变化特性 从式（4）和式（5）可以看出，在k≥k0＋1过程中，μk根据不同的切换条件将围绕μ作升降变化，μk的迭 代计算主要表现为不降即升的动态过程。对于式（5），设k≥kr时，μk＜μ，则在k≥kr＞k0＋1的上升过程中： 即上升速度按指数衰减，使趋于平衡点μ的上升速度迅速减小。其变化过程类似于一电阻电容串联电路上电容的充电过程。对式（4），由于μk＝μk－1／（1＋Rk），Rk＞0，即使很小的Rk经过一步迭代就足以使μk＜μ，再次切换到上升过程。当rk较大时，下降形成的负脉冲也较大。 综上所述，在k≥k0＋1的收敛过程中，μk的时变特性等价于幅值极不对称的随机正负尖脉冲序列组成的瞬态分量和直流分量μ的线性叠加。瞬态分量的负脉冲强度与rk瞬值对应，有利于抑制局部自激或短暂发散，减小权矢量噪声，提高稳定度。在rk较小、算法渐趋于稳定时，瞬变分量趋于0，μk～μ。3．2 αk的变化特性 定义：ΔWk＝Wk＋1－Wk为自适应滤波器的权系数增量；ξ为均方误差性能函数，ξ＝E〔ek〕2，ek＝dk－WTk Xk为输出误差，则SPLMS算法的权系数更新公式由式（1）可重写为： Wk＋1＝Wk－μk＾Wξk＋αΔWk－1（10）其中Wξ为ξ的梯度函数，＾W为Wξ的第k步估计。由式（10）的系数更新公式，我们可写出均方误差性能函数的表达式：式中上标T表示矢量的转置。若用一矢量＾Wζk＋1去左乘式（10），则可得到：＾Wξk＋1Wk＋1＝＾Wζk＋1Wk－μk＾Wζk＋1＾Wζk＋＾Wζk＋1αΔWk－1（13）利用式（12）的结论，可将式（13）化简为：＾TWζk＋1ΔWk＝0（14）由于参量μk和α均为实的标量因子，故式（14）又可写成： （μk＾TWζk＋1）（αΔWk）＝0（15）式（15）清楚地表明：在SPLMS算法中，自适应滤波器的权系数在迭代过程中，其均方误差性能函数的梯度估值与权系数增量始终存在一个正交关系。ΔWk－1对ΔWk的调节作用是在当前梯度估值方向上，给出与梯度估值方向正交矢量，并以这两个矢量所构成的合矢量来改变权系数空间的权重。 对于FIR结构的LMS自适应系统而言，其均方误差性能函数在平稳输入时为一个二次型函数，在收敛点附近仍可视为一个二次型函数，故有： ξ（Wk＋1）＝WTk RWk－2WTk P＋C（16）式中R＝E〔XTk Xk〕为输入信号的自相关矩阵，P＝E〔dkXk〕为所需信号与输入信号的互相关矢量，C＝E〔d2k〕，则由式（16）可得： 将式（17）代入式（18），则式（18）可变形为：式（19）就是本文给出的瞬变平滑因子αk的数学表达式。显然，它满足前面分析时所提出的要求，且在算法达到稳态收敛时，满足：limk→∞αk＝0（20）3．3 改进的双瞬变SPLMS算法——DSPLMS算法 用式（19）中αk的表达式替换式（1）中的α，就得到本文提出的具有双瞬变因子的LMS算法——DSPLMS算法，即 Wk＋1＝Wk＋2μk（dk－WTk Xk）Xk＋αk（Wk－Wk－1）（21）μk＝λ／（1＋2λrk），0≤k≤k0（22）由式（19）、（20）可知，αk是一个与μk成正比且具有衰减性的瞬变因子，从而使本文提出的DSPLMS算法比SPLMS算法更能快速稳定收敛；与常规LMS算法相比，其性能有极大的提高，为实时信号处理提供了一个较好的算法。4 计算机仿真 仿真实验的结构如图1所示，其中dk为随机输入信号，nk为高斯白噪声，ek为输出误差，xk为自适应滤波器的输入，yk为滤波器输出，此时xk＝dk＋nk。在图2中，dk是均值为0、方差为1的高斯白噪声；nk是与dk不相关的均值为0、方差为1的高斯白噪声；滤波器参数：M＝32，λ＝0．9，μL＝0．005，μ＝0．01，α＝0．1。在图3中，nk为均值为0、方差为0．1的高斯白噪声，其它参数同图2。图2、3为分别采用LMS、SPLMS和DSPLMS算法进行滤波的学习曲线比较图。从图2（强干扰启动）和图3（较弱干扰启动）中可以看出：在强干扰下，DSPL MS 具有比SPLMS好、比LMS好得多的启动速度和收敛速度；而在弱干扰下，DSPLMS仍具有比SPLMS快、比LMS快得多的启动速度。从图中同时还可看出：DSPLMS与SPLM S具有几乎相同的收敛速度，它们的收敛速度比LMS快得多。5 结语 加进瞬变平滑项的规一化起动，使DSPLMS具有更高的起始收敛速度、更小的权失调噪声和更大的抑噪能力；在平稳连接之后的稳态过程中，该算法趋于步长为μ的LMS算法性能，但由于瞬变分量负脉冲的作用，在相近的权失调量下可按式（7）取较大的μ值，增强算法对时变参数过程的跟踪处理能力；输入数据的非平稳性越大，噪声方差越大时，加进的瞬变平滑项使权失调噪声减小，从而使本文提出的DSPLMS算法比SPLMS算法更能快速稳定地收敛；与常规LMS算法相比，其性能有极大的提高，可以明显抑制振动，从而加速收敛过程。网址：

噪音的危害不仅可使正常人听力下降、记忆力衰退,还可引起心肌缺血和消化不良。对病人来说,可使病情加重,因此,嗓音有效的综合治理应引起人们的重视。噪声的存在给语音通信带来干扰,致使通信效果变差。尤其是在强噪声背景环境下,语音信号甚至完全被背景噪声所淹没,几乎无法识别。通信过程无法正常的实现,给生产、生活、军事行动带来严重影响,给个人、单位乃至国家造成巨大的经济损失。因此,在强噪声背景下,如何有效地抑制和消除干扰噪声成为人们研究的热门课题。针对时变强噪声背景环境下语音通信中的噪声消除问题,就现有的去噪方法进行对比分析,最终选定自适应噪声对消,并就自适应噪声对消的可行性进行分析论证。之后,对滤波器结构做了对比分析,对最小均方误差(LMS)算法和递归最小二乘(RLS)算法进行性能比较,最终以有限冲击响应(FIR)横式滤波器结构和递归最小二乘(RLS)算法构建系统模型,确定自适应噪声对消方案。本文以自适应滤波算法的研究为主要内容。在对标准的递归最小二乘(RLS)算法深入分析的基础上,针对其自身固有缺点,提出改进方案。之后,引入三种已经成功应用在自适应均衡和自适应估计的改进算法,并进行原理分析和性能验证。

clear allclose allN=10; %滤波器阶数sample_N=500; %采样点数A=1; %信号幅度snr=10; %信噪比t=1:sample_N; length_t=100; %期望信号序列长度d=A*sin(2*pi*t/length_t); %期望信号M=length(d); %M为接收数据长度x=awgn(d,snr); %经过信道（加噪声）delta=1/(10*N*(A^2)); %计算能够使LMS算法收敛的deltay=zeros(1,M);h=zeros(1,N); %LMS滤波器系数h_normalized=zeros(1,N); %归一化LMS滤波器系数y1=zeros(1,N);for n=N:M %系数调整LMS算法x1=x(n:-1:n-N+1);%LMS算法y(n)=h*x1';e(n)=d(n)-y(n);h=h+delta*e(n)*x1;%NLMS算法y_normalized(n)=h_normalized*x1';e_normalized(n)=d(n)-y_normalized(n);h_normalized=h_normalized+e_normalized(n)*x1/(x1*x1'); enderror=e.^2; %LMS算法每一步迭代的均方误差error_normalized=e_normalized.^2; %NLMS算法每一步迭代的均方误差for n=N:M %利用求解得到的h，与输入信号x做卷积，得到滤波后结果x2=x(n:-1:n-N+1);y1(n)=h*x2';y2(n)=h_normalized*x2';endsubplot(411)plot(t,d);axis([1,sample_N,-2,2]);subplot(412)plot(t,x);subplot(413)plot(t,y);subplot(414)plot(t,y_normalized);figure(2)plot(t,error,'r',t,error_normalized,'b');