最小均方自适应滤波器

自适应滤波器

自适应滤波器由参数可调的数字滤波器和自适应算法两部分组成。

数字滤波器可以是有限型FIR或无限型IIR。IIR滤波器有正向通路和反馈通路，可能产生不稳定信号导致滤波器振荡，而FIR只有正向通路，处理简单，在自适应滤波中，一般采用FIR滤波器。

自适应滤波器实际是一种能够跟踪输入信号的统计特性变化，按照最优滤波准则，调节自身参数的，计算最优滤波效果的特殊维纳滤波器。

最优滤波准则

最优滤波准则规定了某种准则下得到滤波器的对应的最佳参数，但这个最佳参数不能通过现有的客观存在计算得到，而是指出自适应滤波器调整参数的方向。常见的最佳滤波准则：最小均方误差准则, 最小二乘准则等, 相应的自适应算法为 最小均方算法（least mean squarse, LMS), 递推最小二乘法（recursive least squarse, RLS)。其中LMS 是最基本的，计算量小适合计算机应用， 但对于能量变化的很大的信号，稳定性较差；而RLS 性能好，但计算量大不易实现。

本文将介绍主要最小均方（LMS）自适应滤波器。

LMS

自适应横向（M阶）滤波器在第 $n$ 时刻的输入信号 $x(n)$ 和滤波器权重系数 $w(n)$, $x(n)$ 和 $w(n)$ 都是长度为M的序列，由于滤波器输出是$w(n)$ 和 $x(n)$ 卷积，即$w(n)$ 分别与$x(n)$ 的(M阶)延迟乘积组合，为方便分别定义为：

$$X(n) = [x(n), x(n-1), ……，x(n - M+1)]^T$$
$$W(n) = [w_1(n), w_2(n), ……，w_M(n)]^T$$

上式中，$X(n)$为以$x(n)$的M个延迟输入序列构成的矩阵，$W(n)$为以$w(n)$中M个滤波系数构成向量，则滤波器的输出信号为$y(n)$ 构成的对应向量$Y(n)$：

$$Y(n) = W(n)^T X(n)$$
产生的误差为：
$$\ell(n) = s(n) -y(n)$$
式中， $s(n)$ 为期望信号。记符号 $\overleftrightarrow{}$ 为将向量转化为对应序列，如 $y(n) = \overleftrightarrow{Y(n)}$按照均方误差函数：
$$\varepsilon(n) = E[\ell^2(n)]= E[|s(n) - y(n)|^2] = E[s^2(n)]- 2E[s(n)y(n)] + E[y^2(n)] \\ \ \\=E[s^2(n)] -2E[s(n) \overleftrightarrow{W(n)^T X(n)} \ ]+ E[\overleftrightarrow{W(n)^T X(n)} \ \overleftrightarrow{W(n)^T X(n)}]$$

可以等效转化为矩阵计算：

$$\varepsilon(n) = E[s^2(n)] -2 W^TP + W(n)^T X(n)^TX(n)W(n) \\ \ \\= E[s^2(n)] -2 W^TP + W^TRW \tag{1}$$
上式中， $W$ 是滤波器系数矩阵； $R$ 是输入信号 $x(n)$的自相关矩阵； $P$ 是期望信号$s(n)$和信号 $x(n)$ 的互相关向量：
$$P = \left[ \begin{matrix} E[s(n)x(n)] & E[s(n)x(n-1)] & \cdots &E[s(n)x(n- M+1)] \ \end{matrix} \right]^T \\ = \left[ \begin{matrix} r_{sx}(0) & r_{sx}(-1) & \cdots & r_{sx}(1-M) \end{matrix} \right]^T$$
$$\\R = \left[ \begin{matrix} E[x(n)x(n)] & E[x(n)x(n-1)] & \cdots & E[x(n)x(n-M+1)] \\ E[x(n-1)x(n)] & E[x(n-1)x(n-1)] & \cdots & E[x(n-1)x(n-M+1)] \\ \vdots & \vdots & \ddots & \vdots \\ E[x(n- M+1)x(n)] & E[x(n- M+1)x(n-1)] & \cdots & E[x(n- M+1)x(n-M+1)] \end{matrix} \right] \\ \ \\ \ \\ = \left[ \begin{matrix} r_{xx}(0) & r_{xx}(1) & \cdots & r_{xx}(M-1) \\ r_{xx}(-1)& r_{xx}(0)& \cdots & r_{xx}(M-2) \\ \vdots & \vdots & \ddots & \vdots \\ r_{xx}(-M+1) & r_{xx}(-M+2) & \cdots & r_{xx}(0)] \end{matrix} \right]$$

式（1）中，对$W$求导，并令导数为0，同时假设$R$是非奇异，可得最佳滤波器系数 $W_o$:

$$W_o = R^{-1}P$$
上述最佳滤波器系数 $W_o$，即为此刻滤波器的维纳解。均方误差函数 $\varepsilon(n)$ 是滤波系数 $W$ 的二次方程，是一个多维的抛物曲面。

最陡梯度下降法

上述算法对一个已知道全部输入输出的系统，即第 $n$ 时刻是最后时刻，那么通过整体统计量平均可以直接解出最优解 $W_o$，或者说可以通过维纳霍夫方程直接求解维纳滤波器。然而对一个进行的系统，整体即是未知的，只能得到第 $n$ 时刻的部分统计量，求得此刻的最优解，因此需要某种方法根据每个时刻变化的统计量，不断跟踪更新最优解。

自适应滤波器就是以任意初始系数$W_S$,即误差曲面上的某一点，经过多次自适应调节，使系数 $W$向最优值$W_o$接近，实现最佳维纳滤波。

最陡梯度下降法可以用来对自适应滤波器系数寻优，根据误差曲面的梯度信息，在最陡下降的方向即梯度向量的负方向逐步调整逼近曲面极小值，获得最佳滤波。

在误差曲面 $\varepsilon(n)$ 第n个时刻的滤波系数 $W(n)$ ，定义此刻的M*1 维梯度矢量为$\nabla(n)$, M 是滤波系数个数。 按照最陡梯度下降法调节滤波系数，则在第n+1时刻的滤波系数可更新为：

$$W(n+1) = W(n) + \frac12u[-\nabla(n)]$$
式中， $u$是一个正实数，通常称为自适应收敛系数或步长；$\nabla(n)$为M维梯度矢量，其表达式为：
$$\nabla(n) = \frac{\partial E[\ell^2(n)]}{\partial W(n)} = [\frac{\partial E[\ell^2(n)]}{\partial w_1(n)} \ \frac{\partial E[\ell^2(n)]}{\partial w_2(n)} \ …… \ \frac{\partial E[\ell^2(n)]}{\partial w_m(n)}] \\ = [ \ -2E[e(n)x(n)] \ \ -2E[e(n)x(n-1)] \ \ …… \ \ -2E[e(n)x(n-m+1)] \ \ ]$$
定义 $E[\ell(n)X(n)]$ 为上述梯度方向矢量，即
$$E[\ell(n)X(n)] = [ \ E[e(n)x(n)] \ \ E[e(n)x(n-1)] \ \ …… \ \ E[e(n)x(n-m+1)] \ \ ]$$
可以看出，当梯度为 0 时， 误差信号序列与输入信号的各延迟序列乘积为0，也即此时误差信号 $\ell(n)$与输入信号 $x(n)$正交不相关。

将上面梯度矢量带入滤波系数的更新方程中，可得：

$$W(n+1) = W(n) +uE[\ell(n)X(n)]$$
为了保证最陡下降法的收敛性，步长 $u$ 需满足收敛条件： $0 < u< \frac1{\lambda_{max}}$ , 其中 $\lambda_{max}$ 是输入信号自相关矩阵 R R <script type="math/tex" id="MathJax-Element-61">R</script> 的最大特征值。
待续。。。。。。。