目录
1.算法概述
自适应滤波器解决非平稳的过程,因为实际信号的统计特性可能是非平稳的或者是未知的。自适应滤波,就是利用前一时刻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,应用于:噪声抵消、回声抵消、谱线增强、通道均衡、系统辨识、时间延迟估计。
自适应滤波器实质上就是一种能调节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。常用的自适应滤波技术有:最小均方(LMS)自适应滤波器、递推最小二乘(RLS)滤波器格型滤波器和无限冲激响应(IIR)滤波器等。这些自适应滤波技术的应用又包括:自适应噪声抵消、自适应谱线增强和陷波等。
LMS(Least Mean Square), 由 Widrow 和 Hoff 于1960年提出,也称Δ规则。该算法与感知器网络的学习算法在权值调整上都基于纠错学习规则,但 LMS 更易实现,因此得到广泛应用,成为自适应滤波的标准算法。
自适应滤波器解决非平稳的过程,因为实际信号的统计特性可能是非平稳的或者是未知的。自适应滤波,就是利用前一时刻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,应用于:噪声抵消、回声抵消、谱线增强、通道均衡、系统辨识、时间延迟估计。
自适应滤波器实质上就是一种能调节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