参考链接:
https://blog.csdn.net/xiahouzuoxin/article/details/11138211
https://blog.csdn.net/qq_30815237/article/details/109463572
https://www.cnblogs.com/void0/p/4197337.html
自适应滤波
自适应滤波器效果更好的关键是:自适应滤波器是反馈结构。根据上一时刻的输入信号与输出误差调整滤波器的权重参数。滤波器的输出信号与期望相应之间的误差的均方值最小
自适应滤波在时域信号中的处理算法算法包括维纳滤波、卡尔曼滤波、基于最小二乘准则的滤波方法以及基于神经网络理论的滤波方法等。
维纳滤波是最小均方误差(MMSE)准则下的线性滤波,它在已知信号和噪声的相干函数或功率谱的情况下,通过求解维纳-霍普夫(Wiener-Hopf)方程,对平稳信号进行最优预测和滤波。如果利用信号相关的瞬时值来估计梯度矢量,即可得到最常用的最小均方(LMS)算法。LMS算法的优点是比较简单,能达到满意的性能,但收敛速度慢,对输人信号相关矩阵的特征值分散度敏感。从LMS算法的原理容易看出,在非平稳环境下,只有当输入信号变化比LMS算法学习速度慢时,才能进行自适应跟踪,所以LMS算法一般适用于平稳信号环境。
卡尔曼滤波是线性无偏最小方差递推滤波,它的估计性能是最优的。利用卡尔曼滤波的递推求解法,可导出自适应滤波器更新权矢量的不同递推算法。这些基于卡尔曼滤波的算法比LMS算法收敛速度快,且收敛速度对特征值分散度不敏感,能工作在平稳或非平稳环境,其缺点是计算量较大。
最小均方(LMS)自适应滤波器
维纳滤波的最大缺点是仅适用于平稳随机信号。
LMS算法:优化算法为随机梯度下降,也即是每进一个新数据x(t)求取它梯度并计算滤波器系数w
LMS算法步骤: