【语音信号处理】自适应滤波方法之LMS算法

最新推荐文章于 2023-05-03 21:32:36 发布

社恐患者

最新推荐文章于 2023-05-03 21:32:36 发布

阅读量1.7k

点赞数 1

分类专栏：语音信号处理

本文链接：https://blog.csdn.net/qq_44714521/article/details/111204348

版权

2 篇文章 0 订阅

订阅专栏

1 定义

滤波器参数： $N$ 个独立的滤波器系数组成的向量
$\mathbf{w}(n)={[w_0(n),w_1(n),\cdots,w_{N-1}(n)]}^T$
输入信号：假设是一个实数信号（语音时域信号）
$\mathbf{x}(n)=([x(n),x(n-1),\cdots,x(n-N+1)])^T$
输出信号：滤波器系数和输入信号的线性卷积，为实际输出
$y(n)=\sum_{i=0}^{N-1}w_i(n)x(n-i)=\mathbf{w}^T(n)\mathbf{x}(n)=\mathbf{x}^T(n)\mathbf{w}(n)$
期望输出： $d (n)$
误差信号——后验误差：用 $n$ 时刻的滤波器系数向量去计算 $n$ 时刻的误差
$e(n)=d(n)-y(n)=d(n)-\mathbf{w}^T(n)\mathbf{x}(n)$
目标函数：最小均方误差（MMSE）准则
$J(\mathbf{w})=E \{{|e(n)|}^2\}=E\{|d(n)-\mathbf{w}^T(n)\mathbf{x}(n)|^2\}$
最小化目标函数：令 $J(\mathbf{w})$ 对 $\mathbf{w}$ 的导数为 $\mathbf{0}$
$E\{\mathbf{x}(n)\mathbf{x}^T(n)\}\mathbf{w}(n)-E\{\mathbf{x}(n)d(n)\}=\mathbf{Rw-r=0}$
（1） $E\{\mathbf{x}(n)\mathbf{x}^T(n)\}$ 包含了输入向量 $\mathbf{x}(n)$ 相关矩阵的信息，记作 $\mathbf{R}$
（2） $E\{\mathbf{x}(n)d(n)\}$ 包含了输入向量 $\mathbf{x}(n)$ 和期望输出信号 $d (n)$ 之间的相关向量，记作 $\mathbf{r}$
维纳（Wiener）滤波器：均方误差最小意义上的统计最优滤波器
$\mathbf{w}_{opt}=\mathbf{R}^{-1}\mathbf{r}$

优点：有非常高的理论价值
缺点：本质上不是自适应滤波器，不适用于非平稳过程或信号
分析：求期望时必须利用全部的历史数据（ $N$ 时刻之前）和当前数据（ $N$ 时刻）来估计当前信号的统计值。一旦下一时刻（ $N + 1$ 时刻）来了新的采样点 $x (n + 1)$ ，需要重新更新计算期望值（ $R$ 和 $r$ ）。这样一来：
（1）很不划算
（2）输入的若为非平稳信号，由于其统计特性随时间变化而变化，会使得求解不准确

为了避免涉及数学期望，使用目标函数的瞬时梯度代替数学期望：
$\hat{\triangledown}(n)=-2e(n)\mathbf{x}(n)$
基于采样点更新的标准时域LMS算法的逐点更新公式：新时刻的滤波器系数向量=老时刻的滤波器系数向量+（负梯度方向的）调整量
$\mathbf{w}(n+1)=\mathbf{w}(n)+2\mu\mathbf{x}(n)e(n)$
其中， $\mu$ 为调整步长，是一个经验值