现代信号处理学习笔记（五）自适应滤波器

滤波器是一种以物理硬件或计算机软件形式，从含噪声的观测数据中抽取信号的装置。

目录

前言

一、匹配滤波器

1、匹配滤波器（Matched Filter）

2、匹配滤波器的性质

最大化相关性

与输入信号的相关性

波形匹配

最优性能

适用性广泛

3、匹配滤波器的实现

二、连续时间的Wiener 滤波器

非因果Wiener 滤波器

因果Wiener 滤波器

三、最优滤波器与Wiener 滤波器

1、线性最优滤波器

2、正交性原理

四、Kalman 滤波器

五、LMS 类自适应算法

1、下降算法

梯度下降法（Gradient Descent）

随机梯度下降法（Stochastic Gradient Descent, SGD）

批量梯度下降法（Batch Gradient Descent）

动量法（Momentum）

自适应学习率方法

2、LMS算法及其基本变型

六、RLS自适应算法

1、RLS算法

2、RLS算法与Kalman滤波算法的比较

算法原理

适用场景

参数估计与状态估计

鲁棒性与实时性

计算复杂度

七、自适应谱线增强器与陷波器

自适应谱线增强器（Adaptive Spectrum Enhancer）

陷波器（Notch Filter）

八、广义旁瓣对消器

九、盲自适应多用户检测

总结

---

前言

滤波器可以实现滤波、平滑和预测等信息处理的基本任务。如果滤波器输出是滤波器输入的线性函数，则称为线性滤波器;否则称为非线性滤波器。若滤波器的冲激响应是无穷长的，便称为无限冲激响应(IIR)滤波器，而冲激响应有限长的滤波器叫做有限冲激响应(FIR)滤波器。如果滤波器是在时间域、频率域或空间域实现，则分别称为时域滤波器、频域滤波器或空域滤波器。“信号与系统”和“数字信号处理”等课程主要是在频率域讨论滤波器，本章重点关注时域滤波器。

自适应滤波器是一种信号处理技术，用于从信号中提取所需信息或去除噪声。与传统的固定滤波器不同，自适应滤波器可以根据信号的实时特性自动调整其滤波参数，以适应信号的变化。

自适应滤波器的核心思想是根据输入信号的统计特性动态调整滤波器的参数。它通常包括以下几个步骤：

1. 观测信号: 首先，需要观测输入信号，以便了解信号的统计特性和噪声情况。

2. 估计滤波器参数: 基于观测到的信号，估计出滤波器的参数，使其能够有效地抑制噪声或提取所需的信号成分。这通常涉及到某种形式的自适应算法，如最小均方（LMS）算法或最小均方误差（LMMSE）算法等。

3. 调整滤波器参数: 根据估计出的滤波器参数，动态调整滤波器以反映输入信号的实时特性。这可以通过不断地更新参数来实现，以适应信号的变化。

4. 滤波处理: 将输入信号通过调整后的滤波器进行处理，以获得所需的输出信号。

自适应滤波器在许多领域都有广泛的应用，包括通信、雷达、医学影像处理等。它们可以有效地应对信号中的噪声和干扰，提高系统的性能和鲁棒性。

---

一、匹配滤波器

1、匹配滤波器（Matched Filter）

匹配滤波器是一种特定于信号和噪声统计特性的线性滤波器，用于最大化信号与预定义模板的相关性，从而实现最佳信号检测。其在雷达、通信等领域广泛应用。

优点：

• 最大化信号与预定义模板的相关性，对于已知信号和噪声统计特性的情况，具有最佳检测性能。
• 实现简单，计算效率高。

缺点：

• 对信号和噪声的统计特性要求较高，需要先验知识。
• 对信号的实时变化不敏感，不适用于动态环境。

匹配滤波器的输出可以表示为输入信号与模板信号的卷积运算，数学表达式如下： 

其中，

• y(t) 是输出信号，
• x(t) 是输入信号，
• h(t) 是匹配滤波器的模板信号。

匹配滤波器的输出与输入信号之间的相关性可以用相关函数表示，数学表达式如下：

其中，

• Ryx​(τ) 是输入信号x(t) 与输出信号 y(t) 之间的相关函数，
• τ 表示时间延迟。

匹配滤波器的输出峰值通常发生在输入信号与模板信号之间存在完美匹配的情况下，此时相关函数达到最大值。输出峰值 P 可以表示为： P=max(Ryx​(τ))

匹配滤波器的设计目标是最大化信号与模板信号之间的相关性，从而提高信号与噪声的区分度。信噪比增益 G 可以定义为输出信号的平均功率与噪声功率之比：

波形匹配是指匹配滤波器的模板信号与待检测信号的波形相似度高。在波形匹配的情况下，匹配滤波器能够最大化输出信号与信号波形的相关性，从而实现最佳的信号检测。

白噪声情况下的最优滤波——匹配滤波器

在白噪声情况下，匹配滤波器可以实现最佳信号检测性能。白噪声是指具有平均功率谱密度均匀分布的随机信号，其功率在所有频率上都相等。在这种情况下，匹配滤波器能够最大化信号与噪声的相关性，从而提高信号检测的性能。

假设我们有一个输入信号x(t)，包含待检测的信号 s(t) 和白噪声 n(t)： x(t)=s(t)+n(t)

匹配滤波器的模板信号h(t) 通常选择与待检测信号 s(t) 相同的波形，因为在匹配滤波器的设计中，我们希望最大化待检测信号与模板信号之间的相关性。

匹配滤波器的输出 y(t) 可以表示为输入信号 x(t) 与模板信号 h(t) 的卷积运算：

在白噪声的情况下，噪声 n(t) 的功率谱密度均匀分布，可以表示为常数 N0​。因此，匹配滤波器的输出信号与噪声之间的相关性可以简化为：

其中，δ(τ) 是单位冲激函数。

匹配滤波器的输出峰值P 通常发生在待检测信号与模板信号之间完美匹配的情况下，此时相关函数达到最大值。在白噪声背景下，匹配滤波器的输出峰值可以简化为：

因此，在白噪声背景下，匹配滤波器设计的关键是最大化模板信号的功率，从而提高输出信号与噪声之间的相关性，实现最佳的信号检测性能。

有色噪声情况下的最优滤波——广义匹配滤波器

在有色噪声情况下，即噪声的功率谱密度不是均匀分布的情况下，匹配滤波器的设计需要考虑噪声的频率特性。在这种情况下，可以使用广义匹配滤波器（Generalized Matched Filter）来实现最优滤波。

假设有色噪声的功率谱密度由函数 )Sn​(f) 给出，其中 f 表示频率。通常情况下，有色噪声可以用自相关函数 Rn​(τ) 表示。

广义匹配滤波器的设计旨在最大化信号与噪声之间的相关性，而不仅仅是匹配信号与模板信号的波形。其模板信号的设计可以通过以下步骤实现：

1. 计算信号的自相关函数： 计算信号的自相关函数 Rs​(τ)。

2. 计算信号与噪声的互相关函数： 计算信号与噪声的互相关函数 Rsn​(τ)。

3. 设计模板信号： 广义匹配滤波器的模板信号可以通过以下公式计算： h(t)=Rs−1​(τ)∗Rsn​(τ) 其中，Rs−1​(τ) 表示信号的自相关函数的逆，∗ 表示卷积运算。

广义匹配滤波器的输出 y(t) 可以表示为输入信号 x(t) 与模板信号 h(t) 的卷积运算：

广义匹配滤波器的设计旨在最大化输出信号与信号的相关性，同时考虑了噪声的颜色特性。通过合理设计模板信号，可以优化广义匹配滤波器的性能，提高信号检测的准确性和鲁棒性。

2、匹配滤波器的性质

匹配滤波器是一种特殊的线性滤波器，其设计旨在最大化输入信号与滤波器的模板信号之间的相关性。以下是匹配滤波器的一些重要性质：

最大化相关性

匹配滤波器的设计目标是使输出信号与预定义的模板信号之间的相关性最大化。这意味着当输入信号与模板信号完全匹配时，匹配滤波器的输出将达到最大值。

与输入信号的相关性

匹配滤波器的输出与输入信号之间的相关性可以用相关函数表示。在匹配滤波器中，相关函数通常用于衡量输入信号中是否存在与模板信号相似的特征。

波形匹配

匹配滤波器通常被设计为与待检测信号具有相似的波形。在波形匹配的情况下，匹配滤波器能够最大化输出信号与信号波形的相关性，从而实现最佳的信号检测性能。

最优性能

在理想情况下，匹配滤波器能够实现最佳的信号检测性能。然而，在实际应用中，匹配滤波器的性能可能受到信号和噪声的非理想性、系统噪声以及滤波器设计的限制等因素的影响。

适用性广泛

匹配滤波器在许多领域都有广泛的应用，包括雷达、通信、生物医学信号处理等。它们能够有效地提高信号与噪声的区分度，从而改善系统的性能和鲁棒性。

匹配滤波器对波形相同而幅值不同的时延信号具有适应性。匹配滤波器对频移信号不具有适应性。

</