传统的IIR和FIR滤波器在处理输入信号的过程中滤波器的参数固定,当环境发生变化时,滤波器无法实现原先设定的目标。自适应滤波器能够根据自身的状态和环境变化调整滤波器的权重。
自适应滤波器理论
x
(
n
)
x(n)
是输入信号,y
(
n
)
y(n)
是输出信号,d
(
n
)
d(n)
是期望信号或参考信号,e
(
n
)
=
d
(
n
)
−
y
(
n
)
e(n)=d(n)−y(n)
为误差信号。根据 自适应算法 和 误差信号 e
(
n
)
e(n)
调整滤波器系数。
自适应滤波器类型。可以分为两大类: 非线性自适应滤波器 、 线性自适应滤波器 。非线性自适应滤波器包括基于神经网络的自适应滤波器及Volterra滤波器。非线性自适应滤波器信号处理能力更强,但计算复杂度较高。所以实践中, 线性自适应滤波器使用较多 。
自适应滤波器结构
主要分为两类FIR滤波器、IIR滤波器。
- FIR滤波器时非递归系统,即当前输出样本仅是过去和现在输入样本的函数,其系统冲激响应h(n)是一个有限长序列。具有很好的线性相位,无相位失真, 稳定性较好 。
- IIR滤波器时递归系统,即当前输出样本是过去输出和过去输入样本的函数,其系统冲激h(n)是一个无限长序列。IIR系统的相频特性是非线性的,稳定性不能保证。好处是实现阶数较低, 计算量较少 。
自适应滤波器算法按照不同的优化准则,常见自适应滤波算法有:递推最小二乘算法(RLS),最小均方误差算法(LMS),归一化均方误差算法(NLMS),快速精确最小均方误差算法,子带滤波,频域的自适应滤波等等。
性能指标
- 收敛速度
- 稳定性
- 计算复杂度
全带自适应稀疏算法
最小均方算法 LMS
自适应AEC问题中应用最广泛的就是自适应滤波算法,其中最早是由Widrow和Hoff在1959年所提出的 最小均方(Least Mean Square,LMS) 算法
LMS算法基于维纳滤波理论,采用最速下降算法,通过最小化误差信号的能量来更新自适应滤波器权值系数。
- 优点 :抑制旁瓣效应
- 缺点 :LMS算法计算复杂度不高,但是其 收敛速率较慢 ,并且随着滤波器阶数(步长参数)升高,系统的稳定性下降,要保证采用最小的步长参数,保证最小的失调,可能无法满足收敛标准
归一化最小均方算法 NLMS
归一化最小均方(Normalized Least Mean Squares,==NLMS)=&