本文详细介绍了维纳滤波器的原理，包括其基于最小均方误差（MMSE）准则的设计思路，以及正交原理。讨论了维纳滤波在计算量和稳定性上的问题，并提出最陡下降法作为解决方案。接着，文章深入探讨了线性最小均方误差（LMS）算法，阐述了其自适应性和在不同输入信号统计特性下的表现。最后，提到了一些LMS算法的改进版，如变步长LMS、归一化LMS和泄露LMS算法，以提高收敛速度和稳定性。
第四章 维纳滤波原理及自适应算法
4.1 自适应横向滤波器及其学习过程
4.2 维纳滤波器的原理
维纳滤波器的思想：假定滤波器的输入和输出都是宽平稳过程，并且知道二阶统计特性（R,P已知），那么，根据MMSE准则可以求出最优权系数。
根据MMSE准则求出的误差e(n)的功率J(w)所构成的多维空间的曲面称为误差性能面。
对误差的功率J(w)求导可以得到维纳霍夫方程。通过方程可知，欲求解最优权系数，需要知道自相关矩阵R，互相关矩阵P，还得对R求逆。
正交原理：维纳滤波器的误差和输入是正交的，误差和输出也是正交的。因为输出可以用输入线性表示。
均方误差J(w)的最小值是期望相应的平均功率和估计信号的平均功率的差。
4.3 维纳滤波器的最陡下降求解方法
维纳滤波器存在的问题：求逆，计算量大，不稳定。抽头系数是固定的不具有自适应性。
最陡下降法可以避免对R求逆。当步长满足一定条件时，最陡下降法可以收敛。
最陡下降法的学习曲线是单调递减的。
4.4 LMS算法
最陡下降法用到了维纳霍夫方程，因此需要知道自相关矩阵R，互相关矩阵P，当R、P确定后，迭代过程的结果就完全确定了，并不具有随输入信号统计特性而变化的自适应性。LMS算法，可以解决这个问题。
LMS算法的输入可以是非平稳的，因为不是用的R,P&
最低0.47元/天 解锁文章
1843
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
