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&