索引词 |
| 自适应滤波,自适应算法,最小均方(LMS),归一化至少意味着广场(NLMS),递归最小二乘(RLS)和快速横向滤波器(FTF)算法。 |
介绍 |
| 数字信号处理(DSP)关心的表示信号由一系列数字或符号和处理这些信号。数字信号处理与模拟信号处理是信号处理的分支学科。DSP包括分支学科如:音频和语音信号处理、声纳和雷达信号处理、传感器阵列处理、谱估计,统计信号处理,数字图像处理,信号处理,通信、控制系统、生物医学信号处理、地震数据处理等。DSP的目标通常是衡量,过滤和压缩连续真实世界的模拟信号。第一步通常是将信号从模拟转换成数字形式,通过采样使用一个模拟-数字转换器(ADC),将模拟信号转化为数字流[1]。然而,通常,所需的输出信号是另一个模拟输出信号,这就需要一个数模转换器(DAC)。即使这个过程是比模拟加工和复杂的离散值范围,计算能力,数字信号处理的应用允许许多优势模拟处理在许多应用程序中,如错误检测和校正的传输以及数据压缩。今天技术用于数字信号处理包括更强大的通用微处理器;现场可编程门阵列(fpga)、数字信号处理器、控制器和流等等。 |
文献综述 |
| 最早从事自适应滤波器可以追溯到1950年代末,在此期间的人员独立工作在不同的应用程序这样的过滤器。从这个早期作品,least-mean-square算法(LMS)[2]成为一个简单,但有效,算法自适应横向滤波器的操作。LMS算法是由Widrow发明和霍夫模式识别方案的1959年在他们的研究被称为自适应线性元件,通常被称为文学的学习机(2、3)。LMS算法是一种随机梯度算法,它循环遍历每个水龙头的横向滤波器的方向梯度平方大小的误差信号对水龙头的重量。相应的LMS算法密切相关的概念,随机近似由罗宾斯和蒙罗(1951)统计求解某些序列参数估计问题。它们之间的主要区别是,LMS算法使用一个固定大小的参数来控制校正应用于每个重量从一个迭代到另一个,而在随机近似方法是成反比的时间步长参数n。另一个随机梯度算法与LMS算法密切相关,是递归最小二乘(RLS)算法海耶斯,曼森h (1996) [4];它们之间的区别是: |
| 1。LMS算法,修正,应用更新旧的系数向量的估计是基于tap-input向量的瞬时采样值和误差信号。另一方面,RLS算法计算的校正利用所有可用过去的信息。 |
| 2。LMS算法需要迭代在均方收敛,大约20米,M是包含在tapped-delay-line滤波器抽头系数的数量。在其他乐队,RLS算法收敛迭代均方在小于2米。RLS算法的收敛速度,一般来说,速度比LMS算法的一个数量级。 |
| 3所示。与LMS算法,没有近似RLS算法的推导过程。因此,迭代的数量趋于无穷时,最小二乘估计的系数向量方法最佳维纳值和相应的均方误差最小值的方法。换句话说,RLS算法,在理论上,展品零障碍。另一方面,LMS算法总是表现出非零障碍;然而,这种失调可以任意小通过使用一个足够小的步长参数μ。 |
自适应算法 |
| 一)适应最小均方算法(LMS) |
| LMS包含一个迭代过程,使连续修正权向量的负的梯度向量的方向,最终导致了最小均方误差。与其他算法相比LMS算法相对简单;它不需要计算相关函数也不需要矩阵反演。 |
 |
| B)归一化LMS (NLMS)引入了一个变量的适应速度。它在一个非静态的环境提高了收敛速度。在另一个版本,牛顿LMS,重量更新方程包括美白为了实现单模收敛。长时间适应过程所使用的块LMS LMS更快。在块LMS,输入信号分为块和权重更新块明智的。一个简单版本的LMS称为符号LMS。它使用的符号错误更新权重。同时,LMS算法并不是一个盲目即它需要参考信号的先验信息。 |
 |
| 初始化:如果之前了解tap-weight向量w (n)可用,使用知识来选择一个适当的值
Aµ(0)。 |
 |
| D)快速横向滤波器(FTF)算法:RLS算法和RLS平方根算法的计算复杂度增加的广场,其中M是可调的数量重量(自由度)算法。“保障未来粮食供给”算法总结如下相关方程通过收集在一起。 |
 |
 |
仿真和性能分析 |
| 本文基于两种不同类型的模拟信号与各种类型的混合噪声。信号是正弦和语音信号。每个信号受到一些噪声。然后LMS的收敛行为,NLMS、RLS,“保障未来粮食供给”算法对这些信号进行了分析。本节的目的是展示这四种算法的一般消声特性详细分析和比较后面的部分所示。图1由11图三大图表显示原始信号,噪声信号与原始信号混合噪声后的状态。中间四个图表显示恢复信号通过LMS,分别NLMS、RLS和“保障未来粮食供给”算法。最低四个图表显示误差LMS的收敛,NLMS、RLS和“保障未来粮食供给”的算法。 |
| 图2中包括11图。排名前三的图表显示原始信号,n y g l r g l g l ' e f er混合噪声。中间四个图表显示恢复信号通过LMS,分别NLMS、RLS和“保障未来粮食供给”算法。最低四个图表显示误差LMS的收敛,分别NLMS、RLS和“保障未来粮食供给”算法。 |
| 一)滤波器长度对算法的性能的影响 |
| 滤波器长度指的是数字滤波器的系数。这个数字是重要的性能分析。本文,噪声取消通过改变滤波器长度尽管所有其他参数保持不变。 |
| 我)在LMS滤波器长度的影响 |
| •滤波器长度= 10,100样品,均方误差收敛于零 |
| •滤波器长度= 16,110样品,均方误差收敛于零。 |
| •滤波器长度= 20,120样品,均方误差收敛于零。 |
| •滤波器长度= 32,130样品,均方误差收敛于零。 |
| (二)在NLMS滤波器长度的影响 |
| •滤波器长度= 10,100样品,均方误差收敛于零 |
| •滤波器长度= 16,110样品,均方误差收敛于零。 |
| •滤波器长度= 20,120样品,均方误差收敛于零。 |
| •滤波器长度= 32,130样品,均方误差收敛于零。 |
| 3)对RLS滤波器长度的影响 |
| 滤波器长度= 10,15日左右样品,均方误差收敛于零 |
| 滤波器长度= 16日30日左右样品,均方误差收敛于零。 |
| 滤波器长度= 20,大约40样本,均方误差收敛于零。 |
| 滤波器长度= 32,大约50样本,均方误差收敛于零。 |
| (四)滤波器长度对“保障未来粮食供给”的影响 |
| 滤波器长度= 10,15日左右样品,均方误差收敛于零 |
| 滤波器长度= 16日30日左右样品,均方误差收敛于零。 |
| 滤波器长度= 20,大约40样本,均方误差收敛于零。 |
| 滤波器长度= 32,大约50样本,均方误差收敛于零。 |
| 从仿真结果,很明显,如果过滤器长度增加,自适应算法的迭代次数增加均方误差收敛至零。 |
| 因此,仿真结果表明,如果计算的迭代次数,然后可以看出,自适应滤波器与小过滤器长度进行降噪的速度比更高的滤波器长度。所以滤波器长度10是最好的选择。遗忘因子或指数权重因子RLS和“保障未来粮食供给”算法的一个重要参数,它控制的稳定性和收敛速度。通常它是一个常数接近,但比一个小。普通最小二乘法的λ= 1。λ< 1时,权重因子赋予更多的体重最近样本误差估计(因此最近观察到的样本数据)与旧的换句话说,λ< 1的选择结果的计划,更强调最近的观测数据和样本往往忘记过去。 |
| 同样,LMS和NLMS算法的步长参数控制稳定性和收敛速度。如果步长参数选择非常小,算法就会接近解决方案,但需要更多时间收敛。另一方面,如果选择步长参数大,算法收敛迅速但可能不同。所以它是非常重要的,选择完美的步长参数的关键。在本节中,是试图找出适当的步长和遗忘因子参数的算法。性能是衡量MSE(均方误差)的输出误差。均方误差越小,就越能保证更好的适应的认证。 |
| RLS和“保障未来粮食供给”算法的收敛性分析提出了部分假设指数权重因子是单位;MSE执行更快的收敛性比其他值。 |
| 从上面的观察发现,遗忘因子参数的最佳值的RLS,“保障未来粮食供给”算法,和NLMS算法的步长参数值是.009可以执行最好的融合,更大的价值和更少的价值表现良好。 |
| B)比较的表演LMS, NLMS、RLS,和“保障未来粮食供给”算法: |
| 一些降噪仿真和参数(步长、滤波器长度、遗忘因子)定义的特征自适应算法已经提出了在上面的部分。本节的重点是比较四个算法通过分析错误取消功能这四种算法使用这些参数的最佳值获得之前的模拟。现在,这些算法的性能的比较中收敛行为,收敛时间、相关系数和信号噪声比(信噪比)将试图做的。 |
| 从仿真结果,很明显,在正弦信号与随机噪声(混合),RLS和“保障未来粮食供给”算法执行比(LMS, NLMS),他们几乎相同的收敛行为。但是,LMS和NLMS的表现并不令人满意。LMS, NLMS执行最佳的语音信号和随机噪声。因此值得,“保障未来粮食供给”和RLS执行在这种情况下在同一水平。但“保障未来粮食供给”算法是复杂但RLS算法很简单,RLS比“保障未来粮食供给”。 |
结论 |
| 自适应噪声消除器的组件是由使用MATLAB计算机仿真。自适应算法的性能,分析了噪声消除使用各种测量标准。不同类型的输入和声音曾分析。分析表明,LMS, NLMS、RLS和“保障未来粮食供给”算法,滤波器长度的增加导致增加MSE和收敛时间增加。摘要t h is使这些算法之间的比较,降噪性能、收敛时间和高信噪比进行了分析。发现在所有情况下,RLS取消噪声表现为中等水平。在某些情况下,“保障未来粮食供给”可能已经稍微收敛,但其错误一直下降下面的RLS算法。在收敛时间的情况下LMS, NLMS算法显示了四种算法之间的最佳性能。在我g n l年代amp l i t u d e或f r eq uency遇到突然变化,RLS和“保障未来粮食供给”显示表现不佳。这些病例RLS算法和“保障未来粮食供给”图显示突然崛起的错误而LMS, NLMS保持稳定为零。 |
表乍一看 |
 |
|
| 表1 |
表2 |
|
数据乍一看 |
 |
 |
 |
 |
 |
| 图1 |
图2 |
图3 |
图4 |
图5 |
 |
 |
 |
 |
| 图6 |
图7 |
图8 |
图9 |
|
引用 |
- 微积分,S。,Adaptive Filter Theory. Prentice Hall, Upper Saddle River, 3rd Edition, 1996.
- a . Gilloire和m . Vetterli”自适应滤波与关键抽样:部分波段分析,实验和应用toAcoustic回波消除”。IEEE反式。信号处理、SP-40卷,没有。1992年8月8日,页。1862 - 1875年。
- j . j . Shynk“频域和M ultirate自适应过滤”。页14-37 IEEE信号处理杂志,1992年1月。
- s . Weiss,“在区域采样过量多级自适应过滤”,博士学位。论文,信号处理部门,斯特拉思克莱德大学,格拉斯哥,May1998。
- r·布伦南和t·施耐德“Filterbank结构和信息信号过滤和分离方法为DifferentBands,特别是对于音频信号在助听器”。美国Patent6,236,731。我们98/47313。1997年4月16日
- r·布伦南和t·施耐德“灵活的Filterbank结构广泛的信号处理的数字助听器”,Proc, IEEE Int.Symp。电路与系统、载- 572,1998。
- 海耶斯,M。,Statistical Digital Signal Processing and Modelling, John Wiley & Sons, Inc., New York, 1996.
- s .公元Prasetyowati a Susanto, t . s中j . e . Istiyanto“宽带自适应LMS降噪车辆的噪音信号”,Proc InternationalConference在绿色计算ICGC 2010.2010。
- 大肠Firmansyah, d .魔力,”ECG信号预处理使用虚拟仪器:基于LMS自适应滤波器对电力线干扰取消”,国际会议信息技术和电气工程学报》ICITEE 2011。
- 美国d Atmojo”,基于最陡下降最小均方算法(LMS)自适应滤波器对语音信号降噪”,Proc对于东亚数学Society-GadjahMadaUniversityInternational会议在2011年数学及其应用
- 应他,等人。“自适应滤波器的应用和Si的仿真噪声取消”,2008电脑科学和软件工程国际会议上,2008年,第1辑,页面(s): 1 - 4。
- 保罗想一想S.R.迪尼斯那样不知满足、,“自适应滤波算法和实际Implemetation”, ISBN 978-0-387-31274-3, Kluwer AcademicPublisher©2008 Springer科学+商业媒体,LLC,台北- 195。
- AbhishekTandon, m . Omair Ahmad”高效、低,归一化LMS算法对回波消除“第二AnnualIEEE东北车间在电路和系统中,2004年。NEWCAS 2004页(s): 161 - 164。
- Sanaullah坚持参加汗,M。Arif和T。马吉德,“LMS的比较,基于RLS和切口自适应算法的降噪typicalIndustrial工作室”,国际MultitopicConference 8日,2004年,页:169 - 173。
- Yuu-Seng Lau,查希尔·m·Hussian和理查德·哈里斯,“自适应滤波算法的性能:比较研究”,AustralianTelecommunications,网络和应用会议(ATNAC),墨尔本,2003。
|
菜单
