《自适应噪声抵消器研究背景和国内外现状.doc》由会员分享，可在线阅读，更多相关《自适应噪声抵消器研究背景和国内外现状.doc（4页珍藏版）》请在三一办公上搜索。
1、自适应噪声抵消器研究背景和国内外现状1背景和选题依据2国内外研究现状和发展动态在信号的传播路径中以及在信号处理过程中，都会引入噪声。噪声的引入影响了对真实信号的处理，有时候，较强的噪声会“遮盖”了信号，从而难以得到准确、稳定的真实信号。噪声对信号的污染在绝大多数情况下是不可避免的，因而，对噪声的消除和抑制是信号处理中极其重要的工作。自适应噪声抵消系统具有很强的噪声抑制能力，可将原始输入信号中噪声全部或部分地抵消，而对信号几乎不产生畸变，近年来应用十分广泛。设计普通的维纳和Kalman滤波器，要求已知关于信号和噪声统计特性的先验知识。但在许多情况下人们并不知道或知道甚少，某些情况下这些统计特性还
2、是时变的。处理这类信号就需要采用自适应滤波器。自适应滤波的研究对象是具有不确定的系统或信息过程。这里的“不确定性”是指所研究的处理信息过程及其环境的数学模型不是完全确定的。其中包含一些未知因素和随机因素。任何一个实际的信息过程都具有不同程度的不确定性，这些不确定性有时表现在过程内部，有时表现在过程外部。从过程内部来讲，描述研究对象即信息动态过程的数学模型的结构和参数是设计者事先并不一定能确切知道的。作为外部环境对信息过程的影响，可以等效地用扰动来表示。这些扰动通常是不可测的，它们可能是确定性的，也可能是随机的。此外，还有一些测量噪音也以不同的途径影响信息过程。这些扰动和噪声的统计特性常常是未知
3、的。面对这些客观存在的各式各样的不确定性，如何综合处理该信息过程，并使得某一些指定的性能指标达到最优或近似最优，这就是自适应滤波所要解决的问题。自适应噪声抵消系统的核心是自适应滤波器的设计，而设计自适应滤波器的关键是自适应算法及其实现。自适应算法要具有好的“自学习”和“跟踪”能力，而且运算量不能太大，以便能利用该算法设计出实时处理系统。1975年，Widraw和Hoff等人做了一个模拟机舱噪声问题的实验，提出了最小均方误差(LMS)算法，这是一种很有用且很简单的自适应滤波算法。1背景和选题依据自适应滤波是近年来发展起来的一种最佳滤波方法。它是在维纳滤波，Kalman滤波等线性滤波基础上发展起来
4、的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能。从而在工程实际中，尤其在信息处理技术中得到了广泛的应用。自适应滤波器是相对固定滤波器而言的，固定滤波器属于经典滤波器，它滤波的频率是固定的，自适应滤波器滤波的频率则是自动适应输入信号而变化的，所以其适用范围更广泛。在没有任何关于信号和噪声的先验知识的条件下，自适应滤波器利用前一时刻已获得的滤波器参数来自动调节现在时刻的滤波器参数，以适应信号和噪声未知或随机变化的统计特性，从而实现最优滤波。实际情况中，由于信号和噪声的统计特性常常未知或无法获知，这就为自适应滤波器提供广阔的应用空间，系统辨识、噪声抵消、自适应谱线增强、通信信道的自适应均
5、衡、线性预测、自适应天线阵列等是自适应滤波器的主要应用领域。军事上运用自适应噪声抵消技术可以从强干扰中提取有用信号(语音)，恢复清晰的语音，保证陆海通信。生活中自适应噪声抵消技术还可以用来消除心电图中的电源干扰，也可用来检测胎儿心音，还可作为天线阵的自适应旁瓣抑制器。自适应滤波器在社会生活和军事领域中有着广阔的应用前景，自适应噪声抵消技术作为现代信号处理的一个分支也有着独特而重要的地位。2国内外研究现状和发展动态自适应滤波器属于现代滤波器的范畴，它是40年代发展起来的自适应信号处理领域的一个重要应用，自适应滤波器理论是现代信号处理技术的重要组成部分,他对复杂信号的处理具有独特的功能。自适应噪声
6、抵消器的概念和原理以及应用等，早被 B.Widrow作了详细分析和介绍，但是硬件实现这一装置还是近十年的事情，自适应噪声抵消系统，开始解决硬件实现中的性能分析和实用问题。自适应噪声抵消器有广泛的应用领域，在雷达、声纳和通讯等系统中尤为有用，因为它们的工作环境处于缓慢的时变、空变之中，因而最佳处理必须是自适应的。自适应噪声抵消器在本质上能实时学习并适配环境的时间和空间变化。 当前,自适应滤波技术已广泛应用于自适应噪声对消、语音编码、自适应网络均衡器、雷达动目标显示、机载雷达杂波抑制、自适应天线旁瓣对消等众多领域。在一些信号和噪声特性无法预知或他们是随时间变化的情况下,自适应滤波器通过自适应滤波算
7、法调整滤波器系数，使得滤波器的特性随信号和噪声的变化而变化,以达到最优滤波的效果，解决了固定权系数的维纳滤波器和Kalman滤波器的不足。随着自适应技术的发展，将自适应噪声抵消技术应用于在背景噪音中提取语音信号得到了迅速的发展。由 Widraw和Hoff等人提出的基于最速下降法的最小均方误差(LMS)因其计算量小、易于实现等优点而在实践中得到了广泛应用。LMS算法结构简单、计算量小且稳定性好，但固定步长的LMS算法在收敛速度、跟踪速率及权失调噪声之间的要求是相互矛盾的，针对这个问题，人们提出了各种变步长的LMS改进算法。近年来，变步长类LMS算法一直是时域LMS算法研究的热点之一，其中多数都利
8、用自适应过程中提供的某种近似值作为衡量标准来调节步长，比较常见的方法是利用自适应过程中的误差信号，试图在步长与误差信号之间建立某种函数关系。Yasukawa等提出了使步长因子正比于误差信号e(n)的大小。吴光弼等通过对误差信号的非线性处理，得到了线性-指数LE-LMS(Linear Exponential LMS)变步长自适应滤波算法，该算法较为复杂。李竹等提出了一种改进的变步长LMS算法，该算法利用瞬时误差的四次方和遗忘因子共同来调整步长，进一步解决了收敛时间和稳态误差的矛盾。也通过在步长因子与误差信号e(n)之间建立一种新的非线性函数关系，提出了一种新的变步长LMS算法，有效地避免了基于S
9、igmoid函数的变步长LMS算法的不足。依据步长与误差的Sigmoid非线性函数关系，提出了一种改进的变步长LMS算法，并将算法应用于系统辨识。Dentino等于1979年首先提出了变换域自适应滤波(Transform Domain Adaptive Filter，TDAF)的概念，TDAF就是变换域中的LMS算法，也称为TDLMS算法。在变换域自适应滤波算法中，基于频域的LMS自适应滤波算法是最基本最常见的。到目前为止，对频域自适应滤波算法研究较多的是分块实现的频域LMS算法，主要研究这种算法的实现方法和各种性能。胡春风等提出了轮流受限自正交分块频域批处理LMS算法，在频域中应用批处理技术
10、，可以使码元间平均计算量减少。此外，小波变换也被用于变换域自适应滤波，由于小波变换具有较强的自适应特性，人们把研究的目光也投向了基于小波变换域的LMS自适应滤波算法13，并在这方面取得了不少成果。曾召华等14在滑动准最小均方误差瞬变LMS算法基础上提出了一种基于正交小波变换的瞬变步长LMS的改进自适应滤波算法。除上面提到的2类主要的LMS算法外，还有一些其他算法，如：LMS牛顿算法、归一化LMS(Normalized LMS,NLMS)算法、分块LMS算法、混合LMS算法、基于U-滤波LMS算法以及高阶误差LMS算法等。张瑞金等研究了X-滤波和E-滤波LMS算法的性能，给出了它们的均值收敛和方差收敛条件及X-滤波和E-滤波LMS算法具有二次稳定性的充分条件。收敛速度、跟踪速度、算法复杂度及稳定性是衡量自适应滤波算法的几个主要指标。未来算法的研究将会朝着收敛速度和跟踪速度快、算法复杂度低、稳定性好能和易于实现的方向发展。
