基于LMS算法的自适应组合滤波器.docVIP

基于LMS算法的自适应组合滤波器 摘 要 提出了自适应滤波器它由并行LMS的自适应FIR滤波器和一个更好的选择的算法。作为算法比较标准我们采取偏和加权系数之间的方差比。结果证实了提出的自适应滤波器的优点偏和方差权衡 自适应已信号处理和控制以及许多实际问题[1, 2]. 自适应滤波器的性能主要取决于所使用的算法的加权系数。最常用的自适应系统对那些基于最小均方（LMS）自适应算法及其（算法）。LMS算法是非常简便，易于实施，具有广泛的用途[1-3]。但是，因为它并不总是收敛在一个可接受的方式，有很多的尝试，以其性能适当算法（SA）的[8]，几何（GLMS）[5]，变步长LMS（最小均方比）[6，7]。算法都至少一个参数适应过程LMS算法和，加强和GLMS平滑系数，各种参数对LMS算法的影响）被定义。这些参数关键适应阶段：瞬态和稳态滤波器的输出。这些参数的选择主要是基于一种算法质量中所提到的适应性能。我们提出了一个自适应滤波器的性能改善的方法也就是说，我们提出了几个的不同参数的FIR滤波器，并提供不同的适应阶段最合适的算法标准这种方法可以适用于所有的LMS的算法，虽然我们在这里只考虑其中几个。 让我们定义输入信号向量和矢量加权系数为权重系数向量计算应根据 （1） 其中μ为算法步E{·}是预期值的估计中，常数K表，是一个参考信号。根据不同的预期值估计在，各种形式的自适应算法：LMS,,[1,2,5,8] . 变步长LMS算法和基本LMS算法具有相同的形式，但在适应μ（k）变化[6，7]。自适应滤波问题在于调整权重系数，使系统的输出跟踪参考信号，是一个零均值与方差的高斯噪声，是最佳权向量（维纳向量）。：是一个常数（固定的情况下）随时间变化（非平稳的情况下）。在非平稳情况下，未知（即最佳载体）时间。假设变可以建模，它是随机独立零均值和自相关矩阵，如果[1，2]的条件是满的权系数向量定义加权[1–3], 。是因为这两个梯度噪声（加权系数的平均值左右的变化）和加权矢量滞后（平均及最佳值的差额）的影响[3]。它可以表示为： （2） 根据（2），是加权系数的偏，与方差是零均值的随机变量差取决于LMS的算法类型，以及外部噪声方差因此，如果噪声方差为常数或缓慢变，在这个意义上说，在后面的分析我们将假定只算法型，参数。自适应滤波器一个重要性能衡量标准是其均方差（MSD）的加权系数。对于自适应滤波器，它被赋[3]： 第3章 组合自适应滤波器合并后的自适应滤波器的基本思想是在两个或两个以上自适应LMS算法并行实现与每个迭代之间的最佳选择，[9]。在每次迭代选择最合适的算法，。最好的加权系数是1，即在给定的时刻，向相应的维纳矢量值最接近。让是为基础的在瞬间选择参数系数注意，现在可以在一个统一的处理方式（LMS: q μ,GLMS: q ≡ a,SA:q ≡ μ）。行为在每个迭代有一个最佳值现在分析最小均方与一些基于相同类型的算法相结合的自适应滤波器，但参数权系数周围分布随机变量和方差[4，9]： （4） （4）的概率P(κ)依赖κ. 例如κ= 2高斯分布，P(κ)= 0.95（）。置信区间的定义 （5） 接着，从（4）（5）我们认为只要关于独立这意味着，小偏差，置信区间同一的LMS的算法不同，同一的LMS的算法相交另一方面，偏置变大，由于我们有关信息没有先验即第1步从不同预定义设置计算第2步估计算法。 第3步检查是否相交从一个最大的差异值算法走向与差异较小的值。根据（4），（5）和取舍的标准， （6） 当和以下关系成立： 如果没有相交（大偏差）选择具有最大的方差的值算法。如果相交，偏差已经很小。因此，检查了一新的系数，或者，如果是最后一对，只选择具有最小方差算法首先两个区间不相交意味着取舍标准，并选择方差算法。第4步转到下一个瞬间。元素的集合Q最小的数= 2。在估计[4]： （7） 当k = 1，2，... ，L和替代的方法是估计为 （8） 有关表达式在稳定状态为LMS算法不同类型，已知。对于标准的LMS算法在稳定状态，是相关的。,[3]. 需要注意的是，任何其他估计是有效的CA的复杂性取决于组成算法（第1步），并在决策算法（步骤3）。加权系数的计算并行算法增加计算时间，因为它是由硬件实现并行执行，从而增加硬件要求。方差估计（步骤2），忽略简单的分析表明，在CA增加最多的，N（L?1)和N(L?1) IF决定增补，需要。 考虑由两个不同步骤的LMS算法相结合的系统鉴定。在这里，参数q是μ，即未知的系统有四个时间不变系数，