CN106301288B - 一种自适应滤波方法 - Google Patents

一种自适应滤波方法 Download PDF

Info

Publication number
CN106301288B
CN106301288B CN201610633176.XA CN201610633176A CN106301288B CN 106301288 B CN106301288 B CN 106301288B CN 201610633176 A CN201610633176 A CN 201610633176A CN 106301288 B CN106301288 B CN 106301288B
Authority
CN
China
Prior art keywords
factor
combination
filtering method
filtering
momentum term
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610633176.XA
Other languages
English (en)
Other versions
CN106301288A (zh
Inventor
于肖飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Haixun Digital Technology Co ltd
Original Assignee
Beijing Zhongke Haixun Digital Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Haixun Digital Technology Co ltd filed Critical Beijing Zhongke Haixun Digital Technology Co ltd
Priority to CN201610633176.XA priority Critical patent/CN106301288B/zh
Publication of CN106301288A publication Critical patent/CN106301288A/zh
Application granted granted Critical
Publication of CN106301288B publication Critical patent/CN106301288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0043—Adaptive algorithms
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H2021/007—Computation saving measures; Accelerating measures

Landscapes

  • Filters That Use Time-Delay Elements (AREA)

Abstract

本发明提供一种自适应滤波方法，包括1)动量项LMS迭代滤波，采用梯度下降法调节权向量；2)变动量项因子LMS迭代滤波，在迭代达到收敛之前或者非平稳环境下，通过自适应调节组合因子使步长相对较大从而提高滤波方法收敛速度，当逐渐达到收敛状态时，使步长相对较小从而降低稳态误差提高其稳定性；3)选择不同步长变动量项因子系统；4)双变动量项因子滤波；5)组合因子迭代；6)得到变化结果，实现滤波，得到均方误差的表示方法及动量项因子和组合因子的迭代方式，进而得到均方误差的收敛特性及动量项因子和组合因子的自适应变化结果。

Description

一种自适应滤波方法
技术领域
本发明属于自适应滤波领域，尤其涉及提高自适应滤波器的收敛速度及降低滤波方法稳态误差方面，一种可以平衡并优化这两方面性能的滤波方法。
背景技术
在消除回波、自动均衡和雷达声呐的波束形成等通信领域方面，及其他的识别参数、抑制噪声、谱估计等信号处理领域方面，自适应滤波器都发挥着重要的作用。而在这些领域，在实际的应用问题中，接收设备所获取的接收信号当中往往伴随着由于环境所引起的干扰和噪声，由此导致的信号误码率上升会明显影响获取信号的准确性。干扰和噪声几乎存在于现实当中的所有应用领域。而自适应滤波器所要解决的核心问题就是在信号处理过程中从充满着干扰和噪声的混合信号中估计恢复出原始的纯信号。随着时间的推移，自适应滤波器自动的调节其自身的参数以此适应外界环境的变化。过去的几十年里，数字信号处理器得到了极大的发展，速度的加快、复杂性的提高、功耗的降低等都对我们的通信领域的自适应滤波方法提出了更高的要求。在自适应滤波器领域，随着人们研究的深入，其技术理论与实际操作也越来越成熟。
在之前提出的变动量项因子自适应滤波方法当中，通过变化的动量项因子来控制LMS方法的收敛速度和稳态误差，以期望在保持其稳态误差较小的情况下提高其收敛速度，但由于固定步长参数的限制，其最终的稳态误差最理想的情况下也是与传统LMS方法的稳态误差大约相等，因此我们说它的效果还是有一定的瓶颈的，滤波方法无法更大限度的降低稳态误差。
发明内容
(1)发明目的
本发明所提出的滤波方法在加快收敛速度的同时，更大程度上降低稳态误差，最终的效果是相对于之前提出的变动量项因子自适应滤波方法，收敛速度相当，稳态误差减小，对比传统LMS方法，收敛速度加快，稳态误差减小。
(2)技术方案
本发明将两个具有不同大小步长的变动量因子系统组合起来，同时引入组合因子，通过组合因子的自适应调节来自适应的选择两个系统的步长参数在整个过程中所占的比重，具体包括以下步骤：1)动量项LMS迭代滤波，采用梯度下降法调节权向量；2)变动量项因子LMS迭代滤波，在迭代达到收敛之前或者非平稳环境下，通过自适应调节组合因子使步长相对较大从而提高滤波方法收敛速度，当逐渐达到收敛状态时，使步长相对较小从而降低稳态误差提高其稳定性；3)选择不同步长变动量项因子系统；4)双变动量项因子滤波；5)组合因子迭代；6)得到变化结果，实现滤波，得到均方误差的表示方法及动量项因子和组合因子的迭代方式，进而得到均方误差的收敛特性及动量项因子和组合因子的自适应变化结果。
(3)优点及积极效果
通过仿真，经过700次的蒙特卡洛实验，得到结果如图3,4,5,6所示。从仿真结果中可以看出，新的滤波方法在迭代次数大约为200的位置上实现收敛，与滤波方法1相当，相对而言维持了快的收敛速度，与此同时，稳态误差也比滤波方法1和滤波方法2都小，达到了作者所期待的效果。
该滤波方法通过自适应的调节两个不同步长的变动量项因子LMS系统的组合因子的方法调节步长所占比重，将两个动量项系统快速收敛与小稳态误差的优点合二为一，解决了两个系统所各自具有的缺陷，有效提高了滤波方法的整体滤波性能。
附图说明
图1变动量项因子自适应滤波的双系统步长组合滤波方法原理框图
图2滤波方法步骤流程图
图3μ1＝0.012，μ2＝0.003时滤波方法1,2与步长组合滤波方法的收敛性能比较
图4μ1＝0.012时，滤波方法1的动量项因子变化情况
图5μ1＝0.003时，滤波方法2的动量项因子变化情况
图6新步长组合滤波方法的组合因子变化情况
具体实施方式
具体实施方式包括以下步骤：
1)动量项LMS迭代滤波：为使均方误差达到最小，采用梯度下降法调节权向量，因此权向量的迭代公式为：
Figure BDA0001070049000000021
w(n)表示权向量，μ表示步长，J(w)表示代价函数。
其中，梯度
Figure BDA0001070049000000022
可经过推导表示为-2p+2R·w(n)，p＝E[u(n)·d*(n)]为自相关向量，R＝E[u(n)·uH(n)]为互相关矩阵，u(n)表示输入，d(n)表示期望响应，p，R的瞬态估计表示为u(n)·d*(n)，u(n)·uH(n)，代入权向量迭代公式中，得到：
Figure BDA0001070049000000023
为提高收敛速度，在以上公式的基础上加入一个随着不同时刻变化的量，称为动量项。公式表示为
Figure BDA0001070049000000024
其中e(n)是由期望响应d(n)与输出y(n)的差值所表示的估计误差，
Figure BDA0001070049000000025
代表其动量项。
通过以上的权向量迭代公式，将各个时刻的输入与权值进行内积得到输出，输出与期望 响应的差值得到估计误差，从而得到均方误差。
2)变动量项因子LMS迭代滤波：在迭代达到收敛之前或者非平稳环境下，通过自适应调节组合因子使步长相对较大从而提高滤波方法收敛速度，当逐渐达到收敛状态时，使步长相对较小从而降低稳态误差提高其稳定性。
变动量项因子LMS方法的权向量迭代公式为：
Figure BDA0001070049000000031
其中u(n)表示输入，e(n)是由期望响应d(n)与输出y(n)的差值所表示的估计误差，输出y(n)由输入u(n)和n时刻权向量
Figure BDA0001070049000000032
的内积得到，
Figure BDA0001070049000000033
代表其动量项，α(n)即代表变化的动量项因子。
3)选择不同步长变动量项因子系统：选择两个动量项系统，它们的步长参数取不同的固定值，其中μ1>μ2，也即第一个系统的速度性能高于第二个系统，而第二个系统的稳态性能要高于第一个系统，在后面的实验当中分别记为系统1和系统2，它们的权向量迭代公式分别表示为：
Figure BDA0001070049000000034
Figure BDA0001070049000000035
优选的，步长参数分别取μ1＝0.012，μ2＝0.003，为保证初始收敛速度和合适的均方误差使不至于发散，动量项因子α1(n)，α2(n)的初值均取0.85。
4)双变动量项因子滤波系统步长组合：在这两个步长参数的基础上，组合两个不同步长参数的系统，通过动态的调整两个步长参数在组合系统中所占的比重来调节系统，在原有变动量项因子滤波方法的基础上突破常规LMS方法的步长参数对它的限制，进一步减小稳态误差。在滤波方法迭代过程中，其可以自适应的根据需要实时调节总体组合步长的大小，并最终收敛后得到最优组合步长，实现滤波方法的最优化。变动量项因子组合滤波方法的原理框图如图1所示。
自适应动态组合两个系统的组合因子用λ(n)表示，具体组合公式如下：
Figure BDA0001070049000000036
上式中，λ(n)表示组合因子，其取值范围为λ(n)∈[0,1]。
5)组合因子迭代实现：为使得组合因子最终达到新的步长组合滤波方法所具有的收敛速度和稳态性能，采用梯度下降的方法对组合因子的数值大小进行调节。因此自适应组合因子λ(n)的迭代公式可表示为：
Figure BDA0001070049000000037
上式中，ε为一很小的常数，在试验中取值0.02；J(n)是LMS方法代价函数；
Figure BDA0001070049000000038
表示J(n) 在λ＝λ(n)处的梯度。梯度
Figure BDA0001070049000000041
可用公式表示为：
Figure BDA0001070049000000042
其中根据LMS方法已知
Figure BDA0001070049000000043
而根据上面的组合公式可以得到：
Figure BDA0001070049000000044
将上面两式带入到梯度的表达式当中，进而得到组合因子的自适应迭代公式：
Figure BDA0001070049000000045
6)得到变化结果，实现滤波：得到均方误差的表示方法及动量项因子和组合因子的迭代方式，进而得到均方误差的收敛特性及动量项因子和组合因子的自适应变化结果。

Claims (5)

1.一种自适应滤波方法，应用于通信领域，包括以下步骤：1)动量项LMS迭代滤波，采用梯度下降法调节权向量；2)变动量项因子LMS迭代滤波，在迭代达到收敛之前或者非平稳环境下，通过自适应调节组合因子使步长相对较大从而提高滤波方法收敛速度，当逐渐达到收敛状态时，使步长相对较小从而降低稳态误差提高其稳定性；3)选择不同步长变动量项因子系统；4)双变动量项因子滤波；5)组合因子迭代；6)得到变化结果，实现滤波，得到均方误差的表示方法及动量项因子和组合因子的迭代方式，进而得到均方误差的收敛特性及动量项因子和组合因子的自适应变化结果；其中
所述步骤3)中，选择第一动量项系统与第二动量项系统，所述第一动量项系统与第二动量项系统的步长参数分别为μ1和μ2，且μ1>μ2；
所述步骤4)中系统步长组合在步骤3)所述第一动量项系统与第二动量项系统的步长参数的基础上，组合两个不同步长参数的系统，通过动态的调整两个步长参数在组合系统中所占的比重来调节系统，进一步减小稳态误差；
所述步骤4)中，在滤波方法迭代过程中，根据需要实时调节总体组合步长的大小，并最终收敛后得到最优组合步长，实现滤波方法的最优化，自适应动态组合两个系统的组合因子用λ(n)表示，具体组合公式为
Figure FDA0003900709290000011
上式中，w(n)表示权向量，λ(n)表示组合因子，其取值范围为λ(n)∈[0,1]；
所述步骤5)采用梯度下降的方法对组合因子的数值大小进行调节，自适应组合因子λ(n)的迭代公式表示为：
Figure FDA0003900709290000021
上式中，ε为一很小的常数，在试验中取值0.02；J(n)是LMS方法代价函数；
Figure FDA0003900709290000022
表示J(n)在λ＝λ(n)处的梯度；组合因子的自适应迭代公式为
Figure FDA0003900709290000023
其中u(n)表示输入，e(n)是由期望响应d(n)与输出y(n)的差值所表示的估计误差，输出y(n)由输入u(n)和n时刻权向量
Figure FDA0003900709290000024
的内积得到,w1(n)与w2(n)分别表示所述第一动量项系统与第二动量项系统的权向量。
2.一种如权利要求1所述的自适应滤波方法，其特征在于，所述步骤1)中权向量的迭代公式为：
Figure FDA0003900709290000025
w(n)表示权向量，μ表示步长，J(w)表示代价函数。
3.一种如权利要求2所述的自适应滤波方法，其特征在于，所述步骤2)中变动量项因子LMS方法的权向量迭代公式为：
Figure FDA0003900709290000026
其中u(n)表示输入，e(n)是由期望响应d(n)与输出y(n)的差值所表示的估计误差，输出y(n)由输入u(n)和n时刻权向量
Figure FDA0003900709290000027
的内积得到，
Figure FDA0003900709290000031
代表其动量项，α(n)即代表变化的动量项因子。
4.一种如权利要求3所述的自适应滤波方法，其特征在于，所述步骤3)中所述第一动量项系统和所述第二动量项系统的权向量迭代公式分别表示为：
Figure FDA0003900709290000032
Figure FDA0003900709290000033
5.如权利要求1所述一种自适应滤波方法，其特征在于所述步骤3)中，所述步长参数分别取μ1＝0.012，μ2＝0.003，为保证初始收敛速度和合适的均方误差使不至于发散，动量项因子α1(n)，α2(n)的初值均取0.85。
CN201610633176.XA 2016-08-04 2016-08-04 一种自适应滤波方法 Active CN106301288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610633176.XA CN106301288B (zh) 2016-08-04 2016-08-04 一种自适应滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610633176.XA CN106301288B (zh) 2016-08-04 2016-08-04 一种自适应滤波方法

Publications (2)

Publication Number Publication Date
CN106301288A CN106301288A (zh) 2017-01-04
CN106301288B true CN106301288B (zh) 2022-12-02

Family

ID=57665388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610633176.XA Active CN106301288B (zh) 2016-08-04 2016-08-04 一种自适应滤波方法

Country Status (1)

Country Link
CN (1) CN106301288B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107248412A (zh) * 2017-05-18 2017-10-13 歌尔科技有限公司 音频降噪方法和装置
CN107947761B (zh) * 2017-12-18 2021-09-10 西安理工大学 基于最小均方四阶的变阈值比例更新自适应滤波方法
CN110010116A (zh) * 2018-11-23 2019-07-12 重庆邮电大学 一种基于动量FxLMS算法的主动噪声控制系统
CN110048694B (zh) * 2019-04-22 2022-09-23 哈尔滨理工大学 基于变元步长的随机傅里叶特征核最小均方算法
CN113556072B (zh) * 2021-07-29 2022-11-04 西南大学 一种超高速电机参数在线辨识方法
CN113595528B (zh) * 2021-07-30 2023-08-04 重庆长安汽车股份有限公司 一种基于幂函数的自适应变步长lms滤波器及其实现方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103178846A (zh) * 2013-03-29 2013-06-26 华南理工大学 一种用于adc校准的lms算法
CN104009734A (zh) * 2014-05-07 2014-08-27 西安理工大学 梯度变步长lms自适应滤波方法
CN104283528A (zh) * 2014-09-18 2015-01-14 河海大学 一种变步长lms自适应滤波方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9837991B2 (en) * 2013-04-10 2017-12-05 King Fahd University Of Petroleum And Minerals Adaptive filter for system identification

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103178846A (zh) * 2013-03-29 2013-06-26 华南理工大学 一种用于adc校准的lms算法
CN104009734A (zh) * 2014-05-07 2014-08-27 西安理工大学 梯度变步长lms自适应滤波方法
CN104283528A (zh) * 2014-09-18 2015-01-14 河海大学 一种变步长lms自适应滤波方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种具有双瞬变因子的LMS自适应滤波算法;曾召华;《现代雷达》;20000229(第1期);全文 *
双变因子LMS自适应滤波算法;李晓波 等;《火力与指挥控制》;20110930;第36卷(第9期);全文 *

Also Published As

Publication number Publication date
CN106301288A (zh) 2017-01-04

Similar Documents

Publication Publication Date Title
CN106301288B (zh) 一种自适应滤波方法
CN103561185B (zh) 一种稀疏路径的回声消除方法
Liu et al. Proportionate adaptive filtering for block-sparse system identification
CN109257030B (zh) 一种变步长lp范数LMS算法的稀疏系统辨识方法
Bhotto et al. Robust shrinkage affine-projection sign adaptive-filtering algorithms for impulsive noise environments
CN107947761B (zh) 基于最小均方四阶的变阈值比例更新自适应滤波方法
CN104009734A (zh) 梯度变步长lms自适应滤波方法
CN107342751B (zh) 一种基于互相关熵的变步长sa自适应滤波算法
CN106411290A (zh) 一种基于sigmoid函数的变步长VLMP滤波算法及其应用
CN107105111B (zh) 一种组合步长成比例仿射投影回声消除方法
CN103716013A (zh) 变参数比例自适应滤波器
Yuan et al. Application of new LMS adaptive filtering algorithm with variable step size in adaptive echo cancellation
CN109274352A (zh) 基于最大相关熵的多凸组合自适应滤波方法
CN109147753B (zh) 基于误差平方与误差平方对数之差最小的凸组合降噪方法
CN110166024B (zh) 一种微弱声信标信号增强方法
Li et al. Parallel NLMS filters with stochastic active taps and step-sizes for sparse system identification
CN112462352A (zh) 一种适用于低信噪比条件下的线谱增强方法
CN107306239B (zh) 基于最小均方算法的堆垛机消噪方法
CN102227096A (zh) 一种非高斯环境下的变步长最小p-范数系统辨识方法
CN111161700A (zh) 一种空间降噪系统中主通道时延估计方法
CN113452350A (zh) 一种变步长块稀疏仿射投影自适应滤波器
Wang Unknown input observer based fault class isolation and estimation
CN107452393B (zh) 一种回声消除系统及方法
CN110672290B (zh) 一种考虑滞后时间的地震模拟振动台迭代控制方法
CN109474258B (zh) 基于核极化策略的随机傅立叶特征核lms的核参数优化方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant