CN110492869A - 一种改进的分段频域块lms自适应滤波算法 - Google Patents
一种改进的分段频域块lms自适应滤波算法 Download PDFInfo
- Publication number
- CN110492869A CN110492869A CN201910721235.2A CN201910721235A CN110492869A CN 110492869 A CN110492869 A CN 110492869A CN 201910721235 A CN201910721235 A CN 201910721235A CN 110492869 A CN110492869 A CN 110492869A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- data
- fft
- frame
- adaptive filter
- 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.)
- Granted
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 title claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 abstract description 5
- 239000013598 vector Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0211—Frequency selective networks using specific transformation algorithms, e.g. WALSH functions, Fermat transforms, Mersenne transforms, polynomial transforms, Hilbert transforms
- H03H17/0213—Frequency domain filters using Fourier transforms
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0219—Compensation of undesirable effects, e.g. quantisation noise, overflow
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0025—Particular filtering methods
- H03H21/0027—Particular filtering methods filtering in the frequency domain
-
- 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
- H03H2021/0076—Measures relating to the convergence time
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H2021/0085—Applications
- H03H2021/0094—Interference Cancelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种改进的分段频域块LMS自适应滤波算法。该算法的具体步骤如下:(1)设定参数,(2)采集与外扰输入信号相关的参考信号,每次累积N+L=(P+1)L个数据为一帧,分成为P个数据块;(3)对第k帧的全部P个数据块计算对应的匹配通道的输出;(4)采用频域滤波最小均方算法更新自适应滤波器系数;(5)不断迭代数据帧k,使得误差信号达到最小。本发明改进的分段频域块LMS自适应滤波算法,能够使得滤波器系统在非因果条件下,其均方误差依然可以收敛到维纳解。
Description
技术领域
本发明属于自适应信号处理的技术领域,具体涉及一种改进的分段频域块LMS自适应滤波算法。
背景技术
自适应算法被广泛应用于有源噪声控制、回声消除和通信系统等方面。最小均方(LMS) 算法由于其算法简单、稳定性好而被自适应滤波广泛使用,但是它的运算量随着自适应滤波器长度的增加而显著增加。
为了减少自适应滤波的运算量,人们通常使用频域块最小均方(FBLMS)算法。FBLMS 算法虽然运算效率高,但延时大。分段频域块自适应LMS(PFBLMS)算法由于其运算效率高、延时短而在音频处理领域得到广泛应用。如果对PFBLMS算法的参考信号能量进行归一化处理,可以明显加快算法的收敛速度。已有研究表明(J.Lu,X.Qiu and H.S.Zou,“Amodified frequency-domain block LMS algorithm with guaranteed optimal steady-state performance,”Signal Process.104,27-32(2014)),当滤波器系统为非因果时,频域LMS算法面临非最优收敛的问题,归一化PFBLMS算法的均方误差(MSE)不能收敛到维纳解。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种改进的分段频域块LMS自适应滤波算法,使得滤波器系统在非因果条件下,其均方误差依然可以收敛到维纳解。
本发明采用的技术方案为:
一种改进的分段频域块LMS自适应滤波算法,包括如下步骤:
(1)设定频域块长度为L,自适应滤波器长度为N=P×L,P为一个整数,代表每一帧数据分段频域处理的数量,归一化的收敛步长μ的范围为0<μ<1;
(2)采集与外扰输入信号相关的参考信号x(n),每次累积N+L=(P+1)L个数据为一帧,分成为P个数据块;记第k帧的第p块参考输入为xp(k)=[x((k–p)L–L),x((k–p)L–L+1),…,x((k–p)L+L–1)]T,并令第k帧的第p块参考输入对应的控制滤波器权值系数为wp(k)= [w(pL+0)(k),w(pL+1)(k),…,w(pL+L–1)(k)]T,T为转置;
(3)对第k帧的全部P个数据块计算对应的匹配通道的输出,具体过程如下:
利用1/2重叠保留法和快速傅里叶变换方法,计算匹配通道的时域输出为y(k)=其中表示点乘,xf,p(k)=FFT[xp(k)],wf,p(k)=FFT[wp T(k),01×L]T;其中,FFT代表快速傅里叶变换操作,IFFT代表快速傅里叶逆变换操作;去掉y(k)的前L个值,保留剩下的L个值便是匹配通道的真实输出;
(4)获取误差点的信号e(k)=[01×L,x(kL),…,x(kL+L–1)]T;采用频域滤波最小均方算法更新自适应滤波器系数其中,Mf为归一化矩阵,Xf,p(k) =diag[xf,p(k)],表示对的数据的后半部分清零后再进行快速傅里叶变换;
(5)不断迭代数据帧k,使得误差信号达到最小。
本发明提出的改进PFBLMS算法与传统归一化PFBLMS算法相比,只增加了一次快速傅里叶变换和一次快速傅里叶逆变换的操作,在增加少量运算量的前提下,使得均方误差MSE 可以收敛到维纳解。本发明的LMS自适应滤波算法可以应用在系统辨识中,使得对目标系统的辨识度更高;也可以应用在噪声消除中,使得噪声消除的更彻底;或者应用在拟合预测中,可以使得拟合预测结果更准确。
附图说明
图1是本发明算法的流程图。
图2是本发明算法滤波器迭代流程图。
图3是本发明算法与传统归一化PFBLMS算法的稳态自适应滤波器系数比较图。
图4是本发明算法与传统归一化PFBLMS算法在非因果条件下的误差收敛曲线图。
具体实施方式
本发明是对传统归一化PFBLMS算法进行改进,下面结合附图对本发明的技术方案进行详细阐述。
设定N为自适应滤波器长度,L为频域块长度,频域的FFT运算长度为2L,N=P×L,P为一个整数,代表每一帧数据分段频域处理的数量,归一化的收敛步长范围为0<μ<1。
1、在传统的归一化PFBLMS算法中,第k帧数据被分成P个数据块。假设xp(k)=[x((k– p)L–L),x((k–p)L–L+1),…,x((k–p)L+L–1)]T为参考信号矢量,p=(0,1,…,P–1)。上标T 代表转置操作,wp(k)=[w(pL+0)(k),w(pL+1)(k),…,w(pL+L–1)(k)]T为自适应滤波器,d(k)=[d(kL), d(kL+1),…,d(kL+L-1)]T为期望信号矢量。则频域误差信号矢量为
其中Q0,L=FG0,LF-1,QL,0=FGL,0F-1,F代表2L×2L阶离散傅里叶变换(DFT)矩阵
df(k)=F[01×L,dT(k)]T,Xf,p(k)=diag[xf,p(k)]=diag[Fxp(k)],wf,p(k)=F[wp T(k),01×L]T。
PFBLMS算法归一化后的控制滤波器迭代公式为
其中上标H代表共轭转置操作,μ为固定步长,Mf=diag[ξ],ξ为频带归一化因子组成的矢量。
对式(3)两边同时乘以F-1可以得到
其中e(k)=[e(kL),e(kL+1),…,e(kL+L-1)]T。Xp(k)是一个循环矩阵,它的第一列就是xp(k),
M也是一个循环矩阵,它的第一列就是F-1ξ,
将式(4)化简可得
wp(k+1)=wp(k)+μ[M1X2,p+M2X1,p]e(k), (7)
其中
当自适应滤波器收敛到稳态解时,对式(7)两边取期望,根据独立性假设化简可得
其中Rp,m=E[X2,pXH 2,m],rp=E[X2,pd(k)],
假设待估计系统冲激响应长度N’≤N,相应的wo=[wo,0,…wo,N’-1,0,…0]。假设wo,p= [wo,(pL+0),wo,(pL+1),…,wo,(pL+L–1)]T,那么
根据式(9)、(10)可知
因为0≤p≤P–1,自适应滤波器长度足够时,则式(11)可求解出每个wm(∞)刚好等于wo,m。如果系统非因果,则无法推导得到式(10),归一化的PFBLMS算法的稳态解不能收敛到维纳解。
2、本发明改进的PFBLMS算法与归一化的NFBLMS算法的主要区别在于自适应滤波器的迭代公式。本发明改进的PMFBLMS自适应滤波器迭代公式如下所示:
与式(3)相比,式(12)中额外增加了一个QL,0操作,代表将频域数据傅里叶变换到时域,将得到的时域矢量的后L个数据清零,然后再傅里叶逆变换到频域。如图2中的粗点画线流程所示。
由式(7)可知M2X1,p的存在使得自适应滤波器无法迭代到维纳解,而MFBLMS算法中新增的QN,0操作可以消除M2X1,p对自适应滤波器迭代的影响。对式(12)两边同时乘以F-1可以得到
将式(13)化简可得
wp(k+1)=wp(k)+μM1X2,pe(k)。 (14)
对式(14)两边取期望化简可得
在p=(0,1,…,P–1)的情况下,式(15)可写成如下矩阵
式(16)的稳态解为E[w∞(k)]=R-1r,其中R为N×N阶参考信号自相关矩阵,r为N阶参考信号与期望信号的自相关矢量。因此,本发明改进的PFBLMS算法可以收敛到维纳解。
本实施例改进的LMS分段频域块LMS自适应滤波算法具体步骤如下:
1、每次累积N+L=(P+1)L个数据为一帧,分成为P个数据块。记第k帧的第p块参考输入为xp(k)=[x((k–p)L–L),x((k–p)L–L+1),…,x((k–p)L+L–1)]T,并令第k帧的第p块参考输入对应的控制滤波器权值系数为wp(k)=[w(pL+0)(k),w(pL+1)(k),…,w(pL+L–1)(k)]T,T为转置。
2、对第k帧的全部P块数据计算对应的匹配通道的输出,过程如下:利用1/2重叠保留法和快速傅里叶技术,计算匹配通道的时域输出为其中表示点乘,xf,p(k)=FFT[xp(k)],wf,p(k)=FFT[wp T(k),01×L]T。去掉y(k)的前L个值,保留剩下的L 个值便是匹配通道的真实输出。
3、获取误差点的信号e(k)=[01×L,x(kL),…,x(kL+L–1)]T。采用频域滤波最小均方算法更新自适应滤波器系数其中,Mf为归一化矩阵,Xf,p(k) =diag[xf,p(k)],表示对的数据的后半部分清零后再进行快速傅里叶变换。
4、不断迭代数据帧k,使得误差信号达到最小。
为了说明本发明算法的优点,以下利用仿真对传统归一化的PFBLMS算法和本发明改进的PFBLMS算法的稳态特性进行比较验证。参考信号为白噪声通过低通滤波器H(z)=[(1– 0.5z–1)]10/[(1–0.6z–1)]10,期望信号超前参考信号1个采样点。自适应滤波器长度N=64,频域块长度L=8。两种算法的步长均设置为接近步长上限,仿真结果已经过100次仿真平均。两种算法的稳态自适应滤波器系数如图3所示,由于大部分自适应滤波器系数接近于0,图3只显示了前10阶。它们的MSE收敛图如图4所示。
从图3中可以看出,传统归一化的PFBLMS算法的稳态解偏离维纳解,而本发明改进的 PFBLMS算法的稳态解等于维纳解,图4的MSE收敛曲线也说明了本发明改进PFBLMS算法的优势。传统归一化的PFBLMS算法误差下降4dB以上,而本发明改进的PFBLMS算法误差下降8dB以上。
Claims (1)
1.一种改进的分段频域块LMS自适应滤波算法,其特征在于,包括如下步骤:
(1)设定频域块长度为L,自适应滤波器长度为N=P×L,P为一个整数,代表每一帧数据分段频域处理的数量,归一化的收敛步长μ的范围为0<μ<1;
(2)采集与外扰输入信号相关的参考信号x(n),每次累积N+L=(P+1)L个数据为一帧,分成为P个数据块;记第k帧的第p块参考输入为xp(k)=[x((k–p)L–L),x((k–p)L–L+1),…,x((k–p)L+L–1)]T,并令第k帧的第p块参考输入对应的控制滤波器权值系数为wp(k)=[w(pL+0)(k),w(pL+1)(k),…,w(pL+L–1)(k)]T,T为转置;
(3)对第k帧的全部P个数据块计算对应的匹配通道的输出,具体过程如下:
利用1/2重叠保留法和快速傅里叶变换方法,计算匹配通道的时域输出为 其中表示点乘,xf,p(k)=FFT[xp(k)],wf,p(k)=FFT[wp T(k),01×L]T;其中,FFT代表快速傅里叶变换操作,IFFT代表快速傅里叶逆变换操作;去掉y(k)的前L个值,保留剩下的L个值便是匹配通道的真实输出;
(4)获取误差点的信号e(k)=[01×L,x(kL),…,x(kL+L–1)]T;采用频域滤波最小均方算法更新自适应滤波器系数其中,Mf为归一化矩阵,Xf,p(k)=diag[xf,p(k)],表示对的数据的后半部分清零后再进行快速傅里叶变换;
(5)不断迭代数据帧k,使得误差信号达到最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721235.2A CN110492869B (zh) | 2019-08-06 | 2019-08-06 | 一种改进的分段频域块lms自适应滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721235.2A CN110492869B (zh) | 2019-08-06 | 2019-08-06 | 一种改进的分段频域块lms自适应滤波算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110492869A true CN110492869A (zh) | 2019-11-22 |
CN110492869B CN110492869B (zh) | 2023-06-06 |
Family
ID=68550098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910721235.2A Active CN110492869B (zh) | 2019-08-06 | 2019-08-06 | 一种改进的分段频域块lms自适应滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110492869B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115273790A (zh) * | 2022-07-27 | 2022-11-01 | 重庆邮电大学 | 一种基于fbfulms算法的有源噪声控制系统的设计方法 |
CN117134909A (zh) * | 2023-10-20 | 2023-11-28 | 网络通信与安全紫金山实验室 | 去相关的信道密钥生成方法、装置、通信设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106936407A (zh) * | 2017-01-12 | 2017-07-07 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 频域块最小均方自适应滤波方法 |
-
2019
- 2019-08-06 CN CN201910721235.2A patent/CN110492869B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106936407A (zh) * | 2017-01-12 | 2017-07-07 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 频域块最小均方自适应滤波方法 |
Non-Patent Citations (3)
Title |
---|
杜秀丽等: "基于并行技术和流水线的LMS自适应滤波算法" * |
田超: "频域块LMS自适应滤波算法的研究" * |
胡坚: "基于分段块频域自适应滤波算法的长延时回声消除" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115273790A (zh) * | 2022-07-27 | 2022-11-01 | 重庆邮电大学 | 一种基于fbfulms算法的有源噪声控制系统的设计方法 |
CN117134909A (zh) * | 2023-10-20 | 2023-11-28 | 网络通信与安全紫金山实验室 | 去相关的信道密钥生成方法、装置、通信设备及存储介质 |
CN117134909B (zh) * | 2023-10-20 | 2024-03-29 | 网络通信与安全紫金山实验室 | 去相关的信道密钥生成方法、装置、通信设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110492869B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101833949B (zh) | 一种用于消减噪声的有源噪声控制方法 | |
CN106210370B (zh) | 一种仿射投影最大熵子带自适应回声消除方法 | |
CN101729461A (zh) | 消除单频干扰及多频干扰的系统及方法 | |
CN111884625B (zh) | 一种变步长稀疏增广复数自适应滤波器 | |
CN110492869A (zh) | 一种改进的分段频域块lms自适应滤波算法 | |
CN107105111B (zh) | 一种组合步长成比例仿射投影回声消除方法 | |
CN107342751B (zh) | 一种基于互相关熵的变步长sa自适应滤波算法 | |
CN109104389A (zh) | 一种gnss天线阵通道失配的自适应校正方法 | |
CN105721729B (zh) | 基于块稀疏成比例重用权系数仿射投影的回声消除方法 | |
CN103716013A (zh) | 变参数比例自适应滤波器 | |
CN111385230B (zh) | 一种基于维纳自适应的信道估计的方法及系统 | |
CN102724152B (zh) | 基于Laguerre结构的多项式自适应有源噪声对消方法 | |
CN104715758A (zh) | 一种分部处理式阵列式语音定位和增强方法 | |
Liu et al. | Proportionate affine projection algorithms for block-sparse system identification | |
CN106128471B (zh) | 一种收缩变步长子带回声消除方法 | |
CN110190832B (zh) | 变正则化参数多任务自适应滤波器网络 | |
CN112462352A (zh) | 一种适用于低信噪比条件下的线谱增强方法 | |
CN107527622B (zh) | 一种基于最大熵的变步长符号子带回声消除方法 | |
CN108924076A (zh) | Co-ofdm系统中一种联合改进的ts-pso-pts峰均比抑制方案 | |
CN112929006A (zh) | 变步长选择更新核最小均方自适应滤波器 | |
CN109658950B (zh) | 一种混合频域自适应算法 | |
CN107204952A (zh) | 一种滤波ofdm系统的子带滤波处理方法 | |
Nesta et al. | Multiple TDOA estimation by using a state coherence transform for solving the permutation problem in frequency-domain BSS | |
CN113421541B (zh) | 一种基于系数平滑的频域有源噪声控制系统 | |
CN110661735A (zh) | 一种基于正交匹配追踪稀疏信道估计的时延估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |