CN110649912B - 空间滤波器的建模方法 - Google Patents
空间滤波器的建模方法 Download PDFInfo
- Publication number
- CN110649912B CN110649912B CN201810678026.XA CN201810678026A CN110649912B CN 110649912 B CN110649912 B CN 110649912B CN 201810678026 A CN201810678026 A CN 201810678026A CN 110649912 B CN110649912 B CN 110649912B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- nth iteration
- formula
- spatial filter
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001914 filtration Methods 0.000 claims abstract description 42
- 230000003044 adaptive effect Effects 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims description 21
- 230000001934 delay Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000002040 relaxant effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000003079 width control Methods 0.000 description 1
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
-
- 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
- H03H2021/0049—Recursive least squares algorithm
-
- 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
本发明提供了空间滤波器的建模方法。空间滤波器的建模方法包括：获取自适应滤波算法的公式；以及将自适应滤波算法的公式改变为流水线型自适应滤波算法公式，其中，所述流水线型自适应滤波算法公式基于预定时刻之前的输入信号和误差信号估计当前的期望信号以实现并行运算。本发明采用放宽延时技术与和放宽技术，串行算法修改为可以并行处理的流水线型自适应滤波算法。从而通过并行运算大幅度提高的滤波速度。
Description
技术领域
本发明一般地涉及数字信号处理技术领域，更具体地，涉及一种空间滤波器建模方法。
背景技术
空间滤波是一种采用滤波处理的影像增强方法。其理论基础是空间卷积和空间相关。目的是改善影像质量，包括去除高频噪声与干扰，及影像边缘增强、线性增强以及去模糊等。分为低通滤波(平滑化)、高通滤波(锐化)和带通滤波。处理方法有计算机处理(数字滤波)和光学信息处理两种。
20世纪60年代，B.Widrow等人提出了最小均方(LMS)算法。图1为LMS算法实现原理图。如图1所示，LMS算法实现结构简单且对信号的统计特性变化具有一定稳健性，获得了极为广泛的应用。LMS算法可以由以下三个公式完整表示：
其中，x(n)为输入向量或者称为训练样本；w(n)为权值向量；d(n)为参考信号，即，期望输出；y(n)为实际输出信号；e(n)为误差；w(n)为权值向量；μ为学习效率；以及n为迭代次数。
LMS算法在自适应波束形成领域有着非常广泛的应用，但其并不适用于高速信号处理系统。若想提高信号实时处理速度，则应使信号实现并行处理，即研究开发已有串行算法中内在的并行性，进而克服算法固有的顺序性。LMS算法利用串行采样方式进行系统迭代更新，不能够流水线或者并行实现，这就大大影响了其运行速度。若提高实时处理速度，就要改进成为不相关或间接存在相关关系的算法形式。
另外，DSP靠顺序指针来运行程序，虽然已经增加了硬件乘法累加模块，加入多种专用加速协处理器等，进行了大量硬件结构提升工作，但因为其以CPU指令顺序执行的方式进行工作，导致了其速度瓶颈。DSP系统开发人员若想用FPGA进行数字信号处理只有采用编写Verilog HDL或者VHDL语言代码的方式，过程复杂且开发效率低，难度很大。现有技术中，基于FPGA实现系统设计时，是用VHDL或者Verilog HDL等硬件描述语言通过编写底层代码进行的，开发方式效率很低，严重阻碍了其走向实用化。
发明内容
本发明针对现有的LMS算法利用串行采样方式以及DSP的CPU指令顺序执行均大幅度影响滤波速度等缺陷，提供了能够解决上述问题的空间滤波器的建模方法。
根据本发明的一方面，提供了一种空间滤波器的建模方法包括：获取自适应滤波算法的公式；以及将自适应滤波算法的公式改变为流水线型自适应滤波算法公式，其中，所述流水线型自适应滤波算法公式基于预定时刻之前的输入信号和误差信号估计当前的期望信号以实现并行运算。
优选地，所述自适应滤波算法包括最小均方(LMS)算法，其中，所述建模方法包括：获取所述最小均方算法公式；以及使用放宽延时技术与和放宽技术，修改所述最小均方算法公式以获得流水线最小均方(PIPLMS)算法公式，其中，所述流水线最小均方算法公式基于所述预定时刻之前的输入信号和误差信号估计当前的期望信号。
优选地，所述自适应滤波算法还包括递归最小二乘(RLS)算法，其中，所述建模方法包括：获取所述递归最小二乘算法公式；以及使用放宽延时技术与和放宽技术，修改所述递归最小二乘算法公式以获得流水线最小均方(PIPLMS)算法公式，其中，所述流水线最小均方算法公式基于所述预定时刻之前的输入信号和误差信号估计当前的期望信号。
优选地，基于预定时刻之前的输入信号和误差信号估计当前的期望信号进一步包括基于当前时刻之前的D2的输入信号和误差信号来估计当前的期望信号如下：
w(n)＝w(n-D2)+μ′e*(n-D1)x(n-D1)
e(n)＝d(n)-wH(n-D2)x(n)
其中，D1＝kD2；n为当前迭代次数；w(n)、w(n-D2)分别为第n次迭代时的权值向量和第n次迭代之前的D2时刻的权值向量；x(n)、x(n-kD2)分别为第n次迭代时的输入信号和第n次迭代之前的D1时刻的输入信号，d(n)为期望输出信号；e(n)、e(n-kD2)分别为第n次迭代时的误差信号和第n迭代之前的D1时刻的误差信号；μ′为学习效率；以及D1和D2均为延时。
优选地，所述放宽延时技术如下：在e(n)x(n)是慢变的条件下，即，
e*(n)x(n)≈e*(n-D1)x(n-D1)
通过如下所述延时放宽变换修改权值公式以降低权值公式的复杂性：
被修改为
其中，n为当前迭代次数；w(n)和w(n-D2)分别为第n次迭代的权值向量和第n次迭代之前的D2时刻的权值向量；权值向量；x(n)、x(n-D1)、以及x(n-D1-i)分别为第n次迭代的输入信号、第n次迭代之前的D1时刻的输入信号以及第n次迭代之前的(D1+i)时刻的输入信号；e*(n)、e*(n-D1-i)以及e*(n-i)分别为第n次迭代的误差信号、第n次迭代之前的(D1+i)时刻的误差信号以及或第n次迭代之前的i时刻的误差信号；μ为学习效率；以及D1和D2是延时；e*(n-i)是w(n-i-1)的函数，在e*(n)x(n)是慢变的前提下，D2总取决于e*(n)、e*(n-1)、e*(n-2)······需要被计算出来，延时放宽减少了其数目。
优选地，所述和放宽技术如下：假设e*(n)x(n)是慢变的，即，
e*(n)x(n)≈e*(n-D1)x(n-D1)
求和公式进行如下所述和放宽变换以减少和的项数：
其中，n为当前迭代次数；x(n)、x(n-i)、x(n-D1)分别为第n次迭代时的输入信号、第n次迭代之前的i时刻的输入信号以及第n次迭代之前的D1时刻的输入信号；e*(n)、e*(n-D1)、以及e*(n-i)分别为第n次迭代的误差信号，第n次迭代之前的D1时刻的误差信号，以及第n次迭代之前的i时刻的误差信号；以及D1和D2是延时。
优选地，基于DSP Buider对所述流水线最小均方算法公式以图形化形式进行建模以获得具有减少硬件数量的所述空间滤波器的系统模型。
优选地，基于DSP Builder对所述流水线最小均方算法公式以图形化形式进行建模以获得所述空间滤波器的系统模型进一步包括：根据所述流水线最小均方算法公式，在权值更新回路中引入延时模块以获得所述流水线最小均方算法的更新子系统；以及将所述更新子系统的输入设置为n阵元阵列，以获得所述空间滤波器的系统模型，其中，n为大于等于(延时+1)的整数。
优选地，所述n阵元阵列为4-16阵元阵列。
优选地，利用Modelsim对所述空间滤波器进行仿真并记录第一仿真结果；以及利用Matlab/Simulink对所述空间滤波器进行仿真并记录第二仿真结果，其中，所述第一仿真结果与所述第二仿真结果一致。
本发明所提供的空间滤波器的建模方法采用放宽延时技术与和放宽技术，串行算法修改为可以并行处理的流水线型自适应滤波算法，从而通过并行运算提高速度。另外，通过FPGA替代DSP来进行数字信号处理在速度上有很大优势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是现有的LMS算法实现结构的原理图；
图2是根据本发明的实施例的空间滤波器的建模方法的流程图；
图3是根据本发明的实施例的PIPLMS算法权值更新迭代子系统的示图；
图4是根据本发明的实施例的PIPLMS算法的DSP Builder系统模型的示图；
图5是根据本发明的实施例的8阵元PIPLMS算法的各个阵元的输入信号图；以及
图6是根据本发明的实施例的基于Matlab/Simulink进行仿真的输出误差曲线与输出信号的波形图；
图7是根据本发明的实施例的基于Modelsim进行仿真的输出误差曲线与输出信号的波形图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本专利用FPGA的数字信号处理专用工具软件DSP Builder，其中，Altera DSPBuilder将MathWorks MATLAB和Simulink系统级设计工具的算法开发、仿真和验证功能与VHDL综合、仿真和Altera开发工具整合在一起，实现了这些工具的集成。DSP Builder在算法友好的开发环境中帮助设计人员生成DSP设计硬件表征，从而缩短了DSP设计周期。DSPBuilder支持系统、算法和硬件设计共享一个公共开发平台。结合其他多种EDA软件，对自适应波束算法的空域滤波器进行了建模仿真，使设计效率得到了极大地提高。
智能天线(自适应天线阵列)本身相当于空间滤波器，能够依据信号空间环境特征自适应地进行最优权值的调制，抑制掉干扰信号和噪声，降低对期望信号的干扰。下文中，参照附图对空间滤波器进行详细描述。
图1是现有的LMS算法实现结构的原理图。下文中，将参照图1对其进行描述。
如图2所示，根据本发明的实施例，提供一种空间滤波器的建模方法200，包括：在步骤202中，获取自适应滤波算法的公式；以及在步骤204中，将自适应滤波算法的公式改变为流水线型自适应滤波算法公式，其中，流水线型自适应滤波算法公式基于预定时刻之前的输入信号和误差信号估计当前的期望信号以实现并行运算。
本发明所提供的空间滤波器(又称空域滤波器)的建模方法采用放宽延时技术与和放宽技术，串行算法修改为可以并行处理的流水线型自适应滤波算法。从而通过并行运算大幅度提高的滤波速度。
根据本发明的实施例，自适应滤波算法包括最小均方(LMS，least mean square)算法。当自适应滤波算法为最小均方(LMS)算法时，建模方法包括：获取最小均方算法公式；以及使用放宽延时技术与和放宽技术，修改最小均方算法公式以获得流水线最小均方(PIPLMS，pipelined LMS)算法公式，其中，流水线最小均方(PIPLMS)算法公式基于预定时刻之前的输入信号和误差信号估计当前的期望信号。其中，和放宽技术减少硬件的数量。
基于DSP Buider对流水线最小均方算法公式以图形化形式进行建模以获得空间滤波器的系统模型。具体地，基于DSP Builder对流水线最小均方算法公式以图形化形式进行建模以获得空间滤波器的系统模型进一步包括：根据流水线最小均方算法公式，在权值更新回路中引入延时模块以获得流水线最小均方算法的更新子系统；以及将更新子系统的输入设置为n阵元阵列，以获得空间滤波器的系统模型，其中，n为大于等于(延时+1)的整数。在优选实施例中，n阵元阵列为4-16阵元阵列。在进一步优选实施例中，n阵元阵列为8阵元阵列。接下来，将基于DSP Builder的系统模型转化成硬件描述语言(VHDL)语言以通过FPGA(Field－Programmable Gate Array，即现场可编门阵列)进行并行运算。这样创建的空间滤波器可用于智能天线或阵列天线。
综上所述，PIPLMS算法DSP Builder系统模型的建立，因为是迭代算法，要先将权重迭代公式用模型方式表现出来，再将整个公式进行建模，把公式用图形化形式建模，并且转化成VHDL语言，供FPGA平台实现处理。
在另一实施例中，自适应滤波算法还包括递归最小二乘(RLS，Recursive LeastSquare)算法等。当自适应滤波算法为RLS算法时，建模方法包括获取RLS算法公式；以及使用放宽延时技术与和放宽技术，修改RLS算法公式以获得RLS算法公式，其中，RLS算法公式基于预定时刻之前的输入信号和误差信号估计当前的期望信号。
接下来，将参照图3-4对空间滤波器的建模方法的实例进行详细描述。
如图3中LMS算法权值更新子系统所示，误差信号额e(n)和阵列接收信号x(n)经Product模块相乘之后，送给加法器模块，同延迟模块一起完成前权系数更新。输入信号x(n)经过Product模块完成加权，获得阵列输出，即所有单阵元输出的累加即为阵列输出。
由以上公式1得到：
依据必要的信息，权值能够被预先更新D2各样本。一般等式更新权值公式为：
因为e*(n-i)是w(n-D2)的函数，所以应用w(n-D2)表示e*(n-i)比较困难。以下通过放宽延迟，放宽和，使得LMS的流水线结构是可行的。
放宽延时技术：采用假设e(n)x(n)在D1的采样期间内是慢变的，即
e*(n)x(n)≈e*(n-D1)x(n-D1)公式4
原来的更新公式3改变为
超前技术的复杂性在于e*(n-i)是w(n-i-1)的函数。在e*(n)x(n)是慢变的前提下，D2总取决于e*(n)、e*(n-1)、e*(n-2)······需要被计算出来，延时放宽减少了其数目，从而降低了公式的复杂性，其中，n为当前迭代次数；w(n)和w(n-D2)分别为第n次迭代的权值向量和第n次迭代之前的D2时刻的权值向量；权值向量；x(n)、x(n-D1)、以及x(n-D1-i)分别为第n次迭代的输入信号、第n次迭代之前的D1时刻的输入信号以及第n次迭代之前的(D1+i)时刻的输入信号；e*(n)、e*(n-D1-i)以及e*(n-i)分别为第n次迭代的误差信号、第n次迭代之前的(D1+i)时刻的误差信号以及或第n次迭代之前的i时刻的误差信号；μ为学习效率；以及D1和D2是延时；e*(n-i)是w(n-i-1)的函数，在e*(n)x(n)是慢变的前提下，D2总取决于e*(n)、e*(n-1)、e*(n-2)······需要被计算出来，延时放宽减少了其数目。
和放宽技术：和放宽减少了硬件，假设e*(n)x(n)是慢变的，则：
则和的项数被减少了，其中，n为当前迭代次数；x(n)、x(n-i)、x(n-D1)分别为第n次迭代时的输入信号、第n次迭代之前的i时刻的输入信号以及第n次迭代之前的D1时刻的输入信号；e*(n)、e*(n-D1)、以及e*(n-i)分别为第n次迭代的误差信号，第n次迭代之前的D1时刻的误差信号，以及第n次迭代之前的i时刻的误差信号；以及D1和D2是延时。
因此，应用延迟与和放宽技术，将LMS算法的修改，得到PIPLMS算法，PIPLMS算法结构中，当LA＝1、D1＝kD2时，该权值迭代公式变化为：
e(n)＝d(n)-wH(n-D2)x(n)公式8
其中，D1＝kD2；n为当前迭代次数；w(n)、w(n-D2)分别为第n次迭代时的权值向量和第n次迭代之前的D2时刻的权值向量；x(n)、x(n-kD2)分别为第n次迭代时的输入信号和第n次迭代之前的D1时刻的输入信号，d(n)为期望输出信号；e(n)、e(n-kD2)分别为第n次迭代时的误差信号和第n迭代之前的D1时刻的误差信号；μ′为学习效率；以及D1和D2均为延时。
应用延迟和和放宽技术，算法的修改如下：
μ'包括和放宽修改因子，和放宽超前修改引出了流水线LMS(PIPLMS)算法，由式9可得误差信号为
假设μ'足够小，并替换w(n-D2-1)＝w(n-D2)，误差信号可以表示为：
e(n)＝d(n)-wH(n-D2)x(n)公式11
但是，分析全部形式的PIPLMS算法是非常复杂的，通常，只对几种典型算法结构进行分析讨论。一般地，只对LA＝1的情况进行讨论，此时PIPLMS算法表示为：
应用延迟和和放宽技术，将LMS算法的修改，得到PIPLMS算法，PIPLMS算法结构中，当LA＝1、D1＝kD2时，该权值迭代公式变化为：
w(n)＝w(n-D2)+μ'e*(n-kD2)x(n-kD2)公式12
e(n)＝d(n)-wH(n-D2)x(n)公式13
DLMS算法：如公式12和13描述的流水线LMS(PIPLMS)算法，当LA＝1,D2＝1，D1＝D时，PIPLMS算法成为DLMS算法，其更新公式如下所示：
w(k)＝w(k-1)+μ'e*(k-D)x(k-D)公式14
e(k)＝d(k)-wH(k-1)x(k)公式15
我们能够发现DLMS算法可以通过D个时刻以前的输入信号和误差输出来估计当前的期望信号。相对地，由公式1表述的LMS自适应算法以及图1所表示的其实现结构原理图我们知道，LMS算法是通过前一时刻输入信号和误差输出信号来估计当前的期望信号，从时间相关性的角度来看，DLMS算法的性能将优于LMS算法，且延时D的引入并不会对算法的稳态性能造成太大影响。
对于DLMS算法，步长因子μ的选取仍是影响算法稳态性能的关键因素。要保证DLMS算法收敛必须满足：
与LMS算法的步长因子μ范围0<μ<2/λmax相比，DLMS算法对步长因子μ的取值要求更严格。即便如此，通过选取合适的步长，仍然能够灵活地选择需要的延迟D，高速实时处理中，这种折中是必要的。
采用上述权值更新子系统，结合LMS算法原理与结构，令阵列阵元数为4和8，在MATALB/Simulink中基于DSP Builder建立了如4所示的8阵元阵列的LMS算法自适应波束形成系统模型：
从图4所示模型图可以看出，此为8阵元的自适应波束形成系统，有5个输入端口，输入1(Input1)、输入2(Input2)、输入4(Input3)、输入4(Input4)、输入5(Input5)、输入6(Input6)、输入7(Input7)、输入8(Input8)分别用来输入各阵列单元采样后的输入信号x1(n)、x2(n)、x3(n)、x4(n)、x5(n)、x6(n)、x7(n)、x8(n)，将各输入端口信号送入权值更新子系统以完成权值更新。输入10(Input10)用来输入参考信号。延迟模块(Delay)，加法模块(Adder)输出一部分为波束形成系统的输出，送给Output1端口，以便后续分析研究；另一部分送给另一加法器，用来获得误差信号e(n)。乘法模块(Product)与步长常数μ相乘，此处设置成：μ＝0.001。总线控制模块(AltBus)，能够完成数据类型转换，完成数据位宽控制。图中的信号编译器(SignalComplier)模块用来完成整个模型文件的转化，将.mdl文件形式转化成VHDL文件。TestBench测试生成文件与该DSP模块在Simulink中的仿真激励相一致。Clock模块用来设置系统时钟采样频率等。
下文中，参照图5-7对仿真结果进行描述。图5是阵元1、2、3、…8的输入信号波形图。图6为基于Matlab/Simulink进行仿真的输出误差曲线与输出信号的波形图。图7为基于Modelsim进行仿真的输出误差曲线与输出信号的波形图。
利用Modelsim对空间滤波器进行仿真并记录第一仿真结果；以及利用Matlab/Simulink对空间滤波器进行仿真并记录第二仿真结果，其中，第一仿真结果与第二仿真结果一致。基于流水线最小均方算法的空间滤波器的运行速度高于基于最小均方算法的空间滤波器的运行速度。流水线最小均方算法的运行速度比最小均方算法的运行速度提高112.4％。流水线最小均方算法的运行速度比延伸最小均方算法的运行速度提高12.5。
分别利用Modelsim与Matlab/Simulink进行仿真验证，结果基本一致，当D1＝4,D2＝4、D1＝4,D2＝2、D1＝4,D2＝1时，输出结果稳定收敛，输出信号波形与期望信号基本一致；当D1＝4,D2＝3时，输出误差、输出信号波形不再收敛，系统不能进行良好地滤波。
采用上述仿真信号，令输入信号为50MHz，干扰信号为50MHz，阵列间距为d＝0.5λ，假设期望信号以0°入射，干扰信号以40°方向入射。采样频率为1000MHz，利用QuartusII软件，同样选取Cyclone IV系列EP4CE15F23C6芯片，得到了基于上述PIPLMS算法仿真条件的8阵元阵列自适应空域滤波器的硬件资源消耗和运行速度情况。
表1不同算法空域滤波器系统硬件性能分析比较
由以上表格所示出的结果数据可知，在同等仿真条件下，采用PIPLMS算法的自适应空域滤波器的运行速度较基于LMS算法自适应空域滤波器均有明显提高。当PIPLMS算法延时D1＝4,D2＝1时，即为延时D＝4时的DLMS，因此系统运行速度基本一致。PIPLMS算法较LMS算法最大提高近112.4％，较DLMS算法最大提高近12.5％。由于系统运行速度的提高，所消耗的FPGA硬件资源也在大幅度增加。
下面，将对空间滤波器的滤波方法进行描述。
根据本发明的另一实施例，滤波方法包括：根据上文所述的空间滤波器的建模方法创建空间滤波器；使用所述空间滤波器进行滤波。根据上文所述的空间滤波器的建模方法创建空间滤波器并将在FPGA平台上实现并运行该空间滤波器，即，通过该空间滤波器进行滤波。例如，PIPLMS算法DSP Builder系统模型的建立，因为是迭代算法，要先将权重迭代公式用模型方式表现出来，再将整个公式进行建模，把公式用图形化形式建模，并且转化成VHDL语言，供FPGA平台实现处理。
本发明所提供的空间滤波器的建模方法采用放宽延时技术与和放宽技术，串行算法修改为可以并行处理的流水线型自适应滤波算法。从而通过并行运算大幅度提高的滤波速度。
本发明的建模方法和滤波方法可以应用于智能天线、阵列天线、空间滤波器等模块上，在通信、雷达等系统中都可以广泛应用；应用本发明提供的建模方法可以省去编程序、写代码带来的繁杂工作量和克服编程方式带来的开发难度；并且具有常规DSP不具备的高速、高效率的特点，可以在FPGA平台上实现并行运行实现。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种空间滤波器的建模方法，其特征在于，包括：
获取自适应滤波算法的公式，其中，所述自适应滤波算法包括最小均方(LMS)算法；以及
将所述自适应滤波算法的公式改变为流水线型自适应滤波算法公式，其中，所述流水线型自适应滤波算法公式基于预定时刻之前的输入信号和误差信号估计当前的期望信号以实现并行运算，
其中，所述建模方法包括：
获取所述最小均方算法公式；和
使用放宽延时技术与和放宽技术，修改所述最小均方算法公式以获得流水线最小均方(PIPLMS)算法公式，其中，所述流水线最小均方算法公式基于所述预定时刻之前的输入信号和误差信号估计当前的期望信号，
其中，所述放宽延时技术如下：
在e(n)x(n)是慢变的条件下，即，
e*(n)x(n)≈e*(n-D1)x(n-D1)
通过如下所述放宽延时技术修改权值公式以降低权值公式的复杂性：
被修改为
其中，n为当前迭代次数；w(n)和w(n-D2)分别为第n次迭代的权值向量和第n次迭代之前的D2时刻的权值向量；权值向量；x(n)、x(n-D1)、以及x(n-D1-i)分别为第n次迭代的输入信号、第n次迭代之前的D1时刻的输入信号以及第n次迭代之前的(D1+i)时刻的输入信号；e*(n)、e*(n-D1-i)以及e*(n-i)分别为第n次迭代的误差信号、第n次迭代之前的(D1+i)时刻的误差信号以及或第n次迭代之前的i时刻的误差信号；μ为学习效率；以及D1和D2是延时；e*(n-i)是w(n-i-1)的函数，在e*(n)x(n)是慢变的前提下，D2总取决于e*(n)、e*(n-1)、e*(n-2)······需要被计算出来，延时放宽减少了其数目。
2.根据权利要求1所述的空间滤波器的建模方法，其特征在于，所述自适应滤波算法还包括递归最小二乘(RLS)算法，其中，所述建模方法包括：
获取所述递归最小二乘算法公式；以及
使用所述放宽延时技术与所述和放宽技术，修改所述递归最小二乘算法公式以获得流水线最小均方(PIPLMS)算法公式，其中，所述流水线最小均方算法公式基于所述预定时刻之前的输入信号和误差信号估计当前的期望信号。
3.根据权利要求2所述的空间滤波器的建模方法，其特征在于，基于预定时刻之前的输入信号和误差信号估计当前的期望信号进一步包括基于当前时刻之前的D2的输入信号和误差信号来估计当前的期望信号如下：
w(n)＝w(n-D2)+μ′e*(n-D1)x(n-D1)e(n)＝d(n)-wH(n-D2)x(n)
其中，D1＝kD2；n为当前迭代次数；w(n)、w(n-D2)分别为第n次迭代时的权值向量和第n次迭代之前的D2时刻的权值向量；x(n)、x(n-kD2)分别为第n次迭代时的输入信号和第n次迭代之前的D1时刻的输入信号，d(n)为期望输出信号；e(n)、e(n-D1)分别为第n次迭代时的误差信号和第n迭代之前的D1时刻的误差信号；μ′为学习效率；以及D1和D2均为延时。
4.根据权利要求1所述的空间滤波器的建模方法，其特征在于，所述和放宽技术如下：
假设e*(n)x(n)是慢变的，即，
e*(n)x(n)≈e*(n-D1)x(n-D1)
求和公式进行如下所述和放宽变换以减少和的项数：
其中，n为当前迭代次数；x(n)、x(n-i)、x(n-D1)分别为第n次迭代时的输入信号、第n次迭代之前的i时刻的输入信号以及第n次迭代之前的D1时刻的输入信号；e*(n)、e*(n-D1)、以及e*(n-i)分别为第n次迭代的误差信号，第n次迭代之前的D1时刻的误差信号，以及第n次迭代之前的i时刻的误差信号；以及D1和D2是延时。
5.根据权利要求4所述的空间滤波器的建模方法，其特征在于，基于DSP Buider对所述流水线最小均方算法公式以图形化形式进行建模以获得具有减少硬件数量的所述空间滤波器的系统模型。
6.根据权利要求5所述的空间滤波器的建模方法，其特征在于，基于DSP Builder对所述流水线最小均方算法公式以图形化形式进行建模以获得所述空间滤波器的系统模型进一步包括：
根据所述流水线最小均方算法公式，在权值更新回路中引入延时模块以获得所述流水线最小均方算法的更新子系统；以及
将所述更新子系统的输入设置为n阵元阵列，以获得所述空间滤波器的系统模型，其中，n为大于等于(延时+1)的整数。
7.根据权利要求6所述的空间滤波器的建模方法，其特征在于，所述n阵元阵列为4-16阵元阵列。
8.根据权利要求5所述的空间滤波器的建模方法，其特征在于，其中，
利用Modelsim对所述空间滤波器进行仿真并记录第一仿真结果；以及
利用Matlab/Simulink对所述空间滤波器进行仿真并记录第二仿真结果，其中，所述第一仿真结果与所述第二仿真结果一致。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810678026.XA CN110649912B (zh) | 2018-06-27 | 2018-06-27 | 空间滤波器的建模方法 |
| PCT/CN2018/125127 WO2020000979A1 (zh) | 2018-06-27 | 2018-12-29 | 空间滤波器的建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810678026.XA CN110649912B (zh) | 2018-06-27 | 2018-06-27 | 空间滤波器的建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110649912A CN110649912A (zh) | 2020-01-03 |
| CN110649912B true CN110649912B (zh) | 2024-05-28 |
Family
ID=68985426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810678026.XA Active CN110649912B (zh) | 2018-06-27 | 2018-06-27 | 空间滤波器的建模方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110649912B (zh) |
| WO (1) | WO2020000979A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113810026B (zh) * | 2021-09-14 | 2024-09-27 | 西安艾科特声学科技有限公司 | 一种自适应滤波算法迭代状态的判断方法 |
| CN114221652B (zh) * | 2021-12-17 | 2023-04-18 | 电子科技大学 | 一种减小锁相放大器输出信号波动率的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101263734A (zh) * | 2005-09-02 | 2008-09-10 | 丰田自动车株式会社 | 麦克风阵列用后置滤波器 |
| CN103138714A (zh) * | 2013-03-19 | 2013-06-05 | 苏州朗宽电子技术有限公司 | 一种高性能的lms自适应滤波器的硬件实现 |
| CN103227623A (zh) * | 2013-03-29 | 2013-07-31 | 北京邮电大学 | 可变步长的lms自适应滤波算法及滤波器 |
| CN106788648A (zh) * | 2016-11-30 | 2017-05-31 | 西南交通大学 | 一种智能天线系统的自适应波束形成方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030005009A1 (en) * | 2001-04-17 | 2003-01-02 | Mohammad Usman | Least-mean square system with adaptive step size |
| US20140310326A1 (en) * | 2013-04-10 | 2014-10-16 | King Fahd University Of Petroleum And Minerals | Adaptive filter for system identification |
| CN106411290A (zh) * | 2016-09-22 | 2017-02-15 | 安徽师范大学 | 一种基于sigmoid函数的变步长VLMP滤波算法及其应用 |
| CN107609521A (zh) * | 2017-09-18 | 2018-01-19 | 电子科技大学 | 改进的简化最小均方误差方法、装置、存储介质和处理器 |
-
2018
- 2018-06-27 CN CN201810678026.XA patent/CN110649912B/zh active Active
- 2018-12-29 WO PCT/CN2018/125127 patent/WO2020000979A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101263734A (zh) * | 2005-09-02 | 2008-09-10 | 丰田自动车株式会社 | 麦克风阵列用后置滤波器 |
| CN103138714A (zh) * | 2013-03-19 | 2013-06-05 | 苏州朗宽电子技术有限公司 | 一种高性能的lms自适应滤波器的硬件实现 |
| CN103227623A (zh) * | 2013-03-29 | 2013-07-31 | 北京邮电大学 | 可变步长的lms自适应滤波算法及滤波器 |
| CN106788648A (zh) * | 2016-11-30 | 2017-05-31 | 西南交通大学 | 一种智能天线系统的自适应波束形成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020000979A1 (zh) | 2020-01-02 |
| CN110649912A (zh) | 2020-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Martin et al. | Gaut: An architectural synthesis tool for dedicated signal processors | |
| Yi et al. | High speed FPGA-based implementations of delayed-LMS filters | |
| Sun et al. | A novel APSO-aided maximum likelihood identification method for Hammerstein systems | |
| CN110649912B (zh) | 空间滤波器的建模方法 | |
| Ma et al. | Annihilation-reordering look-ahead pipelined CORDIC-based RLS adaptive filters and their application to adaptive beamforming | |
| Mazouz et al. | Automated CNN back-propagation pipeline generation for FPGA online training | |
| Vermij et al. | Exascale Radio Astronomy: Can We Ride the Technology Wave? | |
| Baptista et al. | A platform based on HLS to implement a generic CNN on an FPGA | |
| Raja et al. | Energy efficient enhanced all pass transformation fostered variable digital filter design based on approximate adder and approximate multiplier for eradicating sensor nodes noise | |
| Wang et al. | A variation aware high level synthesis framework | |
| Cazeaux et al. | Projective multiscale time-integration for electrostatic particle-in-cell methods | |
| Mazouz et al. | Adaptive hardware reconfiguration for performance tradeoffs in CNNs | |
| Jayashri et al. | Memory based architecture to implement simplified block LMS algorithm on FPGA | |
| Aydin et al. | FPGA-Based Implementation of Convolutional Layer Accelerator Part for CNN | |
| CN113868853A (zh) | 一种梯度增强变保真代理模型建模方法 | |
| Yang et al. | On building efficient and robust neural network designs | |
| US9201997B2 (en) | Method for creating digital circuits of a feedback control system that implements an approximation technique for model predictive control (MPC) | |
| Guillou et al. | High Level Design of Digital Filters in Mobile Comunications | |
| Han et al. | Automatic floating-point to fixed-point transformations | |
| Simatic et al. | High-level synthesis for event-based systems | |
| Pinto et al. | Mixture-of-rookies: Saving dnn computations by predicting relu outputs | |
| Zhang et al. | Systematic architecture exploration for implementing interference suppression techniques in wireless receivers | |
| Lightbody et al. | Rapid design of a single chip adaptive beamformer | |
| Anderson et al. | Toward Energy–Quality Scaling in Deep Neural Networks | |
| Menard et al. | Exploiting reconfigurable SWP operators for multimedia applications |
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 |