CN1659782A - 自适应多级维纳滤波器 - Google Patents

Abstract

一种计算高效的自适应多级维纳滤波器采用两个模块：线性滤波器模块，其以输入数据速率操作；以及更新模块，其以多种速率操作，但是仅以更新速率执行许多计算。当通道条件缓慢地变化从而滤波器的更新速率比输入数据速率小得多的时候，该滤波器尤其有用。把计算分开，优选地以不同速率执行适当的计算并优选地用标量操作代替矢量操作，这样能够提供提高的计算效率，同时保持高性能水平。

Description

自适应多级维纳滤波器

发明领域

本发明涉及通信系统和图像处理系统中的信号处理，并涉及对诸如雷达、声纳和其它探测器阵列的各种类型探测器所采集的信号的处理。尤其是，本发明涉及在发送或接收期间已经被失真、噪声和干扰恶化的信号的均衡和滤波。本发明的实施包括计算高效的多级自适应维纳滤波器。

背景技术

维纳滤波器的各种应用已经被提出。例如，维纳滤波器已经用于恢复图像处理领域中的失真数据。维纳滤波器已经应用于通信中，包括例如用于恢复来自直接序列码分多址(DS-CDMA)收发器的数据。对于许多应用，维纳滤波器是使期望或发送的信号与该信号的滤波器估计之间的均方差最小化的最优线性滤波器。另一方面，确定维纳滤波器系数的计算可能是繁重的，这减少了将维纳滤波器用于许多应用中的机会，否则它将能在这些应用中提供令人满意的性能。

维纳滤波器的常规应用是将N维观测数据矢量输入到N维矢量维纳滤波器，以提取期望的标量信号。产生N维维纳滤波器的计算量大，计算并随后更新滤波器系数所需的计算量级与维数N的乘方成比例。因此，最好是使用维数小于N、而不损失有效精度的降秩(reduced rank)维纳滤波器，来处理N维观测数据矢量，并估计标量发送或期望信号。这降低了确定维纳滤波器特征的计算复杂性。J.S.Goldstein，I.S.Reed和L.L.Scharf的“A Multistage Representation ofthe Wiener filter Based on Orthogonal Projections，”( IEEE Transactions on Information Theory，44卷，No.7，1998年11月)一文提出了基于正交投影的维纳滤波器的多级表示(MWF)，其能够利用复杂性减小的计算来产生。

根据Goldstein等人的文章的方案，正交投影降低了要输入到维纳滤波器的观测数据的秩或维数(即投影压缩了观测数据矢量)。然后，以一种使滤波器在计算更高效、并且便于精确估计实际的数据或发送的数据的方式，在相应的降维维纳滤波器中处理投影的降维观测数据矢量。维纳滤波器结构被分解为多级，从而所得到的维纳滤波器是一组嵌套的标量维纳滤波器，该组嵌套的标量维纳滤波器处理数据，并将所得的投影数据提供给最终的降秩矢量维纳滤波器。该多级维纳滤波器结构非常适于观测数据的正交投影，并方便由此引起的降秩维纳滤波器的使用。

已经对Goldstein等人的文章中所述的多级维纳滤波器提出了一些改进。对Goldstein等人的多级维纳滤波器的一种改进是M.L.Honig和J.S.Goldstein的“Adaptive Reduced-Rank Residual CorrelationAlgorithms for DS-CDMA Interference Suppression，”( Proc.32th Asilomar Conference Signals，Systems and Computers，Pacific Grove，CA，1998年11月)一文中所述的自适应滤波器。Honig等人的文章讨论了一种由于使用了剩余相关而被称为ResCor滤波器的自适应型式的多级维纳滤波器。在此，剩余相关指的是使用由处理先前数据集获得的相关数据。ResCor技术方便了处理，这是因为它允许将早先得到的数据集用于估计滤波器系数，以及因此减小了在滤波器正在处理收到的符号的同时计算滤波器系数更新的要求。Honig等人的文章为以下的详细讨论提供了有用的背景，因而在此总结该文章的相关部分。

如同Goldstein等人的文章中所述的多级维纳滤波器一样，Honig等人的文章中所述的ResCor滤波器使用了一系列正交投影，在把投影的数据矢量提供给滤波器之前减小观测数据矢量的维数。ResCor滤波器的实施利用了到子空间的投影，该子空间投影使维纳滤波器内的“期望信号”b₁(i)与“观测信号”y(i)之间的互相关最大化。所得的ResCor滤波器在以下两方面都是最优的：当协方差矩阵未知时，对于给定秩(rank)的最小均方差(MMSE)；以及非平稳环境中的子空间跟踪。

ResCor方案可应用于产生N×D算子S_D ^H，该算子将接收的(N维)数据矢量投影到适合于降秩(D维)维纳滤波器的降秩(D维)子空间上。给定一个M个接收矢量y(i)和M个训练(或估计的)符号b₁(i)的块，

Y＝[y(1)，y(2)，...，y(M)]                        (1)

b＝[b₁(1)，...，b₁(M)]，                      (2)

可以通过仅用时间平均或样本平均代替统计平均，来估计最小均方差(MMSE)滤波器系数。对ResCor滤波器执行该代替，将使(N+1)×(N+1)扩展协方差矩阵“三-对角线化”

$\stackrel{\widehat{\‾}}{R}={\stackrel{\‾}{\mathrm{YY}}}^H---\left(3\right)$

$\stackrel{\‾}{Y}=\left[\frac{\stackrel{\‾}{b}}{Y}\right]---\left(4\right)$

在此及本讨论的其它地方，上标H用于表示Hermitian转置或复共轭转置操作。当D＝N时，所得的滤波器系数正好使最小二乘(LS)代价函数

$\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\left|e\left(i\right)\right|}^2$

最小化，其中

$e\left(i\right)={\hat{b}}_1\left(i\right)-b_1\left(i\right)$

且

${\hat{b}}_1\left(i\right)=z\left(i\right)$

然而，对于D＜N，该滤波方案的性能与常规最小二乘法产生的滤波器的性能大不相同。即，滤波器需要大量的计算，并且当选择了非最优秩的滤波器时，由信噪比所测定的滤波器精度一般更差。

可以利用基于训练的块的方案，来推导ResCor滤波器的维纳滤波器系数，其中通过以下计算来确定系数：

初始化：

d₀＝ b，Y₀＝Y                                    (5)

对于n＝1，...，D(向前递归)：

p_n＝Y_n-1d^H                          (6)

δ_n＝‖p_n‖                          (7)

h_n＝p_n/δ_n                          (8)

d_n＝h_n ^HY_n-1                         (9)

B_n＝null(h_n)                         (10)

Y_n＝B_n ^HY_n-1                         (11)

递减n＝D，...，1(向后递归)：

${\mathrm{\ω}}_n=\left({\mathrm{\ω}}_n{d}_{n-1}^H\right)/{\left|\right|{\mathrm{\ω}}_n\left|\right|}^2={\mathrm{\δ}}_n/{\left|\right|{\mathrm{\ϵ}}_n\left|\right|}^2---\left(12\right)$

${\mathrm{\ϵ}}_{n-1}=d_{n-1}-{\mathrm{\ω}}_n^{*}{\mathrm{\ϵ}}_n---\left(13\right)$

其中ε_D＝d_D。

在以上讨论中，null(h)算子产生能够将矢量投影到由矢量h定义的零空间中的矩阵。分块矩阵算子B_n用于使数据矢量的各部分组成分块，以方便维纳滤波器的分解。虽然分块矩阵B_n(n＝1，...D)的选择可以影响对于特定数据记录的性能，但是分块矩阵的选择不影响最小均方差(MMSE)。发送符号的块的估计为：

$\stackrel{\widehat{\‾}}{b}={{\stackrel{\‾}{\mathrm{\ω}}}_1}^{*}{\stackrel{\→}{\mathrm{\ϵ}}}_1$

在对信号的性质作出多种假设的情况下，自适应维纳滤波器可用于许多种应用中。如果所有的信号都已知，如同向滤波器提供训练序列的情况一样，则能够如上详细描述地那样实施滤波器。类似，如果已知引导符号与数据一起被发送，则当这些引导符号出现时，可以利用这些引导符号来更新滤波器。实际上经常是没有为维纳滤波器提供明确的训练信号。在许多平滑问题或许多通信问题中，可以通过在已经以公知的判定引导自适应方式对滤波器输出作出数据判定之后，把对应于接收数据的信号用作b，来克服这一点。可以仅仅通过用s₁(用于期望使用方的扩展码)代替上述系数产生讨论中的p₁，来获得用于推导CDMA通信的滤波器系数的上述方案的另一种盲型式(blindversion)。另外，在阵列处理环境下，可以用引导矢量s₁来捕获期望信号的方向的先验知识，并且该引导矢量也能用于系数产生中的p₁。在这两种上述情况下，这将意味着滤波器的第一级不是自适应的，而是算法的剩余部分如上详述的那样进行。应该注意，对于结合了非自适应第一级的这些型式，最后所得的一组向前递归没有准确地使扩展的样本协方差矩阵三-对角线化。因此，这些型式的执行必定不能象所有级都是自适应的基于训练的型式一样。

与需要计算样本协方差矩阵

R-YY^H

的特征向量或逆的降秩技术相比，对于小D，为确定上述讨论中的维纳滤波器系数所需的计算是适度的。然而，与当前许多应用中采用的、效率较低且成本较低的滤波器和均衡器相比，确定Honig等人的文章中的维纳滤波器的系数的成本较高。

以上公式中所述的自适应多级维纳滤波器一般如图1所示，图1是图2所示的D.C.Ricks和J.S.Goldstein的“Efficient Architectures forImplementing Adaptive Algorithms”(Proceedings of the 2000 AntennaApplications Symposium，Allerton Park，Monticello，IL September 20-22，2000)一文中的常规多级维纳滤波器的实施。Ricks等人的实施本质上是上述的Honig等人的多级维纳滤波器。应该注意，在图1中，线性滤波器块代表矢量操作：

$d_i={h_i}^H{\stackrel{\→}{y}}_{i-1}.$

多级维纳滤波器的线性滤波器部分如图1(a)所示，并且包括一组沿该线性滤波器内的向前递归路径的线性滤波器元件h₁和h₂。第一滤波器元件h₁可以是，例如代表0阶或先验通道表征的匹配滤波器。该第一滤波等效于将输入数据矢量投影到导引矢量

上。这是由Ricks等人提出的实施。在Ricks等人的结构中，h₁滤波器元件输出的d(在他们的文章中标为 )是输入数据矢量沿滤波器导引矢量方向的第一投影。该第一d估计被h₁滤波器元件向后投影到原始数据矢量上，并且其估计从数据矢量

被减去，以提供矢量

矢量 是接收的数据矢量中的干扰的第一估计。如同其它多级维纳滤波器一样，Ricks等人的多级维纳滤波器集中于干扰的最重要部分，并在滤波器的附加级中对依次不太重要的干扰源进行连续估计。

因此，下一个滤波器元件h₂用于估计第一干扰源。然后，h₂滤波器元件的最终输出被向后投影到数据矢量方向上，并且该第一干扰估计从矢量 被减去，以产生新的矢量

该矢量

应该主要由第二干扰源占据。后继的级以类似于所述的h₂滤波器元件的方式工作。在图1(a)所示的线性滤波器中，在例如可能代表在计算上满足要求的维纳滤波器近似的期望数量的级之后，截断级的继续。该截断通过图1(a)中的结束符表示。

然后，执行图1(a)中所示的、以上公式(12)和(13)中所述的向后递归，以产生标量滤波器输出：

z＝ω₁ ^*ε₁，

其代表对应于当前发送信号的估计，其中已经根据由图1(a)所示的集中增益(collected gain)元件所示的等效加权矢量 沿向后递归路径减去了各个干扰估计。图1(b)显示了用于修改滤波器系数h和滤波器加权的计算。由图1(b)中的‖(·)‖指示的元件代表矢量大小的计算。例如，以符号速率对块执行这些计算，以便以更新速率产生对滤波器系数和滤波器加权的更新。

由图1所示和以上的Honig等人的滤波器的公式和讨论，可以确定滤波器级数D、数据矢量长度N和数据块大小M的计算复杂性。在此，计算复杂性被指定为用于更新滤波器的标量算术操作的总数，并且给定为：10DNM+5DM+5NM。例如，如果D＝10，N＝100，且M＝1000，则图1的滤波器的复杂性为1.055*10⁷。最好是，以降低的计算成本来达到多级自适应维纳滤波器的性能。

发明内容

本发明的一方面提供一种通过多级自适应维纳滤波器处理数据的方法，该方法包括提供输入数据给线性滤波器模块。该线性滤波器模块包括以第一组线性滤波器系数为特征的多个滤波器级，该线性滤波器模块进一步以第一组滤波器加权为特征，该线性滤波器模块以滤波器数据速率处理输入数据。该方法包括以滤波器更新速率调节一组滤波器参数，其中滤波器数据速率大于该滤波器更新速率，从而使该线性滤波器模块起自适应维纳滤波器的作用。

本发明的另一方面提供一种多级自适应维纳滤波器，该多级自适应维纳滤波器包括线性滤波器模块，该线性滤波器模块以滤波器数据速率操作，并从通道接收符号。更新滤波器模块用于从该线性滤波器模块接收信号，以及将更新的滤波器系数提供给该线性滤波器模块。更新的滤波器系数是接收符号的通道的特征，该更新滤波器模块以滤波器更新速率提供更新的滤波器系数，从而使该线性滤波器模块起自适应多级维纳滤波器的作用。

本发明的又一方面提供一种自适应多级维纳滤波器。该自适应多级维纳滤波器包括线性滤波器模块，该线性滤波器模块具有第一和第二线性滤波器元件，用于在该第一和第二线性滤波器元件的输入处共同接收输入数据集。该第一和第二线性滤波器元件对输入数据集执行不同的滤波操作。第一线性滤波器元件输出第一滤波数据，第二线性滤波器元件输出第二滤波数据。至少一个加权元件和至少一个组合元件被提供在该线性滤波器模块中。该第二线性滤波器元件提供第二滤波数据给该至少一个加权元件，该加权元件输出加权的第二滤波数据。该组合元件响应加权的第二滤波数据和第一滤波数据，以输出组合的滤波数据。更新模块被连接到该线性滤波器模块，以便将更新的滤波器系数提供给该第一和第二滤波器元件。该更新模块至少部分地根据输入数据和滤波数据之间的相关性来确定更新的滤波器系数。

在该刚刚之前的方面，可以有诸如第二滤波器元件的附加线性滤波器元件，因此在某些优选的实施例中可以利用第三和第四自适应滤波器元件。

本发明的又一方面提供一种自适应多级维纳滤波器，该滤波器包括线性滤波器模块，该线性滤波器模块包括第一和第二线性滤波器元件，用于分别接收第一和第二输入数据。该第一和第二线性滤波器元件执行不同的滤波操作。第一线性滤波器元件输出第一滤波数据，第二线性滤波器元件输出第二滤波数据。第二线性滤波器元件提供第二滤波数据给至少一个加权元件，该加权元件输出加权的第二滤波数据。组合元件响应该加权的第二滤波数据和第一滤波数据，并输出组合的滤波数据。更新模块被连接到该线性滤波器模块，以便将更新的滤波器系数提供给该第一滤波器元件，该更新模块部分地根据输入数据和滤波数据之间的相关性以及至少部分地根据滤波数据的自相关，来确定更新的滤波器系数。

附图说明

在此，参考附图来描述本发明的优选实施例，其中相同的附图标记表示相同的元件。附图和附图的该描述形成了该公开的一部分。

图1显示了常规的多级维纳滤波器，该常规多级维纳滤波器包括图1(a)所示的线性滤波器级和图1(b)所示的更新滤波器部分，该更新滤波器部分更新线性滤波器的参数。

图2显示了根据本发明的、具有线性滤波器和更新模块的自适应多级维纳滤波器。该线性滤波器模块以输入数据速率接收输入数据矢量，并以相同速率产生标量输出z。该线性滤波器模块以更新速率从更新模块接收更新系数，并以数据速率向更新模块提供矢量输出ε和数据矢量d。第一更新模块以数据速率接收矢量y和d，并以更新速率提供矢量α、ω和矩阵h。

图3显示了供图2的滤波器中使用的线性滤波器模块。该线性滤波器接收矢量y作为输入，并提供z作为其输出。该模块也向更新模块提供矢量d和矢量ε，并从更新模块接收矢量α、ω和矩阵h。

图4显示了供图2的滤波器中使用的更新模块。图4的更新模块接收矢量y、d和ε，并输出矩阵h和矢量α、ω。图4的更新模块在每一数据块的结尾产生更新时钟。数据定时子模块以数据时钟速率操作，而更新子模块以更新时钟速率被定时，且以更新时钟速率操作。

图5-8显示了以数据速率定时的图4的更新模块的部分。

图6-8显示了由以数据速率操作的乘法器和累加器组成的图4更新模块的组成部分。这些组成部分对传递到图9的更新定时子模块的信号参数执行统计估计。

图9-12显示了从估计的信号参数计算加权系数。这些计算以更新时钟速率发生。

图13显示了根据本发明的另一个优选实施例，也包括线性滤波器和更新模块。所显示的线性滤波器模块以输入数据速率接收输入数据矢量y，并以相同速率产生标量输出z。该线性滤波器模块以更新速率从所示的更新模块接收更新系数，并以数据速率向该更新模块提供输出矢量ε和数据矢量d。第二更新模块以数据速率接收矢量y和d，并以更新速率向线性滤波器提供矢量α、ω和矩阵H。

图14显示了供图13的滤波器使用的优选线性滤波器模块。该线性滤波器接收输入矢量y作为输入，并输出标量z。该模块向所示的更新模块提供矢量d和矢量ε，并且该线性滤波器模块从更新模块接收矢量α、ω和矩阵H。可以看到，与图13的线性滤波器模块相比，图14的线性滤波器模块的复杂性小得多。

图15显示了在图13的滤波器中使用的更新模块，该更新模块接收矢量y、d和ε，并输出矩阵H和矢量α、ω。图15的更新模块在每个数据块的结尾产生更新时钟。数据定时子模块(图5)以数据时钟速率操作。更新定时子模块(图9)和矩阵H的计算(图16)都以更新时钟速率操作。图15的更新模块类似于图4的更新模块，除了图15的更新模块执行附加的计算以便从矩阵h产生矩阵H以外。

图16显示了矩阵H的计算。矩阵α和h为输入，并且所示电路产生矩阵H作为输出。所示电路以更新时钟速率操作。

图17显示了根据本发明的自适应多级维纳滤波器的一个优选实施例，图17(a)显示了该维纳滤波器的线性滤波器部分，图17(b)显示了更新和调节线性滤波器的参数的滤波器部分。

图18显示了根据本发明的自适应多级维纳滤波器的另一个实施例，也包括线性滤波器和更新模块。所示的自适应多级维纳滤波器还包括控制电路以选择数据矢量y的样本，并提供适当的样本数据时钟。

图19显示了供图18的维纳滤波器使用的更新模块，其采用了图14的线性滤波器模块和图20的更新子模块。在该所示的实施例中，线性滤波器模块(图14)仅仅对输入数据块的样本操作，并且代表附加复杂性的一部分以补偿图18中所示的、供该维纳滤波器使用的线性滤波器部分的超低复杂性。

图20显示了供图19的更新模块使用的优选更新子模块，其采用了图15的更新模块和图21的Φ计算。因此，Φ计算代表附加复杂性的另一部分以补偿图18的线性滤波器的超低复杂性。

图21显示了供图18的维纳滤波器使用的Φ计算模块，该模块接收矩阵H和矢量ω，并产生矢量Φ。Φ计算模块以更新时钟速率操作。

具体实施方式

本发明的优选实施例提供计算高效的维纳滤波器。某些优选的实施例提供计算高效的、自适应多级维纳滤波器(MWF)，当滤波器的自适应部分的更新速率比输入数据速率小得多的时候，该自适应多级维纳滤波器特别有用。当数据输入矢量的尺寸较大时，在此描述的一般滤波器结构特别有效。在一个优选的方面，自适应多级维纳滤波器可以采用两个模块：线性滤波器模块，其以输入数据速率操作；以及更新模块，其以输入数据速率和更新速率操作，但是仅以更新速率执行许多计算。如果把计算分开，优选地以不同速率执行适当的计算以及优选地用标量操作代替矢量操作，使得每一个都能够独立地提供提高的计算效率，同时保持高性能水平。当前，大多数优选的实施例包括所有这些方案。

在本发明的另一优选实施例中，可以以一种采样更新的方式来实施多级维纳滤波器结构。如果通道(使数据失真和恶化的变化参数)缓慢地变化，则太频繁地更新滤波器系数几乎没有益处。最好是以接近于精度所需的速率执行滤波器更新计算，以及因此，在该实施中优选地利用数据样本执行滤波器更新计算，并且与数据速率相比很少地执行滤波器更新。从样本计算的滤波器系数在新的样本数据获得之前的很长一段时间都被采用，并用于再次计算滤波器更新系数。因此，多级维纳滤波器的该实施例优选地采用三种数据计算速率：第一，提供滤波数据的滤波器的数据速率；第二，计算新滤波器系数的更新速率；以及第三，采样速率，数据块的样本以该采样速率被提取以供给更新计算。

对于多级维纳滤波器结构的采样更新实施，以数据速率操作的基本滤波器结构可以被简化为复杂性仅与简单的匹配滤波器相同的一种形式。这可以使新的自适应维纳滤波器的成本可与当今在几乎所有的通信和信号处理应用中广泛采用的低性能匹配滤波器和均衡器竞争。

当以数据速率执行更新计算时，在此讨论的某些改进可应用于多级维纳滤波器。在以下讨论的本发明的方面中避免了某些矢量乘法和减法，从而提供了简化的计算和电路，而与滤波器是用于缓慢变化的环境中还是用于迅速变化的环境中无关。这些简化一般有益于多级维纳滤波器，并且可有利地应用于这些滤波器中。在某些实施中，这些维纳滤波器允许一定程度的并行性，而在背景中讨论的维纳滤波器典型地不允许该并行性。并行性的使用本身是有利的，但是并非是维纳滤波器中的这些有用简化的必要条件。

如上所讨论的，维纳滤波器是一种使期望或发送的信号和该信号的滤波器估计之间的均方差最小化的线性滤波器。如从以上背景中的维纳滤波器讨论中显而易见的，术语“维纳滤波器”已包括自适应结构，以及滤波器内的自适应和非自适应(例如匹配滤波器)元件的组合。在此，也使用术语“多级维纳滤波器”。当被使用时，术语“多级维纳滤波器”意味着包括两个或多个线性滤波器级，信号或者以串行的方式被提供给滤波器级，如背景的讨论中所说明的，或者优选地以并行的方式被提供给滤波器级，如以下所说明的。多级自适应维纳滤波器包括两个或多个线性滤波器级，其中至少一个级是自适应级。本领域技术人员应该理解，在某些实施的情况下，自适应级的数量将变化，并且可以由滤波器自身确定。在此讨论的维纳滤波器和在背景中讨论的参考文献中的维纳滤波器常常接近于理想的维纳滤波器。应该进一步理解，在此描述的维纳滤波器可以是较大的滤波方案或滤波系统中的子系统或部件，以及因此并非滤波器的所有元件都需要与用于实施本发明的方面的维纳滤波器一致。

通常，本发明的各方面将在降秩的多级维纳滤波器获得应用的地方获得应用，包括在该说明书的背景中引用的文章中所讨论的那些应用。根据本发明的维纳滤波器可在通信系统中，包括在那些结合了时空处理的系统中获得应用。其它应用包括图像处理，用于从有噪或失真成像阵列改善或恢复图像数据。成像应用包括，例如使用磁共振检测的那些成像应用，各种X射线成像系统，声纳，雷达，以及使用一维、二维或多维阵列(物理上位移或者时间上替换)来采集系统数据的其它应用。还有其它的应用包括语音处理，用于改善样本或接收的语音信号，或者改善用于识别语音的滤波器。因而，本发明的至少一些方面的应用被认为是广泛的。

根据包括线性滤波器模块和更新滤波器模块的滤波器来进行以下的大量讨论。这些术语意味着引用这些模块中的电路元件的逻辑和功能特征。这些电路元件不必在物理上分开，这些电路元件不必在所有操作条件下都专用于这些功能。当然可以使用专用电路，并且当前即使在诸如数字信号处理器的通用电路中实施时，线性滤波器和更新模块在滤波器操作期间也将主要组成专用电路。

自适应多级维纳滤波器的尤其优选实施可以采用两个模块：线性滤波器模块，其以输入数据速率操作；以及更新模块，其以输入数据速率和更新速率操作，但是仅在更新速率执行许多计算。在该实施中，优选地将执行某些计算的速率降低到与某一通道特征变化得多快相对应的级别。本发明的另一方面通过重新组织滤波器的线性部分和滤波器的自适应部分来提高常规多级自适应维纳滤波器的效率。滤波器效率的提高部分地是因为，以数据速率操作的滤波器线性部分被简化，而以较慢的更新速率操作的自适应部分执行更复杂的计算，以补偿该线性滤波部分的复杂性的降低。

在此采用的方案的讨论开始于以上讨论中所述和引入的ResCor滤波器的说明。以如上所述的ResCor滤波器开始，优选的实施例通过用前一块的样本平均代替滤波器系数的总体平均，来简化更新计算。这包括

以及因此 $\stackrel{\→}{h}=\stackrel{\→}{p}/\left|\right|\stackrel{\→}{p}\left|\right|,$ ‖ε‖²以及ω。用前一块的样本平均代替每一个参量取决于以下的假设：通道在缓慢地变化，从而在前一块中计算的滤波器系数足以有效地用于当前块。

第二，采用由M.L.Honig和J.S.Goldstein的“AdaptiveReduced-Rank Residual Correlation Algorithms for DS-CDMAInterference Suppression，”( Proc.32th Asilomar Conference Signals， Systems and Computers，Pacific Grove，CA，November 1998)一文中提出的分块矩阵：

$B_n=\left[I\right]-\stackrel{\→}{h}{\stackrel{\→}{h}}^H$

不必降低该分块矩阵的秩，但是如果希望的话可以这样做。在此，不说明这种降秩的分块矩阵。

现在，利用与背景中使用的相同的定义和命名，除了用小写y代替大写Y以外，来说明对滤波器及其操作的这些改进的效果。上标H表示矩阵算子的Hermitian转置，上标^*表示矢量的共轭转置。滤波器系数计算的向前递归更新从以上引用的公式(6)开始：

${\stackrel{\→}{p}}_n={\stackrel{\→}{y}}_{n-1}{d_{n-1}}^H$

现在根据Honig等人给出的建议，

用 $\left[B\right]=\left[I\right]-{\stackrel{\→}{h}}_n{{\stackrel{\→}{h}}_n}^H$ 代替[B]：

${\stackrel{\→}{y}}_n=\left(\right[I]-{\stackrel{\→}{h}}_n{{\stackrel{\→}{h}}_n}^H){\stackrel{\→}{y}}_{n-1}=({\stackrel{\→}{y}}_{n-1}-{\stackrel{\→}{h}}_n\left({{\stackrel{\→}{h}}_n}^H{\stackrel{\→}{y}}_{n-1}\right))$

以及

${\stackrel{\→}{h}}_n={\stackrel{\→}{p}}_n/{\mathrm{\δ}}_n---\left(8\right)$

$d_n={{\stackrel{\→}{h}}_n}^H{\stackrel{\→}{y}}_{n-1}---\left(9\right)$

但是

${{\stackrel{\→}{h}}_n}^H{\stackrel{\→}{y}}_{n-1}$ 正好等于d_n，因此 $y_n={\stackrel{\→}{y}}_{n-1}-{\stackrel{\→}{h}}_n{d}_n={\stackrel{\→}{y}}_{n-1}{d}_n{\stackrel{\→}{h}}_n.$ 该特定结果正好是D.C.Ricks和J.S.Goldstein的“EfficientArchitectures for Implementing Adaptive Algorithms”(Proceedings ofthe 2000 Antenna Applications Symposium，Allerton Park，Monticello，ILSeptember 20-22，2000)一文中所示的结果。这是图1中所示的多级自适应维纳滤波器。

每块(即使用样本平均)仅计算一次ω、h和p，这样改善了流水线的、递归的滤波器计算，并且只需假设通道变化较慢。现在，根据本发明的优选实施例，在滤波器中实施两种不同的计算速率，该滤波器被分成两个相对应的主要部分：线性滤波器，其以符号速率操作；以及自适应部分，在该自适应部分中计算例如滤波器加权系数。在优选的实施中，仅以更新速率执行自适应部分的更新计算。加权系数计算速率可能仅为符号速率的0.1至0.001。该速率只需高得足以跟随通道参数的变化，并且不必以符号速率被执行。因而，该多级维纳滤波器的不同实施可以利用不同的速率来更新加权系数计算，反映了通道条件变化的不同速率。

图2显示了根据本发明实施例的、具有线性滤波器部分和自适应部分的自适应多级维纳滤波器。图2的自适应多级维纳滤波器包括线性滤波器模块10和滤波器系数更新模块12。在每一符号时钟报时点，新的观测数据矢量y(m)进入滤波器模块和更新模块，并且旧的滤波器输出值z(m-1)退出线性滤波器模块。在该特定优选图中，符号速率时钟被与更新模块12关联的电路14划分，以获得滤波器更新速率。在许多情况下，确定滤波器系数更新速率的该方法的实际效果将是样本时钟速率将是更新速率的整数倍。在接下来的讨论中，因为滤波器被分成了两个部分，因此要做一些额外的工作。在特定优选的进一步实施中，在滤波器模块和更新模块之间分摊一些计算，以消除额外的工作。

现在参考图2，多级自适应维纳滤波器被显示为，包括线性滤波器模块10和用于确定线性滤波器模块10的更新系数的更新模块12。观测数据样本和符号数据时钟被输入到这两个模块。电路被布置在图2的线性滤波器模块中，以便优选地将能够以更新计算速率执行的计算放到更新计算模块12中。注意， ${\stackrel{\→}{y}}_n\·{\stackrel{\→}{h}}_n={{\stackrel{\→}{h}}_n}^H\·{\stackrel{\→}{y}}_n,$ 以及该标记法用于表示线性滤波。当输入矢量 通过滤波器元件 时，所得的初始滤波信号为 $d_1=\stackrel{\→}{y}\·{\stackrel{\→}{h}}_0={{\stackrel{\→}{h}}_0}^H\·\stackrel{\→}{y}.$ 线性滤波器推导如下：

$d_n={{\stackrel{\→}{h}}_n}^H{\stackrel{\→}{y}}_{n-1}={\stackrel{\→}{y}}_{n-1}\·{\stackrel{\→}{h}}_n$    ${\stackrel{\→}{y}}_n={\stackrel{\→}{y}}_{n-1}-{\stackrel{\→}{h}}_n{d}_n$    ${\mathrm{\α}}_{\mathrm{in}}={\stackrel{\→}{h}}_i\·{\stackrel{\→}{h}}_n$    $d_0=\stackrel{\→}{y}\·{\stackrel{\→}{h}}_0$

$d_1={\stackrel{\→}{y}}_0\·{\stackrel{\→}{h}}_1$

$d_2={\stackrel{\→}{y}}_1\·{\stackrel{\→}{h}}_2=({\stackrel{\→}{y}}_0-{\stackrel{\→}{h}}_1{d}_1)\·{\stackrel{\→}{h}}_2={\stackrel{\→}{y}}_0\·{\stackrel{\→}{h}}_2-d_1{\stackrel{\→}{h}}_1\·{\stackrel{\→}{h}}_2$

$=(\stackrel{\→}{y}-h_0{d}_0){\·\stackrel{\→}{h}}_2-{\mathrm{\α}}_{12}{d}_1=\stackrel{\→}{y}\·{\stackrel{\→}{h}}_2-{\mathrm{\α}}_{12}{d}_1$

$d_n=\stackrel{\→}{y}\·{\stackrel{\→}{h}}_n-\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}({\stackrel{\→}{h}}_i\·{\stackrel{\→}{h}}_n)d_i=\stackrel{\→}{y}\·{\stackrel{\→}{h}}_n-\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{in}}{d}_i$

在此，α为矢量h(线性滤波器元件)的协方差矩阵。

线性滤波器模块

为滤波器的输入

由更新模块提供

z(m)为滤波器的输出

$d_n=\stackrel{\→}{y}\·{\stackrel{\→}{h}}_n-\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{in}}{d}_i$

ε_D＝d_D

${\mathrm{\ϵ}}_{n-1}=d_{n-1}{\mathrm{\ω}}_n^{*}{\mathrm{\ϵ}}_n$

z＝ω₁ ^*ε₁

图3显示了以上公式所描述的线性滤波器模块的优选实施例。所示的电路紧密地对应于以上讨论的计算，图3也提供了在计算中使用的某些术语的图形演示，以及它们与其它术语的关系。图3所示的线性滤波器模块代表了对Honig等人的文章中描述的ResCor线性滤波器模块和Ricks等人的文章中描述的滤波器结构的相当大的计算简化，这是因为图3的线性滤波器模块以信号采样速率计算，而仅仅以更新速率计算滤波器系数等。

通过该方案和该方案的实施获得的另一个重大的改进是，避免了Honig等人或Ricks等人的方案的滤波器所需要的许多矢量计算。即使不把滤波计算和更新计算分开，也可以获得该改进。与Honig等人或者Ricks等人的公式表示相比，可以在以上给出的图3模块的线性滤波器模块计算中看到改进的效率。图3所示的优选的线性滤波器部分不执行标量-矢量乘法

以及从滤波器线性部分的D级的每一级中的 减去该所得的矢量 的矢量-矢量减法操作。这一点是有意义的，这是因为对于许多应用，矢量长度N可能为一百或更长，而D可能只是3或4。比较图1与图17，该改进也是明显的。

虽然在图2的维纳滤波器中避免了常规的 和 ${\stackrel{\→}{y}}_{n-1}-d_n*{\stackrel{\→}{h}}_n$ 操作，但是图2的维纳滤波器用矢量d之间的自相关计算和 $(\stackrel{\→}{h}\·\stackrel{\→}{y})-\left(d_{n-1}{\mathrm{\α}}_{j,d-1}\right)$ 形式的标量减法(图3)来代替那些计算。因此，更新计算变得更复杂，但是在图2的滤波器中不经常执行更新计算。在图13和18所示的进一步简化的滤波器中，没有额外的计算加到线性滤波器模块上，但是在更新模块中需要附加的计算。

滤波器更新计算

滤波器更新模块部分地通过输入数据矢量 与滤波数据矢量 之间的互相关来自适应地确定滤波器元件和滤波器加权的特性。在

与之间的该互相关之后，接着在图6所示的电路中执行求和，以计算图6所示的 矢量。该计算可能与图1(b)所示的滤波器更新模块中执行的计算有点相似，但是在图2的滤波器更新模块12中，附加的操作被执行。图2的更新模块确定 矢量的协方差，以计算β矩阵，见图7，β矩阵使该功能从滤波器的线性滤波器部分输出。图8显示了q矢量的计算。

图2所示的滤波器更新模块12最优选地以比符号速率慢的速率计算并更新滤波器系数和加权。实际上，所示的优选滤波器更新模块从以符号速率到达的数据来计算平均。用时间平均来代替以符号速率到达的数据的总体平均，并且在此用角括号来指示这些时间平均。例如，<X>代表这种时间平均。<X>可以是递增更新的，或者是块更新的，如以下的一组公式中所示。

递增更新

<X>_new＝(1-μ)<X>_old+μX

因此，例如，利用更新系数μ来加权的<X>的计算，来逐个样本地更新<X>值。

块更新

$<X>=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{X}_m$

从而，对于收到的每一块采样数据，计算<X>值一次。现在，由以上的公式

${\stackrel{\&RightArrow;}{p}}_n=<{\stackrel{\&RightArrow;}{y}}_{n-1}{d}_{n-1}^{*}>$ 以及 ${\stackrel{\&RightArrow;}{y}}_n={\stackrel{\&RightArrow;}{y}}_{n-1}-d_n{\stackrel{\&RightArrow;}{h}}_n$

${\stackrel{\&RightArrow;}{y}}_0=\stackrel{\&RightArrow;}{y}$   $d_0=\stackrel{\&RightArrow;}{b}$

${\stackrel{\&RightArrow;}{p}}_1=<{\stackrel{\&RightArrow;}{y}}_0{d}_0^{*}>$

${\stackrel{\&RightArrow;}{p}}_2=<y_1{d}_1^{*}>=<({\stackrel{\&RightArrow;}{y}}_0-{\stackrel{\&RightArrow;}{h}}_1{d}_1)d_1^{*}>=<{\stackrel{\&RightArrow;}{y}}_0{d}_1^{*}>-{\stackrel{\&RightArrow;}{h}}_1<{\left|d_1\right|}^2>$



${\stackrel{\&RightArrow;}{p}}_n=<\stackrel{\&RightArrow;}{y}{d}_{n-1}^{*}>-\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}<d_i{d}_{n-1}^{*}>{\stackrel{\&RightArrow;}{h}}_i$

因为 是来自

的更新 $({\stackrel{\&RightArrow;}{h}}_{\mathrm{new}}\&LeftArrow;\stackrel{\&RightArrow;}{p}/\mathrm{\&delta;}),$ 因此

的更精确估计是：

${\stackrel{\&RightArrow;}{p}}_n=<\stackrel{\&RightArrow;}{y}{d}_{n-1}^{*}>-\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}<d_i{d}_{n-1}^{*}>{\stackrel{\&RightArrow;}{p}}_i/{\mathrm{\&delta;}}_i$ 其中 ${\mathrm{\&delta;}}_i=\left|\right|{\stackrel{\&RightArrow;}{p}}_i\left|\right|$

${\stackrel{\&RightArrow;}{h}}_n={\stackrel{\&RightArrow;}{p}}_n/{\mathrm{\&delta;}}_n$ 其中 ${\mathrm{\&delta;}}_n=\left|\right|{\stackrel{\&RightArrow;}{p}}_n\left|\right|$

${\mathrm{\&beta;}}_{\mathrm{ij}}=<d_i{d}_j^{*}>;$ ${\stackrel{\&RightArrow;}{p}}_1=<\stackrel{\&RightArrow;}{y}{d}_0^{*}>-{\stackrel{\&RightArrow;}{h}}_0<{\left|d_0\right|}^2;$ ${\stackrel{\&RightArrow;}{\mathrm{\&gamma;}}}_i=<.\stackrel{\&RightArrow;}{y}{d}_j^{*}>$

现在

${\stackrel{\&RightArrow;}{p}}_n={\stackrel{\&RightArrow;}{\mathrm{\&gamma;}}}_{n-1}-\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{i,n-1}{\stackrel{\&RightArrow;}{h}}_i$

在图4至图7中显示了用于执行这些滤波器系数更新计算的电路，这些电路块之间的各种互连在显示这些图的页面之间延伸。图5显示了优选地以数据速率执行的滤波器加权计算的那一部分。可以多种方式，包括在数字信号处理器(DSP)中、在专用电路中或者在专用电路和诸如微处理器或DSP核的通用电路的组合中，来实施图4至图8中所示的电路。可以多种不同的方式来类似地实施以上和以下所述的电路的剩余部分。

图5至图8集中了更新模块12(来自图2)的、以线性滤波器模块10操作的数据时钟速率来操作的那些部分。图9至图12集中了更新模块12的、以比数据时钟速率慢得多的更新时钟速率来操作的那些部分。注意，在图10中，元件16用于确定矢量的大小。该元件16的输出被提供给除法元件18，该除法元件18将矢量大小归一化为单位长度。如上所述的及如图2所示的，优选地通过划分数据时钟速率来获得更新时钟速率使得更新时钟速率可能是数据(符号)速率0.1至0.001的量级。然后，如下操作所示的滤波器。

更新模块

为该模块的输入。

为从滤波器模块到更新模块的输入。

对于n＝0，1，…，D，以输入数据速率计算

q_n＝‖ε_n‖²

 对于所有的i，j＝0，1，…，D，计算

${\mathrm{\&beta;}}_{\mathrm{ij}}=<d_i{d}_j^{*}>$

${\stackrel{\&RightArrow;}{\mathrm{\&gamma;}}}_i=<.\stackrel{\&RightArrow;}{y}{d}_i^{*}>$

图5至图8显示了滤波器的这些部分。如图所示，更新模块的这些数据定时部分(图4)代表信号统计计算。对于所有的n＝0，1，…，D，图9的更新模块部分优选地以更新速率计算

${\stackrel{\&RightArrow;}{p}}_n={\stackrel{\&RightArrow;}{\mathrm{\&gamma;}}}_{n-1}-\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}({\mathrm{\&beta;}}_{i,n-1}/{\mathrm{\&delta;}}_i){\stackrel{\&RightArrow;}{p}}_i$

其中 ${\mathrm{\&beta;}}_n=\left|\right|{\stackrel{\&RightArrow;}{p}}_n\left|\right|$

则：

$h_n={\stackrel{\&RightArrow;}{p}}_n/{\mathrm{\&delta;}}_n$

${\mathrm{\&alpha;}}_{\mathrm{ij}}={{\stackrel{\&RightArrow;}{h}}_i}^H{\stackrel{\&RightArrow;}{h}}_j$

这些是图10至12中所示的滤波器加权的计算。

以在此讨论的简化为基础的假设可适用于多种应用。在那些应用中，简化的滤波器结构大大降低了自适应多级维纳滤波器的成本，同时仍然获得比常规滤波方案更佳的性能。

图2至12的自适应多级维纳滤波器尤其适合于数据矢量长度N相对于数据块长度M较小的情况。由图2至12和/或以下为第一实施例给出的公式，可以获得计算复杂性为4DNM+3D²M+4DM+2NM+2D²N+2DN+2D。对于以上讨论的例子，这是4.562*10⁶次算术操作，比图1的滤波器的复杂性降低了57％。

可以实现复杂性的更进一步降低以及随之的费用降低。在图13至17中显示了这样一种进一步简化。图13至17的电路大体上与图2至12的电路相似，图13至17所示的自适应多级维纳滤波器包括：线性滤波器模块20，其以样本(符号)数据速率操作；以及更新模块22，其优选地以较慢的更新速率操作，该较慢的更新速率优选地为在更新模块22内使用的两种速率之一。在该例中，符号速率时钟被与更新模块22关联的电路24划分，以获得滤波器更新速率。在许多情况下，确定滤波器系数更新速率的该方法的实际效果将是，更新时钟速率仅为符号速率的0.1至0.001的更新速率的小部分。如同以上讨论的一样，有可能通过在图13至17的自适应多级维纳滤波器的线性滤波器模块和更新模块之间分摊一些计算，来获得进一步的计算简化。

图13显示了由线性滤波器模块和更新模块组成的整体结构。与以上的图2的电路相比，图13的自适应多级维纳滤波器从线性滤波器模块20去除了α，从而α不在线性滤波器模块20与更新模块22之间被传递。在图13至17的电路中，仍然可以计算α，但是完全在如以下的图15和16所示的更新模块的内部来计算。与图2至12的电路相比，α与图16的电路中的h相结合以产生H，H在功能上代替图13至17的电路中的h。

现在说明由图13至17的滤波器实施的方案，首先讨论以上述图2至12的多级维纳滤波器为基础的方案。在前面的线性滤波器模块中

为滤波器的输入

由更新模块提供

z(m)为滤波器的输出

$d_n=\stackrel{\&RightArrow;}{y}\&CenterDot;{\stackrel{\&RightArrow;}{h}}_n-\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i,n}{d}_i$

ε_D＝d_D

${\mathrm{\&epsiv;}}_{n-1}=d_{n-1}-{\mathrm{\&omega;}}_n^{*}{\mathrm{\&epsiv;}}_n$

z＝ω₁ ^*ε₁

在简化该滤波器的过程中，将d_i代入公式的右边以代替d_n，并累加各项：

$d_1=\stackrel{\&RightArrow;}{y}\&CenterDot;{\stackrel{\&RightArrow;}{h}}_1=\stackrel{\&RightArrow;}{y}\&CenterDot;{\stackrel{\&RightArrow;}{H}}_1$

$d_2=\stackrel{\&RightArrow;}{y}\&CenterDot;{\stackrel{\&RightArrow;}{h}}_2-{\mathrm{\&alpha;}}_{\mathrm{1,2}}\stackrel{\&RightArrow;}{y}\&CenterDot;{\stackrel{\&RightArrow;}{h}}_1=\stackrel{\&RightArrow;}{y}\&CenterDot;({\stackrel{\&RightArrow;}{h}}^2-{\mathrm{\&alpha;}}_{\mathrm{1,2}}\&CenterDot;{\stackrel{\&RightArrow;}{h}}_1)=\stackrel{\&RightArrow;}{y}\&CenterDot;{\stackrel{\&RightArrow;}{H}}_2$

等等。

现在定义

$d_n=\stackrel{\&RightArrow;}{y}\&CenterDot;{\stackrel{\&RightArrow;}{H}}_n$

其中

${\stackrel{\&RightArrow;}{H}}_n={\stackrel{\&RightArrow;}{h}}_n-\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i,n}{\stackrel{\&RightArrow;}{h}}_i$

优选的将H的计算放在更新模块中，并且优选地以更新速率计算H。图14显示了所得到的线性滤波器模块。该结构比图3所示的和以上讨论的结构简单得多。该结构的复杂性也比Honig等人的文章中的ResCor滤波器小得多。

先前的滤波器更新计算

图3所示的滤波器更新模块优选地以比符号速率慢得多的速率计算和更新参数。图3的滤波器更新模块从以符号速率到达的数据计算平均。用时间平均来近似以符号速率到达的数据的总体平均，并且在此用角括号来指示这些时间平均。例如，<X>代表这种时间平均。<X>可以是递增更新的，或者是块更新的。

递增更新

<X>_new＝(1-μ)<X>_old+μX

块更新

$<X>=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{X}_m$

现在，由以上公式

${\stackrel{\&RightArrow;}{p}}_n=<{\stackrel{\&RightArrow;}{y}}_{n-1}{d}_{n-1}^{*}>$ 以及 ${\stackrel{\&RightArrow;}{y}}_n={\stackrel{\&RightArrow;}{y}}_{n-1}-d_n{\stackrel{\&RightArrow;}{h}}_n$

${\stackrel{\&RightArrow;}{y}}_0=\stackrel{\&RightArrow;}{y}$

${\stackrel{\&RightArrow;}{p}}_1=<{\stackrel{\&RightArrow;}{y}}_0{d}_0^{*}>$

${\stackrel{\&RightArrow;}{p}}_2<y_1{d}_1>=<({\stackrel{\&RightArrow;}{y}}_0-{\stackrel{\&RightArrow;}{h}}_1{d}_1)d_1^{*}>=<{\stackrel{\&RightArrow;}{y}}_0{d}_1^{*}>-{\stackrel{\&RightArrow;}{h}}_1<{\left|d_1\right|}^2>$



${\stackrel{\&RightArrow;}{p}}_n=<\stackrel{\&RightArrow;}{y}{d}_{n-1}^{*}>-\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}<d_i{d}_{n-1}^{*}>{\stackrel{\&RightArrow;}{h}}_i$

因为 是来自

的更新 $({\stackrel{\&RightArrow;}{h}}_{\mathrm{new}}\&LeftArrow;\stackrel{\&RightArrow;}{p}/\mathrm{\&delta;}),$ 因此

的更精确估计是：

${\stackrel{\&RightArrow;}{p}}_n=<\stackrel{\&RightArrow;}{y}{d}_{n-1}^{*}>-\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}<d_i{d}_{n-1}^{*}>{\stackrel{\&RightArrow;}{p}}_i/{\mathrm{\&delta;}}_i$ 其中 ${\mathrm{\&delta;}}_i=\left|\right|{\stackrel{\&RightArrow;}{p}}_i\left|\right|$

${\stackrel{\&RightArrow;}{h}}_n={\stackrel{\&RightArrow;}{p}}_n/{\mathrm{\&delta;}}_n$ 其中 ${\mathrm{\&delta;}}_n=\left|\right|{\stackrel{\&RightArrow;}{p}}_n\left|\right|$

${\mathrm{\&beta;}}_{\mathrm{ij}}=<d_i{d}_j^{*}>;$ ${\stackrel{\&RightArrow;}{p}}_2=<\stackrel{\&RightArrow;}{y}{d}_2^{*}>-{\stackrel{\&RightArrow;}{h}}_1<{\left|d_1\right|}^2;$ ${\stackrel{\&RightArrow;}{\mathrm{\&gamma;}}}_i=<.\stackrel{\&RightArrow;}{y}{d}_i^{*}>$

现在

${\stackrel{\&RightArrow;}{p}}_n={\stackrel{\&RightArrow;}{\mathrm{\&gamma;}}}_{n-1}-\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{i,n-1}{\stackrel{\&RightArrow;}{h}}_i$

先前的更新模块

为该模块的输入。

为从滤波器模块到该模块的输入。

对于n＝0，1，…，D，以输入数据速率计算

q_n＝‖ε_n‖²

对于所有的i，j＝0，1，…，D，计算

${\mathrm{\&beta;}}_{\mathrm{ij}}=<d_i{d}_j^{*}>$

${\stackrel{\&RightArrow;}{\mathrm{\&gamma;}}}_i=<.\stackrel{\&RightArrow;}{y}{d}_i^{*}>$

对于所有的n＝0，1，…，D，以更新速率计算

${\stackrel{\&RightArrow;}{p}}_n={\stackrel{\&RightArrow;}{\mathrm{\&gamma;}}}_{n-1}-\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}({\mathrm{\&beta;}}_{i,n-1}/{\mathrm{\&delta;}}_i){\stackrel{\&RightArrow;}{p}}_i$

其中 ${\mathrm{\&delta;}}_n=\left|\right|{\stackrel{\&RightArrow;}{p}}_n\left|\right|$

则：

$h_n={\stackrel{\&RightArrow;}{p}}_n/{\mathrm{\&delta;}}_n$

${\mathrm{\&alpha;}}_{\mathrm{ij}}={{\stackrel{\&RightArrow;}{h}}_i}^H{\stackrel{\&RightArrow;}{h}}_j$

现在将矢量H(如上定义的)的计算加入图15和16的新的更新模块中，作为

${\stackrel{\&RightArrow;}{H}}_n={\stackrel{\&RightArrow;}{h}}_n-\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i,n}{\stackrel{\&RightArrow;}{h}}_i$

仅以更新速率计算矢量H，产生了图15和16的更有效的更新模块。注意，该结果是比图2至12所示的自适应多级维纳滤波器更有效的实施。图13至16显示了电路的计算和分布。

图5和15集中了更新模块22(来自图13)的、以线性滤波器模块20所操作的数据时钟速率来操作的那些部分。图9、图15和图16集中了更新模块22的、以比数据时钟速率慢得多的更新时钟速率操作的那些部分。如以上所讨论的和如图13所示的，优选地通过划分数据时钟速率来获得更新时钟速率，从而更新时钟速率可能是数据(符号)速率的0.1至0.001量级。

图17提供了图13至16的滤波器的另一个例图，图17(a)显示了维纳滤波器的线性滤波器部分，图17(b)显示了更新并调节线性滤波器参数的滤波器部分。如图所示，与图1的常规自适应多级维纳滤波器相比，该滤波器被构造成没有向后递归路径，并且图17的实施可以迅速比较。注意在滤波器的每一级中都去除一个矢量-标量乘法和一个矢量-矢量减法的基本多级滤波器的复杂性的减小。

该多级维纳滤波器的线性滤波器模块如图17(a)所示，并且包括一组沿着线性滤波器中的前向路径的线性滤波器元件H₂和H₁。如同在此讨论的、图2至16中所示的其它多级维纳滤波器一样，图17(a)的线性滤波器模块的级数是可变的，并且优选地根据特殊滤波应用来选择。本领域技术人员应该理解用于选择并优化维纳滤波器中的级数的过程，并且那些过程也可用于此处。

图17(a)所示的两个滤波级并行地接收输入数据矢量，并且并行地对连续的数据矢量滤波。例如，可选择滤波器元件H₁作为代表先验通道表征的匹配滤波器。由滤波级H₁执行的滤波沿着由匹配滤波器表示的导引矢量来投影输入数据矢量。滤波级H₂(和紧接着的其它任何附加H_x级)代表没有被匹配滤波器表示的干扰、噪声和失真源。计算这些滤波器元件以便无递归地与干扰源正确对齐。在以上讨论中，假设滤波器元件H₁为匹配滤波器。作为选择，所示的滤波级H₁可以是自适应级。在又一进一步的替换实施例中，所示的滤波级H₁可以是自适应级，并且其它的自适应滤波器级可以和在信号被输入到图17(a)的线性滤波器之前对信号进行滤波的匹配滤波器或其它滤波器一起使用。当在此使用术语“自适应多级维纳滤波器”时，所有这些组合都是在术语“自适应多级维纳滤波器”的预期范围之内。

图17(b)显示了用于修改滤波器系数H和滤波器加权的计算。由图17(b)中的‖(·)‖表示的元件代表矢量大小的计算。如图所示，这些计算的一部分以符号(数据)速率执行，这些计算的一部分以更新速率执行。

比较图1(a)和图17(a)可以看到，在图17(a)中大大简化了计算，这是因为，在图1(a)中执行的d估计的投影以及从数据矢量减去投影值的矢量减法在图17(a)中没有执行。类似地，比较图1(b)和图17(b)可以看到，图17(b)结构的更新模块比图1(b)的更新模块更复杂。该更新模块内增加的复杂性需要仅仅以更新速率执行的计算。

图13至17的自适应多级维纳滤波器尤其适合于在级数N相对于数据块长度M较小的情况下的实施。由图13至17和以下为第二实施例给出的公式可以获得计算复杂性为4DNM+2D²M+4DM+2NM+3D²N+2DN+2D。对于以上讨论的例子，这是4.472*10⁶次算术操作，比图1的滤波器的复杂性降低了58％。

在本发明的如图18至21所示的进一步简化实施中，更新模块优选地保存数据样本的子集，并且从该数据样本子集计算滤波器系数的比较少的更新。用于采集数据样本的子集的采样以非常慢的速率发生，从而大大减少了由更新模块执行的总的计算。用于更新滤波器系数的采样更新方案假设通道(使数据失真和恶化的变化参数)在时间上非常缓慢地变化。在利用数据的新样本再次计算更新系数之前，从比较少的样本计算的滤波器系数被使用较长一段时间。因此，多级维纳滤波器的该实施优选地使用三种数据计算速率：第一，提供滤波数据的滤波器的数据速率；第二，计算新的滤波器系数的更新速率；以及第三，采样速率，数据块的样本以该采样速率被提取以供给更新计算。

本发明的该方面通过仅使用数据的样本来进一步减少维纳滤波器的自适应部分中的计算。当数据通道和干扰在非常缓慢地变化，以至于可以仅利用数据块中的数据的子集来进行可靠的参数估计时，这是可允许的。可以看到，如果样本集与数据块相比较小，则第三种线性滤波器的复杂性非常低。由图18至21和/或以下为第三实施例给出的公式可以获得计算复杂性为4DNMx+2D²Mx+4DMx+2NM+3D²N+4DN+2D。对于以上讨论的例子，并且在样本集大小与数据块大小x之比等于0.1的情况下，这是6.5802*10⁵次算术操作，比以上讨论的图1滤波器的复杂性降低了93％。

图18至21的电路大体上与图2至17的电路相似，并且实际上包括相当多的和图2至17的电路一样的电路。图18至21所示的自适应多级维纳滤波器包括：线性滤波器模块30，其以样本(符号)数据速率操作；以及更新模块32，其优选地以多种速率操作，该多种速率包括比线性滤波器模块30操作的样本(符号)数据速率慢的更新速率。如同以上讨论的一样，有可能通过在图18至21的自适应多级维纳滤波器的线性滤波器模块和更新模块之间分摊一些计算，来获得进一步的计算简化。

图18的自适应多级维纳滤波器也包括控制电路以选择数据矢量y的样本、并提供适当的样本数据时钟。图18至21中所示的实施最适于以下情况：所需的自适应速率非常低，以及因此M非常大，以至于只需要数据块中的输入数据的样本来计算信号和通道参数的可靠统计估计。线性滤波器模块以输入数据速率接收输入数据矢量y，并以相同速率产生输出z。线性滤波器以更新速率从更新模块接收更新系数，并以数据速率向更新模块提供矢量输出ε和数据矢量d。更新模块(图19)以数据速率接收矢量y和d，并以更新速率提供矢量Φ。

图18的更新模块32优选地在内部从比较少的数据样本计算矢量d和ε，而不是从滤波器模块获得矢量d和ε。当与数据速率相比，通道变化非常缓慢时，可以实现该计算的减少。因为计算更新的方法的改变，因此图18的滤波器优选地使用简化的线性滤波器模块。优选地选择线性滤波器30作为复杂性降低的单一的简单滤波器：

$\stackrel{\&RightArrow;}{\mathrm{\&Phi;}}={\stackrel{\&RightArrow;}{H}}_0-w_1({\stackrel{\&RightArrow;}{H}}_1-w_2({\stackrel{\&RightArrow;}{H}}_3....-w_D{\stackrel{\&RightArrow;}{H}}_D)....)$

(图21中所示)，然后图18的滤波器执行非常简单的线性滤波操作：

$z=\stackrel{\&RightArrow;}{\mathrm{\&Phi;}}\&CenterDot;\stackrel{\&RightArrow;}{y}$

如图18所示。

图19显示了图18中所示的更新模块32，并一般地显示了更新模块如何计算矢量d和ε。数据样本被提供给内部线性滤波器模块34，该内部线性滤波器模块从数据样本矢量y_{sample_set}和来自更新子模块36的矢量H和ω来计算矢量d和ε。内部线性滤波器模块34由采样速率时钟触发来计算矢量d和ε。在图18电路的优选实施中，内部线性滤波器模块34具有与以上所述的图18的电路相同的结构和操作。优选地，更新子模块36具有图20所示的结构，该结构包括内部更新模块38和矢量Φ计算模块40。优选地，内部更新模块38具有上述的图15和20所示的结构，并且矢量Φ计算模块40具有图21所示的结构。

在以上的讨论中描述和例举了各种电路。这些电路中的许多都采用熟悉的无限冲击响应(FIR)或有限冲击响应(IIR)滤波器的形式，虽然其它的实施也是可能的。可以多种方式，包括在数字信号处理器(DSP)中、在专用电路中或者在专用电路和诸如微处理器或DSP核的通用电路的组合中来实施所述的例举电路。

已经按照本发明的某些优选实施例描述了本发明。本领域技术人员应该理解，在不背离本发明的基本教导的情况下，可以对在此所述的实施例进行各种更改。因此，本发明不限于特殊描述的实施例，而是由接下来的权利要求来限定。

Claims (65)

1.一种通过多级自适应维纳滤波器处理数据的方法，所述方法包括：

提供输入数据给线性滤波器模块，该线性滤波器模块包括以第一组线性滤波器系数为特征的多个滤波器级，该线性滤波器模块进一步以第一组滤波器加权为特征，该线性滤波器模块以滤波器数据速率处理输入数据；以及

以滤波器更新速率调节一组滤波器参数，其中所述滤波器数据速率大于该滤波器更新速率，从而使所述线性滤波器模块起自适应维纳滤波器的作用。

2.根据权利要求1所述的方法，其中在更新模块中执行所述调节，以及将输入数据并行地提供给所述线性滤波器模块和该更新模块。

3.根据权利要求1所述的方法，其中所述调节一组滤波器参数包括基于早先获得的一组输入数据的统计处理。

4.根据权利要求3所述的方法，其中所述统计处理包括确定输入数据和滤波数据之间的互相关。

5.根据权利要求3所述的方法，其中所述统计处理包括确定输入数据矢量和滤波数据矢量之间的互相关。

6.根据权利要求4所述的方法，其中所述统计处理包括递增地更新输入数据的连续样本的互相关。

7.根据权利要求4所述的方法，其中所述统计处理包括从早先的一组输入数据样本计算平均互相关。

8.根据权利要求7所述的方法，其中所述输入数据被并行地提供给所述多个滤波器级。

9.根据权利要求1所述的方法，其中通过使所述滤波器数据速率除以一个常数来获得所述滤波器更新速率。

10.根据权利要求2所述的方法，其中所述一组滤波器参数包括第一组线性滤波器系数和第一组滤波器加权。

11.根据权利要求10所述的方法，其中所述更新模块的部分以滤波器数据数率操作，以及其中所述更新模块的部分以更新速率操作。

12.根据权利要求10所述的方法，其中所述线性滤波器模块用于从所述更新模块接收更新的线性滤波器系数。

13.根据权利要求10所述的方法，其中所述线性滤波器模块用于从所述更新模块接收更新的线性滤波器系数，所述更新模块以更新数据速率提供更新的线性滤波器系数。

14.根据权利要求13所述的方法，其中所述更新模块以所述滤波器数据速率接收输入数据。

15.根据权利要求14所述的方法，其中所述线性滤波器模块以所述滤波器数据速率输出滤波数据。

16.根据权利要求15所述的方法，其中所述更新模块用于从所述线性滤波器模块接收第一组滤波器加权，并随后将一组更新的滤波器加权提供给所述线性滤波器模块。

17.根据权利要求15所述的方法，其中所述调节一组滤波器参数包括基于早先获得的一组输入数据的统计处理。

18.根据权利要求17所述的方法，其中所述统计处理包括确定输入数据和滤波数据之间的互相关。

19.根据权利要求17所述的方法，其中所述统计处理包括确定输入数据矢量和滤波数据矢量之间的互相关。

20.根据权利要求18所述的方法，其中所述统计处理包括递增地更新输入数据的连续样本的互相关。

21.根据权利要求18所述的方法，其中所述统计处理包括从早先的一组输入数据样本计算平均互相关。

22.根据权利要求21所述的方法，其中所述输入数据被并行地提供给所述多个滤波器级。

23.根据权利要求1所述的方法，其中所述线性滤波器模块以滤波器数据速率接收输入数据，该输入数据被分为多块，第一块在第二块之前，所述方法进一步包括：

从第一块产生第一组滤波器更新系数，以及利用该第一组滤波器更新系数处理来自第二块的输入数据。

24.根据权利要求23所述的方法，其中所述第一组滤波器更新系数代表基于输入数据的时间平均。

25.根据权利要求23所述的方法，进一步包括产生第一组滤波器加权，其中所述处理来自第二块的输入数据使用了该第一组滤波器加权。

26.根据权利要求25所述的方法，其中通过时间平均来产生第一组滤波器加权。

27.根据权利要求26所述的方法，其中通过递增地更新早先获得的一组滤波器加权来产生第一组滤波器加权。

28.根据权利要求1所述的方法，其中所述多级自适应维纳滤波器包括流水线的线性滤波器模块和更新模块。

29.根据权利要求29所述的方法，其中所述多个滤波器级并行地接收输入数据。

30.根据权利要求29所述的方法，其中所述线性滤波器模块以滤波器数据速率接收符号作为输入数据，这些符号被分为多块，第一块在第二块之前，所述方法进一步包括：

从第一块产生第一组滤波器更新系数，以及利用该第一组滤波器更新系数处理来自第二块的符号。

31.根据权利要求30所述的方法，其中所述线性滤波器模块用于从所述更新模块接收更新滤波器系数，所述更新模块以更新数据速率提供更新滤波器系数。

32.根据权利要求31所述的方法，其中所述更新数据速率是传输符号的通道的特征。

33.根据权利要求31所述的方法，其中选择所述更新数据速率，从而比传输符号的通道的特征变化得更快。

34.根据权利要求31所述的方法，其中所述更新模块用于以滤波器数据速率从所述线性滤波器模块接收数据。

35.根据权利要求31所述的方法，其中所述更新模块通过时间平均来产生更新滤波器系数。

36.一种多级自适应维纳滤波器，包括：

线性滤波器模块，其以滤波器数据速率操作并从通道接收符号；以及

更新滤波器模块，用于从所述线性滤波器模块接收信号，以及将更新的滤波器系数提供给所述线性滤波器模块，该更新的滤波器系数是接收符号的通道的特征，该更新滤波器模块以滤波器更新速率提供更新的滤波器系数，从而使所述线性滤波器模块起自适应多级维纳滤波器的作用。

37.根据权利要求36所述的维纳滤波器，其中所述滤波器数据速率比滤波器更新速率快十倍以上。

38.根据权利要求37所述的维纳滤波器，其中所述线性滤波器模块以滤波器数据速率接收符号作为输入数据，这些符号被分为多块，第一块在第二块之前，以及其中所述线性滤波器模块从第一块产生第一组滤波器更新系数，并利用该第一组滤波器更新系数对来自第二块的符号进行滤波。

39.一种自适应多级维纳滤波器，包括：

线性滤波器模块，该线性滤波器模块包括第一和第二线性滤波器元件，该第一和第二线性滤波器元件用于在该第一和第二线性滤波器元件的输入处共同接收输入数据集，该第一和第二线性滤波器元件对该输入数据集执行不同的滤波操作，该第一线性滤波器元件输出第一滤波数据，并且该第二线性滤波器元件输出第二滤波数据；

在所述线性滤波器模块中的至少一个加权元件和至少一个组合元件，所述第二线性滤波器元件提供第二滤波数据给该至少一个加权元件，该加权元件输出加权的第二滤波数据，该组合元件响应该加权的第二滤波数据和第一滤波数据以输出组合的滤波数据；以及

更新模块，该更新模块被连接到所述线性滤波器模块以便将更新的滤波器系数提供给所述第一和第二滤波器元件，该更新模块至少部分地根据输入数据和滤波数据之间的相关性来确定更新的滤波器系数，从而使所述线性滤波器模块起自适应维纳滤波器的作用。

40.根据权利要求39所述的维纳滤波器，其中所述确定包括输入数据和大小被归一化的滤波数据之间的互相关。

41.根据权利要求39所述的维纳滤波器，其中所述更新模块至少部分地根据滤波数据的自相关来确定更新的滤波器系数。

42.根据权利要求41所述的维纳滤波器，进一步包括第三线性滤波器元件，该第三线性滤波器元件在其输入处和所述第一和第二线性滤波器元件一样接收输入数据，该第三线性滤波器元件输出第三滤波数据，所述线性滤波器模块的输出响应于该第一、第二和第三滤波数据。

43.根据权利要求42所述的维纳滤波器，其中所述第三线性滤波器是匹配滤波器。

44.根据权利要求42所述的维纳滤波器，其中所述第三线性滤波器不是自适应的。

45.根据权利要求39所述的维纳滤波器，其中所述确定包括基于早先获得的一组输入数据的统计处理。

46.根据权利要求40所述的维纳滤波器，其中所述确定包括基于早先获得的一组输入数据的统计处理。

47.根据权利要求46所述的维纳滤波器，其中所述更新模块以更新速率提供更新的滤波器系数，该更新速率比所述线性滤波器模块接收输入数据的数据速率慢。

48.根据权利要求47所述的维纳滤波器，其中所述更新速率比所述数据速率小十倍以上。

49.一种自适应多级维纳滤波器，包括：

线性滤波器模块，该线性滤波器模块包括第一和第二线性滤波器元件，用于在该第一和第二线性滤波器元件的输入处接收输入数据集，该第一和第二线性滤波器元件接收相同的输入数据集，并对该输入数据集执行不同的滤波操作，该第一线性滤波器元件输出第一滤波数据，并且该第二线性滤波器元件输出第二滤波数据；

所述线性滤波器模块中的至少一个加权元件和至少一个组合元件，所述第二线性滤波器元件提供第二滤波数据给该至少一个加权元件，该加权元件输出加权的第二滤波数据，该组合元件响应该加权的第二滤波数据和第一滤波数据，以输出组合的滤波数据；以及

更新模块，该更新模块被连接到所述线性滤波器模块，以便将更新的滤波器系数提供给所述第一滤波器元件，该更新模块至少部分地根据输入数据和滤波数据之间的相关性来确定更新的滤波器系数，从而使所述线性滤波器模块起自适应维纳滤波器的作用。

50.根据权利要求49所述的维纳滤波器，其中所述确定包括输入数据和大小被归一化的滤波数据之间的互相关。

51.根据权利要求49所述的维纳滤波器，所述确定包括滤波数据的自相关。

52.根据权利要求50所述的维纳滤波器，其中所述确定更新的滤波器系数包括基于早先获得的一组输入数据的统计处理。

53.根据权利要求52所述的维纳滤波器，其中所述统计处理包括确定输入数据和滤波数据之间的互相关。

54.根据权利要求52所述的维纳滤波器，其中所述统计处理包括确定输入数据矢量和滤波数据矢量之间的互相关。

55.根据权利要求52所述的维纳滤波器，其中所述统计处理包括递增地更新输入数据的连续样本的互相关。

56.根据权利要求52所述的维纳滤波器，其中所述统计处理包括从早先的一组输入数据样本计算平均互相关。

57.一种自适应多级维纳滤波器，包括：

线性滤波器模块，该线性滤波器模块包括第一和第二线性滤波器元件，用于分别接收第一和第二输入数据，该第一和第二线性滤波器元件独立于彼此的滤波操作来执行不同的滤波操作，该第一线性滤波器元件输出第一滤波数据，并且该第二线性滤波器元件输出第二滤波数据；

至少一个加权元件，所述第二线性滤波器元件提供第二滤波数据给该至少一个加权元件，该加权元件输出加权的第二滤波数据，组合元件响应于该加权的第二滤波数据和第一滤波数据以输出组合的滤波数据；以及

更新模块，该更新模块被连接到所述线性滤波器模块，以便将更新的滤波器系数提供给所述第一滤波器元件，该更新模块至少部分地根据输入数据和滤波数据之间的相关性来确定更新的滤波器系数，从而使所述线性滤波器模块起自适应维纳滤波器的作用。

58.根据权利要求57所述的维纳滤波器，其中所述确定包括输入数据和大小被归一化的滤波数据之间的互相关。

59.根据权利要求57所述的维纳滤波器，所述确定包括输入数据和滤波数据之间的互相关以及该滤波数据的自相关。

60.根据权利要求59所述的维纳滤波器，其中所述确定更新的滤波器系数包括基于早先获得的一组输入数据的统计处理。

61.根据权利要求60所述的维纳滤波器，其中所述统计处理包括确定输入数据和滤波数据之间的互相关。

62.根据权利要求60所述的维纳滤波器，其中所述统计处理包括确定输入数据矢量和滤波数据矢量之间的互相关。

63.根据权利要求60所述的维纳滤波器，其中所述统计处理包括递增地更新输入数据的连续样本的互相关。

64.根据权利要求60所述的维纳滤波器，其中所述统计处理包括从早先的一组输入数据样本计算平均互相关。

65.根据权利要求60所述的维纳滤波器，其中所述第一和第二输入数据的每一个都包括一组共同的输入数据。

Images