自适应滤波器设计及Matlab实现
简单描述自适应滤波的原理及在MATLAB中实现的方法，并辅以相关MATLAB代码供大家交流。1绪论11引言人类传递信息的主要媒介是语言和图像。据统计,在人类接受的信息中,听觉信息占20%,视觉信息占60%,其它如味觉、触觉、嗅觉总的加起来不过占20%,所以图像信息是十分重要的信息。然而,在图像的获取和图像信号的传输过程中,图像信号中不可避免的混入各种各样的随机噪声,造成图像失真(图像退化)。造成人类所获取的信息和实际是有偏差的,成为人类从外界获取准确信息的障碍。因此,对图像信号中的随杋噪声的抑制处理是图像处理中非常重要的一项工作在图像的获取和传输过程中所混入的噪声,主要来源于通信系统中的各种各样的噪声,根据通信原理及统计方面的知识,可以知道在通信系统中所遇到的信号和噪声,大多数均可视为平稳的随机过稈。又有“高斯过程又称正态随机过程,它是一种普遍存在和重要的随机过程,在通信信道中的噪声,通常是一种高斯过程,故又称高斯噪声。囚此,在大多薮的情况下,我们可以把造成图像失真的噪声可视为广义平稳高斯过程本文针对图像信号中混入的随机噪声,在怎样把现有的滤波算法应用到实际的图像复原中去的问题上提出了解决方法,并且应用 Matlab软件编程对图像进行处理。1.2研究目标及现状121图像复原技术的目标为了从含有噪声的数据中提取我们所感兴趣的、接近规定质量的图像,我们需要设计个系统满足:当信号与噪声同时输入吋,在输出端能将信号尽可能精确地重现出来,而噪声却受到最大抑制,即最佳滤波器。122图像复原抆术的研究现状日前的图像复原技术,即去噪的滤波技术可以分为两大类:传统滤波和现代滤波。传统滤波技术是建立在已知有用信号和干扰噪声的统计特性(自相关函数或功率谱)基础上的噪声去除;现代滤波技术则是不需要知道图像的先验知识,只是根据观测数据,即可对噪声进行有效滤除。早在20世纪40年代,就对平稳随机信号建立了维纳滤波理论。根据有用信号和干扰噪声的统计特性(自相关函数或功率谱),以线性最小均方误差(MSE)估计准则所设计的最佳滤波器,称为维纳滤波器。这种滤汲器能最大程度的滤除干扰噪声,提取有用信号。但是,当输入信号的统计特性偏离设计条件,则它就不再是最佳的了,这在实际应用中受到了限制。到60年代初,由于空间技术的发展,出现了卡尔曼滤波理论,即利用状态变量模型对非平稳、多输入多输出随机序列作最优估计。卡尔曼滤波器既可以对平稳的和平稳的随机信号作线性最佳滤波,也可以作为非线性滤波[2]。然而只有在对信号和噪声的统计特性已知的情况下,这两种滤波器才能获得最优解。在实际的应用中,往往无法得到这些统计特性的完验知识,或者统计特性是随时间变化的,因此,这两种滤波器就实现不了真正的最佳滤波。Widrow B.和Hof于1967年提出的自适应滤波理论,可使在设计自适应滤波器时不需要事先知道关于输入信号和噪声的统计特性的知识,它能够在自己的工作过程中逐渐估计出所需的统计特性,并以此为依据自动调整自己的参数,以达到最佳滤波效果。一旦输入信号的统计特性发生变化,它又能够跟踪这种变化,自动调整参数,使滤波器性能重新达到最佳。自适应滤波器自动调节参数可以通过各和不同的递推算法来实现,由于它采用的是逼近的算法,使得实际估计值和理论值之间必然存在差距,也就造成了自适应滤波问题没有唯一的解。依照各种递推算法的特点,我们把它应用于不同的场合。现在广为应用的自适应滤波方法主要是基于以下几种基本理论,再融合递推算法导出来的:(1)基于维纳滤波理论的方法维纳滤波是在最小均方误差准则下通过求解维纳霍夫方程来解决线性最优滤波问题的。基于维纳滤波原理,我们利用相关的瞬时值通过在工作过程中的逐步调整参数逼近信号的统计特性,实现最优滤波。由此,我们得到一种最常用的算法—最小均方算法,简称LMS算法。(2)基于卡尔曼滤波理论的方法卡尔曼滤波是线性无偏最小方差滤波递推滤波,它能使滤波器工作在平稳的或非平稳的环境,得到最优解。利用卡尔曼滤波理论的递推求解法导出自适应滤波器更新权矢量得不同递推算法。比LMS算法有极快的收敛速率,可是计算复杂度也增大∫,它需要计算卡尔曼矩阵。(3)基于最小二乘准则的方法维纳滤波和卡尔曼滤波推导的算法是基于统计概念的,而最小二乘佔计算法是以最小误差平方和为优化目标的。根据滤波器的实现结构,有以下3种不同的最小二乘自适应滤波算法:自适应递归最小二乘法(RLS),自适应最小二乘格型算法,QR分解最小二乘算法。(4)基于神经网络理论的方法神经网络是有大量的神经元相互连接而成的网络系统,实质上它是一个高度非线性的动力学网络系统,这个系统具有很强的自适应、自学习、自组织能力,以及巨量并行性、容错性和坚韧性,因而,它可以做很多传统的信号和信息处理技术所不能做的事情。因其超强的自动调节能力,使符它在自适应信号处理方面有着广阔的前景[2]在一系列的自适应算法中,虽然基于后面3种基本理论的方法在收敛速率和稳定、坚韧性方面有着更好的性能,但是,基于维纳滤波理论的IMS算法因其算法简单,而且能达到满意的性能,得到了青睐,成为了应用最广泛的自适应算法。为此,本文主要研究LMS自适应滤波器在图像去噪方面的应用。2理论基础21基本自适应滤波器的模块结构自适应滤波器通常由两部分构成,其一是滤波子系统,根据它所要处理的功能而往往有同的结构形式。另一是自适应算法部分,用来调整滤波子系统结构的参数,或滤波系数。在自适应调整滤波系数的过程中,有不同的准则和算法算法是指调整自适应滤波系数的步骤,以达到在所描述的准则下的误差最小化。自适应滤波器含有两个过程,即自适应过程和滤波过程。前一过程的基本目标是词节滤波系数"(),使得有意义的目标函数或代价函数()最小化,滤波器输出信号y()逐步逼近所期望的参考信号4k),由两者之间的误差信号(k)驱动某种算法对滤波系数进行调整,使得滤波器处于最佳工作状态以实现滤波过程。所以自适应过程是一个闭合的反馈环,算法决定了这个闭合环路的自适应过程所需要的时间。但是,由于目标函数)是输入信号(k),参考信号(k)及输出信号y(k)的函数,即20=ack,.y,因此目标函数必须具有以下两个性质(1)非负性g (=8[x(k), d(k), y(k] 20Vx(), u(k), y(k)(2.1)(2)最佳性E()=E[x(k),d(k),y(k)]=0(22在自适应过程中,自适应算法逐步使目标函数(最小化,最终使()逼近于(),滤波参数或权系数()收敛于",这里"是自适应滤波系数的最优解即维纳解。因此,自适应过程也是自适应滤波器的最佳线性估计的过程,既要估计滤波器能实现期望信号()的整个过程,又要估计滤波权系数以进行有利于主要目标方向的调整。这些估计过程是以连续的时变形式进行的,这就是自适应滤波器需要有的自适应收敛过程。如何缩短自适应收敛过程所需要的收敛时间,这个与算法和结构有关的问题时人们一直重视研究的问题之—[2]。当然滤波子系统在整个自适应滤波器的设计中也占有很重要的地位,因为它对最终的滤波性能有很大的影响。本文要研究的是基于维纳滤波原理的LMS算法,那么下面我们需要介绍一下基本维纳滤波原理。22基本维纳滤波原理基本维纳滤波就是用来解决从噪声中提取信号问题的一种过滤(或滤波)方法。它基于平稳随机过程模型,且假设退化模型为线性空间不变系统的。实际上这种线性滤波间题,可以看成是种估计问题或种线性佔计问题。基本的维纳滤波是根据全部过去的和当前的观察数据来估计信号的当前值,它的解是以均方误差最小条件下所得到的系统的传递函数万(3)或单位样本响应h(k)的形式给出的,因此更常称这种系统为最住线性过滤器或滤波器。设计维纳滤波器的过程就是寻求在最小均方误差下滤波器的单位样本响应h(k)或传递函数h(x)的表达式,其实质是解维纳-霍大( Wiener-Hopf方程。基木维纳滤波器是这样的,有两个信号x(k)和y(k)同时加在滤波器上。典型地y(k)包含一个与x(k)相关地分量和另一个与x(k)个相关地分量。维纳滤波器则产生y(k)中与x(k)相关分量地最优估计,再从y(k)中减去它就得到ε(k)。y(kak)输出rk)维纳德波n=∑v(D)x(k-)f=0图21基本维纳滤被模型假定一个N个系数(权值)的FR滤波器的结构,维纳滤波和原始信号y(k)之间的差信号c(k)为ek= yk-nk=ye∑w(i)x(23)其中和w分别为输入信号矢量和权矢量,由下式确定(24)k-N-1)H(N-1)误差平方为2Y, x,w+w x.x,w对(3)式两边取期望得到均方误差(MSE),若输入x(k)与输出yk)是联合平稳的,则ELel=Ely,-2ELYXiwItElwx, x, w2.62P其中E[代表期望,=Ex是(k)的方差,P=E[yx1是长度为N地互相关矢量,R=Exx是NxN的自相矩阵。一个MSE滤波系数的图形是碗形地,且只有唯一地底部,这个图称为性能曲面,它是非负的。性能曲面地梯度可由下式给出2P+2R(2.7)Ytrim图22误差性能曲面每组系数w(i)(i=1,2,N-1)对应曲面是一点,在由面是地最小点梯度为0滤波权矢量达到最优”呷R P(28)即著名的维纳霍夫方稈的解。自适应滤波地仟条是采用合适的算法来调节滤波权重W,0)W,1),…W,N-1),从而找到性能曲面地最优点维纳滤波的实际用途有限,因为:(1)它需要已知自相关矩阵R和可相关矢量P,这两个量通常是未知的。(2)它包含∫矩阵的求逆,非常的耗时3)若信号为非平稳的,则R和P是时变的,导致必需重复计算。对于实际的应用需要一种能够依次加入地抽样点而得到"的算法。自适应算法就就是用于达到这个目的,而且不需显式计算R和P或进行矩阵求逆[3]3自适应滤波原理及算法在实际应用中常常会遇到这样的情况:随机信号的统计特性是未知的,或者信号的统计特性是缓慢的变化着的(非≯稳信号),这就促使人们去研究一类特殊的滤波器,这类滤波器具有以下特点:当输入过程的统计特性未知时,或者输入过程的统计特性变化时,能够相应的调整自身的参数,以满足某种准则的要求,由于这类滤波器能变动自身的参数以“适应”输入过程统计特性的估计或变化,因此,就把这类滤波器称为自适应滤波器41。在本文中我们研究的是退化图像复原的问题,由于图像自身的多样性和所混入的噪声的随机性和多样性,我们选择自适应滤波取出图像中混入的噪声。3.1横向滤波结构的最陡下降算法3.11最陡下降算法的原理首先考虑如下图所示的横向FIR自适应滤波器x(k-1k-2)x、-M+2)xR-M+l)e自适应控制算法1图31自适应横向滤波器结构它的输入序列以向量的形式记为X(k)=[x(k)x(k-1)(k-M+1)(3.1假设x()取自一均值为零,自相关矩阵为R的广义平稳随机过程,而滤波器的系数矢量(加权矢量)为:k)=[w,(k)w2(k)(32)以上二式中括号内的k为时间指数,因此,X()和W()分别表示时刻k的滤波器输入序列和加权值,滤波器的输山y(k)为:y(k)=∑w(n)x(n-t+1)33)式中M为滤波器的长度。图31中的“k称为“期望理想响应信号”,有时也可称为“训练信号”,它决定了设计最佳滤波器加权向量W(k)的取值方向。在实际应用中,通常用一路参考信号来作为期望响应信号。(k)是滤波器输出y(k)相对于a(k)的误差,即e(k)=d(k)-v(h)(34)显然,自适应滤波控制机理是用误差序列(k按照某种准则和算法对其系数w)n),=1.2…,M进行调节的,最终使自适应滤波的目标(代价)函数最小化,达到最佳滤波状态。按照均方误差(MSE)准则所定义得目标函数是E(h)=Ele()(35)eId()-2d(k)y(k)+y(k)将式(3.4)代入式(3.5),目标函数可以化为c(k)=Ele(k)(3.6)E[d(k)]-2Eld(kw(k)x(k]+ elw(kX(eX(s)w(k)当滤波系数固定时,目标函数又可以写为c(k=[d(k]-2W(k)P+W(k)RW (k)(3.7)其中,P-趴是长度为N的期望信号与输入信号的互相关矢量,R=Exx是Nx的输入向量得自相关矩阵。由式(37)可见,自适应滤波器的目标函数()是延迟线抽头系数(加权或滤波系数)的二次函数。当矩阵R和矢量P已知时,可以由权矢量W(k)直接求其解。现在我们将式(3.7)对W求倒数,并令其等于零,同时假设R是非奇异的,由此可以得到目标函数最小的最佳滤波系数w为R P(38)
- 2020-11-28下载
- 积分：1
汽车噪声与振动-理论与应用
汽车NVH领域的经典入门读物，引领进入汽车振动噪声研究的最佳选择。第一章管道声学(1.12)时,声压幅值达到最大,反节点的位子是:(1.13)驻波是由频率相同的向右传播的入射波和向左传播的反射波迭加而成。驻波并不是运动的波,而是静止的,这是“驻”波名称的由来。波表示管道中的声音的模态。对於长度一定的管道来说,由于有许多频率的波,因此也就有很多驻波。这里所提到的驻波是假设管壁刚硬,所冇声波遇到管壁时全部被反射回来。可是实际上,管端壁不是完全刚性,因此反射波的声压不完全等於入射波声压,因此在节点处,入射波和反射波不可能完全抵消。但是这些点处的声压大部分被抵消,声压最低。第二节管道声阻抗阻抗是指当对媒质受到压力或者搾动力时,媒质会对传播产生阻碍。管道中的声学阻抗Z,定义声压与质点体积速度的比值,即(1.14)式中,u,U和S分别是管道中的速度,体积速度和截面积。体积速度与质点速度的关系为:L=SL。声吝在管道內传播,当管道的截面积发生变化的时候,声阻抗也发生变化。图1.3是截面积变化的管道,在变截面的地方,由于阻抗发生变化,一部分入射波就会被发射回原来的管道而另一部分入射波会在新的截面管道中继续传播。抗性消音器的工作原就是基于这种阻抗的变化。声波从发动机出来并在进气或者排气系统中传播,当遇到消音元件或者截面积变化时,入射声波被反射回发动机声源,从而抑制声音的传播。进排气系统中声阻抗不匹配的情况主要有截面积变化,主管道中插入了其他管道(如旁支消音器等),管道开口通往大气等等图1.3截面积变化的管道进排气系统中管道的长度都是有限的。图1.4表小一个长度为L的管道。假改管道两端的声阻抗分别已知,即在=处,声阻抗为,在=处,声阻抗为由公式(1.6)和(1.9),可以得到管道中仟一点的声阻抗为管道声学图1.4长度为L的管道将=代入公式(1.15)中,得到该处的声阻抗为:将三代入公式(1.15)中,得到该处的声阻抗:公式(17)可以重新写成下面的形式18将方程(1.16)代入到方程(1.18中,消除和,就得到输入声阻抗和输出声阻抗的关系,如下第一章管道声学(1.20第三节管口封闭与管口敞廾声波从管道入口端发射出来,传播到尾端。管道尾端通常有两种情况,一种是开口的,如进气管口,排气尾管口;另一种是封口的,如四分之一波长管。下面就来分析这两种尾端的声学特征。1.开∏-封闭管道图1.5表示管道尾端封闭状况。声音在管道里问石传播,当声波碰到刚性的封闭端时,声波被全部反弹冋来,再向左传播管口封闭图1.5开凵封闭管道对一个刚性的封闭口来说,其声阻抗为无穷大,即>0,根据公式(1.19),得到:1.21)声阻抗可以写成下面的形式:(1.22)式中R和粉别是阻抗的实部和虚部,R为声阻,称为声抗。声阻取决于结构的材料特性,而声抗则取决」结构的儿何特性。当声抗为零的时候,结构就发生共振。公式(1.21)中的声阻抗也可以写成公式(1.22)那样的形式,为(1.23)上式如果满足下亩的条件:(1.24)即,那么这个开口-封闭管道就发生共振,其固有频率为:(1.25)当n-=1,2,3,.,时,分别对应著管道第·阶、第二阶、第三阶,,.,等阶次频率图1.6是管道声波的第一阶和第阶模态。这个声波在封闭端时,声压达大最大值,然后发射第一章管道声学到入口处,使得入口端的声压为零,即在开口端形成驻波节点。四分之一波长管就是应用这个原理来工作的。图1.6管道声波的第一阶模态(A)和第二阶模态(B)公式(1.25)可以转变为管道长度与波长的关系,表达如下1.26)当n=1时,管道的长度是波长的四分之,即:。所以这种开∏封闭的管道通常叫著四分之一泼长管2.开口开口答道图1.7为一个尾端开口的管」。声波从入口端向右传播进入开口端时,声音与大气产生声耦合。大气的辐射声阻抗会将一部分声波返回管口敞开图1.7开口-开口管道声波在尾端的声阻抗为周围坏境的声阻抗,也就是说这个声阻抗不为零。为了使问题简化起见,我们先假设这个阻抗为零,然后再对所得到的结构进行修正。如果在x=处的声阻抗为零,那么由公式(1.19)可以得到下式(1.27)同样,当这个声阻抗中的声抗为零的吋候,管道就发生共振,这时必须满足:即:这时,开口-开口管道的共振频率为:当n=1,2,3,,时,分别对应著管道第一阶、第二阶、第三阶,.,等阶次频率第一章管道声学图1.8是开口-开口管道声波的第一阶和第二阶模态。图1.8开口-开口管道的第一阶模态(A)和第二阶模态(B)公式(1.30)可以转变为管道长度与波长的关系,衣达如下(1.31)3.开口管道的修正在推导尾端廾口公式时,我们假设了出口周围坯境的声阻抗为零,但是实际上这个阻抗不为零,因此必须对公式(1.27-1.31)的结论做修止。对图1.9这样的开∏终端,被称为自由自由开口。该开口处的声阻抗为:等效管图1.9自山开口-开口修正管道山于管道的直径非常小,因此和都远远小于1。山公式(1.27)和(1.32)得到:(1.33)这样,管道内的频率为34)管道长度与波长的关系为(1.35这样管道的长度比声阻抗为零的时候要短些,也就是说好像有一根等效的延长管与原来的管道相连接。管道的计算长度就是实际管子长度加上等效延长管长度△即第一章管道声学(1.36有时侯,在出口管处还会加类似与法兰的结构,如图1.10所示。这时,有效延长管的长度为△实际管子的长度为:△式中是管子的计算长度发等效管图1.10法兰开口-开口修正管道第四节四端网终分析进气系统或者排气系统都是有很多管道和消音元件组成。分析整个系统往往是非常复杂的,但是如果将系统分解到一些小的段落,那么分析起来就相对容易些。得到了每个段落或者是每个部件的分析结果,然后将之合成起来就得到了整个系统的结果。四端网络分析就是这种分析方法,在管道声学分析中得到了广泛的应用。对於管道中一小段质量(如图1.11)来说,动力方程可以写成如下:(1.39)式中,S是管道的截面积,是这个小质量段的长度,和分别是质量端两边的压力图1.11管道中一小段质量的受力分析公式(1.39)可以表达为(1.40)第一章管道声学对这一小段质量来说,假设两边的速度是相等的,即将这公式(1.40)和(1.41)写成矩阵形式,得到:(1.42)公式(1.42)建立起这段小质量块两边的压力和速度的关系。管道中小段质量块后端的压力和速度可以用它前端的压力和速度来表示。也就是说质量块后端与前端之间建立起来一种传递关系。同样对一个长度为L的管道(如图1.4所示)也可以得到管道两端的传递关系。在=处的压力和速度可以通过公式(1.6)和(1.9)分别求得(1.13)由以上两式可以得到和,如下:45(1.46根据公式(6)和(9),在处的压力和速度分别为将公式(1.45)和(1.46)中和的表达式代入公式(1.47)和(1.48)之中,就得到管道入冂与出∏之间声压和速度之间的关系,为:+49将公式(1.49)和(1.50)写成如下的矩阵形式第一章管道声学这样就得到了管道两边的压力和速度的传递关系。公式(1.51)可以简单地写成如下形式式中,被称为传递矩阵。如果管道的传递矩阵知道,那么只要知道管道端的压力和速度,就可以通过传递矩阵算出另一端的压力和速度。在传递矩阵两边分别是两个输入参数和两个输出参数。这四个参数的关系由传递矩阵来确定,因此这种表达方式称为四端网络法。上面介绍了小段质量和长度为L的管道的传递矩阵表达方法。这种方法可以推广到任何一个声学元件,其输入端和输出端的声压和速度都可以用四端网络米表示。图1.12代表某个声学元件i。图1.12一个管道元件的四端网终图这个元件两边的压力和速度关系为式中是传递矩阵,是传递矩阵系数。汽车的进气系统包括进气管道、空气过滤器、赫耳姆兹消音器、四分之波长管等。排气系统包括排气多支管、催化器、谐振器、消音器和管道等。一个系统如果由N个元件组成。而且每个元件的传递矩阵都知道,那么出声口的声压和速度就可以用声源的声压和速度来表示如下形式:(1.54)式中的L1是系统的传递矩阵,如下形式(1.55)
- 2020-12-05下载
- 积分：1
