自适应性滤波实验报告材料Word文档下载推荐.docx

自适应性滤波实验报告材料Word文档下载推荐.docx

《自适应性滤波实验报告材料Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《自适应性滤波实验报告材料Word文档下载推荐.docx（28页珍藏版）》请在冰豆网上搜索。

（1）学习、掌握5402DSP片上外设直接存储器访问控制器DMA的结构与配置；

（2）了解DSPLIB中的DLMS自适应滤波的使用，并学会调用54xdsp库中现有的常用函数；

（3）了解自适应滤波器的原理，熟悉LMS算法；

（4）了解DSP对自适应滤波器的设计及编程方法；

（5）学会实时采集数据和信号提取方法；

（6）熟悉对自适应滤波器的软件和硬件调试方法。

二、DSP课程设计要求及目标

利用DSP实时地对信号进行自适应滤波。

DSP利用直接存储器访问方式DMA采集数据时不打扰CPU，CPU可以对信号进行实时地滤波。

本设计要求利用DSP的DMA方式进行信号采集和信号输出，同时对外部输入的信号进行数字滤波。

首先完成自适应滤波器需要使用自适应算法（LMS算法）的编程与实现，通过对未知系统传递函数的建模，识别该未知系统，并对该系统进行噪声滤波。

实际中利用信号发生器产生一个或几个带噪声的正弦信号，其信号的频率、幅值以及相位都是变化的，通过自适应算法，实时跟踪该信号的变化，并将噪声滤去。

设计要求及目标如下：

（1）对DMA进行初始化；

（2）对A/D、D/A进行初始化；

（3）编写DMA通道传输程序，实现数据实时采集和实时地输出；

（4）设计子自适应滤波算法，或调用DSPLIB中的自适应函数，实现对信号的自适应波；

（5）滤波后信号实时输出的同时，将数据存放在数据文件中；

（6）利用自适应滤波实现语音信号回波对消。

三、自适应滤波原理

1、自适应滤波概述：

数字信号处理（DSP）是利用计算机或专用处理设备，以数字形式对信号进行采集、变换、滤波、估值、增强、压缩、识别等处理，以得到符合人们所需要的信号形式。

在数字信号处理中，滤波占有重要地位，滤波器是现代信号处理的重要组成部分，已经在信道均衡、回波抵消、谱线增强、噪声抑制、相参检测、窄带干扰抑制、系统识别、语音信号处理、生物医学电子学等方面获得广泛应用。

利用滤波器，可以抑制干扰信号，放大正常信号，从而提取我们所需要的信息。

数字滤波是语音和图像处理、模式识别、普分析等应用中的一个基本处理算法。

用DSP芯片实现数字滤波除了具有稳定性好、精确度高、不受环境影响等优点外，还具有灵活性好的特点。

用可编程DSP芯片实现数字滤波可通过修改滤波器的参数十分方便地改变滤波器的特性。

早期的自适应滤波器的研究，是针对自适应天线系统和数字传输系统的均衡器来设计的。

绝大多数对自适应滤波器的研究是基于Widrow提出的最小均方算法（LMS）。

因为LMS算法的设计和实现都较为简单，因而在很多应用场合都非常适用。

本课程设计所做的自适应滤波器结构是FIR类型滤波器结构，逼近算法采用LMS算法。

这些结构和算法是自适应技术的基础。

当然，现在越来越多的特定应用，它们需要特定的滤波器结构和自适应算法，以使蛋的复杂性取代系统性能的提高。

但其本质还是一样的。

有些评估自适应滤波器性能的交互式软件包就把采用LMS算法和FIR结构的自适应滤波器作为评估的标准。

一个自适应滤波器实现的复杂性，通常用它所需要的乘法次数和阶数来衡量。

基于DSP实现的自适应滤波器系统，其DSP的数据吞吐量和数据处理能量也就成为了考虑的重要因素。

大多数DSP都有并行的硬件乘法器、流水结构以及快速的片内存储器，这些资源使自适应滤波器的实现更容易，且更有效。

滤波器按照其参数是否可变分为固定参数滤波器和自适应滤波器两种。

所谓固定参数滤波器，就是在滤波过程中，滤波器的参数是不变的，它适用于具有先验知识的信号处理，并且要求设计者预先知道在先前输入条件下的输出响应。

但是，在实际的信号处理中，系统的状态是随着时间和空间的变化而变化的，输入的范围是无法确定的，且输出的结果也是无法预知的。

在这种条件下，固定参数的滤波器不能正常工作。

然而可以根据先前的输入和输出来不断的调整滤波器的参数，这种滤波器就是所说的自适应滤波器。

自适应滤波器，就是利用前一时刻已获得滤波器的参数等结果，自动地调节当前时刻的滤波器参数，以适应信号或者噪声未知的或随时间变化的统计特性，从而实现最优滤波。

自适应滤波器的特性变化是自适应算法通过调整滤波器系数来实现的。

一般而言，自适应滤波器由两部分组成，一是滤波器结构，二是调整滤波器系数的自适应算法。

自适应滤波器的结构采用FIR或IIR结构均可，由于IIR滤波器存在稳定性问题因此，一般采用FIR滤波器作为自适应滤波器的结构。

2、自适应滤波原理：

一个自适应滤波器，其权系数可以根据一种自适应算法来不断修改，使系统的冲击响应能满足给定的性能判据。

如语音ADPCM编码中，线性预测自适应滤波器就要尽量实现误差信号e（n）于输入信号x（n）的前端时刻值x（n-1）、x（n-2）、…等等线性无关。

并由此作为判据不断调节滤波器的权系数。

总的来讲，自适应滤波器有两个独立的部分：

一个按理想模式设计的系数可调的数字滤波器；

一套自适应算法，用来调节滤波器的权系数，使滤波器的性能达到要求。

根据系统输入/输出结构变化，自适应滤波器可以应用于不同的目的，这些应用很多需要实时处理。

如自适应预测器、回波相消器以及噪声消除器等等。

并且，绝大多数的应用是基于最新发展的DSP来设计的。

基于DSP的自适应滤波器，比用硬件实现的自适应滤波器有很多优点，其功率消耗及体积更小、更容易实现。

特别重要的是修改程序使系统很容易升级，功能进一步完善。

前面已指出，自适应滤波器除包括一个照某种结构设计的滤波器，还有一套自适应的算法。

自适应算法是根据某种判据来设计的。

最常用的判据是最小均方误差，即理想信号与滤波器输出之差的平方值的期望值最小，并且根据这个判据来修改权系数，以达到最优滤波的时变最佳滤波器。

设计自适应滤波器时可以不必预先知道信号与噪声的自相关函数在滤波过程中即使噪声与信号的自相关函数随时间缓慢变化滤波器也能自动适应自动调节到满足均方误差最小的要求。

自适应滤波器的一般结构如图1所示：

d（n）

+

e（n）

x（n）_

y（n）

自适应滤波器结构的一般形式

x（n）自适应滤波器的输入；

y（n）自适应滤波器的输出；

d（n）期望响应；

e（n）估计误差；

e（n）=d（n）－y（n）；

上图为自适应滤波器结构的一般形式，图中x（n）为输入信号，通过参数可调的数字滤波器后产生输出信号y（n），将输出信号y（n）与标准信号（或者为期望信号）d（n）进行比较，得到误差信号e（n）。

e（n）和x（n）通过自适应算法对滤波器的参数进行调整，调整的目的使得误差信号e（n）最小。

重复上面过程，滤波器在自己的工作过程中逐渐了解到关于输入信号和噪声的统计规律，并以此为根据自动调整自己的参数，从而达到最佳的滤器效果。

一旦输入信号的统计规律发生了变化，滤波器能够自动跟踪上输入信号的变化，自动调整滤波器的参数，最终达到滤波效果，实现自适应过程。

就是使用自适应滤波器的系统识别原理图

自适应滤波器的系统识别框图

自适应滤波器的结构可以采用FIR或IIR结构，由于IIR滤波器存在稳定性问题，因此一般采用FIR滤波器作为自适应滤波器的结构，自适应FIR滤波器结构又可分为三种结构类型：

横向型结构（TransversalStructure）、对称横向型结构（SymmetricTransversalStructure）、格型结构（LatticeStructure）。

本实验所采用的是自适应滤波器设计中最常用的FIR横向型结构。

下图是横向型滤波器的结构示意图。

横向型滤波器的结构示意图

其中x（n）——自适应滤波器的输入

w（n）——自适应滤波器的冲激响应:

w（n）={w（0）,w

（1）,…,w（N-1）}

y（n）——自适应滤波器的输出:

y（n）=x（n）∗w（n）

（2）

自适应算法的种类较多，最常用的自适应算法是最小均方误差算法，即LMS算法（LeastMeanSquare），LMS算法是一种易于实现、性能稳健、应用广泛的算法。

所有的滤波器系数调整算法都是设法使y（n）接近d（n），所不同的只是对于这种接近的评价标准不同。

LMS算法的目标是通过调整系数，使输出误差序列e（n）=d（n）−y（n）的均方值最小化，并且根据这个判据来修改权系数，该算法因此而得名。

误差序列的均方值又叫“均方误差”MSE（MeanSquareError）

自适应滤波器除了包括一个按照某种结构设计的滤波器，还有一套自适应的算法。

自适应算法是根据某种判断来设计的。

最常用的判据是最小均方误差，即理想信号d（n）与滤波器输出y（n）之差e（n）的期望值最小，并且根据这个判据来修改权系数wi（n）。

由此产生的算法称为LMS。

均方误差

表示为：

＝MSE＝E[e

]＝E[（d（n）－y（n））

]（3）

对于横向结构的滤波器，代入的表达式有：

＝MSE＝E[d

]＋W

（n）RW（n）－2W

（n）P（4）

其中，R＝[X（n）X

（n）]为N×

N自相关矩阵，是输入信号采样值间的相关性矩阵。

P＝E[d（n）X（n）]为N×

1互相关矢量，代表理想信号d（n）与输入矢量的相关性。

在均方误差达到最小时，得到最佳权系数W

＝[w

，w

λw

]

。

它应满足下列方程即：

RW

－P＝0（5）

这是一个线性方程组，如果R矩阵为满秩，R

存在，可得到权系数的最佳值

W

＝R

P（6）

用完整的矩阵表示为

显然

为x（n）的自相关值

为x（n）与d（n）互相关值。

在某些应用中，把输入信号的采样值分成相同的一段一段地（每一段称谓一桢），再求出R，

的估计值得到每桢的最佳权系数。

这种方法称为块对块自适应算法。

如语音信号的线性预测编码LPC就是把语音信号分成帧进行处理的。

R，的计算，要求出期望值E[]，在现实运算中不容易实现，为此可通过下式进行估计：

用以上方法获得最佳W

的运算量很大，对于一些在线或实时应用的场合，无法满足其时间要求。

大多数场合使用迭代算法，对每次采样值就求出较佳权系数，称为采样值对采样值迭代算法。

迭代算法可以避免复杂的

和

的运算，又能实时求得近似解，因而切实可行。

LMS算法是以最快下降发为原则得迭代算法，即

矢量是

矢量按均方误差性能平面得负斜率大小调节相应一个增量

=

这个u是由系统稳定性和迭代运算收敛速度决定的自适应步长。

为n次迭代的梯度。

对于LMS算法

为下式

的斜率。

由上式产生了求解最佳权系数

的两种方法，一种是最陡梯度法。

其思路为：

设计初始权系数

，用

迭代公式计算，到

与

误差小于规定范围。

其中

的E[]计算可用估计值表达式

上式K取值应足够大。

如果用瞬时

来代替上面对

的估计运算，就产生了另一种算法——随机梯度法，即Widrow-Hoff的LMS算法。

此时迭代公式为

以后讨论的LMS算法都是基于Widrow-Hoff的LMS算法。

上式的迭代公式式假定滤波器结构为横向结构。

对于对称横向型结构也可推出类似的迭代公式

为，

而

为

四、DSP硬件及软件开发工具

1、DSP硬件开发工具--SEED5402DSK面板

TMS320VC5402DSK是以TMS320VC5402处理器为核心的DSP初学者工具（DSPStarterKit）。

它