的噪声(观测误差),滤波器的结构不会精确地与未知被控对象匹配。这会造成与所描述的完美性能之间有所偏差。由于这一结构的灵活性以及能够单独地调整独立的输入参数的个数,使之成为在自适应滤波器的性能评估中经常用到的结构之一。我们将使用这些结构进行一个LMS和RLS之间的详细比较,LMS和RLS是调整自适应滤波器的滤波器系数最常用的两种算法。这种系统辨识已经用于生物学中的建模以及社会和商业系统的模拟,还有自适应控制系统数字滤波器和地球物理学等领域。在地震学勘探中,这样的系统已用于生成分层的地球模型宋解决地球表面的复杂问题。自适应滤波器的预测应用自适应滤波器的预测应用在预测应用中,自适应滤波器的任务是提供随机信号的当前值的最佳预测(通常以最小二乘法方式)。显然,只有在输入信号与白噪声有本质区别时才是可能的。图8-2以图形方式说明了这一结构。可以看到,输入d[n)给自适应滤波器的输入施加了一个延迟以及计算估计误差。预测编码已经成功用于图像和语音信号处理。预测编码不是直接对信号进行编码,而只是为传送和存储编码。其他的应用还包括功率谱建模、数据压缩、谱的增强以及事件检测自适应滤波器应用于干扰的消除自适应滤波器应用于干扰的消除在自适应滤波器应用非常普遍的领域中,输入信号不但含有有用信息的信号,也搀杂着干扰,例如:随机的白噪声或50/60Hz的电力线交流噪声。图8-1给出了这一应用的结构。输入(传感器)信号d[n]和自适应滤波器对基准信号x[n]的输出响应y[n]用于计算误差信号e[n],这一信号也是消除干扰的结构部分的系统输出。这样,在收敛后,表示干扰的加性逆元素的(修正后的)基准信号就从输入信号中减掉了。后面我们要详细地研究一个电力线交流噪声的干扰消除的例子。第二个比较普遍的应用是电话系统中回声的自适应噪声消除。干扰的消除已经用在天线阵(称为波束生成器)中自适应地消除来自未知方向的噪声干扰。
全文预览
