【導讀】常用的語音去噪技術(shù)。我們知道，在目前的移動通信領(lǐng)域中，克服多徑干擾，就尤為突出，而自適應濾波器的出現(xiàn)，則完美的解決了這個問題。別技術(shù)很難從實驗室走向真正應用很大程度上受制于應用環(huán)境下的噪聲。節(jié)現(xiàn)時刻的濾波參數(shù)，從而達到最優(yōu)化濾波。自適應濾波具有很強的自學習、自跟蹤能力，適用于平穩(wěn)和非平穩(wěn)隨機信號的檢測和估計。自適應濾波一般包。括3個模塊：濾波結(jié)構(gòu)、性能判據(jù)和自適應算法。其中，自適應濾波算法一直。線性自適應濾波算法的種類很多，有RLS自適應濾波算法、本文正是想通過這一與我們生活相關(guān)的問題，對簡單的噪聲進行消。除，更加深刻地了解這兩種算法?；驹?，以及用程序?qū)崿F(xiàn)了用兩種算法自適應消除信號中的噪聲。性能的綜合評價。目前兩種典型的自適應濾波算法是最小均方。系數(shù)向量使估計誤差的加權(quán)平方和最小。目前，用DSP器件處理數(shù)字信號已經(jīng)成為電子。棧濾波器，并應用于圖象處理。夠滿足實時性預測編碼要求。

　　

【正文】 消算法的比較 18 可以看出原始輸 入信號通過 LMS 濾波器后噪聲基本被消除，驗證了 LMS 自適應系統(tǒng)的噪聲抵消功能。但是開始那段還是有少量噪聲沒被濾除，通過圖 55 的第三個圖可以清晰地看到誤差曲線的收斂狀況，相對來說收斂比較緩慢。 圖 56 中第一個圖是 u = 時 LMS 算法提取到的有用的正弦信號，明顯看出圖 56 第三個圖中的誤差曲線與圖 55 中的誤差曲線相比，收斂快速，但是提取到的正弦信號與原始有用信號相比有些失真。 仿真結(jié)果分析 從圖 53 與 54 對比，及圖 55 與 56 對比中可得出： a) 收斂性比較：收斂速度越快，算法 的效果越好。步長越大，收斂速度越快； b) 穩(wěn)定性比較：穩(wěn)定性越好，算法就越健壯。從圖 54 中可以看到，當μ = 時，收斂完成后卻出現(xiàn)了較為明顯的誤差，即誤調(diào)，這是難以預測的，這樣會導致程序算法不穩(wěn)定，嚴重影響到應用； c) 誤調(diào)性比較：當步長過大時 ,就會有可能會出現(xiàn)過度收斂，在穩(wěn)定性的討論中已經(jīng)說過，出現(xiàn)誤調(diào)會危及應用 ,這是必須避免的。在圖 54 (當μ = 時 )，出現(xiàn)了較為明顯的誤調(diào)，雖然它的收斂速度較快，但這是以出現(xiàn)誤調(diào)為代價的； d) 學習速度比較：學習速度是指系統(tǒng)學習信道參數(shù)的速度， 即通過訓練序列 S( k 1) 的系統(tǒng)的收斂速度，學習速度與收斂速度是同步的 [7]。 RLS 算法仿真分析 同樣與上述 LMS 算法用同一個八階的自適應濾波系統(tǒng)有 2021 個樣本輸出點，仿真條件一樣，信號為正弦波，再加入隨機高斯白噪聲作為干擾，通過 RLS算法提取有用信號，并給出噪聲輸出及誤差曲線。 青島科技大學本科畢業(yè)設(shè)計（論文） 19 圖 57 當 λ =1 時 RLS算法 Whenλ =1 RLS algorithm 圖 58 當 λ = 時 RLS算法 Whenλ = RLS algorithm 圖 57 中第一個圖為當 λ =1 時 RLS 算法提取到的有用的正弦信號，原始輸入信號通過 RLS 濾波器后的輸出信號基本與有用信號一致。說明 RLS 自適應噪聲抵消系統(tǒng)消除了原始輸入中的噪聲，輸出的是有用信號。圖 57 中的第三個圖表明， RLS 算法的收斂速度很快。 圖 58 中第一個圖是 λ = 時 RLS 算法提取到的有用的正弦信號，明顯看出提取到的正弦信號很不理想。圖 58 第三個圖中的誤差曲線與圖 57 中的誤差曲線相比，可以看出算法無法收斂，所以此時的誤調(diào)十分明顯。 與上述 RLS 算法用同一個 八階的自適應濾波系統(tǒng)，仿真條件按一樣，只是噪聲為單頻正弦干擾，同樣通過 RLS 算法提取有用信號，并給出噪聲輸出及誤LMS 及 RLS 自適應干擾抵消算法的比較 20 差曲線。 圖 59 當 λ =1 時 RLS算法 =1 RLS algorithm 圖 510 當 λ = 時 RLS算法 Whenλ = RLS algorithm 圖 59 中第一個圖為當 λ =1 時 RLS 算法提取到的有用的正弦信號，原始輸入信號通過 RLS 濾波器后的輸出信號基本與有用信號一致。說明 RLS 自適應噪聲抵消系統(tǒng)消除了原始輸入中的噪聲，輸出的是有用信號 。圖 59 中的第三個圖表明， RLS 算法的收斂速度很快。 圖 510 中第一個圖是 λ = 時 RLS 算法提取到的有用的正弦信號，明顯看出提取到的正弦信號很不理想。圖 510 第三個圖中的誤差曲線與圖 59 中的誤差曲線相比，可以看出算法無法收斂 ,所以此時的誤調(diào)十分明顯。 青島科技大學本科畢業(yè)設(shè)計（論文） 21 從圖 57 與 58 對比，及圖 59 與 510 對比中可得出： a) 收斂性比較：當λ = 1 時，算法能夠收斂，而當λ = 時 ,算法無法收斂； b) 穩(wěn)定性比較：只有收斂的算法才可能是穩(wěn)定的算法，所以λ = 1 比λ =的 情況更穩(wěn)定； c) 誤調(diào)性比較：當λ = 時，算法無法收斂，所以此時的誤調(diào)十分明顯； d) 學習速度比較：學習速度與收斂速度是同步的，亦即當λ = 1 時，效果更好 [8]。 LMS 與 RLS 對比分析 經(jīng)過 LMS 算法的內(nèi)部比較和 RLS 算法的內(nèi)部比較 ,分別得出了各自的最優(yōu)化的參數(shù)設(shè)置 ,最后 ,再來比較一下兩種各自為最優(yōu)的算法。下圖為兩種干擾抵消算法的誤差曲線 : 圖 511 干擾為高斯噪聲時的 LMS濾波器的誤差曲線 the interference is gaussian noise the the error curve of LMS filter 圖 512 干擾為高斯噪聲時的 RLS 濾波器的誤差曲線 the interference is gaussian noise the the error curve of RLS filter LMS 及 RLS 自適應干擾抵消算法的比較 22 圖 513噪聲為單頻正弦干擾時的 LMS濾波器的誤差曲線 the interference is Singlerate sine noise the error curve of LMS filter 圖 514噪聲為單頻正弦干擾時的 RLS濾波器的誤差曲線 the interference is Singlerate sine noise the error curve of RLS filter 由于 LMS 算法只是用以前各時刻的抽頭參量等作該時刻數(shù)據(jù)塊估計時的平方誤差均方最小的準則，而未用現(xiàn)時刻的抽頭參量等來對以往各時刻的數(shù)據(jù)塊作重新估計后的累計平方誤差最小的準則，所以 LMS 算法對非平穩(wěn)信號的適應性差。 RLS 算法的基本思想是力圖使在每個時刻對所有 已輸入信號而言重估的平方誤差的加權(quán)和最小，這使得 RLS 算法對非平穩(wěn)信號的適應性要好。與 LMS 算法相比， RLS 算法采用時間平均，因此，所得出的最優(yōu)濾波器依賴于用于計算平均值的樣本數(shù)，而 LMS 算法是基于集平均而設(shè)計的，因此穩(wěn)定環(huán)境下 LMS 算法在不同計算條件下的結(jié)果是一致的。在性能方面， RLS 的收斂速率比 LMS 要快得多，因此， RLS 在收斂速率方面有很大優(yōu)勢。 圖 511 與圖 513 為 LMS 算法在處理過程中的誤差曲線，圖 512 與圖 514為 RLS 算法在處理過程中的誤差曲線，指出了在迭代過程中的誤差減少過程。圖 511 與圖 512相比、圖 513與圖 514相比，可以看出 RLS 算法在迭代過程中產(chǎn)生的誤差明顯小于 LMS 算法。由此可見， RLS 在提取信號時，收斂速度快，估計精度高而且穩(wěn)定性好，可以明顯抑制振動加速度收斂過程，故對非平穩(wěn)信號的適應性強，而 LMS 算法收斂速度慢，估計精度低而且權(quán)系數(shù)估計值因瞬時梯度估計圍繞精確值波動較大，權(quán)噪聲大，不穩(wěn)定 [9]。 青島科技大學本科畢業(yè)設(shè)計（論文） 23 6 總結(jié)與展望 自適應濾波是信號處理的重要基礎(chǔ)，近年來發(fā)展速度很快，在各個領(lǐng)域取得了廣泛的應用。在實際問題中，迫切需要研究有效、實用的自適應算法。本文在大量 文獻的基礎(chǔ)上，對自適應濾波的兩種算法進行了分析和研究。研究內(nèi)容主要包括理論、算法和通過計算機仿真得出有意義的結(jié)果。本文基于自適應噪聲抵消系統(tǒng)，對比研究了兩類自適應濾波算法在噪聲抵消應用中的濾波性能。計算機仿真實驗結(jié)果表明，兩種算法都能從高背景噪聲中提取有用信號。相比之下， RLS 算法具有比 LMS 好得多的啟動速度和收斂速度，對非平穩(wěn)信號適應性強，其濾波性能明顯好于 LMS 算法，但其計算復雜度高，不便于實時處理。而LMS 算法相對存在收斂速度不夠快和抵抗突出值干擾能力不夠強。 由于 LMS 和 RLS兩種自適 應濾波算法具有很高的工程應有價值，接下來 更深入的研究可從以下兩方面著手： 1） 降低 RLS 算法的計算復雜度； 2） 進一步提高 LMS 算法的收斂速度并減少其殘余 (失調(diào) )誤差。