噪声抵消

关键词： 噪声

噪声抵消（精选四篇）

噪声抵消 篇1

关键词：噪声抵消,低噪声放大器,CMOS射频

1 引言

当今在高精度的射频通信收发系统中, 低噪声放大器已经是必不可少的组成部分。宽带低噪声放大器 (WLNA) 作为宽带接收系统的第一级, 对宽带接收系统的整体性能起着重要作用。其具有放大信号、降低噪声干扰和提高通信系统灵敏度的作用;现在采用噪声抵消技术等噪声优化放大来改善噪声性能的LNA已经成为热潮。

2 噪声抵消技术低噪声放大器的设计

噪声抵消技术只适用于特定的共栅结构和电阻反馈结构, 基本思路是噪声电压在输出端反相叠加抵消噪声, 而信号电压则正向叠加使信号得到加强。

图1为本文分析设计的采用噪声抵消技术的低噪声放大器电路图结构。

为了使沟道噪声抵消, 满足式子:

3 仿真与分析

为验证设计的LNA, 本文采用SMIC 0.18um CMOS工艺对电路进行仿真验证, 图2为LNA的S21, S11, S22及NF仿真曲线, 可以看出S21在2.4G~3.6G频带范围内大于20d B, 此范围内S11和S22都小于10d B, 噪声NF<5d B, NFmin为1.5d B以下。

4 结论

本文分析设计了基于噪声抵消技术的LNA, 并采用SMIC 0.18um工艺对电路进行了仿真验证。仿真结果显示, LNA获得了良好的性能特性, 适合于射频通信系统的需求。

参考文献

[1]邵翔鹏, 张万荣.基于噪声抵消技术的超宽带低噪声放大器[D], 电子器件, 2015:74-77.

[2]唐学峰, 马陈艳, 蒋林华.基于噪声抵消技术的宽带低噪声放大器设计[D].微电子学与计算机, 2013:135-138.

水下天线自适应噪声抵消系统仿真 篇2

用于接收水下信号的磁性天线工作时, 会受到来自周围海洋环境和自身天线振动等多方面因素的噪声影响, 在接收机的输入端, 微弱的通信信号经常淹没在很强的背景噪声之中。普通的接收机若只采用传统的信号处理的方法很难从中检测和提取出有用信号, 不仅会影响信号的正常解调, 而且容易造成误码率的上升, 从而大大降低通信的可靠性。因此必须采用现代信号处理的新方法, 消除这些噪声, 将有用信号直接分离出来, 送至接收机进行处理, 提高通信质量。

自适应噪声抵消系统 (Adaptive Noise Cancellation, ANC) , 就是将自适应滤波器应用于噪声消除的延伸和拓展。自从第一个自适应噪声抵消系统于1959年在美国斯坦福大学建成以来, 40多年的时间, 自适应噪声抵消系统在许多领域得到了广泛应用。其主要用途包括:天线旁瓣干扰的对消, 语音信号传输中的噪声抵消, 以及生物医学信号检测中的干扰对消等, 尤其对于强背景噪声中的弱信号检测与恢复, 有着传统滤波方法所不能比拟的优越性。

1 自适应噪声抵消原理

自适应噪声抵消系统的核心部分是自适应滤波器和合适的滤波算法, 自适应噪声抵消系统的原理与自适应滤波器相似。在自适应噪声抵消系统中, 自适应滤波器有两路输入, 一路为原始输入, 另一路为参考输入, 不存在期望响应信号。将被噪声污染的有用信号接到原始输入端, 从噪声源提取的噪声接到参考输入端, 这样自适应滤波器就根据参考输入的噪声估计出混合信号里的噪声, 再和原始输入端的信号进行抵消, 从而恢复出有用信号, 达到滤除噪声的目的[1]。一个典型的自适应噪声抵消系统原理框图如图1所示[2]。

原始输入x由有用信号s和加性噪声n1构成, 参考输入信号n2是与n1相关的噪声, n′1是自适应滤波器W (z) 根据n2而估计出的噪声。假设s、n1、n2的均值都为0, 且s与n1、n2都不相关, 这样, 自适应噪声抵消系统的输出为y=s+n1-n′1, 且如式 (1) :

若能调整滤波器的系数使得E[y2]最小, 因为有用信号的功率是固定的, 和滤波器无关, 所以E[ (n1-n′1) 2]必须最小。而y-s=n1-n′1, 此时E[ (y-s) 2]最小[3]。理想情况下, n1=n′1, y=s, 原始输入中的噪声被完全抵消掉, 系统的输出为有用信号。自适应噪声抵消系统能够有效工作, 必须满足一个条件, 即参考输入信号必须与被抵消的信号 (现为噪声) 相关。考虑极端情况, 参考输入n2与n1完全不相干, 则n′1与n1也完全无关, 根据式 (2) :

可得若要满足输出最小均方的准则, 需E[n1′2]=0, 即所有滤波器系数为0, 此时滤波器没有意义, 原始信号中的噪声一点也没有得到消除。如果n2不仅与n1相关, 还包含有s的分量, 即与s相关, 那经过滤波器的输出n′1也和s相关, 此时, 要使E[y2]最小, 不仅噪声n1需要全部抵消, s中的一部分信息也会被清除[4]。

总之, 为使自适应噪声抵消系统性能达到最佳, 合适的参考输入信号的选取是个关键的问题, 要求其与原始输入中的噪声有较大相关性, 而与有用信号完全不相关。一般来说, 在应用中最好保证系统的原始输入通道和参考输入通道之间相互隔离。

2 自适应噪声抵消系统仿真

文章设计的水下磁性天线采用正交的天线形式接收信号, 如图2所示。天线A用来接收水下的超低频信号与噪声, 天线B用来接收自适应抵消系统的参考噪声, 当电波传播方向与天线A轴向之间的夹角θ=90°时, 自适应抵消系统有最好的输出信噪比。但在实际操作中很难保证时刻满足θ=90°的条件, 当θ≠90°时, 电波在B天线上产生的信号分量cosθ会对A天线上的信号分量sinθ产生抵消效果, 导致天线输出信号衰减[5]。

为说明这种影响, 随着入射角θ从90°到45°变化过程中, A天线上的信号与B天线上的信号的比值仿真如图3所示。从图中可以看出, 随着角度从90°到45°的变化, A天线与B天线上的信号之比从80dB开始减小, 当θ=45°时该比值减小至0dB, 此时A天线与B天线上的信号相等, B天线上的信号会把A天线上的信号完全抵消掉, 系统输出信噪比最差。

2.1 入射角度仿真

为研究入射角对接收性能的影响, 本研究仿真了不同入射角度下的自适应抵消系统的接收效果, 仿真时采用MSK调制信号作为输入信号, 信号载波fc=80Hz, 系统的采样率fs=1 000Hz, 噪声采用均值为0、方差为2的高斯白噪声, 为研究工频干扰对抵消性能的影响, 加入了50Hz的单频正弦信号作为单频干扰噪声。仿真同时研究了线性带通滤波器噪声的抑制能力[6], 结果如图4至图6所示。

图4、图5、图6分别仿真了入射角θ分别等于80°、60°、50°时的自适应噪声抵消系统对噪声的抑制能力。由图中对比可以看出, 随着入射角θ不断变小, 噪声抵消系统的性能不断变差。这是因为信号在B天线上的分量不断变大, 对A天线上的信号分量抵消能力不断加强而导致的, 当θ=50°时自适应抵消系统已经基本无法工作[7]。仿真中加入了50Hz的工频干扰, 结果表明, 当θ>60°时, 自适应抵消系统可以很好地实现对工频干扰的抵消。同时, 通过仿真可以看出, 窄带线性滤波对噪声的抑制效果也明显不如自适应噪声抵消系统。

2.2 水下系统噪声抵消仿真

为研究在实际的水下噪声环境下自适应抵消算法的性能, 本研究设计了如下的仿真试验, 输入信号为MSK调制信号, 载波90Hz, 信号的速率为1bit/s, 系统采样率1 000Hz[8]。噪声通过软件模拟真实噪声, 采用RLS算法实现自适应噪声抵消, 天线的入射角度为65°。仿真的结果如图7所示。

由图7可以看出, 尽管信号受背景噪声干扰较强, 但通过自适应噪声抵消算法处理后, 噪声能够得到明显的抑制, 处理后的信噪比明显增强[9]。但此时作为参考的天线B上的噪声与天线A上的噪声完全相同, 显然这一点与实际情况不相符, 天线B与天线A的噪声不会相同而应该是高度相关的。更改天线B的噪声, 使天线B的噪声与天线A的噪声相关系数达到0.92, 重新仿真可以得到图8所示的结果。

图8所示为入射角为65°时, 天线A与B上的噪声相关系数为0.92的情况下, 自适应抵消的效果。尽管此时天线A与B上的噪声不再相同, 但只要能够保证二者的噪声高度相关就能达到比较好的抵消效果。

3 结束语

文章对相应的自适应噪声处理技术进行仿真研究, 结果表明, 自适应噪声抵消系统在假设信道中的噪声为高斯白噪声的条件下, 可以将有用信号从很强的背景噪声中成功能够提取出来, 甚至当参考输入信号也包含部分有用信号的情况下, 系统仍然具有很好的消噪效果。但实际中的通信系统往往面对的并不是高斯白噪声, 如何将这些仿真结果与实际系统相结合, 还需要开展许多研究工作。

参考文献

[1]褚嵘.基于DSP的自适应噪声抵消器设计[D].武汉:武汉理工大学, 2005.

[2]田玉静, 左红伟.自适应噪声抵消的应用研究[J].青岛建筑工程学院学报, 2005 (1) :77-80.

[3]夏道明.基于神经网络的自适应噪声抵消的研究[D].武汉:武汉理工大学, 2002.

[4]曹斌芳.自适应噪声抵消技术的研究[D].长沙:湖南大学, 2007.

[5]雷银照.时谐电磁场解析方法[M].北京:科学出版社, 2000.

[6]王琦, 徐式蕴, 赵睿涛, 等.MATLAB基础与应用实例精粹[M].北京:人民邮电出版社, 2007.

[7]张璞, 黄瑞光.自适应噪声抵消系统的算法讨论与DSP实现研究[J].电声技术, 2003 (3) :59-62.

[8]王秀红.自适应滤波算法研究与改进[D].济南:山东大学, 2006.

噪声抵消 篇3

随着通信技术的发展,通信的种类和应用领域不断扩大。通信就是通过通信介质和通信信道,将需要传输的声音、文字、数据、图像等电信号调制在无线电波上,实现数据传输。根据频率和波长的差异,通信大致可分为长波通信、中波通信、短波通信、超短波通信和微波通信。作为一种新型的技术实现过程,无线传感器网络通信是利用传感器技术,通过数据调制滤波和节点,经空间和地面传至对方的通信方式。并且,无线传感器网络通信借助无线电波具有的波动传递信息的功能,在设计上省去了敷设导线的环节,实现更加自由、更加快捷的通信,因此,无线传感器网络通信将在军事、民用等各个领域展现较好的应用价值[1,2,3]。

而今,无线传感网络通信获得了不断深入发展,无线传感器网络通信技术也正日趋广泛地应用在物联网近场通信、水声通信等重要领域,相应地无线传感网络通信信道则将受到多途干扰,导致信道失衡,为此即需要进行信道均衡模型设计[4]。传统方法中,对无线传感网络通信的信道均衡设计技术主要有基于最小均方误差的自适应均衡算法、基于直接序列扩频的信道均衡算法和基于最小二乘(RLS)准则的无线传感网络信道自适应算法[5,6,7,8,9],通过构建无线传感网络通信信道的线性和非线性均衡器,包括线性横向均衡器、线性格型均衡器等,实现无线传感网络通信的信道均衡,取得了一定的研究成果。但是,在通信信道受到大量的码间干扰和多途干扰的时候,传统的信道均衡算法执行产生的通信传输的质量并不好,信道均衡性能也不高,无线传感器网络信道随即更复杂许多,且在时间、频率、空间上又呈现明显的多变性,因而传统的信道均衡技术难以满足无线传感器网络信道均衡设计的技术指标,需要关注研究算法改进设计[10,11,12]。

针对上述问题,本文提出一种基于自适应噪声抵消的无线传感器网络通信信道优化技术,首先构建了无线传感网络通信的信道模型,对无线传感器网络信道传播过程中衰减损失和各条路径的信号进行重组,采用自适应噪声抵消算法进行信道的多途干扰滤波,结合最小二乘(RLS)准则算法进行无线传感器网络通信信道均衡设计。最后通过仿真实验进行性能测试,仿真结果表明,采用该通信信道均衡技术能有效提高无线传感器网络通信的信道质量,降低通信传输失真和误比特率,实现信道自适应均衡,提高通信的抗干扰能力,得出有效性结论。

1 无线传感网络通信的信道模型和信号重组

1.1 无线传感网络通信的信道模型

为了实现对无线传感器网络通信信道的优化设计,首先给出无线传感器网络通信系统的系统模型和信道模型,无线传感器网络通信系统的多径信道模型采用BPSK调制码元的分布设计。无线传感器网络信道是一种时变多径衰落无线信道,具有多径干扰强、传输时延大、相位偏移严重的特性,无线传感器网络信道传播过程中遇到各种非期望反射体,如物体的上下表面、水中物体、非均匀水团等,引起反射和散射,得到无线传感网络通信的信道传输的信噪比损失为:

式中,SL为无线传感器网络信道中的发射能力级(dB),NL为干扰光程谱级(dB/Hz),DI为无线传感器网络信道的空间指向性增益(dB),W为系统带宽(Hz),根据时间-空间-频率变化特性,得到无线传感器网络通信电磁波吸收系数a与频率f(KHz)之间的经验公式为:

根据上述公式,得到无线传感器网络通信信道模型中吸收系数与频率的关系如图1所示。

从图可见,无线传感器网络通信系统由发射换能器和接收换能器组成,发射换能器和接收换能器之间的传播路径主要由界面反射和直达路径组成,由此构建无线传感网络通信的信道模型如图2所示。

在上述构建的无线传感网络通信的信道模型基础上,进行通信信号分析,实现信道均衡和优化设计。

1.2 无线传感网络通信信号分析

在无线传感器网络通信系统中,当传输信号为窄带信号,采用QAM调制,对输入的比特流进行串并转换和调制,在QAM调制信道模型中,无线传感网络通信阵列单元接收到的无线传感器网络通信数据信号模型为:

结合多径信道的脉冲响应,得到时域扩展和多普勒扩展:

其中,s0(t)为无线传感器网络通信时变衰落特征信号,s1(t),s2(t),…,sp(t)是无线传感器网络通信的特征干扰,A(θ)是无线传感器网络通信的时变非平稳系数,在长距离通信中,通过反射和散射的自适应迭代,实现信号空间重组,迭代过程为:

其中

为了提高无线传感器网络通信中信道波束指向性,令输出包络特征系数为:

然后通过自适应噪声抵消,在保持高数据率的前提下,尽量降低传输的误码率,设计无线传感网络通信的作用距离与通信速率关系为:

通过给出的无线传感网络通信信号分析,结合相干通信接收机或已知或估计出发射机的载频频率进行调制解调,发射机载频和相位信息,进行信道优化设计。

2 自适应噪声抵消及无线传感器网络通信信道优化实现

2.1 问题的提出和自适应噪声抵消器设计

在已经讨论了无线传感网络通信的信道模型和信号分析的基础上,即需进行无线传感器网络通信信道优化,本文提出一种基于自适应噪声抵消的无线传感器网络通信信道优化技术,结合上述构建的无线传感网络通信的信道模型,对无线传感器网络信道传播过程中衰减损失和各条路径的信号采取重组设计,并利用自适应噪声抵消算法进行信道的多途干扰滤波,自适应噪声抵消器如图3所示。

无线传感网络通信在自适应噪声抵消器输入端的信号总输入表示为netj,接收的脉冲之间产生叠加,引起码间干扰,由此得到无线传感网络通信信号带宽为:

令yk+、yk-表示无线传感网络通信信道接收端接收的正信号和翻转负信号,由于多径波的强度、传播时间的影响,通过噪声抵消,使得接收信号很小或接近匹配值,得到调制脉冲如下:

根据上式求得的接收机输入端的信噪比,进一步求得加权系数b'v,减少衰落信道损失,要用2个或多个接收天线得到输出通信信号的噪声功率谱密度为:

2.2 无线传感网络信道优化实现

在自适应噪声抵消器设计进程发生后,需采用最大比合并方法改善接收信噪比能力,在通信误码率为es范围内,得到无线传感器网络通信信道的负载开销W(es)为:

可以用无向图G(V,E)来表示无线传感器网络通信信道的信道竞争,其中无线传感器网络通信信道判决反馈均衡后的输出信号为:

式中,W(es)代表、线性均衡的链路集,并依据判决反馈滤波器部署节点位置,实现信道能量均衡,此时输出的前馈支路信号为:

由此构建无线传感网络通信的信道的解析模型:

在信道的解析模型中分解为多个窄带信号,得到无线传感网络的输出信号特征为:

其中,θ(t)表示高频分量,a(t)和θ(t)为空间分集干扰幅值和相位。通过上述处理,结合最小二乘(RLS)准则算法进行无线传感器网络通信信道均衡设计,得到无线传感器网络通信信道均衡判决模型如图4所示,根据图4中展示的模型框图,进行算法优化设计,实现无线传感器网络通信信道均衡。

3 仿真实验与性能分析

为了测试本文设计的基于自适应噪声抵消的无线传感网络信道均衡算法的应用性能,进行仿真实验。仿真条件为:信号采用BPSK信号,码元速率为1 kB aud,载波频率为3 kH z,采样频率是信号载波频率的10倍,信噪比为0 dB。判决反馈均衡器中前馈滤波器阶数为24,反馈均衡器的阶数为3,迭代步长均为0.01。根据上述仿真环境和参数设定,进行无线传感器网络通信信道均衡仿真分析,首先给出经过多径信道和噪声污染后的无线传感器网络通信系统输入端的信号波形如图5所示。

图5可见,原始的通信信号波形受到多径信道和噪声污染,通信质量不好,采用自适应噪声抵消算法进行信道的多途干扰滤波,结合最小二乘(RLS)准则算法进行无线传感器网络通信信道均衡,为了对比性能,采用均衡输出信号和标准信号而展开结果比较,得到自适应噪声抵消和信道均衡处理后均衡无线传感网络输出信号和标准信号如图6所示。

从图可见,经过自适应噪声抵消和信道均衡处理后输出信号具有较好的信号跟踪和降噪性能,提高了输出信噪比,对于解调信号用自适应噪声抵消算法进行信道均衡处理后,分别在码元1/3和2/3处进行抽样,前馈滤波器阶数为24,得到学习曲线如图7所示。

从图可见,采用本文算法进行无线传感网络通信信道均衡设计,具有较好的学习性能,收敛性较好。为了定量对比算法对无线传感网络通信传输的改善能力,以均衡器处理后的误比特性能为测试指标,如图8所示,从图可见,采用本文方法进行通信的误码元为5码元,误码率为0.92%,与传统方法相比,呈现出大幅降低态势,展示了算法的实效优越性。

4 结束语

本文研究了无线传感器网络信道优化问题,无线传感器网络通信技术广泛应用在物联网近场通信、水声通信等领域,无线传感网络通信信道受到多途干扰,导致信道失衡,需要进行信道均衡模型设计。本文提出一种基于自适应噪声抵消的无线传感器网络通信信道优化技术,首先构建了无线传感网络通信的信道模型,对无线传感器网络信道传播过程中衰减损失和各条路径的信号进行重组,采用自适应噪声抵消算法进行信道的多途干扰滤波,结合最小二乘准则算法研发推进了无线传感器网络通信信道均衡设计。研究表明,采用该通信信道均衡技术能有效提高无线传感器网络通信的信道质量,降低通信传输失真和误比特率,实现信道自适应均衡,提高通信的抗干扰能力,展示了较高的应用价值。

摘要：无线传感器网络通信技术广泛应用在物联网近场通信、水声通信等领域。无线传感网络通信信道受到多途干扰,导致信道失衡,需要进行信道均衡模型设计。提出一种基于自适应噪声抵消的无线传感器网络通信信道优化技术,首先构建了无线传感器网络通信的信道模型,对无线传感器网络信道传播过程中衰减损失和各条路径的信号进行重组,采用自适应噪声抵消算法进行信道的多途干扰滤波,结合最小二乘(RLS)准则算法进行无线传感器网络通信信道均衡设计。仿真结果表明,采用该通信信道均衡技术能有效提高无线传感器网络通信的信道质量,降低通信传输失真和误比特率,实现信道自适应均衡,提高通信的抗干扰能力。

关键词：自适应噪声抵消,无线传感网络,通信信道,均衡

参考文献

[1]周勇,甘新年,胡光波,等.鱼雷制导控制系统多通道控制加权算法设计[J].现代电子技术,2014,37(19):14-17.

[2]赵威.强海水混响背景下水中兵器攻击目标检测研究[J].智能计算机与应用,2016,6(2):51-54.

[3]邸珩烨.基于多径码间干扰滤波的短波通信优化[J].物联网技术,2015,5(10):47-48,52.

[4]孔英秀,柯熙政,杨媛.空间相干光通信中本振光功率对信噪比的影响[J].红外与激光工程,2016,45(2):0222002(6).

[5]刘韵,赵尚弘,杨生胜,等.基于光探测器空间辐射效应的卫星光通信系统误码率特性[J].光子学报,2014,43(S1):0106024(5).

[6]谭营军,王俊平.基于MEACO的无线传感器网络路由光通信算法研究[J].激光杂志,2016,37(2):131-133.

[7]程德芳,徐小华,于娜.相干光通信链路外差接收技术研究[J].激光杂志,2016,37(2):125-127.

[8]El-MEZOUAR M C,KPALMA K,TALEB N,et al.A pansharpening based on the non-subsampled contourlet transform:Application to worldview-2 imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(5):1806-1815.

[9]YANG Shuyuan,WANG Min,JIAO Licheng.Fusion of multispectral and panchromatic images based on support value transform and adaptive principal component analysis[J].Information Fusion,2012,13(3):177-184.

[10]ST-CHARLES P,BILODEAU G,BERGEVIN R.Su BSENSE:A universal change detection method with local adaptive sensitivity[J].IEEE Transactions on Image Processing,2015,24(1):359-373.

[11]MOGHADAM A A,KUMAR M,RADHA H.Common and innovative visuals:a sparsity modeling framework for video[J].IEEE Transactions on Image Processing,2014,23(9):4055-4069.

噪声抵消 篇4

自适应滤波器就是利用前一时刻已获得的滤波器参数的结果,自动地调节当前时刻的滤波器参数,以适应信号和噪声未知或随时间变化的统计特性,从而实现最优滤波。由于具有这种特性,自适应滤波器在实际工程的众多领域中得到了广泛的应用。

自适应滤波器的原理框图如图1所示:其中x(k)表示k时刻的输入信号,y(k)为自适应滤波器的输出信号,d(k)为期望信号,误差信号e(k)为期望信号与输出信号之差。自适应滤波器的滤波参数受误差信号e(k)的控制,为了确定滤波器参数的适当更新方式,利用误差信号构造一个自适应算法所需的性能函数(或目标函数)。性能函数的最小化意味着在某种意义上,自适应滤波器的输出信号与期望信号实现了匹配。

自适应滤波器主要有两种结构,即有限长冲激响应(FIR,Finite-duration Impulse Response)滤波器和无限长冲激响应(I-IR,Infinite-duration Impulse Response)滤波器。FIR滤波器通常利用非递归结构来实现,而IIR滤波器则利用递归结构来实现[1]。

2 设计基本思想

当信号源中混有多种干扰噪声时,可以通过自适应滤波器的组合来抵消。

组合设计是指把各种类型的自适应滤波器组合起来形成滤波器组,来完成某些实际需要的功能[2,3]。假设滤波器组是由N个独立自适应滤波器F1,F2,…FN组成,每个滤波器可以根据实际需要使用不同算法,设置不同参数,也可以使用相同算法,设置不同参数。组合设计的原理框图如图2所示。

由自适应滤波器组合设计的原理框图,可以得到自适应滤波器组合设计的基本思想:如果信号源中含有几种不同类型或不同强度的加性噪声时,滤波器组可以根据噪声的类型和强度分别给每个滤波器设置不同的滤波参数,使得每一个滤波器适用于信号源中的某一种噪声,之后把这些滤波器按照某种方式组合起来,只要选取适当的组合系数,滤波器组合能够得到良好的滤波效果;如果信号源中只含有单一种类的噪声,采用组合滤波,组合滤波器可以对信号局部使用不同的加权系数进行自适应滤波,在抵消噪声的同时可以保留信号中的细节。因此滤波器组合可以得到比单个滤波器更好的滤波效果。

3 线性组合

图2所示的组合结构中,xi(n)表示自适应滤波器的输入量;yi(n)表示第i个自适应滤波器在n时刻的输出;wi(n)表示第i个自适应滤波器的加权矢量;ei(n)表示第i个自适应滤波器的输出误差信号;di(n)表示第i个自适应滤波器的期望信号,i=1,2,…,N。

由图2可以得到滤波器组整体的误差信号:

线性组合时,对滤波器组合的要求是:(1)各自适应滤

波器的长度相同;(2)组合系数是满足

的常数,并且必须满足:

4 多噪声抵消原理

下面在线性组合条件下,以N=2(N为自适应滤波器的个数)为例,证明自适应滤波器组合在LMS(最小均方)算法下,达到最优滤波。

假设期望信号,滤波器i的输入信号为

,并且均为零均值平稳随机过程,则

在n时刻滤波器i输出信号为:,误差信号为,那么系统输出即为各滤波器的组合而得到的,即:

并且式(3)中,,由此得到产生的均方误差为:

当N=2时:

若信号源中含有互不相关的两种噪声,即v(n)=v1(n)+v2(n),设计两个自适应滤波器分别适用于这两种噪音的抵消,滤波器的输入信号V1(n)和V2(n)是分别与v1(n)和v2(n)来自同一噪声源的相关噪声信号,它们之间的相关程度越高,得到的滤波效果越好。在自适应滤波器1中加入v2(n)的相关噪声,在自适应滤波器2中加入v1(n)的相关噪声,使得e1(n)和e2(n)满足下式:

系统的误差信号为:,则均方误差为:

将式(6)和式(7)带入到式(8)中,因为v1(n)和V1(N)来自同一噪声源,高度相关;v2(n)和V2(N)来自同一噪声源,高度相关;而且v1(n),V1(N),v2(n),V2(N)都与期望信号s(n)无关,所以当时,容易证明:

此时,误差信号e(n)即为组合自适应滤波器进行噪声抵消之后得到的增强信号。

5 多噪声抵消仿真实验

为了验证所设计自适应滤波器组合的有效性,把设计的组合滤波器应用于语音信号的多噪声抵消,以LMS算法为例设计自适应滤波器,基于Matlab编程语言进行仿真,分析仿真结果。

在Matlab中利用wavread函数导入一段纯净语音信号,并在语音信号中加入两种不同强度,不同频率的高频余弦噪声

,利用自适应滤波器组合进行去噪处理,利用sound

函数将数据通过声卡转化为声音(wavread函数,sound函数的具体使用方法见参考文献[4]和[5])。具体参数设置如下:语音信号的采样频率

分别为噪声强度,

来自同一噪声源的相关信号,设和是与等,频率相同的时延信号,即:

,作为自适应滤波器的输入。

在Matlab环境下,设;,

;;可以得到语音信号和加

噪后语音信号波形图,以及做1024点傅立叶变换得到的频谱图,如图3和图4所示。

由图3和4可以看出原始语音信号的频谱主要在低频部分,在语音信号中混入高频余弦噪声时,语音信号受到严重污染。设自适应滤波器的长度为m=160(在这里要求两个滤波器的长度必须一样);步长分别为:

迭代矢量的初始值为,,当时,利用自适应滤波器组合对加噪语音信号进行滤波之后得到的语音信号波形及其频谱如图5所示。

对比滤波前后的语音信号及其频谱,从图4与5可以看出,经过滤波之后语音信号中的两种干扰噪声得到了非常有效的抑制,在Matlab中用sound函数播放声音之后,可以听到非常清晰的语音信号。因此,以上仿真结果表明,所设计的自适应滤波器的组合使用能够有效地抵消语音信号中的多种干扰,增强语音信号的质量。

6 结语

提出了自适应滤波器组合结构的设计思想,介绍滤波器组合设计的基本原理,并利用Matlab仿真软件进行了多噪声抵消的仿真实验,结果表明,当信号源中包含多种干扰噪声时,滤波器组合可以有效抵消干扰信号。

摘要：针对一个自适应滤波器不能解决多噪声信号的问题,提出了自适应滤波器的组合设计思想。在线性组合条件及LMS算法下,分析多噪声抵消原理,并进行多噪声语音信号的Matlab仿真实验,可以得到清晰的语音信号。结果表明,自适应滤波器的组合设计可以有效抵消多种干扰信号。

关键词：自适应滤波器,组合设计,多噪声

参考文献

[1]Paulo S.R.Diniz.自适应滤波算法与实现.刘郁林,等,译.北京:电子工业出版社,2004:2-39.

[2]J.Arenas-Garcia,V.Gomez-Verdejo,A.R.Figueiras-Vidal.New Algorithms for Improved Adaptive Convex Combination ofLMS Transversal Filters.IEEE Transactions on Instrumentationand Measurement.2005,54(6):2239-2249.

[3]Y.G.Zhang,J.A.Chambers.Convex Combination of AdaptiveFilters for Variable Tap-length LMS Algorithm.IEEE SignalProcessing Letters.2006,13(10):628-631.

[4]董长虹.Matlab信号处理与应用.北京:国防工业出版社,2005:62-144.