第三章滤波方法发展的回顾
数字滤波分空间域和频率域的方法。空间域的滤波处理，是根据平滑窗口内的统计值或自适应参数进行处理，很难达到在消除相干斑噪声的同时又能很好地保留边缘和纹理细节的理想状态。一般只能在相干斑噪声消除和细节信息保留两个方面进行折衷，综合这两个方面的较好效果。频率域的傅立叶变换能够进行高频或低频的带通滤波，但不能区分噪声和信息相近的频率。基于小波分析的方法由于具有多分辨率和时频联合分析的特征，使得频率域的去噪有了更好的途径。
3．1空间域滤波方法
空间域的几种著名滤波器可分为以下两类：传统方法、局域统计自适应滤波方法。均值滤波器和中值滤波器属于经典传统滤波器范畴。传统方法在对SAR 影像进行滤波时，对噪声和边缘信息是不加区分的。为了解决传统方法存在的问题，人们提出了各种形式的自适应滤波器，自适应滤波器一般通过局域统计参数的调节，对噪声进行较强的平滑，而对边缘则尽量予以保留。比较常用的自适应滤波器有Lee滤波器、Frost滤波器、Sigma滤波器、改良K-均值滤波器及Gamma滤波器等。
3．1．1 传统方法
3．1．1．1均值滤波器
均值滤波是采用滤波窗口内所有像素灰度值的平均值来代替中心像素的值，均值滤波器具有很好的噪声平滑能力，噪声标准差按窗口内像元数的均方根降低[1]。然而，均值滤波器进行平滑时对噪声还是边缘信息是不加区分的，从而不可避免地导致了影像的整体模糊和分辨率的下降。
3．1．1．2中值滤波器
中值滤波器是采用滤波窗口内所有像素的中值来代替中心像素的值，它能有效地去除孤立的斑点噪声[1]。然而，这种滤波器存在边缘模糊，消除细的线性特征以及目标形状扭曲等常见问题[3]。中值滤波滤波后的影像失真度较大，纹理等细节信息损失较严重。
3．1．2 局域统计自适应滤波
这些滤波器都是对SAR图像的局部统计特征自适应的，即它们是局部统参数的函数，与传统方法相比，它们对斑点噪声的去除效果较好，同时保持边缘信息的效果有所提高，而且能通过参数控制来调整平滑和边缘保持效果。
3．1．2．1 Lee局域统计参数滤波器
Lee[4]提出了一种使用滤波窗口内样本均值和方差的自适应滤波器。
在缺乏信号x的精确模型的情况下，使用影像本身从5×5或7×7的滤波窗口内的局域均值z和局域方差var(z)来估计信号的先验均值和方差。根据前面的
乘性噪声模型，信号x 的先验均值和方差可以这样来估算：
z v z x ==/ (3.1)
1)v a r ()v a r (222
+-=v v z z x σσ (3.2) 假设线性滤波器的形式为 bz x a x +=∧，这里∧x 是x 的最小均方估计。最小均
方估计为： )(x z b x x -+=∧ (3.3)
这里 )var(/)var(z x b =，z x =，)var(x 根据公式（3.3）计算。要注意的是必须确保var(x)为非负，如果为负则置var(x)为0，否则可能在影像上引入人为的噪声成分。
)var()
var(22x z x b +=υσ (3.4)
这一滤波方法的直观解释是，在均匀区域0)var(≈x ，滤波后的像素值 x
x =∧（窗口内像素的平均值）；对于高反差区域（或边缘），var(x)较大，z x ≈∧（像素
本身的值）。然而，该滤波器存在一个问题是边缘区域的噪声并没有被平滑。
3．1．2．2Frost 滤波器
Frost 滤波器[9]、[10]是特定大小窗口的像素值和指数脉冲响应m 卷积的Wiener 自适应滤波器：
()[]t t KC m y 0exp -= y C y y /σ= (3.5) 其中K 是滤波器参数，t 0代表中心像素的位置，t 是距t 0 的距离。这种响应是由目标反射率的自回归指数模型得到的。
Frost 滤波器采用的斑点噪声模型采用的形式如下：
ij ij ij ij h v x z *)(= (3.6) 这里h ij 是系统响应函数，“*”为卷积算子。尽管该算法适用于任何系统响应函数，但在通常的应用中，一般假定h ij 为delta 函数（例如假定h ij 的功率谱密度在感兴趣的波段宽度上是不变的）。最小均方滤波器形式如下：
)()()(*t m t z t x =∧ （3.7）
这里t 对应于空间域中像素之间的距离。选择脉冲函数m(t)，使下式最小： ]))()([(2t x t x E J -=∧ （3.8）
按照频率域中Wiener 滤波器的推导，可以容易地找到上式的解：
||)(t e t m αα-= （3.9） a x x x a v ++=)])/(var())[var(/2(2
22σα （3.10） 衰减常数α的大小取决于x ，)var(x ，和a 。在应用中，a 取作一个常数，尽管它应当是与具体图像有关的。其他两个量则通过5×5窗口内像素的局域均值和方差来估计。
3．1．2．3 Sigma 滤波器[7]
这一滤波器是基于高斯分布的sigma 概率，它通过对滤波窗口内落在中央像素的两个sigma 范围内的像素进行平均来滤除影象噪声。众所周知，高斯分布的两个sigma 概率是0.955，即高斯分布随机样本的95.5%都落在其均值的两个标准偏差范围内。对于乘性噪声模型而言，两个sigma 范围是：
)2,2(z z z z υυσσ+- （3.11）
事先计算出所有灰度级（例如256个灰度级）的sigma 范围，并存储在数组中。对滤波窗口内的中央像素，从数组中提取出sigma 范围值，将窗口内像素与这些上下限进行比较，对落在上下限内的像素进行平均，并用平均值来替代中央像素的值。落在这两个sigma 范围之外的像素将被忽略。
如果没有其他窗口像素落在两个sigma 范围内时，引入一个阈值k s ，如果落在sigma 范围内的像素总数小于或等于k s 时，就用中间像素的四个最近的相邻像素的平均值来替代。
3．1．2．4 改良K-均值自适应滤波
改良K-均值自适应滤波器[15]是对Davis 和Rosenfeld [40]提出的K-均值滤波器的改进。两者的主要区别在于对k 值的估计方法不同，K-均值滤波器每一个滤波窗口均采用相同的 k 值，而改良K-均值滤波器的k 值则在每一个像素位置上都是变化的，因此改良K-均值滤波器对局域强度变化更加敏感。在这一滤波方案中，滤波窗口方差被认为是衡量中心像素的最近邻居数目（比如阈值k ）的一种合适的度量方法，并利用这些最近邻像素的平均值来替代中心像素的值。阈值k 的确定方法如下：
)1(2sf n k -= （3.12） 这里：
)
()(min max min V V V V sf loc --= （3.13） 其中，V loc 为局域窗口的方差，n 为窗口的大小。
对于以任何一个像素为中心的滤波窗口，方差越大，存在边界的可能性就越大，选择的k 值就越小。相反，方差越小，就越有可能是均匀区域，用于平滑的k 值就会越大。这样，滤波窗口的局域影像方差就决定了最近邻像素的数目k 。然而，对影像上的高方差区域，固定最小阈值为3，以改善边缘处的均匀性和影像反差。
3．1．2．5 Gamma 滤波器[11]
Gamma 滤波器是基于图像统计学贝叶斯判决法的最大后验滤波器。它假设雷达反射和斑点噪声均服从Gamma 分布，它们的叠和会产生一个被公认的适合
多种目标的雷达反射的多样化的K 分布，x
?可由下式得到： ?
?+--?+--?=24)1()1(?2y Ly L y y L x （3.14） 1
)(1-+=?y L L y σ （3.15） 其中L 是视数，当x
?出现负数或复杂的非正常态，通常置y x =?。 3．2频率域滤波方法
传统的建立在傅里叶变换基础上的频率域滤波方法在提高信噪比和提高空间分辨率两项指标上存在矛盾。低通滤波能较好地平滑抑制噪声，但同时也模糊了图像的边缘。高通滤波可以使边缘更加陡峭，但背景噪声同时也被加强。此外相干平均也是滤除噪声常用的手段，但需时间较长，不能作动态提取，而且当各次纪录中的信号没有对齐时处理结果也会产生低通模糊。与之相比，基于小波变换的多分辨率滤波技术有明显优点。小波分析最大的特点在于具有极敏感的变焦特征，在不同的分辨率下，反映出不同的图像结构特征，使其在处理突变信息方面具有特殊的能力，利于噪声的滤除和边缘的保留。
3．2．1Fourier 变换滤波方法
早期的频率域去噪是基于Fourier 变换的方法，该方法主要通过对二维图像进行傅氏变换以后，采用交互方式确定斑点噪声的频率范围，然后选取适当的频域带通滤波器进行滤波处理，再经过傅氏反变换后获得去噪声的图像。这种处理方法对周期性特征较强的稳态噪声不失为一种较有效的方法，但在处理过程中，难以区分与噪声频率相近的图像信息，不具有频率自适应能力，以致造成大量图
像信息的损失[41]。
3．1．2基于小波分析的滤波方法
与傅立叶变换不同的是小波变换是一种同时具有时频二维变分辨率的变换，可以将信号分解为各种不同频率的细节成分，小尺度下的变换系数含有高频的信号和噪声，大尺度则包含较多的低频分量，十分有利于信号的精细分析。
3．1．2．1基于小波系数阈值去噪的思想
Wavelet Coefficient Shinkage （WCS ）小波系数阈值去噪的方法是信号或图像去噪中比较简单且强有力的多分辨率技术[42]。由于小波函数在时频域都具有较好的局部性，同时其变尺度特性使得小波变换对信号具有一种“集中”的能力。如果一个信号的能量在小波变换域集中于少数系数上，那么相对来说，这些系数的取值必然大于在小波变换域内能量分散于大量小波系数上的信号或噪声的小波系数值。而噪声同信号的小波变换系数分布规律相反，其系数均匀分布于整个尺度空间（小波空间），幅度相差不大，尤其是在大尺度情况下，由于大尺度对
噪声进行了一定的平滑，使得噪声的小波变换系数很小。因此可以根据小波系数幅值上的差异设置阈值，去除由噪声控制的幅值小、数目多的小波系数，保留由信号控制的幅值大、数目少的小波系数，这样达到了降低噪声的目的，又可以较好地保持图像主要信息。
小波阈值去噪有三个步骤：第一将图像小波变换分解到多尺度中；第二设置一定的阈值对小波系数进行处理；第三小波逆变换。其中第二步用什么方法来选择合适阈值是关键，阈值确定后对小波系数的处理有硬门限和软门限两种方法
[43、44]，硬门限将小于阈值的小波系数置为零，大于阈值的保留；软门限是基于David L.Donoho 软门限思想的小波系数的非线性处理。
Donoho 软门限的思想是针对高斯白噪声提出的，假设在[0，1]上从带噪声数据d 中，恢复一个
i i i z t f d σ+=)( i=0，1，2 …..n-1 （3.16） 未知函数f 。
其中t i =i/n ；z i 是标准高斯白噪声，σ是噪声级。这样，如果在频域中误差与f
（t i ）又是不相关的，于是从d i 中求f （t i ）就是一个经典的统计估计问题。
去噪的目的就是优化均方差，使得f ?至少与f 一样平滑。
()()()2
1012
1??∑-=---=-n i N n i f n i f E n L f f E n （3.17） 这个经典的统计估计问题可以在一个广域变量集F 内，用渐进逼近优化方法求解。David L.Donohe 从理论上严格证明了，f ?可以从基于小波域内的非线性软门限取得，而门限依赖于噪声方差。非线性软门限：
()()+-=t y y y t sgn )(η （3.18）
其中y 是小波系数，)log(2n t σ=是阈值。
张俊等[22] 直接应用David L.Donoho 的软门限理论，对SAR 影像进行了小波软门限滤波的处理。首先相干斑是一种不相关的乘性噪声，假设为标准高斯白噪声[45]。其选择了Daubechies 小波基对SAR 影像进行小波分解，根据SAR 影像在小波域内信号与斑点噪声奇异性的不同，当图像没有不规则纹理，与图像纹理对应的所有奇异点都具有正的Lipschitz 指数，而且图像小波变换的模极大值点数目随尺度的增大而加大；与之相对，因为标准高斯白噪声分布处处具有奇异性，而且具有负的Lipschitz 指数，平均随着尺度增加一倍，白噪声的极大值点数目将减少一半[46] 。奇异性绝大部分是由负的Lipschitz 指数引起的。由于在变为小尺度时，模值增大的极大值点是斑点噪声引起，将这部分小波系数置零。这样选择合适的阈值，在小波域内滤波。最后再进行小波逆变换就可以得到滤除噪声以后的SAR 影像。
如果f ?、f 分别代表恢复的图像与原始图像，也就是要求一个f ?，使得
f f
F f -∈?sup 为最小。设W 、W -1分别代表小波变换和小波逆变换算子。于是，非线性处理去噪算法可以表示为：
()[]
i d i W T W d f θ1)(?-= （3.19） 非线性软门限操作算子θT ??
????-+≤≤?-=-=+θθθθθθθθp p p p p p T 当当当-0p ))(sgn( （3.20）
其中p 是对原图像f 小波变换得到的系数图像；门限θT 与图像的方差和大小有关，可以从所处理的图像估计得到。 )log(2n n σθ= （3.21）
在实际应用中，噪声级是未知的，估计为：
6754.0/?MAD =σ
（3.22） 其中MAD （Median Absolute Value ）即适当地归一化后的细尺度小波系数k k j w n )(,11-的中值的绝对值。
这是比较常用的小波系数估计噪声级方差的方法，通常认为最小尺度的小波空间的主要由噪声的小波系数为主。然而有时在细尺度估计的值应用到所有的小波系数并不准确，高频信号成分通常会被误作噪声或不能完全地判断噪声，另外，Donoho 是针对高斯白噪声而提出的软门限，软门限的本质是对大于阈值的小波系数进行削弱，即具有平滑作用，往往会产生信号的过分平滑。
由于不同小波基的特征不同以及噪声模型的差异，阈值去噪的方法在具体应用中要进行修正[47]。Guo [22] 通过估计噪声方差的范围来调整阈值，再分别用硬门限和软门限的方法进行比较，发现硬门限的方法去噪有比较好的效果。
另外有L ．Gagnon [23] [48]等从相位信息的角度出发进行。其假设相位信息对噪声的反应能力要比小波系数幅值强，可以据此作为判断局部阈值的准则，就象根据不同的小波系数设置不同的阈值。最早提出的方法是：首先进行小波变换；储存小波系数的相位和最大尺度的低频部分；用标准的阈值方法进行小波系数处理；小波逆变换重构图像；将结果图像的虚部置为零再进行小波变换；用原来储存的相位和低频部分替代新的相位和低频部分；小波逆变换重构图像；重复以上步骤反复迭代直到获得满意结果，大概需要500次的循环。后来在此基础上又进行了改进：提出了椭圆形小波系数阈值算法，假设小波系数实部和虚部的二维直方图服从椭圆分布，根据二维椭圆分布的主轴来确定阈值。该方法能够保持复杂的小波系数分布的所有方向，并且充分考虑了相位信息。
3．1．2．2基于边缘检测的思想
Fukuda 等[21]提出了一种基于小波理论的斑点噪声滤波器，其主要思想是在
小波细节子图像中减少小波分解系数的幅值来抑制相干斑噪声，同时利用小波细节子图像中提供的边缘信息来检测边缘和纹理细节，并保留其对应的小波分解系数值。
其算法和步骤如下：
1、小波分解SAR影像到M层，将小波分解系数取绝对值。
2、对细节子图像进行如下处理
（1）设置阈值T将细节子图像分为强部分和弱部分
如果细节子图像分解系数的绝对值≥T ，划分为强部分
如果细节子图像分解系数的绝对值≤T，划分为弱部分。
（2）将弱部分乘上一个系数a 0≤a≤1
（3）在强部分的每一个像素周围组成3×3的窗口，对三个方向的细节子图像（LH，HL，HH）进行如下判断：
如果被观察的像素周围至少有一个强部分像素包含在窗口中的强
部分区域中，则窗口中央的被观察像素保留原值；如果被观察像
素周围没有一个强部分像素包含在窗口中的强部分区域中，则被
观察像素乘上系数b（0≤b≤1）
3、小波逆变换重建图像。
此方法涉及到三个参数：T、a、b，其中T是根据图像的灰度级确定，一般取灰度级的中值。a、b为1时相当于重构原图像，当a、b为0时相当于低通滤波。作者使用了a=b=0.5，a、b值太大或太小都会影响去除噪声之后的SAR图像的视觉解译效果。
这种方法考虑了小波域中邻域小波系数的关系，虽然噪声和边缘都集中于高频带，但边缘是连续变化的，具有丛生性，产生比噪声更宽的高频带，而斑点噪声是随机分布的，不会在周围邻域内连续出现，因此对窗口邻域内的强部分像素点数目限制为两个。
但该方法没有根据不同尺度的噪声级水平来确定阈值范围，也没有考虑不同尺度的噪声级水平的变化，对小波系数的抑制方法只是用了经验参数，经验参数的不合适会导致过分平滑或去噪效果不理想。
第三章滤波方法发展的回顾 数字滤波分空间域和频率域的方法。空间域的滤波处理，是根据平滑窗口内的统计值或自适应参数进行处理，很难达到在消除相干斑噪声的同时又能很好地保留边缘和纹理细节的理想状态。一般只能在相干斑噪声消除和细节信息保留两个方面进行折衷，综合这两个方面的较好效果。频率域的傅立叶变换能够进行高频或低频的带通滤波，但不能区分噪声和信息相近的频率。基于小波分析的方法由于具有多分辨率和时频联合分析的特征，使得频率域的去噪有了更好的途径。 3．1空间域滤波方法 空间域的几种著名滤波器可分为以下两类：传统方法、局域统计自适应滤波方法。均值滤波器和中值滤波器属于经典传统滤波器范畴。传统方法在对SAR 影像进行滤波时，对噪声和边缘信息是不加区分的。为了解决传统方法存在的问题，人们提出了各种形式的自适应滤波器，自适应滤波器一般通过局域统计参数的调节，对噪声进行较强的平滑，而对边缘则尽量予以保留。比较常用的自适应滤波器有Lee滤波器、Frost滤波器、Sigma滤波器、改良K-均值滤波器及Gamma滤波器等。 3．1．1 传统方法 3．1．1．1均值滤波器 均值滤波是采用滤波窗口内所有像素灰度值的平均值来代替中心像素的值，均值滤波器具有很好的噪声平滑能力，噪声标准差按窗口内像元数的均方根降低[1]。然而，均值滤波器进行平滑时对噪声还是边缘信息是不加区分的，从而不可避免地导致了影像的整体模糊和分辨率的下降。 3．1．1．2中值滤波器 中值滤波器是采用滤波窗口内所有像素的中值来代替中心像素的值，它能有效地去除孤立的斑点噪声[1]。然而，这种滤波器存在边缘模糊，消除细的线性特征以及目标形状扭曲等常见问题[3]。中值滤波滤波后的影像失真度较大，纹理等细节信息损失较严重。 3．1．2 局域统计自适应滤波 这些滤波器都是对SAR图像的局部统计特征自适应的，即它们是局部统参数的函数，与传统方法相比，它们对斑点噪声的去除效果较好，同时保持边缘信息的效果有所提高，而且能通过参数控制来调整平滑和边缘保持效果。 3．1．2．1 Lee局域统计参数滤波器 Lee[4]提出了一种使用滤波窗口内样本均值和方差的自适应滤波器。 在缺乏信号x的精确模型的情况下，使用影像本身从5×5或7×7的滤波窗口内的局域均值z和局域方差var(z)来估计信号的先验均值和方差。根据前面的
上海大学2012～2013学年春季学期本科生 课程项目报告 课程名称：《通信原理B（2）》课程编号： 07275129 题目: 匹配滤波器分析 学生姓名: 王子驰（组长）学号: 10124021 学生姓名: 蒋子昂学号: 10124022 学生姓名: 徐璐学号: 10124040 学生姓名: 陈张婳学号: 10123773 学生姓名: 张晨学号: 10123743 评语: 成绩: 任课教师: 评阅日期:
匹配滤波器分析 日期（2013年5月1日） 摘要：在最佳线性滤波器的设计中有一种是使滤波器输出信噪比在某一特定时刻达到最大，由此而导 出的最佳线性滤波器称为匹配滤波器。匹配滤波器对信号做的两种处理：1、去掉信号相频函数中的任 何非线性部分；2、按照信号的幅频特性对输入波形进行加权，即当信号与噪声同时进入滤波器时，它 使信号成分在某一瞬间出现尖峰值，而噪声成分受到抑制。本文介绍了匹配滤波器的原理，利用MATLAB 软件，设计了一种匹配滤波器，并对其在二进制确知信号最佳接收中的应用进行了分析。 1.引言 在数字通信系统中，信道的传输特性和传输过程中噪声的存在是影响通信性能的两个主要因素。人们总是希望在一定的传输条件下，达到最好的传输性能，最佳接收就是在噪声干扰中如何有效地检测出信号。所谓最佳是在某种标准下系统性能达到最佳，最佳接收是个相对的概念，在某种准则下的最佳系统，在另外一种准则下就不一定是最佳的。在某些特定条件下，几种最佳准则也可能是等价的。在数字通信中，最常采用的是输出信噪比最大准则和差错概率最小准则。 在数字信号接收中，滤波器的作用有两个方面，第一是使滤波器输出有用信号成分尽可能强； 第二是抑制信号带外噪声，使滤波器输出噪声成分尽可能小，减小噪声对信号判决的影响。 通常对最佳线性滤波器的设计有两种准则：一种是使滤波器输出的信号波形与发送信号波形之 间的均方误差最小，由此而导出的最佳线性滤波器称为维纳滤波器；另一种是使滤波器输出信噪比 在某一特定时刻达到最大，由此而导出的最佳线性滤波器称为匹配滤波器。在数字通信中，匹配滤 波器具有更广泛的应用。 2.课程项目的目的 (1)掌握匹配滤波器的基本概念、基本原理和基本设计方法； (2)具备对简单通信系统进行建立模型、定性分析、定量计算的能力； (3)对实验过程中存在的问题能够进行分析和排除； (4)对规定任务有一定的创新能力。 3.基本原理介绍 由数字信号的判决原理我们知道，抽样判决器输出数据正确与否，与滤波器输出信号波形和发 送信号波形之间的相似程度无关，也即与滤波器输出信号波形的失真程度无关，而只取决于抽样时 刻信号的瞬时功率与噪声平均功率之比，即信噪比。信噪比越大，错误判决的概率就越小；反之，Array 信噪比越小，错误判决概率就越大。
目录 摘要…………………..………………………………………………………..….............I 第1章绪论....................................................................................................................错误!未定义书签。 1.1引言……………………………………………...…..…………...……………...错误!未定义书签。 1.2课题研究意义和目的 (1) 1.3国内外研究发展状况 (2) 1.4本文研究思路与主要工作 (4) 第2章自适应滤波器理论基础 (5) 2.1自适应滤波器简介 (5) 2.2自适应滤波器的原理 (5) 2.3自适应滤波算法 (7) 2.4TMS320VC5402的简介 (8) 第3章总体方案设计 (10) 3.1无限冲激响应（IIR）滤波器 (10) 3.2有限冲激响应（FIR）滤波器 (11) 3.3电路设计 (11) 4基于软件设计及仿真 (17) 4.3 DSP的理论基础 (17) 4.4自适应滤波算法的DSP实现 (18) 5总结 (21) 参考文献 (22) 致谢 (23) 附录自适应滤波源代码 (24)
第1章绪论 1.1引言 随着微电子技术和计算机技术的迅速发展，具备了实现自适应滤波器技术的各种软硬件条件，有关自适应滤波器的新算法、新理论和新的实施方法不断涌现，对自适应滤波的稳定性、收敛速度和跟踪特性的研究也不断深入，这一切使该技术越来越成熟，并且在系统辨识、通信均衡、回波抵消、谱线增强、噪声抑制、系统模拟语音信号处理、生物医学电子等方面都获得了广泛应用口。自适应滤波器实现的复杂性通常用它所需的乘法次数和阶数来衡量，而DSP强大的数据吞吐量和数据处理能力使得自适应滤波器的实现更容易。目前绝大多数的自适应滤波器应用是基于最新发展的DSP 来设计的． 滤波技术是信号处理中的一种基本方法和技术，尤其数字滤波技术使用广泛，数字滤波理论的研究及其产品的开发一直受到很多国家的重视。从总的来说滤波可分为经典滤波和现代滤波。经典滤波要求已知信号和噪声的统计特性，如维纳滤波和卡尔曼滤波。现代滤波则不要求己知信号和噪声的统计特性，如自适应滤波。自适应滤波的原理就是利用前一时刻己获得的滤波参数等结果，自动地调节现时刻的滤波参数，从而达到最优化滤波。自适应滤波具有很强的自学习、自跟踪能力，适用于平稳和非平稳随机信号的检测和估计。自适应滤波一般包括3个模块：滤波结构、性能判据和自适应算法。其中，自适应滤波算法一直是人们的研究热点，包括线性自适应算法和非线性自适应算法，非线性自适应算法具有更强的信号处理能力，但计算比较复杂，实际应用最多的仍然是线性自适应滤波算法。线性自适应滤波算法的种类很多，有LMS自适应滤波算法、R路自适应滤波算法、变换域自适应滤波算法、仿射投影算法、共扼梯度算法等。 1.2课题研究意义和目的 自适应滤波理论与技术是现代信号处理技术的重要组成部分，对复杂信号的处理具有独特的功能，对自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一。自适应滤波器与普通滤波器不同，它的冲激响应或滤波参数是随外部环境的变化而变化的，经过一段自动调节的收敛时间达到最佳滤波的要求。自适应滤波器本身有一个重要的自适应算法，这个算法可以根据输入、输出及原参量信号按照一定准则修改滤波参量，以使它本身能有效的跟踪外部环境的变化。因此，自适应数字系
●主题论文 １ 引言 在通信系统中，匹配滤波器的应用十分广泛，尤 其在扩频通信如在ＣＤＭＡ系统中，用于伪随机序列（通常是ｍ序列）的同步捕获。 匹配滤波器是扩频通信中的关键部件，它的性能直接影响到通信的质量。本文从数字匹配滤波器的理论及结构出发，讨论了它在数字通信直扩系统中的应用，并对其基于ＦＰＧＡ的具体实现进行了优化。 ２ 数字匹配滤波捕获技术 在直接序列扩频解扩系统中，数字匹配滤波器 的捕获是以接收端扩频码序列作为数字ＦＩＲ滤波器的抽头系数，对接收到的信号进行相关滤波，滤波输出结果进入门限判决器进行门限判决，如果超过 设定门限，表明此刻本地序列码的相位与接收扩频序列码的相位达到同步。如果并未超过设定门限，则表明此刻本地序列码的相位与接收到的扩频序列码的相位不同步，需要再次重复相关运算，直到同步为止，如图１所示。 数字匹配滤波器由移位寄存器、乘法器和累加器组成，这只是ＦＩＲ滤波器的结构形式，只不过伪 数字匹配滤波器的优化设计与ＦＰＧＡ实现 （王光１，田斌１，吴勉２， 易克初１，田红心１） （１．西安电子科技大学综合业务网国家重点实验室，陕西西安７１００７１； ２．深圳通创通信有限公司，广东深圳５１８００１） 摘要：介绍在直接序列扩频通信中应用数字匹配滤波器实现ｍ序列同步，分析其具体结构，详细讨论了其基于ＦＰＧＡ（现场可编程门阵列）的性能优化。结果表明，数字匹配滤波器用ＦＰＧＡ实现时，能够大大减少资源占用，并提高工作效率。关 键 词：ＦＰＧＡ；数字匹配滤波器；直接序列扩频 中图分类号：ＴＮ７１３ 文献标识码：Ａ 文章编号：１００６－６９７７（２００６）０５－００７０－０４ Ｄｉｇｉｔａｌｍａｔｃｈｉｎｇｆｉｌｔｅｒ’ｓｏｐｔｉｍｉｚａｔｉｏｎｄｅｓｉｇｎｉｎｇ ａｎｄＦＰＧＡｉｍｐｌｅｍｅｎｔａｔｉｏｎ ＷＡＮＧＧｕａｎｇ１，ＴＩＡＮＢｉｎ１， ＷＵＭｉａｎ２，ＹＩＫｅ－ｃｈｕ１，ＴＩＡＮＨｏｎｇ－ｘｉｎ１ （１．ＮａｔｉｏｎａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｇｒａｔｅｄＳｅｒｖｉｃｅｓＮｅｔｗｏｒｋｓ，ＸｉｄｉａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００７１，Ｃｈｉｎａ； ２．ＳｈｅｎｚｈｅｎＮｅｗＣｏｍＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓＣｏ．，Ｌｔｄ，Ｓｈｅｎｚｈｅｎ５１８００１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅｍ－ｓｅｑｕｅｎｃｅ’ｓｓｙｎｃｈｒｏｎｏｕｓｃａｐｔｕｒｉｎｇｉｎｄｉｒｅｃｔｓｅｑｕｅｎｃｅｓｐｒｅａｄｓｐｅｃｔｒｕｍｓｙｓｔｅｍｂｙｕｓ－ ｉｎｇｄｉｇｉｔａｌｍａｔｃｈｉｎｇｆｉｌｔｅｒｉｓｄｅｓｃｒｉｂｅｄ，ｉｔｓｒｅａｌｉｚａｔｉｏｎｓｔｒｕｃｔｕｒｅｉｓａｎａｌｙｚｅｄａｎｄｉｔｓｏｐｔｉｍｉｚａｔｉｏｎｉｍｐｌｅ－ｍｅｎｔａｔｉｏｎｉｓｄｉｓｃｕｓｓｅｄｉｎｄｅｔａｉｌ．Ｔｈｅｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｄｉｇｉｔａｌｍａｔｃｈｉｎｇｆｉｌｔｅｒｃａｎｄｅ－ｃｒｅａｓｅｔｈｅｒｅｓｏｕｒｃｅｏｃｃｕｐａｔｉｏｎｇｒｅａｔｌｙａｎｄｉｎｃｒｅａｓｅｗｏｒｋｉｎｇｅｆｆｉｃｉｅｎｃｙ． Ｋｅｙｗｏｒｄｓ：ＦＰＧＡ；ｄｉｇｉｔａｌｍａｔｃｈｉｎｇｆｉｌｔｅｒ；ｄｉｒｅｃｔｓｅｑｕｅｎｃｅｓｐｒｅａｄｓｐｅｃｔｒｕｍ 图１ 数字匹配滤波器的结构图
1.1 匹配滤波器检测 基于第三章对频谱滤波器检测的简要描述，本节就对此进行详细的解说。前面提到了当认知用户知道主用户的先验信息时，匹配滤波器检测就是频谱检测的最优算法，早期的研究表明，匹配滤波器需要（1/SNR ）个采样数，检测时间相比较而言较短，就可以与预期的误差概率相吻合。 这种滤波器在数字通信信号和雷达信号的检测中具有特别重要的意义。匹配滤波器频谱检测算法在加性高斯白噪声信道中是一种最优的频谱感知方法，主要通过对授权信号进行解调或者导频检测实现。前者实现比较复杂，通过采用匹配滤波器对授权用户信号解调，要求认知用户为每类授权用户提供一套接收解码设备；后者实现相对简单，不再需要复杂的接收解码设备，而且目前大部分无线通信系统都存在导频、前导码、时间同步信号和扩频码等确知信号， 这样就使得匹配滤波器检测大大简化，但它的缺点就是为了获得匹配滤波器而必须具备授权用户信号的先验知识，除此之外，计算量也比较大。因此如果先验知识不准确，那么匹配滤波器的性能就会大大下降。 1.1.1 匹配滤波器检测框图 检测统计量Y 为： *)()(∑= N n x n y Y 假设x(n)发射信号已知，将检测统计量与预先设定的门限值λ进行比较，大于门限值时就表明关心的频谱存在授权用户，如果小于门限值，就说明该信道中只有噪声，也就是说，出现了频谱空洞，感知用户可以占用该信道。 匹配滤波器检测框图1
对于现实中的信道，信号可能是M 进制的，这就需要同时进行几路信号同时进行匹配，将每一路频谱的结果进行比较，得到的判决结果后，再根据一定的判决根据，判决得到经过不同信道的接受信号。其工作原理图如下： 匹配滤波器工作原理图2 1.1.2 匹配滤波器检测原理 在第三章中曾提到，匹配滤波器检测的设计准则就是使信号的输出信噪比SNR 在某一时刻达到最大值。信噪比SNR 表达式如下： N 2Es SNR = 式子中Es 为观测时间段中检测信号的能量，N 0为噪声功率。 信道在传输信号时还叠加有高斯白噪声n(t)，其均值为零，双边功率谱密度为N 0//2,因此接收信号波形为： t t n t s t r ≤ ≤+=0),()()( 设最大输出信噪比准则下的最佳线性滤波器H(ω)，输出为 )()()(y 0t n t s t o += 在t=tm 时候，输出信噪比为： ()()m m t n t s 2 o 2 o =ρ 设()()[]t s S F =ωj ，那么经过匹配滤波器后的输出信号为 ()()()? ∞ ∞ -=ωωωπ ωd 21o m t j m e j S j H t s
数字通信课程设计 匹配滤波器
摘要 ?在通信系统中,滤波器是重要的部件之一，滤波器特征的选择直接影响数字信号的恢复。在数字信号接收中，滤波器的作用有两个方面，使滤波器输出有用信号成分尽可能强;抑制信号带外噪声，使滤波器输出噪声成分尽可能小,减少噪声对信号判决的影响。对最佳线性滤波器的设计有一种准则是使滤波器输出信噪比在特定时刻到达最大,由此导出的最佳线性滤波器称为匹配滤波器。在数字通信中,匹配滤波器具有广泛的应用。因此匹配滤波器是指滤波器的性能与信号的特征取得某种一致，使滤波器输出端的信号瞬时功率与噪声平均功率的比值最大。本文设计并仿真了一种数字基带通信系统接收端的匹配滤波器。 一、课程设计的目的 通过本次对匹配滤波器的设计,让我们对匹配滤波器的原理有更深一步的理 解，掌握具体的匹配滤波器的设计方法与算法。 二、课程设计的原理 设接收滤波器的传输函数为)(f H ,冲击响应为)(t h ，滤波器输入码元)(t s 的持续时间为s T ,信号和噪声之和)(t r 为 )()()(t n t s t r += s T t ≤≤0 式中,)(t s 为信号码元，)(t n 为白噪声。 并设信号码元)(t s 的频谱密度函数为)(f S ,噪声)(t n 的双边功率谱密度为 2/0n P n =,0n 为噪声单边功率谱密度。 假定滤波器是线性的,根据叠加定理，当滤波器输入信号和噪声两部分时，滤波器的输出也包含相应的输出信号和输出噪声两部分，即 )()()(00t n t s t y += 由于：)()()()()()(2 * f P f H f P f H f H f P R R Y == )(f P R 为输出功率谱密度,)(f P R 为输入功率谱密度，2/)(0n f P R = ?这时的输出噪声功率0N 等于 ? ?∞ ∞ -∞ ∞ -=?=df f H n df n f H N 2 02 0)(22)( 在抽样时刻0t 上,输出信号瞬时功率与噪声平均功率之比为
第三章运算方法与运算器 3.1定点数运算及溢出检测随堂测验 1、定点运算器可直接进行的运算是（) (单选) A、十进制数加法运算 B、定点数运算 C、浮点数运算 D、定点数和浮点数运算 2、设计计算机字长为8位，两个十进制数X = -97 ，Y = 63, [x]补- [y]补的结果为（）（单选） A、01100000 B、11011110 C、负溢出 D、正溢出 3、下列关于定点运算溢出的描述中，正确的是( ) （多选） A、补码数据表时，同号数相加可能发生溢出 B、补码数据表时，异号数相减可能发生溢出 C、参加运算的两个数，当作为有符号数和无符号数进行加法运算时，不可能两者都溢出 D、溢出检测既可用硬件实现，也可用软件实现 4、设Ｘ为被加（减）数，Ｙ为加（减）数，Ｓ为运算结果，均采用补码数据表示，下列关于溢出电路设计的描述中，正确的是（）（多选） A、采用单符号位时，直接用Ｘ、Ｙ和Ｓ的符号位就可设计溢出监测电路 B、采用双符号位时，可直接用Ｓ的双符号位设计溢出检测电路 C、采用单符号位时，可直接用Ｘ、Ｙ最高有效数据位运算后的进位位和Ｓ的进位设计溢出监测电路 D、对无符号数的加／减运算，可利用运算器的进位信号设计溢出检测电路 3.2 定点数补码加、减运算器设计随堂测验 1、如图所示为基于FA的运算器：为了利用一位全加器FA并配合使用控制信号P，当P= 0/1时实现A、B两个数的加法/减法运算，图中空白方框处电路的逻辑功能应该是（）（单选）
A、与门 B、或门 C、异或门 D、非门 2、如图所示为带溢出检测功能的运算器该电路完成的溢出检测功能是（）（多选）
卡尔曼滤波的基本原理及应用卡尔曼滤波在信号处理与系统控制领域应用广泛，目前，正越来越广泛地应用于计算机应用的各个领域。为了更好地理解卡尔曼滤波的原理与进行滤波算法的设计工作，主要从两方面对卡尔曼滤波进行阐述：基本卡尔曼滤波系统模型、滤波模型的建立以及非线性卡尔曼滤波的线性化。最后，对卡尔曼滤波的应用做了简单介绍。 卡尔曼滤波属于一种软件滤波方法，其基本思想是：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。 最初的卡尔曼滤波算法被称为基本卡尔曼滤波算法，适用于解决随机线性离散系统的状态或参数估计问题。卡尔曼滤波器包括两个主要过程：预估与校正。预估过程主要是利用时间更新方程建立对当前状态的先验估计，及时向前推算当前状态变量和误差协方差估计的值，以便为下一个时间状态构造先验估计值；校正过程负责反馈，利用测量更新方程在预估过程的先验估计值及当前测量变量的基础上建立起对当前状态的改进的后验估计。这样的一个过程，我们称之为预估－校正过程，对应的这种估计算法称为预估－校正算法。以下给出离散卡尔曼滤波的时间更新方程和状态更新方程。 时间更新方程： 状态更新方程： 在上面式中，各量说明如下： A：作用在X k-1上的n×n 状态变换矩阵 B：作用在控制向量U k-1上的n×1 输入控制矩阵 H：m×n 观测模型矩阵，它把真实状态空间映射成观测空间 P k－：为n×n 先验估计误差协方差矩阵 P k：为n×n 后验估计误差协方差矩阵 Q：n×n 过程噪声协方差矩阵 R：m×m 过程噪声协方差矩阵 I：n×n 阶单位矩阵K k：n×m 阶矩阵，称为卡尔曼增益或混合因数 随着卡尔曼滤波理论的发展，一些实用卡尔曼滤波技术被提出来，如自适应滤波，次优滤波以及滤波发散抑制技术等逐渐得到广泛应用。其它的滤波理论也迅速发展，如线性离散系统的分解滤波（信息平方根滤波，序列平方根滤波，UD 分解滤波），鲁棒滤波（H∞波）。 非线性样条自适应滤波：这是一类新的非线性自适应滤波器，它由一个线性组合器后跟挠性无记忆功能的。涉及的自适应处理的非线性函数是基于可在学习
10.6 卡尔曼滤波器简介 本节讨论如何从带噪声的测量数据把有用信号提取出来的问题。通常，信号的频谱处于有限的频率范围内，而噪声的频谱则散布在很广的频率范围内。如前所述，为了消除噪声，可以把 FIR滤波器或IIR滤波器设计成合适的频带滤波器，进行频域滤波。但在许多应用场合，需要进行时域滤波，从带噪声的信号中提取有用信号。虽然这样的过程其实也算是对信号的滤波，但所依据的理论,即针对随机信号的估计理论,是自成体系的。人们对随机信号干扰下的有用信号不能“确知”，只能“估计”。为了“估计”，要事先确定某种准则以评定估计的好坏程度。最小均方误差是一种常用的比较简单的经典准则。典型的线性估计器是离散时间维纳滤波器与卡尔曼滤波器。 对于平稳时间序列的最小均方误差估计的第一个明确解是维纳在1942年2月首先给出的。当时美国的一个战争研究团体发表了一个秘密文件，其中就包括维纳关于滤波问题的研究工作。这项研究是用于防空火力控制系统的。维纳滤波器是基于最小均方误差准则的估计器。为了寻求维纳滤波器的冲激响应，需要求解著名的维纳-霍夫方程。这种滤波理论所追求的是使均方误差最小的系统最佳冲激响应的明确表达式。这与卡尔曼滤波（Kalman filtering）是很不相同的。卡尔曼滤波所追求的则是使均方误差最小的递推算法。 在维纳进行滤波理论研究并导出维纳-霍夫方程的十年以前，在1931年，维纳和霍夫在数学上就已经得到了这个方程的解。 对于维纳-霍夫方程的研究，20世纪五十年代涌现了大量文章，特别是将维纳滤波推广到非平稳过程的文章甚多，但实用结果却很少。这时正处于卡尔曼滤波问世的前夜。 维纳滤波的困难问题，首先在上世纪五十年代中期确定卫星轨道的问题上遇到了。1958年斯韦尔林（Swerling）首先提出了处理这个问题的递推算法，并且立刻被承认和应用。1960年卡尔曼进行了比斯韦尔林更有意义的工作。他严格地把状态变量的概念引入到最小均方误差估计中来，建立了卡尔曼滤波理论。空间时代的到来推动了这种滤波理论的发展。 维纳滤波与卡尔曼滤波所研究的都是基于最小均方误差准则的估计问题。 维纳滤波理论的不足之处是明显的。在运用的过程中，它必须把用到的全部数据存储起来，而且每一时刻都要通过对这些数据的运算才能得到所需要的各种量的估值。按照这种滤波方法设置的专用计算机的存储量与计算量必然很大，很难进行实时处理。虽经许多科技工作者的努力，在解决非平稳过程的滤波问题时，给出能用的方法为数甚少。到五十年代中期，随着空间技术的发展，这种方法越来越不能满足实际应用的需要，面临了新的挑战。尽管如此，维纳滤波理论在滤波理论中的开拓工作是不容置疑的，维纳在方法论上的创见，仍然影响着后人。 五十年代中期，空间技术飞速发展，要求对卫星轨道进行精确的测量。为此，人们将滤波问题以微分方程表示，提出了一系列适应空间技术应用的精练算法。1960年
第二章自适应滤波器原理 2.1 基本原理 2.1.1 自适应滤波器的发展 在解决线性滤波问题的统计方法中，通常假设已知有用信号及其附加噪声的某些统计参数（例如，均值和自相关函数），而且需要设计含噪数据作为其输入的线性滤波器，使得根据某种统计准则噪声对滤波器的影响最小。实现该滤波器优化问题的一个有用方法是使误差信号（定义为期望响应与滤波器实际输出之差）的均方值最小化。对于平稳输入，通常采用所谓维纳滤波器（Wiener filter）的解决方案。该滤波器在均方误差意义上使最优的。误差信号均方值相对于滤波器可调参数的曲线通常称为误差性能曲面。该曲面的极小点即为维纳解。 维纳滤波器不适合于应对信号和/或噪声非平稳问题。在这种情况下，必须假设最优滤波器为时变形式。对于这个更加困难的问题，十分成功的一个解决方案使采用卡尔曼滤波器（Kalman filter）。该滤波器在各种工程应用中式一个强有力的系统。 维纳滤波器的设计要求所要处理的数据统计方面的先验知识。只有当输入数据的统计特性与滤波器设计所依赖的某一先验知识匹配时，该滤波器才是最优的。当这个信息完全未知时，就不可能设计维纳滤波器，或者该设计不再是最优的。而且维纳滤波器的参数是固定的。 在这种情况下，可采用的一个直接方法是“估计和插入过程”。该过程包含两个步骤，首先是“估计”有关信号的统计参数，然后将所得到的结果“插入（plug into）”非递归公式以计算滤波器参数。对于实时运算，该过程的缺点是要求特别精心制作，而且要求价格昂贵的硬件。为了消除这个限制，可采用自适应滤波器（adaptive filter）。采用这样一种系统，意味着滤波器是自设计的，即自适应滤波器依靠递归算法进行其计算，这样使它有可能在无法获得有关信号特征完整知识的环境下，玩完满地完成滤波运算。该算法将从某些预先确定的初始条件集出发，这些初始条件代表了人们所知道的上述环境的任何一种情况。我们还发现，在平稳环境下，该运算经一些成功迭代后收敛于某种统计意义上的最优维纳解。在非平稳环境下，该算法提供了一种跟踪能力，即跟踪输入数据统计特性随时间的变化，只要这种变化时足够缓慢的。 40年代，N.维纳用最小均方原则设计最佳线性滤波器，用来处理平稳随机
1.5. 2. 匹配滤波器 最佳接收机还可以有另外的一种结构，即匹配滤波器。为了说明匹配滤波器的基本原理，我们从这样一个直观的分析入手。 我们知道，通信系统的误码率与输出的信噪比有关，接收端输出信噪比越大，则系统的误码率越小。因此，如果在每次判决前，输出的信噪比都是最大的，则该系统一定是误码率最小的系统。 遵从这种考虑原则，我们可以得到匹配滤波器的概念。接收机通过匹配滤波器使输出信噪比最大。 一、匹配滤波器原理 假设线性滤波器的输入端是信号与噪声的叠加)()()(t n t x t s +=，且假设噪声)(t n 是 白噪声，其功率谱密度2 )(0 N f P n = ，信号的频谱为)(f X 。 问题：设计一个滤波器使输出端的信噪比在某时刻0t 达到最大。 假设该滤波器的系统响应函数为)(f H ，系统冲击响应为)(t h ，则 输出信号)()()(0t n t s t y O += 其中，? ∞ ∞ --= τττd t h x t s )()()(0，)()()(f H f X f S o = ?∞ ∞ -=df e f H f X t s ft j o π2)()()( 所以在0t 时刻，信号的功率为200|)(|t s 输出噪声的功率谱密度20 |)(|2 )(f H N f P o n = 输出噪声平均功率为?∞ ∞-= df f H N Pn 2 0|)(|2 所以0t 时刻输出的信噪比为： ??∞ ∞-∞ ∞ -== df f H N df e f H f X Pn t s r ft j 2 02 22 000|)(|2|)()(|| )(|0π 根据Schwarts 不等式， ???∞ ∞ -∞ ∞ -∞ ∞ -≤df f Y df f X df f Y f X 22 2 |)(||)(||)()(|
卡尔曼，美国数学家和电气工程师。1930年5月 19日生于匈牙利首都布达佩斯。1953年在美国麻省理工学院毕业获理学士学位,1954年获理学硕士学位,1957年在哥伦比亚大学获科学博士学位。1957～1958年在国际商业机器公司(IBM)研究大系统计算机控制的数学问题。1958～1964年在巴尔的摩高级研究院研究控制和数学问题。1964～1971年到斯坦福大学任教授。1971年任佛罗里达大学数学系统理论研究中心主任，并兼任苏黎世的瑞士联邦高等工业学校教授。1960年卡尔曼因提出著名的卡尔曼滤波器而闻名于世。卡尔曼滤波器在随机序列估计、空间技术、工程系统辨识和经济系统建模等方面有许多重要应用。1960年卡尔曼还提出能控性的概念。能控性是控制系统的研究和实现的基本概念，在最优控制理论、稳定性理论和网络理论中起着重要作用。卡尔曼还利用对偶原理导出能观测性概念，并在数学上证明了卡尔曼滤波理论与最优控制理论对偶。为此获电气与电子工程师学会(IEEE)的最高奖──荣誉奖章。卡尔曼著有《数学系统概论》(1968)等书。 什么是卡尔曼滤波 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼
滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 卡尔曼滤波的实质是由量测值重构系统的状态向量。它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，或根据系统的量测值从被污染的系统中恢复系统的本来面目。 释文：卡尔曼滤波器是一种由卡尔曼（Kalman）提出的用于时变线性系统的递归滤波器。这个系统可用包含正交状态变量的微分方程模型来描述，这种滤波器是将过去的测量估计误差合并到新的测量误差中来估计将来的误差。 卡尔曼滤波的应用 斯坦利.施密特(Stanley Schmidt)首次实现了卡尔曼滤波器.卡尔曼在NASA埃姆斯研究中心访问时,发现他的方法对于解决阿波罗计划的轨道预测很有用,后来阿波罗飞船的导航电脑使用了这种滤波器. 关于这种滤波器的论文由Swerling (1958), Kalman (1960)与 Kalman and Bucy (1961)发表.
线性离散卡尔曼滤波公式 两种数学推导方法的比较 1. 引言 卡尔曼滤波属于一种软件滤波方法，其基本思想是：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。从研究的历史来看，卡尔曼是首先研究的离散形式的卡尔曼滤波问题，所以最初的卡尔曼滤波算法被称为基本卡尔曼滤波算法，适用于解决随机线性离散系统的状态或参数估计问题。下面分别对比了离散线性卡尔曼滤波器的相关公式推导的两种方法。 2. 离散线性卡尔曼滤波器的直观数学推导 下面从直观角度来推导线性离散系统的卡尔曼滤波器，这是书中的推导方法。首先假设线性离散系统模型如下 ,11,11 k k k k k k k k k k k x w z H x v x ----=Φ+Γ=+ 其中，1k w -为过程噪声，k v 为观测噪声，k z 为第k 次的测量值，/?k k x 是k x 的最优线性估计，/1?k k x -是k x 的一步预报估计。过程噪声1k w -和观测噪声k v 的统计特性为： 1[]0,(,)[]0,(,)(,)0 k ww k kj k vv k kj wv E w R k j Q E v R k j R R k j δδ-===== 初始状态0x 的统计特性为： 0000?[],()E x x Var x P == 并假定0x 与k w 和k v 均无关，则有： 00(0,)(,)0(0,)(,)0 T xw k T xv k R k E x w R k E x v ==== 据以上假设及条件，可得如下直观形式 /1,11/1/1/1//1/1??????k k k k k k k k k k k k k k k k k k x x z H x x x K z --------=Φ==+
245 第3章 最小均方误差自适应格形滤波器 前面介绍的滤波器是横向结构的（或称为直接形式），这一章我们介绍另一类结构的自适应滤波器，称为自适应格形滤波器。自适应格形滤波器具有一系列重要优点，使其有着广泛的应用领域，例如用于系统辨识和控制、噪声干扰对消、信道均衡、以及语音分析和合成等。特别是递推最小二乘格型滤波器具有非常好的数值特性并能跟踪时变信号。 自适应格形滤波器正如自适应横向滤波器一样，有最小均方误差准则和最小二乘准则两种，因而自适应格形滤波器也两类不同的算法及实现结构。这一章将讨论最小均方误差自适应格形滤波器。 求解线性预测正规方程也可采用Levinson-Durbin 算法，其运算量比直接求解正规方程要小得多。根据Levinson-Durbin 算法可以发展出格形滤波器。格形滤波器具有一系列重要优点，使其在自适应中获得广泛应用。格形滤波器的优点包括：（1）一个m 阶格形滤波器可以产生相当于从1阶到m 阶的m 个横向滤波器的输出。这使我们能在变化的环境下动态地选择最佳的阶；（对于横向滤波器来说，一旦滤波器的长度改变就会导致一组新的滤波器系数，而新的滤波器系数与旧的完全不同。而格形滤波器的结构是阶次递推式的，它的阶数的改变并不影响其它级的反射系数。）（2）格形滤波器具有模块式结构，便于实现高速并行处理；（3）格形滤波器系数优良的数值特性。 3.1 线性预测滤波器 3.1.1 前向线性预测滤波器 前向线性预测是已知)1(-n x ，…，)(m n x -等m 个值，用这m 个值线性组合预测)(n x ，即 )()1()(?1m n x a n x a n x mm m -----= ∑=--=m k mk k n x a 1 )( 3.1.1） mk a 称为前向预测系数。实现这种处理的滤波器称为前向线性预测滤波器。前向 线性预测误差为
毕业设计(论文)外文资料翻译 系 ： 电气工程学院 专 业： 电子信息科学与技术 姓 名： 周景龙 学 号： 0601030115 外文出处： Department of Computer Science University of North Carolina at Chapel Hill Chapel Hill,NC27599-3175 附 件：1.外文资料翻译译文；2.外文原文。 (用外文写)
卡尔曼滤波器介绍 摘要 在1960年，卡尔曼出版了他最著名的论文，描述了一个对离散数据线性滤波问题的递归解决方法。从那以后，由于数字计算的进步，卡尔曼滤波器已经成为广泛研究和应用的主题，特别在自动化或协助导航领域。 卡尔曼滤波器是一系列方程式，提供了有效的计算（递归）方法去估计过程的状态，是一种以平方误差的均值达到最小的方式。滤波器在很多方面都很强大：它支持过去，现在，甚至将来状态的估计，而且当系统的确切性质未知时也可以做。 这篇论文的目的是对离散卡尔曼滤波器提供一个实际介绍。这次介绍包括对基本离散卡尔曼滤波器推导的描述和一些讨论，扩展卡尔曼滤波器的描述和一些讨论和一个相对简单的（切实的）实际例子。 离散卡尔曼滤波器 在1960年，卡尔曼出版了他最著名的论文，描述了一个对离散数据线性滤波问题的递归解决方法[Kalman60]。从那以后，由于数字计算的进步，卡尔曼滤波器已经成为广泛研究和应用的主题，特别在自动化或协助导航领域。第一章讲述了对卡尔曼滤波器非常“友好的”介绍[Maybeck79]，而一个完整的介绍可以在[Sorenson70]找到，也包含了一些有趣的历史叙事。更加广泛的参考包括Gelb74；Grewal93；Maybeck79；Lewis86；Brown92；Jacobs93]. 被估计的过程 卡尔曼滤波器卡用于估计离散时间控制过程的状态变量 n x ∈?。这个离散 时间过程由以下离散随机差分方程描述： 111k k k k x Ax bu w ---=++ （1.1） 测量值m z ∈?，k k k z Hx v =+ （1.2） 随机变量k w 和k v 分别表示过程和测量噪声。他们之间假设是独立的，正态分布的高斯白噪: ()~(0)p w N Q ， （1.3） ()~(0)p v N R ， （1.4） 在实际系统中，过程噪声协方差矩阵Q 和观测噪声协方差矩阵R 可能会随每次迭代计算而变化。但在这儿我们假设它们是常数。 当控制函数1k u - 或过程噪声1k w -为零时，差分方程1.1中的n n ? 阶增益矩阵A 将过去k-1 时刻状态和现在的k 时刻状态联系起来。实际中A 可能随时间变化，但
1．什么是卡尔曼滤波器 在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。卡尔曼是一个人的名字。 卡尔曼全名Rudolf Emil Kalman，1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文 《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。 简单来说，卡尔曼滤波器是一个 “optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 2．卡尔曼滤波器的介绍 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。
假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。（所谓高斯白噪声中的高斯是指概率分布是正态函数，而白噪声是指它的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。这是考查一个信号的两个不同方面的问题。 高斯白噪声：如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。） 好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。 假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻的温度。因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平
卡尔曼滤波器Kalman Filter (zz) 关键词：卡尔曼滤波器Kalman Filter 在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！ 卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Predict ion Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载： https://www.doczj.com/doc/0a13936073.html,/~welch/kalman/media/pdf/Kalman1960.pdf 简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 2．卡尔曼滤波器的介绍 （Introduction to the Kalman Filter） 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后
7.3 LMS自适应滤波器 自适应滤波器实际上是一种能够自动调整本身参数的特殊维纳滤波器，在设计时不需要预先知道关于输入信号和噪声的统计特性，它能够在工作过程中逐步“了解”或估计出所需的统计特性，并以此为依据自动调整自身的参数，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。 图7-3 自适应滤波器原理图 自适应滤波器由参数可调的数字滤波器(或称为自适应处理器)和自适应算法两部分组成，如图7-3所示。参数可调数字滤波器可以是FIR数字滤波器或IIR 数字滤波器，也可以是格型数字滤波器。输入信号x(n)通过参数可调数字滤波器后产生输出信号(或响应) y(n)，将其与参考信号(或称期望响应) d(n)进行比较，形成误差信号e(n)，并以此通过某种自适应算法对滤波器参数进行调整，最终使e(n)的均方值最小。 尽管自适应滤波器具有各种不同的算法和结构，但是，其最本质特征是始终不变的。这种最本质的特征可以概括为：自适应滤波器依据用户可以接受的准则或性能规范，在未知的而且可能是时变的环境中正常运行，而无须人为的干预。本章主要讨论的是基于维纳滤波器理论的最小均方(LMS)算法，可以看到LMS算法的主要优点是算法简单、运算量小、易于实现；其主要缺点是收敛速度较慢，而且与输入信号的统计特性有关。 7.3.1 LMS算法基本原理 1. 自适应线性滤波器 图7-4 单输入自适应线性滤波器图7-5 多输入自适应线性滤波器 自适应线性滤波器是一种参数可自适应调整的有限冲激响应(FIR)数字滤波器，具有非递归结构形式。因为它的分析和实现比较简单，所以在大多数自适应信号处理系统中得到了广泛应用。如图7-4所示的是自适应线性滤波器的一般形式。