[发明专利]基于多态可变步长归一化均方的自适应信号滤波方法

说明书

本发明公开了基于多态可变步长归一化均方的自适应信号滤波方法，涉及数字信号处理技术领域，解决现有自适应滤波方法在信号降噪过程中难以持续的快速收敛，其工作效率低、稳定性差的问题，其技术方案要点是：第一阶段，计算滤波器系数W(n)与最佳滤波器系数H(n)之间的稳态MSD，设定步长因子μ₁、μ₂，并根据μ₁、μ₂分别计算出初始态的稳态MSD₁、最终态的稳态MSD₂；第二阶段，在初始态MSD₁与最终态MSD₂之间添加多个暂态MSDP_i，根据MSD₁与MSD₂的倍数因子来调节暂态MSDP_i，并得到暂态步长因子μp_i，μ₂＜μp_i＜μ₁：第三阶段，以步长因子μ₂获得低的稳态，μ₂＜μp_i。定义为MVSS‑NLMS，可以持续的快速收敛，能弥补现有自适应滤波方法在第二阶段收敛速度慢的不足。

技术领域

本发明涉及数字信号处理技术领域，更具体地说，它涉及基于多态可变步长归一化均方的自适应信号滤波方法。

背景技术

自适应滤波是近年以来发展起来的一种最佳滤波方法。它是在维纳滤波，Kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能。从而在工程实际中，尤其在信息处理技术中得到了广泛的应用，如：信号处理、通信处理、图像处理等。

在1960年，Widrow和Hoff提出了自适应滤波的典型算法：最小均方算法(LMS)，此算法是基于最小均方误差准则。此算法在近几十年得到了广泛的发展，已应用在了通信、控制、雷达信号处理、系统辨识、回波抵消等领域。研究发现，LMS算法在信号降噪过程中的复杂度低、性能稳定，但是收敛速率慢；为了克服LMS上述缺点，Nagumo和Noda提出了一种归一化均方算法(Normalized Least Mean Square，NLMS)，但是其步长平稳，不能同时满足收敛速度快和稳态误差低；基于NLMS算法，Sulyman和Zerguine提出一种简单而健壮的可变步长归一化均方算法(Variable Step Size Normalized Least Mean Square，VSS-NLMS)，它能同时满足收敛速度快和稳态误差低，但是需要调整多个参数且难以实现；然后，又衍生出许多VSS-NLMS算法，不同的系统采用不同的VSS-NLMS算法。众所周知，更快(慢)的收敛速度会产生更大(小)的稳态均方差(Mean Square Deviation，MSD)。

目前，针对于系统识别模型，如图1所示，Prob-LMS算法的性能最好，不过它的复杂度过高。在Prob-LMS算法上又衍生出Switched VSS-NLMS算法，此算法应用于信号降噪过程中分为两个阶段，研究发现，第一个阶段的收敛速度超越了大部分应用VSS-NLMS算法的收敛速度，但是在第二个阶段的收敛速度不如大多数应用VSS-NLMS算法的收敛速度，导致收敛速度慢。

发明内容

为解决现有自适应滤波方法收敛速度慢的问题，本发明的目的是提供一种基于多态可变步长归一化均方的自适应信号滤波方法，定义为MVSS-NLMS算法。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，提供了基于多态可变步长归一化均方的自适应信号滤波方法，该方法应用于输入信号的快速收敛调节过程，包括：

第一阶段，计算滤波器系数W(n)与最佳滤波器系数H(n)之间的稳态MSD，设定步长因子μ₁、μ₂，并根据μ₁、μ₂分别计算出初始态的稳态MSD₁、最终态的稳态MSD₂；