众文网1.matlab自适应滤波器毕业论文
数字滤波器分为两类IIR和FIR。
FIR和IIR的滤波原理都是进行卷积，说白了就是对数入信号进行某种计算。FIR用处就在于对数字信号进行必要的处理，得到所需的输出信号。
iir滤波器有以下几个特点 1 iir数字滤波器的系统函数可以写成封闭函数的形式。 2 iir数字滤波器采用递归型结构，即结构上带有反馈环路。
iir滤波器运算结构通常由延时、乘以系数和相加等基本运算组成，可以组合成直接型、正准型、级联型、并联型四种结构形式，都具有反馈回路。由于运算中的舍入处理，使误差不断累积，有时会产生微弱的寄生振荡。
3 iir数字滤波器在计上可以借助成熟的模拟滤波器的成果，如巴特沃斯、契比雪夫和椭圆滤波器等，有现成的设计数据或图表可查，其设计工作量比较小，对计算工具的要求不高。在设计一个iir数字滤波器时，我们根据指标先写出模拟滤波器的公式，然后通过一定的变换，将模拟滤波器的公式转换成数字滤波器的公式。
4 iir数字滤波器的相位特性不好控制，对相位要求较高时，需加相位校准网络。 在matlab下设计iir滤波器可使用buttterworth函数设计出巴特沃斯滤波器，使用cheby1函数设计出契比雪夫i型滤波器，使用cheby2设计出契比雪夫II型滤波器，使用ellipord函数设计出椭圆滤波器。
下面主要介绍前两个函数的使用。 与fir滤波器的设计不同，iir滤波器设计时的阶数不是由设计者指定，而是根据设计者输入的各个滤波器参数（截止频率、通带滤纹、阻带衰减等），由软件设计出满足这些参数的最低滤波器阶数。
在matlab下设计不同类型iir滤波器均有与之对应的函数用于阶数的选择。 iir单位响应为无限脉冲序列fir单位响应为有限的 iir幅频特性精度很高，不是线性相位的，可以应用于对相位信息不敏感的音频信号上； fir幅频特性精度较之于iir低，但是线性相位，就是不同频率分量的信号经过fir滤波器后他们的时间差不变。
这是很好的性质。 另外有限的单位响应也有利于对数字信号的处理，便于编程，用于计算的时延也小，这对实时的信号处理很重要。
2.自适应的自适应滤波器
数学原理 以输入和输出信号的统计特性的估计为依据，采取特定算法自动地调整滤波器系数，使其达到最佳滤波特性的一种算法或装置。
自适应滤波器可 自适应滤波器 以是连续域的或是离散域的。离散域自适应滤波器由一组抽头延迟线、可变加权系数和自动调整系数的机构组成。
附图表示一个离散域自适应滤波器用于模拟未知离散系统的信号流图。自适应滤波器对输入信号序列x(n)的每一个样值，按特定的算法，更新、调整加权系数，使输出信号序列y(n)与期望输出信号序列d(n)相比较的均方误差为最小，即输出信号序列y(n)逼近期望信号序列d(n)。
20世纪4 自适应滤波器 0年代初期，N.维纳首先应用最小均方准则设计最佳线性滤波器，用来消除噪声、预测或平滑平稳随机信号。60年代初期，R.E.卡尔曼等发展并导出处理非平稳随机信号的最佳时变线性滤波设计理论。
维纳、卡尔曼-波色滤波器都是以预知信号和噪声的统计特征为基础，具有固定的滤波器系数。因此，仅当实际输入信号的统计特征与设计滤波器所依据的先验信息一致时，这类滤波器才是最佳的。
否则，这类滤波器不能提供最佳性能。70年代中期，B.维德罗等人提出自适应滤波器及其算法，发展了最佳滤波设计理论。
以最小均方误差为准则设计的自适应滤波器的系数可以由维纳-霍甫夫方程解得 式中W(n)为离散域自适应滤波器的系数列矩阵（n）为输入信号序列x(n)的自相关矩阵的逆矩阵，Φdx(n)为期望输出信号序列与输入信号序列x(n)的互相关列矩阵。 B.维德罗提出的一种方法，能实时求解自适应滤波器系数，其结果接近维纳-霍甫夫方程近似解。
这种算法称为最小均方算法或简称 LMS法。这一算法利用最陡下降法，由均方误差的梯 自适应滤波器 度估计从现时刻滤波器系数向量迭代计算下一个时刻的系数向量 式中憕【ε2(n)】为均方误差梯度估计， ks为一负数，它的取值决定算法的收敛性。
要求，其中λ为输入信号序列x(n)的自相关矩阵最大特征值。 自适应 LMS算法的均方误差超过维纳最佳滤波的最小均方误差，超过量称超均方误差。
通常用超均方误差与最小均方误差的比值（即失调）评价自适应滤波性能。 抽头延迟线的非递归型自适应滤波器算法的收敛速度，取决于输入信号自相关矩阵特征值的离散程度。
当特征值离散较大时，自适应过程收敛速度较慢。格型结构的自适应算法得到广泛的注意和实际应用。
与非递归型结构自适应算法相 自适应滤波器 比，它具有收敛速度较快等优点。人们还研究将自适应算法推广到递归型结构；但由于递归型结构自适应算法的非线性，自适应过程收敛性质的严格分析尚待探讨，实际应用尚受到一定限制。
编辑本段应用领域 自适应滤波器应用于通信领域的自动均衡、回波消除、天线阵波束形成，以及其他有关领域信号处理的参数识别、噪声消除、谱估计等方面。对于不同的应用，只是所加输入信号和期望信号不 自适应滤波器 同，基本原理则是相同的。
3.LMS自适应算法分析及在数字滤波器设计中的应用
一、应用：
1）消除心电图中的电源干扰；
2）检测胎儿心音时滤除母亲的心音及背景干扰；
3）在有多人讲话的场合下提取某人的讲话；
4）作为天线阵列的自适应旁瓣对消器。
二、简介：
自适应滤波器属于现代滤波器）它是20世纪40年代发展起来的）在自适应信号处理领域中发挥着重要的作用。
自适应滤波器是相对固定滤波器而言的（自适应滤波器滤波的频率是自动适应输入信号而变化的）在没有任何关于信号和噪声的先验知识的条件下。
自适应滤波器利用前一时刻已获得的滤波器的参数来自动调节现时刻的滤波器的参数-以适应信号和噪声未知或随机变化的统计特性，从而实现最优滤波器。即是根据不同的信号环境实现自身参数的调整。而实际情况中，信号和噪声的统计特性常常未知或无法获知，因此自适应滤波器的应用空间非常广泛-如系统辨识u噪声对消u自适应均衡w线性预测w自适应天线阵列等很多领域。
4.自适应滤波器的概述
一般情况下，不改变自适应滤波器的结构。而自适应滤波器的系数是由自适应算法更新的时变系数。即其系数自动连续地适应于给定信号，以获得期望响应。自适应滤波器的最重要的特征就在于它能够在未知环境中有效工作，并能够跟踪输入信号的时变特征。
5.基于RLS算法和LMS的自适应滤波器的MATLAB程序
% RLS算法 randn('seed', 0) ; rand('seed', 0) ; NoOfData = 8000 ; % Set no of data points used for training Order = 32 ； % 自适应滤波权数 Lambda = 0.98 ； % 遗忘因子 Delta = 0.001 ； % 相关矩阵R的初始化 x = randn(NoOfData, 1) ；%高斯随机系列 h = rand(Order, 1) ； % 系统随机抽样 d = filter(h, 1, x) ； % 期望输出 % RLS算法的初始化 P = Delta * eye ( Order, Order ) ；%相关矩阵 w = zeros ( Order, 1 ) ；%滤波系数矢量的初始化 % RLS Adaptation for n = Order : NoOfData ; u = x(n:-1:n-Order+1) ；%延时函数 pi_ = u' * P ；%互相关函数 k = Lambda + pi_ * u ; K = pi_'/k；%增益矢量 e(n) = d(n) - w' * u ；%误差函数 w = w + K * e(n) ；%递归公式 PPrime = K * pi_ ; P = ( P - PPrime ) / Lambda ；%误差相关矩阵 w_err(n) = norm(h - w) ；%真实估计误差 end ； % 作图表示结果 figure ; plot(20*log10(abs(e))) ;%| e |的误差曲线 title（'学习曲线'） ； xlabel（'迭代次数'） ； ylabel（'输出误差估计'） ； figure ; semilogy(w_err) ；%作实际估计误差图 title（'矢量估计误差'） ； xlabel（'迭代次数'） ； ylabel（'误差权矢量'） ； %lms 算法 clear all close all hold off%系统信道权数 sysorder = 5 ；%抽头数 N=1000；%总采样次数 inp = randn(N,1)；%产生高斯随机系列 n = randn(N,1); [b,a] = butter(2,0.25); Gz = tf(b,a,-1)；%逆变换函数 h= [0.0976;0.2873;0.3360;0.2210;0.0964；]；%信道特性向量 y = lsim(Gz,inp)；%加入噪声 n = n * std(y)/(10*std(n)）；%噪声信号 d = y + n；%期望输出信号 totallength=size(d,1)；%步长 N=60 ; %60节点作为训练序列 %算法的开始 w = zeros ( sysorder , 1 ) ；%初始化 for n = sysorder : N u = inp(n:-1:n-sysorder+1) ;% u的矩阵 y(n)= w' * u；%系统输出 e(n) = d(n) - y(n) ；%误差 if n 评论0 0 0。
6.自适应的自适应滤波器
数学原理 以输入和输出信号的统计特性的估计为依据，采取特定算法自动地调整滤波器系数，使其达到最佳滤波特性的一种算法或装置。
自适应滤波器可 自适应滤波器 以是连续域的或是离散域的。离散域自适应滤波器由一组抽头延迟线、可变加权系数和自动调整系数的机构组成。
附图表示一个离散域自适应滤波器用于模拟未知离散系统的信号流图。自适应滤波器对输入信号序列x(n)的每一个样值，按特定的算法，更新、调整加权系数，使输出信号序列y(n)与期望输出信号序列d(n)相比较的均方误差为最小，即输出信号序列y(n)逼近期望信号序列d(n)。
20世纪4 自适应滤波器 0年代初期，N.维纳首先应用最小均方准则设计最佳线性滤波器，用来消除噪声、预测或平滑平稳随机信号。60年代初期，R.E.卡尔曼等发展并导出处理非平稳随机信号的最佳时变线性滤波设计理论。
维纳、卡尔曼-波色滤波器都是以预知信号和噪声的统计特征为基础，具有固定的滤波器系数。因此，仅当实际输入信号的统计特征与设计滤波器所依据的先验信息一致时，这类滤波器才是最佳的。
否则，这类滤波器不能提供最佳性能。70年代中期，B.维德罗等人提出自适应滤波器及其算法，发展了最佳滤波设计理论。
以最小均方误差为准则设计的自适应滤波器的系数可以由维纳-霍甫夫方程解得 式中W(n)为离散域自适应滤波器的系数列矩阵（n）为输入信号序列x(n)的自相关矩阵的逆矩阵，Φdx(n)为期望输出信号序列与输入信号序列x(n)的互相关列矩阵。 B.维德罗提出的一种方法，能实时求解自适应滤波器系数，其结果接近维纳-霍甫夫方程近似解。
这种算法称为最小均方算法或简称 LMS法。这一算法利用最陡下降法，由均方误差的梯 自适应滤波器 度估计从现时刻滤波器系数向量迭代计算下一个时刻的系数向量 式中憕【ε2(n)】为均方误差梯度估计， ks为一负数，它的取值决定算法的收敛性。
要求，其中λ为输入信号序列x(n)的自相关矩阵最大特征值。 自适应 LMS算法的均方误差超过维纳最佳滤波的最小均方误差，超过量称超均方误差。
通常用超均方误差与最小均方误差的比值（即失调）评价自适应滤波性能。 抽头延迟线的非递归型自适应滤波器算法的收敛速度，取决于输入信号自相关矩阵特征值的离散程度。
当特征值离散较大时，自适应过程收敛速度较慢。格型结构的自适应算法得到广泛的注意和实际应用。
与非递归型结构自适应算法相 自适应滤波器 比，它具有收敛速度较快等优点。人们还研究将自适应算法推广到递归型结构；但由于递归型结构自适应算法的非线性，自适应过程收敛性质的严格分析尚待探讨，实际应用尚受到一定限制。
编辑本段应用领域 自适应滤波器应用于通信领域的自动均衡、回波消除、天线阵波束形成，以及其他有关领域信号处理的参数识别、噪声消除、谱估计等方面。对于不同的应用，只是所加输入信号和期望信号不 自适应滤波器 同，基本原理则是相同的。
7.急需 一篇 有关自适应控制的论文 请各位大虾帮帮忙
冗余度TT-VGT机器人的神经网络自适应控制 作者： 日期：2006-4-9 16:46:28 点击次数： 摘要：提出了采用神经网络进行模型参考自适应控制（MRAC）的方案，建立了自适应控制的状态模型，并推导出相应的自适应算法；最后对冗余度TT-VGT机器人自适应控制进行了仿真。
关键词：冗余度 TT-VGT机器人 神经网络 模型参考自适应控制TT-VGT(Tetrahedron-Tetrahedron-Variable Geometry Truss)机器人是由多个四面体组成的变几何桁架机器人，图1所示为由N个四面体单元组成的冗余度TT-VGT机器人操作手，平面ABC为机器人的基础平台，基本单元中各杆之间由较铰连接，通过可伸缩构件li(i=1,2，…，n)的长度变化改变机构的构形。图2所示为其中的两个单元的TT-VGT机构，设平面ABC和平面BCD的夹角用中间变量qi(i=1,2，…，n)表示，qi与li(I=1,2，…，n)的关系如下[2]：式中，d表示TT-VGT中不可伸缩构件的长度，li表示机器人可伸缩构件的长度。
TT-VGT机器人关节驱动力F与力矩τ的关系为：F=Bττ （2）式中，Bτ为对角矩阵，对角元素Bτi为：1 状态模型机器人的自适应控制是与机器人的动力学密切相关的。机器人的动力学方程的一般形式可如下表示（不考虑外力的作用）：τ=D(q)q+C(q,q)q+G(q)q (4)式中，D(q)∈R n*n为广义质量矩阵（惯性矩阵），C(q,q)∈Rn*(n*n)为向心力及哥氏力作用的矩阵，G(q)∈R n为重力矩阵，τ∈R n表示机器人的驱动力矩。
对于TT-VGT机器人，用杆件变量li,ii,Li(i=1,2…，n)代替中间变量qi,qi,qi(i=1,2…，n)（见式（1）），则试（4）可表示为：F=D(l)l+C(l,i)i+G(l)l (5)式中，F∈Rn表示机器人的驱动力。可把式（5）表示为下列状态方程：x=A(x,t)x+B(x,t)F (7)式中，上述机器人动力学模型就是机器人自适应控制器的调节对象。
考虑到传动装置的动力学控制系统模型如下式所示：式中，u、l——传动装置的输入电压和位移矢量，Ma、Ja、Ba——传动装置的驱动力矩比例系数、转动惯量和阻尼系数（对角矩阵）。联立求解式（5）和式（9），并定义：可求得机器人传动系统的时变非线性状态模型如下：2 Lyapunov模式参考自适应控制器设计定理 设系统的运动方程为：e=Ae+Bφr (13)φ=-RB T Per (14)式中，e为n维向量，r为l维向量，A、B、φ分别为（n*n）、（n*m）、（m*l）维满秩矩阵，R与P分别为（m*m）、（n*n）维正定对称矩阵。
假若矩阵P满足Lyapunov方程：PA+A TP=-Q (15)式中，Q为（n*n）维正定对称矩阵。同该系统的平衡点e，φ是稳定的。
如果向量r又是由l个或更多不同频率的分量所组成，那么该平衡点还是渐近稳定的。其证明可参看文献[4]。
选择如下的稳定的线性定常系统为参考模型：y=Amx+Bmr (16)式中，y——参考模型状态矢量：式中，∧1——含有ωi项的（n*n）对角矩阵，∧2——含有2ξωi项的n*n对角矩阵。 ξ和ωi的去耦二除微分方程式：yi+2ξiωiyi+ωi2yi=ωi2r (19)令控制器输入为：u=Kxx+Kur (20)式中，Kx、Ku——可调反馈矩阵和前馈矩阵。
根据式（20）可得式（11）的闭环系统状态模型为：x=As(x,t)x+Bs(x,t)u (21)式中，As(x,t)=Ap(x,t)+Bp(x,t)Kx,Bs(x,t)=Bp(x,t)Ku (22)将式（12）代入式（22），可得：适当地设计Kxi、Ku，能够使式（11）所示系统与式（16）所代表的参考模型完全匹配。定义状态误差矢量为：e=y-x (24)则e=Ame+(Am-As)x+(Bm-Bs)r (25)控制目标是为Kx和Ku找出一种调整算法，使得状态误差趋近于零，即：对脚式（13）与式（14），选取正定Lyapunov函数V为：式中，P——正定矩阵，FA和FB——正定自适应增益矩阵。
对上式微分，得根据Lyapunov稳定性理论，保证满足式（24）为稳定的充要条件是V为负定，由此可求得：将式（22）求导并与式（30）联立求解，同时考虑到控制器稳定时式（11）所示系统与式（16）所代表的参考模型完全匹配，可得由此已得到控制器的自适应控制律。3 TT-VGT机器人的神经网络自适应控制本文采用直接MRAC（模型参考自适应控制）神经网络控制器对TT-VGT机器人进行控制。
在图3中，NNC（神经网络控制器）力图维持机器人输出与参考模型输出之差e(t)=l(t)-lm(t) →。即通过误差反传，并采用上节的自适应算法，调节NNC，使得其输出控制机器人运动到误差e(t)为0。
神经网络模型如图4所示。4 实例分析以四得四面体为例，如图5所示建立基础坐标系，末端参考点H位于末端平台EFG的中点。
设参考点H在基础坐标系中，从点（0.8640,-0.6265,0.5005）直线运动到点（1.8725,0.5078,0.7981），只实现空间的位置，不实现姿态。运动的整个时间T设定5秒，运动轨迹分为等时间间隔的100个区间。
不失一般性要求，末端在轨迹的前40个区间匀加速度运动（a=0.2578），中间20个工间匀速度运动，最后40个区间匀减速度运动（a=-0.2578），开始和结束时的末端速度为。设各定长构件长度为1m，机构中各杆质量为1kg，并将质量向四面体各顶点对称简化。
传动装置的参数如下：Ma=4.0*10e -3kg·m/V;Ba=0.01N·m/(rad·s -1)；近似认为各关节电动机轴上的总转动惯量在运动过程中保持不变，其值分别为：J1=0.734kg·m2;J2=0.715kg·m2;J3=0.537kg·m2;J4=0.338kg·m2末端。
8.LMS自适应算法分析及在数字滤波器设计中的应用
一、应用：1）消除心电图中的电源干扰；2）检测胎儿心音时滤除母亲的心音及背景干扰；3）在有多人讲话的场合下提取某人的讲话；4）作为天线阵列的自适应旁瓣对消器。
二、简介： 自适应滤波器属于现代滤波器）它是20世纪40年代发展起来的）在自适应信号处理领域中发挥着重要的作用。 自适应滤波器是相对固定滤波器而言的（自适应滤波器滤波的频率是自动适应输入信号而变化的）在没有任何关于信号和噪声的先验知识的条件下。
自适应滤波器利用前一时刻已获得的滤波器的参数来自动调节现时刻的滤波器的参数-以适应信号和噪声未知或随机变化的统计特性，从而实现最优滤波器。即是根据不同的信号环境实现自身参数的调整。
而实际情况中，信号和噪声的统计特性常常未知或无法获知，因此自适应滤波器的应用空间非常广泛-如系统辨识u噪声对消u自适应均衡w线性预测w自适应天线阵列等很多领域。
转载请注明出处众文网 » 自适应滤波算法毕业论文(matlab自适应滤波器毕业论文)