LMS在被动雷达中的应用笔记

被动雷达中的自适应滤波器

被动雷达的接收信号

LMS算法基本原理(性能测试)

根据小均方误差准则以及均方误差曲面，自然的我们会想到沿每一时刻均方误差 的陡下降在权向量面上的投影方向更新，也就是通过目标函数$\xi (x)$ 的反梯度向量来反复迭代更新。由于均方误差性能曲面只有一个唯一的极小值，只要收敛步长选择恰当， 不管初始权向量在哪，后都可以收敛到误差曲面的小点，或者是在它的一个邻域内。 这种沿目标函数梯度反方向来解决小化问题的方法，我们一般称为速下降法

LMS 自适应算法是一种特殊的梯度估计，不必重复使用数据，也不必对相关矩阵和互相关矩阵进行运算，只需要在每次迭代时利用输入向量和期望响应，结构简单，易于实现。虽然 LMS 收敛速度较慢，但在解决许多实际中的信号处理
问题，LMS 算法 是仍然是好的选择。

自适应滤波性能指标: 一、收敛性；二、收敛速度；三、稳态误差；四、计算复杂度
但是这些指标之间常常存在着矛盾 的。例如，收敛速度和稳态误差是成反比，有些改进算法的优异性能也通常相对的增加计算复杂度。因此我们需要在这些参数中寻找一个平衡，大程度的提高算法的性能。影响自适应算法性能参数，主要有步长因子，滤波器阶数和滤波器权系数的初始值。

自适应滤波器及LMS算法的详细算法

性能测试图文详解

LMS算法步骤：

1）给定w(0)，且1<μ<1/λmax；

2）计算输出值：y(n)=w(n)^Tx(n);

3）计算估计误差：e(n)=d(n)−y(n);

4）权重更新：w(n+1)=w(n)+μe(n)x(n)

LMS的期望输出

LMS算法中我们已知的有输入信号x,和预测输出信号y，实际情况下是不知道期望输出的，如果知道了期望输出那么就没有进行滤波的必要了。因此需要用一些方法来估计期望输出，我查阅了一些文献，总结了几种方法如下：

1. 使用延迟后的输入信号作为参考信号d，即d(n) = x(n-i)，其中i为延迟量,可正可负（用于自适应预测）

2. 期望信号为信号与噪声之和，即d(n) = x(n) + s(n),其中s(n)为训练时使用的噪声（用于自适应干扰抵消器，需要噪声与输入信号不相关）

3. 直接用输出代替期望信号，即d(n) = x(n)

4. 从x(n)中估计d(n) ，d(n) = y(n) + v(n),其中v(n) = w(n)-wo ,wo是维纳滤波器的最优权值。

LMS滤波器的用法(第四种)

自适应滤波算法有几种应用类型，不同类型的目的、原理和手段不同，所以相对应的选取输入和期望信号也很不一样。
1.系统辨识：当我们想描述一个未知系统（如一组复杂的模拟电路），解析的算出系统的冲击响应或者系统函数是比较困难的。这时，我们就可以用未知系统的输入和输出训练自适应滤波器（未知系统的输入作为自适应滤波器的输入，未知系统的输出作为自适应滤波器的期望信号，当自适应滤波器收敛后，对应的滤波器就可以看做是未知系统的近似）。

2.逆系统辨识：在这类应用中，自适应滤波器的作用是提供一个逆模型，该模型可在某种意义上最好拟合未知噪声装置。理想地，在线性系统的情况下，该逆模型具有等于未知装置转移函数倒数的转移函数，使得二者的组合构成一个理想的传输媒介。该系统输入的延迟构成自适应滤波器的期望响应。在某些应用中，该系统输入不加延迟地用做期望响应。

3.预测：在这类应用中，自适应滤波器的作用是对随机信号的当前值提供某种意义上的一个最好预测。于是，信号的当前值用作自适应滤波器的期望响应。信号的过去值加到滤波器的输入端。取决于感兴趣的应用，自适应滤波器的输出或估计误差均可作为系统的输出。在第一种情况下，系统作为一个预测器；而在后一种情况下，系统作为预测误差滤波器。
所以： d(n)=>x(n)
x(n)=>x(n-1) ？

4.噪声消除：

如果把噪声或者干扰看做是期望信号，而需要估计的信号看做是干扰，那么自适应滤波器输出的误差信号就是需要得到的信号的估计，实际中使用的大部分自适应信号处理结构都可以归结为这个结构。Target signal

在一类应用中，自适应滤波器以某种意义上的最优化方式消除包含在基本信号[X（n）recsig]中的未知干扰[直达+多径]。基本信号用作自适应滤波器的期望响应[d(n)]，参考信号[refsig]用作滤波器的输入[X(n)]。参考信号来自定位的某一传感器或一组传感器，并以承载新息的信号[tarsig=0]是微弱的或基本不可预测的方式，供给基本信号上。这种类型自适应滤波器的输入信号[X(n)]为噪声源[refsig]，期望信号[d(n)]为含有噪声的信号源[recsig]。经过多次迭代后，期望信号和自适应滤波器的输出信号之差[e(n)]就是信号源的估计[tarsig]。
d(n)=> x(n)=s(n)+u₁(n)
x(n)=> u₂(n)
u₁和u₂？


所以，这就是Simulink中LMS模块的使用

input => Dir sig
Desired=> Dirsig+Mulsig+Tarsig
LMS => 去相关性？

转载致谢：
作者：非典型废言
来源：CSDN
原文：https://blog.csdn.net/sinat_35821976/article/details/80521320

作者：文宇Vvyu
来源：CSDN
原文：https://blog.csdn.net/vvyu521/article/details/76167408

Matlab仿真实验
作者：IRONMAN

版权声明：本文为博主原创文章，转载请附上博文链接！