3 Aufgabe 2 - Fakultät für Elektrotechnik und Informationstechnik ...
3 Aufgabe 2 - Fakultät für Elektrotechnik und Informationstechnik ...
3 Aufgabe 2 - Fakultät für Elektrotechnik und Informationstechnik ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Dies ergibt ein Gleichungssystem mit N + 1 Gleichungen<br />
N<br />
w(i)rxx (j − i) = rdx (j), j = 0,...,N ,<br />
i=0<br />
welches in vektorieller Schreibweise in Form der Matrizengleichung<br />
Rxx wo=p (11)<br />
dargestellt werden kann. Rxx bezeichnet die Autokorrelationsmatrix des Signalvektors x(k)<br />
Rxx= E x (k)x T (k) =<br />
⎛<br />
⎜<br />
⎝<br />
rxx(0) rxx(1) · · · rxx(N)<br />
rxx(1) rxx(0) · · · rxx(N − 1)<br />
· · · · · · · · · · · ·<br />
rxx(N) · · · · · · rxx(0)<br />
<strong>und</strong> p den Kreuzkorrelationsvektor zwischen dem Referenzsignal d(k) <strong>und</strong> dem Signalvektor<br />
x(k)<br />
⎞<br />
⎟<br />
⎠<br />
(12)<br />
p= E {d (k)x(k)} = (rdx (0),rdx (1), ... ,rdx (N)) T . (13)<br />
Die optimalen Filterkoeffizienten wo erhält man somit durch Inversion der Korrelationsmatrix<br />
Rxx<br />
2.4 Adaptives FIR Wiener Filter<br />
wo = R −1<br />
xx p. (14)<br />
Die Berechnung des optimalen FIR Filters nach Gleichung 14 setzt die Kenntnis der Signalstatistik<br />
in Form der Korrelationsmatrix Rxx <strong>und</strong> des Kreuzkorrelationsvektors p voraus.<br />
Diese sind in der Regel jedoch nicht a priori bekannt <strong>und</strong> müssen bei veränderlicher Signalstatistik<br />
fortlaufend geschätzt werden. Wenn die Signale kurzzeitig stationär <strong>und</strong> ergodisch<br />
sind, kann die Signalstatistik aus Zeitmittelwerten über quasi-stationäre Signalabschnitte<br />
bestimmt werden. Ein besonders attraktives Verfahren zur Bestimmung der Filterkoeffizienten<br />
ist durch den LMS-Algorithmus gegeben. Der LMS-Algorithmus nähert sich iterativ<br />
ohne explizite Bestimmung der Korrelationsmatrix Rxx <strong>und</strong> des Kreuzkorrelationsvektors<br />
p dem Wiener Filter an. Wegen seines geringen Rechenaufwandes <strong>und</strong> seiner Robustheit<br />
gegenüber Störungen ist er von besonderer Bedeutung <strong>für</strong> uns.<br />
2.5 LMS- <strong>und</strong> NLMS-Algorithmen<br />
Die optimalen Koeffizienten zur Minimierung des mittleren quadratischen Fehlers nach<br />
Gleichung 7 können effizient mit einem iterativen Gradientenalgorithmus bestimmt werden.<br />
Der Least Mean Square Algorithmus (LMS-Algorithmus) approximiert den Gradienten<br />
des mittleren quadratischen Fehlers durch den Gradienten des aktuellen quadratischen<br />
Fehlers e 2 (k) <strong>und</strong> adaptiert die Filterkoeffizienten in Richtung des negativen geschätzten<br />
IT-V3 - 7