简述自适应滤波器的主要组成结构

机器人

自适应滤波器主要由可编程滤波器（滤波部分）和自适应算法（控制部分）两部分组成。可编程滤波器是指滤波器的参数可变，自适应滤波算法则是对参数进行控制以实现最佳工作。     (1)可编程滤波器     可编程滤波器有FIR（有限脉冲响应）滤波器、无限脉冲响应滤波器和格形滤波器等。     FIR数字滤波器的差分方程一般是非递归型的，它是一种全零点滤波器，所以为实现具有陡峭边缘的通带特性需要相当高的阶数。     FIR滤波器始终是稳定的，能实现线性的相移特性，其自适应算法易于理解，关于收敛速度、收敛误差等性能已得到充分证实。由于FIR数字滤波器所具有的线形相移特性，在许多不希望相位失真的情况下．FIR滤波器得到了广泛的应用。     这种滤波器既有零点又有极点或只有极点。可以用不高的阶数来实现它具有陡峭边缘的带通特性，主要缺点是稳定性不好和相位特性难于控制。     格形滤波器亦可分为全零点式、全极点式及零极点式。主要优点是具有相对独立的组件结构，每一组件的参数可独立调节；对舍入误差不敏感；各阶反向预测误差相互正交。由于这些特点，格形滤波器在自适应滤波器中得到了越来越广泛的应用，但实现格形滤波器的传递函数要比直接形式复杂得多，且需要更多的数值化运算。     (2)自适应滤波算法     当自适应滤波器输入过程的统计特性未知时，或输入过程的统计特性变化时，能调整其结构参数，以满足最佳准则的要求。     自适应滤波中所选用的最佳准则有最小均方误差(LMS)准则、最小二乘(LS)准则、最大信噪比准则、统计检测准则以及其他一些最佳准则，其中应用最广泛的有最小均方误差（Least-Mean-Squares）和递推最小二乘（Recursive-Least-Squares）准则。     最小均方误差(LMS)自适应算法，是使均方误差性能函数达到最小的一种算法，它所构成的滤波器是针对一类数据的最佳滤波器。它的主要缺点是收敛性能太差，而且初始参数的选取强烈影响着算法的收敛速度。     递推的最小二乘(RLS)自适应算法，是求累计平方误差性能函数为最小的算法，它构成的滤波器是针对一组数据的最佳滤波器。对同一类数据来说，LMS算法对不同的数据组导出同  样的“最佳”滤波器；而RLS对不同的数据组导出不同的“最佳”滤波器。因此RLS控制的最佳滤波器是“精确”的。RLS算法初始收敛速度快，且几乎不受初始参数选取的制约。由于RLS算法运算量大，限制了它的应用，但数字信号处理技术的飞速发展和快速运算单元的出现，使人们重新认识到RLS良好的信号跟踪性能。