基于Kalman滤波的稳像技术研究
第２８卷第２期２Ｏ０７年２月
兵工学报
ＡＣＴＡＡＲＭＡＭＥＮＴＡＲＩＩ
Ｖ０１．２８Ｎｏ．２
Ｆｅｂ．２００７基于Ｋａｌｍａｎ滤波的稳像技术研究
邢慧１一，颜景龙２，张树江１
（１．北京理工大学机电工程学院，北京１０００８１；２．兵器工业系统总体部，北京１０００８９
３．中北大学信息与通信工程学院，山西太原０３００５１）
摘要：提出一种适用于视频侦察的实时电子稳像方法。采用特征点匹配法估计帧间全局运动参数，在建立参数运动模型的基础上，通过Ｋａｌｍａｎ滤波确定各帧修正矢量。实验结果说明该方法可以较好地去除高频抖动，保留摄像机的主动运动，实现实时稳像。
关键词：信息处理技术；特征匹配；全局运动估计；Ｋａｌｍａｎ滤波；数字稳像
中图分类号：ＴＮ９１１．７３文献标志码：Ａ文章编号：１０００—１０９３（２００７）０２—０１７５—０３
ＤｉｇｉｔａｌＩｍａｇｅＳｔａｂｉｌｉｚａｔｉｏｎＵｓｉｎｇＫａｌｍａｎＦｉｌｔｅｒｉｎｇ
ｘＩＮＧＨｕｉｌ一，ＹＡＮＪｉｎｇ—ｌｏｎ孑，ｚＨＡＮＧｓｈｕ—ｊｉａｎ９１
（１．Ｓｃｈ００ｌｏｆＭｅｃｈａｔｍｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，Ｂｅ巧ｉｎｇＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎ０１０９ｙ，Ｂｅ巧ｉｎｇ１０００８１，Ｃｈｉｎａ；
２．ＮｏｒｔｈＣｈｉｎａＳｙｓｔｅｍＥｎｇｉｎｅｅｒｉｎｇＩｎｓｔｉｔｕｔｅ，Ｂｅ巧ｉｎｇ１０００８９，Ｃｈｉｎａ；
３．Ｓｃｈｄ０ｆＩｎｆｏｎｎａｔｉｏｎａｎｄＣ０ｍｍｕｎｉｃａｔｉｏｎＥｎ西ｎｅ“ｎｇ，ＮｏｒｔｈｕｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａ．、Ｔａｉｙｕａｎ０３００５１，Ｓｈａｎｘｉ，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｒｅａｌ—ｔｉｍｅｓｔａｂｉｌｉｚａｔｉｏｎｓｙｓｔｅｍｕｓｉｎｇＫａｌｍａｎｆｉｌｔｅｒｉｎｇｆｏｒｖｉｄｅｏｒｅｃｏｎｎａｉｓｓａｎｃｅｗａｓｐｒｅｓｅｎｔ—ｅｄ．Ｉｎｔｅｒ—ｆｒａｍｅ９１０ｂａｌｍｏｔｉｏｎｖｅｃｔｏｒｓｗｅｒｅｐｒｅｄｉｃｔｅｄｂｙｆｅａｔｕｒｅｍａｔｃｈｉｎｇｂａｓｅｄｍｏｔｉｏｎｅｓｔｉｍａｔｉｏｎ．Ｔｈｅ９１０ｂａｌｃａｍｅｒａｍｏｔｉｏｎｗａｓｄｅｆｉｎｅｄｉｎｔｅｒｍｓｏｆｃｏｎｓｔａｎｔｖｅｌｏｃｉｔｙｍｏｔｉｏｎｍｏｄｅｌｓ，ａｎｄＫａｌｍａｎｆｉｌｔｅｒ－
ｉｎｇｗａｓｅｍｐｌｏｙｅｄｔｏｆａｃｉｌｉｔａｔｅｓｍ∞ｔｈｏｐｅｒａｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｆｏｒｍａｎｙｖｉｄｅｏ
ｓｅｑｕｅｎｃｅｓｓｈｏｗ
ｔｈａｔｔｈｅｍｅｔｈｏｄｃａｎｅｌｉｍｉｎａｔｅｈｉｇｈｆｒｅｑｕｅｎｃｙｔｒｅｍｂｌｅ，ｒｅｍａｉｎａｃｔｉｖｅｍｏｔｉｏｎｏｆｃａｍｅｒａａｎｄｒｅａｌｉｚｅｒｅａｌｔｉｍｅｉｍａｇｅｓｔａｂｉｌｉｚａｔｉｏｎｓａｔｉｓｆａｃｔｏｒｉｌｙ．
ＫｅｙｗＯｒｄｓ：ｉｎｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇ；ｆｅａｔｕｒｅｍａｔｃｈｉｎｇ；ｇｌｏｂａｌｍｏｔｉｏｎｅｓｔｉｍａｔｉｏｎ；Ｋａｌｍａｎｆｉｌｔｅｒｉｎｇ；ｄｉｇｉｔａｌｉｍａｇｅｓｔａｂｉｌｉｚａｔｉｏｎ
随着视频技术在不同领域中的广泛应用，图像稳定（去抖动）技术成为视频技术应用不可缺少的一部分。如为机器人的远程摇控系统、无人车辆导航系统提供平滑清晰的视频图像序列；为视频侦察系统中目标检测、跟踪提供可靠的预处理等。与传统的光学稳像、机械稳像相比，电子稳像方法更简单灵活，在体积、功耗、智能性方面具有优越性，成为现代稳像技术的－一个发展方向。
电子稳像技术主要包括２部分：运动估计和运动补偿。运动估计是估计出视频序列图像的帧间偏移值，为运动补偿提供可靠参数。常用的方法主要有特征匹配方法［１｜、基于图像灰度信息的方法［２］和频域方法旧Ｊ等。其中特征匹配方法得到了广泛的研究和应用。因为特征匹配方法最符合人类的视觉特性，对在不同场景中的应用有更好的适应性。另外，基于特征的方法不仅可以计算出图像序列帧间
收稿日期：２００６一０９—０１的平移运动，还可估计出图像的旋转和缩放运动，实现３Ｄ稳像。本文基于图像２Ｄｓｉｍｉｌａｒｉｔｙ变换模型，采用文献［１］中的特征点选择方法进行帧间运动估计，具有较高的精确性。
运动补偿是在估计出帧间运动参数的基础上，对图像进行变换，使输出视频序列看起来稳定的过程。在这个过程中，获得适当的修正矢量，移去不希望的随机抖动，保留摄像机的主动运动。摄像机的随机抖动与移动平台的主动运动相比，频率高、变化较快。本文中假设摄像机的全局运动为恒速运动，用低通滤波的方法，对运动参数进行平滑，完成实时运动补偿。
１全局运动估计
采用一个２Ｄｓｉｍｉｌａｒｉｔｙ运动模型，来确定表征
万方数据
１７６
兵工学报第２８卷
图像序列的帧间的平移、绕光轴旋转及变焦运动。
［》ｓ［篓岩蚓＋［甜
式中：（ｚｉ，ｙｉ）和（ｚｉ，ｙｉ）分别为在时间￡ｉ和ｏｉ时２帧图像的坐标；（△ｚ，△ｙ）是在参考帧图像坐标系下所测得的平移矢量；口是２帧图像的旋转角度；ｓ是变焦系数，与２帧图像的平移和旋转无关，只要从２帧图像中给出一组匹配点，就能求出来。通过代入Ｎ个匹配的特征点可得到一组线性方程组，每一对特征点可得到２个方程。因此，线性系统有２Ｎ个方程，３个未知数（口，△ｚ，△ｙ），求解线性方程组，即可得到。
确定参考帧后，可通过参数传递确定各帧相对于参考帧的位移。但这同时引入了误差积累，所以当位移量较大时，可通过设置运动矢量阈值，更新参考帧，提高算法的精度。
２基于Ｋａｌｍａｎ滤波的运动补偿方法
估计出运动参数后，运动补偿也是一个重要步骤。本文采用线性全局运动模型，应用Ｋａｌｍａｎ滤波去除短时图像波动，保留摄像机的主动运动，实现实时稳像。
２．１Ｋａｌｍａｎ滤波公式
Ｋａｌｍａｎ滤波是以最小均方误差为准则的最佳线性滤波。Ｋａｌｍａｎ滤波器的信号模型由状态方程和量测方程得到。系统离散时间模型为
Ｘ（愚）＝①（矗，忌一１）ｘ（忌一１）＋ｗ（尼）；
ｚ（愚）＝Ｃ（尼）ｘ（愚）＋＇，（愚）．（２）其中：∞～Ｎ（０，＠）；ｖ～Ｎ（０，鼹）．
滤波公式为
ｘ（愚ｌ愚）＝①（忌，忌一１）ｘ（忌一１１愚一１）＋
Ｋ（忌）［ｚ（愚）一Ｃ（忌）①（忌，愚一１）ｘ（忌一１ｌ忌一１）］；
Ｋ（惫）＝Ｐ（愚Ｉ忌一１）Ｃ。。（忌）［Ｃ（愚）Ｐ（忌ｌ忌』１）?
ｃｏ（忌）＋Ｒ（愚）］～；
Ｐ（忌ｌ忌一１）＝西（忌，忌一１）Ｐ（忌一１Ｉ惫一１）?
西１（是，忌一１）＋Ｑ（愚）；
Ｐ（忌Ｉ是）＝［Ｉ—Ｋ（忌）Ｃ（愚）］Ｐ（愚ｌ忌一１）［Ｉ—Ｋ（是）ｃ（愚）］１０＋Ｋ（忌）Ｒ（忌）Ｋ４。（忌）．（３）２．２状态空间模型的确定
变量△ｚ，△ｙ描述的是图像序列帧间的平移运动，而平移运动源于摄像机的主动运动。这里假设摄像机的主动运动为恒速运动。一般地对恒速运动量测动态建模的方法是：假设它的速度变化为△口，而△口服从某种随机分布。例如对△ｚ有［甜“＝［㈡［麓］５＋［Ｎ。‰］’（４）式中：△％为△ｚ的变化量；Ｎ（０，％）是高斯白噪声。
参数日描述由于摄像机倾斜而引入的旋转运动。认为它是一个随机变化的噪声，它的动态模型为
泸＋１＝泸＋Ｎ（０，∞）．（５）主动运动的完整状态空间模型可写为
口ｒ『－
△ｚｏ
曲刮＝ｌｏ
△ｙｏ
△码ｊＬ０
００
１１
０１
００
００
Ｎ（０，印）
０
Ｎ（０，盯。）
０
Ｎ（０，ｏ）
００
００
００
１１
０１
口
△ｚ
△口。
△ｙ
△口。
＋
（６）
其中印，吒，仃。是相互独立的。
由计算得到的（ｐ，△ｚ，△ｙ）可认为是量测值，而对其变化△口。，△铆。则不需要量测，所以量测方程式为
ｒ口］…ｒ口］６ｆ－Ｎ（ｏ，盯ｏｂＳ＇日）］
蚓２匕Ｊ＋骶裂ｔ∽’
（６）式中的噪声变化印，如，盯。由所希望摄像机主动运动的平滑程度决定。（７）式中的量测噪声变化盯ｏｂｓ∥盯０ｂｓ’。，仃ｏｂｓ，，描述了不希望帧间变换的可变性。
２．３修正矢量的确定
建立了状态空间模型和量测模型后，应用Ｋａｌｍａｎ滤波公式对（口，△ｚ，△ｙ）进行平滑滤波。这里（臼，△ｚ，△∥）是当前帧对参考帧的变化，假设参考帧的位置为０，（△ｚ，△ｙ）则可以看作是当前帧的绝对位移。
此时，Ｋａｌｍａｎ滤波直接平滑绝对帧位置。Ｋａｌｍａｎ滤波的结果就是希望的帧位置，所以修正矢量为
＇，。０ｒ（忌）＝ｘｋｌｍ（愚）一ｘ。。。（忌），（８）式中：ｘｋｌＩｎ（”为Ｋａｌｍａｎ滤波的帧位置；ｘ。。。（”为实际量测的帧位置。当确定各帧图像的补偿参数后，将其代入变换模型（１），对图像进行变换，即可得到稳定的视频图像序列。
３实验结果
将数码摄像机以刚性连接固定在车上，以不平路面行驶过程中拍摄的视频序列做实验。选用多个分辨率为５７６×７６８像素的图像序列，在ＰＣ机上用
万方数据
第２期基于Ｋａｌｍａｎ滤波的稳像技术研究１７７
Ｍａｔｌａｂ编程进行仿真。
Ｋａｌｍａｎ滤波的效果与系统的噪声参数设置有
关。过程噪声在不同变化条件下Ｋａｌｍａｎ滤波的精
度也不同。小的取值有可能使Ｋａｌｍａｎ滤波不能精
确跟踪恒速运动。量测噪声变化决定Ｋａｌｍａｎ滤波
跟踪观测量的接近程度。大的取值使Ｋａｌｍａｎ滤波
跟不上摄像机的主动运动，而小的取值可能平滑不
掉视频序列中的波动。过程噪声不能限制在一个小
的取值范围内，量测噪声变化应设在一个有效的范
围内，以确保适当的稳像效果，同时又能很好跟踪摄
像机的主动运动。
实验中，设Ｋａｌｍａｎ滤波的初始状态设为０，起始估计误差协方差设为单位值１．零初始状态使得Ｋａｌｍａｎ滤波没有任何偏差适应运动序列的特征。而起始估计误差协方差的确定采用了传统的方法：因为在理论上有，任何不为０的值都可使Ｋａｌｍａｎ滤波趋于同一点。取印，％，町均为１００；盯ｏｂ。Ⅲ盯。ｂ。∥ｄｏｂｓ，。均为０．００１时，对序列的仿真结果如图ｌ～图４所示。
图１是序列中的一个样本。图２为序列目的量测及滤波结果。图３是水平位移的量测及滤波结果。图４是垂直位移的量测及滤波结果。
图ｌ视频序列中的一帧
Ｆ追．１Ａｆｒａｍｅｉｎｖｉｄｅｏｆｒｅｑｕｅｎｃｙｓｅｑｕｅｎｃｅ
帧数
图２疗的量测及滤波结果
Ｆｉｇ．２Ｍｅａｓｕｒｅｄｃｕｒｖｅａｎｄｆｉｌｔｅｒｅｄｒｅｓｕｌｔｆｏｒ口ｓｅｑｕｅｎｃｅ
图３△ｚ的量测及滤波结果
Ｆｉｇ．３Ｍｅａｓｕｒｅｄｃｕｒｖｅａｎｄｆｉｌｔｅｒｅｄｒｅｓｕｌｔｆｏｒｈｏｒｉｚｏｎｔａｌｄｉｓｐｌａｃｅｍｅｎｔ△ｚ
图４△ｙ的量测及滤波结果
Ｆｉｇ．４Ｍｅａｓｕｒｅｄ℃ｕｒｖｅａｎｄｆｉｌｔｅｒｅｄｒｅｓｕｌｔｆｏｒｖｅｒｔｉｃａｌ
ｄｉｓｐｌａｃｅｍｅｎｔ△ｙ
４结论
本文介绍了应用Ｋａｌｍａｎ滤波对摄像机全局运动矢量进行平滑的稳像方法。通过实验结果可以看出该方法很好的去除了随机抖动，保留了摄像机的主动运动。由于采用了Ｋａｌｍａｎ滤波，数据存储量小，可以实现实时稳像，在视频侦察系统、无人车辆、目标检测与跟踪等领域有很好的应用前景。
参考文献（Ｒｅｆｅｒｅｎｃ骼）
［１］Ｍｏｒｉｎｌｏｔｏｃ，ｃｈｅｌｌ印ｐａＲ．ＦａＳｔｅｌｅｃｔｒｏｎｉｃｄｉｇｉｔａｌｉｍａｇｅｓｔａｂｉｌｉｚａ．ｔｉｏｎｆｏｒｏｆｆ－ｒｏａｄｎａｖｉｇａｔｉｏｎ［Ｊ］．ＲｅａＩ．ＴｉｍｅＩｍａｇｉｎｇ，１９９６，（２）：２８５—２９６．
［２］Ｂａｌａｋｉｒｓｋｙｓ，ＤａｖｉｄＰ，ｅｔａ１．ｓｅｍｉ—ａｕｔｏｎｏｍｏｕｓｍｏｂｉｌｅｔａｒｇｅｔｅｎ—ｇａｇ哪ｅｎｔｓｙｓｔｅｍ［ｃ］．ＩｎＰｒｏｃ．Ｓｙｍｐｏｓｉ恤。壬ｔｈｅ妇ｉａｔｉｏｎｆｏｒｕｎｍａｎｎｅ皂ＶｅｈｉｃｌｅｓｙＳｔｅｍｓ，１９９３．
［３］Ｅｎｕｒｋｓ．Ｄｉｇｉｔａｌｉｍａｇｅｓｔａｂｉｌｉｚａｔｉｏｎｗｉｔｈｓｕｂ—ｉｍａｇｅｐｈａＳｅｃｏｒｒｅｌａ二ｔｉｏｎｂａｓｅｄｇｌｏｂａＪｍｏｔｉｏｎｅｓｔｉｒＩｌａｔｉｏｎ［Ｊ］ＩＥＥＥＴｒａＩｌｓｃｏｎｓｕｍｅｒＥ１ｅｃｔｒｏｎｉｃｓ，２００３，４９（４）：１３２０—１３２５．
【４］ＬｉｔｖｉｎＡ，ＫｏｎｒａｌＪ，ｗｉｌｌｉ蝴Ｃ．Ｋａｒｌｐｒｏｂａｂｉｌｉｓｔｉｃ、，ｉｄｅ０ｓｔａｂｉｌｉｚａ．
ｔｉｏｎ
ｕｓｉｎｇＫａｌｍａＪｌ
ｆｉｌｔｅｍ【ｇａｎｄｍｏｓａｉｃ［Ｊ］．ＳＰＩＥ，２００３，５０２２：６６３
—６７４． 万方数据
基于Kalman滤波的稳像技术研究
作者：邢慧， 颜景龙， 张树江， XING Hui， YAN Jing-long， ZHANG Shu-jiang
作者单位：邢慧,XING Hui(北京理工大学,机电工程学院,北京,100081;中北大学信息与通信工程学院,山西,太原,030051)， 颜景龙,YAN Jing-long(兵器工业系统总体部,北京,100089)， 张树
江,ZHANG Shu-jiang(北京理工大学,机电工程学院,北京,100081)
刊名：
兵工学报
英文刊名：ACTA ARMAMENTARII
年，卷(期)：2007，28(2)
引用次数：2次
参考文献(4条)
1.Morimoto C.Chellappa R Fast electronic digital image stabilization for off-road navigation 1996(2)
2.Balakirsky S.David P Semi-autonomous mobile target engagement system 1993
3.Erturk S Digital image stabilization with sub-image phase correla tion based global motion estimation 2003(4)
4.Litvin A.Konral J.William C Karl probabilistic video stabilization using Kalman filtering and mosaic 2003
相似文献(10条)
1.学位论文田志刚监控视频中运动目标跟踪算法的研究2005
视频运动目标分析是以视频内容分析和处理为核心技术的一种新型媒体信息处理技术。本文主要研究监控视频的运动目标分析的基础部分：基于特征匹配的运动目标跟踪算法以及跟踪结果的标准化描述。视频运动目标分析中对运动目标的跟踪是在运动目标检测的基础之上进行的，跟踪的主要目的是获取运动目标的运动特征，包括运动轨迹及瞬间运动参数等等。由于视频中主要的语义内容是以运动信息作为载体，因此分析和截取视频中有意义的动态信息成为基于内容的多媒体信息处理技术重要的组成部分从而引起人们高度的研究兴趣。 本文首先研究了监控视频的运动特征分析及其运动目标检测和跟踪的一般方法，归纳出一种监控视频中运动目标的跟踪系统框架。在分析的相关运动目标分析的基础上，本文提出了一种基于匹配概率的特征匹配跟踪算法。该算法首先选取一组具有代表性的特征子集，使用基于减背景技术的运动目标检测算法得出运动目标并对运动目标区域进行特征提取，然后计算出运动目标特征距离量并将其转化为高斯概率密度函数。各特征分量可以认为是相对独立的，因此建立联合匹配概率函数来决定特征匹配的结果，最后根据匹配概率来关联配前景运动区域和轨迹，实现对运动目标的跟踪，记录运动目标的轨迹。在处理多目标跟踪时，本文还采用指派算法，完成多目标的匹配工作。得到视频的运动信息以后，需要把跟踪结果以标准化的表述形式记录和保存，这样视频运动目标分析的结果才能够更好的为人所用。本文基于MPEG-7的视频特征半自动描述方案对运动目标跟踪算法的结果进行了规范化地描述，一定程度实现视频运动信息的有效描述，为以后基于内容的监控视频信息组织和管理提供了有利条件。 为验证该算法，本文在DirectShowSDK开发环境中将算法写入过滤器中，进行了运动目标跟踪测试，结果表明本文提出的算法在不同环境中都具有令人比较满意的结果。
2.学位论文张振高分辨率可见光遥感图像港口及港内目标识别方法研究2009
目前，遥感信息处理技术在很多领域已经得到了成熟、广泛的应用，其中一个很重要的方面，就是对港口的监控以及港口内船舶目标的监测。港口作为联系水陆的纽带，是供船舶停泊、旅客上下、货物装卸的地方，它是水陆运输的枢纽，随着社会的进步、贸易的发展、客运往来频繁，为了有效地实现港口交通监管、合理调配港口资源、打击走私等，对港口区域进行监控有着十分重要的意义，这关系到港口的利用和管理、经济的发展、国家的安全等多个方面。 本文的主要任务是利用可见光遥感图像，监控某些重要的港口。为此，在充分分析可见光遥感图像港口目标成像特点的基础上
，研究和拟定了基于港口先验信息的目标检测预识别方法，先在大幅遥感图像中确定所需监控的港口目标，在图像中覆盖的范围，然后，根据相应的港口结构位置信息，检测并识别港内的船舶目标。 以SIFT特征为代表的图像局部特征，在图像处理和模式识别等领域得到成功的应用，本文利用港口先验信息，采用SIFT特征匹配方法，定位大幅遥感图像中的特定港口目标，并根据特征匹配所得变换参数，实现港口先验结构信息在遥感图像中的精确匹配，避免了传统方法中的海陆分割，较好地解决了特定港口目标的识别及港内舰船预识别问题。 在港口船舶目标检测方面，本文充分利用港口的码头布局特点，提取港内船舶目标分布区域的指示信息，即港口结构信息，在该信息的指引下，快速划定港口中检测船舶的感兴趣区域(ROI)，并准确检测出船舶目标，特别对港内并排停靠的船舶，提出基于轮廓区域统计属性的目标切分方法；在对船舶目标的识别上，采取先分类再进一步详细识别的分层控制策略，并把基于图像局部特征的目标识别应用到遥感图像处理上。
3.学位论文邹军自动指纹识别算法分析与设计2008
随着社会和经济的发展，人们对身份鉴别的准确性、安全性与实用性提出了更高的要求。基于令牌和密码的传统身份鉴别方式存在容易丢失、遗忘、被复制和盗用的隐患。通过辨识人的生理和行为特征进行身份认证的生物识别技术提供了一个更为方便可靠的解决方案。生物识别技术以生物特征为基础，以信息处理技术为手段，将生物技术和信息技术有机结合在一起。在众多的生物识别技术中，指纹识别技术以方便易用、高准确率和低成本等诸多优势备受关注，已经成为身份认证的最有效手段，在电子商务、犯罪鉴别、信息安全等领域得到广泛的应用。自动指纹识别系统是集光电技术、图像处理、计算机及网络、数据库技术、模式识别技术等于一体的综合性系统，一般包括指纹图像采集、指纹图像预处理、特征提取、分类、特征匹配等过程。 本文分析研究了指纹识别中预处理，分类，特征提取，匹配识别等步骤，并对其中一些算法加以改进，提高了指纹识别的效率和准确性。
方向图技术是指纹识别过程中最常用的技术，指纹方向图具有真实性、渐变性、抽象性的特点，能以简化的形式直观地反映指纹图像最基本的形态特征，因此在指纹自动识别算法中具有重要的研究价值。本文对方向图进行比较分析，采用切缝法准确求取指纹方向图，并以方向图为依据，设计指纹二值化算法。方向图具有纹理性和方向性，反应了指纹图像的纹线走向，结合方向图进行二值化，求出的二值化图像连续、光滑且能准确区分脊线和谷线。克服了基于阈值的二值化方法易产生噪声、易丢失细节信息的缺点。 由于指纹处理过程中不可避免会产生噪声，因此特征提取过程中会产生大量的伪特征。本文分析了指纹特征提取过程中伪特征产生的原因，利用方向信息对提取的指纹细节特征进行后处理。由于指纹图像有明显的方向性，因此结合方向图去除伪特征能够充分利用指纹图像中最原始的信息，保证提取细节特征的真实性和有效性，为指纹识别提供保障。指纹分类能够减少指纹特征匹配的次数，从而提高指纹识别的效率。本文针对指纹分类过程中容易出现的奇异点丢失情况，改进了基于奇异点的指纹分类算法，准确对指纹进行分类，提高了指纹识别的效率。进而利用基于点模式的指纹匹配算法对指纹进行匹配识别，实现了准确的身份识别。
4.学位论文孙立功机器人视觉伺服控制中的识别与跟踪技术研究2006
本文简述了国内外机器人视觉伺服控制技术的发展、成果及研究现状，从存在的问题入手，对当前机器人视觉伺服研究的一些热点问题进行了探讨
，并对工业机器人视觉伺服控制的一些关键性技术进行了研究，重点研究了物体识别与动态物体跟踪问题。 在研究了基于USB2.0技术和TWAIN通信协议的“摄像头—通信协议”构架后，利用图像信息处理技术，提出一种提取图像数字特征的新方法，实现特征信息的快速产生、编码、输入及存储压缩，并利用人的视觉识别特点，实现物体的数字特征匹配，完善了基于影射·特征·知识的识别复杂彩色目标的方法，提高了复杂彩色目标识别的准确性和快速性。然后，采用直线与圆弧拟合二维曲线的方法，研究机器人对动态物体运动轨迹的预测，实现对其跟踪与抓取。最后，利用由GRBA4PAH多关节工业机器人、USB接口微型摄像头、目标物体运动模拟平台及PentiumⅣ计算机组成的开放式智能机器人视觉伺服控制实验系统，将上述程序嵌入GRBA4PAH多关节工业机器人的控制程序中，进行了对复杂背景下动态目标的快速识别与跟踪实验。 实验结果表明了本文研究结果的可行性与正确性。
5.学位论文张季自动指纹识别算法研究与系统设计2007
随着社会和经济的发展，人们对身份鉴别的准确性、安全性与实用性提出了更高的要求。基于信物或口令的传统身份鉴别方式存在容易丢失、遗忘、被复制及盗用的隐患。通过辨识人的生理和行为特征进行身份认证的生物识别技术提供了一个方便可靠的解决方案，生物识别技术以生物特征为基础，以信息处理技术为手段，将生物技术和信息技术有机结合在一起。在众多的生物识别技术中，指纹识别技术以方便易用、高准确率和低成本等诸多优势备受关注，已经成为身份认证的最有效手段，在电子商务、犯罪识别、信息安全等领域得到广泛的应用。 近年来，自动指纹识别技术己成为学术界的一个研究热点，己有不少国内外学者对指纹识别技术作了大量研究，但到目前为止，指纹识别仍存在一些技术难点。 本文的主要工作与贡献： 1．首先对生物识别系统的基本概念以及常见的生物识别技术进行了较为详细的综述，并对不同种类的生物识别技术进行比较；阐述了自动指纹识别系统的结构、工作原理和目前的研究现状。在分析自动指纹识别系统的关键问题基础上，提出了论文的研究内容。 2．研究了指纹图像的采集技术，对指纹采集技术的相关定义和性能指标做了下介绍，并对现有的指纹图像采集技术做了下总结和比较。 3．研究了指纹图像的预处理技术，包括指纹图像的质量评估、指纹图像的增强、分割、二值化和细化等问题，并在指纹图像质量评估方面，在研究现有指纹图像评估方法的基础上，提出了一种实用的基于指纹方向信息的指纹图像综合评估方法。 4．研究了指纹的特征提取与匹配，回顾了前人的指纹特征提取和匹配算法，并在前人算法的基础之上，提出了一种改进的基于8邻域纹线跟踪特征提取和基于Delaunay三角网络特征匹配的识别方法。 5．在本文介绍的算法基础之上，开发了自动指纹识别平台。
6.期刊论文曹治国.鄢睿丞.宋喆.CAO Zhi-guo.YAN Rui-cheng.SONG Zhe利用模糊形状上下文关系的红外与可见
光图像匹配方法-红外与激光工程2008,37(6)
对于同一场景可见光和红外图像提取的灰度特征存在差异导致匹配性能下降的问题,利用了该两个谱段图像仅在形状上模糊相似的特点,提出采用形状上下文思想实现红外与可见光图像之间的匹配方法.具体方法是在提取图像边缘的基础上,用采样模板获取点特征图像,然后利用提出的不等分坐标空间提取局部形状统计信息的直方图,再以形状上下文特征开支与全局特征匹配开支的加权和作为相似性测度实现匹配.与已有的形状上下文算法相比,此方法减少了25%的特征维数,鲁棒性更好.针对多个红外和可见光图像序列的匹配实验结果显示,此方法与归一化灰度互相关、Hausdorff距离、文献中的形状上下文和SIFT算子等匹配算法相比,其匹配正确率分别平均提高了34.7%、21.2%、7.7%、88.9%,证明了该方法的有效性.
7.学位论文陈尚志基于Nios Ⅱ的自动指纹识别系统研究2007
随着科学技术和社会经济的发展，指纹识别在诸如：电子商务、犯罪识别、信息安全等众多领域的身份认证中得到越来越广泛的应用。与过去基于信物或口令的传统身份鉴别方式相比，指纹识别鉴别方式不存在丢失、遗忘、被复制及盗用的隐患。指纹识别技术是以指纹特征为基础，以信息处理技术为手段，融合生物技术和信息技术的一门新兴实用技术。 本文总结了指纹识别技术的发展现状，深入研究了指纹识别算法，给出了本系统设计中采用的具体算法；硬件方面，系统采用代表当今嵌入式发展方向的Nios Ⅱ软核微处理器，富士通的MBF200指纹采集卡和ATMl2864 LCD，设计出了一套经济实用、易于升级的嵌入式硬件平台，而且系统的开发周期较短。软件的设计采用C/C++予以实现，软件的编辑、编译和调试都可以基于Nios ⅡIDE完成。 本文完成的主要工作如下： 文中结合嵌入式系统的特点，深入地研究了指纹识别系统中的图像预处理算法，包括图像归一化、图像分割、图像增强、图像二值化和图像细化等算法，并在其基础上进一步研究指纹图像特征点提取、指纹图像伪特征点去除和特征匹配等算法。阐述了一整套指纹识别算法。 在介绍软核微处理器Niso Ⅱ的特征和指纹传感器MBF200性能的基础上，设计了一套基于Nios Ⅱ微处理器的嵌入式指纹识别硬件平台。同时基于SopcBuilder设计出一款本系统应用的Nios Ⅱ软核微处理器，给出系统关键部件的硬件电路的原理图。 综合指纹识别算法和硬件平台的结构，设计出指纹识别系统的主程序的流程图，给出指纹传感器MBF200及ATMl2864 LCD的初始化流程图。最后，总结了本文的主要工作，指出了进一步的研究方向。
8.学位论文杨建光电信级智能网络信息过滤引擎的研究和应用2005
针对目前网络上存在的大量不良信息传播的状况，本文提出并实现了一种在电信主干光纤通讯电缆上进行过滤网络信息的引擎。网络信息过滤引擎通过构造相关分类知识库，利用智能信息处理技术(自然语言处理)，在理解网页内容(而不是仅仅匹配关键词)、获取文本意义的基础上，对网页进行自动分类，利用分类结果，可以截获网络敏感信息，并采取相应的控制、过滤措施。为了在高速网络环境中过滤网络信息，还设计实现了高性能的数据包捕获和应用层协议分析的功能。整个过滤引擎涉及了自然语言处理技术(主要是分词理论和文本分类技术)、高速网络处理技术(协议分析和零拷贝技术)等关键技术。本文针对电信级智能网络信息过滤引擎的研究设计实现过程中遇到的问题和解决办法等方面来讨论相关技术和理论的研究和应用。
本文完成的主要工作如下：(1)通过引入自然语言理解理论，提出基于URL分类知识库的URL智能分类库。凭借URL智能分类库，把耗时的实时网络内容的分析过滤转化为URL的分类预处理，使高速网络环境下的网络信息监控成为可能。 (2)零拷贝技术的引入突破了传统数据包捕获技术慢的瓶颈，提升的性能不仅为千兆网络信息过滤打好基础，还使得低配置的硬件设备也有可能被用于高速网络环境的处理，节省了进行网络信息过滤的费用。
(3)应用层协议分析功能的设计。该功能模块对网络信息进行应用层级的语意理解，从而实现基于应用层的内容过滤，而不只是对网络数据包进行简单的特征匹配来决定过滤与否。
9.期刊论文董育宁.DONG Yu-ning一种快速有效的体视图匹配方法-南京邮电大学学报（自然科学版）
2007,27(3)
研究了体视技术中最困难的一点:体视图的特征匹配问题.首先探讨了若干理论问题,然后提出了一种基于边缘线段的、快速有效的体视图匹配方法.其匹配过程分为两步:初始匹配和引导匹配.在初始匹配中,施加了epipolar约束和局部的几何与区域约束,以减小搜索空间.引导匹配在一个线段连接关系图的启发引导下进行,其特点是使用启发式搜索技术,基本避免了搜索空间的指数爆炸问题.最后给出了实验结果.
10.学位论文张萍车牌识别中若干关键问题的研究2006
车牌识别技术的任务是分析、处理汽车图像，自动识别车牌号码，它主要包括车牌定位、字符分割和字符识别等三个方面的内容。由于车辆牌照号码对于车辆就相当于身份证和每个公民的关系，它们是一一对应的，所以车辆牌照自动识别系统可广泛应用于交通流量检测，交通控制与诱导，机场、港口、小区的车辆管理，不停车自动收费，闯红灯等违章车辆监控以及车辆安全防盗等一切需要对车辆进行管理的场合，它是信息处理技术的一项重要课题。目前，各个国家都把车辆牌照自动识别系统作为智能交通系统最先投入应用的系统来开发，因此，车辆牌照自动识别系统具有广阔的应用前景。 在汽车牌照识别技术中，牌照定位技术是整个车牌识别技术中的第一道程序，牌照定位准确与否，直接关系到后续工作能否顺利进行以及识别的效果，但是由于牌照可能受天气、背景、磨损等外界干扰因素的影响，往往会造成得到的图像模糊，牌照区域不明显，给牌照区域的提取带来了较大的困难，因此，汽车图像中牌照的正确定位是车牌识别技术中的关键技术和难点所在。 本系统中车牌定位主要分为车牌的粗定位和车牌细定位两个部分。其中车牌的粗定位包括彩色图像到灰度图的转换、求灰度图的水平边缘、灰度图二值化、寻找最优的候选位置和水平校正等五个方面的内容；车牌的细定位包括上下边界校正和竖直倾斜校正两个方面的内容。 在车牌的粗定位中，提取出了一种基于数学形态学滤波的方法，根据车牌的形状大小、纹理特征等米定位车牌的最优候选位置；在车牌细定位算法中，提取出了一种基于改变车牌图像上下线形畸变比例的方法进行车牌竖直倾斜校正。 本系统从车牌图像的本质出发，充分利用图像的先验知识，比如尺寸、纹理信息等，不但能突出车牌区域，而且还有能滤除非车牌区域的特点，算法简单实用。 所谓字符分割就是把所提取的车牌区域图像分割成单个字符的图像，字符分割问题仍然属于图像分割问题。因为正确的字符分割是特征提取和模式匹配的前提，并且还直接关系到字符识别能否进行，所以，正确的字符分割是字符识别的关键之一。 根据车牌字符串结构特征
，考虑到算法的实时性和适用性，选用了一种基于模板匹配的OTSU算法米对车牌进行字符分割处理。将车牌字符串看作一个模板，而这个模板的特征有
两个，一是模板大小是一个特征量：二是模板内字符区域边缘最丰富，而字符间隔区域理论上没有边缘(原点除外)。而这两个特征就是车牌起点定位的依据。经大量实验证明经过本算法分割后得到的字符，很少出现字符错误分割和出现较大误差的情况，因此，这种算法具有快速性和准确度较高的特点，算法简单实用，能够很好的完成车牌中字符分割的工作。 整个牌照识别系统的最后一步是车牌字符的识别，这一环节准确率的高低将直接影响到识别结果的正确性。目前，字符识别主要有基于模板匹配的字符识别算法、特征匹配法和基于神经网络的车牌字符识别算法等三种方法。本文选用
BP神经网络进行字符车牌识别，经过大量的试验，结果表明该方法准确率较高。 在上述研究的基础上，设计、实现了车牌的识别，系统执行效果较为理想。
引证文献(2条)
1.陈冰.赵亦工.李欣基于高斯尺度空间的末制导目标跟踪方法[期刊论文]-兵工学报 2009(5)
2.李晓梅.嵇启春.冯仰敏直线一级倒立摆模糊控制中次优滤波器的应用[期刊论文]-吉首大学学报（自然科学版） 2008(6)
本文链接：https://www.sodocs.net/doc/372706258.html,/Periodical_bgxb200702011.aspx
下载时间：2010年2月25日
自适应均衡算法研究
自适应均衡算法LMS研究 一、自适应滤波原理与应用 所谓自适应滤波器，就是利用前一时刻已获得的滤波器参数等结果，自动地调节现时刻的滤波器参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。根据环境的改变，使用自适应算法来改变滤波器的参数和结构。 1.1均衡器的发展及概况 均衡是减少码间串扰的有效措施。均衡器的发展有史已久，二十世纪60年代前，电话信道均衡器的出现克服了数据传输过程中的码间串扰带来的失真影响。但是均衡器要么是固定的，要么其参数的调整是手工进行。1965年，Lucky在均衡问题上提出了迫零准则，自动调整横向滤波器的权系数。1969年，Gerhso和Porkasi，Milier分别独立的提出采用均方误差准则(MSE)。1972年，ungeboekc将LMS算法应用于自适应均衡。1974年，Gedard 在kalmna滤波理论上推导出递推最小均方算法RLS(Recursive least-squares)。LMS类算法和RLS类算法是自适应滤波算法的两个大类。自适应滤波在信道均衡、回波抵消、谱线增强、噪声抑制、天线自适应旁瓣抑制、雷达杂波抵消、相参检测、谱估计、窄带干扰抑制、系统辨识、系统建模、语音信号处理、生物医学、电子学等方面获得广泛的应用。 1.2均衡器种类 均衡技术可分为两类：线性均衡和非线性均衡。这两类的差别主要在于自适应均衡器的输出被用于反馈控制的方法。如果判决输出没有被用于均衡器的反馈逻辑中，那么均衡器是线性的；如果判决输出被用于反馈逻辑中并帮助改变了均衡器的后续输出，那么均衡器是非线性的。
LMS RLS 快速RLS 平方根RLS 梯度RLS LMS RLS 快速RLS 平方根RLS 梯度RLS LMS RLS 快速RLS 平方根RLS 算法图1.1 均衡器的分类 1.3自适应算法LMS算法 LMS算法是由widrow和Hoff于1960年提出来的,是统计梯度算法类的很重 要的成员之一。它具有运算量小,简单,易于实现等优点。 LMS算法是建立在Wiener滤波的基础上发展而来的。Wiener解是在最小均方误差(MMSE)意义下使用均方误差作为代价函数而得到的在最小误差准则下的最优解。因其结构简单、稳定性好,一直是自适应滤波经典有效的算法之一,被广泛应用于雷达、通信、声纳、系统辨识及信号处理等领域。 1.3.1 MSE的含义 LMS 算法的推导以估计误差平方的集平均或时平均（即均方误差，MSE）为基础。下面先介绍MSE的概念。 设计一个均衡系统如下图所示：
Kalman滤波在运动跟踪中建模
目录 一、kalman滤波简介 (1) 二、kalman滤波基本原理 (1) 三、Kalman滤波在运动跟踪中的应用的建模 (3) 四、仿真结果 (6) 1、kalman的滤波效果 (6) 2、简单轨迹的kalman的预测效果 (7) 3、椭圆运动轨迹的预测 (9) 4、往返运动归轨迹的预测 (10) 五、参数的选取 (11) 附录： (13) Matlab程序： (13) C语言程序： (13)
Kalman滤波在运动跟踪中的应用 一、kalman滤波简介 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 Kalman滤波是卡尔曼(R.E.kalman)于1960年提出的从与被提取信号的有关的观测量中通过算法估计出所需信号的一种滤波算法。他把状态空间的概念引入到随机估计理论中，把信号过程视为白噪声作用下的—个线性系统的输出，用状方程来描述这种输入—输出关系，估计过程中利用系统状态方程、观测方程和白噪声激励(系统噪声和观测噪声)的统计特性形成滤波算法，由于所用的信息都是时域内的量，所以不但可以对平稳的一维随机过程进估计，也可以对非平稳的、多维随机过程进行估汁。 Kalman滤波是一套由计算机实现的实时递推算法．它所处理的对象是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以所要估计值(系统的状态或参数)作为滤波器的输出，滤波器的输入与输出之间是由时间更新和观测更新算法联系在一起的，根据系统方程和观测方程估计出所有需要处理的信号。所以，Kalman滤波与常规滤波的涵义与方法不同，它实质上是一种最优估计法。 卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法），对于解决很大部分的问题，他是最优，效率最高甚至是最有用的 二、kalman滤波基本原理 Kalman滤波器是目标状态估计算法解决状态最优估计的一种常用方法具有计算量小、存储量低、实时性高的优点。实际应用中，可以将物理系统的运行过程看作是一个状态转换过程，卡尔曼滤波将状态空间理论引入到对物理系统的数学建模过程中来。其基本思想是给系统信号和噪声的状态空间建立方程和观测方程，只用信号的前一个估计值和最近一个观察值就可以在线性无偏最小方差估计准则下对信号的当前值做出最优估计。 设一系统所建立的模型为：
自适应滤波LMS算法及RLS算法及其仿真.
自适应滤波 第1章绪论 (1) 1．1自适应滤波理论发展过程 (1) 1．2自适应滤波发展前景 (2) 1．2．1小波变换与自适应滤波 (2) 1．2．2模糊神经网络与自适应滤波 (3) 第2章线性自适应滤波理论 (4) 2．1最小均方自适应滤波器 (4) 2．1．1最速下降算法 (4) 2．1．2最小均方算法 (6) 2．2递归最小二乘自适应滤波器 (7) 第3章仿真 (12) 3.1基于LMS算法的MATLAB仿真 (12) 3.2基于RLS算法的MATLAB仿真 (15) 组别：第二小组 组员：黄亚明李存龙杨振
第1章绪论 从连续的(或离散的)输入数据中滤除噪声和干扰以提取有用信息的过 程称为滤波。相应的装置称为滤波器。实际上，一个滤波器可以看成是 一个系统，这个系统的目的是为了从含有噪声的数据中提取人们感兴趣的、 或者希望得到的有用信号，即期望信号。滤波器可分为线性滤波器和非 线性滤波器两种。当滤波器的输出为输入的线性函数时，该滤波器称为线 性滤波器，当滤波器的输出为输入的非线性函数时，该滤波器就称为非线 性滤波器。 自适应滤波器是在不知道输入过程的统计特性时，或是输入过程的统计特性发生变化时，能够自动调整自己的参数，以满足某种最佳准则要求的滤波器。 1．1自适应滤波理论发展过程 自适应技术与最优化理论有着密切的系。自适应算法中的最速下降算法以及最小二乘算法最初都是用来解决有／无约束条件的极值优化问题的。 1942年维纳(Wiener)研究了基于最小均方误差(MMSE)准则的在可加性噪声中信号的最佳滤波问题。并利用Wiener．Hopf方程给出了对连续信号情况的最佳解。基于这～准则的最佳滤波器称为维纳滤波器。20世纪60年代初，卡尔曼(Kalman)突破和发展了经典滤波理论，在时间域上提出 了状态空间方法，提出了一套便于在计算机上实现的递推滤波算法，并且适用于非平稳过程的滤波和多变量系统的滤波，克服了维纳(Wiener)滤波理论的局限性，并获得了广泛的应用。这种基于MMSE准则的对于动态系统的离散形式递推算法即卡尔曼滤波算法。这两种算法都为自适应算法奠定了基础。 从频域上的谱分析方法到时域上的状态空间分析方法的变革，也标志 着现代控制理论的诞生。最优滤波理论是现代控制论的重要组成部分。在控制论的文献中，最优滤波理论也叫做Kalman滤波理论或者状态估计理论。 从应用观点来看，Kalman滤波的缺点和局限性是应用Kalman滤波时要求知道系统的数学模型和噪声统计这两种先验知识。然而在绝大多数实际应用问题中，它们是不知道的，或者是近似知道的，也或者是部分知道的。应用不精确或者错误的模型和噪声统计设计Kalman滤波器将使滤波器性能变坏，导致大的状态估计误差，甚至使滤波发散。为了解决这个矛盾，产生了自适应滤波。 最早的自适应滤波算法是最小JY(LMS)算法。它成为横向滤波器的一种简单而有效的算法。实际上，LMS算法是一种随机梯度算法，它在相对于抽头权值的误差信号平方幅度的梯度方向上迭代调整每个抽头权 值。1996年Hassibi等人证明了LMS算法在H。准则下为最佳，从而在理论上证明了LMS算法具有孥实性。自Widrow等人1976年提出LMs自适应滤波算法以来，经过30多年的迅速发展，已经使这一理论成果成功的应用到通信、系统辨识、信号处理和自适应控制等领域，为自适应滤波开辟了新的发展方向。在各种自适应滤波算法中，LMS算法因为其简单、计算量小、稳定性好和易于实现而得到了广泛应用。这种算法中，固定步长因子μ对算法的性能有决定性的影响。若μ较小时，算法收敛速度慢，并且为得到满意的结果需要很多的采样数据，但稳态失调误差
介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的
LMS与RLS自适应滤波算法性能比较 马文民 【摘要】：介绍了自适应滤波器去除噪声的原理和从强噪声背景中采用自适应滤波提取有用信号的方法，并对最小均方(LMS, Least Mean Squares)和递推最小二乘(RLS, Recursive Least Squares)两种基本自适应算法进行了算法原理、算法性能分析。计算机模拟仿真结果表明，这两种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号。检测特性相比之下，RLS 算法具有良好的收敛性能，除收敛速度快于LMS算法和NLMS算法以及稳定性强外，而且具有更高的起始收敛速率、更小的权噪声和更大的抑噪能力。 【关键词】：自适应滤波；原理；算法；仿真 引言： 自适应滤波是近30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广泛的应用。自适应滤波的研究对象是具有不确定的系统或信息过程。"不确定"是指所研究的处理信息过程及其环境的数学模型不是完全确定的。其中包含一些未知因数和随机因数。任何一个实际的信息过程都具有不同程度的不确定性，这些不确定性有时表现在过程内部，有时表现在过程外部。从过程内部来讲，描述研究对象即信息动态过程的数学模型的结构和参数是我们事先不知道的。作为外部环境对信息过程的影响，可以等效地用扰动来表示，这些扰动通常是不可测的，它们可能是确定的，也可能是随机的。此外一些测量噪音也是以不同的途径影响信息过程。这些扰动和噪声的统计特性常常是未知的。面对这些客观存在的各种不确定性，如何综合处理信息过程，并使某一些指定的性能指标达到最优或近似最优，这就是自适应滤波所要解决的问题。 在这几十年里，数字信号处理技术取得了飞速发展，特别是自适应信号处理技术以其计算简单、收敛速度快等许多优点而广泛被使用。它通过使内部参数的最优化来自动改变其特性。自适应滤波算法在统计信号处理的许多应用中都是非常重要的。 在工程实际中，经常会遇到强噪声背景中的微弱信号检测问题。例如在超声波无损检测领域，因传输介质的不均匀等因素导致有用信号与高噪声信号迭加在一起。被埋藏在强背景噪声中的有用信号通常微弱而不稳定，而背景噪声往往又是非平稳的和随时间变化的，此时很难用传统方法来解决噪声背景中的信号提取问题。自适应噪声抵消技术是一种有效降噪的方法，当系统能提供良好的参考信号时，可获得很好的提取效果。与传统的平均迭加方法相比采用自适应平均处理方法还能降低样本数量。 1自适应滤波器的基本原理 所谓的自适应滤波，就是利用前一时刻以获得的滤波器参数的结果，自动的调节现时刻的滤波器参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。自适应滤波器实质上就是一种能调节其自身传输特性以达到最优的维纳滤波器。自适应滤波器不需要关于输入信号的先验知识，计算量小，特别适用于实时处理。 由于无法预先知道信号和噪声的特性或者它们是随时间变化的，仅仅用FIR和IIR两种具有固定滤波系数的滤波器无法实现最优滤波。在这种情况下，必须设计自适应滤波器，以跟踪信号和噪声的变化。 自适应滤波器的特性变化是由自适应算法通过调整滤波器系数来实现的。一般而言，自适应滤波器由两部分组成，一是滤波器结构，二是调整滤波器系数的自适应算法。 自适应噪声抵消系统的核心是自适应滤波器，自适应算法对其参数进行控制，以实现最佳滤波。不同的自适应滤波器算法，具有不同的收敛速度、稳态失调和算法复杂度。根据自
自适应滤波实验报告
LMS 自适应滤波实验报告 ： 学号： 日期：2015.12.2 实验容： 利用自适应滤波法研究从宽带信号中提取单频信号的方法。 设()()()()t f B t f A t s t x 212cos 2cos π?π+++=，()t s 是宽带信号，A ，B ，1f ，2f ， ?任选 （1）要求提取两个单频信号； （2）设f f f ?+=12，要求提取单频信号()t f 22cos π，研究f ?的大小对提取单频信号的影响。 1. 自适应滤波器原理 自适应滤波器理论是现代信号处理技术的重要组成部分，它对复杂信号的处理具有独特的功能。自适应滤波器在信号处理中属于随机信号处理的畴。在一些信号和噪声特性无法预知或他们是随时间变化的情况下，自适应滤波器通过自适应滤波算法调整滤波器系数，使得滤波器的特性随信号和噪声的变化，以达到最优滤波的效果，解决了固定全系数的维纳滤器和卡尔曼滤波器的不足。 （1） 自适应横向滤波器 所谓自适应滤波，就是利用前一时刻已获得的滤波器参数等结果，自动调节现时刻的滤波器参数，以适应信号和噪声未知或随时间变化的统计特性，从而实现最优滤波。自适应滤波器由两个部分组成：滤波器结构和调节滤波器系数的自适应算法。自适应滤波器的特点是自动调节自身的冲激响应，达到最优滤波，此算法适用于平稳和非平稳随机信号，并且不要求知道信号和噪声的统计特性。
一个单输入的横向自适应滤波器的原理框图如图所示： 实际上这种单输入系统就是一个FIR 网络结构，其输出()n y 用滤波器单位脉冲响应表示成下式： ()()()∑-=-=1 N m m n x m w n y 这里()n w 称为滤波器单位脉冲响应，令： ()()n i n x x i w w m i i i ,1,1,1+-=-=+=用j 表示，上式可以写成 ∑==N i ij i j x w y 1 这里i w 也称为滤波器加权系数。用上面公式表示其输出，适用于自适应线性组合器，也适用于FIR 滤波器。将上式表示成矩阵形式： X W W X j T T j j y == 式中 [][ ] T Nj j j j T N x x x w w w X W ,...,,, ,...,,2121== 误差信号表示为 X W j T j j j j d y d e -=-= （2） 最小均方（LMS ）算法 Widrow 等人提出的最小均方算法，是用梯度的估计值代替梯度的精确值，这种算法简单易行，因此获得了广泛的应用。
3.2自适应均衡技术(Adaptive Equalization Techniques)
§3-2 自适应均衡技术(Adaptive Equalization Techniques) Review ：分集有哪两层含义？合并的方式有哪几种？各自的基本思想是什么？分集是如何分类的？ 一、均衡基础（Fundamentals of Equalization ） ====》 如何补偿信道的多径衰落？ 均衡本质：产生与信道相反的特性，用来抵消信道的时变多径传播特性引起的码间串扰。均衡不用增加传输功率和带宽，即可改善移动通信链路的传输质量。均衡重在消除码间串扰，而分集重在消除深度衰落的影响。 均衡适用于信号不可分离多径且时延扩展远大于符号宽度的情况。 均衡有两个基本途径： 1、频域均衡，它使包括均衡器在内的整个系统的总传输函数满足无失真传输的条件(即H(w)=1)。它往往是分别校正幅频特性和群时延特性，模拟通信（序列均衡）通常采用这种频域均衡法。 2、时域均衡，就是直接从时间响应考虑，使包括均衡器在内的整个系统的冲激响应满足无码间串扰的条件(即h(t)=)(t δ)。数字移动通信面临的信号是时变信号，因此通常采用这种时域均衡法，来达到整个系统无码间串扰。随着码率的提高，时域均衡愈来愈复杂，研究热点逐步转入频域均衡。 均衡器常被放在接收机的基带或中频部分实现 二、均衡原理 图3-8 均衡器的实现框图 如果x (t )是原始基带号，f (t )是等效的基带冲激响应，即综合反映了发射机、信道和接
收机的射频、中频部分的总的传输特性，g (t )是发射机、信道、接收机的射频、中频部分和均衡器四者的等效冲激响应。 均衡器的期望输出值为原始信息x (t )。假定n b (t )= 0，则g (t )必须满足下式： )()()()(t t h t f t g eq δ=?=-------（3-8） 其频域表达式如下：1)()(=f F f H eq -------（3-9） 式（3-9）的物理意义：将经过信道后的信号中频率衰落大的频谱部分进行增强，衰落小的部分进行削弱，以使所收到频谱的各部分衰落趋于平坦，相位趋于线性。均衡器实际上是传输信道的反向滤波器。 由于理想基带传输系统是按Nyquist 第一准则建立，其发送和接收滤波的传输函数是以Nyquist 取样频率fs 为中心的对称滚降函数。所以理想信道的冲击响应是h(t)，非理想（失真）信道的冲击响应是f(t) ，见下图3-9。 图3-9 信道失真和信道均衡 h （t ）为理想的冲激响应,在Nyquist 取样时刻，h （kTn ）=0（k ≠0）。 f （t ）在Nyquist 取样时刻，f （kTn ）≠0（k ≠0），从而形成码间串扰。 时域均衡的目的就是使经过均衡器的总冲激响应趋近h （t ），以到达消除非理想信道引起的码间串扰。 三、时域均衡原理 若x(t)是均衡器接收信号的脉冲响应，而z(t)是经过均衡器输出的总脉冲响应，则有： ?-=t eq d t h x t z 0)()()(τττ=τττ?-t eq d h t x 0)()(
基于RLS算法自适应滤波器要点
基于RLS算法自适应滤波器的设计 摘要 自适应滤波器是统计信号处理的一个重要组成部分。在实际应用中，由于没有充足的信息来设计固定系数的数字滤波器，或者设计规则会在滤波器正常运行时改变，因此需要研究自适应滤波器。凡是需要处理未知统计环境下运算结果所产生的信号或需要处理非平稳信号时，自适应滤波器可以提供非自适应方法所不可能提供的新的信号处理能力。而且其性能通常远优于用常方法设计的固定滤波器。 本文从自适应滤波器研究的意义入手，介绍了自适应滤波器的基本理论思想，具体阐述了自适应滤波器的基本原理、算法及设计方法。自适应滤波器的算法是整个系统的核心。对 RLS算法自适应滤波器做了详细的介绍，采用改进的RLS算法设计自适应滤波器，并采用MATLAB进行仿真，通过实验结果来体现该滤波器可以根据信号随时修改滤波参数，达到动态跟踪的效果，使滤波信号更接近于原始信号。 关键词：自适应滤波器，RLS算法，噪声消除，FIR
第1章绪论 1.1 课题研究意义和目的 滤波技术是信号处理中的一种基本方法和技术，尤其数字滤波技术使用广泛，数字滤波理论的研究及其产品的开发一直受到很多国家的重视。 对自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一。Windrow等于1967年提出的自适应滤波系统的参数能自动的调整而达到最优状况，而且在设计时，只需要很少的或根本不需要任何关于信号与噪声的先验统计知识。这种滤波器的实现差不多像维纳滤波器那样简单，而滤波器性能几乎如卡尔曼滤波器一样好。自适应滤波器与普通滤波器不同，它的冲激响应或滤波参数是随外部环境的变化而变化的,经过一段自动调节的收敛时间达到最佳滤波的要求。自适应滤波器本身有一个重要的自适应算法，这个算法可以根据输入、输出及原参量信号按照一定准则修改滤波参量，以使它本身能有效的跟踪外部环境的变化。因此，自适应数字系统具有很强的自学习、自跟踪能力和算法的简单易实现性。 自适应滤波技术的核心问题是自适应算法的性能问题，提出的自适应算法主要有最小均方（LMS）算法、递归最小二乘（RLS）算法及相应的改进算法如：归一化（NLMS）算法、变步长（SVSLMS）算法、递归最小二乘方格形（RLSL）算法等。这些算法各有特点，适用于不同的场合。研究自适应算法是自适应滤波器的一个关键内容。递归最小二乘（RLS）算法是线性自适应滤波算法中最基本的两类算法之一，由于基于LMS准则的自适应滤波算法的收敛速度通常较慢，有些在调整过程种的延时也较大。为了克服LMS的算法，我们采用在每个时刻对所有已输入信号重估的平方误差之和最小这样的准则，即RLS算法。RLS算法复数乘法正比于2k，使其自适应速度更快。目前应用最多的是系统辨识、回波消除、自适应谱线增强、自适应信道均衡、语音线性预测、自适应天线阵等诸多领域。 1.2 国内外研究发展状况 自适应滤波的基本理论通过几十年的发展已日趋成熟，近十几年来自适应滤波器的研究主要针对算法与硬件实现。算法研究主要是对算法速度和精度的改
卡尔曼滤波器介绍 --- 最容易理解
10.6 卡尔曼滤波器简介 本节讨论如何从带噪声的测量数据把有用信号提取出来的问题。通常，信号的频谱处于有限的频率范围内，而噪声的频谱则散布在很广的频率范围内。如前所述，为了消除噪声，可以把 FIR滤波器或IIR滤波器设计成合适的频带滤波器，进行频域滤波。但在许多应用场合，需要进行时域滤波，从带噪声的信号中提取有用信号。虽然这样的过程其实也算是对信号的滤波，但所依据的理论,即针对随机信号的估计理论,是自成体系的。人们对随机信号干扰下的有用信号不能“确知”，只能“估计”。为了“估计”，要事先确定某种准则以评定估计的好坏程度。最小均方误差是一种常用的比较简单的经典准则。典型的线性估计器是离散时间维纳滤波器与卡尔曼滤波器。 对于平稳时间序列的最小均方误差估计的第一个明确解是维纳在1942年2月首先给出的。当时美国的一个战争研究团体发表了一个秘密文件，其中就包括维纳关于滤波问题的研究工作。这项研究是用于防空火力控制系统的。维纳滤波器是基于最小均方误差准则的估计器。为了寻求维纳滤波器的冲激响应，需要求解著名的维纳-霍夫方程。这种滤波理论所追求的是使均方误差最小的系统最佳冲激响应的明确表达式。这与卡尔曼滤波（Kalman filtering）是很不相同的。卡尔曼滤波所追求的则是使均方误差最小的递推算法。 在维纳进行滤波理论研究并导出维纳-霍夫方程的十年以前，在1931年，维纳和霍夫在数学上就已经得到了这个方程的解。 对于维纳-霍夫方程的研究，20世纪五十年代涌现了大量文章，特别是将维纳滤波推广到非平稳过程的文章甚多，但实用结果却很少。这时正处于卡尔曼滤波问世的前夜。 维纳滤波的困难问题，首先在上世纪五十年代中期确定卫星轨道的问题上遇到了。1958年斯韦尔林（Swerling）首先提出了处理这个问题的递推算法，并且立刻被承认和应用。1960年卡尔曼进行了比斯韦尔林更有意义的工作。他严格地把状态变量的概念引入到最小均方误差估计中来，建立了卡尔曼滤波理论。空间时代的到来推动了这种滤波理论的发展。 维纳滤波与卡尔曼滤波所研究的都是基于最小均方误差准则的估计问题。 维纳滤波理论的不足之处是明显的。在运用的过程中，它必须把用到的全部数据存储起来，而且每一时刻都要通过对这些数据的运算才能得到所需要的各种量的估值。按照这种滤波方法设置的专用计算机的存储量与计算量必然很大，很难进行实时处理。虽经许多科技工作者的努力，在解决非平稳过程的滤波问题时，给出能用的方法为数甚少。到五十年代中期，随着空间技术的发展，这种方法越来越不能满足实际应用的需要，面临了新的挑战。尽管如此，维纳滤波理论在滤波理论中的开拓工作是不容置疑的，维纳在方法论上的创见，仍然影响着后人。 五十年代中期，空间技术飞速发展，要求对卫星轨道进行精确的测量。为此，人们将滤波问题以微分方程表示，提出了一系列适应空间技术应用的精练算法。1960年
基于LMS算法的图像自适应滤波方法研究
基于ＬＭＳ算法的图像自适应滤波方法研究 【摘要】：在图象处理工作中，为了免除噪声的干扰，需要对图像进行预处理。本论文对现有的图像滤波方法与LMS算法进行了介绍，并针对目前的基于LMS的自适应滤波方法进行了介绍和研究。 【关键词】：图像滤波; 自适应滤波; LMS 现实中我们得到的图象信号都或多或少的被噪声污染，因此在进行进一步的边缘检测、图象分割、特征提取、模式识别等处理之前，尽量减少噪声是一个非常重要的预处理步骤。遗憾的是，迄今为止没有一种通用的滤波算法能对不同类型的图象都能取得很好的效果，就是对同一幅图象，如果噪声类型不同，滤波的效果也各异。而且不同的研究目的、实际图象特点、噪声的统计特征和频谱分布的规律，滤波算法也应不同。因为噪声伴随在图象中，根据不同的研究目的，而且为了进一步进行更高层次的处理，有必要对图象进行去除噪声。这也是在图像处理系统中，图像预处理工作如此重要的原因。 滤波器研究的一个基本问题就是:如何设计和建立最佳或最优的滤波器。所谓最佳滤波器是指能够根据某一最佳准则进行设计的滤波器。20世纪40年代，维纳奠定了关于最佳滤波器研究的基础。假定线形滤波器的输入为有用信号和噪声之和，两者均为广义平稳过程;并且已知它们的二阶统计特性，根据最小均方误差准则，维纳求得了最佳线形滤波器的参数。这种滤波器成为维纳滤波器。要实现维纳滤波，就要求:(1)输入信号时广义平稳的；(2)输入信号的统计特征是已知的。根据其他最佳准则的滤波器已有同样要求，比如卡尔曼滤波器。然而，由于输入过程取决于外界的信号、干扰环境，这种统计特性常常是未知的、变化的，因而不能满足上述两个要求，用维纳滤波器实现不了最优滤波。在这种情况下，自适应滤波能够提供卓越的滤波性能。 1.自适应滤波器概述 所谓自适应滤波，就是利用前一时刻已获得的滤波器参数的结果，自动地调节现时刻的滤波器参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。 常用的一些自适应滤波器的结构有开环和闭环自适应结构等，如图1-1所示。自适应算法主要根据滤波器输入的统计特性进行处理。它可能还与滤波器输出和其他数据有关。开环算法的控制输出仅取决于滤波器的输入和某些其他输入函数，但绝小取决于滤波器的输出。闭环算法的控制输出则是滤波器输入、滤波器输出以及某些其他输入的函数。图1-2给出了两种典型的闭环结构自适应滤波器结构图。
Kalman滤波原理及算法
Kalman滤波原理及算法 kalman滤波器 一(什么是卡尔曼滤波器 卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯, 我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》(线性滤波与预测问题的新方法)。 二.卡尔曼滤波器算法的介绍 以下是卡尔曼滤波器核心的5个式子。 X(k|k-1)=A X(k-1|k-1)+B U(k) (1) P(k|k-1)=A P(k-1|k-1) A’+Q (2) X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) (3) Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) (4) P(k|k)=(I-Kg(k) H)P(k|k-1) (5) 下面我们详细介绍卡尔曼滤波的过程。 首先，我们要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述: X(k)=A X(k-1)+B U(k)+W(k) 再加上系统的测量值: Z(k)=H X(k)+V(k) 上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪
声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance分别是Q，R(这里我们假设他们不随系统状态变化而变化)。 对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。 下面我们来用他们结合他们的covariances来估算系统的最优化输出。 首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态: X(k|k-1)=A X(k-1|k-1)+B U(k) (1) 式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。 到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。我们用P表示covariance: P(k|k-1)=A P(k-1|k-1) A’+Q (2) 式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。 现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值 的最优化估算值X(k|k): 和测量值，我们可以得到现在状态(k) X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) (3) 其中Kg为卡尔曼增益(Kalman Gain): Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) (4)
几种横向自适应滤波算法及其改进研究
第三章 几种横向自适应滤波算法及其改进研究 3.1 自适应横向滤波器的定义及其性能函数 3.1.1 横向自适应滤波器 横向自适应滤波器是一类基本的自适应滤波器形式[8]。所谓自适应实现是指：M 阶滤波器的抽头权系数01,...,M w w -，可以根据估计误差()e n 的大小自动调节，使得某个代价函数最小。 令()W n 表示图2.1中的滤波系数矢量，011()[(),(),...,()]M W n w n w n w n -=，滤波器抽头输入信号矢量()[(),(1),...,(1)]U n u n u n u n M T =--+，显然，输出信号()y n 为 1 0()()()()M i i y n wu n i W n U n -T ==-=∑ (3-1) 式中T 表示转置。利用图2.5中的输出信号和输入信号之间的关系，误差序列 ()()()()e n d n W n U n H =- (3-2) 显然，自适应滤波器的控制机理是用误差序列()e n 按照某种准则和算法对其系数()W n 进行控制的，最终使自适应滤波的目标（代价）函数最小化，达到最佳滤波效果。 按照均方误差（MSE ）准则所定义的目标函数是： 22()(){|()|}{|()()|}def J n n E e n E d n W U n ξH ===- (3-3) 将式（3-1）代入式（3-3），目标函数可以重新写为 2[()]2[()()()][()()()()]E d n E d n W n U n E W n U n U n W n ξH H H =-+ (3-4) 当滤波器的系数固定时，目标函数可以写为 2[()]2E d n W P W RW ξT T =-+ (3-5) 其中，[()()]R E U n U n T =是输入信号的自相关矩阵，[()()]P E d n U n =是期望信号和输入信号的互相关矢量。
kalman滤波和数字低通滤波
Kalman滤波和数字滤波 一、kalman滤波 卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。其他的就不介绍了。 公式简介 卡尔曼滤波主要是由5个经典公式组成： X(k|k-1)=A X(k-1|k-1)+B U(k) (1) 式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。 到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的协方差还没更新。我们用P表示协方差： P(k|k-1)=A P(k-1|k-1) A’+Q (2) 式(2)中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A’表示A的转置矩阵，Q是系统过程的协方差。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。 现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)： X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) (3) 其中Kg为卡尔曼增益(Kalman Gain)： Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) (4) 到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的协方差：P(k|k)=（I-Kg(k) H）P(k|k-1) (5) 其中I 为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。 参数整定 卡尔曼滤波参数的调整：其参数有三个，P0是初始化最优角度估计的协方差（初始化最优角度估计可设为零），它是一个初值。Q是预测值的协方差，R是测量值的协方差。对Q 和R的设定只需记住，Q/(Q+R)的值就是卡尔曼增益的收敛值，比如其值为0.2，那么卡尔曼增益会向0.2收敛（对于0.2的含义解释一下，比如预测角度值是5度，角度测量值是10度，那么最优化角度为：5+0.2*（10-5）=6。从这里可以看出，卡尔曼增益越小，说明预测
自适应滤波算法的研究分析
自适应滤波算法的研究 第1章绪论 1.1课题背景 伴随着移动通信事业的飞速发展，自适应滤波技术应用的范围也日益扩大。早在20世纪40年代，就对平稳随机信号建立了维纳滤波理论。根据有用信号和干扰噪声的统计特性(自相关函数或功率谱)，用线性最小均方误差估计准则设计的最佳滤波器，称为维纳滤波器。这种滤波器能最大程度地滤除干扰噪声，提取有用信号。但是，当输入信号的统计特性偏离设计条件，则它就不是最佳的了，这在实际应用中受到了限制。到60年代初，由于空间技术的发展，出现了卡尔曼滤波理论，即利用状态变量模型对非平稳、多输入多输出随机序列作最优估计。现在，卡尔曼滤波器己成功地应用到许多领域，它既可对平稳的和非平稳的随机信号作线性最佳滤波，也可作非线性滤波。实质上，维纳滤波器是卡尔曼滤波器的一个特例。 在设计卡尔曼滤波器时，必须知道产生输入过程的系统的状态方程和测量方程，即要求对信号和噪声的统计特性有先验知识，但在实际中，往往难以预知这些统计特性，因此实现不了真正的最佳滤波。 Widrow B等于1967年提出的自适应滤波理论，可使自适应滤波系统的参数自动地调整而达到最佳状况，而且在设计时，只需要很少的或根本不需要任何关于信号与噪声的先验统计知识。这种滤波器的实现差不多象维纳滤波器那样简单，而滤波性能几乎如卡尔曼滤波器一样好。因此，近十几年来，自适应滤波理论和方法得到了迅速发展。[1] 自适应滤波是一种最佳滤波方法。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广泛的应用。 自适应滤波的研究对象是具有不确定的系统或信息过程。“不确定”是指所研究的处理信息过程及其环境的数学模型不是完全确定的。其中包含一些未知因数和随机因数。
Kalman滤波原理及程序(手册)解析
Kalman 滤波原理及仿真手册 KF/EKF/UKF 原理+应用实例+MATLAB 程序 本手册的研究内容主要有Kalman 滤波，扩展Kalman 滤波，无迹Kalman 滤波等，包括理论介绍和MATLAB 源程序两部分。本手册所介绍的线性滤波器，主要是Kalman 滤波和α-β滤波，交互多模型Kalman 滤波，这些算法的应用领域主要有温度测量、自由落体，GPS 导航、石油地震勘探、视频图像中的目标检测和跟踪。 EKF 和UKF 主要在非线性领域有着重要的应用，目标跟踪是最主要的非线性领域应用之一，除了讲解目标跟踪外，还介绍了通用非线性系统的EKF 和UKF 滤波处理问题，相信读者可以通过学习本文通用的非线性系统，能快速掌握EKF 和UKF 滤波算法。 本文所涉及到的每一个应用实例，都包含原理介绍和程序代码（含详细的中文注释）。 一、四维目标跟踪Kalman 线性滤波例子 在不考虑机动目标自身的动力因素，将匀速直线运动的船舶系统推广到四 维，即状态[]T k y k y k x k x k X )() ()()()( =包含水平方向的位置和速度和纵向的位置和速度。则目标跟踪的系统方程可以用式（3.1）和（3.2）表示， )()()1(k u k X k X Γ+Φ=+ （2-4-9） )()()(k v k HX k Z += （2-4-10） 其中，? ? ???? ??? ???=Φ10 00 1000010 001 T T ，???? ???????? ??=ΓT T T T 05.00005.022，T H ?? ??????????=00100001 ，T y y x x X ? ????? ??????= ，??? ???=y x Z ，u ,v 为零均值的过程噪声和观测噪声。T 为采样周期。为了便于理解， 将状态方程和观测方程具体化：
自适应滤波器 word
1自适应滤波器简介 最早人们根据生物能以各种有效的方式适应生存环境从而使生命力变强的特性引伸出自适应这个概念。自适应滤波器属于现代滤波器的范畴，它是40年代发展起来的自适应信号处理领域的一个重要应用。60年代，美国B.Windrow和Hoff首先提出了主要应用于随机信号处理的自适应滤波器算法，从而奠定自适应滤波器的发展。所谓自适应滤波器，即利用前一时刻已获得的滤波器参数等结果，自动地调节现时刻的滤波器参数，以适应信号与噪声未知的或随时间变化的统计特性，从而实现最优滤波。 自适应信号处理主要是研究结构可变或可调整的系统，它可以通过自身与外界环境的接触来改善自身对信号处理的性能。通常这类系统是时变的非线性系统，可以自动适应信号传输的环境和要求，无须详细知道信号的结构和实际知识，无须精确设计处理系统本身。自适应系统的非线性特性主要是由系统对不同的信号环境实现自身参数的调整来确定的。自适应系统的时变特性主要是由其自适应响应或自适应学习过程来确定的，当自适应过程结束和系统不再进行时，有一类自适应系统可成为线性系统，并称为线性自适应系统，因为这类系统便于设计且易于数学处理，所以实际应用广泛。本文研究的自适应滤波器就是这类滤波器。自适应信号处理的应用领域包括通信、雷达、声纳、地震学、导航系统、生物医学和工业控制等。自适应滤波器是相对固定滤波器而言的，固定滤波器属于经典滤波器，它滤波的频率是固定的，自适应滤波器滤波的频率则是自动适应输入信号而变化的，所以其适用范围更广。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参数来自动调节现时刻的滤波器参数，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。 自适应滤波器出现以后，发展很快。由于设计简单、性能最佳，自适应滤波器是目前数字滤波器领域是活跃的分支，也是数字滤波器研究的热点。主要自适应滤波器有：递推最小二乘（RLS）滤波器、最小均方差（LMS）滤波器、格型滤波器、无限冲激响应（IIR）滤波器。其中RLS滤波器具有稳定的自适应行为而且算法简单，收敛性能良好。 实际情况中，由于信号和噪声的统计特性常常未知或无法获知，这就为自适应滤波器提供广阔的应用空间、系统辨识、噪声对消、自适应谱线增强、通信信道的自适应均衡、线性预测、自适应天线阵列等是自适应滤波器的主要应用领域。 2自适应滤波器设计原理 自适应滤波器是以最小均方误差为准则，由自适应算法通过调整滤波器系数，以达到最优滤波的时变最佳滤波器. 设计自适应滤波器时，可以不必预先知道信号与噪声的自相关函数，在滤波过程中，即使噪声与信号的自相关函数随时间缓慢变化，滤波器也能自动适应，自动调节到满足均方误差最小的要求。自适应滤波器主要由参数可调的数字滤波器和调整滤波器系数的自适应算法两部分构成自适应滤波器的一般结构如图1所示。参数可调数字滤波器可以是FIR滤波器或IIR数字滤波器，也可以是格形滤波器。 图1中d(n)为期望响应，x(n)为自适应滤波器的输入，y(n)为自适应滤波器的输出，e(n)为估计误差，e(n)=d(n)-y(n)，前置级完成跟踪信号的选择，确定是信号还是噪声；后置级根据前置级的不同选择对数字滤波器输出作不同的处理，以得到信号输出。自适应滤波器的滤波器系数受误差信号e(n)控制，e(n)通过某种自适应算法对l滤波器参数进行调整，最终使e(n)的均方值最小。因此，实际上，自适应滤波器是一种能够自动调整本身参数的特殊维纳滤波器，在设计时不需要实现知道关于输入信号和噪声的统计特性的知识，它能够在自己的工作过程中逐渐“了解”或估计出所需的统计特性，并以此为依据自动调整自己的参数，以达到最佳滤波效果。一旦输入信号的统计特性发生变化，它又能够跟踪这种变化，自动调整
自适应均衡算法的研究进展
自适应均衡算法的研究进展 摘要：简述了能补偿或减小现代通信系统中的码问干扰问题的自适应均衡算法的基本原理及其特点．介绍了最小均方误差算法、递归最小二乘算法等几类主要的自适应均衡算法，并阐述了近年来出现的主要的自适应均衡算法的原理，对误码率、收敛速度、运算量及稳态误差等评价指标进行了分析．结合分析结果和自适应均衡算法的实际应用前景，探讨了这一领域需要进行进一步研究的问题，并对今后的研究进行了展望． 关键词：自适应均衡；最小均方误差算法；递归最小二乘算法 自适应均衡算法取得了较大的发展，是目前通信领域研究的热点．在现代通信系统中，码间干扰是制约通信质量的重要因素．为了减小码间干扰，需要对信道进行适当的补偿，以减小误码率，提高通信质量．接收机中能够补偿或减小接收信号码间干扰的补偿器称为均衡器．对于大多数采用均衡器的数字通信系统，信道特性是未知的，甚至是时变的．能准确地补偿信道的传输特性、动态地跟踪信道的变化、及时调整均衡滤波器系统参数的功能，称为自适应均衡器的智能特性．由于计算机硬件的限制，人们希望自适应均衡算法收敛快速、计算量小，且系统的误码率低．在此基础上，对于这种算法的研究主要集中在最小均方(LMS)类、递归最小平方(RLS）等几个方面。 1 LMS类自适应均衡算法 LMS算法是基于随机梯度准则的最小均方误差准则的近似，即简单地用瞬时误差来代替误差均值．这个近似带来的好处是省去了计算输入信号自相关矩阵所需要的巨大的计算量，使抽头系数的迭代公式变得非常简单．在大多数信噪比比较高且信道为缓慢时变的情况下，只要收敛步长在一定的范围内，LMS算法都能较好地收敛．但这种近似同时带来了2个缺点：1)引入了抽头系数的噪声项．导致稳态失调量较大；2)收敛相对缓慢，对非平稳信号的适应性差，使得算法的信道跟踪补偿能力下降．针对这两个问题，人们提出多种改进的LMS自适应滤波算法，主要有：变步长LMs算法、变换域LMs算法． 1．1 变步长LMS自适应滤波算法 收敛速率是LMs算法的一个关键问题，步长在算法收敛过程中起着非常重要的作用．采用大步长，每次调整抽头系数的幅度就大，体现在性能上就是算法收敛速度和跟踪速度快，当均衡器抽头系数接近最优值时，抽头系数将在最优值附近一个较大的范围内来回抖动而无法进一步收敛，因而会有较大的稳态剩余误差；反之，采用小步长，每次调整抽头系数的幅度就小，算法收敛速度和跟踪速度慢，但当均衡器抽头系数接近最优值时，抽头系数将在最优值附近一个较小的范围内来回抖动而无法进一步收敛，因而稳态剩余误差较小．考虑开始阶段和收