毕业设计(论 文)
基于GUI的滤波算法的研究与实现
摘要
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。滤波是当今信息处理领域的一种极其重要的技术。MATLAB 6.0 的GUIDE 是专门用于图形用户界面(GUI)程序设计的快速开发环境。随着多媒体被越来越多做为GUI 的一部分使用，声音，嗓音，动作视频和虚拟真实的界面对于许多应用程序来说似乎很可能成为其GUI 的一部有时一个系统的GUI 连同它的输入设备一起被称为“视觉效果（look-and-feel）”。
本文阐述了自适应滤波器的设计方法，分析了运用MATLAB软件进行自适应滤波器的设计过程。通过Matlab提供的可视化图形界面环境GUIDE和Matlab内嵌的相关函数设计完成的自适应滤波器演示界面，展示了图形用户界面在分析研究信号与系统分析中的重要应用。界面友好，具有开放性，便于理解理论知识，掌握自适应滤波器特性，可方便不同用户使用，也可不断改善和扩充其功能。本文在论述自适应滤波基本原理的基础上，重点讨论了基于LMS的自适应滤波器算法和基于RLS的自适应滤波器算法，探讨了LMS,RLS等滤波算法的GUI界面设计与仿真实现。通过各种信号处理函数对输入信号进行信号处理模块功能仿真；最后通过GUI编程实现各个模块的调用和链接，从而最终实现滤波处理仿真。通过基于Matlab的GUI界面设计和仿真结果表明，可以有效地对信号滤波进行功能仿真，对于利用软件无线电技术构建无线通信具有十分重要的参考意义。
在设计自适应滤波器时，人们很难直接从一大堆原始离散数据中感受它们的含义，数据图形恰好弥补了这一缺陷，使人们能直接感受到数据的许多内在本质，有助于加深理解。本文设计的自适应滤波器基于GUI，在自动生成的M文件框架下完成编程。其优点在于：它不仅具有良好的图形显示，更重要的是整个设计参数和滤波器类型都可以通过图形界面方便的改变，且在图形界面下直接显示对应设计结果的所需数据。基于MATLAB GUI设计的自适应滤波器便于理解和掌握其设计方法及性能指标，避免了枯燥的公式化计算，有助于加强理论与实践的联系。
关键词：自适应算法；自适应滤波器；MATLAB；图形用户界面；
1 绪论
1.1 课题的研究背景和意义
数字信号处理的迅速发展是从20世纪60年代开始的，其主要标志是两项重大进展，即快速傅立叶变换(FFT)算法的提出和数字滤波器设计方法的完善。
所谓滤波，就是从带有干扰的信号中得到有用信号的准确估计值。滤波理论就是在对系统可观测信号进行测量的基础上，根据一定的滤波准则，采用某种统计最优的方法，对系统的状态进行估计的理论和方法。滤波是一种信号处理操作，其目的是为了处理某个信号，以便利用信号中包含的信息。
自适应的研究对象是具有不确定性的系统或信息过程。这里的“不确定性”是指所研究的信息处理过程及其环境的数学模型是不完全确定的。任何一个实际的信息过程都具有不同程度的不确定性。面对这些客观存在的各种各样的不确定性，如何综合处理该信息过程，并使一些指定的性能指标达到最优或近似最优，这就是自适应滤波器所要解决的问题。
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，算法的特性直接影响滤波器的效果。
由于自适应滤波器的这些特点，自1967年B.Widrow等人提出自适应滤波器以来，在短短的四十年中，自适应滤波器的发展很快，已广泛地用于系统模型识别，通信信道的自适应均衡，雷达与声纳的波束形成，减少或消除心电图中的周期干扰，噪声中信号的检测、跟踪、增强和线性预测等。近十几年，它在更多的应用场合(如回波消除、色散信道的均衡、系统辨识、信号增强、自适应波速形成、噪声消除以及控制领域等[1~3])也取得了成功。
自适应处理器是工作在闭环(反馈)状态。输入信号通过可编程滤波器滤波或加权后产生一个输出，然后它与期望的参考或训练信号进行比较，形成误差信号。接着，用这
一误差信号来修正可编程滤波器的权系数(通常用迭代方法来实现)，最终使这一误差逐渐达到最小值(也就是使处理器的输出更逼近于训练信号)。这种自适应处理器可划分成自适应滤波器和自适应天线两大类。在本文中我们只考虑自适应滤波器。
自适应滤波器就是利用前一时刻己获得的滤波器系数等结果，自动地调节现时刻的滤波器系数，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。自适应滤波器通常由两个不同的部分构成:滤波器部分，其结构适合于完成所需要的处理功能;自适应算法部分。用来调整上述滤波器的系数，在本文中，我们主要是设计稳健的自适应算法来调整其系数。
自适应滤波技术包括自适应时域滤波、自适应空域滤波(即自适应阵列)等。它是从六十年代初发展起来的，与信息论、检测及最佳估计理论、滤波器理论密切相关信号处理学科的一个重要分支，随着超大规模集成电路(VLSI)技术和计算机技术的迅速发展和自适应滤波理论本身的不断完善，使得其应用愈来愈广泛，已遍及通信、语音信号处理、图像处理、模式识别、系统辨识及自动控制等领域，是目前最活跃的研究领域之一。
自适应滤波器的应用范围很广，主要有四个方面:自适应系统模拟和辨识;自适应逆滤波;自适应干扰;自适应预测。
随着超大规模集成电路(VLSI)技术的迅速进步以及自适应滤波技术理论的研究和发展，自适应滤波在噪化信号的检测增强、噪音干扰的抵消、波形编码的线性预测，雷达声纳系统的阵列处理和波束形成、通信系统的自适应均衡、图象自适应压缩编码、图象的自适应增强复原、图象识别的自适应分割以及未知系统的自适应参数辨识等方面获得了广泛的应用[4]。
鉴于自适应滤波器具有自学习、自跟踪、对参数经常变化的动态系统有较好控制效果的特性，我们有必要对其进行深入的研究，特别是对自适应滤波器新算法的研究。
MATLAB为用户开发图形界面提供了一个方便高效的集成环境：MATLAB图形用户界面开发环境GUIDE(MATLAB’s Graphical User Interface Development Enviroment)。GUIDE是一个界面设计工具集，MATLAB将所有GUI支持的用户空间都集中在该环境中并提供界面外观、属性和行为相应方式的设置方法。
通过开发图形界面，使得用户不需要知道具体的应用程序是怎样执行各种命令的，只需了解可见界面组建的使用方法，通过与界面交互就可以执行指定的行为。
1.2 国内外的研究现状
最早的对于自适应滤波器的研究可以追述到20世纪50年代木。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。
作为其中一项重大突破的数字滤波器，在20世纪60年代中期形成了它的完整而正规的理论。人们根据传统数字滤波器的概念，即根据给定的频率特性指标(低通、高通、带通或带阻，或别的形状的特性其参数)来设计并实现数字滤波器外，还深入研究了维纳滤波器和卡尔曼滤波器的数字实现问题。维纳滤波器是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)，以线性最小均方误差估计准则所设计的最佳滤波器，它能最大程度的滤除干扰噪声，提取有用信号。但是，当信号的统计特性偏离设计条件时，它就不再是最佳的了，这使其滤波器在实际应用中受得了限制。
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，卡尔曼滤波器以成功的应用到许多领域，它既可对平稳的和非平稳的随机信号作线性最优滤波，也可作非线性滤波。但卡尔曼滤波器也有其局限性，在设计时，必须知道产生输入过程的系统的状态方程，即要求对信号和噪声的统计特性有先验知识，但在实际中，我们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。
早在1795年，为了测定行星运动轨道，高斯(K.Gauss)就提出了最小二乘估计法。二十世纪40年代，Weiner和Kolmogorov相继独立地提出了维纳滤波理论。但维纳滤波方法是一种频域方法，而且滤波器是非递推的，不便于实时应用。V.kucera于1979年提出了现代维纳滤波方法。用该方法通过求解Diophantine方程可以直接得到可实现的和显式的维纳滤波器，并可处理多维信号和非平稳随机信号。卡尔曼(R.E.Kalman)于1960年提出的卡尔曼滤波(Kalman Filtering)理论，标志着现代滤波理论的建立。卡尔曼滤波方法是一种时域方法，对于具有高斯分布噪声的线性系统，可以得到系统状态的递推最小均方差估计(Reeursive Minimum Mean-Square Estimation，即RMS)。卡尔曼滤波首次将现代控制理论中的状态空间思想引入最优滤波理论，用状态方程描述系统动态模型，用观测方程描述系统观测模型，并可处理时变系统、非平稳信号。由于卡尔曼滤波采用递推计算，因此非常适宜于用计算机来实现。但同时卡尔曼滤波需要知道系统的精确数学模型，并假设系统为线性的，噪声信号也必须为噪声统计特性已知的高斯噪声，并且由于要计算Riccati方程，对高维系统计算量较大。