1.2 Анализ существующих методов адаптивной фильтрации Теория адаптивной фильтрации начала бурно развиваться с конца 50х годов. Первая работа по распознаванию формы сигналов была выполнена в I960 году Яновацем и другими /1/. В 1961 году Глезер 121 в США провел теоретические исследования по построению адаптивной фильтрации, а Габор и др. /3/ в том же году в Англии использовал аналоговый лентопротяжный механизм для настройки весов нелинейного адаптивного фильтра. Большинство ранних работ по адаптивным фильтрам сделаны независимыми исследователями различных научно-исследовательских организаций. Так первые работы в этой области, посвященные распознаванию образов, проведены в Высшей технической школе г. Карлсруэ (ФРГ) и Станфорском университете. Позднее в 1964г. проведена сравнительная оценка каждого метода /5/, что привело к созданию градиентного метода подстройки весов адаптивного фильтра. Дальнейшая работа проводилась в Институт Автоматики и телемеханики (СССР) /6/. В середине 60-х годов сделан прекрасный сводный обзор по адаптивным фильтрам 111, а в /8/ сделаны предварительные рекОхМендации по их использованию для автоматического выравнивания. Позднее были подготовлены несложные обзорные статьи по гашению отраженного (эхо-сигнал) сигнала /91 и адаптивному выравниванию /10/. Для получения оптимального решения существуют много методов подстройки весовых коэффициентов фильтра. Так в работе /11/ использовали методы случайных возмущений, которые изменяли значения весовых коэффициентов, далее анализировали выходной сигнал для того, чтобы проанализировать, приближает ли его случайные возмущения к искомому решению, или отдаляет. Позднее предложен метод наименьших квадратов (МИК), который использовался в работе Стенфордского университета и опубликован в работе /12/ Уидроу и др. для адаптивных 11 |
1.2 Анализ существующих методов адаптивной фильтрации Теория адаптивной фильтрации начала бурно развиваться с конца 50-х годов. Первая работа по распознаванию формы сигналов была выполнена в 1960 году Яновацем и другими /1/. В 1961 году Глезер /2/ в США провел теоретические исследования по построению адаптивной фильтрации, а Габор и др. /3/ в том же году в Англии использовал аналоговый лентопротяжный механизм для настройки весов нелинейного адаптивного фильтра. Большинство ранних работ по адаптивным фильтрам сделаны независимыми исследователями различных научноисследовательских организаций. Так первые работы в этой области, посвященные распознаванию образов, проведены в Высшей технической школе г. Карлсруэ (ФРГ) и Станфорском университете. Позднее в 1964г. проведена сравнительная оценка каждого метода /5/, что привело к созданию градиентного метода подстройки весов адаптивного фильтра. Дальнейшая работа проводилась в Институт Автоматики и телемеханики (СССР) /6/. В середине 60-х годов сделан прекрасный сводный обзор по адаптивным фильтрам /7/, а в /8/ сделаны предварительные рекомендации по их использованию для автоматического выравнивания. Позднее были подготовлены несложные обзорные статьи по гашению отраженного (эхо-сигнал) сигнала /9/ и адаптивному выравниванию /10/. Для получения оптимального решения существуют много методов подстройки весовых коэффициентов фильтра. Такв работе5 /Л£использовали методы случайных возмущений, которые изменяв ли значения весовых коэффициентов, далее анализировали выходной сигнал для того, чтобы проанализировать, приближает ли его случайные возмущения к искомому решению, или отдаляет. Позднее предложен метод наименьших квадратов (МНК), который использовался в работе Стенфордского университета и опубликован в работе /12/ Уидроу и др. для адаптивных антенных решеток, а в 1971 для адаптивных фильтров /13/. В настоящее время данный алгоритм широко используется для расчетов весовых коэффициентов адаптивных фильтров, так как в нем используются, градиентные методьцхоторые значительно эффективнее других методов. Метод наименьших квадратов очень схож с методом максимизации отношения сигнал/шум, который разрабатывал Эннобаум /14/. Обнуляющий корректирующий фильтр Лаки, предложенный в работе /15/ в 1966 году является упрощением более общего градиентного метода наименьших квадратов. Рассмотрим, каким образом адаптивный фильтр моделирует систему. Для этого обратимся к рисункам 1.1 и 1.2. 17 |