《自适应管内噪声抑制器》自动控制课程设计论文

1、机电学院 测控技术与仪器目录 摘要1导管内噪音模型2噪音抵消器原理2程序设计4LMS算法程序（LMS.M）4主程序（MAIN.M）5MATLAB 2012仿真结果6结语9参考文献9自适应噪声抵消器谢*（华侨大学 机电学院 福建 厦门）摘要：通信系统在传输信号的时候会受到各种噪声或干扰的影响，如何有效地从已被污染的信号中提取有用是信号始终是通信技术中迫切需要解决的严峻问题。一般的做法是使用滤波器对目标信号进行过滤，抑制噪声或干扰从而保留有用信号。这种滤波器分为经典滤波器和现代滤波器。输入信号的频率成分和希望被过滤的噪声的频率各占据着不同的频带，通过一个合适的选频滤波器就能达到滤波的目的，这就是经

2、典滤波器的远离。现代滤波器可以在干扰和信号的频带相互重叠的情况下进行有效滤波，比如：自适应滤波器、卡尔曼滤波器、维纳滤波器等。我的设计主要是利用LMS来抵消导管内的噪音，使用自适应滤波器抵消通风管道内风扇产生的噪声。风扇产生的声波是一种噪音，在导管内传播，这不但放大了一些噪声而且还引入了共鸣。关键词：自适应算法，噪音消除，LMS算法，学习曲线。Adaptive Noise CancellationXie* (Electrical and Mechanical College，huaqiao University ，Xiamen ，Fujian ) Abstract： communication

3、 system at the time of transmission signal will be influenced by all kinds of noise or interference， how to effectively from a contaminated signals is to extract the useful signal is always communications is an urgent need to solve the serious problem. Common practice is to use the filter to the tar

4、get signal filtering， thus preserving the suppression of noise or interference signal. This kind of filter can be divided into classical filter and modern filter. Input signal frequency components and hope by filtering the noise of the frequency of all occupies a different frequency band， via an app

5、ropriate frequency selective filter can achieve the purpose of the filter， this is far away from the classic filter. Modern filter can be in interference and signal frequency band overlapping effectively under the condition of filter， such as： adaptive filter， kalman filter， wiener filter， etc. My d

6、esign is mainly use LMS to offset the intraductal noise， offset using adaptive filter ventilation pipe produced by the fan noise. Fans of sound wave is a kind of noise， spread in the catheter not only magnified by some noise but also introduces resonance.Key words： adaptive algorithm， noise eliminat

7、ion， the LMS algorithm， the learning curve.导管内噪音模型： 如图1为风扇引起的导管内噪音模型。风扇所产生的噪声的基本频率是由其转速和叶片数而决定的。如，假定一个3个叶片的风扇，以30rps速度进行旋转，那么它将将产生一个基本频率为90Hz的噪声。图1 导管内噪音模型 声音谐波由基本信号通过一个“look-up counts”非线性函数模拟产生；增益项表示扩音器1位置和扩音器负反馈间的一个衰减，；函数“transport delay”表示声音信号的传输所需要的时间。整个SIMULINK模型如图2所示图2 SIMULINK模型 自适应滤波器由S函数实现，

8、这里把采样周期T，自适应滤波系数和滤波器阶数n等参数赋给S函数。自适应滤波器使用梯度算法，相应的文件为LMS.M噪音抵消器原理： 自适应滤波器是根据前一时刻的输出值的变化而进行自动的调节当前时刻滤波器的参数，以适应信号和噪声未知或随机变化的特性，得到有效的输出。其主要由主通道和参考通道组成，如图3所示：图3 噪音抵消器原理假设：在统计上是固定的，并且均值为0；和、不相关，并且仅与、 相关，输出误差为 （1）将上式两边各自平方后，得到： （2）两边再取数学期望值，因为s与n0 、y无关，所以有： （3） 调节滤波器参数使得最小化， 不希望信号能量会受到影响，从而使最小输出能量为： （4）当滤波器

9、参数改变，使得减小的同时，也被减小，滤波器的输出 y 值是原始输入中参杂的噪声最小方差估计值，这意味着为最小化时，也是最小。因为由（1）得到： （5）当自适应滤波器结构以及其可调节性已经确定时， 对于给定的参考输入，调节滤波器参数，使其输出能量的最小化，这无异于其输出误差为信号S 的最小方差估计。输出误差中包含了信号（1）和一些噪声，由式（1）可知，输出噪声等于，即：和已经最小化，输出噪声的功率值也势必最小化；而且输出中信号是不变的，所以输出功率最小化无异于使得信噪比为最大化。从式（3）可得知， 最小可能的输出功率是，此时有。因此，这时，最小化输出功率使输出完全没有噪声，当然这是自适应滤波器最

10、为理想的情况了。当参考输入和原始输入完全无关时， 滤波器输出 y 也将与原始输入值无关。此时，其输出的功率为： （6）显然， 要使上式中的输出功率的最小化，只能通过使最小化来实现，即要滤波器所有的系数均为0， ，即自适应抵消器没能起到抑制作用，这还可以扩展到当，是随机的或确定的互不相关情况。因此，自适应噪声抵消器要求参考输入噪声必须与原始输入信号中噪声存在相关性， 才能有效地抵消噪声。程序设计：除了系统参数，参数T、delta、n均赋给函数lms2。初始化阶段输入矢量xe、系数矢量h和误差标量err为0，然后调用系统初始化函数。Lms滤波计算根据T、采样周期按如下算法去计算 （7） （8）本应

11、用中： S函数的第一个输入 第二个函数 S函数输出LMS算法程序（LMS.M）：function yn,W,en=LMS(xn,dn,M,mu,itr)% LMS(Least Mean Squre)算法：% 输入参数说明:% xn 输入信号的序列 (列向量)% dn 所期望的响应序列 (列向量)% M 滤波器的阶数 (标量)% mu 收敛因子(步长) (标量) 要求大于0且小于xn的相关矩阵最大特征值的倒数； % itr 迭代次数 (标量) 默认为xn的长度，且满足M<itr<length(xn)；% 输出参数说明:% W 滤波器的权值矩阵 (矩阵) 大小为M x itr；% en

12、 误差序列(itr x 1) (列向量) % yn 实际输出序列 (列向量)% 参数个数必须为4个或5个if nargin = 4 % 4个时递归迭代的次数为xn的长度 itr = length(xn);elseif nargin = 5 % 5个时，满足M<itr<length(xn) if itr>length(xn) | itr<M msgbox('出错：迭代次数过大或过小！'); endelse msgbox ( '请输入个数');end% 初始化参数en = zeros(itr,1); % 误差序列,en(k)表示第k次迭代时预

13、期输出与实际输入的误差W = zeros(M,itr); % 每一行代表一个加权参量,每一列代表-次迭代,初始为0% 迭代计算for k = M:itr % 第k次迭代 x = xn(k:-1:k-M+1); % 滤波器M个抽头的输入 y = W(:,k-1).' * x; % 滤波器的输出 en(k) = dn(k) - y ; % 第k次迭代的误差 % 滤波器权值计算的迭代式 W(:,k) = W(:,k-1) + 2*mu*en(k)*x;end% 求最优时滤波器的输出序列yn = inf * ones(size(xn);for k = M:length(xn) x = xn(k

14、:-1:k-M+1); yn(k) = W(:,end).'* x;end主程序（MAIN.M）：%function main()close all% 周期信号的产生 t=0:99;xs=15*sin(0.8*t); % 输入信号（即有用信号）是幅值为15，角频率为0.5的正弦周期信号figure;subplot(2,1,1);plot(t,xs);grid;ylabel('幅值');title('it输入周期性信号');% 噪声信号的产生randn('state',sum(100*clock);xn=randn(1,100);subpl

15、ot(2,1,2);plot(t,xn);grid;ylabel('幅值');xlabel('时间');title('it随机噪声信号');% 信号滤波xn = xs+xn;xn = xn' ; % 输入信号序列dn = xs' ; % 预期结果序列M = 30 ; % 滤波器阶数为30rho_max = max(eig(xn*xn.'); % 输入信号相关矩阵的最大特征值mu = rand()*(1/rho_max) ; % 收敛因子, 0 < mu < 1/rhoyn,W,en = LMS(xn,dn,M,

16、mu);% 绘制滤波器输入信号figure;subplot(2,1,1);plot(t,xn);grid;ylabel('幅值');xlabel('时间');title('it滤波器输入信号');% 绘制自适应滤波器输出信号subplot(2,1,2);plot(t,yn);grid;ylabel('幅值');xlabel('时间');title('it自适应滤波器输出信号');% 绘制自适应滤波器输出信号,预期输出信号和两者的误差figure plot(t,yn,'g',t,dn,'r',t,dn-yn,'k');grid;legend('自适应滤波器输出','预期输出','误差');MATLAB 2012仿真结果： 由于函数库原因，无法在MATLAB 6.5版本下仿真，以下为2012版本下仿真结果。图4 有用信号（周期正弦信号）与随机噪声信号输入图5 自适应滤波器输入与输出信号对比图6 自适应滤波器预期输出、真