电子白板的时代到来仍呼唤传统课件技术的加强及自适应噪声消除算法的性能比较与仿真

电子白板的时代到来仍呼唤传统课件技术的加强----课件制作技术白板时代的反思摘要：不管从任何角度，交互式电子白板都是新一代产品，所制作出来的也是新一代课件作品，它的发展也需要建立在前期电教设备和课件制作发展的基础上的，所以从这个角度来说，以往的传统课件制作理论与课件技术仍做为电子白板课件的基础，不可忽略和抛弃，换个表达方式就是：电子白板的时代到来仍呼唤传统课件技术。关键字：电子白板;课件;白板应用;课件制作;教师

从听说交互式电子白板，到亲眼感受电子白板的强大功能，还没对交互式电子白板建立深刻的表象，现在“一夜”间各学校都已然安装了电子白板，并在各级各类的教学活动中应用它－－通过我所看到的：大家还仅是停留在电子白板就是一个物理触摸屏，没有真正把交互式电子白板的优势发挥出来，辅助教学提升教学效率提高教学质量。并且所制作的课件也还是传统的课件，称不上所谓的电子白板课件。可能我的角度有些片面，只是一个区域范围，但我认为对于电子白板发展的初期，这也可能是某个范围内的共性问题。

现在即使有了更先进的交互式电子白板，但所需要的课件仍需要用课件理论知识做指导，符合新课标理念。按课件制作结构：封面/导航/内容页/结束等；按课件制作流程：撰写好课件脚本，按脚本制作出所需要的课件；按课件评价标准，好的电子白板课件仍可以按传统课件标准来评价。不管从任何角度，交互式电子白板都是新一代产品，所制作出来的也是新一代课件作品，它的发展也需要建立在前期电教设备和课件制作发展的基础上的，所以从这个角度来说，以往的传统课件制作理论与课件技术仍做为电子白板课件的基础，不可忽略和抛弃，换个表达方式就是：电子白板的时代到来仍呼唤传统课件技术。

其实，对于白板时代的即将到来仍需深刻的反思，不容乐观：大部分教师仍没有打好传统课件制作技术的基础，现在就面对更复杂，理念更新的电子白板课件，你认为这是“喜”事吗？难道这是可以跨越的发展阶段？对于我们以前所欠下的课件制作技能“债”就忽略不计？难道电子白板交互式课件比传统课件就那么容易掌握？大多现状是对于传统课件是个盲，对于更高级更先进的电子白板制作课件更是白痴；对于传统课件操作技术不熟练的教师，面对交互功能更强大，生成性环节更多的电子白板更是一头雾水，电子白板仍是一块静态的显示屏幕而已......。这就是先天“营养”不足，造成后期“发育”不良。

对电子白板简单来说它本身就是一个触摸屏，再加上它所特有的“写写画画/指指点点”功能，那对于PPT课件/flash课件/AW课件/swishmax课件等来说，可以拓展交互性，实现生成性教学和学生自主独立操作，即时性反馈。先不论电子白板的特色功能，从这种应用模式来说，它也是建立在传统课件应用的基础上的，所以就要求传统课件设计时要充分考虑到电子白板的功能，需要教师要有深厚的传统课件制作技术功底－－这就要求教师在面对电子白板新设备时，快速提高课件制作技术，才能跟得上白板时代的发展，不然就已处于跟不上时代落伍里，再不努力加快脚步跟上，更要拉下十万八千里了。

当然，电子白板也有分屏显示或分页的功能，可以导入各种素材，实现独特的交互式电子白板课件，朋友们可以直接学习它的课件制作技术，实现辅助教学功能。这对于课件初学者来说，对于传统课件制作技术都是个难题，面对交互式电子白板课件设计更是难上加难－对于课件中级制作水平者都会是一个跨越，学习过程也是一个曲线。因此，还是推荐课件初学者或课件爱好者们，还是安心/专心扎实打好传统课件制作技术功底吧，按着正常学习流程进度，一步步顺畅过渡过电子白板课件制作，需要一个周期，时间长短因人而异。总之，面对即将到来的电子白板时代，我们应该理智对待，深刻反思，加强传统课件制作技术技术的熟练与精通，同时抓紧电子白板的熟悉与学习，修炼自己信息化素养，早日成为交互式电子白板课件的弄潮人。

[参考文献]1、《白板终将替代黑板成为课堂教学的主流技术》丁兴富，蒋国珍(首都师范大学远程教育研究所，北京100037)

2、《电子交互白板与学习生成》蒋鸣和，2008。3、《课堂教学的新交互平台》陶慧贤杨雪4、《交互白板及其在我国中小学教学中的应用研究》《中国电化教育》2005年第３期5、《交互式电子白板对课堂教学产生的影响》王忠政第22卷第4期中国医学教育技术2008年8月自适应噪声消除算法的性能比较与仿真摘要：在信号处理中，噪声往往是非平稳和随时间变化的，传统方法很难解决噪声背景中的信号提取问题。通过对自适应噪声消除原理的研究，介绍了基于参考信号和基于预测原理的两种自适应噪声消除(ANC,AdaptiveNoiseCancellation)方法，分析对比了基于最小均方(LMS,LeastMeanSquares)、递推最小二乘(RLS,RecursiveLeastSquares)和平方根自适应滤波（QR_RLS,recursiveleastsquaresbasedonQRdecomposition）三种噪声消除算法的性能。仿真结果表明：这几种算法都能从高背景噪声中有效的抑制干扰提取出有用信号，显示出了良好的收敛性能。相比之下，RLS算法和QR_RLS算法呈现出更快的收敛速度、更强的稳定性和抑噪能力。关键词：自适应噪声消除；自适应滤波器；噪声PerformanceComparisonsandSimulationsofAdaptiveNoiseCancellationAlgorithmsAbstract:Inthesignalprocessing,thenoiseisoftennon-smoothandtime-varying,sothetraditionalmethodisdifficulttosolvethesignalextractionproblemfromthebackgroundnoise.Throughthestudyontheprincipleofadptivenoisecancellation,twode-noisingmethodthatbasedonreferencesignalandprinciplesofpredictionhavebeenintroduced,andnoisecancelingperformanceoftheLMSalgorithms、RLSalgorithmsandQR_RLSalgorithmswerecompared.Theresultsofcomputersimulationsshowthatalloftheseadaptivealgorithmscanrestrainthedisturbanceeffectivelyandextractthetruesignalinstrongbackgroundnoise,showsagoodconvergenceperformance.Incomparison,theRLSalgorithmandQR_RLSalgorithmtakeonfasterconvergencespeed,strongerstabilityandstrongerabilitytosuppressnoise.Keywords:ANC;adaptivefiltering;noise

1引言在信号处理领域中噪声消除是一个非常重要的问题，对噪声环境中系统的正常工作有着很大的影响。隐藏在有用信号中的背景噪声往往是非平稳且随时间变化的，信号和噪声的统计特性往往无法知晓，而且背景噪声中的有用信号往往微弱而不稳定，此时采用传统方法很难解决噪声环境中的信号提取问题[1]。近年来自适应噪声消除（ANC）系统成为消除噪声的研究热点，利用自适应滤波器具有在未知环境下良好运行并跟踪输入统计量随时间变化的能力，通过不断调整抽头权系数来适应发生变化的信号和噪声的统计特性，达到消除噪声干扰的目的[2]。根据噪声知识的了解情况，ANC系统可采用基于参考信号和基于预测原理的两种噪声消除方法。在噪声相关知识足够了解的情况下可选取一个与噪声信号相关的参考信号进行噪声干扰对消。在噪声相关知识了解不够充分时可根据自适应滤波器的预测原理，利用噪声信号的时间不相关性来达到噪声消除的目的。ANC系统的核心是自适应滤波器,通过自适应算法对滤波器权系数进行调整以实现最佳滤波。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，本文基于上述两种噪声消除方法对比分析了基于LMS、RLS和QR_RLS三种算法的噪声消除效果。仿真结果表明，这几种算法都能从高背景噪声中提取有用信号。相比之下，在基于参考信号的方法中，RLS算法体现出了更好的收敛性能和抑制干扰的能力。在基于预测的消噪方法中，QR_RLS算法呈现出了更快的收敛速度、更强的稳定性和抑噪能力。2自适应噪声消除原理及算法2.1噪声消除原理自适应滤波器噪声消除系统是以噪声干扰为处理对象，将其抑制或者进行衰减，以提高输出端的信噪比质量。本文分析了基于参考信号和基于预测原理的两种自适应噪声消除方法。2.1在了解噪声信号相关知识的情况下，选取一组与有用信号无关而与背景噪声相关的信号作为参考信号，利用两个噪声的相关性以及有用信号与参考噪声的独立性，通过自适应滤波器的参数调节使滤波器输出逼近于扰动的动态特性，消除该扰动的影响。图1为ANC系统基于参考信号的基本结构，期望响应为有用信号与干扰之和，即，是与相关的参考输入，自适应滤波器通过调整抽头权值，使其输出成为的最佳估计，则误差即为对有用信号的最佳估计。（这里的两个n的意义确实不一样，抱歉，将和改成和更为妥当）图1基于参考信号的噪声消除Fig.1De-noisemethodbasedonreferencesignal2.1在可获得噪声源或能得到该噪声相关知识的情况下，上述方法是消除噪声影响的一种有效方法。然而在许多噪声抵消系统的实际应用中，参考噪声的获取并不是很理想，此时可利用自适应滤波器的预测原理进行噪声消除，其基本原理如图2所示。图2基于预测的噪声消除Fig.2De-noisemethodbasedonprinciplesofprediction考虑到白噪声具有时间上不相关的特性，对输入混有白噪声的信号进行一定时间的延迟并作为自适应滤波器的输入，而将带噪声信号直接作为参考信号。由于延迟后的有用信号具有很强的相关性，则自适应滤波器可以对该信号进行预测，而噪声在各个抽样点上是不相关的，则自适应滤波器不能对白噪声进行估计，所以滤波器的输出是对有用信号最好的估计，滤波输出信号中的噪声会大大减小，从而达到噪声消除的目的。2.2自适应滤波算法ANC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。根据自适应算法优化准则的不同，自适应滤波算法可分为两类最基本的算法：最小均方（LMS）算法和递推最小二乘（RLS）算法。为克服RLS算法数值的不稳定性，许多学者研究了基于QR分解的自适应RLS（QR_RLS）算法。不同的算法具有不同的消噪性能。自适应滤波器在时刻的抽头输入为，为抽头数(即滤波器长度)。相应地，抽头权向量为，为给定期望信号，是误差信号。各种算法的具体推导过程不再赘述，在此只列出迭代公式如下：2.2.11：初始化：如果已知抽头权向量的先验知识，则用它来选择；否则令。 2：基本迭代过程：对于 （1） （2）其中为步长参数，用它来控制系统的稳定性和收敛速率，其值越高则收敛速率快，但稳定性变差，反之亦然。2.2.21：抽头权向量初始值，逆相关矩阵初始值。其中为单位矩阵。2：基本迭代过程：对于（3）（4）（5）（6）（7）（8）其中是遗忘因子，且。为正则化参数，它的设定与信噪比有关，高信噪比时取小值，低信噪比时则取较大值；为增益向量，从有限精度运算的角度考虑，该值计算分两步进行，先计算中间量，再计算；为先验估计误差。2.2.31：初始化：相关矩阵，逆相关矩阵。2：基本迭代过程：对于（9）（这里的表示一行M-1列的0）（10）（11）其中是指数加权向量，为正则化参数，为酉旋转矩阵，它对前阵列中输入数据矩阵的元素进行运算，产生后阵列顶行的零块项。为先验估计误差。3仿真实验3.1基于参考信号的噪声消除有用信号取振幅为5.5的正弦信号，如下式所示：（12）将该信号叠加带限高斯白噪声构成待消噪的混叠信号并作为自适应滤波器的期望输出，带噪声信号与原始信号对比如图3所示。图3带噪声信号与原始信号Fig.3noisedsignalandoriginalsignal选择一组与白噪声相关的信号作为参考输入，利用图1的消噪原理对有用信号进行提取，提取结果如图4所示。可以看出，三种算法都能从图4基于参考信号的三种算法消噪结果Fig.4De-noiseresultsofthethreealgorithmsbasedonreferencesignal强背景噪声中提取出有用信号。相比之下，RLS算法体现出了更好的收敛性能以及抑制干扰的能力，达到了较好的消噪效果。图5显示了三组算法在噪声处理过程中的均方误差曲线，可以看出，RLS算法在提取信号时，收敛速度快、估计精度高并且稳定性好，可以很好的抑制噪声干扰加速收敛过程，体现出较强的自适应能力。而LMS算法和QR_RLS算法也能将有用信号提取出来，但在估计精度和收敛速度上较RLS算法要差些。图5三种算法消噪的均方误差Fig.5Themeansquareerrorforthethreede-noisingalgorithms3.2基于预测原理的噪声消除取式（12）中的原始正弦信号为有用信号，将上述方法中的带噪声信号作为待消噪信号，利用图2中的原理，将作为自适应滤波器的期望信号进行噪声消除，得到图6所示的噪声消除结果。图6基于预测原理的三种算法消噪结果Fig.6De-noiseresultsofthethreealgorithmsbasedonprinciplesofprediction图7显示了三种算法在迭代过程中的均方误差。由图6和7可以看出，三种算法都能较好的提取出有用信号。相比之下，用QR_RLS算法提取到的正弦信号与标准的正弦信号几乎完全一致，收敛图7三种算法消噪的均方误差Fig.7Themeansquareerrorforthethreede-noisingalgorithms速度快、估计精度高并且稳定性好，可以明显抑制扰动且均方误差几乎为0，达到了很好的消噪效果。RLS算法在经过初期的自适应收敛过程后，快速地跟踪了输入信号的动态特性，很好的恢复了原始正弦信号，这点从均方误差上可以很好的看出，除了初始阶段有较大的均方误差，随后其值也几乎为0。而LMS自适应滤波算法虽然也能很好的将有用信号提取出来，并具有很好的稳态性能，但相比前两个算法而言在估计精度上还有待改善。

4结束语自适应噪声消除（ANC）系统通过滤波器自身权系数的调节来适应发生变化的信号和噪声的统计特性，具有自学习能力强、计算量小、实时处理好等特点。本文介绍了基于参考噪声和基于预测原理的两种自适应滤波器噪声消除方法，并分析对比了LMS、RLS和QR_RLS三种不同算法的噪声消除性能。仿真结果表明，在噪声相关知识能够了解的情况下采取基于参考噪声的消噪方法具有很好的效果，三种算法都能提取出有用信号，相比之下，RLS算法体现出了更好的收敛性能和抑制干扰的能力。在噪声的相关知识了解不够充分时可采取基于预测的消噪方法，仿真结果证实了该方法的有效性，三种算法都能从强背景噪声中提取有用信号。相比之下，QR_RLS算法呈现出了更快的收敛速度、更强的稳定性和抑噪能力。

参考文献：[1]GREENBERGJE.Modified