基于自适应滤波的信号去噪方法研究综述

基于自适应滤波的信号去噪方法研究综述自适应滤波去噪的核心原理与基础框架自适应滤波的核心逻辑在于通过算法自动调整滤波器参数，实现对非平稳噪声的动态跟踪与抑制，其本质是在最小化误差准则的约束下，让滤波器输出尽可能逼近理想无噪信号。相较于固定系数滤波器依赖信号与噪声的先验统计特性，自适应滤波无需提前获知噪声的功率谱、概率分布等信息，仅通过输入信号的实时特征迭代更新滤波系数，尤其适用于随时间变化的复杂噪声场景，例如工业传感器信号中的周期性脉冲干扰、生物医学信号中的工频噪声与运动伪影、通信系统中的多径衰落噪声等。典型的自适应滤波去噪系统包含四个核心模块：输入信号模块、参数可调滤波器、误差计算模块与系数更新模块。在去噪场景中，输入信号通常由两路构成：一路是被噪声污染的主输入信号$d(n)=s(n)+v_1(n)$，其中$s(n)$为目标有用信号，$v_1(n)$为叠加的噪声分量；另一路是参考输入信号$x(n)$，其需与噪声$v_1(n)$具有强相关性但与目标信号$s(n)$相互独立，参考信号的选取是自适应去噪效果的核心前提——若参考信号包含目标信号分量，滤波过程会导致有用信号的严重畸变。滤波器对参考信号进行线性或非线性变换后得到输出$y(n)$，误差计算模块将主输入与滤波器输出做差得到误差信号$e(n)=d(n)-y(n)$，系数更新模块则根据预设的最优准则调整滤波器参数，使$e(n)$的统计特性达到最优，此时$y(n)$会尽可能逼近噪声分量$v_1(n)$，误差信号$e(n)$即为滤除噪声后的有用信号估计值。常用的最优准则包括最小均方误差（MMSE）准则、最小二乘（LS）准则、最大信噪比（MaxSNR）准则等。其中MMSE准则因计算复杂度低、物理意义清晰，在工程中应用最为广泛，其核心目标是让误差信号的均方值$E[e^2(n)]$最小。从维纳滤波理论来看，当输入信号为广义平稳过程时，自适应滤波器的稳态系数将收敛到维纳最优解，此时滤波器能实现对线性平稳噪声的最优抑制。但实际场景中信号与噪声往往具有非平稳特性，因此需要系数更新算法具备快速跟踪能力，能够在噪声特性发生变化时快速调整参数，这也推动了各类自适应滤波算法的迭代与优化。经典线性自适应滤波去噪算法及优化方向线性自适应滤波算法因结构简单、稳定性高，是目前工业场景中应用最成熟的去噪方案，其中最具代表性的包括最小均方（LMS）算法、递归最小二乘（RLS）算法及其各类改进变体。LMS算法基于随机梯度下降思想实现系数更新，其更新公式为$\boldsymbol{w}(n+1)=\boldsymbol{w}(n)+2\mue(n)\boldsymbol{x}(n)$，其中$\boldsymbol{w}(n)$为$n$时刻的滤波器权系数向量，$\mu$为步长参数，$\boldsymbol{x}(n)$为参考输入向量。LMS算法的优势在于计算复杂度仅为$O(N)$（$N$为滤波器阶数），硬件实现成本低，但存在收敛速度与稳态误差之间的固有矛盾：步长$\mu$越大，收敛速度越快但稳态失调误差越大；步长越小，稳态误差越小但收敛速度变慢，且算法收敛性能受输入信号自相关矩阵特征值分散度影响较大，当输入信号为有色噪声时收敛速度会显著下降。针对这一缺陷，学者们提出了一系列改进方案：变步长LMS算法通过构造步长与误差信号的函数关系，在滤波初始阶段采用大步长加快收敛，接近稳态时自动切换为小步长降低失调误差，典型代表包括Sigmoid函数变步长LMS、基于误差归一化的变步长LMS等；归一化LMS（NLMS）算法通过对输入信号功率进行归一化处理，将步长更新为$\mu(n)=\frac{\mu}{\boldsymbol{x}^T(n)\boldsymbol{x}(n)+\varepsilon}$（$\varepsilon$为防止分母为零的小常数），有效降低了输入信号功率波动对收敛性能的影响；解相关LMS算法则通过对输入信号进行预白化处理，减小自相关矩阵特征值的分散度，提升有色噪声场景下的收敛速度。RLS算法基于最小二乘准则，通过最小化加权误差平方和$\sum_{i=0}^n\lambda^{n-i}e^2(i)$（$\lambda$为遗忘因子，取值范围$0<\lambda\leq1$）更新滤波器系数，其收敛速度比LMS算法快一个数量级，且不受输入信号自相关特性的影响，适合对收敛速度要求较高的场景。但RLS算法的计算复杂度为$O(N^2)$，当滤波器阶数较高时硬件实现难度大，且存在数值稳定性问题，若计算过程中出现有限字长效应容易导致算法发散。为此学者们提出了快速RLS（FRLS）算法，利用输入信号的移位特性将复杂度降至$O(N)$；平方根RLS算法通过对协方差矩阵进行平方根分解，提升了算法的数值稳定性，在航空航天、精密测量等对可靠性要求极高的场景中得到了广泛应用。针对特定场景的线性自适应滤波优化也是研究热点之一。在生物医学信号去噪领域，针对心电信号（ECG）中的工频干扰，学者们提出了基于LMS的自适应陷波算法，通过将50Hz/60Hz工频信号及其谐波作为参考输入，在不损失ECG特征波形的前提下实现干扰抑制，其去噪性能优于传统固定系数陷波滤波器；在主动噪声控制（ANC）场景中，针对次级通路的延迟问题，改进的滤波-xLMS（FxLMS）算法将参考信号经过次级通路模型预滤波后再参与系数更新，有效解决了声延迟导致的算法发散问题，目前已广泛应用于降噪耳机、汽车座舱降噪等产品中。非线性自适应滤波去噪方法的技术演进当噪声与有用信号存在非线性耦合关系，或者目标信号本身具有非线性、非平稳特性时，线性自适应滤波的去噪性能会出现明显下降，因此非线性自适应滤波方法成为近年来的研究重点，典型技术包括自适应Volterra滤波、神经网络自适应滤波、核自适应滤波等。Volterra滤波是一种经典的非线性多项式滤波方法，其通过截断的Volterra级数对非线性系统进行建模，二阶Volterra滤波器的输出可以表示为$y(n)=\sum_{k=0}^{N-1}w_1(k)x(n-k)+\sum_{k=0}^{N-1}\sum_{m=0}^{N-1}w_2(k,m)x(n-k)x(n-m)$，其中$w_1$为线性核系数，$w_2$为二阶非线性核系数。自适应Volterra滤波将系数更新思想融入Volterra模型中，能够有效处理信号与噪声之间的二阶非线性耦合问题，在旋转机械故障诊断的冲击信号去噪、电力系统谐波干扰抑制等场景中表现出优于线性滤波的性能。但Volterra滤波器的参数数量随阶数和核长度呈指数增长，存在“维度灾难”问题，因此研究人员提出了稀疏Volterra滤波算法，通过L1正则化约束筛选出重要的核系数，在保证去噪性能的同时大幅降低了参数规模。神经网络自适应滤波利用深度学习的非线性拟合能力，将滤波器参数替换为神经网络的权重，通过反向传播算法实现权重的自适应更新。早期的研究主要采用多层感知器（MLP）作为滤波结构，针对语音信号中的非平稳背景噪声，将带噪语音帧作为输入，纯净语音帧作为训练目标，通过自适应调整网络权重实现噪声抑制，其去噪效果优于传统的谱减法与维纳滤波。随着深度学习技术的发展，更复杂的网络结构被引入自适应滤波框架：循环神经网络（RNN）与长短时记忆网络（LSTM）能够利用信号的时序相关性，更好地跟踪非平稳噪声的动态变化，在低信噪比场景下的语音增强任务中，信噪比提升可达15dB以上；卷积神经网络（CNN）通过局部感受野与权值共享特性，能够有效提取信号的频域局部特征，结合自适应注意力机制后，可以精准区分有用信号的特征分量与噪声分量，在图像信号去噪、雷达信号脉冲干扰抑制等领域取得了突破性进展。值得注意的是，神经网络自适应滤波存在依赖大量训练数据的问题，针对小样本场景，研究人员提出了在线学习神经网络滤波算法，通过实时采集的信号样本进行增量式更新，无需提前完成离线训练，进一步拓展了其应用范围。核自适应滤波（KAF）是核方法与自适应滤波结合的产物，其核心思想是将低维输入信号通过非线性核函数映射到高维特征空间，在高维空间中实现线性自适应滤波，从而等价于原空间中的非线性滤波。常用的核函数包括高斯核、多项式核、Sigmoid核等，其中高斯核因普适性强应用最广。典型的核自适应滤波算法包括核最小均方（KLMS）算法、核递归最小二乘（KRLS）算法等。KLMS算法将LMS算法的更新过程映射到核空间，计算复杂度仅为$O(n)$（$n$为迭代次数），在混沌信号去噪、生物神经spike信号去噪等强非线性场景中，其性能远超线性LMS算法。但核自适应滤波存在的问题是随着迭代次数增加，需要存储的字典样本数量不断增长，导致计算与存储压力持续上升，因此稀疏化策略成为核自适应滤波的研究重点：通过设定阈值删除对输出贡献较小的样本，或者采用滑动窗口固定字典规模，在保证滤波精度的前提下控制字典大小，目前已经能够实现字典规模稳定在数十个样本以内，为核自适应滤波的硬件落地提供了可能。自适应滤波去噪的性能评价与前沿应用场景自适应滤波去噪方法的性能评价需要结合具体应用场景的需求，常用的量化评价指标包括三类：一是噪声抑制能力指标，包括输出信噪比（SNR）、噪声抑制比（NRR）、均方误差（MSE）等，其中输出信噪比是最通用的指标，计算方式为$SNR_{out}=10\log_{10}\frac{\sum_{n}s^2(n)}{\sum_{n}(e(n)-s(n))^2}$，数值越高说明去噪效果越好；二是信号失真度指标，包括波形相似系数（NCC）、最大绝对误差（MAE）、特征保持率等，对于生物医学信号、故障诊断信号等需要保留波形特征的场景，特征保持率的重要性甚至高于噪声抑制能力，例如ECG信号去噪中需要保证QRS波群的峰值与宽度误差小于5%；三是算法实时性指标，包括单次迭代计算量、收敛时间、硬件资源占用率等，用于评估算法在嵌入式设备上的落地可行性。近年来，随着物联网、智能感知、自动驾驶等技术的发展，自适应滤波去噪的应用场景不断拓展，同时也对算法提出了更高的要求。在分布式传感网络场景中，大量传感器节点分布在广阔区域，每个节点采集的信号都受到不同特性的噪声干扰，传统的集中式自适应滤波需要将所有数据传输到中心节点处理，通信开销大且鲁棒性差，因此分布式自适应滤波算法成为研究热点，每个节点仅利用本地数据和邻居节点的信息进行局部滤波系数更新，在降低通信开销的同时实现全局最优去噪，目前已经在环境监测、智能电网等领域得到应用。在边缘计算场景中，自适应滤波算法需要在算力有限的微控制器上运行，因此低复杂度轻量化算法受到关注，通过量化、剪枝等压缩技术，将自适应滤波算法的参数规模压缩到原有规模的1/10以下，同时保证去噪性能损失小于1dB，已经在可穿戴医疗设备、工业无线传感器等产品中实现量产应用。在量子计算领域，量子自适应滤波算法也开始出现，利用量子计算的并行处理能力，将高维信号的滤波计算复杂度从指数级降至多项式级，未来有望在大规模阵列信号处理、量子通信噪声抑制等场景中发挥重要作用。目前自适应滤波去噪领域仍存在不少待解决的问题：一是强非高斯噪声场景下的鲁棒性