自适应滤波算法与实现

本书简明地介绍了自适应信号处理和自适应滤波的主要概念，在统一框架下对主要类型的自适应滤波算法进行了阐述。本书指导思想是揭示出自适应滤波的坚实理论基础，第四版与第二版相比，不仅包含了原书中关于自适应滤波的经典理论和非线性自适应滤波、子带自适应滤波、线性约束维纳滤波器、lms类算法、rls算法、iir算法、仿射投影算法等内容，还增加了数据选择性自适应滤波、盲自适应滤波、复信号自适应滤波、卡尔曼滤波和集员仿射投影算法等全新内容和研究成果。本书符号表示清晰，主要算法均以图表形式给出，许多举例来源于实际问题。此外，作者还根据教学需要和读者要求，对原书部分内容进行了调整和优化，对习题和参考文献进行了更新和补充。本书提供了大量的算法、例题、仿真结果、参考文献以及所有算法的matlab实现，以帮助读者深入理解书中内容，快速解决问题并对算法进行验证和应用。

Paulo S. R. Diniz教授长期致力于自适应信号处理、模拟和数字信号处理、数字通信、无线通信、多采样率系统、随机过程、电子电路等领域的教学和研究工作，是国际上信号处理领域中的著名学者。他曾在巴西里约热内卢联合大学、美国圣母玛利亚大学、加拿大维多利亚大学、芬兰赫尔辛基大学等世界各地许多学术机构和研究院所进行讲学。
刘郁林，博士，总参某研究所副所长，教授，博士生导师。
万群，博士，电子科技大学教授，博士生导师。
王锐华，博士，总参某研究所室主任、副研究员。
陈绍容，硕士，重庆通信学院副教授。

第1章 自适应滤波导论
1.1 引言
1.2 自适应信号处理
1.3 自适应算法简介
1.4 应用
参考文献
第2章 自适应滤波基础
2.1 引言
2.2 信号表示
2.2.1 确定性信号
2.2.2 随机信号
2.2.3 遍历性
2.3 相关矩阵
2.4 维纳滤波器
2.5 线性约束维纳滤波器
2.6 MSE曲面
2.7 偏差和一致性
2.8 牛顿算法
2.9 最陡下降算法
2.10应用回顾
2.10.1 系统辨识
2.10.2 信号增强
2.10.3 信号预测
2.10.4 信道均衡
2.10.5 数字通信系统
2.11小结
2.12习题
参考文献
第3章 最小均方（LMS）算法
3.1 引言
3.2 LMS算法
3.3 LMS算法特性
3.3.1 梯度特性
3.3.2 系数向量的收敛特性
3.3.3 系数误差向量协方差矩阵
3.3.4 误差信号的特性
3.3.5 最小均方误差
3.3.6 超量均方误差和失调
3.3.7 瞬态特性
3.4 非平稳环境下LMS算法的特性
3.5 复数LMS算法
3.6 举例
3.6.1 分析举例
3.6.2 系统辨识仿真
3.6.3 信道均衡仿真
3.6.4 快速自适应仿真
3.6.5 线性约束LMS算法
3.7 小结
3.8 习题
参考文献
第4章 基于LMS准则的算法
4.1 引言
4.2 量化误差算法
4.2.1 符号误差算法
4.2.2 双符号算法
4.2.3 2的幂误差算法
4.2.4 符号数据算法
4.3 LMS牛顿算法
4.4 归一化LMS算法
4.5 变换域LMS算法
4.6 仿射投影算法
4.6.1 仿射投影算法的失调
4.6.2 非平稳环境下的算法特性
4.6.3 暂态特性
4.6.4 复数仿射投影算法
4.7 举例
4.7.1 分析举例
4.7.2 系统辨识仿真
4.7.3 信号增强仿真
4.7.4 信号预测仿真
4.8 小结
4.9 习题
参考文献
第5章 常规RLS自适应滤波器
5.1 引言
5.2 递归最小二乘算法
5.3 最小二乘解的特性
5.3.1 正交原理
5.3.2 最小二乘解与维纳解的关系
5.3.3 确定性自相关初始化的影响
5.3.4 系数向量的稳态特性
5.3.5 系数误差向量协方差矩阵
5.3.6 误差信号的特性
5.3.7 超量均方误差和失调
5.4 在非平稳环境下的特性
5.5 复数RLS算法
5.6 举例
5.6.1 分析举例
5.6.2 系统辨识仿真
5.6.3 信号增强仿真
5.7 小结
5.8 习题
参考文献
第6章 数据选择性自适应滤波
6.1 引言
6.2 集员滤波
6.3 集员归一化LMS算法
6.4 集员仿射投影算法
6.4.1 向量γ(k)的平凡选择
6.4.2 简单向量γ ―(k)
6.4.3 降低简化SM-AP算法的复杂度
6.5 集员双归一化LMS算法
6.5.1 SM-BNLMS算法1
6.5.2 SM-BNLMS算法2
6.6 计算复杂度
6.7 时变γ ―
6.8 部分更新自适应滤波
6.9 举例
6.9.1 分析举例
6.9.2 系统辨识仿真
6.9.3 回声消除环境
6.9.4 无线信道环境
6.10小结
6.11习题
参考文献
第7章 自适应格型RLS算法
7.1 引言
7.2 递归最小二乘预测
7.2.1 前向预测问题
7.2.2 后向预测问题
7.3 阶数更新方程
7.3.1 新参数δ(k， i)
7.3.2 ξdbmin（k, i）和wb(k， i)的阶数更新
7.3.3 ξdfmin(k, i)和wf(k， i)的阶数更新
7.3.4 预测误差的阶数更新
7.4 时间更新方程
7.4.1 预测系数的时间更新
7.4.2 δ(k， i)的时间更新
7.4.3 γ(k， i)的阶数更新
7.5 联合过程估计
7.6 最小二乘误差的时间递归
7.7 归一化格型RLS算法
7.7.1 基本阶数递归
7.7.2 前馈滤波
7.8 误差反馈格型RLS算法
7.9 基于先验误差的格型RLS算法
7.10量化效应
7.11小结
7.12习题
参考文献
第8章 快速横向RLS算法
8.1 引言
8.2 递归最小二乘预测
8.2.1 前向预测关系
8.2.2 后向预测关系
8.3 联合过程估计
8.4 稳定快速横向RLS算法
8.5 小结
8.6 习题
参考文献
第9章 基于QR分解的RLS滤波器
9.1 引言
9.2 利用QR分解实现对角化
9.2.1 初始化过程
9.2.2 输入数据矩阵对角化
9.2.3 QR分解RLS算法
9.3 脉动阵实现
9.4 一些实现问题
9.5 快速QR-RLS算法
9.5.1 后向预测问题
9.5.2 前向预测问题
9.6 小结及进一步解释
9.7 习题
参考文献
第10章 自适应IIR滤波器
10.1 引言
10.2 输出误差IIR滤波器
10.3 导数的一般实现方法
10.4 自适应算法
10.4.1 递归最小二乘算法
10.4.2 高斯牛顿算法
10.4.3 基于梯度的算法
10.5 其他自适应滤波器结构
10.5.1 级联形式
10.5.2 格型结构
10.5.3 并联形式
10.5.4 频域并联结构
10.6 均方误差曲面
10.7 滤波器结构对MSE曲面的影响
10.8 其他误差表示方法
10.8.1 方程误差表示方法
10.8.2 Steiglitz-McBride表示方法
10.9 小结
10.10习题
参考文献
第11章 非线性自适应滤波
11.1 引言
11.2 Volterra级数算法
11.2.1 LMS Volterra滤波器
11.2.2 RLS Volterra滤波器
11.3 自适应双线性滤波器
11.4 MLP算法
11.5 RBF算法
11.6 小结
11.7 习题
参考文献
第12章 子带自适应滤波器
12.1 引言
12.2 多速率系统
12.3 滤波器组
12.3.1 二频带完全重构滤波器组
12.3.2 二频带滤波器组的分析
12.3.3 M频带滤波器组的分析
12.3.4 分层M频带滤波器组
12.3.5 余弦调制滤波器组
12.3.6 分块表示
12.4 子带自适应滤波器
12.4.1 子带辨识
12.4.2 二频带辨识
12.4.3 闭环结构
12.5 交叉滤波器的消除
12.6 无延迟子带自适应滤波
12.7 频域自适应滤波
12.8 小结
12.9 习题
参考文献
第13章 盲自适应滤波
13.1 引言
13.2 常模相关算法
13.2.1 Godard算法
13.2.2 常模算法
13.2.3 Sato算法
13.2.4 CMA的误差曲面
13.3 仿射投影CM算法
13.4 SIMO盲均衡器
13.5 SIMO-CMA均衡器
13.6 小结
13.7 习题
参考文献
第14章 复数微分
14.1 引言
14.2 复数维纳解
14.3 复数LMS算法的推导
14.4 一些有用结果
参考文献
第15章 LMS算法的量化效应
15.1 引言
15.2 误差描述
15.3 定点数误差模型
15.4 系数误差向量协方差矩阵
15.5 算法停止
15.6 均方误差
15.7 浮点数实现
15.8 LMS算法的浮点数量化误差
参考文献
第16章 RLS算法的量化效应
16.1 引言
16.2 误差描述
16.3 定点数误差模型
16.4 系数误差向量协方差矩阵
16.5 算法停止
16.6 均方误差
16.7 定点数实现问题
16.8 浮点数实现问题
16.9 RLS算法的浮点数量化误差
参考文献
第17章 卡尔曼滤波器
17.1 引言
17.2 状态空间模型
17.3 卡尔曼滤波
17.4 卡尔曼滤波器与RLS算法
参考文献
第18章 集员仿射投影算法分析
18.1 引言
18.2 更新概率
18.3 简化SM-AP算法的失调
18.4 瞬态特性
18.5 小结
参考文献