D0I:10.13374j.issl001-03x.1998.04.019 第20卷第4期 北京科技大学学报 Vol.20 No.4 1998年8月 Journal of University of Science and Technology Beijing Ag199% 神经网络在自适应滤波中的应用 李连源 王绍纯 北京科技大学信息工程学院,北京100083 摘要利用神经网络对白噪声、红噪声和正弦波进行辨识.进而采用单片机对以上3种噪声和尖 峰脉冲干扰进行自适应滤波处理.实验结果表明该方案正确, 关键词神经树络;自适应滤波器;单片机 分类号TN713.7 当外界存在多种噪声时,要实现全局最优滤波就需确定最佳的滤波器结构和最佳的滤波 器参数.本文利用神经网络对噪声的类型进行辨识,然后采取不同方法对噪声进行抑制 1噪声类型的辨识 自适应抵消器的结构如图1所示0.它共有2条输人通道:信号输人通道和参考输人通 道,在时刻j,信号输入通道中是有用信号和噪 声的叠加信号d,参考输入通道中是噪声的相关 d 信号x,y是输人信号为x时自适应滤波器(A日 信号输入通道 的输出值,e,=d,一y 共对4种噪声进行抑制:白噪声、红噪声、尖 峰脉冲和与有用正弦信号同频、不同相的正弦 参考输人通道 波.从参考输人通道中可获得信号输人通道中白 噪声、红噪声和尖峰脉冲的相关信号;在双正弦 叠加情况下,参考输人通道中是与有用正弦信号 图1自适应抵消器结构示意图 同频、同相的正弦波.这样,对参考输人通道的采 样值进行处理后,就可对噪声的类型进行辨识,进而采取不同的方法来抑制噪声 尖峰脉冲属于一类随机信号,它的幅值较大,持续时间较短,因此参考输人通道中的大部 分时间都没有尖峰脉冲,这时参考输入通道的采样值都在某一固定值附近.根据这一时域特 性可将它与其他3种噪声分辨开,首先对参考输入通道进行多点采样,若其中大部分采样值 都在已知的固定值附近,就认为这时的噪声是尖峰脉冲, 白噪声、红噪声和正弦波的功率谱密度函数的形状如图2所示,通过计算它们的功率谱 密度就可将其分辨开 噪声的功率谱密度利用周期图法计算得到,其计算公式为: 1997-06-20收稿李连源男,24岁,硕士生
DOI: 10. 13374 /j . issn1001 -053x. 1998. 04. 019
Vol.20 No.4 李连源等:神经网络在自适应滤波中的应用 377· (1) S(@) S(@) (a) (b) (c) 0 0 图2白噪声(a),红噪声(b),正弦波()功率谱密度函数曲线 通过快速傅里叶变换(FFT)可得到S(ω).由于输入序列是实序列,只考虑前一半计算结果. 为了消除S(ω)的随机性并减少特征值的维数,将FFT的计算结果分组平均处理:前一半 结果分为5组,分别计算各组中FFT结果的幅度平方和,再将这5组的计算结果进行归一化 处理.表1为采样速率为32kHz时对截止频率为10kHz的限带白噪声、红噪声和,30Hz正弦 波计算所得的特征值. 表1白噪声,红噪声和正弦波的特征值 噪声类型 特征 值 白噪声 0.897824 1.000000 0.941296 0.208327 0.025415 红噪声 1.000000 0.357865 0.076443 0.011712 0.002169 正弦波 1.000000 0.015058 0.009267 0.005491 0.004474 由于自组织特征映射神经网络结构简单、权值调整方便,且其运行方式易于用单片机 实现,因此选用这种神经网络对白噪声、红噪声和正弦波进行辨识,实际使用的自组织特征映 射神经网络的结构如图3所示.该神经网络的输人维数是5,分别对应于提取的特征矢量,输 出节点。yy,分别对应于红噪声、白噪声和正弦波.输出节点采用S型函数,即 0,u1 其中,业=三(《飞-吹,形为第i个输 出节点与第广个输人节点之间的联接 权值(0≤i≤2,0≤j≤4).该神经网 图3自组织特征映射神经网络结构 络采用离线训练,由于提取的输人模 式特征值差别较大,且待分辨的信号类型已知,因此直接对该网络进行有监督的训练.权值调 整公式为: w1+1)=W0+(0·[x(0-WO] (0≤i≤2,0≤j≤4) (3) 式中,)随时间1的增加而逐渐减小.该神经网络的初始权值随机地在[0,1]内选取,表2所
·378 北京科技大学学报 1998年第4潮 列为实验中的具体取值.经训练所得的神经网络权值列于表3中, 表2神经网络的初始设定权值 输出节点i 输人节点) 0 2 3 4 0 0.287456 0.147752 0.842268 0.512968 0.875136 1 0.658413 0.495236 0.175456 0.765132 0.002985 0.452849 0.956525 0.048778 0.324841 0.648222 表3神经网络训练所得权值 输出节点i S输入节点) 0 2 3 4 0 0.964447 0.214894 0.052320 0.021773 0.002964 1 0.794863 0.933018 0.673737 0.146419 0.042125 2 0.831798 0.023317 0.021679 0.018159 0.014314 从以上数据可以看到,自组织特征映射神经网络将输人矢量的特征值抽取出来以权值的: 形式进行存贮.在线辨识时,将输入信号与具有最小输出值的节点所代表的信号归为一类. 2噪声抑制过程 噪声类型辨识完毕后就要采取不同方法进行噪声抑制.其中,白噪声和红噪声利用自适 应抵消器来抑制.通常情况下,自适应抵消器在1个运算周期内要进行权值调整和滤波输出. 若这2个过程同时进行就会花费较多时间.为了减小滤波程序运行时间,将自适应抵消器的 权值圳练和滤波输出过程分开.首先利用(4)式进行权值递推,其中e.由式(5)所定义.当自适 应抵消器的权值基本收敛于理想权值附近时,即停止权值训练,转人滤波输出过程,这时只利 用(5)式计算自适应抵消器的输出值. W+1=W+24e,x (4) e=d-wx (⑤) 式中:W,x分别为时刻j的自适应滤波器的权矢量和输人矢量;d,e,分别为时刻j的自适应滤 波器理想输出值和自适应抵消器的输出值, 双正弦叠加信号的分离实验采用图4的结构.信号输人通道中是有用信号s()和干扰 v(n)的叠加,其表达式为: s(n)v(n)A.sin(an +0)+B.sin(@n +0) (日,*日) (6) 参考通道中的信号s()与s()同频同相,其表达式为: s(m)=C·sin(wn+8) (7) 其中,A,B,C为正数. s(n)+u(n) 利用相位相关的原理可由s(n)近似得 乘法器 LPF y (n) 到s(n).经LPF后,输出为: s(2) ym)=AC/2+[BC·cos(0,-8,】/2(8) 若()与m)正交,设A=KC(K为正数), 图4双正弦叠加信号分离实验的基本结构
Vol.20 No.4 李连源等:神经网络在自适应滤波中的应用 ·379 则有:(m)=AC/2=KC12;可得:K=2y()/C2.这样根据C值就可得到A值,即可基本恢 复n 由于单片机计算速度的限制,可被处理的信号的最高频率不能太高,当被尖峰脉冲所干 优的正弦波通过】个以信号最高频率为截止频率的低通滤波器后,尖锋脉冲被有效地抑制. 3实验结果 利用时域采样值对尖峰脉冲干扰、有效值为0.0546V的25Hz正弦干扰、有效值 U,136V的白噪声和有效值为0.117V的红噪声进行辨识实验,辨识结果全部正确,然后,利用 单片机对所剩的3种噪声进行采样,采样频率为28k五,再进行特征提取并利用自组织特征 映射神经网络进行辨识,结果全部正确, 噪声抑制实验中,正弦波的频率为30比,噪声分别为白噪声和红噪声输人信噪比为】 时,输出端的信噪比分别为11.05和15.41.抑制尖峰脉冲干扰实验中,输人端的信噪比为 0.022,滤波器输出端的信噪比为39.64.利用相位锁定原理进行正弦信号分离的部分实验结 果列于表4,可看到实际计算结果与理论值基本符合. 表4正弦信号分离实验结果 信号频率/Hz s(n)幅值 s(n)幅值 (n)幅值 s(n)+u(n) A B 輻值 K理想 K讲界 15 0.35098040.354902 0.000000 0.3509804 0.989 0.9603 20 0.26862750.26862750.369544 0.4568126 1.0000 0.9911344 30 0.34912500.10163320.183357 0.394345 3.4351 3.2956 4结论 自组织特征映射神经网络可自动提取输入矢量特征,具有良好的模式识别效果;单片机 可用于自适应滤波处理中;所提出的噪声类型辨识方法和各种滤波方案是可行、有效的. 参考文献 1吴兆熊,数字信号处理(下册).北京:国防工业出版杜,1985 1郑君里,杨行峻.人工神经元网络.北京:高等教育出版社,1992 NN Application to Adaptive Filtering Li Lianyuan Wang Shaochum Information Engineering School,UST Beijing,Beijing 100083,China ABSTRACT White noise,pink noise and sinusoidal wave are recognized by a neural network.Then a single chip microprocessor is employed to adaptively filter them and pulse noise.The experiment results show that the scheme proposed is correct. KEY WORDS neural networks;adaptive filters;single chip microprocessor