基于BP算法和遗传算法结合的自适应噪声抵消器

　　引言

　　自适应噪声抵消技术是一种能够很好的消除背景噪声影响的信号处理技术，应用自适应噪声抵消技术，可在未知外界干扰源特征，传递途径不断变化，背景噪声和被测对象声波相似的情况下，能够有效地消除外界声源的干扰获得高信噪比的对象信号。

　　从理论上讲，自适应干扰抵消器是基于自适应滤波原理的一种扩展，简单的说，把自适应滤波器的期望信号输入端d(n)改为信号加噪声干扰的原始输入端，而它的输入端改为噪声干扰端，由横向滤波器的参数调节输出以将原始输入中的噪声干扰抵消掉，这时误差输出就是有用信号了。

　　在数字信号采集、处理中，线性滤波是最常用的消除噪声的方法。线性滤波容易分析，使用均方差最小准则的线性滤波器能找到闭合解，若噪声干扰类型为高斯噪声时，可达到最佳的线性滤波效果。在实际的数字信号采集中，叠加于信号的噪声干扰往往不是单一的高斯噪声，而线性滤波器所要求的中等程度噪声偏移，使线性滤波器对非高斯噪声的滤波性能下降，为克服线性滤波器的缺点，往往采用非线性滤波器，所以本文采用神经网络对信号进行滤波处理[1]。

　　1 基于BP算法和遗传算法相结合的自适应噪声抵消器

　　BP算法是最典型的多层神经网络学习算法，它在局部搜索时比较成功，但由于BP网络大多采用沿梯度下降方向的搜索算法，因而不可避免地存在以下问题:收敛速度慢，且常受局部极小点的困扰。

　　遗传算法以概率选择为主要手段，擅于全局搜索，而且遗传算法的鲁棒性很强，将遗传算法与BP网络结合是很有意义的[2~4]。

　　BP-GA混合算法方法出发点为：

　　1.1 利用BP神经网络映射设计变量和目标函数、约束之间的关系;

　　1.2用遗传算法作实现优化搜索;

　　1.3 遗传算法中适应度的计算采用神经网络计算来实现。

　　用在线误差Ek'=(Sk'+nk'-yk')2训练该自适应滤波器，使E(nk'-yk')2的期望值最小化。若自适应滤波器模拟为噪声滤波器，则自适应滤波器输出yk将接近于nk, 于是系统输出ek中的噪声将基本被抑制，误差ek将接近于未被干扰的初始信号Sk，从而达到消除噪声的目的[5]。

　　本文是在Windows98下，利用MATLAB语言进行算法仿真的，用余弦信号进行噪声对消性能测试，主要针对高斯白噪声进行滤波。

　　由图1自适应噪声抵消系统的原理框图所示，令参考输入噪声rk为均值，值为0，方差为1的正态分布白噪声序列，nk由非线性差分方程nk=rk+fn(nk-1)产生，这可通过图2系统实现。