1、基于 FPGA 对于超声无损检测应用的自适应噪声消除摘要自适应滤波器广泛应用于干涉消除，预测，逆反推演和识别。在本文中，我们学习在超声无损检测中自适应滤波器基于 FPGA 的自适应噪声的消除。仿真和实验结果说明，通过自适应滤波器后，有效减少了来自微结构材料里面的背散射噪声。此外，还讨论和比较了在 FPGA 中滤波器实现的四种不同架构。这种类型的学习可以有很宽广的应用，例如目标探测，目标定位以及图样识别。关键字：FPGA，无损检测，自适应滤波器，超声背散射信号；一、 简介在雷达，声纳，医用超声波，以及工业超声【1-4】应用中，探测信号通常包含来自于大地、海洋，散射或者微结构内部材料的背散射回声。
2、这些回声是高重叠的且主要取决于传输通道的复杂物理特性。从探测信号中提取出有用的信息是非常困难的，尤其是在目标定位，探伤验，目标识别等应用中。在超声无损检测中，背散射噪声主要来自于晶粒。这些晶粒有不规则的边界，大小以及随机方向。由于高密度散射晶粒，探伤或者探测信号代表可能不能识别。很多研究结果用来抑制晶粒噪声和处理超声数据。泼谱处理（SSP） ，离散小波变换（ DWT） ，离散哈达玛变换（DHT ） ，离散余弦变换（ DCT） ，以及线调频小波变换被用来超声波信号处理 【5-11】 。此外，非线性秩序统计滤波器，神经网络，以及形态学处理已经被开发【12-15】 。由此可知，适合于超声数据的信号处
3、理技术是很受欢迎的。自适应滤波器广泛应用于干涉消除，预测，逆反推演以及识别等不同应用。然而，这里没有对超声波背散射信号分析做太多的讨论。最小二乘法（LMS）和递归最小二乘法（RLS）通常适合于实现自适应滤波器【16-17】 。在【18】 ，标准化最小二乘法用来探索超声波背散射信号。在【19-20】 ，自适应滤波器用于超声波无损探测信号和医用双螺旋影像。在【21】 ，进行了自适应滤波器在超声波无损检测信号中的仿真研究。标准化最小二乘法和递归最小二乘法计算运用于超声波数据。在本文，基于 FPGA 的自适应噪声消除用来探究超声波无损检测应用。讨论和比较不同实现结构的自适应滤波器。这种类型的研究有利于
4、宽广范围的应用，尤其是对于实时自适应滤波的硬件实现。本文的编排如下：第二部分简短的回顾了自适应滤波器，尤其是关于超声波信号处理的标准化最小二乘法。第三部分讨论了基于 FPGA 的自适应噪声消除系统的设计思路以及包含了不同滤波器实现结构。第四部分展示了软件仿真和硬件电路实现结果。第五部分总结全文。二、 超声波信号的自适应滤波在自适应滤波器中（如图 1） ，d（n）给系统提供一个基本的输入，x（n）是自适应滤波器的输入信号，y（n）是自适应滤波器的输出信号，错误信号 e（n）是 d（n）和y（n）之差。则滤波器的输出 y(n)为：这里矢量 表示随着时间变化的 L-tap 自适应滤波器的系数， 表示
5、这个滤波器的输入量， 表示转置操作。滤波器系数 w(n)适应于系统的最小化均方误差函数 J(n)，如下：这里自相关矩阵由 定义，互相关矩阵由定义。为此，J(n)的偏导数与滤波器系数相关，W(n) 被设为 0.方程（3）的解可以写为：由于要对每个新数据样本进行矩阵反转计算，方程（4）的计算量是非常大的。因此，通常用一种迭代运算来修正滤波器系数 W(n)。NLMS 是一种用于自适应滤波器的典型算法。滤波器系数矢量修正如【17-18】 是控制滤波器收敛速度的学习因子。它可以被修正为：这里 是一个很小的值来限制学习速率，且 p(n)是预计的信号能量。p(n)可以被写为：这里 是 p(n)的遗忘因子。在
6、自适应噪声消除中，基本输入 d(n)和参考输入 x(n)可以被定义为：这里 d(n)是被噪声 g1(n)污染了的信号；g 2(n)是参考噪声输入。在噪声消除中，参考噪声 g2(n)总是适应于系统。在超声应用中，颗粒噪声与传感器的位置有很强的关系。换句话说，我们很难从颗粒回声中分离缺陷回波，且自适应滤波器很难得到一个干净的参考颗粒信号。因此，包含相关缺陷的回声和不同等级的颗粒噪声的超声波数据用于自适应滤波。一个超声波数据采集系统建设来接收实验性的背散射数据，这个数据是用一个 5MHz 换能器和 100MHz 采样率。样本是一个有平坦底部有洞的钢滑车。NLMS 自适应滤波器用来处理已接收到的超声波
7、数据18,21。6-tap 滤波器的计算结果如图 2 所示。我们可以看到 NLMS 自适应滤波器大大提高了信号和颗粒噪声之间的比率，大约提高了 12dB（图 2c） ，并且成功探测到了目标。三基于 FPGA 的自适应噪声消除FPGA 广泛应用于诸如通信，工业自动化，电动机控制，医学影像等应用。依据数字逻辑，输入/输出模块，以及布线资源，它是可以重构的。另外，在FPGA 上的算法运行与在硬件并行处理的信号有一个实时的性能。赛灵思公司不使用传统的硬件描述语言，而是习惯于实现可接受噪声消除系统。由于MATLAB/Simulink 的基于模型的设计环境以及 DSP 核心的预定义块设置，系统生产者习惯于
8、一个原型，这个原型是一个信号处理系统迅速地在最大程度DSP Virtex 4 FPGA 板上。图 3 阐述了自适应噪声消除的简单块结构。它包含两个 ROMs 来储存超声波数据，两个复用器和 DACs 来探测内部信号，一个hwcosim 模块来执行硬件环路确认和一个 NLMS 自适应滤波器。自适应滤波器的实现（如图 4）主要包括两部分：定点的 FIR 滤波器和系数更新。6-tap FIR 滤波器的标准实现结构（如式 1）如图 5 所示。从定点的标准FIR 实现和浮点的 MATLAB 得到的仿真结果如图 6 所示。关键路径（也就是最长的长波时间） ，对于标准 FIR 可以被写为：这里 mult 表
9、示复用器的延迟， add表示加法器的延迟。为了提高 FIR 的性能，特别是自适应滤波器的速度，一个简缩的 FIR 实现结构如图 7.相应的仿真结果如图 8 所示。我们可以看到关键路径大大减少至 mult+ add。为了更加提高自适应滤波器生产量的速度，简缩的 FIR 实现结构是流水线的（如图 9） 。改善后的关键路径是由 mult和 add之中的较大者决定的，可以表示为 max（ mult， add） 。相应的仿真结果如图 10.根据以上讨论，我们可以看到通过噪声消除，自适应滤波器可以成功追踪嵌入在超声波背散射颗粒回声中的缺陷信号。介绍了三个不同的 FIR 实现结构。按照系统生产量和速度，流水线缩减结构是性能最好的。必须提到，由于对流水线缩减解耦的额外的逻辑，更多的资源使用遭受。为此，图 11 展示了在示波器里硬件实现结果。四、结论在本文中，我们介绍了用自适应滤波器来分析超声波背散射信号。设计了基于 FPGA 的自适应噪声消除。提及并比较了三种不同的滤波器实现结构。软件仿真和硬件仿真说明了自适应滤波器是处理超声波无损检测应用的有效工具。
