RLS和LMS自适应算法分析详解.docVIP

RLS和LMS自适应算法分析 摘要：本文主要介绍了自适应滤波的两种算法：最小均方(LMS, Least Mean Squares)和递推最小二乘(RLS, Recursive Least Squares)两种基本自适应算法。我们对这两种基本的算法进行了原理介绍，并进行了Matlab仿真。通过仿真结果，我们对两种自适应算法进行了性能分析，并对其进行了比较。用Matlab求出了LMS自适应算法的权系数，及其学习过程曲线，和RLS自适应权系数算法的学习过程。 关键词：自适应滤波、LMS、RLS、Matlab仿真 Abstract: this article mainly introduces two kinds of adaptive filtering algorithms: Least Mean square (LMS), further Mean Squares) and Recursive Least Squares (RLS, Recursive further Squares) two basic adaptive algorithm. Our algorithms of these two basic principle is introduced, and Matlab simulation. Through the simulation results, we have two kinds of adaptive algorithm performance analysis, and carries on the comparison. Matlab calculate the weight coefficient of the LMS adaptive algorithm, and its learning curve, and the RLS adaptive weight coefficient algorithm of the learning process. Keywords:, LMS and RLS adaptive filter, the Matlab simulation 课题简介：零均值、单位方差的白噪声通过一个二阶自回归模型产生的AR过程。AR模型的系统函数为： H(Z)= 假设=-1.6,=0.8将系统函数转化为差分方程为： 其中w(n)为白噪声，参数=-1.6,=0.8。激励源是白噪声w(n)。 本文用Matlab仿真做出了模型系数的收敛过程及平均的学习曲线。分别用LMS算法和RLS算法，分别做出了模型系数的收敛过程及学习曲线，还对两种算法的特性进行了对比。 引言：由于随机信号的未知性和随时间变化的统计特性，需要设计参数随时间变化的滤波器算法，即所谓的自适应滤波是利用前一时刻以获得的滤波器参数的结果，自动的调节现时刻的滤波器参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。 自适应滤波器的特性变化是由自适应算法通过调整滤波器系数来实现的。 计算误差e(n)=d(n)-y(n) 计算因子 更新权 RLS算法原理分析： 为遗忘因子，它是小于1的正数 ：参考信号或期望信号 第n次迭代的权值 均方误差 按照如下准则： 越旧的数据对的影响越小。对滤波器的系数w求偏导，并令结果等于0知 整理得到标准方程为： 定义: 标准方程可以简化为： 经求解可以得到迭代形式： 定义：，则可知T的迭代方程为： 系数的迭代方程为 其中增益和误差的定义分别为： 参数递推估计，每取得一次新的观测数据后，就在前次估计结果的基础上，利用新引入的观测数据对前次估计的结果，根据递推算法进行修正，减少估计误差，从而递推地得出新的参数估计值。这样，随着新观测数据的逐次引入，一次接一次地进行参数估计，直到参数估计值达到满意的精确程度为止。 RLS算法流程图： 计算T(n),w(n),k(n),e(n|n-1) 计算误差e(n)=d(n)-y(n) 更新权 LMS算法程序： clear close all clc a1=-1.6; a2=0.8; n=1000; P=50; e=zeros(1,n); ep=zeros(1,n); ee=zeros(1,n); x=zeros(1,n); w=randn(1,n); %算法 for p=1:P x(1)=w(1); x(2)=-a1*x(1)+w(2); for i=3:n x(i)=-a1*x(i-1)-a2*x(i-2)+w(i); end L=2; u=0.0005;