使用作業五所產生的通道，n=449，n1=20，，.docVIP

　　使用作業五所產生的通道，N=449，N1=20，， ＜通道的Amp＞ 依照作業五將LMS改成RLS進行收斂，比較LMS和RLS的收斂速度，比較收斂速度的方法，比較兩者在相同tap數下，均收斂到該tap數的最小誤差後，觀察其收斂速度，所做模擬在300tap，600tap和1000tap下觀察，由於所做的通道是沒有加上雜訊的情形下，依照RLS取值的規則為 SNR值很大的時候， SNR約等於10dB時， SNR較差時， 在此模擬RLS所定的參數為 迭代次數(L)：15000，，分別針對300，600，1000tap進 行模擬，得到以下結果 Tap number 值 (RLS) MSE 值 (LMS) MSE 300 4.4e-5 1.4223e-2 1.1e-5 1.3379e-2 600 9.6e-5 1.9584e-3 2.3e-5 4.4260e-3 1000 7.5e-5 6.3806e-4 1.7e-5 2.6260e-3 表一：LMS與RLS兩者的值和MSE LMS的數據由作業五獲得，可以得知RLS在與LMS相同tap數下，均調整值來找最小的MSE，RLS除了在300tap下較差於LMS外，在其他tap數下，RLS均較好，但由於之前將N值設為449所以基本要收斂的tap數本需高於449，所以若將tap為300的情況下忽略不比，可以得知在比較兩種演算法的MSE得情況，是RLS較優，以下是經由RLS所模擬出的learning curve 　　雖然所做的tap數只到1000tap，因為RLS是做矩陣運算，所以需要耗費的時間相當大，但可以從上表與圖中發現，其錯誤率的平方已經達到1e-4了，在LMS的收斂上，若要達到這個階段，tap數必須增加到1200~1500間，所以可以得知RLS在收斂的狀況比LMS較優. 　　比較完兩種演算法的MSE之後，接著比較兩者的收斂速度，同樣利用上面所做RLS的learning curve，但在LMS上則將迭代點數也同樣改成與RLS相同，比較在300tap下和600tap下兩者的收斂速度，設定300tap時的為2e-4，600tap時的為9e-5 由以上二圖，可以看出LMS 300 tap和 600 tap時，其MSE均約為0.4，但就之前經由迭代點數較多的收斂MSE，300tap和600tap的情況下，均可收斂到更小的值，固可知一萬五千點並不夠LMS完成收斂，但是RLS大約在50點就可以完成收斂，所以就收斂速度的比較上，RLS亦比LMS快 　　最後比較兩者對於tap數改變的敏感度，固定使用一萬五千點迭代，值均固定在9e-5，得到下表tap數和MSE tap LMS MSE RLS MSE 100 6.9133e-1 2.0505e-1 200 6.1270e-1 0.1137 4.1806e-2 0.7961 300 5.1972e-1 0.1518 1.4279e-2 0.6584 400 4.7989e-1 0.0766 9.8012e-3 0.3136 500 4.6952e-1 0.0216 4.2544e-3 0.5659 600 3.5858e-1 0.2363 1.9946e-3 0.5312 要觀察其對tap數敏感度，在這邊利用一個方法，就是前面一個tap的MSE減去這一個tap的MSE在除以前一個tap的MSE，也就是 ，得到結果為上表第三行，整體從100tap變成600tap的改變率0.4813，針對RLS依然使用此法，列於第四行，從100tap變成600tap的改變率則為0.9903，可以從每相差100tap的變化率，以及整體的變化率看出，RLS對於tap改變的敏感度較高. 程式碼 L=15000; tap=1000; N=449; mu=8e-5; alpha=0.15; w=zeros(1,tap); landa=1-mu; delta=var(xx)*mu^alpha; Pk=inv(delta*eye(tap)); xx=[zeros(1,tap/2) xx]; % R L S %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% for n=1:L-tap x=xx(tap+n-1:-1:n); P=Pk*x; Kk=P/(landa+x*P); y=x*w; e(n)=d(n)-y; w=w+Kk*e(n); Pk=(1/landa)*Pk-(1/landa)*Kk*x*Pk; error(n)=abs(d(n))-