神经网络基于LS算法的自适应滤波.docVIP

下载本文档

10
0
约 5页
2016-09-16 发布于贵州
举报
版权申诉

神经网络基于LS算法的自适应滤波.doc

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

实验报告实验名称：基于LMS算法的自适应滤波实验报告实验名称：基于LMS算法的自适应滤波实验内容：最小均方算法即LMS是一种自适应滤波算法，这里的Matlab程序根据LMS对一个线性噪声系统进行滤波。实验原理：最小均方算法是一种以期望响应和滤波器输出信号之间误差的均方值最小为原则，依据输入信号在迭代过程中估计梯度矢量，并更新权系数以达到最佳的自适应迭代算法。实验程序： clear; clc; grid off; %周期信号的产生 t=0:99; sn=10*sin(0.5*t); figure(1) subplot(2,1,1) plot(t,sn); title(原始的周期信号) grid on; %噪声信号的产生 randn(state,sum(100*clock)); noise=randn(1,100); subplot(2,1,2) plot(t,noise); title(噪声信号) grid on; %信号滤波 xn=sn+noise; xn=xn.; dn=sn.; M=20; figure(2) subplot(2,1,1) plot(t,xn) title(加噪声后的信号波形) grid on; %初始化 r_max=max(eig(xn*xn.)); mu=rand()/r_max; itr=length(xn); en=zeros(itr,1); w=zeros(M,itr); %LMS for k=M:itr x=xn(k:-1:k-M+1); y=w(:,k-1).*x; en(k)=dn(k)-y; %加权因子 w(:,k)=w(:,k-1)+2*mu*en(k)*x; end yn=inf*ones(size(xn)); for k=M:itr x=xn(k:-1:k-M+1); yn(k)=w(:,end).*x; end %画图 subplot(2,1,2) plot(t,yn) title(滤波器输出信号) grid on; figure(3) hold on; plot(t,dn,g,t,yn,b,t,dn-yn,r); grid on; legend(期望输出,滤波器输出,误差) 实验结果仿真：实验总结：LMS算法是一种梯度最速下降算法，其显著特点是简单、计算量小、易于实现。这种算法不需要计算相关矩阵，也不需要进行矩阵运算。只要自适应线性组合器每次迭代运算时都知道输入信号和参考响应，选用LMS算法是很合适的。