07S005125徐谦RLS算法自适应均衡器实验..docVIP

Harbin Institute of Technology 自适应信号处理（实验） 课程名称： 自适应信号处理 设计题目： RLS算法自适应均衡器实验 院 系： 电子与信息技术研究院 班 级： 电子一班 设 计 者： 房永奎 学 号： 08S005073 指导教师： 邹斌 设计时间： 2009年4月16日 哈尔滨工业大学 RLS算法自适应均衡器实验 08S005073 房永奎 一、实验目的 1、使用RLS算法设计线性离散通信信道的自适应均衡器。 2、研究信噪比对RLS算法收敛性的影响。 3、比较RLS算法和LMS算法。 二、实验原理 1、自适应均衡器 图1 自适应均衡试验框图 如图1所示，系统中使用两个独立的随机数发生器，一个用来表示，用来测试信道。另一个用来表示，用来模拟接收器中加性白噪声的影响。序列是=的Bernoulli序列，随机变量具有零均值和单位方差。第二个序列具有零均值，其方差由实验中需要的信噪比决定。均衡器有11个抽头。信道的冲激响应定义为 （1） 其中，控制幅度失真的大小，因此也控制信道产生的特征值扩散度。将延迟7个样值之后的信道输入作为均衡器的期望响应。 2、自适应均衡器实验参数 表1中列出：（1）自相关函数的值；（2）最小特征值，最大特征值，特征值扩散度。 表1 自适应均衡实验参数小结 2.9 3.1 3.3 3.5 1.0963 1.1568 1.2264 1.3022 0.4388 0.5596 0.6729 0.7774 0.0481 0.0783 0.1132 0.1511 0.3339 0.2136 0.1256 0.0656 2.0295 2.3761 2.7263 3.0707 6.0782 11.1238 21.7132 46.8216 三、程序流程图 1、生成run文件流程图 图2 run文件生成流程图 2、RLS算法学习曲线流程图 图3 RLS算法学习曲线流程图 四、实验内容及结果分析 实验分为两部分：第一部分为高信噪比的情况，第二部分为低信噪比的情况。两部分的调整参数。 实验1：信噪比=30dB （1）当信噪比固定为30dB（即方差等于0.001），改变或特征值扩散度，得到RLS算法的学习曲线。实验结果如图4所示。 图4 4种不同特征值扩散度情况下RLS算法的学习曲线（，） 从图4中，可以看出：RLS算法大约经过20次迭代即收敛，大约是横向均衡器抽头系数的两倍。 （2）当信噪比固定为30dB时，改变或特征值扩散度的值。比较RLS算法和LMS算法的学习曲线。在不同的特征值扩散度的比较结果如图5（a）（b）（c）和（d）所示。 （a）=6.0782，=2.9 （b）=11.1238，=3.1 （c）=21.7132，=3.3 （d）=46.8216，=3.5 图5 RLS和LMS算法的学习曲线比较 图5中包括LMS算法和RLS算法学习曲线的4种情况，分别对应于参数=2.9、3.1、3.3和3.5，或等效地=6.0782、11.1238、21.7132和46.8216。。根据图5中对比结果，可以得出如下结论： 1、与LMS算法的收敛性相比，RLS算法的收敛性对特征值扩散度的变化相对不敏感。 2、在高信噪比情况下，RLS算法比LMS算法收敛快得多。 3、RLS算法所获得的集平均平方误差的稳态值比LMS算法小得多，这也证实：RLS算法至少在理论上失调量为零。 总之，可以清楚地看出RLS算法的收敛速率优于LMS算法；但是，要达到这样的收敛速率，必须是高信噪比的情况。当信噪比不高时，RLS算法将失去这一优势。 实验2：信噪比=10dB 图6显示、信噪比=10dB时RLS算法和LMS算法（步长参数）的学习曲线。 图6 [特征值分布=11.1238]和SNR=10dB时RLS算法（，）和LMS算法（步长参数）的学习曲线 从图中可以看出，在所关心的收敛范围内， RLS算法与LMS算法以几乎相同的方式进行学习，两种算法都需要约40次的迭代达到收敛。但对于信道均衡问题，这两种算法都不能获得满意的结果。