RLS自适应平衡器计算机实验.docxVIP

自适应信号处理实验报告课程名称：自适应信号处理实验题目：RLS自适应平衡器实验 院系：班级：姓名：学号：指导教师：时间：哈尔滨工业大学RLS实验——自适应平衡器计算机实验一、实验目的1、通过计算机实验对递归最小二乘自适应滤波器原理及其实现过程有更深刻的理解；2、使用RLS算法设计线性色散通信信道的自适应均衡器；3、通过仿真研究特征值扩散度和信噪比对RLS算法收敛性的影响；4、比较LMS算法和RLS算法的性能。二、实验内容1、实验模型研究使用递归最小二乘算法（RLS）设计线性色散通信信道的自适应均衡器。其中假设数据都是实数。其系统框图如图1所示。图1 自适应均衡实验的系统框图图中，自适应横向滤波器用于纠正存在加性白噪声的信道的畸变。随机数发生器1产生用来探测信道的测试信号，随机数发生器2用于产生干扰信道输出的白噪声，两者独立。经过适当延迟，随机数发生器1提供用做训练序列的自适应均衡器的期望相应。输入随机序列由伯努利序列组成，，具有零均值和单位方差。随机噪声发生器2产生的序列具有零均值，方差为。设信道的脉冲响应为升余弦函数，如式（1）所示：（1）其中，参数控制均衡器抽头输入相关矩阵的特征值分布，并且特征值分布随着的增大而扩大。2、实验原理（1）均衡器模型设均衡器具有个抽头。首先求均衡器输入数据的相关矩阵。在时刻，均衡器第1个抽头的输入为（2）则有（3）（4）（5）　　　　　　　　　　　　（6）其中由（1）式中参数决定。因为所有参数均为实数，故均衡器输入的11个抽头的自相关矩阵为一个对称的矩阵，有以下特殊结构所示：（7）表1给出了参数取不同值时，自相关矩阵的最小特征值和最大特征值以及特征扩散度相应的取值。表1 自适应均衡实验参数2.93.13.33.51.09631.15681.22641.30220.43880.55960.67290.77740.04810.07830.11320.15110.33390.21360.12560.06562.02952.37612.72633.07076.078211.123821.713246.8216（2）RLS算法过程根据参考书籍，RLS算法的实现过程如下：首先进行算法初始化：（8）（9）其中为输入自相关矩阵的逆矩阵，即，为调整参数。接下来，对于每一时刻，进行递推计算：（10）（11）（12）（13）（14）三、程序框图根据实验原理，可得程序流程图如图2所示图2 实验程序流程图四、实验结果及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。两部分的调整参数都取，指数加权因子。1、信噪比为30dB（1）首先研究特征值扩散度对RLS的影响。将信噪比固定为30dB（即方差等于0.001），改变特征值扩散度（即改变参数的值），得到RLS算法的学习曲线。实验结果如图3所示。图3 不同特征值扩散度下自适应均衡器RLS算法的学习曲线（30dB）从图3中可以看出，集平均均方误差的变化依赖于迭代次数，随着迭代次数的增加，平均均方误差值变小且趋于一个稳态值。在不同特征值扩散度下，学习曲线收敛的速率相差不大，都大约经过20次迭代即收敛。当特征值扩散度的变化范围变小（即当值减小）时，自适应均衡器的收敛到的稳态值和其浮动范围都变小。（2）RLS算法与LMS算法对特征值扩散度的敏感性比较。实验过程中，LMS算法步长。改变特征值扩散度（即的值），观察两种算法的差异。图4和图5分别是当=6.0782（即=2.9）和=21.7132即（=3.3）时两种算法的学习曲线比较图。图4 =6.0782时LMS和RLS算法的学习曲线（30dB）集平均平方误差集平均平方误差图5=21.7132时LMS和RLS算法的学习曲线（30dB）根据图4和图5中对比结果，可以看出：在高信噪比的情况下，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：随着特征值扩散度的变大，RLS算法所获得的集平均平方误差的稳态值波动范围变大，而RLS算法所获得的集平均平方误差的稳态值波动范围变化不大；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，这也证实了RLS算法至少在理论上失调量为零。另外，RLS算法比LMS算法收敛快得多：RLS算法的收敛速率大约是LMS算法的两到三倍。总之，可以看出，在高信噪比的情况下，RLS算法的收敛速率优于LMS算法。2、信噪比为10dB将信噪比固定为10dB（即方差噪声方差等于0. 1），LMS算法步长。实验结果如下图所示：其中图6是在小信噪比的情况时，不同特征值扩散度下自适应均衡器RLS算法的学习曲线；图7是将均衡器抽头输入相关矩阵的特征值扩散度设为11.1238（即=3.1）时，RLS算法和LMS算法的比较实验结果。图6不同特征值扩散度下自适应均衡器RLS算法的学习曲