现代数字信号处理ADSP仿真报告.docVIP

现代数字信号处理 Matlab仿真报告 组员： 提交时间： 一、算法介绍 1、LM 式中， W(n)：n 时刻自适应滤波器的权矢量，， X( n) ：n 时刻自适应滤波器的输入，由最近N 个信号采样值构成，； N： 自适应滤波器的阶数； d ( n) ：期望的输出值； e ( n) ：自适应滤波器的输出误差调节信号 ； μ： 收敛因子。 2、RLS算法： RLS算法是用二乘方的时间平均的最小化准则取代最小均方准则，并按时间进行迭代计算。其基本原理如下所示： 称为遗忘因子，它是小于等于1的正数。 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。对滤波器系数求偏导数，并令结果等于零知 整理得到标准方程 定义 标准方程可以化简成形式： 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 由上边分析可知，RLS算法递推的步骤如下： (1)在时刻n，已经知道和也已经存储在录波器的实验部件中 (2)计算，并得到滤波器的输出相应和误差即： (3)进入第次迭代 二、模型分析 1、AR(2)模型 因a1=1.4、a2=-0.7 w(n)可用Matlab中高斯白噪声生成函数wgn生成 其中在程序中用A描述，随时间变化 LMS算法 算出y(n); ； LMS函数源代码： function [A,en]=LMS(xn,Wn,M,u,i) en = zeros(i,1); A = zeros (i,M); for j = M+1:i yn(j)= A(j-1,:)*xn(j-1:-1:j-M); en(j-1)=xn(j)-yn(j); x=xn(j-1:-1:j-M); A(j,:)=A(j-1,:)+2*u*en(j-1)*x; end RLS算法 对赋一个比较大的初值，程序中=100*eye(M,M)； 求出、； 求出最新时刻； ； RLS函数源代码： function [A,en]=RLS(xn,Wn,M,u,i) en = zeros(i,1); A = zeros(i-1,M); Tn=100*eye(M,M); kn =zeros(M,1); for j=M:i-1 en(j,1)=xn(j+1)-A(j-1,:)*xn(j:-1:j-M+1); kn=Tn*xn(j:-1:j-M+1)/(u+xn(j:-1:j-M+1)*Tn*xn(j:-1:j-M+1)); Tn=(Tn-Tn*xn(j:-1:j-M+1)*xn(j:-1:j-M+1)*Tn/(u+xn(j:-1:j-M+1)*Tn*xn(j:-1:j-M+1)))/u; A(j,:)=A(j-1,:)+kn(:,1).*en(j,1); End 仿真结果分析 1、、收敛曲线 u=0.0001 =0.98 2、LMS算法与RLS算法的比较 由上图可以看出RLS算法的收敛速度比LMS算法的收敛速度快，但是RLS算法在收敛处的波动比LMS算法大。 3、参数u对LMS算法的影响 由上图可以看出，不同u对LMS算法有很大影响，u越小收敛速度越慢，但是在收敛处的波动越小。 4、参数对RLS算法的影响 因为3条线画在同一张图中，线难以区分，所以画成上图的形式，但也可以看出越大，收敛处的波动越小。  clc; %初始化 i=10000; M=2; xn=zeros(1,i); Wn= wgn(i,1,3); for j = M+1:i xn(j) = [1.4 -0.7]*xn(j-1:-1:j-M)+Wn(j); end %LMS算法权值的收敛曲线 u11=0.0001; [LMS_A,en]=LMS(xn,Wn,M,u11,i); figure; %subplot(1,2,1); plot(LMS_A(:,:)) hold on; plot(1:10:i,1.4) plot(1:10:i,-0.7) title(LMS算法); xlabel(迭代次数 i); ylabel(权值 A ); text(1000,1,a1); text(2000,-0.5,a2); %RLS算法权值的收敛曲线 u21=0.98; i=700; [RLS_A,en]=RLS(xn,Wn,M,u21,i); figure; plot(RLS_A(:,:)) hold on; plot(1:i,1.4) plot(1:i,-0.7)