数字信号处理作业.docVIP

数字信号处理3次作业 No1：卡尔曼滤波器 实验要求：假设一物体围绕一圆周运动，角加速度是白噪声，观测噪声也是零均值的白噪声；编程使用卡尔曼滤波器实现运动物体的跟踪。 题目分析： 设角加速度ω(k)和观测噪声v(k)均为零均值高斯白噪声，其方差分别为，设 状态方程： 输出方程: 根据y(k)可测得相邻两时刻的方向角y(1)和y(2)，设时间间隔为T，则 当k=2： k=2时的状态向量为 则k=2时刻的协方差阵P(2)： ， 均方误差矩阵是2×2阶矩阵，设激励信号ω（k）和观测噪声V(k)相互独立， 则协方差阵为: 二、程序代码： %画圆 t=0:0.01:4*pi; r=1; y=r*sin(t);x=r*cos(t); plot(x,y); axis equal; axis off; aa=line(color,m,linestyle,P,xdata,0,ydata,1,markersize,30,erasemode,xor); bb=line(color,y,linestyle,P,xdata,0,ydata,1,markersize,30,erasemode,xor); cc=line(color,g,linestyle,P,xdata,0,ydata,1,markersize,30,erasemode,xor); n=length(t); %赋初值 i=1;j=1;ii=1; theata_v(1)=0; theata(1)=0; var_w=1/12*0.5^2; var_v=1/12*4^2; p2=[var_v,var_v;var_v,(2*var_v+var_w)];p=p2; Ak=[1,1;0,1]; Qk=[0,0;0,var_w]; Ck=[1,0]; Rk=var_v; for k=1:1:100 %状态方程 w(k)=(rand(1,1)-0.5)*0.5; theata(k+1)=theata(k)+theata_v(k); theata_v(k+1)=theata_v(k)+w(k); %量测方程 v(k)=4*(rand(1,1)-0.5); z(k)=theata(k)+v(k); if(k==2) x2=[z(2),(z(2)-z(1))];xk=x2; end %迭代 if(k=3) Pk=Ak*p*Ak+Qk; Hk=Pk*Ck*inv(Ck*Pk*Ck+Rk); yk=z(k); xk=Ak*xk+Hk*(yk-Ck*Ak*xk); x1(k)=xk(1); x2(k)=xk(2); p=(eye(2)-Hk*Ck)*Pk; %绘图 set(aa,xdata,x(i),ydata,y(i)); set(bb,xdata,x(j),ydata,y(j)); set(cc,xdata,x(ii),ydata,y(ii)); drawnow pause(0.5); i=mod((floor(theata(k)*r/0.01)),n)+1; j=mod((floor(z(k)*r/0.01)),n)+1; ii=mod((floor(x1(k)*r/0.01)),n)+1; end End 三、仿真结果： No2：自适应滤波器 设计一个自适应滤波器，进行未知系统识别： 其中x(n) = Acos(wn) + v(n)；v(n)为方差s2的正态分布的白噪声；（设A=2，s2=0.01） 一、题目分析： 用LMS算法来对FIR模型的自适应，使得它的输出近似为该未知系统的输出，从而实现未知系统的识别。 程序代码： wn = 50*rand(1,500); x = 2*cos(wn)+0.02*randn(1,500); % Filter Input b = fir1(31,0.5); v =0.01*randn(1,500); d = filter(b,1,x); mu = 0.009; % LMS step size h = adaptfilt.lms(32,mu); [y,e] = filter(h,x,d); subplot(2,1,1); plot(1:500,[d;y;e]) ti