华中科技大学ADSP仿真作业(LMSLSLPHDMUSIC)解剖.doc

ADSP实验报告 院系：电子与通信学院 作者：*** 学号： 老师： 日期：2015/11/20 目 录 ADSP实验报告 实验一 1 1.1 题目 1 1.2 数据模型及参数选取 1 1.3 算法模型 1 1.3.1 自适应滤波器 1 1.3.2 LMS算法简介 2 1.3.3 LSL算法简介 2 1.4 实验仿真 3 1.4.1 仿真结果 3 1.4.2 结果分析 5 1.5 实验小结 5 实验二 6 2.1 题目 6 2.2 数据模型及参数选取 6 2.3 算法模型 7 2.3.1 PHD算法简介 7 2.3.2 MUSIC算法简介 8 2.4 实验仿真 9 2.4.1 仿真结果 9 2.4.2 结果分析 10 2.5 实验小结 11 附录：源代码 12 附录A：实验一 12 附录B：实验二 14 实验一 题目 Implement LSL algorithm and LMS algorithm based on figure 3.30(P92) and figure 3.31(P93) . Model and parameters see page 91. 课本91页模型及参数为：序列由2阶自回归模型产生：，是均值为0、方差为1的高斯白噪声序列。。用LMS算法和LSL算法来估计模型参数、，对两种算法的性能进行比较，并分析LSL算法中初始预测误差剩余对收敛性能的影响。 数据模型及参数选取 1）高斯白噪声可以用中的函数产生均值为0、方差为1的标准正态分布随机矩阵来实现，用模型产生信号，激励源是产生的高斯白噪声； 2）信号点数N=500，用500个信号来估计滤波器系数； 3）依据题意，LMS算法中选取，并取=[0.1,1, 10]来观察初始预测误差剩余对LSL收敛性能的影响。 算法模型 自适应滤波器 自适应滤波器由参数可调的数字滤波器和自适应算法两部分组成，如图 0.1所示。输入信号通过参数可调的数字滤波器后产生输出信号，将其与参考信号进行比较，形成误差信号。通过某种自适应算法对滤波器参数进行调整，最终使的均方值最小。此时得到的是对的最佳估计。 1.31自适应滤波器原理 LMS算法简介 LMS算法采用平方误差最小的原则代替最小均方误差最小的原则，使用LMS算法来得到权系数的公式如下： (1.31) 其中： (1.32) 式中，为时刻自适应滤波器的权矢量，，为自适应滤波器的阶数；为时刻自适应滤波器的参考输入矢量，由最近个信号采样值构成，；是期望的输出值；为自适应滤波器的参考响应与输出相应之差，即误差信号；是控制自适应速度与稳定性的增益常数，又叫收敛因子或步长因子。 LSL算法简介 LSL算法步骤如下： 初始化 这里是前向和后向预测误差剩余的初始值。如果这个值没有给出，可以任意选择。 迭代计算（按时间）； 3）迭代计算（按阶） 同阶的嵌套着按时间进行迭代计算。 各阶前向和后向反射系数可分别由以下二式计算： M是给定的滤波器的阶。 采用LSL自适应算法，利用给出的数据可计算出格型滤波器的1阶和2阶前向和后向反射系数、、和，然后由这些反射系数计算出估计、。经推导得 （1.33） （1.34） 实验仿真 仿真结果 图1.41 AR(2)所产生信号 图1.42自适应权系数、的收敛轨迹 图1.43初始预测误差剩余对LSL收敛性能的影响 结果分析 1）由图1.42可看出，一是LSL算法和LMS算法计算得到的都收敛于1.558，都收敛于-0.81，但是LSL算法很明显地比LMS算法收敛得更快，二是LMS算法得到的、的收敛轨迹有所波动，而LSL算法所得到收敛轨迹更加平稳； 2）由图1.43，在=0.1和1两种情况下，很快就收敛到，而当选为10时，收敛稍许慢了一些，但三种情况的收敛速度都要比LMS算法快的多。 实验小结 通过本次实验，对LMS算法和LSL算法的原理有了更深刻的理解，对影响LMS和LSL算法性能的一些参数也有了一定的认识，懂得了如何通过调节参数来获得想要的性能。 实验二 题目 给定，，是方差为的复白噪声。信噪比定义为 1）用PHD方法估计两个频率，使用M+1=3阶自相关矩阵； 2）MUSIC方法估计频率，选取N=12，M=2。 数据模型及参数选取 1）依题意，可通过提供的函数可对复正弦信号加高斯白噪声得到。 2）PHD算法 取样自相关点数 正弦信号个数 自相关矩阵阶数 复白噪声功率 = 0.01 信噪比 待估计频率 3）MUSIC算法 取样自相关点数 正弦