ADSP仿真作业_hky解决方案.doc

目录： 1．题目 1 2．基本原理 1 2.1自适应滤波器的原理 1 2.2 LMS算法简介 2 2.3 RLS算法简介 3 2.4本题模型 4 3.仿真过程及结果分析 4 3.1 生成输入值序列 5 3.2 用两种算法对题中模型进行仿真 6 3.2.1. 作收敛曲线 6 3.2.2. 比较LMS算法和RLS算法的性能 9 3.2.3. 对于不同的步长，比较LMS算法的性能 10 3.2.4. 对于不同的遗忘因子，比较RLS算法的性能 11 附录 13 附录1：LMS算法源代码及画图程序 13 附录2：RLS算法及画图程序 14 附录3：LMS算法与RLS算法的比较 14 附录4：不同步长长对LMS算法的影响 16 附录5：不同遗忘因子对RLS算法的影响 17 1．题目 Sequenceis generated by AR(2) Model: , in which is white Gaussian noise sequence,, ;,. Using LMS algorithm and RLS algorithm to estimate the model parameters . Requirements: (1). Draw convergence curves in the same picture; (2). Compare performance of LMS and RLS algorithm; (3). For different parameters ,compare performance of LMS algorithm; (4). For different parameters ,compare performance of RLS algorithm. 2．基本原理 2.1自适应滤波器的原理 自适应滤波器由参数可调的数字滤波器（或称为自适应处理器）和自适应算法两部分组成，其算法原理如下图所示： 输入信号通过参数可调的数字滤波器后产生输出信号，将其与期望输出信号进行比较，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，最终使得的均方值最小。对于单输入的情况信号间的基本关系如下： 其中表示n时刻的权系数。 写成矩阵形式： 式中，为n 时刻自适应滤波器的权矢量，，L为自适应滤波器的阶数； 为n 时刻自适应滤波器的参考输入矢量，由最近L 个信号采样值构成，。 误差信号的均方值： 自适应组合器按照误差信号均方值最小的准则来调整权矢量，即权矢量满足： 一旦输入信号的统计特性发生变化，它又能跟踪这种变化，自动调整参数，使滤波器性能重新达到最佳。 2.2 LMS算法简介 LMS算法的核心思想是用平方误差代替最小均方误差，即要求 则的梯度可用下式来近似： 得到LMS算法的权系数递推关系式： 式中，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。 2.3 RLS算法简介 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： 按照如下准则： 式中，称为遗忘因子，它是小于等于1的正数。即越旧的数据对的影响越小。 用对滤波器系数求偏导数，并令结果等于零得 整理得到标准方程 令 标准方程可以化简成形式： 经求解可以得到迭代形式 定义：，则可知的迭代方程为 系数的迭代方程为 式中误差和增益的定义为 对该迭代算法进行初始化时，可令这意味着也可将选取为很大的数值。初始权矢量选为。 RLS算法的优点是收敛速度快，而且适用于非平稳信号的自适应处理；缺点是每次迭代时都知道输入信号和参考信号，计算量比较大。 2.4 本题模型 对于本题，其模型原理图如下： 由按照题中的AR(2)模型，由迭代产生信号，且输出信号可以表示成的线性组合。预测误差为：，然后再按照某种准则控制预测误差，从而自适应的调节FIR滤波器的权系数，使之最终达到最优。本题用LMS算法以及RLS算法对预测误差进行处理，并得到各自的权系数收敛值，同时对两种算法的性能进行了分析和比较。 3．仿真过程及结果分析 3.1 生成输入值序列： %按照所给模型生成性x(n)序列; %Wa为零均值且方差为1的高斯白噪声序列; function x=generation(n) a1=1.4; a2=-0.7; x=zeros(n,1); Wa=randn(n,1); %以下代码迭代生成期望信号; x(1)=Wa(1); x(2)=Wa(2)+a1*x(1