通信信号自适应滤波处理仿真研究（二）的论文.docVIP

　　通信信号自适应滤波处理仿真研究（二）的论文 图(2.1.5.4)( =0.001) 图(2.1.5.5)( =0.005) 　　观察两个不同步长情况下的误差曲线不难看出，步长越小，误差越小，但收敛速度越慢，为了好的精度，我们在选择时必然牺牲收敛速度。. 　　以上就是围绕对lms算法的分析，着重讨论了算法的实现及算法中重要参数 的选择问题。在实际中，噪声功率大小的也会对系统的收敛程度产生影响，噪声功率越大，即信噪比snr越小，误差曲线就会明显增加，这就是更大噪声功率对算法中随机梯度的影响，可以通过下面两个仿真图看出。分别取信噪比snr=5和snr=20。 =0.001 图(2.1.5.6)(snr=5) 图(2.1.5.7)(snr=20) 　　2.2 递推最小二乘(rls)算法 　　2.2.1 最小二乘法 设已知n个数据 ，…， ，…， ，利用图3.1所示的滤波器结构来估计期望信号 ，…， ，…， 。对的估计可表示成 式(2.2.1.1) 估计误差 - 式(2.2.1.2) 根据最小二乘法， (n)的最佳值应该使下列累计平方误差性能函数为最小 式(2.2.1.3) ， 其中0lt; lt;1，称为遗忘因子。使用前加窗法，只用 的前 个误差，则 式(2.2.1.4) 前加窗法最小二乘性能函数为 式(2.2.1.5) 其中 。 引入m维矢量： 式(2.2.1.6)，而 维矩阵： 式(2.2.1.7) 式(2.2.1.8) 的最佳值满足方程 式(2.2.1.9) 从而有 式(2.2.1.10) 最终得到最小二乘算法的最后方程 式(2.2.1.11) 2.2.2 递推最小二乘(rls)算法 由于最小二乘法的运算量较大，一般不适合实时滤波，采用递推算法可以减少运算量。 由式(2.2.1.11)有 式(2.2.2.1) 根据式2.2.1.7得 式(2.2.2.2) 对矩阵求逆得 式(2.2.2.3) 其中 为一纯量。 矩阵 式(2.2.2.4) n维矢量 ， 为增益系数 式(2.2.2.5) 由式2.2.2.4和式2.2.2.5逆推式2.2.2.3可得 式(2.2.2.6) 利用式2.2.2.6，就可以用递推的方式求m m维矩阵 的逆，使运算量降低。 式2.2.2.6两端乘以 ，利用式2.2.2.5可得 式(2.2.2.7) 另外，根据式2.2.1.6可得 式(2.2.2.8) 将式2.2.2.4，式2.2.2.6,式2.2.2.8代入式2.2.1.11就可以得到 式(2.2.2.9) 利用式2.2.2.5和式2.2.2.9的最后两项可简化为 ，而式2.2.2.9的前两项中的 即为 。所以由式2.2.2.9可得 式(2.2.2.10) 这即为递推最小二乘(rls)算法的递推公式。 下图为rls算法的流程图： 2.2.3 rls算法的参数分析 rls算法具体实现需要以下计算式 ； ； ； = ； ；其中 个参数意义与lms相同，新增个参数意义为 ：反相关矩阵； (n)：增益向量； ：遗忘因子。 在rls算法中遗忘因子是一个接近1但是小于1的正数，一般来说介于0.95到1之间。使用遗忘因子的目的在于把接近目前时间点的信息乘上越大的权值，而离目前时间点越远的信息乘上越小的权值，也就是说，我们重视较近时间点的信息甚与较远时间点的信息。若等于1，则表示对所有的信息都一样，其权值都是相同的。 2.2.4 rls算法matlab仿真分析 图2.2.4.1 　　上图分别为输入信号，输出信号和误差信号的曲线，可以看出输出信号在经过一段时间的自适应调整后，便能基本达到跟踪，滤波的效果。从误差信号曲线也可以看出这点，误差输出经过一段时间就趋于稳定。 图2.2.4.2 上图为误差平方的均值曲线，大约在t=300时，误差趋于收敛，系统完成自适应过程。 以上就是围绕对rls算法的分析，着重讨论了rls算法推导，具体实现的相关公式以及运用matlab软件对其进行仿真。 　　2.2.5 rls算法与lms算法的比较分析 　　rls算法能够在很短的时间内就趋于收敛，而lms算法则有一个比较长的渐变过程，所以rls的跟踪性能要优于lms，这可以从图2.1.5.1和图2.2.4.1看出。换句话说，rls比lms的收敛速度要快。可以通过下图看出： 上图蓝色是lms收敛曲线，红色为rls收敛曲线。可以看出明显rls收敛性要优于lms算法。 　　而且lms在收敛后波形还有较大波动，而rls就要小的多，基本没有波动，这说明rls的稳态误差也是小于lms的，从图2.1.5.3和图2.2.4.2可以看出。但是由于lms计算量简单，适合于硬件实现，这是rls无法相比的。所以二者各有优劣。(以上lms和rls算法仿真均采用相同的外界信号及采样时间点)