通信信号自适应滤波处理仿真研究（二）论文.docVIP

　　通信信号自适应滤波处理仿真研究（二）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.freel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) 2.3 归一化LMS算法(NLMS) 2.3.1 NLMS算法实现 NLMS算法是将LMS算法中的 值重新定义，让 值会随输入信号之正规化作改变，能提升收敛的稳定性。下面为NLMS算法实现所需的计算式： ； ； ； ； 各参数的定义和LMS算法定义相同，新增参数的定义为 ：很小的正常数，一般取 =1e-10。 LMS算法的稳定度和收敛速率受到 值和参考信号的影响，由于 值为一固定值，因此LMS的整体收敛速率就受它的影响，收敛速率对变化较快的信号反应并不理想。而NLMS算法能改善输入信号对收敛因子的影响， 值随着时间n变化成为 (n)，使之随时变化，从而调节至最佳值。另外为了避免当输入信号过小时造成收敛因子的发散，还加入 值。 下图为NLMS算法的流程图： SHAPE /* MERGEFORMAT 2.3.2 NLMS算法的Matlab