自适应滤波.docxVIP

实验三 自适应滤波实验目的熟练掌握自适应LMS算法及RLS算法的原理及应用；根据题目一的背景条件，基于自适应系统逆辨识模型实现自适应均衡。实验原理自适应滤波原理自适应滤波原理图，如图1所示。图1自适应滤波原理图在自适应滤波器中，参数可调的数字滤波器一般为FIR数字滤波器，IIR数字滤波器或格型数字滤波器。自适应滤波分2个过程。第一，输入信号通过参数可调的数字滤波器后得输出信号，与参考信号进行比较得误差信号；第二，通过一种自适应算法和和的值来调节参数可调的数字滤波器的参数，即加权系数，使之达到最佳滤波效果。LMS算法LMS算法是在最速下降法的基础上，用瞬时平方误差的梯度作为均方误差的梯度的估计值得到的，从而简化了计算量。LMS算法的一个显著性特点是它的简单性。此外，它不需要计算有关的相关函数，也不需要矩阵求逆运算。其算法流程如下：图2 LMS算法流程图初始化滤波器，设定步长； 滤波：； 计算误差：； 更新权值：。LMS滤波器在运行过程中包含反馈，引发稳定性问题。因此，引进步长参数。为使LMS算法达到均值收敛及均方收敛，必须满足条件：其中是抽头输入x(n)的功率谱密度的最大值，M为滤波器长度。LMS算法的核心是用每次迭代的粗略估计值代替了实际的精确值，这样大大简化了计算量，但是不可否认，加权系数不可能准确的沿着理想的最陡下降路径来调整自身的参数，而加权系数与有着密切的关系。因此，适当的选择自适应滤波器性能参数显得格外重要。RLS算法LMS算法收敛速度较慢，无法快速跟踪信号或系统的时变特性。当信号或系统特性变化较快时，需要一种收敛快、跟踪能力强的算法。LMS算法的权值调整方向取决于瞬时梯度，存在大量误调，是导致收敛速度慢的原因之一。设时刻已知个数据且，利用阶FIR滤波器来估计信号。滤波器的权向量：输入信号向量：输出信号：RLS算法的代价函数为：，称为遗忘因子（forgetting factor）。RLS算法流程如下：始化：，，对取得和计算增益：更新权向量：滤波：计算：，重复1）-5）。权向量的均方误差随着的增加而减小。其大小取决于输入信号相关矩阵的最小特征值。当很小时，收敛性能变差。RLS算法是基于使每一快拍的阵列输出平方和最小的准则，即最小二乘（LS）准则。它利用了从算法初始化后得到的所有数据信息，用递推方法来完成矩阵的求逆运算，因而收敛速度快，对特征值的散布度不敏感，且能实现收敛速度与计算复杂性之间的折衷。一般在大信噪比的情况下，RLS算法比LMS的收敛速度快一个数量级。4． 系统逆辨识（Inverse Identification）图3 逆辨识系统目标:自适应滤波的响应趋于未知系统的逆响应。实例：解卷积、信道均衡。实验内容实验背景与任务本实验考虑如图4所示的基带等效数据传输系统，发送符号经过ISI失真信道传输，叠加高斯加性白噪声。图4 基带等效数据传输模型发送信号采用QPSK调制，即。设ISI信道的冲激响应以向量的形式表示为。本实验采用如下冲激响应：为实部与虚部独立的复高斯白噪声，其均值为零，方差为。本实验要求基于自适应系统逆辨识模型实现自适应均衡，即由接收信号估计发送符号。自适应算法分别采用LMS算法和RLS算法。采用LMS算法的自适应均衡基于如图4的基带数据传输模型，使用Matlab仿真工具，采用LMS算法的实验步骤如下：首先产生0～3之间由自然数组成的=2000个随机数；其次将随机信号进行QPSK调制，将已调QPSK信号过ISI失真信道，并叠加上信噪比为20dB的高斯白噪声，以此即可得到输出数据；根据LMS算法，设置步长参数，滤波器长度为13，初始化滤波器权向量为零，设置训练长度500个符号。按照LMS算法更新权值向量，并得到误差。采用RLS算法的自适应均衡基于如图4的基带数据传输模型，使用Matlab仿真工具，采用RLS算法的实验步骤如下：首先产生0～3之间由自然数组成的=2000个随机数；其次将随机信号进行QPSK调制，将已调QPSK信号过ISI失真信道，并叠加上信噪比为20dB的高斯白噪声，以此即可得到输出数据；根据RLS算法，设置遗忘因子，滤波器长度为13，，初始化滤波器权向量为零，设置训练长度500个符号。按照RLS算法更新权值向量，并得到误差。实验结果通过以上所述实验步骤，可以得到没有过信道且叠加噪声的QPSK原始已调信号的星座图，如图2所示：图5 原始QPSK信号星座图QPSK已调信号过信道，并叠加高斯白噪声后，得到混叠信号的星座图如图3所示：图6混叠后的QPSK信号星座图分别经过LMS算法及RLS算法，估计原始输入序列。得到估计后的星座图如下：图7采用LMS和RLS算法估计所得QPSK信号星座图计算实验误差，并最终得到、、的序列图及学习曲线。采用LMS算法所得结果：图8 采用L