自适应滤波仿真.docxVIP

自适应滤波仿真场景利用自适应滤波进行信道均衡，通信系统如下：其中，Channel的传输函数是C(z)=0.5+1.2*z-1+1.5*z-2-z-3整个系统的工作模式为：传输信号为s(i)，在训练阶段发送QPSK信号，在正式信号发送阶段，发送QAM信号，经过信道C后，加上高斯白噪声后进入均衡器，均衡器在训练阶段以原始信号的延迟为期望响应，在工作阶段以判决结果为期望响应。仿真结果(a)训练阶段以500个QPSK信号作为训练样本，延迟为，以此使得自适应滤波器的权系数近似收敛到最优，之后工作阶段发送5000个16QAM信号。自适应滤波算法采用NLMS算法，u=0.4，epsoln=10^-6，权系数宽度为L=35。信噪比为30dB。在仿真过程中，需要说明的是滤波过程边界情况，我所采用的是协方差方法，即数据采用如下的形式则期望响应（训练阶段）为仿真结果为：整个过程中自适应滤波结果与期望响应的误差变化如下：可以看出，经过了训练阶段的自适应过程，滤波器已经能够均衡该信道，在之后的工作阶段，自适应滤波器已经能够比较准确地恢复原发送信号，误差非常小。下面详细来看系统的各个节点工作特点。S(i)的结果如下：经过信道后，U(i)的结果如下：经过自适应滤波器，输出结果可以恢复原发送信号，如下：(b)用LMS算法，如果训练阶段只训练150，300，500次，则结果如何当训练500次时，误差为滤波器输出为当训练300次时，误差为滤波器输出为当训练150次时，误差为滤波器输出为可以看到，随着训练次数的减少，系统的收敛稳定性越来越差。(c)当工作阶段的信号调整为256QAM信号时，滤波器输出结果如下：误差变化如下：可以看到对于256QAM信号，其发送端信号分布如下：其平均功率比16QAM的大，在相同信噪比的情况下，噪声的功率也相应较大，假设已经达到最优滤波，在判决门限间隔不变的情况下，其判决的误符号率自然就大，滤波器的误差自然就较大，滤波器也就会偏离最优。由于噪声功率较大，所以其滤波器输出结果分布更加随机，因此其判决结果随机性更强，则判决结果与滤波器输出的偏差就较大。则自适应过程难以收敛。进入自适应滤波器的信号如下：滤波器输出结果如下：可以看到，在256QAM信号情况下，滤波器输出结果不能有效恢复原来的发送信号。 (d)研究在不同调制度（4QAM，16QAM，64QAM，256QAM）情况下，误符号率SER与信噪比SNR之间的关系。仿真结果如下：在高斯噪声的情况下，其误符号率的变化近似Q函数的趋势，且调制度越高，其误符号率越高。RLS算法应用下的情况训练用500QPSK信号，工作用5000 16QAM信号，选取忘却因子为1，在这种信号模型下不存在忘却的情况，初始值，信噪比30dB，仿真结果如下：误差变化为：滤波器输出结果为：可以看到，RLS算法的收敛更快，且误差更小当训练次数减少时，结果如下：训练次数为300时，误差：滤波器输出结果为：训练次数为150时，误差：滤波器输出结果为：可以看到，由于RLS算法收敛性能很好，因此训练点数减少并不影响其性能。当工作信号为256QAM时，其结果如下：滤波器输出结果为：对比LMS算法下的256QAM情况可以看出，RLS算法的性能更好，其误差为：研究在不同调制度（4QAM，16QAM，64QAM，256QAM）情况下，误符号率SER与信噪比SNR之间的关系。其结果如左下，可以看到其整体性能比LMS算法要好。对于RLS算法，如果忘却因子取得比较小，如0.4则其收敛性能将变地不稳定如下：其本质原因是，该信号模型并不存在忘却的情况，前后相关性是等同的，强行加上忘却性，则会导致滤波的作用被减弱抵抗不了噪声的影响，算法将不再收敛。