现代信号处理论文.docVIP

递归最小二乘法（RLS） 估计误差定义为： 加权误差平方和的完整表达式为： 根据定义，易得到递推估计公式： 利用矩阵的求逆公式，可得到逆矩阵的递推公式 进一步化简后得 综上所述，可得到RLS直接算法： 步骤1：初始化： 步骤2：更新： n=1,2,….。 其中为一个很小的值。的值越小，相关矩阵初始值在的计算中所占比重越小，若取值过大，就会严重影响RLS算法的收敛速度及收敛结果，这一点是在应用RLS算法时必须注意的。 以下是RLS自适应滤波器设计实现过程。 1.生成正弦波载波 原始信号是一个正弦波波信号，其波形如图1所示，其实现的代码如下。 signal = sin(2 * pi * 0.055 * (0 : 1000 - 1)); figure(1); plot(0 : 199, signal(1 : 200), LineWidth,2); set(gca, FontSize, 30); grid; axis([0 200 -2 2]); title(\fontsize{30}正弦波载波); 图 1 2.背景噪声模型 背景噪声是白噪声，如图2所示。其实现的代码如下。 nvar = 1.0; %噪声方差 noise = randn(1000,1) * nvar; %白噪声 figure(2); plot(0:999, noise, LineWidth,2); set(gca, FontSize, 30); title(\fontsize{30}背景噪声); grid; axis([0 1000 -4 4]); 图 2 3.输入自适应滤波器的信号与噪声 输入的噪声是由正弦波信号与白噪声叠加后的结果，其波形如图3所示。其实现的代码如下。 nfilt = fir1(31, 0.5); %31阶低通滤波器 fnoise = filter(nfilt, 1, noise); %对噪声滤波 d = signal + fnoise; figure(3); plot(0 : 199,d(1 : 200), LineWidth,2); set(gca, FontSize, 30); grid; axis([0 200 -4 4]); title(\fontsize{30}输入自适应的信号与噪声); 图 3 4.频率响应 以下是RTL滤波算法的实现过程，其代码如下，其频率响应的波形如图4所示。 M = 32; lam = 1; delta = 0.1; w0 = zeros(M, 1); P0 = (1/delta) * eye(M, M); Zi = zeros(M - 1, 1); %将RLS滤波器重复1000次，画出滤波器的频率响应以及预期的频率响应 Hadapt = adaptfilt.rls(M, lam, P0, w0, Zi); Hadapt.PersistentMemory = true; [y, e] = filter(Hadapt, noise, d); H = abs(freqz(Hadapt, 1, 64)); H1 = abs(freqz(nfilt, 1, 64)); wf = linspace(0, 1, 64); figure(4); plot(wf, H, wf, H1, LineWidth,2); set(gca, FontSize, 30); xlabel(\fontsize{30}频率(\times\pi rad /sample)); ylabel(\fontsize{30}幅度); legend(\fontsize{30}自适应频率响应,\fontsize{30}预期滤波器响应); grid; axis([0 1 0 2]); 图 4 5.原始信号和信号误差 经过滤波后的波形如图5所示，可见其已接近原始信号波形。以下是实现的代码。 figure(5); plot(0 : 499,signal(1 : 500), --, 0 : 499, e(1 : 500),LineWidth,2); set(gca, FontSize, 30); grid; axis([0 500 -4 4]); title(\fontsize{30}原始信号和信号误差); legend(\fontsize{30}原始信号, \fontsize{30}信号误差); 图 5 3 结束语 LMS（最小均方）算法是一种有效而简便的方法，其优点是结构简单，算法复杂度低，易于实现，稳定性高。然而，这种方法对快速变化的信号并不适合，因为它的收敛速度很慢。RLS（递推最小二乘）算法是另一种基于最小二乘准则的精确方法，它具有快速收敛和稳定的回波抵消特性，因而被广泛地应用于实时系