LMS作业.docVIP

题目：2阶AR模型信号由下式产生：x(n)+a1x(n-1)+a2x(n-2)=v(n) ，v(n)是均值为0、方差为δ2的高斯白噪声序列。信号1：a1=-0.195;a2=0.95；信号2：a1=-1.5955；a2=0.95；解：二阶线性预测滤波器，其输出为x(n)的预测值并可表示为：预测误差为：对于二阶自回归模型，LMS滤波器的抽头系数，也即待预测参数:w1(n+1)=w1(n)+2*u*e(n)*x(n-1)w2(n+1)=w2(n)+2*u*e(n)*x(n-2)收敛准则：线性预测滤波器采用LMS算法根据一定的准则，按照一定的步长u调整w1和w2，使均方误差E{e(n)*e(n)}尽可能最小。LMS算法步骤设置变量和参数：X(n):输入的加噪信号v(n):是零均值的白噪声W(n):LMS滤波器的抽头系数，也即待预测参数d(n):期望信号（即真实输入信号x(n)）e(n）:误差信号序列u:步长,u的选择和收敛速度收敛曲线的稳定性有关，u应满足：rho_max = max(eig(x*x.)); % 输入信号相关矩阵的最大特征值mu = rand()*(1/rho_max) ; % 收敛因子 0 mu 1/rho_maxn_times:一次独立实验的迭代次数上限K:k次独立实验，求均值。初始化：x(1)=v(1), x(2)=x(1)*(-a1)+v(2)；u =0.04,0.01w(1)=0,w(2)=0；实验结果1. 实验一：a1= -0.195;a2=0.95时，k取200图1-1输入信号图1-2 u=0.04时a1及a2的预测曲线图1-3 u=0.01时a1及a2的预测曲线图1-4 u=0.04误差曲线图1-5，u=0.04 时的LMS预测参数a1,a2结果2. 实验二：a1=-1.5955;a2=0.95图2-1输入信号图2-2 u=0.04 a1及a2的预测曲线图2-3 u=0.01 a1及a2的预测曲线 图2-4 u=0.04误差曲线图2-5 LMS预测参数a1,a2结果分析估计性能：不同步长u的，收敛性能、收敛稳定性、预测结果的比较：u=0.01和u=0.04图3-1 a1=-0.195 a2=0.95 时不同步长下的参数收敛曲线图3-2 a1=-1.5955 a2=0.95 时不同步长下的参数收敛曲线性能分析：u变大时，预测参数收敛曲线收敛加快，但收敛稳定性下降，收敛曲线起伏变大。代码：% %%%%%LMS参数估计%%%%%close allclc%a1=-0.195;%a2=0.95;a1=-1.5955;a2=0.95;u=0.04;%步长的选择和噪声的方差及强度有关N=1000;k=200;e=zeros(1,N);w1=zeros(1,N+1);w2=zeros(1,N+1);y=zeros(1,N);ee=zeros(1,N);%每个点的误差平方ep=zeros(1,N);%每个点的误差平方累积eq=zeros(1,N);%每个点的100次误差平方均值w11=zeros(1,N+1);%w1权值的累积w22=zeros(1,N+1);%w2权值的累积for k=1:kv=0.19*randn(1,N);%零均值，方差为1的高斯白噪声x(1)=v(1);x(2)=x(1)*(-a1)+v(2);for n=3:N x(n)=-a1*x(n-1)-a2*x(n-2)+v(n);end%figure(1)%plot(x)%title(输入信号x)for n=3:N y(n)=w1(n)*x(n-1)+w2(n)*x(n-2); e(n)=x(n)-y(n); w1(n+1)=w1(n)+2*u*e(n)*x(n-1); w2(n+1)=w2(n)+2*u*e(n)*x(n-2); ee(n)=e(n)^2;end w11=w1+w11; w22=w2+w22; ep=ep+ee;endeq=ep/k;W1=w11/k;W2=w22/k;figuren=1:N+1;plot(n,-w1,n,-W1,n,-w2,n,-W2)grid onlegend(单次w1的收敛曲线,k次平均后w1的收敛曲线,单次w2的收敛曲线,k次平均后w2的收敛曲线);title(w1与w2的收敛曲线(u=0.04))figuresubplot(2,1,1)plot(e)title(误差曲线（u=0.04）)subplot(2,1,2)plot(eq)title(K次平均误差曲线（u=0.04)) r1=-W1(N); r2=-W2(N);