LMS算法简单的研究.docx

在随机数字信号处理过程中，经常会遇到在不知道输入信号的先验知识的条件下要求进行某些处理的情况。虽然能够对随机信号进行处理的滤波器种类很多，但并不是所有的滤波器都能够在未知环境下工作。 在各种各样的滤波器中，Wiener滤波器无疑是滤波性能最佳的一种滤波器。但其在计算过程中要求多次解维纳-霍夫（Wiener-Hopf）方程，给计算带来了一定的复杂度。而如果将最小均方误差（LMS）与Wiener滤波相结合，可使计算过程得到大大的简化。由于其性能优良且可以工作在未知环境下，LMS滤波器在实际中获得了广泛的应用。 本实验利用LMS算法对AR过程的一阶参数进行了预测，通过不同的参数和步长设置对LMS算法进行了分析。 一、实验题目 For this computer experiment involving the LMS algorithm, use a first-order, autoregressive (AR) process to study the effects of ensemble averaging on the transient characteristics of the LMS algorithm for real data. Consider an AR process of order one, described by the difference equation where is the (one and only) parameter of the process and is a zero-mean white-noise process of variance . To estimate the parameter, use an adaptive predictor of order one, as depicted in Fig. P4. Given different sets of AR parameters, fixed the step-size parameter, and the initial condition . Please plot the transient behavior of weight including the single realization and ensemble-averaged result. The transient behavior of the squared prediction error Draw the experimental learning curves , what is the result when the step-size parameter is reduced. 二、问题分析 本题首先要求利用计算机对一阶AR过程随机信号的LMS滤波进行仿真，通过绘制不同过程参数情况下，单一实现和集平均时一阶自适应预测器权值和平方预测误差的瞬态特性图，来研究实时数据集平均对LMS算法瞬态特性的影响。最后，在绘出不同步长因子情况的学习曲线图后，分析学习曲线在步长因子减小情况下的变化情况。目的是通过计算机仿真来研究输入到LMS滤波器的信号参数、步长因子对LMS算法性能的影响。因此在仿真实验中需要改变题目中的AR参数a和步长因子u，并对实验得到的权系数和均方误差的瞬态特性进行分析，来获得这些因素对LMS算法性能的影响情况。 三、实验环境 Windows7操作系统 Matlab2009b 四、实验目的 本实验将在给定的AR参数a、步长因子u的条件下进行AR信号LMS一步预测，进而来获得AR信号LMS一步预测的性能，并研究步长因子对LMS性能的影响情况，并进一步归纳出LMS算法的特点。 五、实验原理 最小均方算法又称LMS（Least-Mean-Square）算法，是由Widrow和Hoff共同提出来的，是随机梯度算法族中的一员。该算法的一个显著特点是它的简单性，即它不需要计算有关的相关函数，也不需要矩阵求逆运算。正是由于LMS算法的简单性，使得它成为其他线性自适应滤波算法的标准。 LMS算法是线性自适应滤波算法，它包含两个基本过程： 1）滤波过程 包括：（a）计算线性滤波器输出对输入信号的响应； （b）通过比较输出结果与期望响应产生估计误差。 2）自适应过程 根据估计误差自动调整滤波器参数。 下面简单简绍下LMS算法的基本步骤： 1、设置变量和参量： x(n)为输入向量，或称为训练样本 w(n)为权值向量 b(n)为偏差 d(n)为期望输出 y(n)为实