设有一个随机信号服从AR(4)过程.doc

设有一个随机信号服从AR(4)过程，它是一宽带过程，参数如下： 我们通过观测方程来测量该信号，是方差为1的高斯白噪声，用LMS算法和RLS算法完成解决问题。用Matlab对此问题进行仿真，提交仿真程序、仿真结果和撰写报告。 解： 分析题意： 一个随机信号服从AR(4)过程，且滤波器系数为： a=[1 -1.352 1.338 -0.662 0.240]; 则可以由白噪声通过一个AR4阶的滤波器生成信号序列x(n)，然后x(n)在加上是方差为1的高斯白噪声得到，然后分别通过LMS算法和RLS算法分别对y(n)滤波得出得估计值。如下方框图： LMS自适应算法原理： 采用最陡下降算法：搜索方向为梯度负方向，每一步更新都使梯度函数值减小。 LMS算法：搜索方向为瞬时梯度负方向，不能保证每一步更新都是目标函数值减小，但总趋势使目标函数值减小。 RLS算法原理： 实际上为一种最小二乘算法，是用递推得方法求最小二乘解。 ： 实验程序 1．LMS算法 %---------------------------------- % 现代信号处理期末大作业之 % LMS算法 %-----JOSEPH WANG %-----Jan,5 2008 %---------------------------------- clc; clear all; close all; %white voice=wv %因为AR4阶模型的方差为1所以取高斯白噪声 wv=randn(150,1); %AR 系统系数 a=[1 -1.352 1.338 -0.662 0.240]; %由白噪声通过一个AR4阶的滤波器生成信号序列x(n) x=filter(1,a,wv); %figure(1) %freqz(x); %plot(x); %figure %pyulear(x,4); %再求Y(n)=X(n)+V(n) k1=length(x) y=x+randn(1,k1); %disp(y); %然后对Y(n)作LMS估计出X(n) %figure(2) %plot(y); %-------基本的LMS算法开始-------------- %-------学习步长固定为C=0.015---------- %初始化 mu=0.015%学习步长 %system order=10 k=10; w=zeros(1,k)%权系数设抽头数为10 N=150;%节点训练序列 error=zeros(1,N); %-----END INITAL %k=10; for i=k:N u=y(i:-1:i-k+1); %disp(u); %期望输出d(n)直接用滤波器的实际输出代替 %e=y(i)-w*u; z(i)=w*u; e=y(i)-w*u; %disp(e); %disp(u); w=w+(mu*e)*u; error(i)=error(i)+e.^2;%误差累积 end; %--------------------------------------- %disp(w); %disp(error); %------------------------------------------ %hold on; t=1:150; figure(3) plot(t,x(t)); hold on plot(t,z(t),r-); xlabel(n); ylabel(期望和通过LMS算法所得的估计); figure(4) %semilogy(error,r); %plot(10*log(error)); plot(error); legend(LMS算法1次实验误差平方的均值曲线); hold on; 2．RLS算法 %---------------------------------- % 现代信号处理期末大作业之 % RLS算法 %-----JOSEPH WANG %-----Jan,5 2008 %---------------------------------- clc; clear all; close all; %white voice=wv %因为AR4阶模型的方差为1所以取高斯白噪声 wv=randn(150,1); %AR 系统系数 a=[1 -1.352 1.338 -0.662 0.240]; %由白噪声通过一个AR4阶的滤波器生成信号序列x(n) x=filter(1,a,wv); %figure(1) %freqz(x); %plot(x); %plot(10*log(abs(fft(x))),g); %figure %pyulear