近代信号处理(报告).pptVIP

权系数更新： 最终得： 式中先验误差： 最后更新代价函数：  LMS算法仿真结果 不同收敛因子的实验结果对比 采样点数N=512，滤波器阶数k=64，同等条件下试验次数g=100，再对结果求平均。收敛因子分别为u=0.001，u=0.005，u=0.01，u=0.04。 目标信号和输入信号：  输出波形： 均方误差波形： 结果分析： 收敛因子u决定了信号收敛的速度和输出波形的调整时间。 当u取值在收敛范围内时，从不同u值的输出波形可以看出，u值越小，输出波形的调整时间越长，u值越大，输出波形调整时间越短，较快达到平稳状态，但是波形的平滑度有所降低；从均方误差波形对比可以看出，u值越大，收敛速度越快。理论上来说，0 μ 2/λmax ，λmax是输入信号自相关矩阵的最大特征值。当u=0.04时，无法实现正常滤波，均方误差不再收敛。 不同滤波器阶数的实验结果对比 采样点数N=512，收敛因子u=0.005，同等条件下试验次数g=100，再对结果求平均。滤波器阶数分别取k=10，k=30，k=64。 输出波形： k=10 k=30 k=64 均方误差波形： 在不同k值时，取三个不同的u值，分别为u=0.001，u=0.005，u=0.01 k=10 k=30 均方误差波形： k=64 结果分析： 由输出波形对比图可知，当k=10时，滤波效果较差，输出信号中所含杂波成分较多，波形也不够平滑；k=30时效果有所改善，但是依然不够好；当k=64时，效果较好，整体波形比较平滑。由此可以得出，在其他实验条件相同的情况下，随着滤波阶数增多，滤波效果会更好。 由均方误差波形对比图可知，当u取相同值的情况（相同颜色的曲线）下，在k=10时，输出波形尚未收敛，随着k值变大（k=30,k=64），均方误差收敛速度变快。 RLS算法仿真结果 不同遗忘因子的实验结果对比 分别取遗忘因子 ， ， 三种情况进行分析，输入的期望信号为非平稳信号 输入信号和噪声： 输出信号与目标信号： 不同收敛因子的输出信号： 不同收敛因子的误差信号： 结果分析： 从以上实验结果可以分析得出，随着遗忘因子的增大，收敛情况越好，由于不同遗忘因子仿真的幅值不同，导致在图中看的不明显，但还是可以看出较大是均方误差。就对输入信号的追踪效果而言，图2所示的参考信号和期望信号的匹配效果来看，也比较理想。且当迭代次数达到350次的时候基本趋于稳定。 RLS与LMS算法对比分析 输入信号： 对比参数选取： RLS算法的遗忘因子 ，LMS算法步长 对比结果图 对比参数选取： RLS算法的遗忘因子 ，LMS算法步长 同时增大遗忘因子和步长 对比结果分析 1、在 和 值相当的情况下，RLS算法比LMS算法具有更快的收敛。开始RLS的收敛速度比较快，而LMS算法开始比较慢,LMS算法耗时为0.00753s，而RLS算法耗时却为0.034347s,RLS算法花费了更多的时间,说明RLS算法需要更多计算量,所花费的时间也更多。 2、继续增大两种算法的收敛因子和遗忘因子的值，发现LMS算法对输入信号的追踪效果变差，而RLS算法却有更好的适应性 RLS算法与LMS算法收敛性能对比研究分析 报告人：徐辉 2014年6月 5日  目录 问题描述 算法 仿真实现和分析 自适应均衡算法 总结  分配 徐辉：负责RLS算法理论及结果分析 汪朝林：负责RLS算法实验仿真 陈超：负责LMS算法理论及结果分析 王含章：负责LMS算法实验仿真 小组集体：完成RLS算法和LMS算法对比实验分析 小组课程报告分工  问题描述 本文主要针对LMS算法和RLS算法进行对比研究，在分析各自算法原理的基础上，对两种算法的收敛性能对、信号的追踪效果以及计算复杂度进行比分析，研究影响各自收敛性因子对其收敛性的影响。  自适应横向滤波原理 原理图 公式描述 输入矢量： 加权矢量： 相应估计： 估计误差： LMS算法 原理 LMS自适应滤波器是使滤波器的输出信号与期望响应之间的误差的均方值最小。在最陡下降法中，先设置一个 初值 ，沿着 的负梯度方向调整系数使性能函数的最优向量递归： 其中 为 的梯度， 是步长常量，它决定了算法的稳定性和收敛速度。要计算精确的 ，要求输入信号 和 平稳且二阶统计特性已知。为了减少计算量，在最陡下降法的公式中用梯度估计