RLS算法的自适应滤波器MATLAB仿真作业.docxVIP

T-1 T -1 RLS 自适应滤波器仿真作业 工程 1 班 220150820  王子豪 1. 步骤 1) 令 h  M  (-1)=0，计算滤波器的输出 d(n)=X  M  =h  M  (n-1)； 2) 计算误差值 eM(n)=d(n)-d(n,n-1)； 3) 计算 Kalman 增益向量 K  M (n)； 4) 更新矩阵的逆 R M (N)=PM(N)； 5) 计算 h  M (n)=h  M (n-1)+K  M (n)eM (n)； 2. 仿真 RLS 中取 T (-1)=10，λ=1 及 λ= 0.98； 信号源 x(n)与之前 LMS 算法仿真不变，对自适应滤波器采用 RLS 算法。通 过对比不同遗忘因子 λ 的情况下 RLS 的误差收敛情况。取 λ=0.98 和 λ=1 两种 情况下的性能曲线如图 1 所示。 其系数收敛情况如图 2 所示。 图 1 不同 λ 值下的 RLS 算法性能曲线（100 次实验平均） 图 2 不同 λ 值下的 RLS 算法系数收敛情况（100 次实验平均） 3. 结果分析 RLS 算法在算法的稳态阶段、即算法的后期收敛阶段其性能和 LMS 算法相 差不明显。但在算法的前期收敛段，RLS 算法的收敛速度要明显高于 LMS 算 法。但是 RLS 算法复杂度高，计算量比较大。 遗忘因子 λ 越小，系统的跟踪能力越强，同时对噪声越敏感；其值越大， 系统跟踪能力减弱，但对噪声不敏感，收敛时估计误差也越小。 4. Matlab 程序 clear; clc; N=2048; %信号的取样点数 M=2;%滤波器抽头的个数 iter=500;%迭代次数 %初始化 X_A=zeros(M,1); %X 数据向量 y=zeros(1,N); %预测输出 err=zeros(1,iter); %误差向量 errp=zeros(1,iter); %平均误差 wR=zeros(M,iter); %每一行代表一次迭代滤波器的 M 个抽头参数 T=eye(M,M)*10; %RLS 算法下 T 参数的初始化，T 初始值为 10 X=zeros(1,M); lamuta=0.98 ; %遗忘因子 for j=1:100 ex=randn(1,N); %噪声信号 e(n) x=filter(1,[1,-1.6,0.8],ex);%经过系统 H(Z)之后输出 x d=x; %参考信号 for k=(M+1):iter-1 X=x(k-1:-1:k-M); K=(T*X)/(lamuta+X*T*X); %k 时刻增益值 e1=x(k)-wR(:,k-1)*X; wR(:,k)=wR(:,k-1)+K*e1; %k 时刻权值 y(k)=wR(:,k)*X; err(k)=x(k)-y(k); T=(T-K*X*T)/lamuta; %k 时刻的维纳解 end errp=errp+err.^2; end errp=errp/100; figure(1); subplot(2,1,i); plot(errp) ; title([100 次平均得到的性能曲线，λ=,num2str(lamuta_v(i))]) ; learn1=wR(1,1:iter-1); learn2=wR(2,1:iter-1); figure(2); subplot(1,2,1; plot(learn1); title(λ=0.98时 a1 的学习曲线); subplot(1,2,2); plot(learn2); title(λ=0.98 时 a2 的学习曲线);