adsp_华科实验报告材料——Lms算法.pdf

实用标准文案 现代数字信号处理实验报告 院系： 精彩文档 实用标准文案 班级： 姓名/ 学号： 题目一 题目： 按照课本第三章 63 页的要求，仿真实现 LMS 算法和 RLS 算法，比较两种 算法的权值收敛速度，并对比不同λ值对 RLS 算法的影响。 解答： 1.1 数据模型 （1）均值为 0、方差为 1 的白噪声信号：用 randn 函数产生均值为 0 、方 差为 1 的标准正态分布随机矩阵来实现。 根据 a1=-1.6, a2=0.8 ，x(n)+a1*x(n-1)+a2*x(n-2)=e(n); 来生成正 真的 x(n) 序列，其中 e(n) 表示的是噪声信号。 （2 ）信号点数这里取为 1000 ，用 1000 个信号来估计滤波器系数。 分别用 LMS,RLS 算法来实现，并通过信号点来反映自适应权系数的过度过程，以此来 比较。 精彩文档 实用标准文案 （3 ）分别取 4 个不同的λ值来分析 RLS 算法对收敛效果的影响。其中 lambda=[1,0.98,0.96,0.94] 。 1.2 算法模型 1.2.1 LMS 算法模型 for i=3:1:N %权系数迭代 N 次 W=W+2*u*X*e(i-1); %LMS 算法的权系数迭代公式 X=[x(i-1) x(i-2)]'; %LMS 算法中输入信号矢量的递推 e(i)=x(i)-W'*X; a1L(i)=-W(1); %LMS 算法中权系数 a1 的提取 end LMS 算法最核心的思想是用平方误差代替均方误差，每次迭代中使用很粗 略的梯度估计值来代替精确的梯度值， 因而权系数的调整过程是有噪声的， w 不 再是确定性函数而变成了随机变量， 当迭代过程收敛后， 权矢量将在最佳权矢量 附近随机起伏。 1.2.2 RLS 算法模型 for i=3:1:N X=[x(i-1),x(i-2)]'; Rxx= lbda*Rxx+ X*X'; %迭代公式中自相关矩阵的计算 e=x(i)-W'*X; %输出信号误差 e(n\n-1) W=W+inv(Rxx)*X*e; %RLS 算法的权系数迭代公式 a1R(i)=-W(1); %LMS 算法中权系数 a1 的提取 end ; 精彩文档 实用标准文案 RLS算法的关键是用二乘方的时间平均的最小化准则取代最小均方准则， 并 按时间进行迭代计算。 对于非平稳随机输入信号引入一个加权因子对 i 时刻的误 差值进行修正，由于加权因子取值范围从 0~1 ，因此时间越久远的数据对误差 的贡献就越小。其最大的特点是收敛速度快，但每次的迭代计算量大。 1.3 仿真过程简介 仿真过程按照如下过程进行 (1)信号产生：首先产生高斯白噪声序列 Noise(n) ，Noise=randn(1,n); 然 后通过一个简单的二阶自回归滤波器生成信号 x( n) ，该滤波器 a1=-1.6,a2=0.8 。 头两个可以表达出来 x(1)=Noice(1);x(2)=Noise(2)-a2*x(1); 由 x(n)=Noise(n)-a1*x(n-1)-a2*x(n-2); 从而生成序列。 （2 ）将步骤一生成的信号通过 LMS 和 RLS