用RLS算法实现自适应均衡器的MATLAB程序.docVIP

用RLS算法实现自适应均衡器的MATLAB程序 用RLS算法实现自适应均衡器的MATLAB程序 PAGE PAGEPAGE 7 用RLS算法实现自适应均衡器的MATLAB程序 用RLS算法实现自适应均衡器的MATLAB程序 考虑一个线性自适应均衡器的原理方框图如《现代数字信号处理导论》自适应均衡器应用示意图。随机数据产生双极性的随机序列x[n]，它随机地取+1和-1。随机信号通过一个信道传输，信道性质可由一个三系数FIR滤波器刻画，滤波器系数分别是，，。在信道输出加入方差为σ平方 高斯白噪声，设计一个有11个权系数的FIR结构的自适应均衡器，令均衡器的期望响应为x[n-7],选择几个合理的白噪声方差σ平方（不同信噪比），进行实验。 用RLS算法实现这个自适应均衡器，画出一次实验的误差平方的收敛曲线，给出最后设计滤波器系数。一次实验的训练序列长度为500。进行20次独立实验，画出误差平方的收敛曲线。给出3个步长值的比较。 仿真结果： 用RLS算法设计的自适应均衡器系数 序号 1 2 3 4 5 6 7 8 9 10 11 20次 1次 结果分析： 可以看到，RLS算法的收敛速度明显比LMS算法快，并且误差也比LMS算法小，但是当用更小的忘却因子时，单次实验结果明显变坏，当忘却因子趋于0时，LS算法也就是LMS算法。 附程序： 1. RLS法1次实验 % written in written by li*** clear; N=500; db=25; sh1=sqrt(10^(-db/10)); u=1; m=*sh1^2; error_s=0; for loop=1:1 w=zeros(1,11); p=1/m*eye(11,11); V=sh1*randn(1,N ); Z=randn(1,N); x=sign(Z); for n=3:N; M(n)=*x(n)+*x(n-1)+*x(n-2); end z=M+V; for n=8:N; d(n)=x(n-7); end for n=11:N; z1=[z(n) z(n-1) z(n-2) z(n-3) z(n-4) z(n-5) z(n-6) z(n-7) z(n-8) z(n-9) z(n-10)]; k=u^(-1).*p*z1./(1+u^(-1).*z1*p*z1); e(n)=d(n)-w*z1; w=w+k.*conj(e(n)); p=u^(-1).*p-u^(-1).*k*z1*p; y(n)=w*z1; e1(n)=d(n)-w*z1; end error_s=error_s+e.^2; end w error_s=error_s./1; n=1:N; plot(n,error_s); xlabel(n (忘却因子u=1;DB=25时)); ylabel(误差); title(RLS法1次实验误差平方的均值曲线 ); 2. RLS法20次实验 % written in written by li*** clear; N=500; db=25; sh1=sqrt(10^(-db/10)); u=1; m=*sh1^2; error_s=0; for loop=1:20 w=zeros(1,11); p=1/m*eye(11,11); V=sh1*randn(1,N ); Z=randn(1,N); x=sign(Z); for n=3:N; M(n)=*x(n)+*x(n-1)+*x(n-2); end z=M+V; for n=8:N; d(n)=x(n-7); end for n=11:N; z1=[z(n) z(n-1) z(n-2) z(n-3) z(n-4) z(n-5) z(n-6) z(n-7) z(n-8) z(n-9) z(n-10)]; k=u^(-1).*p*z1./(1+u^(-1).*z1*p*z1); e(n)=d(n)-w*z1; w=w+k.*conj(e(n)); p=u^(-1).*p-u^(-1).*k*z1*p; y(n)=w*z1; e1(n)=d(n)-w*z1; end error_s=error_s+e.^2; end w error_s=error_s./20; n=1:N; plot(n,error_s); xlabel(n (忘却因子u=1;DB=25时));