MATLAB仿真实现LMS和RLS算法.pdfVIP

. MATLAB仿真实现LMS和RLS算法 题目： 序列 x(n)有 AR （2 ）模型产生：x(n) ax(n1) a x(n2) w(n) ，w(n)是均值为 1 2 a 1.4, a 0.7. 0 、方差为1 的高斯白噪声序列。 用LMS 算法和RLS 算法来估计模型参 1 2 数a , a 。 1 2 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u 值对LMS 算法以及λ值对RLS算法的影响。 解答： 1 数据模型 （1）高斯白噪声用用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。随后的产生的信号用题目中的AR （2)模型产生，激励源是之前产生的高斯白噪声。 （2 ）信号点数这里取为2000，用2000 个信号来估计滤波器系数。 （3 ）分别取 3 个不同的 u 、λ值来分析对不同算法对收敛效果的影响。其中 u=[0.001,0.003,0.006]，lam=[1,0.98,0.94]。 2 算法模型 2.1 自适应算法的基本原理 自适应算法的基本信号关系如下图所示： x(n) y(n) 参数可调数字滤波器 d(n) - e(n) + Σ 自适应算法 图 1 自适应滤波器框图 输入信号 x(n)通过参数可调的数字滤波器后产生输出信号 y(n)，将其与参考信号 d(n) 进行比较，形成误差信号e(n) 。e(n)通过某种自适应算法对滤波器参数进行调整，最终是e(n) 的均方值最小。当误差信号e(n) 的均方误差达到最小的时候，可以证明信号y(n)是信号d(n) 的最佳估计。 2.2 LMS 算法简介 LMS 算法采用平方误差最小的原则代替最小均方误差最小的原则，信号基本关系如下： 1 / 9. . N1  y(n)  w(n)x(ni) i 0 e(n) d(n) y(n) w(n1)w(n) 2e(n)x(ni) i i i(0,1,2,N1) 写成矩阵型式为： T y(n) W (n