自适应LMS算法及其应用.docxVIP

自适应 LMS 算法及其应用 本实验通过一个二阶自回归过程来研究实时数据集平均对 LMS 算法的影响，AR 模型的差分方程为：u(n)+a1x(n-1)+a2x(n-2)=v(n) 其中a1=1.558;a2=-0.81; v(n)是零均值方差为的白噪声； 图1为ＡＲ模型及其二阶自适应线性预测模型，根据LMS算法的基本步骤可以写出该算法的matlab程序如下： clear close all clc a1=1.588; a2=-0.81; u=0.001; N=1024; G=100; e=zeros(1,N); w1=zeros(1,N+1); w2=zeros(1,N+1); y=zeros(1,N); ee=zeros(1,N);%每个点的误差平方ep=zeros(1,N);%每个点的误差平方累积eq=zeros(1,N);%每个点的100次误差平方均值w11=zeros(1,N+1);%w1权值的累积w22=zeros(1,N+1);%w2权值的累积 for g=1:G v=randn(1,N); x(1)=v(1); x(2)=x(1)*a1+v(2); for n=3:N x(n)=a1*x(n-1)+a2*x(n-2)+v(n); end figure(1) plot(x) title(输入信号x) for n=3:N y(n)=w1(n)*x(n-1)+w2(n)*x(n-2); e(n)=x(n)-y(n); w1(n+1)=w1(n)+2*u*e(n)*x(n-1); w2(n+1)=w2(n)+2*u*e(n)*x(n-2); ee(n)=e(n)^2; end end  w11=w1+w11; w22=w2+w22; ep=ep+ee; eq=ep/G; W1=w11/G; W2=w22/G; figure(2) subplot(2,1,1) plot(w1) hold on subplot(2,1,2) plot(W1) hold on subplot(2,1,1) plot(w2,r) title(w1与w2的收敛曲线,u=0.004) hold on subplot(2,1,2) plot(W2,r); title(100次平均后w1与w2的收敛曲线,u=0.004) figure(3) subplot(2,1,1) plot(e) title(误差曲线（学习曲线）u=0.004) subplot(2,1,2) plot(eq) title(100次平均误差曲线（学习曲线）u=0.004) 下面对结果进行分析： 图3为w1与w2的收敛曲线，比较平滑的为100次平均求得的收敛曲线，而另外一种起伏较大的为单次实现的收敛曲线，权初值为0。 输入信号x 图2 图2 输入信号x（n） 510 5 。-5 。 012w1与w2的收敛曲线 0 1 2 1心产~六勺也夕尸 1 。1 。 200 400 。  16 00 |.....节 1 讨~ 于 800 1000 1200 2100次平均后w1与w2的 收敛曲线 2 1 平．－．一－－ 1 。。.＼～———-· 。 。 ＿1 200 400 16 00 800 1000 1200 图3 w1与w2的收敛曲线 （u=0.004） 图4为初始权值为0，u=0.004时的误差曲线，即所谓的学习曲线，收敛速度较快的为100次集平均学习曲线，而起伏较大的为单次实现的学习曲线. 4261误差曲线（学习曲线）u= 0.004 4 2 61 。024200 400 16 00 800 1000 。 0 2 4平均误差曲线（学习曲线）u= 0_ 0 8 61 1 1200 。420200 400 16 00 800 1000 1200 。 4 2 0 图4 平方误差曲线（学习曲线）u=0.004 2修改u值，则实验结果如下(u=0.001)： 2 。1..-. 。 1 。 w1与w2的收敛曲线，u= 0.001 产＿＿才一～勹--～－_＿＿--－ 产 21 2 1o 广～ 1 。 200 400 600 800 1000 100次平均后w1与w2的 收敛曲线，u= 0.001 一－－— 1200 1 200 400 16 00 800 1000 1200 图5 w1与w2的收敛曲线 （u=0.001） 10 5。 5 -5。 10  误差曲线（学习曲线）u＝01 _001 200 400 16 00 800 1000 1200 100次平均误差曲线（学习曲线）u= 0_001 8 16 4 。2 。 。 200 400 16 00 800 1000 1200 图6 平方误差曲线（学习曲线）u=0.001 由以上分析可知，当收敛步长u值变