哈工大-自适应信号处理_QRD-LSL自适应平衡器计算机实验.docVIP

2-

自适应平衡器计算机实验

PAGE1

HarbinInstituteofTechnology

QRD-LSL自适应平衡器计算机实验

课程名称：自适应信号处理

院系：电子与信息工程学院

姓名：

学号：

授课教师：邹斌

哈尔滨工业大学

目录

TOC\o1-3\h\z\u一.实验目的 1

二.实验内容 1

2.1参数设置及试验框架 1

2.2QRD-LSL算法的步骤 3

三.程序框图 5

四.实验结果及分析 6

4.1学习曲线 6

4.2变换因子 6

4.3脉冲响应 7

五.实验结论 8

1-

一.实验目的

1.掌握QRD-LSL算法的基本原理及性能分析的方法。

2.深入理解QRD-LSL算法在自适应滤波中的应用条件。

3.研究QRD-LSL算法的收敛特性，分析比较它与RLS算法的区别。

4进一步理解QRD-LSL算法的优越性，加深对课堂知识的理解。

二.实验内容

2.1参数设置及试验框架

在本次试验中我们利用QRD-LSL算法来解决有失真线性信道的自适应均衡问题。试验中所采用的系统框图如图2.1所示。随机数发生器（1）产生用来探测信道的测试信号，加到信道输入的随机序列由伯努利序列组成，，随机变量具有零均值和单位方差,输出经过适当的延迟可以用做训练系列的自适应滤波器的期望响应。随机数发生器（2）用来产生干扰信道输出的白噪声源，其均值为零，方差。这两个发生器是彼此独立的。信道的单位脉冲响应应用升余弦表示为

(2-1)

参数控制均衡器抽头输入的相关矩阵的特征值分布，并且特征值分布随着的增大而扩大。

图2.1自适应均衡实验框图

均衡器具有个抽头。由于信道的脉冲响应关于时对称，均衡器的最优抽头权值在时对称。因此，信道的输入被延时了个样值，以便提供均衡器的期望响应。

在时刻，均衡器第1个抽头输入为

(2-2)

其中所有参数均为实数。因此，均衡器输入的11个抽头相关矩阵是一个对称的矩阵。此外，因为其脉冲响应仅当时是非零的，且噪声过程是零均值、方差为的白噪声，因此相关矩阵是主对角线的，即矩阵除了在主对角线及其上下紧密相邻的两条对角线上的元素外都是零，用矩阵形式可以表示为：

(2-3)

其中

方差为。因此由赋予式(2-1)的参数W的值来确定。

表2.1自适应均衡实验参数小结

2.9

3.1

3.3

3.5

1.0963

1.1568

1.2264

1.3022

0.4388

0.5596

0.6729

0.7774

0.0481

0.0783

0.1132

0.1511

0.3339

0.2136

0.1256

0.0656

2.0295

2.3761

2.7263

3.0707

6.0782

11.1238

21.7132

46.8216

表2.1中列出：(1)自相关函数的值；(2)最小特征值，最大特征值，特征值扩散度。

2.2QRD-LSL算法的步骤

酉旋转

其中

其中

2、计算

(a)预测：对每个时间，对每个预测阶，重复进行如下计算:

(b)滤波：对每个时间，对每个预测阶，重复进行如下计算:

3、初始化

(a)附加参数初始化：对于每个预测阶，设置对于每个预测阶，设置

(b)软限制初始化：对于每个预测阶，设置,其中是一个小正数

(c)数据初始化：对于每个时间，计算，，其中和分别为时间的输入和理想输出。

预测阶数设置为：；归一化参数设置为：

QRD-LSL滤波器算法流程如图1所示：

三.程序框图

3.1自适应均衡实验程序框图

四.实验结果及分析

4.1学习曲线

通过对最终预测阶数进行200次独立的试验，再对最后的先验估计误差的平方值取集平均，得到每一条曲线。为了计算，对于m=M+1有：

其中，为角度归一化联合过程估计误差的最终值，为相关的变换因子。对于每一个特征值扩散度，一旦初始化完成，QRD-LSL算法与RLS算法的学习曲线的路径实际上是相同的。信道参数取四种不同值（W=2.9、3.1、3.3、3.5）时，对应的QRD-LSL算法的学习曲线如图4.1所示（在初始化阶段，计算新息项时没有考虑变换因子固有的瞬态变化的影响）。

4.1自适应均衡实验中的QRD-LSL算法学习曲线

4.2变换因子

图4.2画出的曲线是通过对进行200次独立试验并取集平均获得，为四种变换因子的集平均与迭代次