ADSP课程实验报告.docxVIP

实验一

信号模型

给定一个2阶自回归随机过程，信号模型为：

(1-1)

它是由单位方差的高斯白噪声鼓励一个线性移不变全极点系统产生的，该系统的两个极点为和，对应的滤波器参数和。现在分别用LSL自适应滤波器以及LMS自适应滤波器作为预测器，预测信号，从而得到对信号模型的两个参数的估计值和。

算法模型

2.1LMS自适应算法

LMS算法的最核心的思想是用平方误差代替均方误差，LMS算法的根本关系式为：

(1-2)

该式说明，LMS算法实际上是在每次迭代中使用粗略的梯度估计值来代替精确值。同时，有以下关系：

(1-3)

(1-4)

其中为输出，为输入，为权系数，为误差信号。

2.2LSL自适应算法

LSL自适应算法的计算流程总结如下：

初始化

(1-5)

这里，是前向后向预测误差剩余的初始值。

迭代计算〔按时间n=1,2,…〕

(1-6)

(1-7)

(1-8)

迭代计算〔按阶m=0,1,2,…M-1〕

(1-9)

(1-10)

(1-11)

(1-12)

(1-13)

(1-14)

同阶的嵌套着按时间进行迭代计算。各阶前向和后向反射系数可以分别由以下二公式计算：

(1-15)

(1-16)

M是给定滤波器的阶数。在本例中，可以推导出：

(1-17)

(1-18)

仿真结果与分析

在Matlab中将上一节信号模型及其参数估计计算过程转化为代码，仿真得出模型参数估计和在自适应过程中的收敛轨迹。仿真中迭代次数和滤波器阶数分别取为N=500、M=2。

图1-1：2阶自回归随机过程的取样序列

图1-2：LSL和LMS算法估计信号模型参数的性能比拟

图1-2是LSL和LMS算法估计信号模型参数的性能比拟〔，，〕。当阶数增大时，LSL和LMS算法计算得到的和相当逼近和。但从图中可以看出，LSL算法比LMS算法收敛得更快。

图1-3：初始预测误差剩余对LSL收敛性能的影响

图1-3是初始预测误差剩余对LSL收敛性能的影响，画的是对参数估计的收敛轨迹。可以看出，在=0.1和1时，收敛较快。不过，=0.1和1时收敛轨迹开始时有一个冲击。当=10时，收敛稍慢，但是冲击大大消弱。

程序源码

%%LSL自适应算法

clearall;

%%初始设定

M=2;%阶数

N=500;%迭代次数

delt=0.01;%前向和后向预测误差剩余的初始值

a1=1.558;a2=-0.81;%信号模型系数

w=randn(1,N+2);

color=rgb;

x(1)=0;x(2)=0.1;

forn=3:N+2

x(n)=a1*x(n-1)+a2*x(n-2)+w(n);%信号模型

end

%%初始化

fori=1:1:3

delt=10*delt;

Ef=zeros(N,M);

Delta=zeros(N,M+1);

e0b(1,1)=x(1);

e0f(1,1)=x(1);

Eb(1,1)=delt;

Ef(1,1)=delt;

gama(1,1)=1;

forn=2:N%按时间迭代

e0b(n,1)=x(n);

e0f(n,1)=x(n);

Eb(n,1)=Ef(n-1,1)+x(n)*x(n);

Ef(n,1)=Ef(n-1,1)+x(n)*x(n);

gama(n,1)=1;

form=1:M%按阶数迭代

e0b(1,m)=0;

Delta(1,m)=0;

gama(1,m)=1;

Ef(1,m)=delt;

Eb(1,m)=delt;

Delta(n,m+1)=Delta(n-1,m+1)+e0f(n,m)*e0b(n-1,m)/gama(n-1,m);

e0f(n,m+1)=e0f(n,m)-Delta(n,m+1)*e0b(n-1,m)/Eb(n-1,m);

e0b(n,m+1)=e0b(n-1,m)-Delta(n,m+1)*e0f(n,m)/Ef(n,m);

Ef(n,m+1)=Ef(n,m)-Delta(n,m+1)*Delta(n,m+1)/Eb(n-1,m);

Eb(n,m+1