RLS自适应平衡器计算机实验.docxVIP

自适应信号处理

实验报告

课程名称：自适应信号处理

实验题目：RLS自适应平衡器实验

院系：

班级：

姓名：

学号：

指导教师：

时间：

哈尔滨工业大学

RLS实验——自适应平衡器计算机实验

一、实验目的

1、通过计算机实验对递归最小二乘自适应滤波器原理及其实现过程有更深刻的理解；

2、使用RLS算法设计线性色散通信信道的自适应均衡器；

3、通过仿真研究特征值扩散度和信噪比对RLS算法收敛性的影响；

4、比拟LMS算法和RLS算法的性能。

二、实验内容

1、实验模型

研究使用递归最小二乘算法〔RLS〕设计线性色散通信信道的自适应均衡器。其中假设数据都是实数。其系统框图如图1所示。

+

+

自适应横向滤波器

随机噪声发生器〔2〕

延迟

随机噪声发生器〔1〕

信道

图1自适应均衡实验的系统框图

图中，自适应横向滤波器用于纠正存在加性白噪声的信道的畸变。随机数发生器1产生用来探测信道的测试信号，随机数发生器2用于产生干扰信道输出的白噪声，两者独立。经过适当延迟，随机数发生器1提供用做训练序列的自适应均衡器的期望相应。

输入随机序列由伯努利序列组成，，具有零均值和单位方差。随机噪声发生器2产生的序列具有零均值，方差为。设信道的脉冲响应为升余弦函数，如式〔1〕所示：

〔1〕

其中，参数控制均衡器抽头输入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。

2、实验原理

〔1〕均衡器模型

设均衡器具有个抽头。首先求均衡器输入数据的相关矩阵。

在时刻，均衡器第1个抽头的输入为

〔2〕

那么有

〔3〕

〔4〕

〔5〕

〔6〕

其中由〔1〕式中参数决定。因为所有参数均为实数，故均衡器输入的11个抽头的自相关矩阵为一个对称的矩阵，有以下特殊结构所示：

〔7〕

表1给出了参数取不同值时，自相关矩阵的最小特征值和最大特征值以及特征扩散度相应的取值。

表1自适应均衡实验参数

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

〔2〕RLS算法过程

根据参考书籍，RLS算法的实现过程如下：

首先进行算法初始化：

〔8〕

〔9〕

其中为输入自相关矩阵的逆矩阵，即，为调整参数。

接下来，对于每一时刻，进行递推计算：

〔10〕

〔11〕

〔12〕

〔13〕

〔14〕

三、程序框图

根据实验原理，可得程序流程图如图2所示

图2实验程序流程图

四、实验结果及分析

实验分为两局部：第一局部为高信噪比的情况，第二局部为低信噪比的情况。两局部的调整参数都取，指数加权因子。

1、信噪比为30dB

〔1〕首先研究特征值扩散度对RLS的影响。将信噪比固定为30dB〔即方差等于0.001〕，改变特征值扩散度〔即改变参数的值〕，得到RLS算法的学习曲线。实验结果如图3所示。

图3不同特征值扩散度下自适应均衡器RLS算法的学习曲线〔30dB〕

从图3中可以看出，集平均均方误差的变化依赖于迭代次数，随着迭代次数的增加，平均均方误差值变小且趋于一个稳态值。在不同特征值扩散度下，学习曲线收敛的速率相差不大，都大约经过20次迭代即收敛。当特征值扩散度的变化范围变小〔即当值减小〕时，自适应均衡器的收敛到的稳态值和其浮动范围都变小。

〔2〕RLS算法与LMS算法对特征值扩散度的敏感性比拟。实验过程中，LMS算法步长。改变特征值扩散度〔即的值〕，观察两种算法的差异。图4和图5分别是当=6.0782〔即=2.9〕和=21.7132即〔=3.3〕时两种