均衡中的RLS,LMS算法代码.doc

发布时间：2022-06-09 发布人：admin 分类：说明书资料大小：0.23M 资料格式：doc 举报版权申诉

fangmuren-3671633-4744300845382887935.doc.pdf-第1页.png

第1页 / 共7页

fangmuren-3671633-4744300845382887935.doc.pdf-第2页.png

第2页 / 共7页

fangmuren-3671633-4744300845382887935.doc.pdf-第3页.png

第3页 / 共7页

fangmuren-3671633-4744300845382887935.doc.pdf-第4页.png

第4页 / 共7页

fangmuren-3671633-4744300845382887935.doc.pdf-第5页.png

第5页 / 共7页

fangmuren-3671633-4744300845382887935.doc.pdf-第6页.png

第6页 / 共7页

fangmuren-3671633-4744300845382887935.doc.pdf-第7页.png

第7页 / 共7页

自适应滤波：LMS、Kalman算法仿真

LMS 算法源程序： %channel system order sysorder = 5 ; % Number of system points N=2000; inp = randn(N,1); n = randn(N,1); [b,a] = butter(2,0.25); Gz = tf(b,a,-1); %This function is submitted to make inverse Z-transform (Matlab central file exchange) %The first sysorder weight value %h=ldiv(b,a,sysorder)'; % if you use ldiv this will give h :filter weights to be h= [0.0976; 0.2873; 0.3360; 0.2210; 0.0964;]; y = lsim(Gz,inp); %add some noise n = n * std(y)/(10*std(n)); d = y + n; totallength=size(d,1); %Take 60 points for training N=60 ; %begin of algorithm w = zeros ( sysorder , 1 ) ; for n = sysorder : N u = inp(n:-1:n-sysorder+1) ; y(n)= w' * u; e(n) = d(n) - y(n) ; % Start with big mu for speeding the convergence then slow down to reach the correct weights if n < 20 mu=0.32; else mu=0.15; end w = w + mu * u * e(n) ; end %check of results for n = N+1 : totallength u = inp(n:-1:n-sysorder+1) ; y(n) = w' * u ; e(n) = d(n) - y(n) ; end

hold on plot(d) plot(y,'r'); title('System output') ; xlabel('Samples') ylabel('True and estimated output') figure semilogy((abs(e))) ; title('Error curve') ; xlabel('Samples') ylabel('Error value') figure plot(h, 'k+') hold on plot(w, 'r*') legend('Actual weights','Estimated weights') title('Comparison of the actual weights and the estimated weights') ; axis([0 6 0.05 0.35])

RLS 算法源程序： randn('seed', 0) ; rand('seed', 0) ; NoOfData = 8000 ; % Set no of data points used for training Order = 32 ; % Set the adaptive filter order Lambda = 0.98 ; % Set the forgetting factor Delta = 0.001 ; % R initialized to Delta*I x = randn(NoOfData, 1) ;% Input assumed to be white h = rand(Order, 1) ; % System picked randomly d = filter(h, 1, x) ; % Generate output (desired signal) % Initialize RLS P = Delta * eye ( Order, Order ) ; w = zeros ( Order, 1 ) ; % RLS Adaptation for n = Order : NoOfData ; u = x(n:-1:n-Order+1) ; pi_ = u' * P ; k = Lambda + pi_ * u ; K = pi_'/k; e(n) = d(n) - w' * u ; w = w + K * e(n) ; PPrime = K * pi_ ; P = ( P - PPrime ) / Lambda ; w_err(n) = norm(h - w) ; end ; % Plot results figure ; plot(20*log10(abs(e))) ; title('Learning Curve') ; xlabel('Iteration Number') ; ylabel('Output Estimation Error in dB') ; figure ; semilogy(w_err) ; title('Weight Estimation Error') ; xlabel('Iteration Number') ; ylabel('Weight Error in dB') ;

自适应滤波：LMS、Kalman 算法仿真给正在学习自适应滤波的 tx 二个自己写的自适应滤波的仿真程序，一个事 LMS 算法，另一个是 Kalman 算法。希望这个仿真程序能帮助大家理解 LMS、Kalman 算法的迭代过程，以及算法的性能。有详细注释，希望对大家的学习有所帮助。 LMS 给出程序，但由于论坛每个主题字数限制，Kalman 和 LMS 算法的 matlab 程序打包给出。其中给出的仿真曲线图的参数可以修改，图片所示的曲线的参数设置与程序中给出的可能并不一致，大家可以尝试着修改，以理解这些参数对学习曲线收敛的影响。 ============LMS 算法=============== clear all close all clc a1 = -0.195; a2 = 0.95; u = 0.05; %步长因子 N = 2; %滤波器阶数 N1 = 1000;%数据总长 N2 = 512;%截取长度 K = 100;%独立实验次数 var_v = 0.0961;%噪声方差 M1 = 0;%理论失调参数 M2 = 0;%计算失调参数 p1 = 0.9; p2 = 1.1; u1 = zeros(1,N1); u2 = zeros(1,N2); Jn_aver = zeros(1,N2); W = zeros(1,N); J = 0; for i = 1:K v = sqrt(var_v)*randn(1,N1); %=======产生数据========= for m = 1:N1-2 u1(m+2) = -a1*u1(m+1)-a2*u1(m)+v(m); end u2 = u1(N1-N2+1:N1);%取后 N2 个稳定值 %=========估计权向量============ w = zeros(1,N);%初始化权向量 w(0)=w(1)=0 err = 0;%估计误差 d = 0;%期望信号

u3 = zeros(1,N);%输入向量初始化 u4 = [zeros(1,N) u2]; Jn = zeros(1,N2); for n = 1:N2 w = w+u*u3*conj(err);%权向量的更新 u3 = u4(n+N-1:-1:n);%更新输入向量 u3 = [u4(n+1) u4(n)] d = conj(w)*(u3.');%期望信号估计 err = u4(n+2)-d;%估计误差 Jn(n) = (abs(err)).^2;%均方误差 end Jn_aver = Jn_aver+Jn; W = W+w; end EJex_inf = u*var_v*(p1+p2)/(2-u*(p1+p2))%剩余均方误差统计平均值 E[Jex(inf)] M1 = EJex_inf/var_v%计算理论失调 W = W./K%权向量 Jn_aver = Jn_aver./K; Jex_n = Jn_aver(N2)-var_v%n 次迭代后的剩余均方误差值 M2 = Jex_n/var_v%n 次迭代后的失调 plot(Jn_aver); title(['LP(2)LMS 学习曲线 u=0.05, w=',num2str(W)]) grid on xlabel('n/迭代次数'); ylabel('E[Jn(n)]'); axis([1 512 0 1.5]);

分享到：

赞收藏

资料库

均衡中的RLS,LMS算法代码.doc

相关推荐

课程资源

热门标签

最新资料