QRD-LSL算法自适应均衡器实验.docVIP

QRD-LSL算法自适应均衡器实验 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，掌握QRD-LSL算法的计算过程，加深对QRD-LSL算法的理解，对教材中理论知识有直观印象。 2.研究QRD-LSL算法用于有失真线性信道的自适应均衡问题。 3.比较QRD-LSL算法和RLS算法学习曲线，研究阶递归算法的性能。 二、实验内容 1、自适应均衡器 图1 自适应均衡试验框图 如图1所示，系统中使用两个独立的随机数发生器，一个用来表示，用来测试信道。另一个用来表示，用来模拟接收器中加性白噪声的影响。序列是=的Bernoulli序列，随机变量具有零均值和单位方差。第二个序列具有零均值，其方差由实验中需要的信噪比决定。均衡器有11个抽头。信道的冲激响应定义为 （1） 其中，控制幅度失真的大小，因此也控制信道产生的特征值扩散度。将延迟7个样值之后的信道输入作为均衡器的期望响应。 2、QRD-LSL算法信号流图 图2 QRD-LSL滤波器算法信号流图 3、具体内容 (1)学习曲线 当信道参数取四种不同值（和3.5）时，QRD-LSL算法的学习曲线。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（即更新项）的平均值取集平均，得到每一条曲线。为了计算，我们对利用 （2） 可以得到： （3） 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。 变换因子 求得四种变换因子的集平均（对于最后一级）与迭代次数之间的关系，它对应前面指定的四种不同的特征值扩散度 (3)脉冲响应 画出经次迭代后自适应均衡器脉冲响应对四个特征值扩散度中每一个的集平均结果。 表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。由表可见，这些特征值扩散度范围为6.0782（W=2.9）到46.8216（W=3.5）。 表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 三、程序框图 图3 实验主要程序流程图 四、实验内容及结果分析 实验分为两个部分，以便改变特征值扩散度与步长参数，用来估计基于LMS算法的自适应均衡器的响应。 实验1：学习曲线 当信道参数取四种不同值（W=2.9、3.1、3.3和3.5）时QRD-LSL算法的学习曲线。通过对最终预测阶数M=10进行200次独立的试验，在对最后的先验估计误差（即新息项）的平方值取集平均，得到每一条曲线。 与之前实验所得到的RLS学习曲线相对比，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。 图4 QRD-LSL算法学习曲线 实验2：变换因子 图5 变换因子对于不同特征值扩散度的集平均 图5中画出的曲线通过对进行200次独立试验并取集平均获得。值得注意的是，在初始瞬态结束后，变换因子的集平均随时间的变化规律遵循以下所谓的逆定律（已被逼近证实） 对于和 实验3：脉冲响应 画出经n=500次迭代后自适应均衡器脉冲响应对于四个特征值扩散度的每一个的集平均结果。如前，实验中集平均通过200次独立试验得到。对于所有实际情况，QRD-LSL算法的结果很难与信道脉冲响应相应理论值区分。 (a) (b) (c) (d) 图6 不同特征值分布情况下自适应均衡器的集平均脉冲响应（(a). W=2.9,=6.0782 (b). W=3.1,=11.1238 (c). W=3.3,=21.7132 (d). W=3.5,=46.8216） 哈尔滨工业大学 1 参数初始化, 生成随机数序列 生成信道输出序列 产生均值为0，方差为的随机噪声 计算均衡器抽头及理想输出Y 调用QRD-LSL 算法过程 达到循环次数 更新权向量 是 否 信道脉冲响应h(n) 设定信道参数W（依次为2.9，3.1，3.3，3.5 ） 开 始 结 束 根据不同实验绘制各个实验曲线