LMS和RLS的自适应滤波器的应用仿真9.docVIP

湖南大学计算机与通信学院 课程作业2 题 目：基于LMS和RLS的自适应滤波器的应用仿真 基于LMS和RLS的自适应滤波器应用仿真 自适应滤波原理 自适应滤波器是指利用前一时刻的结果，自动调节当前时刻的滤波器参数，以适应信号和噪声未知或随机变化的特性，得到有效的输出，主要由参数可调的 数字滤波器和自适应算法两部分组成，如图1所示 图1 自适应滤波器原理图 x(n)称为输入信号，y(n)称为输出信号，d(n)称为期望信号或者训练信号，e(n)为误差僖号，其中，e(n)=d(n)-y(n).自适应滤波器的系数(权值)根据误差信号e(n)，通过一定的自适应算法不断的进行改变，以达到使输出信号y(n)最接近期望信号 图中参数可调的数字滤波器和自适应算法组成自适应滤波器。自适应滤波算法是滤波器系数权值更新的控制算法，根据输入信号与期望信号以及它们之间的误差信号，自适应滤波算法依据算法准则对滤波器的系数权值进行更新，使其能够使滤波器的输出趋向于期望信号。 原理 记数字滤波器脉冲响应为： h(k)=[h0(k) h1(k) … hn-1(k)]T 输入采样信号为： x(k)=[x(k) x(k-1) … x(k-n-1)] 误差信号为： 优化过程就是最小化性能指标J(k),它是误差的平方和： 求使J(k)最小的系数向量h(k),即使J(k)对h(k)的导数为零，也就是。把J(k)的表达式代入，得： 和 由此得出滤波器系数的最优向量： 这个表达式由输入信号自相关矩阵和输入信号与参考信号的相关矩阵组成，如下所示，维数都为（n,n）: 系数最优向量也可以写成如下形式： 自相关和互相关矩阵的递归表达式如下： 把的递归表达式代入系数向量表达式，得： 即 考虑到 可以记 用前面得到的表达式求出，并代入上式： 或 则滤波器系数的递归关系式可以记作 其中 e(k)表示先验误差。只因为它是由前一个采样时刻的系数算出的，在实际中，很多时候由于h(k)计算的复杂度而不能应用于实时控制。用δ,I代换，其中：δ为自适应梯度，I为辨识矩阵（n，n） 这时 这时就是一个最小均方准则问题。 RLS自适应滤波器的应用仿真 从噪声中提取信号 输入信号为： 其中b(k)是附加的白噪声。 应用于RLS自适应滤波器的算法可描述如下： 自适应增益行向量，大小（1，n）; 先验误差 自适应滤波器系数行向量，大小（1,n） 输入信号x(k)的自相关转制矩阵，大小（1,n） 自适应滤波输出 所研究的滤波器阶数为200，采样周期等于1ms. 程序清单如下： N=1000;采样频率 n=200;%滤波器阶数 k=12; Ts=1e-1 b=0.8*randn(1,N);%噪声信号，产生随机数 for i=1:N xr(1,i)=sin(k*2*pi*i/N);%原始信号 x(1,i)=xr(1,i)+b(i);%混合信号 end Cxx=10000*eye(n);%输入信号xr的自相关转制矩阵，大小（1,n），对角阵 g=zeros(N,n);% 自适应增益行向量，大小（1，n） h=zeros(N,n);% 自适应滤波器系数行向量，大小（1,n） e=zeros(1,N);% 先验误差 y=ze