基于LMS算法自适应滤波器的Matlab仿真分析

基于LMS算法自适应滤波器的Matlab仿真分析1摘要：利用Matlab：（1）给出X（n）的图形（2）分别给出W(0)=[0,0]',u=0.1及W(0)=[4,-10],u=0.05时，a、LMS算法的权值随时间n变换的轨迹：W1(n)～n；W2(n)～nb、误差e(n)随时间变化的关系曲线：e(n)～n——点击此处阅读全文自适应横向滤波器有2个权值，输入随机信号v（n），样本间相互独立，一般用高斯白噪声代替，且功率为0.02，即E((r(n))^2)=0.02，信号周期N＝16个样点，试利用Matlab：（1）给出X（n）的图形（2）编程，分别给出W(0)=[0,0]',u=0.1及W(0)=[4,-10],u=0.05时，a、LMS算法的权值随时间n变换的轨迹：W1(n)～n；W2(n)～nb、误差e(n)随时间变化的关系曲线：e(n)～n源程序：%Author：Jeffrey%Myblog:当W(0)=[0,0]',u=0.1时候，把w1和w2以及u的值替换%DATE:2007年03月31日星期六15时45分49秒%%Eviroment:kernel:2.6.15-28-686%Matlab6.5clear;closeall;tic;w1=4*ones(1,1024);%w1=zeros(1,1024);w2=(-10)*ones(1,1024);%w2=zeros(1,1024);u=0.05;%u=0.1;forn=2:1024xn=sin(2*pi*n/16)+0.02*randn(1,1024);x1(n)=w1(n)*xn(n)+w2(n)*xn(n-1);e(n)=xn(n)-x1(n);w1(n+1)=w1(n)+2*u*e(n)*xn(n);w2(n+1)=w2(n)+2*u*e(n)*xn(n-1);endfigure(1)subplot(1,3,1);plot(xn);subplot(1,3,2);plot(w1,'r')holdonplot(w2,'k')holdoffsubplot(1,3,3)plot(e)toc基于LMS算法自适应滤波器的Matlab仿真分析2摘要：利用Matlab实现：（1）给出单次运算和200次运算的LMS算法学习曲线（2）给出单次运算和200次运算的权值随n变换曲线——点击此处阅读全文Author:JeffreySignal&InformationProccessingofGUETMyEmail：[e-mail]:64801518MyBlog：：2007年03月31日星期六15时45分49秒白噪声经过AR模型的输出作为LMS滤波器的输入，已知：a1=1.558；a2=-0.81；白噪声方差为1.0，均值为0；u＝0.002；利用Matlab实现：（1）给出单次运算和200次运算的LMS算法学习曲线（2）给出单次运算和200次运算的权值随n变换曲线源程序：%Author：Jeffrey%Myblog::2007年03月31日星期六15时45分49秒%Eviroment:kernel:2.6.15-28-686%Matlab6.5clearallcleartic;a1=1.558;a2=-0.81;b=1;e2=zeros(201,2048);w11=zeros(201,2048);w21=zeros(201,2048);u=zeros(201,2048);fork=1:200v=randn(1,2048);w1=zeros(1,2049);w2=zeros(1,2049);k1=0.002;forn=3:2048u(n)=v(n)+a1*u(n-1)+a2*u(n-2);y(n)=w1(n)*u(n-1)+w2(n)*u(n-2);e(n)=u(n)-y(n);e1(n)=e(n)*e(n);w1(n+1)=w1(n)+2*k1*e(n)*u(n-1);w2(n+1)=w2(n)+2*k1*e(n)*u(n-2);end;e2(k+1,:)=e1(1:2048)+e2(k,:);w11(k+1,:)=w1(1:2048)+w11(k,:);w21(k+1,:)=w2(1:2048)+w21(k,:);end;e3=e2(201,:)/200;w13=w11(201,:)/200;w22=w21(201,:)/200;figure(1)subplot(1,2,1)plot(e1,'r')holdonplot(e3,'k');holdoffsubplot(1,2,2)plot(w1,'m');holdonplot(w2,'y')plot(w13,'k');plot(w22,'r');holdofftoc仿真图片