您好,欢迎访问三七文档
+()dn()en()()ynNn()()xnyn'()Nn自适应干扰抵消原理图使用RLS自适应滤波器的自适应抵消1.自适应干扰抵消原理如图所示的是自适应干扰抵消器的基本结构,它有着很广泛的应用。期望响应()dn是信号和噪声之和,即()()()dnxnNn,自适应处理器的输入是与()Nn相关的另一个噪声'()Nn。当()xn与()Nn不相关时,自适应处理器将调整自己的参数,以力图使()yn成为()Nn的最佳估计()Nn。这样,()en将逼近信号()xn,且其均方值2()Een为最小。噪声()Nn就得到了一定程度的抵消。2.RLS算法RLS算法是FIR维纳滤波器的一种递归算法,它是严格以最小二乘方准则为依据的算法。FIR自适应滤波器除了LMS算法外,还有另一种算法,即自适应的递归最小二乘方(RLS)算法。这种算法实际上是FIR维纳滤波器的一种时间递归算法,它是严格以最小二乘方准则为依据的算法。它的主要优点是收敛速度快,因此,首先在快速信道均衡,实时系统辨识和时间序列分析中得到广泛应用。其主要缺点是每次迭代计算量很大(对于L阶横向滤波器,计算量数量级为2L),因此,在信号处理中它的应用曾一度收到限制。但是近年来人们重新对它产生了兴趣,主要是因为它具有收敛速度快的优点。在生物医学应用中,这种算法的自适应滤波器很容易在小型计算机上实现。RLS算法的关键是用二乘方的时间平均的最小化准则取代最小均方准则,并按时间迭代计算。具体来说,是要对初始时刻到当前时刻所有误差的平方进行平自适应处理器现代数字信号处理课程报告1020406080100120140160180200-4-3-2-101234输入自适应滤波器的理想信号(高丽)020406080100120140160180200-2-1.5-1-0.500.511.52原始噪声(高丽)01002003004005006007008009001000-4-3-2-101234噪声信号(高丽)均并使其最小化,在按照这一准则确定FIR滤波器的权系数矢量w,即所依据的准则是20()()minnknek其中()()()ekdkyk式中,()dk是期望响应,()yk是L阶FIR滤波器的输出相应,即()()()TTykkkwxxw3.实验结果选用正弦信号并加入噪声,然后用RLS自适应滤波器进行噪声抵消。实验结果如下现代数字信号处理课程报告2050100150200250300350400450500-4-3-2-101234原始信号和滤波后信号(高丽)原始信号滤波后信号从实验结果可看出RLS自适应滤波器对噪声抵消效果相对来说比较理想。4.总结:本文通过介绍自适应干扰抵消原理和RLS算法,进而用RLS自适应滤波器的自适应噪声抵消,实现了对RLS算法的仿真。参考文献:[1]姚天任、孙洪,《现代数字信号处理》[2]陈桂明,《应用MATLAB语言处理数字信号与数字图像》相关代码signal=sin(2*pi*0.055*[0:1000-1]');现代数字信号处理课程报告3plot(0:199,signal(1:200));grid;axis([0200-22]);title('原始噪声');nvar=1.0;noise=randn(1000,1)*nvar;plot(0:999,noise);title('噪声信号');grid;axis([01000-44]);nfilt=fir1(31,0.5);fnoise=filter(nfilt,1,noise);d=signal+fnoise;plot(0:199,d(1:200));grid;axis([0200-44]);title('输入自适应滤波器的理想信号');M=32;lam=1;delta=0.1;w0=zeros(M,1);P0=(1/delta)*eye(M,M);Zi=zeros(M-1,1);Hadapt=adaptfilt.rls(M,lam,P0,w0,Zi);Hadapt.PersistentMemory=true;[y,e]=filter(Hadapt,noise,d);H=abs(freqz(Hadapt,1,64));H1=abs(freqz(nfilt,1,64));plot(0:499,signal(1:500),0:499,e(1:500));grid;axis([0500-44]);title('原始信号和滤波后信号');legend('原始信号','滤波后信号');
本文标题:RLS算法实现
链接地址:https://www.777doc.com/doc-5197034 .html