通信工程課程設(shè)計(jì)-自適應(yīng)通信系統(tǒng)辨識(shí)的仿真設(shè)計(jì)(存儲(chǔ)版)
【正文】 se all。for m=1:8 psk(m)=cos(11*pi/8(m1)*pi/4)+i*sin(11*pi/8(m1)*pi/4)。% LMS algorithmU=[ ]39。,t,abs(Wpsk(2,:,1)),39。W39。,4)。),ylabel(39。,4)。w339。subplot(2,2,3)。)。plot(t(1:300),abs(Wpsk(1,1:300,4)),39。title(39。h=[1 ]。y=awgn(y,a,39。figure(1)。xlabel(39。w239。)。)。xlabel(39。legend(39。k39。μ=39。),ylabel(39。,4)。 ●加入高斯白噪聲時(shí)程序運(yùn)行后所得到的圖形：圖 ＝圖 . 不同μ下的w3收斂曲線圖，可以看出輸出信號(hào)經(jīng)過一段時(shí)間基本達(dá)到跟蹤，說明當(dāng)輸入信號(hào)為0～1均勻分布的隨機(jī)信號(hào)加上高斯白噪聲時(shí)采用LMS算法對(duì)濾波的效果很好。曲線的收斂速度明顯加快，此時(shí)在大約迭代到第10次時(shí)有很明顯的振蕩現(xiàn)象但最終還是收斂了?！癞?dāng)輸入信號(hào)為正弦信號(hào)時(shí)，采用LMS算法，迭代1000次后，但最終并未收斂到真實(shí)值，不能得到一個(gè)精確的收斂時(shí)刻。因此，說明了合理地對(duì)μ進(jìn)行取值將直接影響到LMS算法性能的優(yōu)劣。 步長(zhǎng) 對(duì)輸入信號(hào)為01之間均勻分布的隨機(jī)信號(hào) 步長(zhǎng)變小： ， ： μ＝，迭代1000次后，三個(gè)系數(shù)直到在迭代到第1000次時(shí)才直接收斂到真實(shí)值，收斂速度慢。（d）中μ的取值由于超過了1/λmax，所以導(dǎo)致了曲線的發(fā)散。legend(39。xlabel(39。)。)。(b)39。39。title(39。plot(t(1:300),abs(Wpsk(1,1:300,1)),39。w139。39。*x1(m:m1+3))*x1(m:m1+3)。 % output x1=x39。 輸入信號(hào)選用正弦信號(hào)時(shí)的LMS算法程序設(shè)計(jì)該程序設(shè)計(jì)可分為以下幾步：1．產(chǎn)生發(fā)射源信號(hào) ● 為正弦信號(hào) 2．產(chǎn)生接收信號(hào) 1）將產(chǎn)生發(fā)射源信號(hào)與系統(tǒng)濾波器系數(shù)進(jìn)行卷積運(yùn)算 在MatLab中可采用conv函數(shù)，如： conv(u, w) 2）再將卷積運(yùn)算后的信號(hào)加上高斯白噪聲 在MatLab中可采用awgn函數(shù)，如： awgn(y, 30) 3. 對(duì)LMS算法的參數(shù)進(jìn)行設(shè)定 1）首先選用合適的步長(zhǎng)， 2）確定濾波器初值=[0, 0, 0]T 4. LMS算法對(duì)以下步驟不斷進(jìn)行迭代：1）=，其中=[, , ] 2）計(jì)算誤差信號(hào)=3）4）=+1, 回到步驟1） 5. 畫出關(guān)于迭代次數(shù)的曲線在Matlab中可選用plot函數(shù)●輸入為正弦信號(hào)時(shí)的LMS算法源代碼：clear all。w339。,4)。),ylabel(39。μ=39。k39。legend(39。xlabel(39。,39。k39。plot(t,abs(Wpsk(1,:,1)),39。measured39。 x(n)m/8 xpsktemp(n)=m。 輸入信號(hào)為01之間均勻分布的隨機(jī)信號(hào)，調(diào)制方式采用8PSK的 LMS算法程序設(shè)計(jì)。具體收斂條件可由下面的式子分析得出：；；；；，可以以得出收斂條件 及 其中 是輸入相關(guān)矩陣從而最終可以推出權(quán)系數(shù)迭代的LMS算法為： （4） ，即 （1）其中將式（19）代入（18）后得 （20）注意到以下恒等式及關(guān)系式：（1） （21a）（2） （21b）（3） 假定所有的對(duì)角元素的值均小于1（這可以通過適當(dāng)選擇實(shí)現(xiàn)），則 (21c) （4） (21d)將式（21a）~（21d）代入（20），結(jié)果有 （22） 由此可見，當(dāng)?shù)螖?shù)無(wú)限增加時(shí)，權(quán)系數(shù)向量的數(shù)學(xué)期望值可以收斂至Wiener解，其條件是對(duì)角陣的所有對(duì)角元素均小于1，即 或 （23） 其中是的最大特征值。這種算法的根據(jù)是最優(yōu)化方法中的最速下降法。自適應(yīng)濾波器與維納濾波器相比，其差別在于它增加了一個(gè)識(shí)別控制環(huán)節(jié)，將
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1