【正文】 理論、時序分析于建模、優(yōu)化設(shè)計等領(lǐng)域。較為常見的MATLAB工具箱主要包括:系統(tǒng)辨識工具箱，魯棒控制工具箱、多變量頻率設(shè)計工具箱，u分析與綜合工具箱、神經(jīng)網(wǎng)絡(luò)工具箱、最優(yōu)化工具箱、信號處理工具箱、模糊推理系統(tǒng)工具箱、小波分析工具箱。 MATLAB仿真 MATLAB程序仿真使用MATLAB編程，采用自適應(yīng)濾波器技術(shù)實現(xiàn)語音去噪過程，程序如下：clear all。clf。pi=。signal=sin(2*pi**[0:999]39。)。 %產(chǎn)生輸入信號noise=randn(1,1000)。 %產(chǎn)生隨機噪聲nfilt=fir1(11,)。 %產(chǎn)生11階低通濾波，fnoise=filter(nfilt,1,noise)。 %噪聲信號進行FIR濾波d=signal.39。+fnoise。 %將噪聲疊加到信號中w0=nfilt.39。 % 設(shè)置初始化濾波器系數(shù) mu=。 % 設(shè)置算法的步長s=initse(w0,mu)。 %初始化自適應(yīng)FIR結(jié)構(gòu)濾波[y,e,s]=adaptse(noise,d,s)。 %進行自適應(yīng)濾波t=1:200。plot(t,signal(1:200))figure(2)。plot(t,d(1:200),39。.39。,t,y(1:200),39。39。)。 仿真結(jié)果 （1）為了確保噪聲的相關(guān)性，首先讓噪聲通過一個11階的低通FIR濾波器然后將濾波后的噪聲加到信號中去；（2）對程序中所使用的一些函數(shù)的詳細說明，請參考MATLAB的函數(shù)說明，這些函數(shù)包括：FIR、INITSE、FILTER、PLOT、ADAPTSE等。圖41為原始信號的信號圖；圖42為濾波前信號和濾波后信號時域圖。比較圖41和圖42可以看出，采用自適應(yīng)濾波后的濾波輸出信號和原始信號基本相似，噪聲完全濾除。圖41 原始信號時域圖圖42 濾波前信號和濾波后信號時域圖對比圖42中濾波前和濾波后的信號可以看出，信號中的噪聲完全濾除，信號完全恢復(fù)，通過MATLAB仿真結(jié)果分析，自適應(yīng)濾波器具有很好的性能。 自適應(yīng)濾波算法的實現(xiàn) RLS算法程序的實現(xiàn)randn(39。seed39。, 0) 。 rand(39。seed39。, 0) 。 NoOfData = 8000 。 % Set no of data points used for training Order = 32 。 % 自適應(yīng)濾波權(quán)數(shù) Lambda = 。 % 遺忘因子 Delta = 。 % 相關(guān)矩陣R的初始化 x = randn(NoOfData, 1) 。%高斯隨機系列 h = rand(Order, 1) 。 % 系統(tǒng)隨機抽樣 d = filter(h, 1, x) 。 % 期望輸出 % RLS算法的初始化 P = Delta * eye ( Order, Order ) 。%相關(guān)矩陣 w = zeros ( Order, 1 ) 。%濾波系數(shù)矢量的初始化 % RLS Adaptation for n = Order : NoOfData 。 u = x(n:1:nOrder+1) 。%延時函數(shù) pi_ = u39。 * P 。%互相關(guān)函數(shù) k = Lambda + pi_ * u 。 K = pi_39。/k。%增益矢量 e(n) = d(n) w39。 * u 。%誤差函數(shù) w = w + K * e(n) 。%遞歸公式 PPrime = K * pi_ 。 P = ( P PPrime ) / Lambda 。%誤差相關(guān)矩陣 w_err(n) = norm(h w) 。%真實估計誤差 end 。 % 作圖表示結(jié)果 figure 。 plot(20*log10(abs(e))) 。%| e |的誤差曲線 title(39。學(xué)習(xí)曲線39。) 。 xlabel(39。迭代次數(shù)39。) 。 ylabel(39。輸出誤差估計39。) 。 figure 。 semilogy(w_err) 。%作實際估計誤差圖 title(39。矢量估計誤差39。) 。 xlabel(39。迭代次數(shù)39。) 。 ylabel(39。誤差權(quán)矢量39。)。圖43 RLS算法的學(xué)習(xí)曲線圖44 RLS算法的矢量估計誤差 LMS算法程序的實現(xiàn) clear all close all hold off%系統(tǒng)信道權(quán)數(shù) sysorder = 5 。%抽頭數(shù) N=1000。%總采樣次數(shù) inp = randn(N,1)。%產(chǎn)生高斯隨機系列 n = randn(N,1)。 [b,a] = butter(2,)。 Gz = tf(b,a,1)。%逆變換函數(shù) h= [。]。%信道特性向量 y = lsim(Gz,inp)。%加入噪聲 n = n * std(y)/(10*std(n))。%噪聲信號 d = y + n。%期望輸出信號 totallength=size(d,1)。%步長 N=60 。 %60節(jié)點作為訓(xùn)練序列 %算法的開始 w = zeros ( sysorder , 1 ) 。%初始化for n = sysorder : N u = inp(n:1:nsysorder+1) 。% u的矩陣 y(n)= w39。 * u。%系統(tǒng)輸出 e(n) = d(n) y(n) 。%誤差 if n 20 mu=。 else mu=。 end w = w + mu * u * e(n) 。%迭代方程 end %檢驗結(jié)果 for n = N+1 : totallength u = inp(n:1:nsysorder+1) 。 y(n) = w39。 * u 。 e(n) = d(n) y(n) 。%誤差 end hold on plot(d) plot(y,39。r39。)。 title(39。系統(tǒng)輸出39。) 。 xlabel(39。樣本39。) ylabel(39。實際輸出39。) figure semilogy((abs(e))) 。% e的絕對值坐標 title(39。誤差曲線39。) 。 xlabel(39。樣本39。) ylabel(39。誤差矢量39。) figure%作圖 plot(h, 39。k+39。) hold on plot(w, 39。r*39。) legend(39。實際權(quán)矢量39。,39。估計權(quán)矢量39。) title(39。比較實際和估計權(quán)矢量39。) 。 axis([0 6 ]) 圖 45 LMS算法的系統(tǒng)輸出圖 46 LMS算法的誤差曲線圖47 LMS算法的比較實際和估計權(quán)矢量 第5章 總結(jié)與展望本文首先介紹了課題的來源和研究本課題的意義，以及自適應(yīng)濾波器的研究現(xiàn)狀，綜述了自適應(yīng)濾波技術(shù)，為本文的研究工作打下理論基礎(chǔ)。在第二章中詳細闡述了自適應(yīng)濾波器的基本原理，本文研究重點是基于RLS算法自適應(yīng)濾波器的設(shè)計和實現(xiàn)。對線性自適應(yīng)濾波器的算法作了大量調(diào)查和研究，詳細比較了RLS算法和LMS算法在自適應(yīng)濾波器設(shè)計中的應(yīng)用，并結(jié)合設(shè)計的考慮，最終采用RLS算法濾波器。自適應(yīng)濾波技術(shù)的核心問題是自適應(yīng)算法的性能問題，研究自適應(yīng)算法是自適應(yīng)濾波器的一個關(guān)鍵內(nèi)容，算法的特性直接影響濾波器的效果。本文介紹了兩種基本的自適應(yīng)算法:最小均方(LMS)算法及遞歸最小二乘(RLS)算法，并就這兩種基本算法的特點進行了比較，最后運用MATLAB對采用了RLS和LMS自適應(yīng)算法的自適應(yīng)濾波器進行了仿真，通過分析仿真結(jié)果，驗證了算法的可行性。本文所做的工作也只是一些初步研究，很多的問題還有待于進一步完善。在今后的工作學(xué)習(xí)中，還會不斷地發(fā)現(xiàn)更艱辛，也將更富有意義的新問題。結(jié) 論自適應(yīng)濾波是信號處理的重要基礎(chǔ)，近年來發(fā)展速度很快，在各個領(lǐng)域取得了廣泛的應(yīng)用。在實際問題中，迫切需要研究有效、實用的自適應(yīng)算法。本文在大量文獻的基礎(chǔ)上，對自適應(yīng)濾波的兩種算法進行了分析和研究。研究內(nèi)容主要包括理論、算法和通過MATLAB軟件的仿真得出有意義的結(jié)果。相比之下，RLS算法具有比LMS算法好的多的啟動速度和收斂速度，對非平穩(wěn)信號適應(yīng)性強，其濾波性能明顯好于LMS算法，但其算法的復(fù)雜度較高，不便于實時處理。而LMS算法相對存在收斂速度不夠快和抵抗突出值干擾能力不夠強。值得深入研究的是降低RLS算法的計算復(fù)雜度，進一步提高LMS算法的收斂速度并減少其殘余誤差。參考文獻 [1][J].系統(tǒng)工程與電子技術(shù),1982,8(4):83102.[2] [D].大連理工大學(xué),.[3] 郭華. 自適應(yīng)濾波算法及應(yīng)用研究. 西北師范大學(xué)碩士學(xué)位論文，2007.[4] . 山東大學(xué)碩士學(xué)位論文, 2007.[5] 林耀榮. 自適應(yīng)濾波理論及其在回波消除中的應(yīng)用研究. 廣州：華南理工大學(xué)博士學(xué)位論文, 1999.[6] 鄭寶玉. 自適應(yīng)濾波器原理[M]. 北京：電子工業(yè)出版社,2006.[7] 烏曉禮. ：內(nèi)蒙古大學(xué)碩士學(xué)位論文, 2005.[8] 曹斌芳,何怡剛,胡惟文等. 一種改進型的FIR 數(shù)字濾波器設(shè)計[J] . 現(xiàn)代電子技術(shù)2006.[9] 周金治. 基于Matlab 與DSP 的FIR 數(shù)字濾波器軟硬件實現(xiàn)[J] . 現(xiàn)代電子技術(shù)2005 .[10] 安穎,侯國強. 自適應(yīng)濾波算法研究與DSP 實現(xiàn)[J ]. 現(xiàn)代電子技術(shù),2007 .[11] :科學(xué)出版社,2002.[12] :西安電子科技大學(xué)出版社,2001.[13] :電子工業(yè)出版社,2003.[14] KUKRER O，HOCANIN A. Frequency response shaped LMS adaptive filter[J].Digital Signal Processing，2006，16：855869. [15] SHIREEN W，TAO L DSP based active power filter for low voltage distribution systems[J].Electric Power Systems Research，2008，78：15611567. [16] SOLIET E solution for the adaptive recursive filter[C].Radio Science Conference，1996，21：451 – 458.致 謝本文是在楊明老師的親切關(guān)懷和悉心指導(dǎo)下完成的，首先，衷心感謝我的指導(dǎo)老師楊明老師。在我整個的本科畢業(yè)設(shè)計制作過程中，從論文的選題、研制計劃的安排到論文的具體的內(nèi)容，導(dǎo)師都給予了悉心的指導(dǎo)。課題進行期間，楊老師寬人律己的高尚品德，務(wù)實的工作作風(fēng)，高度的責(zé)任心和楊老師嚴謹?shù)闹螌W(xué)態(tài)度，開明的學(xué)術(shù)思想，積極進取的敬業(yè)精神深深打動著我，一直激勵著我們開拓進取，使學(xué)生倍受教育。論文中每一成果的獲得均凝聚了老師們的心血和智慧。值此畢業(yè)之際，謹向各位老師致以最崇高的謝意!感謝他們?yōu)閷W(xué)生營造的濃郁學(xué)習(xí)氛圍，以及學(xué)習(xí)、生活上的無私幫助! 同時感謝所有關(guān)心、幫助過我的老師、同學(xué)和朋友們。在課題進行到比較困難的時候，能給我提出寶貴的合理意見。沒有你們的大力支持，我的學(xué)業(yè)也不可能這樣順利進行。在此深深的謝意無以言表，謹以此篇論文回