用LMS算法实现自适应均衡器的MATLAB程序.doc

1、用 LMS算法实现自适应均衡器的MATLAB程序用 LMS算法实现自适应均衡器考虑一个线性自适应均衡器的原理方框图如现代数字信号处理导论p.275自适应均衡器应用示意图。随机数据产生双极性的随机序列xn ，它随机地取 +1和 -1 。随机信号通过一个信道传输，信道性质可由一个三系数FIR 滤波器刻画，滤波器系数分别是 0.3 ，0.9 ，0.3 。在信道输出加入方差为 平方 高斯白噪声，设计一个有 11 个权系数的 FIR 结构的自适应均衡器，令均衡器的期望响应为 xn-7, 选择几个合理的白噪声方差 平方 ( 不同信噪比 ) ，进行实验。用 LMS算法实现这个自适应均衡器，画出一次实验的误差

2、平方的收敛曲线，给出最后设计滤波器系数。一次实验的训练序列长度为 500。进行 20 次独立实验，画出误差平方的收敛曲线。给出 3 个步长值的比较。1. 仿真结果 :1234用 LMS算法设计的自适应均衡器系数1234567891011序号0.0383 -0.0480 0.0565 -0.1058 0.2208 -0.5487 1.4546 -0.5681 0.2238 -0.0997 0.0367 20次-0.0037 0.0074 -0.0010 -0.0517 0.1667 -0.5112 1.4216 -0.5244 0.1668 -0.0597 0.0164 1次结果分析 :观察三个

3、不同步长情况下的平均误差曲线不难看出，步长越小，平均误差越小，但收敛速度越慢，为了好的精度，必然牺牲收敛速度; 当降低信噪比时，尽管20 次平均仍有好的结果，但单次实验的误差曲线明显增加，这是更大的噪声功率对随机梯度的影响。5附程序 :1. LMS 法 1 次实验% written in 2005.1.13 % written by li* clear; N=500;db=20; sh1=sqrt(10(-db/10); u=1; error_s=zeros(1,N); for loop=1:1 w=0.05*ones(1,11); V=sh1*randn(1,N ); K=randn(1,N

4、)-0.5;x=sign(K);for n=3:N;M(n)=0.3*x(n)+0.9*x(n-1)+0.3*x(n-2);endz=M+V;for n=8:N;d(n)=x(n-7);enda(1)=z(1)2;for n=2:11;a(n)=z(n).2+a(n-1); endfor n=12:N;a(n)=z(n).2-z(n-11)2+a(n-1);endfor n=11:N;z1=z(n) z(n-1) z(n-2) z(n-3) z(n-4) z(n-5) z(n-6) z(n-7) z(n-8)z(n-9) z(n-10);y(n)=w*z1;e(n)=d(n)-y(n);w=w

5、+u./(eps+a(n).*z1.*conj(e(n);enderror_s=error_s+e.2; endwerror_s=error_s./1; n=1:N;plot(n,error_s);xlabel(n (当 u=1;DB=20时 );ylabel(e(n)2);title(LMS法 1 次实验误差平方的均值曲线);62.LMS法 20 次实验% written in 2005.1.13 % written by li* clear; N=500;db=20; sh1=sqrt(10(-db/10); u=1; error_s=zeros(1,N); for loop=1:20 w

6、=0.05*ones(1,11); V=sh1*randn(1,N ); K=randn(1,N)-0.5;x=sign(K);for n=3:N;M(n)=0.3*x(n)+0.9*x(n-1)+0.3*x(n-2);endz=M+V;for n=8:N;d(n)=x(n-7);enda(1)=z(1)2;for n=2:11;a(n)=z(n).2+a(n-1); endfor n=12:N;a(n)=z(n).2-z(n-11)2+a(n-1);endfor n=11:N;z1=z(n) z(n-1) z(n-2) z(n-3) z(n-4) z(n-5) z(n-6) z(n-7) z(n-8)z(n-9) z(n-10);y(n)=w*z1;e(n)=d(n)-y(n);w=w+u./(eps+a(n).*z1.*conj(e(n);enderror_s=error_s+e.2; endwerror_s=err