LMS 自适应滤波算法原理和实现（不使用自带函数库）

最新推荐文章于 2023-06-28 08:43:54 发布

KPer_Yang

最新推荐文章于 2023-06-28 08:43:54 发布

阅读量1.4k

点赞数 2

分类专栏：信号处理算法文章标签：算法 matlab

本文链接：https://blog.csdn.net/KPer_Yang/article/details/127398597

版权

信号处理算法专栏收录该内容

38 篇文章 17 订阅

订阅专栏

1.基本原理

$\begin{aligned} &y(n)=\pmb{x}(n)\pmb{w}^T\\ &e(n)=d(n)-y(n)\\ &w(n+1)=w(n)+\mu e(n)\pmb{x}(n) \end{aligned}$

2.代码实现

LMS:使用不含噪声的信号作为参考信号

在这里插入图片描述

%自适应滤波器的最小均方算法LMS

%初始化参数
clear;close;
t = 0:0.0001:1-0.0001;
f = 4;

%产生正弦信号和噪声污染的信号
d = cos(2 * pi * f * t) + sin(2 * pi * f * t);
n = randn(size(t));
x = d +0.5* n;

w = [0 0.5]; % w的len是2，所以是2阶
u = 0.0002; % 梯度下降算法的学习率

%2阶自适应滤波
y = zeros(10000, 1);
e = zeros(10000, 1);

for i = 1:10000 - 1
    y(i + 1) = x(i : i + 1) * w';
    e(i + 1) = d(i + 1) - y(i + 1);
    w = w + 2 * u * e(i + 1) * x(i : i + 1);
end

%画图
figure(1);subplot(311);plot(t, d);axis([0 1 -5 5]);xlabel('时间');ylabel('s幅度');
hold on

subplot(312);plot(t, x);axis([0 1 -5 5]);xlabel('时间');ylabel('x幅度');
hold on

subplot(313);plot(t, y);axis([0 1 -5 5]);xlabel('时间');ylabel('e幅度');

LMS:使用噪声作为参考信号
在这里插入图片描述

%自适应滤波器的最小均方算法LMS

%初始化参数
clear;close;
t = 0:0.0001:1-0.0001;
f = 4;

%产生正弦信号和噪声污染的信号
s = cos(2 * pi * f * t) + sin(2 * pi * f * t);
x = randn(size(t));
d = s +0.5* x;

w = [0 0.5]; % w的len是2，所以是2阶
u = 0.0002; % 梯度下降算法的学习率

%2阶自适应滤波
y = zeros(10000, 1);
e = zeros(10000, 1);

for i = 1:10000 - 1
    y(i + 1) = x(i : i + 1) * w';
    e(i + 1) = d(i + 1) - y(i + 1);
    w = w + 2 * u * e(i + 1) * x(i : i + 1);
end

%画图
figure(1);subplot(311);plot(t, s);axis([0 1 -5 5]);xlabel('时间');ylabel('s幅度');
hold on

subplot(312);plot(t, d);axis([0 1 -5 5]);xlabel('时间');ylabel('x幅度');
hold on

subplot(313);plot(t, e);axis([0 1 -5 5]);xlabel('时间');ylabel('e幅度');

扩展成三阶：

注意：发现权重的初值对去噪效果的影响比较大

%自适应滤波器的最小均方算法LMS

%初始化参数
clear;close;
t = 0:0.0001:1-0.0001;
f = 4;

%产生正弦信号和噪声污染的信号
s = cos(2 * pi * f * t) + sin(2 * pi * f * t);
x = randn(size(t));
d = s +0.5* x;

w = [0 0.5 0]; % w的len是3，所以是3阶
u = 0.0002; % 梯度下降算法的学习率

%2阶自适应滤波
y = zeros(10000, 1);
e = zeros(10000, 1);

for i = 1:10000 - 2
    y(i + 1) = x(i : i + 2) * w';
    e(i + 1) = d(i + 1) - y(i + 1);
    w = w + 2 * u * e(i + 1) * x(i : i + 2);
end

%画图
figure(1);subplot(311);plot(t, s);axis([0 1 -5 5]);xlabel('时间');ylabel('s幅度');
hold on

subplot(312);plot(t, d);axis([0 1 -5 5]);xlabel('时间');ylabel('x幅度');
hold on

subplot(313);plot(t, e);axis([0 1 -5 5]);xlabel('时间');ylabel('e幅度');