matlab模拟ar(2)序列,基于MATLAB的ADSP AR(2)模型的LMS 与 RLS 算法分析

MATLAB 仿真实现LMS 和RLS 算法

题目：

序列x(n)有AR (2)模型产生：)()2()1()(21n w n x a n x a n x +-+-=，w(n)是均值为0、方差为1的高斯白噪声序列。.7.0,4.121-==a a 用LMS 算法和RLS 算法来估计模型参数21,a a 。

按照课本第三章63页的要求，仿真实现LMS 算法和RLS 算法，比较两种算法的权值收敛速度，并对比不同u 值对LMS 算法以及λ值对RLS 算法的影响。

解答：

1 数据模型

(1)高斯白噪声用用randn 函数产生均值为0、方差为1的标准正态分布随机矩阵来实现。随后的产生的信号用题目中的AR (2)模型产生，激励源是之前产生的高斯白噪声。

(2)信号点数这里取为2000，用2000个信号来估计滤波器系数。

(3)分别取3个不同的u 、λ值来分析对不同算法对收敛效果的影响。其中u=[0.001,0.003,0.006]，lam=[1,0.98,0.94]。

2 算法模型

2.1自适应算法的基本原理

自适应算法的基本信号关系如下图所示：

Σ自适应算法

参数可调数字滤波器

x(n)

d(n)

y(n)e(n)

-+

图 1 自适应滤波器框图

输入信号x(n)通过参数可调的数字滤波器后产生输出信号y(n)，将其与参考信号d(n)进行比较，形成误差信号e(n)。e(n)通过某种自适应算法对滤波器参数进行调整，最终是e(n)的均方值最小。当误差信号e(n)的均方误差达到最小的时候，可以证明信号y(n)是信号d(n)的最佳估计。 2.2 LMS 算法简介

LMS 算法采用平方误差最小的原则代替最小均方误差最小的原则，信号基本关系如下：