eI^2=0.040504 eR^2=0.041245
4.2 维纳滤波器AR模型 输入样本点个数 100 输入阶数p =1
输入模型参数a1 =0.6 运行结果:
方差=0.640000 方差估值=0.644791 a1=-0.600000
a1估值=-0.580429
通过程序运行结果,可以看出信号x(n)经过维纳过滤后,噪音已基本消除,与s(n)趋于一致。L固定,则N越大,滤波效果越好;N 固定,则L越大,滤波效果越好。
实验三 卡尔曼滤波
1. 实验目的:
1.1 利用计算机编程语言matlab实现随机信号的卡尔曼滤波。 1.2 考察影响卡尔曼滤波性能的各种因素。
1.3 观察卡尔曼滤波方法与维纳滤波方法的优缺点。 2. 实验原理与方法:
假设已知动态系统的状态方程和量测方程: xk=Akxk-1+Bkuk-1+Wkwk-1 yk=Ckxk+Vkvk
其中Ak,Bk,Wk,Ck和Vk为已知参数uk为确定性激励,wk和vk是均值为零,方差分别为Rw和Rv的高斯分布白噪声,wk,vk和x0相互独立。
xxk=Akxxk-1+Hk(yk-CkAkxxk-1)+Bkuk-1 Hk=Pk’CkT(CkPk’CkT+Rk)-1 Pk’=AkPk-1AkT+Qk-1 Pk=(I-HkCk)Pk’
其中Rk=VkVkTRv;Qk-1=Wk-1Wk-1TRw 3. 实验结果:
卡尔曼滤波是一种递推估计方法,它也是基于最小均方误差准则,但它不需要全部过去的观测数据,只是根据前一个的估计值和最近一个观测数据来估计信号的当前值。在稳态情况下,卡尔曼滤波结果和维纳滤波结果相同。
实验四 自适应信号滤波
1. 实验目的:
1.1 利用自适应LMS算法实现FIR最佳维纳滤波器。
1.2 观察影响自适应LMS算法收敛性、收敛速度以及失调量的各种因素,领会自适应信号处理方法的优缺点。
1.3 通过实现AR模型参数的自适应设计,了解自适应信号处理方法的应用。 2. 实验原理与方法:
自适应滤波就是利用前一时刻已获得的滤波器参数的结果,自动地调节现时刻的滤波器参数,以适应信号或噪声未知的或随时间变化的统计特性,从而实现最优滤波。设计自适应滤波器时可以不必要求预先知道信号和噪声的自相关函数,而且在滤波过程中信号与噪声的自相关函数,自动调节到满足最小均方差的要求。
自适应FIR维纳滤波器的LMS算法公式:
M?x(n)??hm(n)yn?m
m?0?en?xn?xn
hm(n?1)?hm(n)?2?enyn?m
因此给定初始值h0,每得到一个样本yn,可以得到一组新的滤波器权系数hn。 如果信号yn为一个M阶的AR模型,则利用LMS算法可以对AR模型参数进行自适应估计。
3. 实验内容与步骤:
3.1 编制自适应滤波器的通用程序。
2
3.2 运行自适应滤波器程序,选择L=100,hI=-0.8,σw=1,h(0)=0,u=0.03,观察并记录试验结果。
3.3 选择M=2,p=2,L=100,a1=-1.3,a2=0.8,u=0.01,σw2=1, a1(0)=a2(0)=0,观察并记录ai(n)的收敛情况。
4. 实验结果: 4.1 自适应滤波 输入样本点个数 100 输入w的方差 1 输入hI = -0.8 输入步长u =0.03 输入初始值h0 = 0