箕舌线图像怎么画matlab,基于相关箕舌线的变步长LMS算法

1引言自从Widrow和Hoff提出最小均方误差(LMS)算法[1],由于其具有简单性、鲁棒性和易于实现的性能,因此在很多领域得到了广泛的应用。其基本原理如图1所示。用X(n)=[x(n)x(n+1)…x(n-N+1)]T表示n时刻输入信号矢量,W(n)=[w0(n)w1(n)…wN-1(n)]T表示n时刻N阶自适应滤波器的权系数,d(n)是期望信号,e(n)是误差信号,v(n)是主端输入干扰信号,是步长因子。则基本的LMS算法可以表示为:e(n)=d(n)-XT(n)W(n)(1)W(n+1)=W(n)+2(n)e(n)X(n)(2)图1自适应滤波器原理图LMS算法收敛的条件是00,00(n+1)=maxif’(n+1)>maxminif’(n+1)0。对上述文献的跃变跟踪能力和抗噪声性能用Matlab仿真,计算机的模拟条件与文献[3]中的相同,为:自适应滤波器的阶数N=2;未知系统的FIR系数W*=[w0,w1]T=[0.8,0.5]T,在第500个采样点时刻系统发生跃变,系统的FIR系数变为W*=[0.4,0.2]T;参考输入信号x(n)为零均值,方差为1的高斯白噪声;v(n)是与x(n)不相关的高斯白噪声,均值为0,方差为0.04。采样点数为1000,分别做200次独立仿真试验,然后进行统计平均,得到学习曲线。文献[4]中的SVSLMS算法取=0.98,=0.98,=4.810-4,max=0.2,初始步长值0.2;文献[5]中的TCLMS算法取a=0.2,b=100;文献[6]中的VLMS算法和文献[7]中的NLMS算法取=0.98,=4.810-4,max=0.2,初始步长值0.2。系统跃变跟踪能力比较曲线在第500次迭代时发生跃变,得到前1000次迭代的学习曲线如图2至图5上半部分所示。在较低信噪比条件下,取v(n)为与x(n)不相关的高斯白噪声,均值为0,方差为0.16,其他条件同上。系统抗干扰性能比较曲线取前500次迭代,权值w0的变化如图2至图5下半部分所示。通过仿真比较和分析可以看出:系统跟踪能力和系统抗噪声性能之间存在着矛盾。有的算法跟踪能力强,但是抗噪声性能差;有的算法跟踪能力差,但是抗噪声性能强。VLMS和NLMS算法的共同特点是:本次步长的更新需要用到上一次步长,也就是说具有记忆效应。由文献[7]中的算法性能分析可知,为了保证均方误差收敛,同时保证有较小的失调,通常的值比较小。通过(4)式可以看出,在算法达到稳态时,如果系统产生跃变,则瞬时误差增大。但由于较小,同时由于迭代式中上一次步长的存在,因此反映到步长更新上,本次步长的变化与上一次不明显。所以,这种算法对跃变系统的跟踪能力不强。而文献[4,5]中,e(n)的变化直接导致步长的变化,因此文献[4,5]中的算法对跃变系统有很强的跟踪能力,同时有较快的收敛速度。VLMS算法由于对更新步长采取了嵌位措施,跟踪能力比NLMS算法强,抗干扰能力也较好,但上下界的选择比较困难。[4,5,6]的算法中,步长的更新直接来源于e(n),而实际e(n)是含有噪声的。当接近最佳权系数时,由于噪声的存在,使步长还比较大,产生较大失调。文献[7]中使用e(n)和e(n-1)的自相关估计p(n)来控制步长更新,这样做的好处是去除了不相关噪声序列的影响。可见利用当前误差与上一步误差的自相关估计来控制步长更新可以提高系统抗噪声性能。3基于相关箕舌线的自适应滤波算法由于基于箕舌线的LMS算法收敛速度快、计算简单,本文在此基础上结合其他算法的优点提出基于相关箕舌线的自适应滤波算法(CTCLMS)。