信号完整性分析大作业_高级数字信号处理大作业1

图1 一阶自适应预测器权值的瞬态特性（ =0.04）

图一中，显示了平均的 学习曲线及一个实现，其中实线所示为某一单独实验中的得到的权值瞬态特性曲线，虚线表示的是在100次实验后得到的一个平均结果。观察两条曲线发现，虚线较实线平滑。这是因为集平均实现采用的是100次试验的平均处理，平滑了单一处理中梯度噪声的影响。

图2一阶自适应预测器的平方预测误差瞬时特性（ =0.04）

图二中，是相应的一阶自适应预测器的平方预测误差与迭代次数的关系图，可见，LMS算法单一实现的学习曲线呈现出严重的噪声的形式，但经总体平均后得到了一条较稳定的曲线，即 =0.04时的一阶自适应预测器的学习曲线。

图3 一阶自适应预测器的学习曲线（变步长 ）

在图三中，我们可以看到当步长参数分别取0.01、0.04和0.08时均方误差的学习曲线。图中显示， 影响收敛速度，也影响稳态值。当 时算法大约在100次迭代收敛，而当 时大约需要250次迭代才收敛，而前者的稳态值要比后者的高。当 时需要700次的迭代。综上所述随着步长因子的减小，LMS算法就需要进行更多的迭代才能收敛，即到达最优点的时间越长。

6.结论

由以上实验结果分析可归纳为：

（1）单一实现的轨迹和学习曲线明显是随机的或是“有噪声的”，而随着实验次数的增多，其平均结果趋于平滑。即总体平均有一个平滑的作用。

（2）LMS算法的收敛速度依赖于步长 u 。在允许的范围内 值取得越大，收敛速度越快，反之步长越小，收敛速度就越慢。

LMS算法是一种相对简单而性能又十分优越的自适应算法。在对LMS算法进行应用或设计的时候，我们可以用变步长方法来缩短其自适应收敛过程，为了达到快速收敛的目的，必须选择合适的步长因子 的值，一个可能的策略是尽可能多的减少瞬时平方误差，即用瞬时平方误差作为均方误差的简单估计。LMS算法的上述特点使得LMS滤波器越来越多的应用于更广泛的领域。

附 录：

clc

clear

N=1000;

M=100;

w=zeros(M,N,3,2); f=zeros(M,N,3,2);

for l=1:2,

if l==1 a=0.95;

else a=-0.197;

end;

for d=1:3,

if d==1 u=0.01;

else u=0.04*(d-1);

end;

for k=1:M,

v=0.169*randn(1,N);

x(1)=1;

for n=2:N,

x(n)=-a*x(n-1)+v(n);

f(k,n,d,l)=x(n)-w(k,n,d,l)*x(n-1);

w(k,n+1,d,l)=w(k,n,d,l)+u*x(n-1)*f(k,n,d,l);

end

end

end

end

for l=1:2

for d=1:3

for n=1:N,

fea(n,d,l)=0;

wea(n,d,l)=0;

for m=1:M

fea(n,d,l)=fea(n,d,l)+f(m,n,d,l)^2;

wea(n,d,l)=wea(n,d,l)+w(m,n,d,l);

end

fea(n,d,l)=fea(n,d,l)/M;

wea(n,d,l)=wea(n,d,l)/M;

end

end

end

n=1:N;

figure(1)

plot(n,w(1,n,2,1),'r-',n,wea(n,2,1),'b--',n,w(1,n,2,2),'r-',n,wea(n,2,2),'b--');

title('一阶自适应预测器权值的瞬态特性（u=0.04）')

xlabel('迭代次数'),ylabel('抽头权值')

legend('it单一实现','it100次实验集平均实现')

text(400,-0.01,'a=-0.197')

text(400,-0.8,'a=+0.95')

figure(2)

plot(n,f(1,n,2,1),'r-',n,fea(n,2,1),'b-');

title('一阶自适应预测器的平方预测误差瞬时特性（u=0.04）')

axis([0 1000 0.001 1]);

xlabel('迭代次数'),ylabel('平方误差')

legend('it单次误差','it100次重复实验平均误差')

figure(3)

semilogy(n,fea(n,1,1),'b-',n,fea(n,2,1),'g-',n,fea(n,3,1),'r-');

axis([0 1000 0.01 1]);

title('一阶自适应预测器的学习曲线（变步长u）')

xlabel('迭代次数'),ylabel('均方误差')

legend('itu=0.01','itu=0.04','itu=0.0