RLS算法的自适应滤波器MATLAB仿真作业

RLS 自适应滤波器仿真作业

工程1班220150820 王子豪

1. 步骤

1)令h M(-1)=0，计算滤波器的输出d(n)=X M T=h M(n-1)；

2)计算误差值e M(n)=d(n)-d(n,n-1)；

3)计算Kalman增益向量K M(n)；

4)更新矩阵的逆R M-1(N)=P M(N)；

5)计算h M(n)=h M(n-1)+K M(n)e M(n)；

2. 仿真

RLS 中取T (-1)=10，λ=1及λ= 0.98；

信号源x(n)与之前LMS算法仿真不变，对自适应滤波器采用RLS算法。通过对比不同遗忘因子λ的情况下RLS的误差收敛情况。取λ=0.98和λ=1两种情况下的性能曲线如图1所示。

其系数收敛情况如图2所示。

图1 不同λ值下的RLS算法性能曲线（100次实验平均）

图2 不同λ值下的RLS算法系数收敛情况（100次实验平均）

3. 结果分析

RLS算法在算法的稳态阶段、即算法的后期收敛阶段其性能和LMS算法相差不明显。但在算法的前期收敛段，RLS算法的收敛速度要明显高于LMS算法。但是RLS算法复杂度高，计算量比较大。

遗忘因子λ越小，系统的跟踪能力越强，同时对噪声越敏感；其值越大，系统跟踪能力减弱，但对噪声不敏感，收敛时估计误差也越小。

4. Matlab程序

clear;

clc;

N=2048; %信号的取样点数

M=2;%滤波器抽头的个数

iter=500;%迭代次数

%初始化

X_A=zeros(M,1); %X数据向量

y=zeros(1,N); %预测输出

err=zeros(1,iter); %误差向量

errp=zeros(1,iter); %平均误差

wR=zeros(M,iter); %每一行代表一次迭代滤波器的M个抽头参数

T=eye(M,M)*10; %RLS算法下T参数的初始化，T初始值为10

X=zeros(1,M);

lamuta=0.98 ; %遗忘因子

for j=1:100

ex=randn(1,N); %噪声信号e(n)

x=filter(1,[1,-1.6,0.8],ex);%经过系统H(Z)之后输出x

d=x; %参考信号

for k=(M+1):iter-1

X=x(k-1:-1:k-M)';

K=(T*X)/(lamuta+X'*T*X); %k时刻增益值

e1=x(k)-wR(:,k-1)'*X;

wR(:,k)=wR(:,k-1)+K*e1; %k时刻权值

y(k)=wR(:,k)'*X;

err(k)=x(k)-y(k);

T=(T-K*X'*T)/lamuta; %k时刻的维纳解end

errp=errp+err.^2;

end

errp=errp/100;

figure(1);

subplot(2,1,i);

plot(errp) ;

title(['100次平均得到的性能曲线，λ=',num2str(lamuta_v(i))]) ;

learn1=wR(1,1:iter-1);

learn2=wR(2,1:iter-1);

figure(2);

subplot(1,2,1;

plot(learn1);

title('λ=0.98'时a1的学习曲线');

subplot(1,2,2);

plot(learn2);

title('λ=0.98时a2的学习曲线');

THANKS !!! 致力为企业和个人提供合同协议，策划案计划书，学习课件等等

打造全网一站式需求

欢迎您的下载，资料仅供参考