lms.rar_LMS MATLAB_LMS去噪_lms_lms 去噪_lms算法

%-------------------------------------------------------- %程序实现最小均方lms的自适应滤波器 %课本p324例题 %AR(2)模型x(n)+a1*x(n-1)+a2*x(n-2)=w(n); %最优预测器y^(n)=x^(n)=co1*x(n-1)+co2*x(n-2); %-------------------------------------------------------- %定义信号 clear close all N=1024; %数据长度 Nd=1000; %迭代次数 u=0.35; %迭代步长 %模型1：小特征值分布 a=[1 -0.1950 0.95]; delta_w2=0.0965; %噪声方差 %模型2：大特征值分布***** model2 % a=[1 -1.5955 0.95]; % delta_w2=0.0322; w=delta_w2*randn(1,N); x=filter(1,a,w); %产生AR(2)模型的数据 [rxx,lagxx]=xcorr(x,'unbiased'); rxx0=rxx(find(lagxx==0)); rxx1=rxx(find(lagxx==1)); rxx2=rxx(find(lagxx==2)); %------------------------------------------------------ %误差特性曲面 Py=rxx(find(lagxx==0)); rxy0=rxx1; rxy1=rxx2; [c1,c2]=meshgrid(-1:.1:2,-2:.1:1); %[c1,c2]=meshgrid(-1:.1:4,-2:.1:1); %*********************model2 p=Py-2*rxy0*c1-2*rxy1*c2+rxx0*c1.^2+2*rxx1.*c1.*c2+rxx0*c2.^2; figure; contour(c1,c2,p,[0:.02:2]); %等高线 grid on xlabel('c1'),ylabel('c2'); hold on; %------------------------------------------------------------ %lms算法 hn=zeros(2,Nd); %存放lmsH(n)的迭代数据 hn(:,1)=[0 0]'; %设置初始值 hn(:,2)=[0 0]'; M=length(x); y=zeros(1,M); e=y; x=[zeros(1,2),x]; %x（3）开始计算，x(1),x(2)为初始值 for n=3:Nd x1=x(n-1:-1:n-2); %使用n时刻的前2个数 y(n)=hn(:,n-1)'*x1'; e(n)=x(n)-y(n); hn(:,n)=hn(:,n-1)+2*u*e(n)*x1'; end plot(hn(1,:),hn(2,:),'r'); title('迭代轨迹曲线') hold off %-------------------------------------------------------- figure n=1:Nd; plot(n,hn(1,:),n,hn(2,:)); %***************************************************** xlim([0 500]) %适合大步长分布情况 %***************************************************** hold on plot(n,-a(2),'--',n,-a(3),'--') text(250,0,'c1'), text(120,-0.6,'c2') title('ck learning curve') hold off