LMS、kalman、RLS的Matlab仿真

author:LMS和RLS部分:hwb
图和代码如下,细节以后再补:

画图部分

clear all;
clc;%% 参数设置
sub_fre = 5;
fs=4096;
Ord = 48;    % 权重阶数
N = 500;   % 迭代次数
K = 100;  % 数据截取
%% 仿真数据产生
m=0:(fs-1);
f_sub = linspace(0.4,0.5,sub_fre);
A = ones(sub_fre,1);
xn = zeros(fs,1)';
for i=1:sub_frexn = xn + 1*A(i)*sin(2*pi*f_sub(i)*m); %产生含有噪声的序列xn
end
dn = 1*sin(2*pi*0.9*m);
xn = xn + dn + 1*randn(1,fs);
%% LMS实现过程
% function [xn_p,err_n] = rls_self(xn, dn,lambda,delta,Ord,N,K)
[xn_p_lms, err_n_lms] = lms_self(xn, dn, Ord, 0.001, N, K);
M = 1:K;
dn_m = dn(Ord+1:Ord+K);
xn_m = xn(Ord+1:K+Ord);
subplot(3,2,1);
plot(M, xn_p_lms,M,dn_m,M,xn_m,'linewidth',1.25);
legend("滤波后信号", "理想信号", "原始信号");
% xlabel("N(点数)");
ylabel("幅值");
title("信号波形对比");
M = 1:N;
subplot(3,2,2);
plot(M, err_n_lms);
title("均方误差变化");%% 归一化LMS算法
N2 = 3000;
lms_a = 10;
lms_b = 1.5;
lms_mu = lms_a/(lms_b + xn*xn');
[~, err_n_lms] = lms_self(xn, dn, Ord, lms_mu, N2, K);
subplot(3,2,3);
M = 1:N2;
plot(M, err_n_lms,'*-');
title("归一化LMS算法 均方误差");%% 不同步长的影响 10^-2 - 10^-5 取100个点
mu_N = 100;
mu_ch = linspace(10^-2,10^-4,mu_N);
mu_err = zeros(mu_N,1);
for i=1:mu_N[~, err_n_lms] = lms_self(xn, dn, Ord, mu_ch(i), 500, K);mu_err(i) = err_n_lms(end);disp(mu_err(i));
end
subplot(3,2,4);
plot(mu_ch, mu_err,'*-');
title("不同步长的影响(N=1000)");suptitle('1-4 LMS算法 5-6 RLS算法');%% RLS
lambda = 0.998;
delta = 10^-4;
[xn_p,err_n] = rls_self(xn, dn,lambda,delta,Ord,N,K);
dn_m = dn(Ord+1:Ord+K);
xn_m = xn(Ord+1:K+Ord);
subplot(3,2,5);
M = 1:K;
plot(M, xn_p,M,dn_m,M,xn_m,'linewidth',1.25);
legend("滤波后信号", "理想信号", "原始信号");
title("RLS信号波形对比");
M = 1:N;
subplot(3,2,6);
plot(M, err_n);
title("RLS均方误差变化");
%function [xn_p,err_n] = rls_self(xn, dn,lambda,delta,Ord,N,K)

LMS实现-Matlab仿真

function [xn_p, err_n] = lms_self(xn,dn,Ord,mu,N,K)
%LMS_SELF 此处显示有关此函数的摘要
%   此处显示详细说明
wn = zeros(Ord,1);
en = 0;
err_n = zeros(N,1);
%% 迭代
for i=1:N % 迭代次数xn_f = xn(i:Ord+i-1)';   % filter中各抽头的系数en = dn(Ord+i) - wn'*xn_f;wn = wn + mu*en.*xn_f;for j=1:N % 迭代次数xn_f = xn(j:Ord+j-1)';   % filter中各抽头的系数en = dn(Ord+j) - wn'*xn_f;err_n(i) = err_n(i) + abs(en)^2;end
end
xn_p = zeros(K,1);
for j=1:K % 迭代次数xn_f = xn(j:Ord+j-1)';   % filter中各抽头的系数xn_p(j) = wn'*xn_f;
end
end

RLS实现-Matlab仿真

function [xn_p,err_n] = rls_self(xn, dn,lambda,delta,Ord,N,K)
%% 初始化权重系数->RLS
wn = zeros(Ord,1);
Pn = (1/delta).*eye(Ord);
kn = zeros(Ord,1);
err_n = zeros(N,1);%% 迭代
for i=1:N % 迭代次数xn_f = xn(i:Ord+i-1)';   % filter中各抽头的系数en = dn(Ord+i) - wn'*xn_f;kn = (Pn*xn_f)/(lambda + xn_f'*Pn*xn_f);Pn = (1/lambda)*(Pn-kn*xn_f'*Pn);wn = wn + kn*en;for j=1:N % 迭代次数xn_f = xn(j:Ord+j-1)';   % filter中各抽头的系数en = dn(Ord+j) - wn'*xn_f;err_n(i) = err_n(i) + abs(en)^2;end
end
xn_p = zeros(K,1);
for j=1:K % 迭代次数xn_f = xn(j:Ord+j-1)';   % filter中各抽头的系数xn_p(j) = wn'*xn_f;
end
end

卡尔曼滤波的Matlab实现

声明:卡尔曼滤波与本次信号模型不太搭,故此代码参考自朋友

clear all; close all; clc;
% 等速模型卡尔曼滤波仿真Kalman Filter
%% Initial condition
ts = 1;             % 采样时间间隔
t = [0:ts:100];     % 采样时刻
T = length(t);      % 采样点数
%% Initial state
x = [0 40 0 20]'; %% Process noise covariance  过程噪声协方差矩阵
q = 5;              % 过程噪声协方差
Q1 = q*eye(4);       % 过程噪声协方差矩阵%% Measurement noise covariance  观测噪声协方差矩阵
r = 5;              % 观测噪声协方差
Q2 = r*eye(2);       % 观测噪声协方差矩阵%% Process and measurement noise
v1 = sqrt(Q1)*randn(4,T);   % 过程噪声序列 维度：4 x T
v2 = sqrt(Q2)*randn(2,T);   % 观测噪声序列 维度：2 x T
%% Estimate error covariance initialization
p = 5;                  % 估计误差协方差矩阵
P(:,:,1) = p*eye(4);    % 估计误差的协方差矩阵%========================================================================== %% 连续时间状态空间模型
A = [0 1 0 0;0 0 0 0;0 0 0 1; 0 0 0 0];
B = [0 0;1 0;0 0;0 1];
C = [1 0 0 0;0 0 1 0];
D = [1 0;0 1];%% 离散时间状态空间模型
% F:状态转移矩阵
% H:观测矩阵
sysc = ss(A,B,C,D);             % 生成连续时间状态空间模型
sysd = c2d(sysc, ts, 'zoh');    % 有连续时间状态空间模型 到 离散时间状态空间模型
[F G C I] = ssdata(sysd);       % 取出离散时间状态空间模型中的；过程方程的 F:状态转移矩阵；观测方程中的H:观测矩阵
%% Practice state of target
for i = 1:T-1x(:,i+1) = F*x(:,i);
end
x = x + v1;    % 噪声下的估计向量序列
y = C*x + v2;  % 噪声下的观测向量序列%========================================================================== %% Kalman Filter
% 书P179 算法5.4.1 kalman 自适应滤波算法
K = P;
x_hat = [0 0 0 0].';
% x_hat = x;
for i = 1:T-1   G = F * K * C'* inv(C * K * C' + Q2);               % 书 P179 式5.4.24所定义 算法5.4.1中给出计算方法alpha = y(:, i) - C * x_hat(:, i);                  x_hat(:, i + 1) = F * x_hat(:, i) + G * alpha;      % 计算当前状态向量 x_hatP = K - inv(F) * G * C * F;K = F * P * F' + Q1;                                % 更新 kalman 增益
end%% LMS adaptive filter
% 书P183 算法5.5.1 LMS自适应滤波及其基本变形
omega(:, :, 1) = zeros(4, 4);
x_hat2(:, 1) = x(:, 1);
for i = 1:T - 1x_hat2(:, i + 1) = omega(:, :, i)' * x_hat2(:, i);                       % 得到当前估计值e(:, i) = x(:, i + 1) - x_hat2(:, i + 1);                           % 计算估计值和实际值的误差alpha = 1 / (0.5 + x(:, i)' * x(:, i));omega(:, :, i + 1) = omega(:, :, i) + 10 * x_hat2(:, i) * conj(e(i))';      % 更新权向量
end%==========================================================================%% Estimate error
x_error = x-x_hat;
%% Graph 1 practical and tracking position
figure(1)
plot(x(1,:),x(3,:),'r');
hold on;
plot(x_hat(1,:),x_hat(3,:),'g.');
title('2D Target Position')
legend('Practical Position','Tracking Position')
xlabel('X axis [m]')
ylabel('Y axis [m]')
hold off;
%% Graph 2
figure(2)
plot(t,x(1,:)),grid on;
hold on;
plot(t,x_hat(1,:),'r'),grid on;
plot(t, x_hat2(1, :), "k"), grid on
title('Practical and Tracking Position on X axis')
legend('Practical Position', 'Kalman Tracking Position', 'LMS Tracking Position')
xlabel('Time [sec]')
ylabel('Position [m]')
hold off;
%% Graph 3
figure(3)
plot(t,x_error(1,:)),grid on;
title('Position Error on X axis')
xlabel('Time [sec]')
ylabel('Position RMSE [m]')
hold off;
%% Graph 4
figure(4)
plot(t,x(2,:)),grid on;
hold on;
plot(t,x_hat(2,:),'r'),grid on;
plot(t,x_hat2(2,:),'k'),grid on;
title('Practical and Tracking Velocity on X axis')
legend('Practical Velocity','Tracking Velocity')
xlabel('Time [sec]')
ylabel('Velocity [m/sec]')
hold off;
%% Graph 5
figure(5)
plot(t,x_error(2,:)),grid on;
title('Velocity Error on X axis')
xlabel('Time [sec]')
ylabel('Velocity RMSE [m/sec]')
hold off;

结语

稍微有点赶,

LMS、kalman、RLS的Matlab仿真相关推荐

RLS,LMS以及NLMS三种自适应均衡matlab仿真
目录 1.算法概述 2.仿真效果 3.MATLAB仿真源码 1.算法概述自适应均衡属于自适应信号处理的应用范畴,各种各样的自适应均衡算法如迫零(ZF)算法.最小均方(LMS)算法.递归最小二乘(RL ...
rls lms 对比 matlab,自适应均衡器的LMS和RLS两种算法的特性与仿真分析
自适应均衡属于自适应信号处理的应用范畴,各种各样的自适应均衡算法如迫零(ZF)算法.最小均方(LMS)算法.递归最小二乘(RLS)算法.变换域均衡算法.Bussgang算法.高阶或循环统计量算法.基于 ...
【语音去噪】基于最小二乘自适应滤波LMS和RLS实现语音去噪含Matlab源码
1 简介自适应信号处理的理论和技术已经成为人们常用滤波和去噪技术.文中讲述了自适应滤波的原理以及LMS算法和RLS算法两种基本自适应算法的原理及步骤.并用MATLAB分别对两种算法进行了自适应滤波仿 ...
mlse均衡器matlab,基于LMS自适应均衡器matlab仿真.doc
基于LMS自适应均衡器matlab仿真.doc 毕业设计 (2014届) 题目一种基于OpenCV的摄像机标定方法学院物理电气信息学院专业电子信息工程年级 2010 学生学号 ...
自适应均衡器 matlab程序,基于lms自适应均衡器matlab仿真
基于lms自适应均衡器matlab仿真毕业设计 (2014 届) 题目一种基于 OpenCV 的摄像机标定方法学院物理电气信息学院专业电子信息工程年级 2010 学生学号 ...
基于LMS自适应滤波器的QPSK信号均衡器matlab仿真
目录 1.算法概述 2.仿真效果 3.MATLAB仿真源码 1.算法概述在自适应滤波器设计中,最小均方(Least Mean Square,LMS)算法使用随机梯度下降的方法实现代价函数的最小化,具 ...
Matlab算法DSP移植验证,DSP计算机作业自适应噪声抵消LMS算法Matlab仿真
[实例简介] 自适应噪声抵消LMS算法Matlab仿真,DSP计算机作业数字信号处理自适应 1) 借助MATLAB画出误差性能曲面和误差性能曲面的等值曲线: 2) 写出最陡下降法, LMS算法的计 ...
LMS算法的基本理论和MATLAB仿真
LMS算法的基本理论和MATLAB仿真 1 基本理论 2 仿真 2.1 第一种信号:期望信号+噪声 2.1.1 没有蒙特卡洛 2.1.2 有蒙特卡洛 2.2 第二种信号:期望信号+幅相误差 2.3 第 ...
LMS自适应滤波matlab仿真
目录 1.算法概述 2.仿真效果 3.MATLAB仿真源码 1.算法概述 LMS(Least Mean Square), 由 Widrow 和 Hoff 于1960年提出,也称Δ规则.该算法与感知器网 ...

LMS、kalman、RLS的Matlab仿真

LMS、kalman、RLS的Matlab仿真

画图部分

LMS实现-Matlab仿真

RLS实现-Matlab仿真

卡尔曼滤波的Matlab实现

结语

LMS、kalman、RLS的Matlab仿真相关推荐

最新文章

热门文章