LMS.zip_LMS 二维_lms_二维LMS算法_变步长 lms_变步长LMS

clear all; close all; N=100; sample_N=500; t=1:sample_N; d=sin(2*pi*t/100);%期望 x=sin(2*pi*t/100);% 输入 noise(1:sample_N)=2*rand(1,sample_N)-1; b=x+noise;%加入噪声的数据 % delta=0.001; h=zeros(1,N); y=zeros(1,sample_N); delta=zeros(1,sample_N); a=0.999;%参数 %LMS算法 for n=1:sample_N-N x1=x(n:n+N-1)+noise(n:n+N-1); y(n)=h*x1'; e(n)=d(n)-y(n); r=eig(x1*x1');%求矩阵的特征值 rmax=max(r(:));%求特征值的最大值 deltamax=2/rmax;%求步长的最大值 delta(1)=deltamax; delta(n+1)=(e(n)/d(n))^2*deltamax/10;%步长迭代公式 if delta(n+1)<a*delta(n) delta(n+1)=a*delta(n); elseif delta(n+1)>1/a*delta(n) delta(n+1)=1/a*delta(n); else continue; end h=h+delta(n)*e(n)*x1; end for n=sample_N-N+1:sample_N x1=[x(n:sample_N),x(1:n-(sample_N-N+1))]+[noise(n:sample_N),noise(1:n-(sample_N-N+1))]; y(n)=h*x1'; e(n)=d(n)-y(n); r=eig(x1*x1');%求矩阵的特征值 rmax=max(r(:));%求特征值的最大值 deltamax=2/rmax;%求步长的最大值 delta(1)=deltamax; delta(n+1)=(e(n)/d(n))^2*deltamax/10;%步长迭代公式 if delta(n+1)<a*delta(n) delta(n+1)=a*delta(n); elseif delta(n+1)>1/a*delta(n) delta(n+1)=1/a*delta(n); else continue; end h=h+delta(n)*e(n)*x1; end %作图 figure subplot(231) plot(t,x) axis([0,sample_N,-2,2]) title('基于LMS算法的自适应滤波去噪'),xlabel('采样点'),ylabel('期望函数') subplot(232) plot(t,noise) axis([0,sample_N,-2,2]) xlabel('采样点'),ylabel('噪声函数') subplot(233) plot(t,b) axis([0,sample_N,-2,2]) xlabel('采样点'),ylabel('含噪声的输入数据') subplot(234) plot(t,e) axis([0,sample_N,-1,1]) xlabel('采样点'),ylabel('差值函数') subplot(235) plot(t,y) axis([0,sample_N,-2,2]) xlabel('采样点'),ylabel('输出函数')