matlab中仿真自适应信号处理序贯回归SER算法

%************************************SER算法：起始值q0=1************************************%
N=16;u=0.05;%N表示一个周期的采样点数，u表示权调整的步长
p=0.01;%随机信号的功率                                           
syms w0 w1%定义两个权向量
y=（0.5+p）*（w0.^2+w1.^2）+w0*w1*cos（2*pi/N）+2*w1*sin（2*pi/N）+2; %性能表面
F=[0.490.781.96.3];

%****************************画二次性能表面的投影*****************************%

for k=1:4
    ezplot（y-F（k）[-10 10 -10 10]）
    hold on
end

%************************************SER算法************************************%

a=0.93;%标量因子aerf=1/2^（x的平移区间的长度）
w0=[0 6 zeros（1110）];
w1=[0 -9 zeros（1110）];
lv=zeros（1110）;%用于存储λ的平均值
q0=1;%设置q0=1
inv_Q（::1）=q0.*[1 0;0 1];%Q的逆矩阵的初值
for k=2:102
    r（k）=random（‘norm‘00.1）;%生成功率为0.01的随机信号
    m（k）=2*cos（2*pi*k/N）;%期待信号
    x（k）=sin（2*pi*k/N）+r（k）;%输入信号
    e（k）=m（k）-（x（k）.*w0（k）+x（k-1）.*w1（k））;%误差信号
    X=[x（k） x（k-1）]‘;
    S=inv_Q（::k-1）*X;
    ga=a+X‘*S;
    inv_Q（::k）=1/a*（inv_Q（::k-1）-1/ga*S*S‘）;%求Q的逆
    inv_R（::k）=（1-a^（k+1））/（1-a）*inv_Q（::k）;%求R的逆
    R（::k）=inv（inv_R（::k））;%求R
    [vd]=eig（R（::k））;%求R的特征值和特征向量
    dd=（d（11）+d（22））/2;
    lv（k）=dd;%λ的平均值
    C=inv_Q（::k）*X;%中间计算量
    w0（k+1）=w0（k）+（2*u*lv（k）*（1-a^（k+1）））/（1-a）*e（k）*C（1;%权向量w0的迭代
    w1（k+1）=w1（k）+（2*u*lv（k）*（1-a^（k+1）））/（1-a）*e（k）*C（2）;%权向量w1的迭代
end
%************************************ 描绘权值轨迹 ************************************%

for k=2:102                  
    line（[w0（k） w0（k+1）][w1（k） w1（k+1）]）;
    ax