SD算法和LMS算法MATLAB仿真

学习维纳滤波原理及自适应算法时，编写的SD算法和LMS算法在统一条件下的仿真，有画SD算法的学习曲线和权值变化曲线，LMS算法的多次实验下的学习曲线和权系数更新曲线。参考教材：现代数字信号处理及其应用（何子述、夏威）

clc
clear all
%******************************************%
%*********Speech channel model*************%
%******************************************%
%输入参数：
%         data             激励信号序列序列（列向量）

%输出参数
%         speech_signal     输出语音信号（列向量）

%初始化
data_average=0;%激励信号均值
data_variance=0.27;%激励信号方差
iterations=500;%迭代次数

data=normrnd（data_averagesqrt（data_variance）1iterations）.‘;%产生白噪声序列

%画图（白噪声data）
figure（1）
subplot（311）
plot（data‘y‘）;
grid on
title（sprintf（‘N（%d%d）分布的白噪声序列‘data_averagedata_variance））;
subplot（312）
R_data=xcorr（data‘‘）;
plot（R_data‘m‘）;
grid on
title（sprintf（‘N（%d%d）分布的噪声序列自相关函数‘data_averagedata_variance））;
subplot（313）
periodogram（data[]1024250）;
title（sprintf（‘N（%d%d）分布的噪声序列功率谱密度‘data_averagedata_variance））;
%结束画图
speech_signal = filter（1[10.8458]data）;

%画图
figure（2）
subplot（211）
plot（speech_signal‘m‘）;
title（‘语音信号序列‘）;
axis（[-10 510 -5 5]）;
%结束画图

%******************************************%
%******Transmission signal model***********%
%******************************************%
%输入参数：
%        speech_signal    激励信号序列序列（列向量）
%        noise            信道中的加性噪声（列向量）
%输出参数
%        data_in_fiter    输出经过信道的带噪语音信号（列向量）
noise_average=0;%噪声均值
noise_variance=0.1;%噪声方差

noise=normrnd（noise_averagesqrt（noise_variance）1iterations）.‘;
data_in_fiter = filter（1[1-0.9458]speech_signal）+noise;

%画图
subplot（212）
plot（data_in_fiter‘r‘）;
title（‘输出经过信道的带噪语音信号序列‘）;
axis（[-10 510 -5 5]）;
%结束画图

%******************************************%
%*************Least Mean Square************%
%******************************************%

%输入参数：
%         data_in_fiter    滤波器输入信号序列（列向量）
%         expct_data       所期望的响应序列（列向量）
%         M_rank           滤波器阶数（标量）
%         u_step           滤波器步长（标量）

%输出参数
%        weight            滤波器权值矩阵（矩阵 M_rank*length（data_in_fiter））
%                          设迭代次数即为其输入序列长度
%        erro              误差序列（length（data_in_fiter）*i）
%        real_data         实际输出序列
%        mse               均方误差

%输入参数赋值
expct_data = speech_signal;
M_rank = 2;
u_step = 0.02;

%初始化
n = 0;%迭代次数
weight = zeros（M_rankiterations）;%权重
erro = zeros（1iterations）;%误差
data_instantaneous = zeros（1iterations+M_rank-1）.‘;%输入序列瞬时值
real_data = zeros（1iterations）;%期望信号估计，实际输出的序列
mse = zeros（1iterations）;%均方误差

erro（1） = expct_data（1） - real_data（1）;
data_instantaneous（1:iterations:） =  flipud（data_in_fiter）;%flipud 实现倒序
mse（1） = erro（1）^2;

for n = 1:（iterations-1）
    data_temporary = data_instantaneous（（iterations+1-n）:（iterations+M_rank-n））;%临时
    weight（:n+1） = weight（:n） + u_step*data_temporary*conj（erro（n））;
    data_temporary = data_instantaneous（（iterations-n）:（iterations+M_rank-n-1））;%临时
    real_data（n+1） = weight（:n+1）‘*data_temporary;
    erro（n+1） = expct_data（n+1） - real_data（n+1）;
    mse（n+1） = erro（n+1）^2;
end
%画图
figure（3）
plot（mse‘r‘）;
title（‘LMS算法一次实验学习曲线‘）;
xlabel（‘迭代次数n‘）
ylabel

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-10-31 20:34  SD&LMS\
     文件        4351  2019-10-29 15:02  SD&LMS\least_mean_square.m
     文件        6172  2019-10-31 20:25  SD&LMS\least_mean_square_ex.m
     文件        1460  2019-10-31 20:30  SD&LMS\LMS.m
     文件        3196  2019-10-31 19:18  SD&LMS\steepest_descent_method.m