Adaptive Filtering 4th，MATLAB——Nonlinear_Adaptive_Filters

经典beamforming、自适应滤波教材matlab源代码。 Paulo S.R. Diniz编著的自适应滤波第四版（Adaptive Filtering_Algorithms and Practical Implementation 4th），源代码——Nonlinear_Adaptive_Filters

%   Bilinear_RLS.m
%       Implements the Bilinear RLS algorithm for REAL valued data.
%       （Algorithm 11.3 - book: Adaptive Filtering: Algorithms and Practical
%                                                        Implementation Diniz）
%  
%   Input parameters:
%       Nr     : members of ensemble.
%       dim    : iterations.
%       Sx     : standard deviation of input.
%       Sn     : standard deviation of measurement noise.
%       lambda : exponential weighting factor.
%      
%   Output parameters:
%       MSE    : mean-square error.
%  
%   Authors:
%       . Guilherme de Oliveira Pinto   - guilhermepinto7@gmail.com & guilherme@lps.ufrj.br
%       . Markus Vinícius Santos Lima   - mvsl20@gmailcom           & markus@lps.ufrj.br
%       . Wallace Alves Martins         - wallace.wam@gmail.com     & wallace@lps.ufrj.br
%       . Luiz Wagner Pereira Biscainho - cpneqs@gmail.com          & wagner@lps.ufrj.br
%       . Paulo Sergio Ramirez Diniz    -                             diniz@lps.ufrj.br
%


clear all;		% clear memory


% Input: 
Nr     = 100;
dim    = 5e2;
Sx     = 1; 
Sn     = 1e-1;
lambda = 0.98;


% Body:
for j=1:Nr
   n=Sn*randn（dim1）;        % noise at system output   
   x=Sx*（randn（dim1））;         % input signal
   xl（1）=0; xl（2:dim）=x（1:dim-1）;
   w=zeros（4dim）;           % initial coefficient vector
   d=zeros（dim1）;
   yl（1）=0; dl（1）=0;
   
   Sd=eye（4）;
   for i=1:dim
      d（i）=-.6*dl（i）+x（i）+.01*x（i）*dl（i）+.02*xl（i）*dl（i）+n（i）; % unknown system output sample
      uxl（:i）=[x（i） dl（i） x（i）*dl（i） xl（i）*dl（i）]‘; % new input vector
      elinha（i）=d（i）-w（:i）‘*uxl（:i）+n（i）;          % error sample
      psi=Sd*uxl（:i）;
      Sd=（1/lambda）*（Sd-（psi*psi‘）/（lambda+psi‘*uxl（:i）））;
      w（:i+1）=w（:i）+elinha（i）*Sd*uxl（:i）;         % new coefficient vector
      y（i）=w（:i+1）‘*uxl（:i）;                       % output sample
      yl（i+1）=yl（i）;
      dl（i+1）=d（i）;
      e（i）=d（i）-y（i）+n（i）;
   end
   mse（j:）=e.^2;
end

MSE=mean（mse）;


% Output:
figure
plot（10*log10（MSE））;
title（‘Learning Curve for MSE‘）;
xlabel（‘Number of iterations k‘）; ylabel（‘MSE [dB]‘）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-01-11 14:50  Nonlinear_Adaptive_Filters\
     文件        2133  2011-01-04 08:53  Nonlinear_Adaptive_Filters\Bilinear_RLS.m
     文件        2803  2011-01-04 08:54  Nonlinear_Adaptive_Filters\Complex_Radial_Basis_Function.m
     文件        2615  2011-01-04 08:54  Nonlinear_Adaptive_Filters\Multilayer_Perceptron.m
     文件        2637  2011-01-04 08:54  Nonlinear_Adaptive_Filters\Radial_Basis_Function.m
     文件        2089  2011-01-04 08:54  Nonlinear_Adaptive_Filters\Volterra_LMS.m
     文件        2106  2011-01-04 08:54  Nonlinear_Adaptive_Filters\Volterra_RLS.m
     文件         134  2010-12-12 04:22  Nonlinear_Adaptive_Filters\sgd.m
     文件         108  2010-12-12 04:22  Nonlinear_Adaptive_Filters\sgm.m