《dsp综合实验-lms的自适应滤波器》由会员分享，可在线阅读，更多相关《dsp综合实验-lms的自适应滤波器（7页珍藏版）》请在装配图网上搜索。
1、实验报告课程名称：数字信号处理实验任课教师：周浩实验名称：年级、专业： 08级通信工程学号：20081姓名：日期： 2010 年月日云南大学信息学院一、实验目的1. 了解MATLAB在设计滤波器中强大的功能，无论在程序，还是仿真。2. 了解高斯白噪声的滤除以及算法，设计出自适应滤波器。二、实验内容1. 滤除含有高斯噪声的音频信号的噪声信号，并达到一定的效果。设计出自适 应滤波器。三、主要算法与程序高斯噪声的频谱是无限长的，因此用低通滤波器滤出来的效果并不好，因此我们必须使用另外一种滤波器一自适应滤波器。 自适应滤波器与普通滤波器的区别是 它能够随着外界信号特性动态的改变单数， 保持最佳滤波状态
2、，如何根据外界信 号的变化来调整参数是由自适应算法决定的， 因此自适应算法的好坏直接影响滤 波的效果。自适应滤波器中有使用Ims算法的，LMS算法是利用梯度估计值来代 替帝都向量的一种快速搜索算法，具有量小、易实现的优点；其基本思想是通过调整滤波器的权值参数，是滤波器的输出信号与期望信号之间的均方误差最小。自适应滤波一般包括2个基本过程：滤波过程和滤波器参数调整过程。 这2个 过程组成1个反馈环。在设计的过程中，虽然FIR和IIR都可以用于自适应滤波 器，由于IIR的稳定性问题，所以设计时采用自适应横向 FIR滤波器。其结构下 图所示。團2 基于I.Xt S算法的自适应橫向F R谑波器原理图这
3、个算法对于滤除高斯噪声是很适合的。LMS算法步骤：1、设置变量和参量：X(n)为输入向量，或称为训练样本W(n)为权值向量b(n)为偏差d(n)为期望(均值)输出y(n)为实际输出n为学习速率 n为迭代次数2、初始化，赋给w(0)各一个较小的随机非零值，令n=03、 对于一组输入样本x(n)和对应的期望输出d,计算 e(n )=d( n)-XAT( n)W(n)W(n+1)=W(n)+n X(n)e(n)4、判断是否满足条件，若满足算法结束，若否n 增加 1，转入第 3 步继续执行。 程序： clear all clc N=2048;s,fs,bits=wavread('origina
4、l.wav'); %用于读取语音，采样值放在向量 y中， fs 表示采样频率 (Hz) ，bits 表示采样位数。采用的是双通道，因此向量 y2的维数为 n*2 维f=0:fs/N:fs/2-1/N;t=(0:length(s)-1)/fs;snr=15;%s_power=var(s);%var、一 F - 方差lin ear_s nr=10A(s nr/10); factor=sqrt(s_power/linear_snr); noise1=randn(1,length(s)*factor(1); % s1=s(:,1)+noise1'x1=noise1;%x2=noise1
5、;w1=0.02; % w2=0.02;e=zeros(1,length(s);y=0;u=0.05; %for i=1:length(s)%s1y=w1*x1(i)+w2*x2(i);e(i)=s1(i)-y;w1=w1+u*e(i)*x1(i);w2=w2+u*e(i)*x2(i);end noise2=randn(1,length(s)*factor(2)*1.2; s2=s(:,2)+noise2'%z1=noise2;%z2=noise2;w1=0.02;%w2=0.02;er=zeros(1,length(s);y=0;u=0.05;for i=1:length(s)%s2
6、y=w1*x1(i)+w2*z2(i);er(i)=s2(i)-y;信噪比 20( dB)函数 : 返回方差值。每一列的由SNF计算随机噪声噪声源输入权系数初值步长因子通道LMS算法由SNR计算随机噪声噪声源输入权系数初值通道LMS算法#w1=w1+u*er(i)*z1(i);w2=w2+u*er(i)*z2(i);endss=zeros(length(s1),2);ss(:,1)=s1;ss(:,2)=s2;SS=fft(ss,N); %SS=log(abs(SS);ee=e;er'EE=fft(ee,N); %EE=log(abs(EE); wavwrite(ss,fs,'
7、orig_noise.wav'); % wavwrite(ee,fs,'after_lms.wav'); % sound(ss,fs,bits); % sound(ee,fs,bits);figure(1) subplot(2,2,1) plot(t,ss);grid on title(' 带高斯噪声音频信号 ') xlabel('time(s)'); ylabel(' 幅度 ');axis(0 10 -1.2 1.2); subplot(2,2,2) plot(f,SS(1:1024,:);grid on title(&
8、#39; 未滤波音频信号的频谱 '); xlabel('Hz');ylabel(' 幅度 '); subplot(2,2,3) plot(t,ee);grid on title(' 自适应噪声滤波对消之后 ') xlabel('time(s)');ylabel(' 幅度 '); axis(0 10 -1.2 1.2);subplot(2,2,4) plot(f,EE(1:1024,:);grid on title(' 自适应滤波之后音频信号的频谱 xlabel('Hz');ylabe
9、l(' 幅度 ');四、实验结果与分析未滤波音频信号 ss 快速傅里叶变换滤波之后音频信号 ss 快速傅里叶变换把数据ss以音频格式wav文件存起来把数据ee以音频格式wav文件存起来 回放声音')4带高斯噪声音频信号未滤波音频信号的频谱time(s)自适应噪声滤波对消之后自适应滤波之后音频信号的频谱5带高斯噪声音频信号未滤波音频信号的频谱#带高斯噪声音频信号未滤波音频信号的频谱滤波之后的音频信号的频谱会平缓一下，没有那么多的“刺”。叠加了噪声信号的音频在经过自适应滤波器之后，滤波效果比较好，没有了明显的沙沙的声音。五、实验小结首先认识到MATLAB虽大的功能，以及在自适应滤波之后效果相当明显。在学习 通信过程中滤波器的设计是非常重要的，应该学习更多的算法设计滤波器，起到最佳接收的效果。通信原理书上说的很多种方法实现最佳接收， 像RLS算法等等， 还有很多的方法。在学习LMS算法一定要学会迭代的方法。不过在MATLAB中有直接的函数adaptfilter.lms，可以直接调用，但是为了更好的学习这个算法，用循环语句实现这一过程。#
dsp综合实验-lms的自适应滤波器
