4G通信技术的发展及应用探析论文
一、4G通信技术发展优势
网络速度更快
4G网络表现出的最大优势在于其具备的无线通信速度，根据研究者预测，未来，4G通信系统中的无线传输速度可以达到10M-20Mbps，如果是起峰值的传输速度则可能达到更高的点，由此为人们应用无线网络提供了较大的便捷。
网络相关频谱更宽
要想实现4G通信技术，达到更快的网线网络速度，就必须对现有的3G通信速度进行改造及升级处理，由此也就使得4G通信技术中的网络频谱宽带要超过3G通信技术，根据研究者表明，对于4G网络通信，每个信道都能够占用仅100Mhz的频谱，而这是3G通信技术无法企及的。
更智能化
随着4G通信技术的推广使用，其所表现出的通信网络及终端智能化也不断升高，这不仅体现在通信终端的设计及操作智能化，同时在体现在网络设备功能的智能化，如根据用户的环境、时间及其他因素不同，可以通过网络设备终端，为用户提供个性化的服务。
通信方式更多样化
4G网络支持的手机已经不再是简单的电话，其能够提供更加可靠的语音数据服务，方便人们的语音通话，而在设计及功能方面则有着更大的突破，也就是能够做成任何可以想象的形状。
二、4G通信技术的应用
软件无线电技术
此种技术又被称为SDR技术，可以对现代化的数字信号技术进行有效利用，结合可编程平台，根据软件定义无线平台的功能。在软件无线电技术中，可以采用的技术包括可编程器件、信号处理技术、数字信号处理等，同时，通过应用软件无线电技术，还能够确保通信系统中各种功能的实现，如软件可编程、硬件设备重复利用等，以减少资源浪费。
技术
此项技术是4G通信技术中最重要的一项技术，在无线传输中得到了广泛应用，此项技术的应用主要是将通信信道划分成多个子信道，并对子信道的子波进行调制处理，然后进行传输，从而保证信道的频率选择性，而且确保每一个子信道都能够保持平坦。通过子信道实现窄宽的传输，在此过程中能够保证信号带宽比信道带宽小，从而对信号波形之间产生的干扰起到有效的抑制作用。此外，此项技术的应用也在很大程度上客服了数据传输干扰的难题，大大提升了系统传输频率，并简化了硬件结构，有利于网络传输速度的加快。
智能天线技术
此项技术又被称为自适应天线阵列，即AAA，最初，此项技术主要应用在雷达、声钠等军事领域，主要是为了实现空间滤波及定位，在此项技术体系中，通过应用空分多址技术，实现信号传输差别处理，并准确区分系统中的同频率或同码道信号，以对信号覆盖区域产生动态控制，及时将主波束转移至用户的所在方向，确保用户应用网络的可靠性及安全性。通过对信号干扰进行控制，并跟踪用户及其所处环境，能够时刻了解用户所在网络的具体情况，从而为入网用户提供质量较高的链路，以加强对干扰信号的抑制作用，并最大限度的提取可应用信号，确保用户网络的可利用性。
三、4G通信技术的发展趋势
4G通信技术的应用已经表现出了极大的优势，在未来的发展过程中，4G通信技术势必能够完全取代2G、3G通信技术，成为移动通信发展的主导型技术。首先，4G用户市场会不断扩大，实际价值也会不断升高，这主要是由于其所具备的网络优势是传统移动通信技术所不能达到的，因此，未来的4G通信技术发展必然会呈现出多频段、多模式及多业务应用的局面，而且实现完全的智能化，随之而来的是越来越广泛的.用户市场，并带来巨大的经济效益。其次，4G通信技术对于设备需求更高，作为4G通信技术发展的基础性条件，要想达到其网络传输频率，就必须建设更多的基站，以满足4G通信技术的传输需求。最后，各个运营商展开4G通信业务争夺战，由于4G通信技术表现出巨大的优势，其必然能够拥有更加庞大的用户群，而这为各大运营商带来了甜头，因此，对于4G业务的开展势必会有一番较量，而在此过程中也能够进一步完善此项技术，为用户提供更为可靠的服务。
四、结语
4G通信技术的萌芽及广泛应用不仅为人们提供了更快速的网络服务，同时不断拓展应用市场，形成更加庞大的受众群体，其在表现出光明发展前景的同时，也能够创造出更大的市场价值，为人们带来更多的经济效益，因此加强4G通信技术研究具有重要意义，这也是未来我国市场经济发展应当重视的一个版块，以实现移动通信技术的不断进步。
% RLS算法 randn('seed', 0) ; rand('seed', 0) ; NoOfData = 8000 ; % Set no of data points used for training Order = 32 ; % 自适应滤波权数 Lambda = ; % 遗忘因子 Delta = ; % 相关矩阵R的初始化 x = randn(NoOfData, 1) ;%高斯随机系列 h = rand(Order, 1) ; % 系统随机抽样 d = filter(h, 1, x) ; % 期望输出 % RLS算法的初始化 P = Delta * eye ( Order, Order ) ;%相关矩阵 w = zeros ( Order, 1 ) ;%滤波系数矢量的初始化 % RLS Adaptation for n = Order : NoOfData ; u = x(n:-1:n-Order+1) ;%延时函数 pi_ = u' * P ;%互相关函数 k = Lambda + pi_ * u ; K = pi_'/k;%增益矢量 e(n) = d(n) - w' * u ;%误差函数 w = w + K * e(n) ;%递归公式 PPrime = K * pi_ ; P = ( P - PPrime ) / Lambda ;%误差相关矩阵 w_err(n) = norm(h - w) ;%真实估计误差 end ; % 作图表示结果 figure ; plot(20*log10(abs(e))) ;%| e |的误差曲线 title('学习曲线') ; xlabel('迭代次数') ; ylabel('输出误差估计') ; figure ; semilogy(w_err) ;%作实际估计误差图 title('矢量估计误差') ; xlabel('迭代次数') ; ylabel('误差权矢量') ; %lms 算法 clear all close all hold off%系统信道权数 sysorder = 5 ;%抽头数 N=1000;%总采样次数 inp = randn(N,1);%产生高斯随机系列 n = randn(N,1); [b,a] = butter(2,); Gz = tf(b,a,-1);%逆变换函数 h= [;;;;;];%信道特性向量 y = lsim(Gz,inp);%加入噪声 n = n * std(y)/(10*std(n));%噪声信号 d = y + n;%期望输出信号 totallength=size(d,1);%步长 N=60 ; %60节点作为训练序列 %算法的开始 w = zeros ( sysorder , 1 ) ;%初始化 for n = sysorder : N u = inp(n:-1:n-sysorder+1) ;% u的矩阵 y(n)= w' * u;%系统输出 e(n) = d(n) - y(n) ;%误差 if n < 20 mu=; else mu=; end w = w + mu * u * e(n) ;%迭代方程 end %检验结果 for n = N+1 : totallength u = inp(n:-1:n-sysorder+1) ; y(n) = w' * u ; e(n) = d(n) - y(n) ;%误差 end hold on plot(d) plot(y,'r'); title('系统输出') ; xlabel('样本') ylabel('实际输出') figure semilogy((abs(e))) ;% e的绝对值坐标 title('误差曲线') ; xlabel('样本') ylabel('误差矢量') figure%作图 plot(h, 'k+') hold on plot(w, 'r*') legend('实际权矢量','估计权矢量') title('比较实际和估计权矢量') ; axis([0 6 ])
数字滤波器在数字信号处理中的应用广泛，是数字信号处理的重要基础。自适应滤波器可以不必事先给定信号及噪声的自相关函数,它可以利用前一时刻已获得的滤波器参数自动地调节现时刻的滤波器参数使得滤波器输出和未知的输入之间的均方误差最小化,从而它可以实现最优滤波。 自适应滤波器的算法有很多,有RLS（递归最小二乘法）和LMS（最小均方算法）等。自适应LMS算法是一种很有用且很简单的估计梯度的方法,在信号处理中得到广泛应用。 本论文主要研究了自适应滤波器的基本结构和原理，然后介绍了最小均方误差算法(LMS算法)，并完成了一种基于MATLAB平台的自适应LMS自适应滤波器的设计,同时实现了对信号进行初步的降噪处理。 通过仿真，我们实现了LMS自适应滤波算法，并从结果得知步长和滤波器的阶数是滤波器中很重要的两个参数，并通过修改它们证实了这一点，其中步长影响着收敛时间，而且阶数的大小也会大大地影响自适应滤波器的性能。
自适应滤波器实际上是一种能够自动调整本身参数的特殊维纳滤波器，在设计时不需要预先知道关于输入信号和噪声的统计特性，它能够在工作过程中逐步“了解” 或估计出所需的统计特性，并以此为依据自动调整自身的参数，以达到最佳滤波效果。一旦输入信号的统计特性发生变化，它又能够跟踪这种变化，自动调整参数，使滤波器性能重新达到最佳。 自适应滤波器由参数可调的数字滤波器(或称为自适应处理器)和自适应算法两部分组成，如图7-3所示。参数可调数字滤波器可以是FIR数字滤波器或IIR数字滤波器，也可以是格型数字滤波器。输入信号x(n)通过参数可调数字滤波器后产生输出信号(或响应)y(n)，将其与参考信号(或称期望响应)d(n)进行比较，形成误差信号e(n)，并以此通过某种自适应算法对滤波器参数进行调整，最终使e(n)的均方值最小。尽管自适应滤波器具有各种不同的算法和结构，但是，其最本质特征是始终不变的。这种最本质的特征可以概括为：自适应滤波器依据用户可以接受的准则或性能规范，在未知的而且可能是时变的环境中正常运行，而无须人为的干预。本章主要讨论的是基于维纳滤波器理论的最小均方(LMS)算法，可以看到LMS算法的主要优点是算法简单、运算量小、易于实现；其主要缺点是收敛速度较慢，而且与输入信号的统计特性有关。 自适应线性滤波器是一种参数可自适应调整的有限冲激响应(FIR)数字滤波器，具有非递归结构形式。因为它的分析和实现比较简单，所以在大多数自适应信号处理系统中得到了广泛应用。如图7-4所示的是自适应线性滤波器的一般形式。输入信号矢量x(n)的L+1个元素，既可以通过在同一时刻对L+1个不同信号源取样得到，也可以通过对同一信号源在n以前L+1个时刻取样得到。前者称为多输入情况，如图7-5所示，后者称为单输入情况如图7-4所示，这两种情况下输入信号矢量都用x(n)表示，但应注意它们有如下区别。 单输入情况： (7-18) 多输入情况： (7-19) 单输入情况下x(n)是一个时间序列，其元素由一个信号在不同时刻的取样值构成；而多输入情况下x(n)是一个空间序列，其元素由同一时刻的一组取样值构成，相当于并行输入。 对于一组固定的权系数来说，线性滤波器是输出y(n)等于输入矢量x(n)的各元素的线性加权之和。然而实际上权系数是可调的，调整权系数的过程叫做自适应过程。在自适应过程中，各个权系数不仅是误差信号e(n)的函数，而且还可能是输入信号的函数，因此，自适应线性滤波器的输出就不再是输入信号的线性函数。 输入信号和输出信号之间的关系为 单输入情况： (7-20) 多输入情况： (7-21) 如图7-4所示的单输入自适应线性滤波器，实际上是一个时变横向数字滤波器，有时称为自适应横向滤波器。它在信号处理中应用很广泛。自适应线性滤波器的L+1个权系数构成一个权系数矢量，称为权矢量，用w(n)表示，即 (7-22) 这样，输出响应表示为 (7-23) 参考响应与输出响应之差称为误差信号，用e(n)表示，即 (7-24) 自适应线性滤波器按照误差信号均方值(或平均功率)最小的准则，即 (7-25) 来自动调整权矢量。
clear all close all %channel system order sysorder = 5 ; % Number of system points N=2000; inp = randn(N,1); n = randn(N,1); [b,a] = butter(2,); Gz = tf(b,a,-1); %This function is submitted to make inverse Z-transform (Matlab central file exchange) %The first sysorder weight value %h=ldiv(b,a,sysorder)'; % if you use ldiv this will give h :filter weights to be h= [; ; ; ; ;]; y = lsim(Gz,inp); %add some noise n = n * std(y)/(10*std(n)); d = y + n; totallength=size(d,1); %Take 60 points for training N=60 ; %begin of algorithm w = zeros ( sysorder , 1 ) ; for n = sysorder : N u = inp(n:-1:n-sysorder+1) ; y(n)= w' * u; e(n) = d(n) - y(n) ; % Start with big mu for speeding the convergence then slow down to reach the correct weights if n < 20 mu=; else mu=; end w = w + mu * u * e(n) ; end %check of results for n = N+1 : totallength u = inp(n:-1:n-sysorder+1) ; y(n) = w' * u ; e(n) = d(n) - y(n) ; end hold on plot(d) plot(y,'r'); title('System output') ; xlabel('Samples') ylabel('True and estimated output') figure semilogy((abs(e))) ; title('Error curve') ; xlabel('Samples') ylabel('Error value') figure plot(h, 'k+') hold on plot(w, 'r*') legend('Actual weights','Estimated weights') title('Comparison of the actual weights and the estimated weights') ; axis([0 6 ]) % RLS 算法 randn('seed', 0) ; rand('seed', 0) ; NoOfData = 8000 ; % Set no of data points used for training Order = 32 ; % Set the adaptive filter order Lambda = ; % Set the fetting factor Delta = ; % R initialized to Delta*I x = randn(NoOfData, 1) ;% Input assumed to be white h = rand(Order, 1) ; % System picked randomly d = filter(h, 1, x) ; % Generate output (desired signal) % Initialize RLS P = Delta * eye ( Order, Order ) ; w = zeros ( Order, 1 ) ; % RLS Adaptation for n = Order : NoOfData ; u = x(n:-1:n-Order+1) ; pi_ = u' * P ; k = Lambda + pi_ * u ; K = pi_'/k; e(n) = d(n) - w' * u ; w = w + K * e(n) ; PPrime = K * pi_ ; P = ( P - PPrime ) / Lambda ; w_err(n) = norm(h - w) ; end ; % Plot results figure ; plot(20*log10(abs(e))) ; title('Learning Curve') ; xlabel('Iteration Number') ; ylabel('Output Estimation Error in dB') ; figure ; semilogy(w_err) ; title('Weight Estimation Error') ; xlabel('Iteration Number') ; ylabel('Weight Error in dB') ;
处理的重要基础。自适应滤波器可以不必事先给定信号及噪声的自相关函数,它可以利用前一时刻已获得的滤波器参数自动地调节现时刻的滤波器参数使得滤波器输出和未知的输入之间的均方误差最小化,从而它可以实现最优滤波。 自适应滤波器的算法有很多,有RLS（递归最小二乘法）和LMS（最小均方算法）等。自适应LMS算法是一种很有用且很简单的估计梯度的方法,在信号处理中得到广泛应用。 本论文主要研究了自适应滤波器的基本结构和原理，然后介绍了最小均方误差算法(LMS算法)，并完成了一种基于MATLAB平台的自适应LMS自适应滤波器的设计,同时实现了对信号进行初步的降噪处理。 通过仿真，我们实现了LMS自适应滤波算法，并从结果得知步长和滤波器的阶数是滤波器中很重要的两个参数，并通过修改它们证实了这一点，其中步长影响着收敛时间，而且阶数的大小也会大大地影响自适应滤波器的性能。
clear all close all N=10; %滤波器阶数 sample_N=500; %采样点数 A=1; %信号幅度 snr=10; %信噪比 t=1:sample_N; length_t=100; %期望信号序列长度 d=A*sin(2*pi*t/length_t); %期望信号 M=length(d); %M为接收数据长度 x=awgn(d,snr); %经过信道（加噪声） delta=1/(10*N*(A^2)); %计算能够使LMS算法收敛的delta y=zeros(1,M); h=zeros(1,N); %LMS滤波器系数 h_normalized=zeros(1,N); %归一化LMS滤波器系数 y1=zeros(1,N); for n=N:M %系数调整LMS算法 x1=x(n:-1:n-N+1); %LMS算法 y(n)=h*x1'; e(n)=d(n)-y(n); h=h+delta*e(n)*x1; %NLMS算法 y_normalized(n)=h_normalized*x1'; e_normalized(n)=d(n)-y_normalized(n); h_normalized=h_normalized+e_normalized(n)*x1/(x1*x1'); end error=e.^2; %LMS算法每一步迭代的均方误差 error_normalized=e_normalized.^2; %NLMS算法每一步迭代的均方误差 for n=N:M %利用求解得到的h，与输入信号x做卷积，得到滤波后结果 x2=x(n:-1:n-N+1); y1(n)=h*x2'; y2(n)=h_normalized*x2'; end subplot(411) plot(t,d); axis([1,sample_N,-2,2]); subplot(412) plot(t,x); subplot(413) plot(t,y); subplot(414) plot(t,y_normalized); figure(2) plot(t,error,'r',t,error_normalized,'b');
帮你在百度文库里找到这个算法，自适应噪声抵消LMS算法Matlab仿真，希望对你有帮助。如有问题，可以再讨论解决。
里面有些代码有问题，可以参考，代码还是自己写：！ %基于RLS算法的自适应线性预测 clc; clear all; N=300; M=100;%计算的次数 w1=zeros(N,M);w2=zeros(N,M);I=eye(2);e1=zeros(N,M); for k=1:M %产生白噪声 Pv=;%定义白噪声方差 a1=;a2=;o=;r=; m=5000;%产生5000个随机数 v=randn(1,m); v=v*sqrt(Pv);%产生均值为0，方差为Pv的白噪声 %m=1:N; v=v(1:N);%取出前1000个 %plot(m,v);title('均值为0，方差为的白噪声');ylabel('v(n)');xlabel('n'); v=v'; %向量初使化 x=zeros(1,N); x(1)=v(1);%x(0)=v(0) x(2)=v(2)-a1*v(1);%x(1)=v(1)-a1*v(0) w=zeros(2,N); w(:,1)=[0 0]';%w(0)=[0 0]'; X=zeros(2,N); X(:,2)=[v(1) 0]';%X(0)=[0 0]';X(1)=[v(0) 0]' C=zeros(2,2*N); C(:,1:2)=1/o.*I;%C(0)=1/o*I e=zeros(1,N)';%定义误差向量 u=zeros(1,N); g=zeros(2,N); %根据RLS算法进行递推 for n=1:N-2 x(n+2)=v(n+2)-a1*x(n+1)-a2*x(n); X(:,n+2)=[x(n+1) x(n)]'; u(n)=X(:,n+1)'*C(:,2*n-1:2*n)*X(:,n+1); g(:,n)=(C(:,2*n-1:2*n)*X(:,n+1))./(r+u(n)); w(:,n+1)=w(:,n)+g(:,n)*(x(n+1)-X(:,n+1)'*w(:,n)); C(:,2*n+1:2*(n+1))=1/r.*(C(:,2*n-1:2*n)-g(:,n)*X(:,n+1)'*C(:,2*n-1:2*n)); e(n)=x(n+1)-X(:,n+1)'*w(:,n);
w1(:,k)=w(1,:)'; w2(:,k)=w(2,:)';%将每次计算得到的权矢量值储存 e1(:,k)=e(:,1);%将每次计算得到的误差储存 end
end %求权矢量和误差的M次的平均值 wa1=zeros(N,1);wa2=zeros(N,1);en=zeros(N,1); for k=1:M wa1(:,1)=wa1(:,1)+w1(:,k); wa2(:,1)=wa2(:,1)+w2(:,k); en(:,1)=en(:,1)+e1(:,k); end n=1:N; subplot(221) plot(n,w(1,n),n,w(2,n));%作出单次计算权矢量的变化曲线 xlabel('n');ylabel('w(n)');title('w1(n)和w2(n)的单次变化曲线(线性预测，RLS)') subplot(222) plot(n,wa1(n,1)./M,n,wa2(n,1)./M);%作出100次计算权矢量的平均变化曲线 xlabel('n');ylabel('w(n)');title('w1(n)和w2(n)的100次平均变化曲线') subplot(223) plot(n,e(n,1).^2);%作出单次计算e^2的变化曲线 xlabel('n');ylabel('e^2');title('单次计算e^2的变化曲线'); subplot(224) plot(n,(en(n,1)/M).^2);%作出M次计算e^2的平均变化曲线 xlabel('n');ylabel('e^2');title('100次计算e^2的平均变化曲线');
自适应过程一般采用典型LMS自适应算法，但当滤波器的输入信号为有色随机过程时，特别是当输入信号为高度相关时，这种算法收敛速度要下降许多，这主要是因为输入信号的自相关矩阵特征值的分散程度加剧将导致算法收敛性能的恶化和稳态误差的增大。此时若采用变换域算法可以增加算法收敛速度。变换域算法的基本思想是：先对输入信号进行一次正交变换以去除或衰减其相关性，然后将变换后的信号加到自适应滤波器以实现滤波处理，从而改善相关矩阵的条件数。因为离散傅立叶变换�DFT本身具有近似正交性，加之有FFT快速算法，故频域分块LMS�FBLMS算法被广泛应用。FBLMS算法本质上是以频域来实现时域分块LMS算法的，即将时域数据分组构成N个点的数据块，且在每块上滤波权系数保持不变。其原理框图如图2所示。FBLMS算法在频域内可以用数字信号处理中的重叠保留法来实现，其计算量比时域法大为减少，也可以用重叠相加法来计算，但这种算法比重叠保留法需要较大的计算量。块数据的任何重叠比例都是可行的，但以50％的重叠计算效率为最高。对FBLMS算法和典型LMS算法的运算量做了比较，并从理论上讨论了两个算法中乘法部分的运算量。本文从实际工程出发，详细分析了两个算法中乘法和加法的总运算量，其结果为：复杂度之比＝FBLMS实数乘加次数／LMS实数乘加次数＝（25Nlog2N＋2N－4）／[2N(2N－1)]�采用ADSP的C语言来实现FBLMS算法的程序如下：for(i＝0;i＜＝30;i＋＋){for(j＝0;j＜＝n－1;j＋＋){in[j]＝input[i×N＋j;]rfft(in,tin,nf,wfft,wst,n);rfft(w,tw,wf,wfft,wst,n);cvecvmlt(inf,wf,inw,n);ifft(inw,t,O,wfft,wst,n);for(j＝0,j＜＝N－1;j＋＋){y[i×N＋j]＝O[N＋j]．re;e[i×N＋j]＝refere[i×N＋j]－y[i×N＋j];temp[N＋j]＝e[i×N＋j;}rfft(temp,t,E,wfft,wst,n);for(j＝0;j＜＝n－1;j＋＋){inf_conj[j]＝conjf(inf[j]);}��cvecvmlt(E,inf_conj,Ein,n);ifft(Ein,t,Ein,wfft,wst,n);for(j＝0;j＜＝N－1;j＋＋){OO[j]＝Ein[j]．re;w[j]＝w[j]＋2＊u＊OO[j];}��}在EZ－KIT测试板中，笔者用汇编语言和C语言程序分别测试了典型LMS算法的运行速度，并与FBLMS算法的C语言运行速度进行了比较，表2所列是其比较结果，从表2可以看出滤波器阶数为64时，即使是用C语言编写的FBLMS算法也比用汇编编写的LMS算法速度快20％以上，如果滤波器的阶数更大，则速度会提高更多。
处理的重要基础。自适应滤波器可以不必事先给定信号及噪声的自相关函数,它可以利用前一时刻已获得的滤波器参数自动地调节现时刻的滤波器参数使得滤波器输出和未知的输入之间的均方误差最小化,从而它可以实现最优滤波。 自适应滤波器的算法有很多,有RLS（递归最小二乘法）和LMS（最小均方算法）等。自适应LMS算法是一种很有用且很简单的估计梯度的方法,在信号处理中得到广泛应用。 本论文主要研究了自适应滤波器的基本结构和原理，然后介绍了最小均方误差算法(LMS算法)，并完成了一种基于MATLAB平台的自适应LMS自适应滤波器的设计,同时实现了对信号进行初步的降噪处理。 通过仿真，我们实现了LMS自适应滤波算法，并从结果得知步长和滤波器的阶数是滤波器中很重要的两个参数，并通过修改它们证实了这一点，其中步长影响着收敛时间，而且阶数的大小也会大大地影响自适应滤波器的性能。
一、应用：1）消除心电图中的电源干扰；2）检测胎儿心音时滤除母亲的心音及背景干扰；3）在有多人讲话的场合下提取某人的讲话；4）作为天线阵列的自适应旁瓣对消器。二、简介： 自适应滤波器属于现代滤波器)它是20世纪40年代发展起来的)在自适应信号处理领域中发挥着重要的作用。 自适应滤波器是相对固定滤波器而言的（自适应滤波器滤波的频率是自动适应输入信号而变化的)在没有任何关于信号和噪声的先验知识的条件下。 自适应滤波器利用前一时刻已获得的滤波器的参数来自动调节现时刻的滤波器的参数-以适应信号和噪声未知或随机变化的统计特性，从而实现最优滤波器。即是根据不同的信号环境实现自身参数的调整。而实际情况中，信号和噪声的统计特性常常未知或无法获知，因此自适应滤波器的应用空间非常广泛-如系统辨识u噪声对消u自适应均衡w线性预测w自适应天线阵列等很多领域。
一种具有双瞬变因子的LMS自适应滤波算法 曾召华 刘贵忠 马社祥 （西安交通大学信息与通信工程研究所 西安710049） 作者在文献〔4〕中提出了一种改进的瞬变步长SPLMS自适应滤波算法。本文在SPLMS算法的基础上，进一步提出一种基于瞬变步长、瞬变平滑因子的双瞬变SPLMS算法—DSPLMS算法。该算法除具有常规LMS算法简单的优点外，还具有更高的起始收敛速率、更小的权失调噪声和更大的抑噪能力。文中重点讨论瞬变步长、瞬变平滑因子的变化特性。计算机仿真结果支持了理论分析。 自适应滤波器，失调噪声，收敛速度，最小均方误差，瞬变因子1 引言 自适应滤波器及其相应算法是多年来人们广泛研究的课题。基于Widrow－Hoff标准的LMS算法和其相应的自适应滤波器以其算法和结构简单，便于实时信号处理等优点，在不同领域得到了最为广泛的应用。而为克服常规的固定步长LMS或牛顿LMS（Newton LMS，即NLMS）自适应算法在收敛速率、跟踪速率与权失调噪声之间要求上存在的较大矛盾，人们发展了各种各样的改进型LMS算法，如基于瞬变步长LMS自适应滤波算法〔1～6〕、基于正交变换（DCT、FFT、小波变换、子带滤波）的新型LMS均衡算法〔7～8〕。基于模糊判断的自适应LMS系统识别和基于最小四次均方误差的LMS自适应平稳收敛算法〔9～10〕。在所有改进型LMS算法中，瞬变步长LMS自适应滤波算法是研究最为广泛的一类LMS自适应滤波算法。本文算法也是基于瞬变因子的一种改进LMS自适应滤波算法。2 SPLMS算法分析及问题的提出 在文献〔4〕中，作者对上述方案进行了大量的计算机仿真和理论分析，结果表明：（1）上述诸种算法的收敛速率与系统输入信噪比SNR直接相关，信噪比SNR越高，它们的收敛速率普遍提高；随着信噪比SNR的降低，它们的收敛速率减慢，甚至出现发散现象，因此它们必须在弱干扰下完成规一化起动，即在起始过程中噪声要相当小，否则效果不佳。（2）在上述所有算法中，由于采用瞬时平方误差性能函数e2k来代替均方误差性能函数，所以其算法的权值收敛过程表现为加权矢量的平均值变化规律和由于噪声引起的随机起伏项的叠加。因此，噪声方差越大，则随机起伏项越大，表现为权值振动也就越大。（3）为了追求更快的收敛性，往往增大μ和M，但滤波器阶数越高，步长因子μ和输入功率越大，就便得失调系数也越大。在有限次数起动迭代过程中，也就很难收敛到较稳态值，所以必须寻求更佳的瞬态步长算法。 文献〔4〕在准最小均方（Pseudo－LMS，即PLMS）误差算法基础上通过采用滑动时间窗，减少PLMS算法起动过程的计算量；同时在权值迭代中加一平滑迭代而使PLMS算法具备全局较强的抗噪性能，较快速收敛性能而提出了SPLMS算法，即： 其中rk为M阶滤波器输入信号的功率估值；Wk为滤波器的第k步M维最优权矢量估值；Xk是滤波器输入信号的M维输入数据矢量；dk为希望输出；μk为滤波器第k步瞬态步长。切换条件中，阈值μ类似于LMS算法的步长因子μL，满足：μL＜μ＜1／trR，R＝E〔XkXTk〕（7）为待定的算法常数，是μk变化的动态平衡点。而α是一常数为平滑因子，它决定上一次的权值变化对本次权值更新的影响程度。k0是采用式（2）规一化启动后，算法收敛到较稳态时的步数。式（4）是μk下降的递推算法，式（5）是μk上升的平滑递推算法。λ为上升的速度因子，满足0＜λ＜1。在实际应用中，考虑到学习过程的启动速度，一般取较大的λ值，即： 0．9＜λ＜1，k0＝25～35，｜α｜＜0．3（8） SPLMS算法的实质是：在开始k0步中，采用启动速度较快的MLMS（Mend LMS）算法收敛到相对较稳态的状态；然后在k≥k0＋1过程中，采用瞬态步长μk来训练算法。而μk根据不同的切换条件将围绕μ作升降变化，其迭代计算主要表现为不降即升的动态过程。α主要根据经验来取值，输入数据的非平稳性越大，噪声方差越大时，增大α可明显抑制振动，从而加速收敛过程；在噪声小时减小α。 但SPLMS算法也有一明显不足，即α主要根据经验来取值，没有理论上的确切依据。α取值不当，反而容易造成算法收敛性能更差，甚至发散的现象。从理论上分析，α与瞬态步长μk和输出误差ek（文中定义为：ek＝dk－WTk Xk）应有一定关系。在算法启动阶段，ek较大，为追求启动速度而常取较大步长μk，但μk越大，权失调系数也就越大，有时反而起不到应有的作用，这时就应相应增加α值来平滑权失调噪声；在算法渐趋稳定，步长μk渐趋于常数，ek渐趋于0，此时α也应渐趋于0。综合起来就是：α应随步长μk和误差ek瞬时变化而变化，也应是一瞬变因子。本文重点就是寻求瞬变因子αk的数学表达式以满足上述分析的要求。3 改进的双瞬变因子SPLMS算法——DSPLMS算法3．1 μk的变化特性 从式（4）和式（5）可以看出，在k≥k0＋1过程中，μk根据不同的切换条件将围绕μ作升降变化，μk的迭 代计算主要表现为不降即升的动态过程。对于式（5），设k≥kr时，μk＜μ，则在k≥kr＞k0＋1的上升过程中： 即上升速度按指数衰减，使趋于平衡点μ的上升速度迅速减小。其变化过程类似于一电阻电容串联电路上电容的充电过程。对式（4），由于μk＝μk－1／（1＋Rk），Rk＞0，即使很小的Rk经过一步迭代就足以使μk＜μ，再次切换到上升过程。当rk较大时，下降形成的负脉冲也较大。 综上所述，在k≥k0＋1的收敛过程中，μk的时变特性等价于幅值极不对称的随机正负尖脉冲序列组成的瞬态分量和直流分量μ的线性叠加。瞬态分量的负脉冲强度与rk瞬值对应，有利于抑制局部自激或短暂发散，减小权矢量噪声，提高稳定度。在rk较小、算法渐趋于稳定时，瞬变分量趋于0，μk～μ。3．2 αk的变化特性 定义：ΔWk＝Wk＋1－Wk为自适应滤波器的权系数增量；ξ为均方误差性能函数，ξ＝E〔ek〕2，ek＝dk－WTk Xk为输出误差，则SPLMS算法的权系数更新公式由式（1）可重写为： Wk＋1＝Wk－μk＾Wξk＋αΔWk－1（10）其中Wξ为ξ的梯度函数，＾W为Wξ的第k步估计。由式（10）的系数更新公式，我们可写出均方误差性能函数的表达式：式中上标T表示矢量的转置。若用一矢量＾Wζk＋1去左乘式（10），则可得到：＾Wξk＋1Wk＋1＝＾Wζk＋1Wk－μk＾Wζk＋1＾Wζk＋＾Wζk＋1αΔWk－1（13）利用式（12）的结论，可将式（13）化简为：＾TWζk＋1ΔWk＝0（14）由于参量μk和α均为实的标量因子，故式（14）又可写成： （μk＾TWζk＋1）（αΔWk）＝0（15）式（15）清楚地表明：在SPLMS算法中，自适应滤波器的权系数在迭代过程中，其均方误差性能函数的梯度估值与权系数增量始终存在一个正交关系。ΔWk－1对ΔWk的调节作用是在当前梯度估值方向上，给出与梯度估值方向正交矢量，并以这两个矢量所构成的合矢量来改变权系数空间的权重。 对于FIR结构的LMS自适应系统而言，其均方误差性能函数在平稳输入时为一个二次型函数，在收敛点附近仍可视为一个二次型函数，故有： ξ（Wk＋1）＝WTk RWk－2WTk P＋C（16）式中R＝E〔XTk Xk〕为输入信号的自相关矩阵，P＝E〔dkXk〕为所需信号与输入信号的互相关矢量，C＝E〔d2k〕，则由式（16）可得： 将式（17）代入式（18），则式（18）可变形为：式（19）就是本文给出的瞬变平滑因子αk的数学表达式。显然，它满足前面分析时所提出的要求，且在算法达到稳态收敛时，满足：limk→∞αk＝0（20）3．3 改进的双瞬变SPLMS算法——DSPLMS算法 用式（19）中αk的表达式替换式（1）中的α，就得到本文提出的具有双瞬变因子的LMS算法——DSPLMS算法，即 Wk＋1＝Wk＋2μk（dk－WTk Xk）Xk＋αk（Wk－Wk－1）（21）μk＝λ／（1＋2λrk），0≤k≤k0（22）由式（19）、（20）可知，αk是一个与μk成正比且具有衰减性的瞬变因子，从而使本文提出的DSPLMS算法比SPLMS算法更能快速稳定收敛；与常规LMS算法相比，其性能有极大的提高，为实时信号处理提供了一个较好的算法。4 计算机仿真 仿真实验的结构如图1所示，其中dk为随机输入信号，nk为高斯白噪声，ek为输出误差，xk为自适应滤波器的输入，yk为滤波器输出，此时xk＝dk＋nk。在图2中，dk是均值为0、方差为1的高斯白噪声；nk是与dk不相关的均值为0、方差为1的高斯白噪声；滤波器参数：M＝32，λ＝0．9，μL＝0．005，μ＝0．01，α＝0．1。在图3中，nk为均值为0、方差为0．1的高斯白噪声，其它参数同图2。图2、3为分别采用LMS、SPLMS和DSPLMS算法进行滤波的学习曲线比较图。从图2（强干扰启动）和图3（较弱干扰启动）中可以看出：在强干扰下，DSPL MS 具有比SPLMS好、比LMS好得多的启动速度和收敛速度；而在弱干扰下，DSPLMS仍具有比SPLMS快、比LMS快得多的启动速度。从图中同时还可看出：DSPLMS与SPLM S具有几乎相同的收敛速度，它们的收敛速度比LMS快得多。5 结语 加进瞬变平滑项的规一化起动，使DSPLMS具有更高的起始收敛速度、更小的权失调噪声和更大的抑噪能力；在平稳连接之后的稳态过程中，该算法趋于步长为μ的LMS算法性能，但由于瞬变分量负脉冲的作用，在相近的权失调量下可按式（7）取较大的μ值，增强算法对时变参数过程的跟踪处理能力；输入数据的非平稳性越大，噪声方差越大时，加进的瞬变平滑项使权失调噪声减小，从而使本文提出的DSPLMS算法比SPLMS算法更能快速稳定地收敛；与常规LMS算法相比，其性能有极大的提高，可以明显抑制振动，从而加速收敛过程。网址：
噪音的危害不仅可使正常人听力下降、记忆力衰退,还可引起心肌缺血和消化不良。对病人来说,可使病情加重,因此,嗓音有效的综合治理应引起人们的重视。噪声的存在给语音通信带来干扰,致使通信效果变差。尤其是在强噪声背景环境下,语音信号甚至完全被背景噪声所淹没,几乎无法识别。通信过程无法正常的实现,给生产、生活、军事行动带来严重影响,给个人、单位乃至国家造成巨大的经济损失。因此,在强噪声背景下,如何有效地抑制和消除干扰噪声成为人们研究的热门课题。针对时变强噪声背景环境下语音通信中的噪声消除问题,就现有的去噪方法进行对比分析,最终选定自适应噪声对消,并就自适应噪声对消的可行性进行分析论证。之后,对滤波器结构做了对比分析,对最小均方误差(LMS)算法和递归最小二乘(RLS)算法进行性能比较,最终以有限冲击响应(FIR)横式滤波器结构和递归最小二乘(RLS)算法构建系统模型,确定自适应噪声对消方案。本文以自适应滤波算法的研究为主要内容。在对标准的递归最小二乘(RLS)算法深入分析的基础上,针对其自身固有缺点,提出改进方案。之后,引入三种已经成功应用在自适应均衡和自适应估计的改进算法,并进行原理分析和性能验证。
本论文主要研究了自适应滤波器的基本结构和原理，然后介绍了最小均方误差算法(LMS算法)，并完成了一种基于MATLAB平台的自适应LMS自适应滤波器的设计,同时,
% RLS算法 randn('seed', 0) ; rand('seed', 0) ; NoOfData = 8000 ; % Set no of data points used for training Order = 32 ; % 自适应滤波权数 Lambda = ; % 遗忘因子 Delta = ; % 相关矩阵R的初始化 x = randn(NoOfData, 1) ;%高斯随机系列 h = rand(Order, 1) ; % 系统随机抽样 d = filter(h, 1, x) ; % 期望输出 % RLS算法的初始化 P = Delta * eye ( Order, Order ) ;%相关矩阵 w = zeros ( Order, 1 ) ;%滤波系数矢量的初始化 % RLS Adaptation for n = Order : NoOfData ; u = x(n:-1:n-Order+1) ;%延时函数 pi_ = u' * P ;%互相关函数 k = Lambda + pi_ * u ; K = pi_'/k;%增益矢量 e(n) = d(n) - w' * u ;%误差函数 w = w + K * e(n) ;%递归公式 PPrime = K * pi_ ; P = ( P - PPrime ) / Lambda ;%误差相关矩阵 w_err(n) = norm(h - w) ;%真实估计误差 end ; % 作图表示结果 figure ; plot(20*log10(abs(e))) ;%| e |的误差曲线 title('学习曲线') ; xlabel('迭代次数') ; ylabel('输出误差估计') ; figure ; semilogy(w_err) ;%作实际估计误差图 title('矢量估计误差') ; xlabel('迭代次数') ; ylabel('误差权矢量') ; %lms 算法 clear all close all hold off%系统信道权数 sysorder = 5 ;%抽头数 N=1000;%总采样次数 inp = randn(N,1);%产生高斯随机系列 n = randn(N,1); [b,a] = butter(2,); Gz = tf(b,a,-1);%逆变换函数 h= [;;;;;];%信道特性向量 y = lsim(Gz,inp);%加入噪声 n = n * std(y)/(10*std(n));%噪声信号 d = y + n;%期望输出信号 totallength=size(d,1);%步长 N=60 ; %60节点作为训练序列 %算法的开始 w = zeros ( sysorder , 1 ) ;%初始化 for n = sysorder : N u = inp(n:-1:n-sysorder+1) ;% u的矩阵 y(n)= w' * u;%系统输出 e(n) = d(n) - y(n) ;%误差 if n < 20 mu=; else mu=; end w = w + mu * u * e(n) ;%迭代方程 end %检验结果 for n = N+1 : totallength u = inp(n:-1:n-sysorder+1) ; y(n) = w' * u ; e(n) = d(n) - y(n) ;%误差 end hold on plot(d) plot(y,'r'); title('系统输出') ; xlabel('样本') ylabel('实际输出') figure semilogy((abs(e))) ;% e的绝对值坐标 title('误差曲线') ; xlabel('样本') ylabel('误差矢量') figure%作图 plot(h, 'k+') hold on plot(w, 'r*') legend('实际权矢量','估计权矢量') title('比较实际和估计权矢量') ; axis([0 6 ])
数字滤波器在数字信号处理中的应用广泛，是数字信号处理的重要基础。自适应滤波器可以不必事先给定信号及噪声的自相关函数,它可以利用前一时刻已获得的滤波器参数自动地调节现时刻的滤波器参数使得滤波器输出和未知的输入之间的均方误差最小化,从而它可以实现最优滤波。 自适应滤波器的算法有很多,有RLS（递归最小二乘法）和LMS（最小均方算法）等。自适应LMS算法是一种很有用且很简单的估计梯度的方法,在信号处理中得到广泛应用。 本论文主要研究了自适应滤波器的基本结构和原理，然后介绍了最小均方误差算法(LMS算法)，并完成了一种基于MATLAB平台的自适应LMS自适应滤波器的设计,同时实现了对信号进行初步的降噪处理。 通过仿真，我们实现了LMS自适应滤波算法，并从结果得知步长和滤波器的阶数是滤波器中很重要的两个参数，并通过修改它们证实了这一点，其中步长影响着收敛时间，而且阶数的大小也会大大地影响自适应滤波器的性能。
自适应滤波器实际上是一种能够自动调整本身参数的特殊维纳滤波器，在设计时不需要预先知道关于输入信号和噪声的统计特性，它能够在工作过程中逐步“了解” 或估计出所需的统计特性，并以此为依据自动调整自身的参数，以达到最佳滤波效果。一旦输入信号的统计特性发生变化，它又能够跟踪这种变化，自动调整参数，使滤波器性能重新达到最佳。 自适应滤波器由参数可调的数字滤波器(或称为自适应处理器)和自适应算法两部分组成，如图7-3所示。参数可调数字滤波器可以是FIR数字滤波器或IIR数字滤波器，也可以是格型数字滤波器。输入信号x(n)通过参数可调数字滤波器后产生输出信号(或响应)y(n)，将其与参考信号(或称期望响应)d(n)进行比较，形成误差信号e(n)，并以此通过某种自适应算法对滤波器参数进行调整，最终使e(n)的均方值最小。尽管自适应滤波器具有各种不同的算法和结构，但是，其最本质特征是始终不变的。这种最本质的特征可以概括为：自适应滤波器依据用户可以接受的准则或性能规范，在未知的而且可能是时变的环境中正常运行，而无须人为的干预。本章主要讨论的是基于维纳滤波器理论的最小均方(LMS)算法，可以看到LMS算法的主要优点是算法简单、运算量小、易于实现；其主要缺点是收敛速度较慢，而且与输入信号的统计特性有关。 自适应线性滤波器是一种参数可自适应调整的有限冲激响应(FIR)数字滤波器，具有非递归结构形式。因为它的分析和实现比较简单，所以在大多数自适应信号处理系统中得到了广泛应用。如图7-4所示的是自适应线性滤波器的一般形式。输入信号矢量x(n)的L+1个元素，既可以通过在同一时刻对L+1个不同信号源取样得到，也可以通过对同一信号源在n以前L+1个时刻取样得到。前者称为多输入情况，如图7-5所示，后者称为单输入情况如图7-4所示，这两种情况下输入信号矢量都用x(n)表示，但应注意它们有如下区别。 单输入情况： (7-18) 多输入情况： (7-19) 单输入情况下x(n)是一个时间序列，其元素由一个信号在不同时刻的取样值构成；而多输入情况下x(n)是一个空间序列，其元素由同一时刻的一组取样值构成，相当于并行输入。 对于一组固定的权系数来说，线性滤波器是输出y(n)等于输入矢量x(n)的各元素的线性加权之和。然而实际上权系数是可调的，调整权系数的过程叫做自适应过程。在自适应过程中，各个权系数不仅是误差信号e(n)的函数，而且还可能是输入信号的函数，因此，自适应线性滤波器的输出就不再是输入信号的线性函数。 输入信号和输出信号之间的关系为 单输入情况： (7-20) 多输入情况： (7-21) 如图7-4所示的单输入自适应线性滤波器，实际上是一个时变横向数字滤波器，有时称为自适应横向滤波器。它在信号处理中应用很广泛。自适应线性滤波器的L+1个权系数构成一个权系数矢量，称为权矢量，用w(n)表示，即 (7-22) 这样，输出响应表示为 (7-23) 参考响应与输出响应之差称为误差信号，用e(n)表示，即 (7-24) 自适应线性滤波器按照误差信号均方值(或平均功率)最小的准则，即 (7-25) 来自动调整权矢量。
clear all close all %channel system order sysorder = 5 ; % Number of system points N=2000; inp = randn(N,1); n = randn(N,1); [b,a] = butter(2,); Gz = tf(b,a,-1); %This function is submitted to make inverse Z-transform (Matlab central file exchange) %The first sysorder weight value %h=ldiv(b,a,sysorder)'; % if you use ldiv this will give h :filter weights to be h= [; ; ; ; ;]; y = lsim(Gz,inp); %add some noise n = n * std(y)/(10*std(n)); d = y + n; totallength=size(d,1); %Take 60 points for training N=60 ; %begin of algorithm w = zeros ( sysorder , 1 ) ; for n = sysorder : N u = inp(n:-1:n-sysorder+1) ; y(n)= w' * u; e(n) = d(n) - y(n) ; % Start with big mu for speeding the convergence then slow down to reach the correct weights if n < 20 mu=; else mu=; end w = w + mu * u * e(n) ; end %check of results for n = N+1 : totallength u = inp(n:-1:n-sysorder+1) ; y(n) = w' * u ; e(n) = d(n) - y(n) ; end hold on plot(d) plot(y,'r'); title('System output') ; xlabel('Samples') ylabel('True and estimated output') figure semilogy((abs(e))) ; title('Error curve') ; xlabel('Samples') ylabel('Error value') figure plot(h, 'k+') hold on plot(w, 'r*') legend('Actual weights','Estimated weights') title('Comparison of the actual weights and the estimated weights') ; axis([0 6 ]) % RLS 算法 randn('seed', 0) ; rand('seed', 0) ; NoOfData = 8000 ; % Set no of data points used for training Order = 32 ; % Set the adaptive filter order Lambda = ; % Set the fetting factor Delta = ; % R initialized to Delta*I x = randn(NoOfData, 1) ;% Input assumed to be white h = rand(Order, 1) ; % System picked randomly d = filter(h, 1, x) ; % Generate output (desired signal) % Initialize RLS P = Delta * eye ( Order, Order ) ; w = zeros ( Order, 1 ) ; % RLS Adaptation for n = Order : NoOfData ; u = x(n:-1:n-Order+1) ; pi_ = u' * P ; k = Lambda + pi_ * u ; K = pi_'/k; e(n) = d(n) - w' * u ; w = w + K * e(n) ; PPrime = K * pi_ ; P = ( P - PPrime ) / Lambda ; w_err(n) = norm(h - w) ; end ; % Plot results figure ; plot(20*log10(abs(e))) ; title('Learning Curve') ; xlabel('Iteration Number') ; ylabel('Output Estimation Error in dB') ; figure ; semilogy(w_err) ; title('Weight Estimation Error') ; xlabel('Iteration Number') ; ylabel('Weight Error in dB') ;
处理的重要基础。自适应滤波器可以不必事先给定信号及噪声的自相关函数,它可以利用前一时刻已获得的滤波器参数自动地调节现时刻的滤波器参数使得滤波器输出和未知的输入之间的均方误差最小化,从而它可以实现最优滤波。 自适应滤波器的算法有很多,有RLS（递归最小二乘法）和LMS（最小均方算法）等。自适应LMS算法是一种很有用且很简单的估计梯度的方法,在信号处理中得到广泛应用。 本论文主要研究了自适应滤波器的基本结构和原理，然后介绍了最小均方误差算法(LMS算法)，并完成了一种基于MATLAB平台的自适应LMS自适应滤波器的设计,同时实现了对信号进行初步的降噪处理。 通过仿真，我们实现了LMS自适应滤波算法，并从结果得知步长和滤波器的阶数是滤波器中很重要的两个参数，并通过修改它们证实了这一点，其中步长影响着收敛时间，而且阶数的大小也会大大地影响自适应滤波器的性能。
clear all close all N=10; %滤波器阶数 sample_N=500; %采样点数 A=1; %信号幅度 snr=10; %信噪比 t=1:sample_N; length_t=100; %期望信号序列长度 d=A*sin(2*pi*t/length_t); %期望信号 M=length(d); %M为接收数据长度 x=awgn(d,snr); %经过信道（加噪声） delta=1/(10*N*(A^2)); %计算能够使LMS算法收敛的delta y=zeros(1,M); h=zeros(1,N); %LMS滤波器系数 h_normalized=zeros(1,N); %归一化LMS滤波器系数 y1=zeros(1,N); for n=N:M %系数调整LMS算法 x1=x(n:-1:n-N+1); %LMS算法 y(n)=h*x1'; e(n)=d(n)-y(n); h=h+delta*e(n)*x1; %NLMS算法 y_normalized(n)=h_normalized*x1'; e_normalized(n)=d(n)-y_normalized(n); h_normalized=h_normalized+e_normalized(n)*x1/(x1*x1'); end error=e.^2; %LMS算法每一步迭代的均方误差 error_normalized=e_normalized.^2; %NLMS算法每一步迭代的均方误差 for n=N:M %利用求解得到的h，与输入信号x做卷积，得到滤波后结果 x2=x(n:-1:n-N+1); y1(n)=h*x2'; y2(n)=h_normalized*x2'; end subplot(411) plot(t,d); axis([1,sample_N,-2,2]); subplot(412) plot(t,x); subplot(413) plot(t,y); subplot(414) plot(t,y_normalized); figure(2) plot(t,error,'r',t,error_normalized,'b');
帮你在百度文库里找到这个算法，自适应噪声抵消LMS算法Matlab仿真，希望对你有帮助。如有问题，可以再讨论解决。
里面有些代码有问题，可以参考，代码还是自己写：！ %基于RLS算法的自适应线性预测 clc; clear all; N=300; M=100;%计算的次数 w1=zeros(N,M);w2=zeros(N,M);I=eye(2);e1=zeros(N,M); for k=1:M %产生白噪声 Pv=;%定义白噪声方差 a1=;a2=;o=;r=; m=5000;%产生5000个随机数 v=randn(1,m); v=v*sqrt(Pv);%产生均值为0，方差为Pv的白噪声 %m=1:N; v=v(1:N);%取出前1000个 %plot(m,v);title('均值为0，方差为的白噪声');ylabel('v(n)');xlabel('n'); v=v'; %向量初使化 x=zeros(1,N); x(1)=v(1);%x(0)=v(0) x(2)=v(2)-a1*v(1);%x(1)=v(1)-a1*v(0) w=zeros(2,N); w(:,1)=[0 0]';%w(0)=[0 0]'; X=zeros(2,N); X(:,2)=[v(1) 0]';%X(0)=[0 0]';X(1)=[v(0) 0]' C=zeros(2,2*N); C(:,1:2)=1/o.*I;%C(0)=1/o*I e=zeros(1,N)';%定义误差向量 u=zeros(1,N); g=zeros(2,N); %根据RLS算法进行递推 for n=1:N-2 x(n+2)=v(n+2)-a1*x(n+1)-a2*x(n); X(:,n+2)=[x(n+1) x(n)]'; u(n)=X(:,n+1)'*C(:,2*n-1:2*n)*X(:,n+1); g(:,n)=(C(:,2*n-1:2*n)*X(:,n+1))./(r+u(n)); w(:,n+1)=w(:,n)+g(:,n)*(x(n+1)-X(:,n+1)'*w(:,n)); C(:,2*n+1:2*(n+1))=1/r.*(C(:,2*n-1:2*n)-g(:,n)*X(:,n+1)'*C(:,2*n-1:2*n)); e(n)=x(n+1)-X(:,n+1)'*w(:,n);
w1(:,k)=w(1,:)'; w2(:,k)=w(2,:)';%将每次计算得到的权矢量值储存 e1(:,k)=e(:,1);%将每次计算得到的误差储存 end
end %求权矢量和误差的M次的平均值 wa1=zeros(N,1);wa2=zeros(N,1);en=zeros(N,1); for k=1:M wa1(:,1)=wa1(:,1)+w1(:,k); wa2(:,1)=wa2(:,1)+w2(:,k); en(:,1)=en(:,1)+e1(:,k); end n=1:N; subplot(221) plot(n,w(1,n),n,w(2,n));%作出单次计算权矢量的变化曲线 xlabel('n');ylabel('w(n)');title('w1(n)和w2(n)的单次变化曲线(线性预测，RLS)') subplot(222) plot(n,wa1(n,1)./M,n,wa2(n,1)./M);%作出100次计算权矢量的平均变化曲线 xlabel('n');ylabel('w(n)');title('w1(n)和w2(n)的100次平均变化曲线') subplot(223) plot(n,e(n,1).^2);%作出单次计算e^2的变化曲线 xlabel('n');ylabel('e^2');title('单次计算e^2的变化曲线'); subplot(224) plot(n,(en(n,1)/M).^2);%作出M次计算e^2的平均变化曲线 xlabel('n');ylabel('e^2');title('100次计算e^2的平均变化曲线');
音频信号不能滤波；音频信号就是包含音频信息的交流信号；只有高频信号受音频信号调制，才需要从高频信号中检波，取出音频信号；音频信号是（Audio）带有语音、音乐和音效的有规律的声波的频率、幅度变化信息载体。 根据声波的特征，可把音频信息分类为规则音频和不规则声音。其中规则音频又可以分为语音、音乐和音效。规则音频是一种连续变化的模拟信号，可用一条连续的曲线来表示，称为声波。声音的三个要素是音调、音强和音色。声波或正弦波有三个重要参数：频率 ω0、幅度A n 和相位ψn ，这也就决定了音频信号的特征。滤波（Wave filtering）是将信号中特定波段频率滤除的操作，是抑制和防止干扰的一项重要措施。滤波分为经典滤波和现代滤波。
先滤波可以避免应滤除的无用信号进一步放大，一般先滤波的效果较好。在滤波和放大电路中一般在放大的前后都进行滤波。
I don't know!
高效率音频功率放大器的研制白林景,邵光存,李岸然,常兴连,王振伟(山东省科学院激光研究所,山东济宁 272100) 摘 要:本设计以高效率D类功率放大器为中心,输出开关管采用高速场效应管,连接成互补对称H桥式结构,兼有输出1: 1双变单电路和输出短路保护功能,比较理想地实现了输出功率大于2w,平均效率可达到75%的高效音功率放大器。关键词:D类音频功率放大器; PWM调制器; H桥功率放大器中图分类号: TN722. 1 文献标识码:A引言全球音频领域数字化的浪潮以及人们对音频节能环保的要求,要求我们尽快研究开发高效、节能、数字化的音频功率放大器。传统的音频功率放大器工作于线性放大区,功率耗散较大,虽然采用推挽输出,仍然很难满足大功率输出;而且需要设计复杂的补偿电路和过流,过压,过热等保护电路。D类开关音频功率放大器的工作于PWM模式,将音频信号与采样频率比较,经过自然采样,得到脉冲宽度与音频信号幅度成正比例变化的PWM波,经过驱动电路,加到MOS的栅极,控制功率器件的开关,实现放大,放大的PWM信号送入滤波器,还原为音频信号。从而实现大功率高效率的音频功率放大器。系统电路本文采用H型桥式D类功率放大电路,电路如图一所示。图一 音频功率放大器电路(1) 三角波产生电路利用NE555构成的多谐振荡器以恒流源的方式对电容线性冲、放电产生三角波。接通电源瞬间,NE555芯片的3脚输出高电平,二极管D2、D3 截止,D1、D4 导通, Vcc通过T1 , T2 , R1 ,D1 对电容C1 恒流充电,当C1 上电压达到2 /3Vcc时,NE555芯片的输出发生翻转,即3脚输出低电平,此时,D2、D3 导通, D1、D4 截止,电容C1 通过D2 , T3 ,T4 , R2 恒流放电,直到C1电压等于1 /3Vcc,电容又开始充电,如此循环,电容C1上可以得到线性度良好的三角波。为了提高带负载能力,输出通过由LM358A组成的电压跟随器。输出三角波频率的计算:电阻R1 上电压等于T1 的VVbe≈ 0. 7V,故流过R1 的电流I = 0. 7V /300Ω = 2. 33mA,忽略T1 的基极电流,则流过R1 的电流即为T2 的射级电流,约等于T2 的集电极电流,故C1 的充电电流约为2mA,同理, C1 的放电电流约为2mA。设充电时间为t1 ,放电时间为t2 ,则有:23Vcc =13Vcc +i ×t1C13Vcc =23Vcc -i ×t2C可得三角波的周期: T = t1 + t2 =2Vcc ×C3 ×i故三角波频率为: f =3 ×i2Vcc ×C(2)前置放大电路 前置放大电路采用低噪声、高速运放的NE5532运算放大器,组成增益可调的同相宽带放大电路。功放最大不失真输出时,负载上等效正弦波的电压峰峰值为VP - P ,载波调制的调制波(正弦波)最大峰峰— 27 —值为VP - Pm ax ,对应的调制放大增益为AV2 =VP - PVP - Pm ax,运算放大电路中反馈电阻为R8 ,反相端电阻R7 ,则前置放大器的增益AV1为:AV1 = 1 +R8R7,通过选取调制波的峰值电压VP - Pm ax和调整R8 的阻值,可实现整个功率放大单元的电压增益连续可调。(3)脉宽调制( PWM)电路 采用高速、精密的比较器芯片,以音频信号为调制波,频率为f的三角波为载波,两路信号均加上1 /2Vcc的直流偏置电压,通过比较器进行比较,得到幅值相同,占空比随音频幅度变化的脉冲信号。(4)驱动电路 驱动电路由施密特触发器芯片和三极管组成,两个三极管组成的互补对称式射极跟随器。PWM信号经过驱动电路后,形成两个前后沿更加陡峭的倒相脉冲,两脉冲之间有一定的死区时间,防止了桥式驱动电路出现直通现象。(5) H型桥式驱动电路 由场效应管组成的功率开关管和四阶巴特沃兹LC滤波电路组成。T9、T12导通, T10、T11截止时,负载上的电压降VM AB0 =Vcc; T10、T11导通,T9、T12截止时,负载上的电压降VAB = - Vcc,因此,负载上的电压降可达到2倍的电源电压。解调信号放大后经过LC滤波送到扬声器。(6)短路保护电路 短路(或过流)保护电路采用0. 1过流取样电阻与扬声器串联方式, 0. 1电阻上的取样电压经过由NE5532组成的减法放大器进行放大。电压放大倍数为:Av =R19R17经放大后的音频信号再通过由D9、C9、R20组成的峰值检波电路,检出幅度电平,送给电压比较器U7的“ + ”端,U7的“—”端电平设置为5. 1v,由R22和稳压管D12组成,比较器接成迟滞比较方式,一旦过载,即可锁定状态。正常工作时,通过0. 1上的最大电流幅度Im =Vcc /(R + 0. 1) , 0. 1上的最大压降为0. 1 ×Im ,经放大后输出的电压幅值为Vim ×AV = 0. 1 ×Im ×AV ,检波后的直流电压稍小于此值,此时比较器输出低电平, T13截止,继电器J1不吸合,处于常闭状态,电源Vcc通过常闭触点送给功放。一旦扬声器两端短路或输入电流过大, 0. 1上电流、电压增大,经过电压放大、峰值检波后,大于比较器反相端电压,则比较器翻转为高电平并自锁, T13导通,继电器吸合,切断功放Vcc电源,功放电路得到保护。R21、C11、D10、D11组成开机延时电路,防止开机瞬间比较器自锁,关机后C11上的电压通过D10快速放掉,以保证再开机时C11的起始电压为零。讨论D类放大器工作于开关状态,无信号输入时无电流,而导通时,没有直流损耗。事实上由于关断时器件尚有微小漏电流,而导通时器件并没有完全短路,尚有一定的管压降,故存在较少直流损耗,实际效率在80% - 90% ,是实用放大器中效率最高的。参考文献:[ 1 ]Wing - Hong, Lau , IEEE Trans. Realization ofDigitalAudi2o Amp lifier Using Zero - Voltage - Switched PWM PowerConverter, Circuits Syst . Vol 47,NO. 3,March 2000.[ 2 ]Ashok Bindra. All - digital App roach HikesAudio Quality InConsumer Product.[ 3 ]李子升,吴锦铭,钟国新. 高效率音频功率放大器.[ 4 ]李振玉,姚光圻. 高效率放大及功率合成技术. 中国铁道出版社, 1985.[ 5 ]陈伟鑫. 新型实用电路精选指南. 电子工业出版社.[ 6 ]瞿安连. 应用电子技术. 北京科学出版社, 2003.[ 7 ]王金明等编著. 数字系统设计. 电子工业出版社出版.[ 8 ]全国大学生电子设计竞赛获奖作品精选. 1994 - 1999.[ 9 ]虎永存,现代音响技术, D类放大器的原理和电路, 1998年第5期.[ 10 ]无线电2004合订本第2、3期. 无线电杂志社,人民邮电出版社.这个是从付费论文网站上买的，真珍贵的
通信技术论文范文篇二 浅析量子通信技术 【摘要】量子通信作为既新鲜又古老的话题，它具有严格的信息传输特性，目前已经取得突破性进展，被通信领域和官方机构广泛关注。本文结合量子，对量子通信技术以及发展进行了简单的探讨。 【关键词】量子;通信;技术;发展 对量子信息进行研究是将量子力学作为研究基础，根据量子并行、纠缠以及不可克隆特性，探索量子编码、计算、传输的可能性，以新途径、思路、概念打破原有的芯片极限。从本质来说：量子信息是在量子物理观念上引发的效应。它的优势完全来源于量子并行，量子纠缠中的相干叠加为量子通讯提供了依据，量子密码更多的取决于波包塌缩。理论上，量子通信能够实现通信过程，最初是通过光纤实现的，由于光纤会受到自身与地理条件限制，不能实现远距离通信，所以不利于全球化。到1993年，隐形传输方式被提出，通过创建脱离实物的量子通信，用量子态进行信息传输，这就是原则上不能破译的技术。但是，我们应该看到，受环境噪声影响，量子纠缠会随着传输距离的拉长效果变差。 一、量子通信技术 (一)量子通信定义 到目前为止，量子通信依然没有准确的定义。从物力角度来看，它可以被理解为物力权限下，通过量子效应进行性能较高的通信;从信息学来看，量子通信是在量子力学原理以及量子隐形传输中的特有属性，或者利用量子测量完成信息传输的过程。 从量子基本理论来看，量子态是质子、中子、原子等粒子的具体状态，可以代表粒子旋转、能量、磁场和物理特性，它包含量子测不准原理和量子纠缠，同时也是现代物理学的重点。量子纠缠是来源一致的一对微观粒子在量子力学中的纠缠关系，同时这也是通过量子进行密码传递的基础。Heisenberg测不准原理作为力学基本原理，是同一时刻用相同精度对量子动量以及位置的测量，但是只能精确测定其中的一样结果。 (二)量子通信原理 量子通信素来具有速度快、容量大、保密性好等特征，它的过程就是量子力学原理的展现。从最典型的通信系统来说具体包含：量子态、量子测量容器与通道，拥有量子效应的有：原子、电子、光子等，它们都可以作为量子通信的信号。在这过程中，由于光信号拥有一定的传输性，所以常说的量子通信都是量子光通信。分发单光子作为实施量子通信空间的依据，利用空间技术能够实现空间量子的全球化通信，并且克服空间链路造成的距离局限。 利用纠缠量子中的隐形量子传输技术作为未来量子通信的核心，它的工作原理是：利用量子力学，由两个光子构成纠缠光子，不管它们在宇宙中距离多远，都不能分割状态。如果只是单独测量一个光子情况，可能会得到完全随机的测量结果;如果利用海森堡的测不准原理进行测量，只要测量一个光子状态，纵使它已经发生变化，另一个光子也会出现类似的变化，也就是塌缩。根据这一研究成果，Alice利用随机比特，随机转换已有的量子传输状态，在多次传输中，接受者利用量子信道接收;在对每个光子进行测量时，同时也随机改变了自己的基，一旦两人的基一样，一对互补随机数也就产生。如果此时窃听者窃听，就会破坏纠缠光子对，Alice与Bob也就发觉，所以运用这种方式进行通信是安全的。 (三)量子密码技术 从Heisenberg测不准原理我们可以知道，窃听不可能得到有效信息，与此同时，窃听量子信号也将会留下痕迹，让通信方察觉。密码技术通过这一原理判别是否存在有人窃取密码信息，保障密码安全。而密钥分配的基本原理则来源于偏振，在任意时刻，光子的偏振方向都拥有一定的随机性，所以需要在纠缠光子间分设偏振片。如果光子偏振片与偏振方向夹角较小时，通过滤光器偏振的几率很大，反之偏小。尤其是夹角为90度时，概率为0;夹角为45度时，概率是，夹角是0度时，概率就是1;然后利用公开渠道告诉对方旋转方式，将检测到的光子标记为1，没有检测到的填写0，而双方都能记录的二进制数列就是密码。对于半路监听的情况，在设置偏振片的同时，偏振方向的改变，这样就会让接受者与发送者数列出现差距。 (四)量子通信的安全性 从典型的数字通信来说：对信息逐比特，并且完全加密保护，这才是实质上的安全通信。但是它不能完全保障信息安全，在长度有限的密文理论中，经不住穷举法影响。同时，伪随机码的周期性，在重复使用密钥时，理论上能够被解码，只是周期越长，解码破译难度就会越大。如果将长度有限的随机码视为密钥，长期使用虽然也会具有周期特征，但是不能确保安全性。 从传统的通信保密系统来看，使用的是线路加密与终端加密整合的方式对其保护。电话保密网，是在话音终端上利用信息通信进行加密保护，而工作密钥则是伪随机码。 二、量子通信应用与发展 和传统通信相比，量子通信具有很多优势，它具有良好的抗干扰能力，并且不需要传统信道，量子密码安全性很高，一般不能被破译，线路时延接近0，所以具有很快的传输速度。目前，量子通信已经引起很多军方和国家政府的关注。因为它能建立起无法破译的系统，所以一直是日本、欧盟、美国科研机构发展与研究的内容。 在城域通信分发与生成系统中，通过互联量子路由器，不仅能为任意量子密码机构成量子密码，还能为成对通信保密机利用，它既能用于逐比特加密，也能非实时应用。在严格的专网安全通信中，通过以量子分发系统和密钥为支撑，在城域范畴，任何两个用户都能实现逐比特密钥量子加密通信，最后形成安全性有保障的通信系统。在广域高的通信网络中，受传输信道中的长度限制，它不可能直接创建出广域的通信网络。如果分段利用量子密钥进行实时加密，就能形成安全级别较高的广域通信。它的缺点是，不能全程端与端的加密，加密节点信息需要落地，所以存在安全隐患。目前，随着空间光信道量子通信的成熟，在天基平台建立好后，就能实施范围覆盖，从而拓展量子信道传输。在这过程中，一旦量子中继与存储取得突破，就能进一步拉长量子信道的输送距离，并且运用到更宽的领域。例如：在�潜安全系统中，深海潜艇与岸基指挥一直是公认的世界难题，只有运用甚长波进行系统通信，才能实现几百米水下通信，如果只是使用传统的加密方式，很难保障安全性，而利用量子隐形和存储将成为开辟潜通的新途径。 三、结束语 量子技术的应用与发展，作为现代科学与物理学的进步标志之一，它对人类发展以及科学建设都具有重要作用。因此，在实际工作中，必须充分利用通信技术，整合国内外发展经验，从各方面推进量子通信技术发展。 参考文献 [1]徐启建，金鑫，徐晓帆等.量子通信技术发展现状及应用前景分析[J].中国电子科学研究院学报，2009，4(5)：491-497. [2]徐兵杰，刘文林，毛钧庆等.量子通信技术发展现状及面临的问题研究[J].通信技术，2014(5)：463-468. [3]刘阳，缪蔚，殷浩等.通信保密技术的革命――量子保密通信技术综述[J].中国电子科学研究院学报，2012， 7(5)：459-465. 看了“通信技术论文范文”的人还看： 1. 大学通信技术论文范文 2. 通信技术毕业论文范文 3. 通信技术论文范文 4. 关于通信工程论文范文 5. 大学通信技术论文范文(2)
应用太广泛了啊，你只能取其中的几个方面来说，比如说在铁路系统或者是车载电话、水位远程检测系统等等。GSM通信在水位远程检测系统中的应用摘 要：介绍一种利用单片机及GsM无线收发模块构成的水位显示及远程检测系统。在系统中，设计一种简易的水位检测方法以测得水位的状况，通过单片机显示系统在水位现场以LED的方式显示出来，并通过与之相连的GSM模块将水位信息以一种无线的方式发送给远程终端，起到检测的作用。关键词：GSM GSl00 串口通信 远程检测 S9C2051引 言 供水系统中的水塔和高位水池等设备由于所处地势高，上下极为不便，有时水即将用完也不知道，造成需用水时却无水可用的情况。此外，在向池中注入水的过程中，由于不知道水位的情况，也就无法控制注水量的多少，这会严重影响正常的工作效率。为此需要对水位进行自动显示、监测和报警。传统的水位检测系统一般通过有线方式与监控中心取得联系，这种方式不但维护起来困难，而且在很大程度上限制了其在时空上的拓展性。采用GSM模块与单片机构成的系统则能够解决以上的问题。通过单片机的并行I／0口可以很方便的实现水位的显示功能。现有的GSM网络在全国范围内实现了联网和漫游，具有网络能力强的特点，用户无需另外组网，在极大提高网络覆盖范围的同时为客户节省了昂贵的建网费用和维护费用。当采用GSM模块时，就可以通过一种无线通信的方式以实现远程终端监控和报警的功能。集群通信系统与GSM通信系统电话互联的实现 概述 系统与通信系统分别属于不同的范畴，有着不同的服务对象和用途，无法相互替代。集群通信系统服务于专网用户，已发展成为一种多用途、高效能、低投入、调度通信与电话通信相结合的先进移动通信系统。与其它移动通信系统相比，集群通信系统信道利用率高，具有更强的快速接入和处理突发事件的能力，在部队、公安、交通、水利、地震等部门得到了广泛应用。GSM通信系统主要服务于公网用户，是目前基于时分多址技术的移动通信体制中比较成熟、完善、应用最广泛的一种系统，信号覆盖范围广，用户遍及社会各部门各阶层。在由集群通信系统构建的应急移动通信系统中，在某些应用场合，如抢险救灾，因为要涉及众多的部门和人员，保证系统同外界的通信畅通有时甚至比保证系统内部的通信畅通还重要。正如集群通信系统与PSTN电话互联，使得专网通信扩展到了公网有线通信网络一样，集群通信系统与GSM通信系统电话互联，可使得专网通信扩展到公网无线通信网络，从而可充分利用GSM通信系统的技 术优势，大大增强集群通信系统的应急通信能力。 基于上述应用背景，本文对集群通信系统与GSM通信系统的电话互联进行了研究，提出了一种实用的系统电话互联方案，并阐述了具体的软硬件设计过程。GSM网络通信在车载定位系统中的应用 GSM（全球移动通信系统）是ETSI（欧洲无线电通信标准委员会）制定的欧洲蜂窝移动通信标准。GSM最重要的业务是语音通信，语音被数字编码并作为数据流，以电路交换的模式被GSM网络传输。但是它使用的电路交换信道在空气界面上允许的最大传输率为，因此GSM受到限制。GPRS是在GSM标准基础上基于分组交换技术的主要发展，它提供给无线用户高得多的传输速率以满足爆炸性的数据传输的需要。在理论上GPRS用户可以同时使用几个时隙（分组数据信道）以达到最高为170kbit/s的传输速率。由于信道仅仅在数据包被传送或接收时被分配给用户，这使得基于流量收费成为可能。大量的数据业务使得在用户间有效平衡网络资源，因为业务供应商可以使用传输时隙用于其他用户活动。通用分组无线业务（GPRS）,作为移动电话标准GSM的数据延伸，正被看作是第一种真正的分组转换结构，它使得移动用户能够从高速传输数率中得益，而且可以通过他们的移动终端完成各种数据业务应用。GPRS业务被划分为类:PTP（点对点）和PTM（点对多点）业务。全球定位系统（GPS）是美国国防部经20多年的试验研究，耗资100多亿美元，于1993年12月正式全面投入运行的新一代星际无线电导航系统。它的出现和发展已带动起一个潜力巨大、竞争日趋激烈的新兴市场，据最新统计数字表明，目前GPS的全球用户逾400万，相关产品和服务市场正在迅速扩大，GPS已发展成为一个重要的产业。随着汽车工业的发展和交通管理的智能化，车辆GPS导航定位将成为全球卫星定位系统应用的最大潜力市场之一。就我国国情来说，车辆GPS导航定位在专用车辆调度监控、公交车智能管理、出租车运营管理等领域具有广阔的市场前景。通信分系统是车辆GPS导航定位的关键分系统之一。过去，通信分系统通过无线电台等相关方式来实现，存在频率资源紧张、覆盖范围小等问题。