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
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。
声表面波（SAW）滤波器曾一度广泛用于工作在20MHz以上频段的次中频滤波。它在抑制电子设备高次谐波、镜像信息、发射漏泄信号以及各类寄生杂波干扰等方面起到了良好的作用。其特点是可灵活设计、模拟/数字兼用、群延迟时间偏差和频率选择特性优良、输入输出阻抗误差小。近年来已将SAW滤波器片式化，重约；另外由于采用了新的晶体材料和最新精细加工技术，致使SAW器件的使用上限频率提高到，这必将促进SAW滤波器在抗EMI领域获得更广泛的应用。低插损技术与片式化封装是这类EMI滤波器目前和今后一段时间内的研究开发方向。
SAW滤波器是surface acoustic wave滤波器，即表面声波滤波器SAW中频滤波器就是通带在中频的SAW滤波器
CIC滤波器实现简单，资源消耗少（只需要加法器），成为变采样率系统中比较常用的滤波器，但也需要在合适的场景中使用，不然对信号质量会造成较大影响。 我们可以通过matlab的filter designer了解CIC滤波器的各种特性。通过图1和图2找到CIC滤波器设计窗口。 从幅频曲线中容易得出CIC滤器器通带平台性差，过渡带宽，带外抑制性能起伏较大。 带外抑制性能可以通过增加CIC级数（Number Of Sections）来提升，但这会对通带平坦性带来负面影响，具体设计CIC时需要折中该参数。 通常在C语言实现CIC时，可以将该参数设计为偶数，这样会使拖尾是一个整数，方便去掉数据首尾的无效值。更进一步，设计为2，4，8时，归一化可以直接通过移位实现。 当我们使用CIC时，需要保证 有用信号的fmax应足够小于fs/2/Mcic ，其中Mcic为内插倍数。这样才能保证在有效带宽内足够的平坦度，一般fmax相对于直流衰减不能超过. 所以在变速率系统中，CIC一般作为最后数字滤波器的前端（靠近模拟域），如上采样系统中信号先经过限带成型滤波器（低通FIR），HB滤器组，最后经过CIC到DAC速率。 下图为8倍上采样的图示。 需要注意的是为了保证CIC前后信号时域采样点平均功率的一致性，在第一级CIC滤波器中没有做归一化，这部分增益正好可以补偿上采样插0带来采样点功率的损失。后续每一级都要做归一化，防止溢出。 clear;clc;close all; %% load data symbols from RRC out,make sure fmax << fs/2/Mcic load('') % 8x oversampling signal symbPower = funCountPower(zeroDataFilterOut); % Power before filter %% CIC filter for interpolate 8 times Mcic = 8; coefCic = ones(Mcic,1); N = 4; % number of CIC section modDataZero8x = upsample(zeroDataFilterOut,Mcic); txPower = funCountPower(modDataZero8x); % Power after zero insertion %% filter dataFilterTemp = conv(modDataZero8x,coefCic); % First CIC section for i = 1:N-1 dataFilterTemp = conv(dataFilterTemp,coefCic)/Mcic; end tailLen = N*(Mcic-1)/2; dataOut = dataFilterTemp(tailLen+1:end-tailLen); outPower = funCountPower(dataOut); % Power after filter
[论文关键词]铁路 电力 远动终端 干扰 [论文摘要]研究分析电磁干扰产生的原因、特点及干扰对电力远动系统的影响，从设计的角度对铁路电力远动监控系统进行抗干扰分析研究。 抗干扰设计是电力远动监控系统安全运行的一个重要组成部分，在研制综合自动化系统的过程中，如果不充分考虑可靠性问题，在强电场干扰下，很容易出现差错，使整个电力远动监控系统无法正常运行或出错误（误跳闸事故等），无法向站场和区间供电，影响铁路行车安全。 一、电磁干扰产生的原因及特点 （一）传导瞬变和高频干扰 1．由于雷击、断路器操作和短路故障等引起的浪涌和高频瞬变电压或电流通过变（配）电所二次侧进入远动终端设备，对设备正常运行产生干扰，严重还可损坏电路。2．由电磁继电器的通断引起的瞬变干扰，电压幅值高，时间短、重复率高，相当于一连串脉冲群。3．铁路电力供电中，特别是现代高速铁路对电力要求都比较高，一般都是几路电源供电，母线投切转换比较频繁，振荡波出现的次数较多。 （二）场的干扰 1．正常情况下的稳态磁场和短路事故时的暂态磁场两种，特别是短路事故时的磁场对显示器等影响比较大。2．由于断路器的操作或短路事故、雷击等引起的脉冲磁场。3．变电所中的隔离开关和高压柜手车在操作时产生的阻尼振荡瞬变过程，也产生一定的磁场。4．无线通信、对讲机等辐射电磁场对远动终端会产生一定的干扰，铁路中继站通常会和通信站在一处，通信发射塔对中继站电力远动终端设备的干扰比较大。 （三）对通信线路的干扰 1．铁路变电所远动终端的数据由串口通信经双绞线进入车站通信站，再经过转换成光信号沿铁通专用通信光缆送至电力远动调度中心，遥信和遥控数据在变电所到通信站的过程走的是电信号，由于变电所高低压进出线缆很多，远动终端受的干扰比较大。2．中继站一般距铁路都比较近，列车通过时的振动对远动终端设备有一定的干扰。 （四）继电器本身原因 继电器本身可能由于某种原因一次性未合到位而产生干扰的振动信号，或负荷开关、断路器、隔离开关等二次侧产生振动信号。 二、干扰对电力远动系统的影响 无论交流电源供电还是直流供电，电源与干扰源之间耦合通道都相对较多，很容易影响到远动终端设备，包括要害的CPU；模拟量输入受干扰，可能会造成采样数据的错误，影响精度和计量的准确性，还可能会引起微机保护误动、损坏远动终端设备和微机保护部分元器件；开关量输入、输出通道受干扰，可能会导致微机和远动终端判断错误，远动调试终端数据错误远动终端CPU受干扰会导致CPU工作不正常，无法正常工作，还可能会导致远动终端程序受到破坏。 三、抗干扰设计分析 （一）屏蔽措施 1．高压设备与远动终端输入、输出采用有铠装（屏蔽层）的电缆，电缆钢铠两端接地，这样可以在很大程度上减小耦合感应电压。2．在选择变电所和中继站电力设备时尽量选设有专门屏蔽层的互感器，也有利于防止高频干扰进入远动终端设备内部。3．在远动终端设备的输入端子上对地接一耐高压的小电容，可以有效抑制外部高频干扰。 （二）系统接地设计 1．一次系统接地主要是为了防雷、中性点接地、保护设备，合适的接地系统可以有效的保障设备安全运行，对于断路器柜接地处要增加接地扁铁和接地极的数量，设备接地处增加增加接地网络互接线，降低接地网中瞬变电位差，提高对二次设备的电磁兼容，减少对远动终端的干扰。2. 二次系统接地分为安全接地和工作接地，安全接地主要是为了避免工作人员因设备绝缘损坏或绝缘降低时，遭受触电危险和保证设备安全，将设备外壳接地，接地线采用多股铜软线，导电性好、接地牢固可靠，安全接地网可以和一次设备的接地网相连；工作接地是为了给电子设备、微机控制系统和保护装置一个电位基准，保证其可靠运行，防止地环流干扰。3．由于高低压柜本身都是多都是采用镀锌薄钢板材料，本身也有屏蔽作用，将高低高柜都可靠接地。4．远动终端微机电源地和数字地不与机壳外壳相连，这样可以减小电源线同机壳之间的分布电容，提高抗共模干扰的能力，可明显提高电力远动监控系统的安全性、可靠性。 （三）采取良好的隔离措施 1．为避免远动终端自身电源干扰采取隔离变压器，电源高频噪声主要是通过变压器初、次级寄生电容耦合，隔离变压器初级和次级之间由屏蔽层隔离，分布电容小，可提高抗共模干扰的能力。2．电力远动监控系统开关量的输入主要断路器、隔离开关、负荷开关的辅助触点和电力调压器分接头位置等，开关量的输出主要是对断路器、负荷开关和电力调压器分接头的控制。3．信号电缆尽量避开电力电缆，在印刷远动终端的电路板布线时注意避免互感。4．采用光电耦合隔离，光电耦合器的输入阻抗很小，而干扰源内阻大，且输入/输出回路之间分布电容极小，绝缘电阻很大，因此回路一侧的干扰很难通过光耦送到另一侧去，能有效地防止干扰从过程通道进入主CPU。 （四）滤波器的设计 1．采用低通滤波去高次谐波。2．采用双端对称输入来抑制共模干扰，软件采用离散的采集方式，并选用相应的数字滤波技术。 （五）分散独立功能块供电，每个功能块均设单独的电压过载保护，不会因某块稳压电源故障而使整个系统破坏，也减少了公共阻抗的相互耦合及公共电源的耦合，大大提高供电的可靠性。 （六）数据采集抗干扰设计 1．在信息量采集时，取消专门的变送器屏柜，将变送器部分封装在RTU内，减少中间环节，这样可以减少变送器部分输出的弱电流电路的长度。2．遥信由于合闸一次不到位或由于二次侧振动而产生的误遥信干扰信号，并且还会产生尖脉冲信号，也可能对遥信回路产生干扰误遥信号。 （七）过程通道抗干扰设计 （八）印刷电路板设计。在印刷电路板设计中尽量将数字电路地和模拟地电路地分开；电源输入端跨接10～100μF的电解电容。 （九）控制状态位的干扰设计 （十）程序运行失常的抗干扰设计 （十一）单片机软件的抗干扰设计 （十二）对于终端至通信站的数字通信电缆加穿钢管，特别是穿越其他电力电缆时，避免和其他电力电缆等同沟敷设并保持一定的交叉距离。 （十三）对于特殊的变（配）电所或区间信号站的环境 （十四）提高远动信息传输的可靠性，在电力调度中心和远动终端之间建立出错重发技术直到住处确认信息为止。
CIC cascade imtegrator comb，积分梳状滤波器CIC滤波器最初由Hogenauer提出，因为它结构简单，没有乘法器，只用加法器、积分器和寄存器，适合工作在高采样率。而且，CIC滤波器是一种基于令吉电相消的FIR滤波器，已经被证明是在高速抽取或插值系统中非常有效的单元。CIC滤波器包括两个基本部分：积分部分和梳状部分。单级CIC抽取滤波器如图1所示：单级CIC插值滤波器如图2所示：
微波光子滤波器是一种基于光学技术来实现微波信号处理的器件，主要是利用光学器件对光波进行调制、延迟等操作，来实现对微波信号的调制、滤波等处理。目前微波光子滤波器的研究主要涉及以下几个方面：1. 器件设计和制备：微波光子滤波器通常由光纤、光栅、耦合器等光学器件组成，因此关键是要优化器件的设计和制备技术，以实现更高的性能和功能。2. 滤波器性能研究：包括滤波器的带宽、频率响应、动态范围等性能，以及与微波信号处理相关的参数，如相位响应、群延迟等。这些性能研究旨在提高微波光子滤波器的性能和功能。3. 应用研究：微波光子滤波器的应用涉及到雷达、通信、军事等领域，因此需要对其应用进行研究。例如，对于雷达应用，需要研究微波光子滤波器在多普勒雷达等方面的应用；对于通信应用，则需要研究微波光子滤波器在光纤通信等方面的应用。总体来说，微波光子滤波器是一个快速发展的领域，其研究旨在提高微波信号处理的速度和效率，以及进一步扩大微波光子学的应用范围。
相关微波光子滤波器研究现状一直以来受到国内外研究者的重视，各领域的研究人员们投入了大量的精力研究和实现微波光子滤波器的设计和制作。其中，研究者们根据不同的应用场景，开发了以几何形状和电磁设计为基础的微波光子滤波器，并利用实验数据证实了滤波器的性能优异。此外，根据应用需求，研究者们还深入研究了微波光子滤波器的传输性能，建立了完善的理论模型，为滤波器的实际应用提供了有力支撑。
当然没解决了而且，一般认为，要解决哥德巴赫猜想必须有新的方法的突破因为原来使用的筛法最多只能做到1+2，已经不可能取得突破了，而必须寻求其他的，新的数学方法才行了
1892年，英国科学家麦克斯韦出版了《电磁学》（第三版），书中他提出“点电荷在介质球中能够形成多大的镜像，位于何处”的问题。这个难题被誉为电磁学界“哥德巴赫猜想”。解开这个百年未解的难题是很多电磁学家的梦想。
抗日战争胜利后，林为干获得了去美国学习的机会，并顺利入读加州大学伯克利分校，师从电磁学家教授，开始与他从事了一生的微波理论和技术研究工作结缘。
1951年，他的博士论文《关于一腔多模的微波滤波器理论》发表于美国《应用物理》杂志8月号首页。该论文打破了微波学界长期以来的“一个圆柱谐振腔仅有两个简并模可以利用”的观点，轰动一时。这是他研究电磁学界的“哥德巴赫猜想”难题的起点。同年，林为干从美国回国，前往岭南大学任教，后参与筹建成都电讯工程学院（现电子科技大学）。
1959年，他在美国《物理学报》发表论文《格林函数在计算部分电容中的应用》，专注于计算一个静电点电荷的作用，研究了麦克斯韦提出介质球中的点电荷问题。但这项成果并没有彻底解决这个难题。此后的十几年间，他遭受过政治冲击、参加过劳动改造，但从未放弃科学研究。为及时了解国际学术前沿发展，林为干还用工资订阅了外文学术刊物。