第六次上机.doc

四、实验内容： 上机1 随机梯度法的实现，编写一个matlab函数实现 上机2 自适应噪声抵消器的实现 上机3 自适应谱线增强的应用 上机4 语音信号的去噪 上机5 综合比较 五、实验数据及结果分析： 1.随机梯度法的实现，编写一个matlab函数实现 a)观察到p个值计算，，初值W和eT预先给定，μ先给定。 关键代码： function [w,y]=mylms(x,d,delta,N) % LMS Algorithm for coefficient adjustment % w=estimated FIR FILTER % y=output array % x=input array % d=desired array,length must be same as x % delta=step size 1 % N=length of FIR filter,Nlength of x %----初始化----- w=zeros(1,N); M=length(x); y=zeros(1,M); b）当有新观测值XT+1后，，计算新的误差，不断调整W，使之接近最优解。 关键代码：%---求权重w---- for n=N:M xt=x(n:-1:n-N+1); y(n)=w*xt; et=d(n)-y(n); w=w+2*delta*et*xt; end 自适应噪声抵消器的实现 实现工频干扰的自适应噪声抵消。要求s=母亲心电或胎儿心电信号；d=n+s；n为50Hz的正弦干扰信号；n通过一个线性系统后产生x信号。 a）载入母亲心电信号s，50Hz正弦信号n，让n通过线性系统得到相关的噪声信号x，观测信号d=n+s。 关键代码： s=load(mecg1.dat); s=s(500:1500); t=0:1:length(s)-1; n=0.7*10^11*sin(100*pi*t);%f=50hz x=filter([2,1],1,n);%产生相关的噪声 d=s+n; b）对含噪声的母亲心电进行自适应滤波，得到自适应滤波后的输出和自适应噪声抵消后的输出误差。 关键代码： [w,y]=mylms(x,d,0.001,15); 分析2.1： n和x相关，而与s不相关。右图我们可以看到，第四幅图是自适应滤波后的得到的图像，相比第二幅噪声滤除了很多，利用c=corr(s,(d-y));SNR=10*log10(var(s)/var(n)); 我们求得c=0.9546，SNR=4.47，在这个信噪比可见相关系数很大，滤波效果很好。 3.自适应谱线增强的应用 信号较弱，在宽带噪声背景下，突出信号而压制噪声，就是谱线增强。 载入胎儿心电信号s，我选取其中的1001点，产生对应长度的白噪声n，进行自适应滤波，步长μ=0.001，阶数N=15。得到了滤波前后的对比图如下。 关键代码：%------s=胎儿心电信号 n=白噪声信号---- s=load(fecg1.dat); s=s(500:1500); N=length(s); n=0.5*randn(1,N); x=s+n; d=[0 x(1:end-1)]; %移位delta x [w,y]=mylms(d,x,0.001,15) 分析3.1： 使得d与x不相关，但信号s延迟后与原信号是相关的。使得自适应后输出y趋于s，eT趋于n。我们在第三幅图中得到滤波后的图像y，利用 c=corr(y,s);SNR=10*log10(var(s)/var(n)); 求得c=0.6936，SNR=6.47，在这个信噪比下得到的相关系数不算很高，滤波的效果不算理想，可能和步长有关。 b）改变信噪比，与维纳滤波器比较去噪效果。 关键代码：%-----改变信噪比，与维纳滤波器比较去噪效果------ weight=0.1:0.05:30; for i=1:150 X=s+weight(i)*n;D=[0 X(1:end-1)]; SNR(i)=10*log10(var(s)/var(weight(i)*n)); %信噪比 [ww,yy]=mylms(D,X,0.001,15);%自适应滤波 y1=X-yy; [h,err]=weiner(X,(weight(i)*n));%维纳滤波 y2=filter(h,1,X); ceof1(i)=corr(y1,s); ceof2(i)=corr(y2,s); %相关系数 end 分析3.2： 我们给定权重weight，进行了150次循环，花费的时间也很多，这也是我截取1001点的原因。我们分别用自适应滤波和维纳滤波对信号进行处理，通过计算相关系数和信噪比，得到右图，可以看出维纳滤波的效果优于自适应滤波，维纳