Escolar Documentos
Profissional Documentos
Cultura Documentos
1) Usar o algoritmo LMS para identificar o sistema descrito pela função de transferência:
1−𝑧 −10
𝐻(𝑧) = 1−𝑧 −1
O sinal de entrada é um ruído branco uniformemente distribuído com variância x2 1 .
Considere o ruído de medida n[k] zero. O filtro adaptativo tem 10 coeficientes.
(a) Calcule o limite superior para ( max ) para garantir a estabilidade do algoritmo.
O tamanho de passo deve satisfazer a seguinte condição:
2
0<𝜇<
𝜆𝑚𝑎𝑥
Sabe-se que o ruído branco Gaussiano está uniformemente distribuído com variância
igual à 1, ou seja,
R = 𝜎2 I = I
Então,
𝜆𝑚𝑎𝑥 = 1 → 𝜇𝑚𝑎𝑥 = 2
(b) Execute o algoritmo para max / 2, max /10 e max / 50 . Comente o comportamento
da convergência em cada caso. Calcule a média do ensemble de 100 experimento.
M=8;
N = 1000
w=zeros(1,M);
e=[];
varx = 1;
mumax=2/varx;
mu = mumax*0.25
e_m =zeros(1,N)
y=zeros(N,1);
wi=zeros(1,M);
num = [1 0 0 0 0 0 0 0 0 0 -1];
den = [1 -1];
for K = 1:100
x = sqrt(varx)*rand(N,1);
d=filter(num,den,x);
for i=M:N
e(i) = d(i)-wi*x(i:-1:i-M+1);
wi = wi+2*(mu/50)*e(i)*x(i:-1:i-M+1)';
end
for i=M:N
j=x(i:-1:i-M+1);
y(i)=((wi)*(j));
end
figure(1)
freqz(y,1)
hold on
MSE = mean(e_100,2);
figure
plot(1:length(MSE),10*log10(MSE))
xlabel('Resposta em Frequência')
ylabel('Magnitude (dB)')
title('Resposta em frequência para mu/50 10 coeficientes' )
[H,fr] = freqz(num,den);
[H1,fr1] = freqz(-wi,1);
[H2,fr2] = freqz(-wi(1:8),1);
figure
plot(fr,20*log10(abs(H)),fr1,20*log10(abs(H1)),fr2,20*log10(abs(H2)))
legend('Sistema','Filtro 10 coefs','Filtro 8 coefs')
xlabel('Normalized Frequency')
ylabel('Magnitude (dB)')
-2-
Resposta em frequência para mu/2 10 coeficientes
40
30
20
10
Magnitude (dB)
0
-10
-20
-30
-40
-50
0 100 200 300 400 500 600 700 800 900 1000
Resposta em Frequência
-20
Magnitude (dB)
-40
-60
-80
-100
-120
-140
0 100 200 300 400 500 600 700 800 900 1000
Resposta em Frequência
10
-10
Magnitude (dB)
-20
-30
-40
-50
-60
-70
0 100 200 300 400 500 600 700 800 900 1000
Resposta em Frequência
-3-
(c) Plotar a resposta em freqüência do filtro adaptativo FIR obtido, em qualquer
iteração depois de alcançada a convergência e comparar com o sistema
desconhecido.
20
Sistema
Filtro 10 coefs
10
Filtro 8 coefs
0
Magnitude (dB)
-10
-20
-30
-40
-50
0 0.5 1 1.5 2 2.5 3 3.5
Normalized Frequency
O algoritmo com apenas 8 coeficientes não é capaz de gerar um filtro adaptativo com
coeficientes condizentes com o sistema, já o filtro obtido a partir de 10 coeficientes
consegue estimar com perfeição o sistema desejado.
2) Um modelo de canal digital pode ser representado pela seguinte resposta ao impulso:
[0.001 0.002 0.002 0.2 0.6 0.76 0.9 0.78 0.67
0.58 0.45 0.3 0.2 0.12 0.06 0 0.2 1 2 1 0 0.1]
O canal é corrompido por ruído branco gaussiano com espectro de potência dado por
-4-
2
S (e j ) '
3/ 2
Figura – Equalizador
clear all
close all
numPoints = 50;
numTaps = 1000;
Mu = 0.0002; % iteration step size
for k = 1:100
d = randi([0 1],numTaps,1);
for i = 1:length(d)
if d(i) == 0
d(i) = -1;
end
end
x1 = d + wnoise;
x = filter (h,1,x1);
-5-
y=zeros(numTaps,1);
w = zeros(numTaps+1,1)
for i=numPoints:numTaps
e(i) = d_d(i)-wi*x(i:-1:i-numPoints+1);
wi = wi+2*Mu*e(i)*x(i:-1:i-numPoints+1)';
end
for i=numPoints:numTaps
j=x(i:-1:i-numPoints+1);
y(i)=((wi)*(j));
end
e_m = e_m + e.^2;
e_100(:,k) = e_m ;
end
MSE = mean(e_100,2);
figure
plot(1:length(MSE),10*log10(MSE))
-6-