Se necesita con urgencia: código del programa de simulación Matlab para el algoritmo de filtrado federado adaptativo

fs=1000; Frecuencia de muestreo 1000hz

N=500; Número de puntos de muestreo

t=(0:1:N-1)/fs ;

f=10; frecuencia de señal sinusoidal 10 hz

x=sin(2*pi*f*t) randn(tamaño (t)); /p>

x=sin(2*pi*f*t) randn(size (t)); p>

b = fir1(31, 0.5); coeficiente de filtro de orden 32 generado por b = fir1( 31, 0.5);

n = 0.1*randn(1, 500); arriba Ruido generado por el sistema de filtrado

d = filter(b, 1, x) n; señal después de pasar el filtro

delta = 0.005; Paso uno de los filtros adaptativos El factor largo se establece en 0.005

ha = adaptfilt.lms(32, delta); coeficiente del sistema

[y, e] = filter(ha, x, d).

delta0=0,001 Se utiliza otro coeficiente de paso 0,001 para comparar

ha=adaptfilt.lms(32, delta0);

[y0, e0 ] = filtro(ha, x, d);

m=1:500; p>

figura (1);

plot(m, x,' g');

figura(2);

plot(m); , e, 'r', m, e0);

legend('delta= 0.001', 'delta=0.005')

subplot(2, 1, 1)

plot(m, e0)

Lo anterior es el algoritmo LMS básico

Filtrado del algoritmo LMS

M = 20; Número de ejecuciones

N = 1000; Longitud de la señal

n = 0: N-1; n/10); Señal inicial

u = s 0.36*randn(1, N); Señal después de la superposición de ruido

Superposición de forma de onda de señal y ruido

(1);

plot(n, u);

title('Superposición de formas de onda de señal y ruido');

xlabel('n'); ylabel('u');

y = zeros(1, N); La señal después de que el filtro adaptativo se inicializa a un vector cero

w = zeros(1, N) ; El vector de peso del filtro adaptativo se inicializa en un vector cero

e = zeros(N ); Inicializa el vector cero del error e(n)

a = zeros(; 1, N); Inicialice el vector cero del vector de peso del filtro directo

vare = zeros(N); Inicialice el vector cero del error cuadrado e(n)^2

estd = zeros(N); Inicializa el vector cero del error cuadrático medio E{e(n)^2}

vare1 = ones(1, N); n)^2 a un vector 1

estd1 = ones(1, N) Inicializa el error cuadrático medio E{e(n )^2} Inicializado a 1 vector

k); = 10; Orden del filtro adaptativo

k = 10;

p>

e1 = zeros(1, N); Inicializa el vector a un vector 1.

N); Inicializa el error de predicción directa e1 en un vector cero

e2 = zeros(1, N); Inicializa el vector de filtro e en un vector cero

y(1:k); ) = u(1:k);

mu0 = 0.0065; Factor de paso de actualización inicial

Inicializa el vector de peso del filtro directo

a( 1 : 11) = [0,1642, 0,1341, 0,0529, -0,0624, -0,1586, -0,1932, -0,1555, -0,0599, 0,0584, 0,1229, 0,1106]

Utilice un algoritmo LMS basado en filtros para filtrar

Para j = (k 1): M

u = s 0.36*randn(1, N); señal después de superponer ruido

para n=( k 2) : N

mu = mu0/(1 (n/100)); Primero busque y converja el coeficiente de paso

e(j, n) = s(n) - w( (n-1): (n 9))* u(n:-1.(n-10))'; Error

e1(n) = u(n) a(( n-10 ): n) * u((n-1):-1: (n-11))'; Error de predicción directa

e2(n) = e(j,n) a ((n- 10):n) * e(j, (n:-1: (n-10))'; Filtro

w(n: (n 10)) = w((n -1): (n 9)) mu*e1(n: -1: (n-10))*e2(n); Actualiza el vector de peso del filtro adaptativo

y(n) = w((n); ): (n 10)) * u((n):-1: (n-10))'; señal filtrada adaptativa

vare(j,n) = e (j, n)^2 ; cuadrado del error e(n)^2

estd(j, n) = vare(j, (1: n))*vare(j, (1: n) )'/n; error al cuadrado E{e(n)^2}

end

end

vare1 = (vare1*vare)/M e(n)^2; en el sentido promedio estadístico

estd1 = (estd1*estd)/M Curva de aprendizaje en el sentido promedio estadístico

Filtrado de salida del filtro adaptativo LMS

figura( 2);

plot(y);

title('Salida filtrada del filtro adaptativo LMS en mu = 0.0065');

xlabel('n') ; ylabel('y');

Filtrado de la curva e(n)^2 del filtro adaptativo LMS

figure(3);

plot(vare1);

title('Curva de e(n)^2 para filtro adaptativo LMS filtrado ');

xlabel('n') ;ylabel('e(n)^2'); );

Curva de aprendizaje del filtrado del filtro adaptativo LMS

figure(4);

plot (estd1);

title('); Gráfico de aprendizaje para adaptación LMS filtrada

filtro tivo ');

xlabel('n'); ylabel('E[e(n)^2]');

Espero que esto ayude