شبیه سازی آموزشی الگوریتم های sign-regressor ، sign-sign ، sign-lms با متلب

توضیحات

شبیه سازی الگوریتم های sign-regressor ، sign-sign ، sign-lms با متلب

در این پروژه عملکرد سه الگوریتم sign-regressor ، sign-sign ، sign-lms به ازای طول گامهای مختلف درمتلب شبیه سازی و با یکدیگر مقایسه شده است.

طرح زیر را برای بررسی عملکرد الگوریتم‌ LMS و انواع مختلف Sign LMS در نظر می‌گیریم.

شکل 1 طرح شبیه‌سازی شده

سیگنال   نویز سفیدی با وارایانس  است که به منظور تولید سیگنال مطلوب از فیلتر   می‌گذرد.(فرایند AR)

سیگنال  با عبور از فیلتر   و با اضافه شدن نویز سفیدی با واریانس   سیگنال دریافتی ما که ورودی فیلتر تطبیقی است را تولید می‌کند.  دو نویز  از یکدیگر مستقل می‌باشند و همبستگی با یکدیگر ندارند.

پاسخ ضربه‌ی دو فیلتر   و  در شکل ۲ آمده است.

 

شکل 2 پاسخ ضربه‌ی فیلتر‌های

در الگوریتم‌های Sign LMS ، تابع Sign به سیگنال ورودی یا سیگنال خطا و یا هر دو این سیگنال ‌ها اعمال می‌گردد. هنگامی که خطا یا ورودی صفر باشد عمل ضرب بین این دو سیگنال انجام نمی‌شود در غیر این‌صورت تنها از عمل ضرب برای پیاده‌سازی قسمت تصحیح ضرایب الگوریتم‌ها استفاده می‌شود. در مقایسه با الگوریتم LMS استاندارد این الگوریتم‌ها دارای سرعت همگرایی کمتر و خطای ماندگار بیشتری هستند اما سخت‌افزار کمتری برای پیاده‌سازی نیاز دارند.

فیلتر تطبیقی با ۲ نمونه در پاسخ ضربه را در نظر می‌گیریم. با پیاده‌سازی الگوریتم‌های LMS و Sign LMS سیگنال دریافتی را به‌منظور نزدیک‌شدن هر چه بیشتر به سیگنال مطلوب از فیلتر تطبیقی عبور می‌دهیم. در شکل ۳ مقدار MSE برای چهار الگوریتم LMS ، Sign error LMS، Sign Sign LMS و Sign Data LMS  با اندازه‌ی گام   برای هر کدام آمده است.

همانطور که دیده می‌شود الگوریتم‌های LMS و Sign Data LMS  دارای MSE بهتری نسبت به دو الگوریتم دیگر می‌باشند به طوری مقدار MSE تقریبا ۷ دسیبل کمتر است. اما در تعداد نمونه‌ی بیشتری به حالت نهایی خود می‌رسند. در بین این دو الگوریتم Sign Data LMS نیاز به نمونه‌ی کمتری دارد اما عملکرد یکسانی در حالت ماندگار  در مقایسه با LMS دارد. دو الگوریتم دیگر در تعداد نمونه‌ی تقریبا مساوی به حالت دائمی می‌رسند هر چند Sign error دارای MSE کمتری نسبت به دیگری است.

در شکل ۴ مقدار اندازه‌ی گام برای دو الگوریتم Sign error و Sign Sign را برای داشتن عملکرد تقریبا یکسان در حالت ماندگار  MSE برابر با   در نظر گرفتیم. دو الگوریتم‌دیگر دارای همان اندازه‌ی گام قبلی    هستند. در این حالت الگوریتم Sign Sign  در تعداد نمونه‌ی کمتری نسبت Sign error به حالت ماندگار می‌رسد. همچنین دو الگوریتم دیگر همچنان دارای MSE کمتر و نیاز به نمونه‌ی کمتری هستند.

شبیه‌سازی با میانگین گرفتن از ۱۰۰۰ آزمایش مستقل بدست آمده است.

شکل 3  MSE

شکل 4 MSE  برابر با تغییر اندازه‌ی گام

 

نکات قابل ذکر:

• شبیه سازی الگوریتم های sign-regressor ، sign-sign ، sign-lms با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.

سفارش پروژه مشابه

درصورتیکه این پروژه دقیقا مطابق خواسته شما نمی باشد، با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.

سفارش پروژه متلب