clc
clear?all
%******************************************%
%*********Speech?channel?model*************%
%******************************************%
%輸入參數：
%?????????data?????????????激勵信號序列序列（列向量）

%輸出參數
%?????????speech_signal?????輸出語音信號（列向量）

%初始化
data_average=0;%激勵信號均值
data_variance=0.27;%激勵信號方差
iterations=500;%迭代次數

data=normrnd（data_averagesqrt（data_variance）1iterations）.‘;%產生白噪聲序列

%畫圖（白噪聲data）
figure（1）
subplot（311）
plot（data‘y‘）;
grid?on
title（sprintf（‘N（%d%d）分布的白噪聲序列‘data_averagedata_variance））;
subplot（312）
R_data=xcorr（data‘‘）;
plot（R_data‘m‘）;
grid?on
title（sprintf（‘N（%d%d）分布的噪聲序列自相關函數‘data_averagedata_variance））;
subplot（313）
periodogram（data[]1024250）;
title（sprintf（‘N（%d%d）分布的噪聲序列功率譜密度‘data_averagedata_variance））;
%結束畫圖
speech_signal?=?filter（1[10.8458]data）;

%畫圖
figure（2）
subplot（211）
plot（speech_signal‘m‘）;
title（‘語音信號序列‘）;
axis（[-10?510?-5?5]）;
%結束畫圖

%******************************************%
%******Transmission?signal?model***********%
%******************************************%
%輸入參數：
%????????speech_signal????激勵信號序列序列（列向量）
%????????noise????????????信道中的加性噪聲（列向量）
%輸出參數
%????????data_in_fiter????輸出經過信道的帶噪語音信號（列向量）
noise_average=0;%噪聲均值
noise_variance=0.1;%噪聲方差

noise=normrnd（noise_averagesqrt（noise_variance）1iterations）.‘;
data_in_fiter?=?filter（1[1-0.9458]speech_signal）+noise;

%畫圖
subplot（212）
plot（data_in_fiter‘r‘）;
title（‘輸出經過信道的帶噪語音信號序列‘）;
axis（[-10?510?-5?5]）;
%結束畫圖

%******************************************%
%*************Least?Mean?Square************%
%******************************************%

%輸入參數：
%?????????data_in_fiter????濾波器輸入信號序列（列向量）
%?????????expct_data???????所期望的響應序列（列向量）
%?????????M_rank???????????濾波器階數（標量）
%?????????u_step???????????濾波器步長（標量）

%輸出參數
%????????weight????????????濾波器權值矩陣（矩陣?M_rank*length（data_in_fiter））
%??????????????????????????設迭代次數即為其輸入序列長度
%????????erro??????????????誤差序列（length（data_in_fiter）*i）
%????????real_data?????????實際輸出序列
%????????mse???????????????均方誤差

%輸入參數賦值
expct_data?=?speech_signal;
M_rank?=?2;
u_step?=?0.02;

%初始化
n?=?0;%迭代次數
weight?=?zeros（M_rankiterations）;%權重
erro?=?zeros（1iterations）;%誤差
data_instantaneous?=?zeros（1iterations+M_rank-1）.‘;%輸入序列瞬時值
real_data?=?zeros（1iterations）;%期望信號估計，實際輸出的序列
mse?=?zeros（1iterations）;%均方誤差

erro（1）?=?expct_data（1）?-?real_data（1）;
data_instantaneous（1:iterations:）?=??flipud（data_in_fiter）;%flipud?實現倒序
mse（1）?=?erro（1）^2;

for?n?=?1:（iterations-1）
????data_temporary?=?data_instantaneous（（iterations+1-n）:（iterations+M_rank-n））;%臨時
????weight（:n+1）?=?weight（:n）?+?u_step*data_temporary*conj（erro（n））;
????data_temporary?=?data_instantaneous（（iterations-n）:（iterations+M_rank-n-1））;%臨時
????real_data（n+1）?=?weight（:n+1）‘*data_temporary;
????erro（n+1）?=?expct_data（n+1）?-?real_data（n+1）;
????mse（n+1）?=?erro（n+1）^2;
end
%畫圖
figure（3）
plot（mse‘r‘）;
title（‘LMS算法一次實驗學習曲線‘）;
xlabel（‘迭代次數n‘）
ylabel

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2019-10-31?20:34??SD&LMS\
?????文件????????4351??2019-10-29?15:02??SD&LMS\least_mean_square.m
?????文件????????6172??2019-10-31?20:25??SD&LMS\least_mean_square_ex.m
?????文件????????1460??2019-10-31?20:30??SD&LMS\LMS.m
?????文件????????3196??2019-10-31?19:18??SD&LMS\steepest_descent_method.m