技术管理

开发平台：
Matlab

dct_lms_C.m：源码内容
							function [W, e, Lambda] = dct_lms_C(u, d, M, alpha, beta, gamma, verbose)
% function [W, e, Lambda] = dct_lms_C(u, d, M, alpha, beta, gamma, verbose)
%
% dct_lms_C.m - use DCT-LMS algorithm with recursions on C to estimate
%               optimum weight vectors for linear estimation
%               (written for MATLAB 4.0).
%
% Reference: Ch.10 of Haykin, _Adaptive Filter Theory_, 3rd ed., 1996
%
%
% Input parameters:
%	u	: vector of inputs (real scalars)
%	d	: vector of desired outputs
%	M	: final order of predictor
%	alpha	: base step size for weight updates
%	beta:	: remembering factor for sliding DCT coefficient updates
%	gamma	: forgetting factor for estimated eigenvalue updates
%	verbose	: set to 1 for interactive processing
%
% Output parameters:
%	W	: row-wise matrix of Hermitian transposed weights
%		  at each iteration
%	e	: row vector of prediction errors at each time step
%	Lambda	: row-wise matrix of estimates of process eigenvalues
%		  at each iteration
% Copyright (c) 1994-1999 by Paul Yee

% length of maximum number of timesteps that can be predicted
N = min(length(u),length(d));


% initialize weight matrix and associated parameters for LMS predictor
W = zeros(M, N+1);
Lambda = zeros(M, N);

m = [0:(M-1)]';
k = ones(M, 1); k(1) = 1 / sqrt(2);
W2M = exp(-j * pi / M);
W2M2 = exp(-j * pi / 2 / M);
W2Mm = exp(-j * pi * m / M);
W2M2m = exp(-j * pi * m / 2 / M);
F1 = W2M2m;
F2 = conj(W2M2m);
y = zeros(N, 1);
e = zeros(N, 1);
Lambda_n1 = zeros(M, 1);

n = M;
i = n-M+1:n;
C1n1 = W2M.^(m*(n-i)) * u(i);
C2n1 = W2M.^(m*(i-n+2*M-1)) * u(i);
% C1n1 = (-1).^m .* W2M2m .* C1n1;
% C2n1 = (-1).^m .* W2M2m .* C2n1;

for n = M+1:N
  
%  C1(:, n) = F1 .* (beta * F1 .* C1n1 + u(n) * (-1).^m - beta * u(n-M) * ones(M, 1));
%  C2(:, n) = F2 .* (beta * F2 .* C2n1 + u(n) * (-1).^m - beta * u(n-M) * ones(M, 1));
%  C(:, n) = 1/2 * k .* (C1(:, n) + C2(:, n));

C1(:, n) = W2M.^m .* C1n1 + u(n) * ones(M, 1) - u(n-M) * (-1).^m;
% i = n-M+1:n;
% A1(:, n) = W2M.^(m*(n-i)) * u(i);
C2(:, n) = W2M.^(-m) .* (C2n1 + u(n) * ones(M, 1) - u(n-M) * (-1).^m);
% A2(:, n) = W2M.^(m*(i-n+2*M-1)) * u(i);
C(:, n) = 1/2 * k .* (-1).^m .* W2M2.^m .* (C1(:, n) + C2(:, n));
% C(:, n) = 1/2 * k .* (-1).^m .* W2M2.^m .* (A1(:, n) + A2(:, n));

% i = n:-1:n-M+1;
% C(:, n) = k .* (cos(m * (i-n+M-1/2) * pi / M) * u(i));
  
  % compare with standard DCT algorithm
  % un = u(n:-1:n-M+1);
  % Cn(:, n) = dct(un);
  
  C1n1 = C1(:, n);
  C2n1 = C2(:, n);

  % predict next sample and compute error
  y(n) = W(:, n).' * C(:, n);
  e(n) = d(n) - y(n);
  if (verbose ~= 0)
    disp(['time step ', int2str(n), ': mag. pred. err. = ', num2str(abs(e(n)))]);
  end;
  
  % adapt eigenvalue estimate and weight vectors, adjusting for
  % offset of M+1 in starting index for eigenvalue step size
  Lambda(:, n) = gamma * Lambda_n1 + 1 / (n-M) * (C(:, n).^2 - gamma * Lambda_n1);
  Lambda_n1 = Lambda(:, n);
  
  W(:, n+1) = W(:, n) + alpha ./ Lambda(:, n) .* C(:, n) * e(n);
  
end; % for n

% discard last update to W since no more data to predict
W = W(1:M, 1:N);

end; % dct_lms

						