专题二算法的效率 评价一个算法的效率主要是考察算法执行时间的情况。可以在相同的规模下，根据执行时间的长短来评价一个算法的优劣。一个算法的好坏对计算机的效能影响有多大呢？我们来做这样一个比较，假设有两台计算机分别是计算机A和计算机B，计算机A的运算处理速度比计算机B大约快50倍。以求解“百钱买百鸡”（“鸡翁一，值钱五，鸡母一，值钱三，鸡雏三，值钱一。百钱买百鸡。问鸡翁、母、雏各几何？”）为例子，设鸡翁为x只，鸡母为y只，鸡雏为z只。算法A：把公鸡、母鸡、小鸡的枚举范围都是1～100；算法B：经粗略计算公鸡的枚举范围为1～20，母鸡的枚举范围为1～33，而小鸡的枚举范围应是100－x－y。在计算机A上运行算法A程序，在计算机B上运行算法B程序，两台计算机谁先把结果运算出来呢？ 算法A的程序代码如下： For x = 1 To 100 For y = 1 To 100 For z = 1 To 100 If (x+y+z=100) And (5* x + 3 * y + z/3 = 100) Then List1.AddItem Str(x) + " " + Str(y) + " " + Str(z) End If Next z Next y Next x 算法B程序代码如下： For x = 1 To 20 For y = 1 To 33 Z=100-x-y If 5* x +3* y + z/3 = 100 Then List1.AddItem Str(x) + " " + Str(y) + " " + Str(z) End If Next y Next x 运算结果是计算机B先把结果运算出来。为什么会这样呢？我们来分析一下，算法A 需要执行100×100×100=1000000次内循环，而算法B只需要执行20×33=660次内循环，虽然计算机A比计算机B快50多倍，但还是计算机B先求得计算结果。 一个好的算法可以算得更快。什么样的算法是好算法呢？通常从时间复杂度和空间复杂度两方面来评价，在这里我们主要讨论时间复杂度。通常我们把算法的基本操作执行的次数作为算法的时间量度T(n)=O(f(n))，表示随着规模n的增大，算法执行时间的增长率和f(n)的增长率相同，称时间复杂度，估算时按该算法对各种输入情况的平均值来考虑。在最坏情况下的复杂度和平均情况下的复杂度是评估算法两种衡量标准。 在排序算法中，我们学习了冒泡排序和交换排序，这两种算法的效率如何呢？下面我们来进行讨论。算法的基本操作主要是比较语句和交换两个变量值的赋值语句。冒泡排序（bubble sort）是在一列数据中把较小的数据逐次向上推移的一种技术，它和气泡从水中往上冒的情况有些类似，它把待排序的n个元素的数组看成是垂直堆放的一列数据，从最下面的一个元素起，自下而上地比较相邻两个元素中的数据，将较小的数据换到上面的一个元素中。当第一遍加工完成时，最小的数据已经上升为第一个元素的数据。然后对余下的n-1
目前常见的自适应算法研究与比较 常见自适应滤波算法有：递推最小二乘算法，最小均方误差算法，归一化均方误差算法，快速精确最小均方误差算法，子带滤波，频域的自适应滤波等等。 其中最典型最有代表性的两类自适应算法就是递推最小二乘算法和最小均方误差算法，以下对几种较常用的算法进行介绍： 1、递归最小二乘法(RLS) RLS 算法的基本方法为: ^^33()()(1) ()()() (1)()()()(1)() 1()[(1)()()(1)] ()(1)()() T T T d n X n H n e n d n d n P n X n k n X n P n X n P n P n K n X n P n H n H n K n e n λλ=-=--=+-=---=-+ K(n) 称为Kalman 增益向量,λ是一个加权因子,其取值范围0 <λ< 1 ,该算法的初始化一般令H( - 1) = 0及P( - 1) = 1/δI,其中δ是小的正数。 2、最小均方误差算法（LMS ） 最小均方误差算法（LMS ）是一种用瞬时值估计梯度矢量的方法，即 2[()]()2()()()n e n e n n n ??==-?X h （1） 按照自适应滤波器滤波系数矢量的变化与梯度矢量估计的方向之间的关系，可以写出LMS 算法调整滤波器系数的公式如下所示： 1(1)()[()]2n n n μ+=+-?h h ()()()n e n n μ=+h X （2） 上式中的μ为步长因子。μ值越大，算法收敛越快，但稳态误差也越大；μ值越小，算法收敛越慢，但稳态误差也越小。为保证算法稳态收敛，应使μ在以下范围取值： 212 0() N i x i μ=<<∑ 从收敛速度来看，RLS 算法明显优于LMS 算法,但RLS 算法在运算上却比LMS 算法复杂得多,为了减小计算复杂度,并保留RLS 的收敛性能,人们提出了
利用LMS 算法的自适应系统仿真 摘 要: 一待辩识的IIR 系统，用一有限长度的FIR 滤波器来近似辩识系统，介绍了基于最小均方算法(LMS 算法)的自适应均衡器的原理和结构，采用LMS 算法得到N 阶FIR 滤波器来逼近原IIR 滤波器，并且分析了步长，滤波器系数，初始权值以及自适应过程中的噪声对系统辩识性能的影响。针对用硬件实现LMS 算法的自适应均衡器存在的诸多缺点，利用MATLAB 工具对各种结构形式的自适应均衡器在不同信道模型下的收敛速度和精度进行仿真，描述了用仿真试验得出LMS 自适应均衡滤波器的收敛性和跟踪性能与滤波器长度和选代算法跳步两个重要的参数之间的定量关系，为此构建了有实用价值的系列时延扩展的传输环境和可变多径传输信道，建立了系统仿真模型，做出了仿真试验结果并分析了仿真试验结果的意义。 关 键 词 LMS 算法； FIR 滤波器； 自适应滤波；IIR; MATLAB 仿真 关 键 词: LMS 算法 自适应均衡系统 仿真 移动通信 无线数据通信 0、 引言 待辨识系统是极点－零点（IIR ）系统，要用一个有限长度的FIR 滤波器来近似辨识该系统如图1所示。已知待辨识系统的传输函数为： 23.01.111)(-+-=z z z H d （IIR ）,求FIR 滤波器的系数。 图1 自适应系统辨识的原理图 1、系统设计要求 1）、待辨识系统为IIR 滤波器，利用自适应滤波的方法，采用LMS 算法得到N 阶FIR 滤波器来逼近原IIR 滤波器； 2）、输入信号)(n x 为高斯白噪声；
3）、考察步长delta 、阶数N 对自适应滤波器性能的影响。 2、系统设计原理 由于LMS 算法不需要离线方式的梯度估值或重复使用数据以及它的简单易行性而被广泛采用。只要自适应系统是线性组合器，且有输入数据向量)(n x 和期待响应)(n d 在每次迭代时可利用，对许多自适应处理的应用来说，LMS 算法是最好的选择。 我们采用LMS 算法自适应调整FIR 滤波器的系数，自适应滤波器的结构是具有可调系数)1(,),1(),0(-N h h h 的直接型FIR 滤波器。 输入信号)(n x 为功率为1，长度为1000点的高斯白噪声。)(n d 为期望响应，)(n y 为自适应FIR 滤波器的输出，误差信号)()()(n y n d n e -=。 对一个FIR 滤波器，其可调系数为10),(-≤≤N k k h ，N 为滤波器的阶数。则输出 M n k n x k h n y N k ,,0), ()()(10 =∑-=-= LMS 算法是由最速下降法导出的，求出使均方误差∑==M n n e 0 2)(ε达到最小值时相应的最佳滤 波器系数组。 从任意选择的一组)(k h 初始值开始，接着在每个新的输入采样值)(n x 进入自适应滤波器后，计算相应的输出)(n y ，再形成误差信号)()()(n y n d n e -=，并根据如下方程不断修正滤波器系数： ,1,0,10),()()()(1=-≤≤-???+=-n N k k n x n e k h k h n n 其中?为步长参数，)(k n x -为n 时刻输入信号在滤波器的第k 个抽头处的采样值，)()(k n x n e -?是滤波器第k 个系数的负梯度的近似值。这就是自适应地调整滤波器系数以便使平方误差ε最小化的LMS 算法。 3、系统仿真和结果分析 1）、仿真环境和各参量设置 在MATLAB7 上用软件仿真，仿真条件： (1) 高斯白噪声的产生 利用MATLAB 的库函数randn 产生均值为零，方差为1的高斯白噪声。为了观察不同的步长和阶数对系统性能的影响，必要时可以设定“种子值”产生相同的输入序列。 (2) 待辨识系统对输入的期待响应 由待辨识系统的传递函数可以写出它的差分方程形式为
数据结构课程设计报告 搜索算法效率比较的设计 专业 计算机科学与技术 学生姓名 Xxxxx 班级 Xxxx 学 号 Xxxx 指导教师 Xxx 完成日期 2016年6月16日
目录 1.设计题目 (3) 2.设计目的及要求 (3) 2.1．目的 (3) 2.2．要求 (3) 3.设计内容 (3) 4.设计分析 (4) 4.1.空间复杂度 (5) 4.2非递归线性搜索设计 (5) 4.3递归线性搜索 (5) 4.4二叉搜索设计 (6) 5.设计实践 (7) 5.1非递归线性搜索模块设计 (7) 5.2递归线性搜索模块设计 (7) 5.３二叉搜索模块设计 (7) 5.4.主程序模块设计 (8) 6测试方法 (10) 7.程序运行效果 (11) 8.设计心得 (12)
搜索算法效率比较的设计 1.设计题目 给定一个已排序的由N个整数组成的数列{0,1,2,3,……,N-1}，在该队列中查找指定整数，并观察不同算法的运行时间。考虑两类算法：一个是线性搜索，从某个方向依次扫描数列中各个元素；另一个是二叉搜索法。要完成的任务是：分别用递归和非递归实现线性搜索；分析最坏情况下，两个线性搜索算法和二叉搜索算法的复杂度；测量并比较这三个方法在N=100，500，1000，2000,4000,6000,8000，10000时的性能。 2.设计目的及要求 2.1．目的 （1）需要同学达到熟练掌握C语言的基本知识和技能； （2）基本掌握面向对象程序设计的基本思路和方法； （3）能够利用所学的基本知识和技能，解决简单的程序设计问题；2.2．要求 学生必须仔细阅读数据结构，认真主动完成课设的要求，有问题及时主动通过各种方式与教师联系沟通；要发挥自主学习的能力，充分利用时间，安排好课设的时间计划，并在课设过程中不断检测自己计划完成情况；独立思考，课程设计中各任务的设计和调试哦要求独立完成，遇到问题可以讨论，可以通过同学间相互讨论而解决。 3.设计内容 任何程序基本上都是要用特定的算法来实现的。算法性能的好坏，直接决定了所实现程序性能的优劣。此次对有关算法设计的基本知识作了简单的介绍。针对静态查找问题，以搜索算法的不同实现，并对非递归线性搜索算法、递归线性搜索算法和二叉搜索算法这三种方法进行了比较和分析。 算法是为求解一个问题需要遵循的、被清楚地指定的简单指令的集合。解决一个问题，可能存在一种以上的算法，当这些算法都能正确解决问题时，算法需要的资源量将成为衡量算法优良度的重要度量，列如算法所需的时间、空间等。算法是对问题求解过程的一种描述，是为解决一个问题或一类问题给出的一个正确的，有限长的操作序列。 由于查找一个数的过程，无论运用哪种算法对于电脑来说速度都是非常快的，都爱1ms之内，无法用计时函数测试出来。所以为了能够直观准确地表示出各个算法间的差异，此程序用了循环查找的方法，具体的思想是：先随机生成3000
自适应信号处理综述报告 摘要：本文对国内外自适应信号处理的研究进行了综述，简要介绍了自适应算法的发展和应用，并讲述了LMS算法的原理及应用，最后给出了其在信号处理中的应用情况。 关键字：LMS算法；变步长；噪声抵消；系统辨识；自适应信号分离器 1. 自适应信号处理概述 自适应信号（Adaptive Signal Processing）处理的研究工作始于20世纪中叶。在1957年至1960年间，美国通用电气公司的豪厄尔斯（P.Howells）和阿普尔鲍姆（P.Applebaum），与他们的同事们研究和使用了简单的是适应滤波器，用以消除混杂在有用信号中的噪声和干扰。而结构更为复杂的自适应滤波器的研究工作，则由美国斯坦福大学的维德罗（B.Widrow）和霍夫（M.Hoff）始于1959年。此期间，他们在自适应理论方面的研究作出了贡献，发明了最小均方（LMS）自适应算法，并提出了一种采用被称为“自适应线性门限逻辑单元”的模式识别方案。同时，原苏联莫斯科自动学和遥控力学研究所的艾日曼及同事们，也研制出了一种自动梯度搜索机器。英国的加布尔（D.Gabor)和他的助手们则研制了自适应滤波器。 到20世纪60年代初期和中期，有关自适应信号处理的理论研究和实践、应用工作更加强了，研究范围已发展到自适应、自适应控制、自适应滤波（包括时域和空域）及其他方面。勒凯（R.Lucky）在美国贝尔实验室首先将自适应滤波应用于商用的数字通信中。1965年，自适应噪声对消系统在斯坦福大学建成，并成功应用于医学中，主要用于对消心电放大器和记录仪输出端的60Hz干扰。此后，瑞格勒（R.Riegler）和康普顿（https://www.doczj.com/doc/4e15458695.html,pton)推广了由豪厄尔斯和阿普尔鲍姆所做的工作。 数字集成电路和微电子技术的迅速发展给自适应信号处理技术的应用提供了十分优越的条件。自适应系统的应用领域包括通信、雷达、声纳、地震学、导航系统、生物医学电子学和工业控制等。随着人们在改领域研究的不断深入，自适应信号处理的理论和技术日趋完善，其应用的范围也愈来愈广泛。 2. 自适应滤波算法基本原理 自适应滤波是利用前一时刻已获得的滤波器参数等结果，自动地调节现时刻的滤波器参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。所谓“最优”是以一定的准则来衡量的，根据自适应滤波算法优化准则不同，自适应滤波算法可以分为最
Ｍ－Ｃｈａｒｍ速率自适应算法在瑞利 平坦衰落信道的性能分析 时帅１，２，王玫１，２，符杰林１，２ １．桂林电子科技大学通信研究所，广西桂林５４１００４；２．通信网信息传输与分发技术重点实验室，石家庄 ０５００８１ 摘要：针对Ｃｈａｒｍ（ ｃｈａｎｎｅｌ－ａｗａｒｅ ｒａｔｅ ｓｅｌｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ）算法在瑞利平坦衰落信道下误码率性能较差的问题，提出了Ｍ－Ｃｈａｒｍ（ ｍｏｄｉｆｉｅｄ Ｃｈａｒｍ）速率自适应算法。该算法基于Ｃｈａｒｍ算法，通过调整信噪比估计参数，增加差值补偿机制，以提高信道估计的准确性，进而降低了误码率。在瑞利平坦衰落信道模型下的仿真结果表明，Ｍ－Ｃｈａｒｍ算法不仅保持了较好的吞吐量性能，而且大大改善了误码率性能。 瑞利平坦衰落信道；速率自适应；吞吐量；误码率 ＴＰ３９３Ａ１００１－３６９５（２０１３）０４－１１３０－０３ １０． ３９６９／ｊ． ｉｓｓｎ． １００１－３６９５． ２０１３．０４．０４６ Ｐｅｒｆｏｒｍａｎｃｅ ａｎａｌｙｓｉｓ ｏｆ Ｍ－Ｃｈａｒｍ ｒａｔｅ ａｄａｐｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｎ Ｒａｙｌｅｉｇｈ ｆｉａｔ ｆａｄｉｎｇ ｃｈａｎｎｅｌ ＳＨＩ ＳｈｕａｉＷＡＮＧ ＭｅｉＦＵ Ｊｉｅ－ｌｉｎ ２０１２－０８－１３２０１２－０９－２５通信网信息传输与分发技术重点实验室开放课题资助项目（ＩＴＤ－Ｕ１１００４）：国家自然科学基金资助项目（６１０７１０８８，６１１７２０５４） 作者简介：时帅（１９８４－），男，黑龙江林口人，硕士研究生，主要研究方向为宽带通信网络；王玫（１９６３－），女，教授、博导，主要研究方向为扩频通信理论、混沌通信的关键问题等；符杰林（１９７５－），男（通信作者），讲师，博士研究生，主要研究方向为宽带无线网络（ｆｕｊｉｅｌｉｎ＠ ｔｏｍ． ｃｏｍ）． 万方数据
自适应信号处理最速下降法实验 一 实验目的 考察最速下降法应用于预测器的瞬态特性。通过保持特征值扩散度不变，而改变步长参数，观察过阻尼和欠阻尼两种情况下()1v n 和()2v n 以及)(1n ω和 )(2n ω随n 改变而改变的过程。 二 实验要求 固定特征值扩散度()10R χ=，令步长参数μ分别为0.3和1.0，1 1.1955a =-， 20.95a =，1 1.818λ=，20.182 λ=，2m in 0.0322J σ==，观察()1v n 和()2v n 以及 ()1n ω和()2n ω随n 改变而变化的情况。 三 实验过程 首先让步长参数为0.3，得到过阻尼情况下()1v n 和()2v n 以及()1n ω和()2n ω随n 改变而变化的曲线。如下图所示： 图 1：步长参数0.3μ=过阻尼情况 图中曲线中的同心椭圆从内到外依次对应n=0，1，2，3……的情况，下同。
图 2：步长参数0.3μ=过阻尼情况 再让步长参数为1.0，得到欠阻尼情况下()1v n 和()2v n 以及()1n ω和()2n ω随n 改变而变化的曲线。如下图所示： 图 3：步长参数 1.0μ=欠阻尼情况
图 4：步长参数 1.0μ=欠阻尼情况 四 实验结果和分析 通过观察上述曲线，可得到如下结论： 1 最速下降法的瞬态特性对步长参数的变化是高度敏感的。而且当步长μ较小时，最速下降法的瞬态特性是过阻尼的，即连接点V (0),V (1),V (2)…所组成的轨迹沿着一条连续的路径；当步长μ达到或接近最大值max 2max λμ=时，最 速下降法的瞬态特性是欠阻尼的，即轨迹显现振荡现象。 2上面的实验验证了当max 2 0λμ< <时，根据式k mse k μλτ21,≈ 可得步长参 数μ越小，最速下降法中每一个自然模式的衰减速率越慢。且当max 2max λμ=时，出现欠阻尼现象，如果μ再大，则算法发散。 3 对于固定的()J n ，()()12,v n v n ????随n 变动的轨迹正交于()J n 固定时 ()()12,v n v n ????的轨迹，这也适用于()J n 固定时()()12,n n ωω????的轨迹。
比较两对算法的效率 考虑问题1：已知不重复且已经按从小到大排好的m个整数的数组A[1..m]（为简单起见。还设m=2 k，k是一个确定的非负整数）。对于给定的整数c，要求寻找一个下标i，使得A[i]=c；若找不到，则返回一个0。 问题1的一个简单的算法是：从头到尾扫描数组A。照此，或者扫到A的第i个分量，经检测满足A[i]=c；或者扫到A的最后一个分量，经检测仍不满足A[i]=c。我们用一个函数Search来表达这个算法： Function Search (c:integer):integer; Var J:integer; Begin J:=1; {初始化} {在还没有到达A的最后一个分量且等于c的分量还没有找到时， 查找下一个分量并且进行检测} While (A[i]
1波束宽度与波达方向及阵元数的关系 clc clear all close all ima=sqrt(-1); element_num1=16; %阵元数 element_num2=128; element_num3=1024; lamda=0.03; %波长为0.03米 d=1/2*lamda; %阵元间距与波长的关系 theta=0:0.5:90; for j=1:length(theta); fai(j)=theta(j)*pi/180-asin(sin(theta(j)*pi/180)-lamda/(element_num1*d)); psi(j)=theta(j)*pi/180-asin(sin(theta(j)*pi/180)-lamda/(element_num2*d)); beta(j)=theta(j)*pi/180-asin(sin(theta(j)*pi/180)-lamda/(element_num3*d)); end figure; plot(theta,fai,'r',theta,psi,'b',theta,beta,'g'),grid on xlabel('theta'); ylabel('Width in radians') title('波束宽度与波达方向及阵元数的关系') 仿真图如下：
3. 当阵元间距 时，会出现栅瓣，导致空间模糊。仿真图如下： 4. 类似于时域滤波，天线方向图是最优权的傅立叶变换 仿真程序和仿真图如下： clc clear all close all ima=sqrt(-1); element_num=32; %阵元数 source_num=1; %信源数 d_lamda=1/2; %阵元间距与波长的关系 theta=linspace(-pi/2,pi/2,200); theta0=0; %来波方向 w=exp(ima*2*pi*d_lamda*sin(theta0)*[0:element_num-1]'); for j=1:length(theta); a=exp(ima*2*pi*d_lamda*sin(theta(j))*[0:element_num-1]'); p(j)=w'*a; end figure; subplot(1,2,1) plot(theta,abs(p)),grid on xlabel('theta/radian') ylabel('amplitude') /2d λ >
自适应信号处理-唐正必马长芳科学出版社 赵春晖哈尔滨工程大学出版社 本书全面系统地阐述了自适应信号处理的理论及其应用，包括确定性信号与随机过程(平稳与非平稳信号)滤波检测理论，不用训练序列的本身自适应的盲信号处理理论，从一维到多维、线性到非线性、经典自适应到神经智能自适应等近代信号处理。它将信息论、时间序列分析、系统辨识、谱 估计理论、高阶谱理论、优化理论、进化计算，以及神经网络理论等学科知识综合而成一体。 本书共十章，内容有自适应滤波基本原理、自适应LMS滤波器、自适应RLS滤波器、自适应格型滤波器、自适应递归滤波器、自适应谱线增强与谱估计、自适应噪声干扰抵消器、自适应均衡器、自适应阵列处理与波束形成，以及自适应神经信息处理。对于盲信号处理的理论与方法，将分散在最后三章中论述。 本书取材新颖，内容丰富;叙述深入浅出，系统性强，概念清楚。它总结了自适应信号处理的最新成果，其中包括作者在该领域内所取得的科研成果，是一部理论联系实际的专业理论专著。可作为信息与通信、雷达、声纳、自动控制、生物医学工程等专业的研究生的教材或主要参考书，也可供广大科研人员阅读。 第1章绪论 1.1 自适应滤波的基本概念 1.2 自适应信号处理的发展过程 1.3 自适应信号处理的应用 第2章维纳滤波 2.1 问题的提出 2.2 离散形式维纳滤波器的解 2.3 离散形式维纳滤波器的性质 2.4 横向滤波器的维纳解 第3章最小均方自适应算法 3.1 最陡下降法 3.2 牛顿法 3.3 LMS算法 3.4 LMS牛顿算法 第4章改进型最小均方自适应算法 4.1 归一化LMS算法 4.2 块LMS算法 4.3 快速块LMS算法 第5章最小均方误差线性预测及自适应格型算法 5.1 最小均方误差线性预测 5.2 Lev ins on-Durbi n算法 5.3 格型滤波器 5.4 最小均方误差自适应格型算法 第6章线性最小二乘滤波 6.1 问题的提出 6.2 线性最小二乘滤波的正则方程 6.3 线性最小二乘滤波的性能 6.4 线性最小二乘滤波的向量空间法分析 第7章最小二乘横向滤波自适应算法 7.1 递归最小二乘算法 7.2 R LS算法的收敛性 7.3 R LS算法与LMS算法的比较
几种字符串哈希HASH算法的性能比较 2011年01月26日星期三 19:40 这不就是要找hash table的hash function吗？ 1 概述 链表查找的时间效率为O(N)，二分法为log2N，B+ Tree为log2N，但Hash链表查找的时间效率为O(1)。 设计高效算法往往需要使用Hash链表，常数级的查找速度是任何别的算法无法比拟的，Hash 链表的构造和冲突的不同实现方法对效率当然有一定的影响，然而Hash函数是Hash链表最核心的部分，本文尝试分析一些经典软件中使用到的字符串 Hash函数在执行效率、离散性、空间利用率等方面的性能问题。 2 经典字符串Hash函数介绍 作者阅读过大量经典软件原代码，下面分别介绍几个经典软件中出现的字符串Hash函数。 2.1 PHP中出现的字符串Hash函数 static unsigned long hashpjw(char *arKey, unsigned int nKeyLength) { unsigned long h = 0, g; char *arEnd=arKey+nKeyLength; while (arKey < arEnd) { h = (h << 4) + *arKey++; if ((g = (h & 0xF0000000))) { h = h ^ (g >> 24); h = h ^ g; } } return h; } 2.2 OpenSSL中出现的字符串Hash函数 unsigned long lh_strhash(char *str) { int i,l; unsigned long ret=0; unsigned short *s; if (str == NULL) return(0); l=(strlen(str)+1)/2; s=(unsigned short *)str; for (i=0; i ret^=(s[i]<<(i&0x0f)); return(ret);
第3章 自适应波束形成及算法 （3.2 自适应波束形成的几种典型算法） 3.2 自适应波束形成的几种典型算法 自适应波束形成技术的核心内容就是自适应算法。目前已提出很多著名算法，非盲的算法中主要是基于期望信号和基于DOA 的算法。常见的基于期望信号的算法有最小均方误差（MMSE ）算法、小均方（LMS ）算法、递归最小二乘（RLS ）算法，基于DOA 算法中的最小方差无畸变响应（MVDR ）算法、特征子空间（ESB ）算法等[9]。 3.2.1 基于期望信号的波束形成算法 自适应算法中要有期望信号的信息，对于通信系统来讲，这个信息通常是通过发送训练序列来实现的。根据获得的期望信号的信息，再利用MMSE 算法、LMS 算法等进行最优波束形成。 1．最小均方误差算法（MMSE ） 最小均方误差准则就是滤波器的输出信号与需要信号之差的均方值最小，求得最佳线性滤波器的参数，是一种应用最为广泛的最佳准则。阵输入矢量为： 1()[(),,()]T M x n x n x n = （3-24） 对需要信号()d n 进行估计，并取线性组合器的输出信号()y n 为需要信号 ()d n 的估计值?()d n ，即 *?()()()()H T d n y n w x n x n w === （3-25） 估计误差为： ?()()()()()H e n d n d n d n w x n =-=- （3-26） 最小均方误差准则的性能函数为： 2{|()|}E e t ξ= （3-27） 式中{}E 表示取统计平均值。最佳处理器问题归结为，使阵列输出 ()()T y n w X n =与参考信号()d t 的均方误差最小，即： 2{|()|}MinE e t
自适应信号处理课后题答案 1．求下列R 的特征值设 (1)?? ?? ? ?????=4202630341R (2)?? ? ???-=2)3/exp(6)3/exp(632ππj j R 解：(1)令λ为R 的特征值，则 (2)令λ为R 的特征值： 0)d e t (=-I R λ 0)d e t (=-I R λ 即： 042 2630 34=---λ λ λ 即： 02) 3/exp(6)3/exp(63=---λ ππλ j j 于是R 1的三个特征值分别为： 于是R 2 的两个特征值为： 1451454321－＝，＋＝，λλλ= 5,021==λλ 2．证明任何两个实数的单输入自适应线性组合器的特征向量矩阵均为： ?? ????-= 111121Q 证明：由已知条件知相关矩阵为R ： ? ? ? ???=a b b a R 则R 的特征值为：b a b a -=+=21,λλ 当b a +=1λ时，??? ???--=-b b b b I R λ，则特征向量为：]1,1[11q x = 当b a -=2λ时，? ? ? ???=-b b b b I R λ，则特征向量为：]1,1[22-=q x 则特征向量为： ?? ? ???-=111121Q 3．如图3.1所示，若自适应系统的输入和期待响应分别为：
(1))6/2cos(],6/)1(2sin[),6/2sin(10k d k x k x k k k πππ=-== (2)6/)]5.1(2[]6/)2(2[]6)1(2[1)6/2(04,,2--+-=+==k j k k j k j k k j k e d e e x e x ππππ 试计算最佳权向量和最小均方误差输出，并说明在两种情况下的自适应系统有什么不同？ 解：(1)由题中条件知： 5.0][2 0=k x E 5.0][2 1=k x E [] 25.010=* k k x x E []00=k k x d E 4/3][1-=k k x d E 于是输入相关矩阵为： ??????=5.025.025.05.0R ? ?????-=4/30P 则最优权为：?? ? ???-==* -1547.15774.01 P R W opt 最小均方误差为：3889.0][2 min -=-=opt T k W P d E ζ (2)由题中已知条件知： 4][2 0=k x E 6/26/22 12][ππj j k e e x E -++= 6/308][πj k k e x d E =* 6/6/144][ππj j k k e e x d E -*+= 6/46/21022][ππj j k k e e x x E --*+= 6/46 /21122][ππj j k k e e x x E +=* 于是输入相关矩阵为： ??????++++=---6/26/26/46 /26/46/2222224ππππππj j j j j j e e e e e e R ?? ????+=-6/6 /6 /3448πππj j j e e e P R 的逆不存在， 则最优权为： ??? ? ????-=j c c W o p t 3234 最小均方误差为：0][2 min =-=opt T k W P d E ζ
自适应控制算法综述 定时器Timer0中断服务子程序在整个控制过程中处于最核心地位。振动数据的采样频率就是通过定时器Timer0的中断周期来实现的，实际中中断周期为0.1ms 。程序每隔0.1ms 读取一次A/D 采集并平滑过的数据，调用单点数据的LMS 自适应处理子程序，计算完成后通过D/A 输出控制信号，经功放放大后作用于压电作动器。即实现了在采样频率10KHz 下，智能结构振动控制的实时处理。 参考自适应对消原理图，自适应对消的目的在于利用0v (n)和1v (n)的相关性，使y(n)成为0v (n)的估计值，则e(n)逼近s(n)的估计值。由图可得 e(n)=d(n)-y(n) 又有： d(n)=s(n)+ 0v (n) 所以： e(n)=s(n)+ 0v (n)-y(n) )]()()[(2)]()([)()(02022n y n v n s n y n v n s n e -+-+= 由于)(n y 是)(0n v 的估计值，又)(n s 与)(0n v 不相关，所以有E{2s(n)[v0(n)-y(n)]}为0，即有 E[)(2n e ]=E[)(2n s ]+E[(v0(n)-y(n))2] 显然，当y(n)趋于v0(n)时，有 )]([2n e E 取得最小值。 各信号的对应关系如下： s(n)-实验中振动对象自身所带的噪声信号。
v0(n)-实验中激振器激励振动对象的振动信号。 d(n)-实验中未对振动对象进行振动主动控制时的振动信号。 v1(n)-实验中激振器激励振动对象同时提供的激励参考信号。 y(n)-实验中控制器根据自适应控制算法提供的控制信号。 e(n)-实验中已对振动对象进行振动主动控制后的振动信号。 设自适应滤波器的长度m=64，收敛因子mu=0.005，信号长度n=512。m=64; mu=0.005; n=512; x=zeros(1,n+1); w=zeros(1,m*3); d=zeros(1,n+1); inputsignal=zeros(1,n+1); designsignal=zeros(1,n+1); outputsignal=zeros(1,n+1); errorsignal=zeros(1,n+1); e=0; y=0; for i=1:n ds=sin(2*pi*0.02(i-1))+0.2*WGN(1,1,1,’real’); xs=sin(2*pi*0.02(i-1)); for ii=2:m x(ii-1)=x(ii); end x(m)=xs; y=0; for ii=1:m y=y+x(ii)*w(ii); end e=ds-y;
————————————————————————————————————————————————————————————————————共有三套系统。。对排序算法的效率比较。。———————————————————————————————————————————————————————————————————— 第一个 008#include 余蓝涛1 (天津大学精密仪器与光电子工程学院天津 300072 ) 摘要： 嵌入式系统对强大实时处理能力的需求和相对紧张的内存及内核资源的现实，对嵌入式操作系统任务调度提出了较高的要求。因此任务调度的算法的分析，实现和优化，对实现嵌入式系统的实时性有着重大的意义。从算法提出的理论基础出发，深入分析了经典的单调速率调度算法的思想，特点，具体实现并重点评价了该算法的优点和局限性。 关键词：单调速率调度算法实时嵌入式系统 Abstract： The zest for powerful real-time processing of embedded system and the reality of relatively scare memory and kernel resource pave way for the high request for task scheduling. Therefore, the analysis, implementation and optimization of task scheduling algorithm have a vast meaning for the real-time system. Based on theoretical basis of classic rate-monotonic scheduling algorithm, this paper not only analyzes fundamental thought, characteristics, practical implementation of this classic algorithm in depth, but also rate its advantages and disadvantages. Key words: Rate-monotonic Scheduling, Algorithm, Real-time, Embedded System 一，引言 现在嵌入式系统得到高速的发展。它的发展为几乎所有的电子产品注入了新的活力。它在国民经济各领域和我们日常生活中发挥了越来越重要的作用。 嵌入式系统在航天、军事、工控以及家电等方面得到了广泛应用。囿于体积，能耗，价格等方面的约束，嵌入式系统处理器速度比较慢，存储器容量也有限。而传统的操作系统为了取得较高的性能，要求硬件设备具有强大的处理能力，大容量的存储能力以及对网络的支持功能，这使得传统的操作系统难以简单地移植到嵌入式系统中。 这就导致了嵌入式操作系统由于受到系统的限制，往往内存资源都非常的有限，要求操作系统的内核都非常的精炼，对于系统中的资源操作系统内核需要进行统一的分配和调度。 嵌入式操作系统调度策略一直以来都是嵌入式操作系统的研究 中的一个热点。任务调度是嵌入式操作系统内核的关键部分，如何进行任务调度，使得各个任务能在其截止期限内得以完成是嵌入式操作系统的一个重要的研究领域。 二，嵌入式实时操作系统 绝大部分嵌入式系统都是实时系统，而且多是实时多任务系统。所谓“实时”,是指系统的正确性不仅仅依赖于计算的逻辑结果而且依赖于结果产生的时间[1][6]。结果产生的时间就是通常所说的截止期限(deadline),描述系统实时性的指标主要有： a,对紧急事件可预见性的快速响应； 1作者简介：余蓝涛（1991-）江西省人天津大学精密仪器与光电子工程学院测控技术与仪器本科生学号：79 自适应滤波算法的研究 第1章绪论 1.1 课题背景 伴随着移动通信事业的飞速发展，自适应滤波技术应用的范围也日益扩大。早在20世纪40年代，就对平稳随机信号建立了维纳滤波理论。根据有用信号和干扰噪声的统计特性(自相关函数或功率谱)，用线性最小均方误差估计准则设计的最佳滤波器，称为维纳滤波器。这种滤波器能最大程度地滤除干扰噪声，提取有用信号。但是，当输入信号的统计特性偏离设计条件，则它就不是最佳的了，这在实际应用中受到了限制。到60年代初，由于空间技术的发展，出现了卡尔曼滤波理论，即利用状态变量模型对非平稳、多输入多输出随机序列作最优估计。现在，卡尔曼滤波器己成功地应用到许多领域，它既可对平稳的和非平稳的随机信号作线性最佳滤波，也可作非线性滤波。实质上，维纳滤波器是卡尔曼滤波器的一个特例。 在设计卡尔曼滤波器时，必须知道产生输入过程的系统的状态方程和测量方程，即要求对信号和噪声的统计特性有先验知识，但在实际中，往往难以预知这些统计特性，因此实现不了真正的最佳滤波。 Widrow B等于1967年提出的自适应滤波理论，可使自适应滤波系统的参数自动地调整而达到最佳状况，而且在设计时，只需要很少的或根本不需要任何关于信号与噪声的先验统计知识。这种滤波器的实现差不多象维纳滤波器那样简单，而滤波性能几乎如卡尔曼滤波器一样好。因此，近十几年来，自适应滤波理论和方法得到了迅速发展。[1] 自适应滤波是一种最佳滤波方法。它是在维纳滤波，Kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能。从而在工程实际中，尤其在信息处理技术中得到广泛的应用。 自适应滤波的研究对象是具有不确定的系统或信息过程。“不确定”是指所研究的处理信息过程及其环境的数学模型不是完全确定的。其中包含一些未知因数和随机因数。 自适应信号处理 自适应信号处理是信号与信息处理领域的重要分支和组成部分，自20世纪五六十年代出现以来，自适应信号处理的理论和技术受到了学术界和许多应用领域的普遍重视。它的研究的内容是以信号与信息自适应处理为主线，包括自适应滤波检测理论和自适应技术应用两大部分。 自适应滤波理论和技术是统计信号处理和非平稳随机信号处理的主要内容，它可以在无需先验知识的条件下，通过自学习适应或跟踪外部环境的非平稳随机变化，并最终逼近维纳滤波和卡尔曼滤波的最佳滤波性能。因而，自适应滤波器不但可以用来检测确定性信号，而且可以检测平稳的或非平稳的随机信号。自适应技术应用包括自适应谱线增强与谱估计方法、自适应噪声干扰抵消技术、自适应均衡技术、自适应阵列处理与波束形成以及自适应神经网络信号处理等内容。 自适应信号处理技术在通信、雷达、声纳、图像处理、地震勘探、工业技术和生物医学等领域有着极其广泛的应用。其中，通信技术的许多最新进展，都与自适应信号处理密切相关，尽管新的信号处理理论和方法层出不穷，但是自适应信号处理仍然以其算法简单、易于实现和无须统计先验知识等独特的优点，成为许多理论与工程实际问题的首选解决方案之一。近年来，随着超大规模集成电路技术和计算机技术的迅速发展，出现了许多性能优异的高速信号处理专用芯片和高性能的通用计算机，为信号处理，特别是自适应滤波器的发展和应用提供了重要的物质基础。另外，信号处理理论和应用的发展，也为自适应滤波理论的进一步发展提供了必要的理论基础。 本章主要介绍目前应用较为广泛的自适应滤波理论与技术，包括维纳滤波、LMS滤波和卡尔曼滤波及其应用。 2.2 维纳滤波 从连续的(或离散的)输入数据中滤除噪声和干扰以提取有用信息的过程称为滤波，而相应的装置称为滤波器。根据滤波器的输出是否为输入的线性函数，可将它分为线性滤波器和非线性滤波器两种。滤波器研究的一个基本课题就是：如何设计和制造最佳的或最优的滤波器。所谓最佳滤波器是指能够根据某一最佳准则进行滤波的滤波器。 20世纪40年代，维纳奠定了关于最佳滤波器研究的基础。即假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳过程且知它们的二阶统计特性，维纳根据最小均方误差准则(滤波器的输出信号与需要信号之差的均方值最小)，求得了最佳线性滤波器的参数，这种滤波器被称为维纳滤波器。在维纳研究的基础上，人们还根据最大输出信噪比准则、统计检测准则以及其他最佳准则求得的最佳线性滤波器。实际上，在一定条件下，这些最佳滤波器与维纳滤波器是等价的。因而，讨论线性滤波器时，一般均以维纳滤波器作为参考。 维纳滤波理论用于解决最小均方误差下的线性滤波问题。设接收到(或观测到)的信号为随机信号 (7-1) 其中s(t)是未知的实随机信号，n(t)是噪声。要设计的线性滤波器，其冲击响应为h(t, τ)， 输入为x(t)，输出为，即单调速率调度算法RMS
自适应滤波算法的研究
自适应滤波及信号处理
相关主题
文本预览