Сравните RLS и LMS-алгоритмы

Компенсируйте сигнал QAM, прошел через выборочный частотой исчезающий канал с помощью RLS и LMS-алгоритмов. Сравните эффективность этих двух алгоритмов.

Задайте порядок модуляции. Сгенерируйте соответствующее ссылочное созвездие QAM.

M = 16; 
sigConst = qammod(0:M-1,M,'UnitAveragePower',true);

Создайте выборочный частотой статический канал, имеющий три касания.

rchan = comm.RayleighChannel('SampleRate',1000, ...
    'PathDelays',[0 1e-3 2e-3],'AveragePathGains',[0 -3 -6], ...
    'MaximumDopplerShift',0, ...
    'RandomStream','mt19937ar with seed','Seed',73);

Эквалайзер RLS

Создайте объект эквалайзера RLS.

eqrls = lineareq(6,rls(0.99,0.1)); 
eqrls.SigConst = sigConst; 
eqrls.ResetBeforeFiltering = 0;

Сгенерируйте и QAM модулируют случайную обучающую последовательность. Передайте последовательность через Канал с релеевским замиранием. Передайте полученный сигнал и учебный сигнал через эквалайзер, чтобы установить веса касания эквалайзера.

trainData = randi([0 M-1],200,1);
trainSig = qammod(trainData,M,'UnitAveragePower',true);
rxSig = rchan(trainSig);
[~,~,errorSig] = equalize(eqrls,rxSig,trainSig);

Постройте величину ошибочной оценки.

plot(abs(errorSig))
title('Error Estimate, RLS Equalizer')
xlabel('Symbols')
ylabel('Amplitude')

Ошибка почти устраняется в 200 символах.

Передайте сигнал QAM через выборочный частотой канал. Компенсируйте полученный сигнал с помощью ранее 'обученного' эквалайзера RLS. Измерьте время, требуемое выполнить цикл обработки.

tic
for k = 1:20
   data = randi([0 M-1],1000,1); % Random message
   txSig = qammod(data,M,'UnitAveragePower',true);

   % Introduce channel distortion.
   rxSig = rchan(txSig);

   % Equalize the received signal.
   eqSig = equalize(eqrls,rxSig);

end
rlstime = toc;

Постройте схему созвездия полученных и компенсируемых сигналов.

h = scatterplot(rxSig,1,0,'c.');
hold on
scatterplot(eqSig,1,0,'b.',h)
legend('Received Signal','Equalized Signal')
title('RLS Equalizer')
hold off

Эквалайзер удалил эффекты исчезающего канала.

Эквалайзер LMS

Повторите процесс эквализации с эквалайзером LMS. Создайте объект эквалайзера LMS.

eqlms = lineareq(6,lms(0.03)); 
eqlms.SigConst = sigConst; 
eqlms.ResetBeforeFiltering = 0;

Обучите эквалайзер LMS.

trainData = randi([0 M-1],1000,1);
trainSig = qammod(trainData,M,'UnitAveragePower',true);
rxSig = rchan(trainSig);
[~,~,errorSig] = equalize(eqlms,rxSig,trainSig);

Постройте величину ошибочной оценки.

plot(abs(errorSig))
title('Error Estimate, LMS Equalizer')
xlabel('Symbols')
ylabel('Amplitude')

Обучение эквалайзер LMS требует 1 000 символов.

Передайте сигнал QAM через тот же выборочный частотой канал. Компенсируйте полученный сигнал с помощью ранее 'обученного' эквалайзера LMS. Измерьте время, требуемое выполнить цикл обработки.

tic
for k = 1:20
   data = randi([0 M-1],1000,1); % Random message
   txSig = qammod(data,M,'UnitAveragePower',true);

   % Introduce channel distortion.
   rxSig = rchan(txSig);

   % Equalize the received signal.
   eqSig = equalize(eqlms,rxSig);

end
lmstime = toc;

Постройте схему созвездия полученных и компенсируемых сигналов.

h = scatterplot(rxSig,1,0,'c.');
hold on
scatterplot(eqSig,1,0,'b.',h)
legend('Received Signal','Equalized Signal')
title('LMS Equalizer')

Эквалайзер удаляет эффекты исчезающего канала.

Сравните время выполнения цикла для двух алгоритмов эквалайзера.

[rlstime lmstime]

LMS-алгоритм более в вычислительном отношении эффективен, когда потребовалось 50% времени, чтобы выполнить цикл обработки. Однако обучающая последовательность, требуемая LMS-алгоритмом, в 5 раз более длинна.

Для просмотра документации необходимо авторизоваться на сайте