【LCMV】基于LCMV的参数辨识算法matlab仿真

1.软件版本

MATLAB2013b

2.本算法理论知识

算法源于文献：

3.部分核心代码

登录后复制

clc;clear;close all;warning off;Num_Sensor   = 16;Num_signal   = 2;Num_babe     = 2;b            = zeros(Num_Sensor,1);H            = zeros(Num_Sensor,Num_signal);DOA          = zeros(Num_signal,1);wavelength   = 0.06; Iteration    = 1:1:20;SNR          = 12;d            = 0.5*wavelength*ones(Num_Sensor,1);%阵元间距f            = zeros(Num_signal,1);f(1)         = 1;Len_Signal   = 100000;Len_train    = round(0.01*Len_Signal);%设置延迟长度Len_delays   = round(0.05*Len_Signal);Train_Signal = zeros(Num_signal,Len_train); Train_Noise  = zeros(Num_Sensor,Len_train); %信号和噪声以及反射信号和反射噪声Signal       = zeros(Num_signal,Len_Signal);Noise        = zeros(Num_Sensor,Len_Signal);%全值，LCMV不需要进行迭代更新W            = zeros(Num_Sensor,1);%根据所提供的场景，设置各个入射信号的方位角DOA          = [0,pi-atan(2)];%根据场景设置H（tableI算法为H已知，所以根据场景来设置）for jj=1:Num_signal    for ii=1:Num_Sensor        b(ii)=exp(-j*2*pi*(ii-1)*d(ii)*sin(DOA(jj))/wavelength) ;    end H(:,jj)=b/(b'*b)^0.5;end %产生两路随机信号Signalo        = randint(Num_signal,Len_Signal);Signalo        = 2*(Signalo-0.5);%反射信号for i = 1:Num_signal    Signal_reflect(i,:) = 0.2*[zeros(1,Len_delays),Signal(i,1:Len_Signal-Len_delays)];endSignal         = Signalo;%产生babe噪声源babble        = randn(Num_signal,Len_Signal)+j*randn(Num_signal,Len_Signal);babble        = 2*(babble-0.5);for i = 1:Num_signal    babble_reflect(i,:) = 0.2*[zeros(1,Len_delays),babble(i,1:Len_Signal-Len_delays)];end%实际输入到麦克风的声源Signal        = (Signalo + Signal_reflect + babble + babble_reflect)/4;%传感器之间的噪声干扰Noise         = randn(Num_Sensor,Len_Signal)+j*randn(Num_Sensor,Len_Signal);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%SNRs   = zeros(1,length(Iteration));%在几种不同的信噪比下计算误码率diBi   = 1/(2*10^(SNR/10))^0.5;Noise  = Noise*diBi;for Iter = Iteration        Iter    Train_Signal = Signal(:,(1:Len_train));    Train_Noise  = Noise(:,(1:Len_train));    x            = H*Train_Signal + Train_Noise; %加噪声    x1           = H*Signal       + Noise;       %加噪声    %LCMV    R            = x*x';    W            = inv(R)*H*inv((H'*inv(R)*H))*f;    y            = W'*x1;    %以第一个信号源为准计算，如果是第二个信号源，也是同样处理    %计算SNR值    SNRs(Iter)   = 10*log10(mean(abs(y(1,:)).^2)/mean(abs(Noise(1,:)).^2));    %计算SDR值    SDRs(Iter)   = 10*log10(mean(abs(Signal(1,:)).^2)/mean(abs(Signal(1,:)-y(1,:)).^2));endfigure;subplot(211);plot(Iteration,SNRs,'b--','LineWidth',2);xlabel('Iteration');ylabel('SNR[dB]')axis([0,20,0,15]);subplot(212);plot(Iteration,SDRs,'b--','LineWidth',2);xlabel('Iteration');ylabel('SDR[dB]')axis([0,20,0,15]);save fig3.mat SNRs SDRs Iteration %计算后面的MSE值save w_mat.mat W1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56.57.58.59.60.61.62.63.64.65.66.67.68.69.70.71.72.73.74.75.76.77.78.79.80.81.82.83.84.85.86.87.88.89.90.91.92.93.94.95.96.97.98.99.

4.操作步骤与仿真结论

我们对tableI的算法进行仿真，同时给出了用于对比的LCMV算法，通过对比，我们得到如下的仿真结果：

图一：LCMV和LC-DANSE的SNR对比仿真图；

图二：LC-DANSE的MSE图（论文中MSE只是DANSE系列的对比，TableI对应其中一种）

图三：LC-DANSE中不同P之的SNR图。

图四：LCMV和LC-DANSE的随着p变化的SNR图。A27-03

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删