mse for lms - learning curves please help

hi iv written a code for lms algorithem and i want to add some learning curves..the error as a mu function,the mse error for several ittiration,someone can help ..?it random proccecing logic..

M=4001     %%%number of samples
fs=8000   %%%%hz 
[B,A]=cheby2(4,20,[0.1 0.7 ]);%%%מקדמי פונקציית התמסורת
tf=dfilt.df2t([zeros(1,6) B],A);%%%padding 6 more zeros for shrink the signal (1 sample is now bigger 6 samples of before)
  
%%%%נדמה רעש אקראי ש'יכול להיגרם בכל חדר טיפוסי.מקלדת אנשים שהולכים אותות
%קופ ם מהקיר.ונשתמש בפוקציה פילטר שמנקה את     האות מאותו גורם הרעשתבמישור
%הזמן ניתן לראות את הדעיכה שמאופיינת מרעש אקראי שנוצר בחדר.
H_ROOM=filter(tf,log(0.99*rand(1,M)+0.01).*sign(randn(1,M)).*exp(-0.002*(1:M)))   ;  
H_ROOM=H_ROOM/norm(H_ROOM) *4; %%%הכפלה ב4 על מנת שנוכל לראות את האות
t1=(0:M-1)*(1/fs);
figure(1);
plot(t1,H_ROOM);
xlim([0 0.25]);
xlabel('Time[sec]');
ylabel('amplitude');
title('Room Impluse response-padding 6 zeros');

%%%%נטען קובץ בנוי ממאטלאב כאות שמדבר האיש אל המיקרופון
 
load farspeech
x=x(1:length(x));%%%%להכניס את הקובץ אל משתנה בעל דגימות שבגודל הוקטור הדגום
echoed_signal=filter(H_ROOM,1,x);  %%%% the far speach is with vibration,when we filtered it with the transfer function of the room impulse respone we visualize an echoed signal 
%יש צורך לדמות את הקול שמועבר כדי לקבל סימלוציה שמתקרבת למציאות,האות שעובר
%מהמיקרופון עם רעשי הרקע הוא הוא האות המהודהד
%%הגבר ודחיסה לאות.

load nearspeech
v=v(1:length(v))

;%ה הקול המהודהד של האיש הראשון פלו רעשי רקע קטנים

n=(1:2680)

for i=1:2680
    echoed_signal_new(i)=10.*echoed_signal(i*100)  %%%%%%gain for seeing results
    new_x(i)=10.*x(i*100)
    person_2(i)=10.*v(i*100)
end

%%%%%lms algorithem

total_signal=echoed_signal_new+person_2+0.001*rand(1,length(n)) %%additional noise

w=zeros(1,length(n))
mu=input('mu please')
for i=1:length(n)
     e(i)=total_signal(i)-w(i)'*new_x(i)
     y_desired(i)=sum(w(i)'*new_x(i))
    
    cost(i)=e(i)*e(i)
   
      
    w(i+1)=w(i)+mu*e(i)*new_x(i)  %%%determing coefficients
end
for i=1:length(n)
    mse(i)=mean(abs(total_signal(i)-y_desired(i)).^2)
end
     
figure(5)
subplot(5,1,1)
plot(n,new_x(n))
title('desired signal')
xlim([0 2680])

subplot(5,1,2)
plot(n,person_2(n))
title('person 2 voice  ')
xlabel('samples')
ylabel('amplitude')
xlim([0 2680])

subplot(5,1,3)
plot(n,total_signal(n))
title('echoed+ person2 and noise from transmition line and noise room')
xlim([0 2680])
ylim([-2 2])

subplot(5,1,4)
plot(mse)
title('mse error amplitude ')
xlabel('itterations')
ylabel('error value')
xlim([0 2680])


subplot(5,1,5)
plot(n,y_desired(n))
title('estimated adaptive output')
xlim([0 2680])
ylim([-2 2])

figure(6)
plot(n,w(n))
title('wight function')
xlim([0 2680])

[Image Analyst]

Can you get rid of the large amount of blank lines, then highlight the code and click the Code button on the tool ribbon?

Also, for a script this long, it might be best to attach it with the paper clip icon to make sure we have it exactly as you did when we run it. Or do both.

[yuval ohayon]

how i get rid of the blank data??

what is tool ribbon?

the cut the samples to 2680 instead 268000

[yuval ohayon]

no whats hppens is the vector get much smaller

Answer 1

[yuval ohayon]

M=4001     %%%number of samples
fs=8000   %%%%hz 
[B,A]=cheby2(4,20,[0.1 0.7 ]);%%%מקדמי פונקציית התמסורת
tf=dfilt.df2t([zeros(1,6) B],A);%%%padding 6 more zeros for shrink the signal (1 sample is now bigger 6 samples of before)
%%%%נדמה רעש אקראי ש'יכול להיגרם בכל חדר טיפוסי.מקלדת אנשים שהולכים אותות
%קופ ם מהקיר.ונשתמש בפוקציה פילטר שמנקה את     האות מאותו גורם הרעשתבמישור
%הזמן ניתן לראות את הדעיכה שמאופיינת מרעש אקראי שנוצר בחדר.
H_ROOM=filter(tf,log(0.99*rand(1,M)+0.01).*sign(randn(1,M)).*exp(-0.002*(1:M)))   ;  
H_ROOM=H_ROOM/norm(H_ROOM) *4; %%%הכפלה ב4 על מנת שנוכל לראות את האות
t1=(0:M-1)*(1/fs);
figure(1);
plot(t1,H_ROOM);
xlim([0 0.25]);
xlabel('Time[sec]');
ylabel('amplitude');
title('Room Impluse response-padding 6 zeros');
%%%%נטען קובץ בנוי ממאטלאב כאות שמדבר האיש אל המיקרופון
load farspeech
x=x(1:length(x));%%%%להכניס את הקובץ אל משתנה בעל דגימות שבגודל הוקטור הדגום
echoed_signal=filter(H_ROOM,1,x);  %%%% the far speach is with vibration,when we filtered it with the transfer function of the room impulse respone we visualize an echoed signal 
%יש צורך לדמות את הקול שמועבר כדי לקבל סימלוציה שמתקרבת למציאות,האות שעובר
%מהמיקרופון עם רעשי הרקע הוא הוא האות המהודהד
%%הגבר ודחיסה לאות.
load nearspeech
v=v(1:length(v))
;%ה הקול המהודהד של האיש הראשון פלו רעשי רקע קטנים
n=(1:2680)
for i=1:2680
    echoed_signal_new(i)=10.*echoed_signal(i*100)  %%%%%%gain for seeing results
    new_x(i)=10.*x(i*100)
    person_2(i)=10.*v(i*100)
end
%%%%%lms algorithem
total_signal=echoed_signal_new+person_2+0.001*rand(1,length(n)) %%additional noise
w=zeros(1,length(n))
mu=input('mu please')
for i=1:length(n)
     e(i)=total_signal(i)-w(i)'*new_x(i)
     y_desired(i)=sum(w(i)'*new_x(i))
    w(i+1)=w(i)+mu*e(i)*new_x(i)  %%%determing coefficients
end
for i=1:length(n)
    mse(i)=mean(abs(total_signal(i)-y_desired(i)).^2)
end
figure(5)
subplot(5,1,1)
plot(n,new_x(n))
title('desired signal')
xlim([0 2680])
subplot(5,1,2)
plot(n,person_2(n))
title('person 2 voice  ')
xlabel('samples')
ylabel('amplitude')
xlim([0 2680])
ylim([-10 10])
subplot(5,1,3)
plot(n,total_signal(n))
title('echoed+ person2 and noise from transmition line and noise room')
xlim([0 2680])
ylim([-2 2])
subplot(5,1,4)
plot(n,e(n))
title(' error amplitude ')
xlabel('itterations')
ylabel('error value')
xlim([0 2680])
ylim([-10 10])
subplot(5,1,5)
plot(n,y_desired(n))
title('estimated adaptive output')
xlim([0 2680])
ylim([-2 2])
figure(6)
plot(n,w(n))
title('wight function')
xlim([0 2680])
%