rand('twister',sum(100*clock))  %inicializace generatoru pseudonahodnych posloupnosti
ni = rand(1,10000)-0.5;         %excitacni sekvence AR procesu
a = [1 1.745 0.8745]; b = 1;    %koeficienty AR(2) procesu
x = filter(b,a,ni); x=x(:);     %nahodny signal generovany AR(2) procesem


alfa = 0.050;                   % konvergencni konstanta LMS algoritmu
L = 4000;                       % preddefinovany pocet iteraci
N = 2;                          % rad predikcniho FIR filtru 
w = zeros(N,L);                 % vahy se budou uchovavat ve sloupcovych vektorech
xp = zeros(1,L);
e = zeros(1,L);

w(:,N) = 5*(rand(N,1)-0.5);              % pocatecni podminky
w(:,N+1) = w(:,N);              % pocatecni podminky

for n = N+1:L-1
    xp(n) = - w(:,n)'*x(n-1:-1:n-N);             % predikce pomoci vzorku zpozdeneho signalu
    e(n) = x(n) - xp(n);                            % chyba predikce    
    w(:,n+1) = w(:,n) - alfa*e(n)*x(n-1:-1:n-N); % uprava vah
end

figure;
plot(w(:,N:end)');

xlabel('n');
ylabel('w');
title(['alfa=' num2str(alfa)]);

figure;
plot(x,'k');
hold on
plot(xp,'m:');
legend({'x','xp'});
xlabel('n');
ylabel('x,xp');

figure;
plot(e,'r');
xlabel('n');
ylabel('e');