Описание

Блок Autocorrelation LPC решает, что коэффициенты N-шага передают линейный предиктор для timeseries в каждом входном канале длины-M, u, путем минимизации ошибки прогноза в смысле наименьших квадратов. Линейный предиктор является КИХ-фильтром, который предсказывает следующее значение в последовательности от настоящих и прошлых входных параметров. Этот метод имеет приложения в проекте фильтра, речевом кодировании, спектральном анализе и системе идентификации.

Блок Autocorrelation LPC может вывести ошибку прогноза для каждого канала как полиномиальные коэффициенты, отражательные коэффициенты или оба. Это может также вывести ошибочную степень прогноза для каждого канала. Вход u может быть неориентированным вектором, вектор-столбцом или матрицей. Векторы - строки не являются допустимыми входными параметрами. Блок обрабатывает весь M-by-N матричные входные параметры как каналы N длины M.

Когда вы выбираете Inherit prediction order from input dimensions, порядок прогноза, N, наследован от входных размерностей. В противном случае можно использовать параметр Prediction order, чтобы задать значение N. Обратите внимание на то, что N должен быть скаляром со значением меньше, чем длина входных каналов или блока производит ошибку.

Когда Output(s) установлен в A, порт A включен. Для каждого канала портируйте выходные параметры (N +1)-by-1 вектор-столбец, a = [1 _{a2 a3}... _aN+1] ^T, содержа коэффициенты скользящего среднего значения (MA) N-го порядка линейный процесс, который предсказывает следующее значение, _ûM+1, во входном timeseries.

Когда Output(s) установлен в K, порт K включен. Для каждого канала порт K выводит вектор-столбец длины-N, элементы которого являются ошибочными коэффициентами отражения прогноза. Когда Output(s) установлен в A and K, и порт A и K включены, и каждый выходы порта его соответствующий набор коэффициентов прогноза для каждого канала.

Когда вы выбираете Output prediction error power (P), порт P включен. Ошибочная степень прогноза выводится в порте P как вектор, длина которого является количеством входных каналов.

Алгоритм

Блок Autocorrelation LPC вычисляет решение методом наименьших квадратов к

где $$\Vert \cdot \Vert$$ указывает на 2-норму и

Решение проблемы наименьших квадратов через нормальные уравнения

приводит к системе уравнений

где r = [_{r1 r2 r3}... _rn+1] ^T является оценкой автокорреляции для u, вычисленного с помощью блока Autocorrelation, и * указывает на комплексное сопряженное транспонирование. Нормальные уравнения решены в операциях O (ⁿ²) блоком Левинсона-Дербина.

Обратите внимание на то, что решение проблемы LPC очень тесно связано с методом Уокера Рождества АРА спектральной оценки. В том контексте нормальные уравнения выше упоминаются как уравнения Уокера Рождества АРА.

Параметры

Ссылки

Haykin, S. Адаптивная Теория Фильтра. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1996.

Ljung, L. System Identification: теория для пользователя. Englewood Cliffs, NJ: Prentice Hall, 1987. PGS. 278-280.

Proakis, J. и Д. Мэнолакис. Цифровая обработка сигналов. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1996.

Поддерживаемые типы данных

Смотрите также