Адаптивный фильтр решетки
Система dsp.AdaptiveLatticeFilter object™ вычисляет вывод, ошибку и коэффициенты с помощью основанного на решетке КИХ адаптивный фильтр.
Реализовывать адаптивный КИХ-объект фильтра:
Создайте объект dsp.AdaptiveLatticeFilter и установите его свойства.
Вызовите объект с аргументами, как будто это была функция.
Чтобы узнать больше, как Системные объекты работают, смотрите то, Что Системные объекты? MATLAB.
alf = dsp.AdaptiveLatticeFilteralf = dsp.AdaptiveLatticeFilter(len)alf = dsp.AdaptiveLatticeFilter(Name,Value)alf = dsp.AdaptiveLatticeFilteralf. Этот Системный объект вычисляет отфильтрованный вывод и ошибку фильтра для данного входа и желаемого сигнала.
alf = dsp.AdaptiveLatticeFilter(len)AdaptiveLatticeFilter с набором свойств Length к len.
alf = dsp.AdaptiveLatticeFilter(Name,Value)AdaptiveLatticeFilter с каждым заданным набором свойств к заданному значению. Заключите каждое имя свойства в одинарные кавычки. Незаданные свойства имеют значения по умолчанию.
Для версий ранее, чем R2016b, используйте функцию step, чтобы запустить алгоритм Системного объекта. Аргументы к step являются объектом, который вы создали, сопровождаемый аргументами, показанными в этом разделе.
Например, y = step(obj,x) и y = obj(x) выполняют эквивалентные операции.
[y,err] = alf(x,d)[ фильтрует вход y,err] = alf(x,d)x, с помощью d в качестве желаемого сигнала, и возвращает отфильтрованный выходной параметр в y и ошибку фильтра в err. Системный объект оценивает, что веса фильтра должны были минимизировать ошибку между выходным сигналом и желаемым сигналом. Можно получить доступ к этим коэффициентам путем доступа к свойству Coefficients объекта. Это может быть сделано только после вызова объекта. Например, чтобы получить доступ к оптимизированным коэффициентам фильтра alf, вызовите alf.Coefficients после того, как вы передадите вход и желаемый сигнал к объекту.
Чтобы использовать объектную функцию, задайте Системный объект как первый входной параметр. Например, чтобы выпустить системные ресурсы Системного объекта под названием obj, используйте этот синтаксис:
release(obj)
Примечание: Если вы используете R2016a или более ранний релиз, заменяете каждый вызов объекта с эквивалентным синтаксисом step. Например, obj(x) становится step(obj,x).
Создайте сигнал QPSK и шум, отфильтруйте их, чтобы получить полученный сигнал и задержать полученный сигнал, чтобы получить желаемый сигнал.
D = 16; b = exp(1i*pi/4)*[-0.7 1]; a = [1 -0.7]; ntr = 1000; s = sign(randn(1,ntr+D)) + 1i*sign(randn(1,ntr+D)); n = 0.1*(randn(1,ntr+D) + 1i*randn(1,ntr+D)); r = filter(b,a,s) + n; x = r(1+D:ntr+D); d = s(1:ntr);
Используйте Адаптивный Фильтр Решетки, чтобы вычислить отфильтрованный вывод и ошибку фильтра для входа и желаемого сигнала.
lam = 0.995; del = 1; alf = dsp.AdaptiveLatticeFilter('Length', 32, ... 'ForgettingFactor', lam, 'InitialPredictionErrorPower', del); [y,e] = alf(x,d);
Постройте Синфазное и Квадратурные компоненты желаемого, выведите, и сигналы ошибки.
subplot(2,2,1); plot(1:ntr,real([d;y;e])); title('In-Phase Components'); legend('Desired','Output','Error'); xlabel('time index'); ylabel('signal value'); subplot(2,2,2); plot(1:ntr,imag([d;y;e])); title('Quadrature Components'); legend('Desired','Output','Error'); xlabel('time index'); ylabel('signal value');
Постройте графики рассеивания полученных и компенсируемых сигналов.
subplot(2,2,3); plot(x(ntr-100:ntr),'.'); axis([-3 3 -3 3]); title('Received Signal Scatter Plot'); axis('square'); xlabel('Real[x]'); ylabel('Imag[x]'); grid on; subplot(2,2,4); plot(y(ntr-100:ntr),'.'); axis([-3 3 -3 3]); title('Equalized Signal Scatter Plot'); axis('square'); xlabel('Real[y]'); ylabel('Imag[y]'); grid on;
Примечание: Если вы используете R2016a или более ранний релиз, заменяете каждый вызов объекта с эквивалентным синтаксисом step. Например, obj(x) становится step(obj,x).
ha = fir1(31,0.5); fir = dsp.FIRFilter('Numerator',ha); % FIR system to be identified iir = dsp.IIRFilter('Numerator',sqrt(0.75),... 'Denominator',[1 -0.5]); x = iir(sign(randn(2000,25))); n = 0.1*randn(size(x)); % Observation noise signal d = fir(x)+n; % Desired signal l = 32; % Filter length m = 5; % Decimation factor for analysis % and simulation results ha = dsp.AdaptiveLatticeFilter(l); [simmse,meanWsim,Wsim,traceKsim] = msesim(ha,x,d,m); plot(m*(1:length(simmse)),10*log10(simmse)); xlabel('Iteration'); ylabel('MSE (dB)'); title('Learning curve for Adaptive Lattice filter used in system identification')
[1] Гриффитс, Ллойд Дж. “Постоянно Адаптивный Фильтр, Реализованный как Структура решетки”. Продолжения Конференции Int IEEE по Акустике, Речи, и Обработке сигналов, Хартфорду, CT, стр 683–686, 1977.
[2] Haykin, S. Адаптивная теория фильтра, 4-й Эд. Верхний Сэддл-Ривер, NJ: Prentice Hall, 1996.