Вычислите вывод, ошибку и веса с помощью блока LMS адаптивный алгоритм
Система dsp.BlockLMSFilter object™ вычисляет вывод, ошибку и веса с помощью блока LMS адаптивный алгоритм.
Вычислить вывод, ошибку и веса:
Создайте объект dsp.BlockLMSFilter 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.
blms = dsp.BlockLMSFilterblms = dsp.BlockLMSFilter(length,blocksize)blms = dsp.BlockLMSFilter(Name,Value)blms = dsp.BlockLMSFilterblms, который фильтрует входной сигнал и вычисляет веса фильтра на основе алгоритма наименьшее количество средних квадратичных (LMS) блока.
blms = dsp.BlockLMSFilter(length,blocksize)blms, с набором свойств Length к length и набором свойств BlockSize к blocksize.
blms = dsp.BlockLMSFilter(Name,Value)blms, 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,wts] = blms(x,d)[y,err] = blms(x,d)[___] = blms(x,d,mu)[___] = blms(x,d,a)[___] = blms(x,d,r)[y,err,wts] = blms(x,d,mu,a,r)[ вход y,err,wts] = blms(x,d,mu,a,r)x фильтров, с помощью d в качестве желаемого сигнала, mu как размер шага, a как управление адаптацией и r как сигнал сброса. Объект возвращает отфильтрованный вывод y, ошибка фильтра err и адаптированные веса фильтра wts. Установите свойства соответственно обеспечивать все возможные входные параметры.
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).
blms = dsp.BlockLMSFilter(10,5); blms.StepSize = 0.01; blms.WeightsOutputPort = false; filt = dsp.FIRFilter; filt.Numerator = fir1(10,[.5, .75]); x = randn(1000,1); % Noise d = filt(x) + sin(0:.05:49.95)'; % Noise + Signal [y, err] = blms(x, d); subplot(2,1,1); plot(d); title('Noise + Signal'); subplot(2,1,2); plot(err); title('Signal');
Примечание: Если вы используете R2016a или более ранний релиз, заменяете каждый вызов объекта с эквивалентным синтаксисом step. Например, obj(x) становится step(obj,x).
fir = fir1(31,0.5); firFilter = dsp.FIRFilter('Numerator',fir); % FIR system to be identified iirFilter = dsp.IIRFilter('Numerator',sqrt(0.75),... 'Denominator',[1 -0.5]); x = iirFilter(sign(randn(2000,25))); n = 0.1*randn(size(x)); % Observation noise signal d = firFilter(x)+n; % Desired signal l = 32; % Filter length mu = 0.008; % Block LMS Step size. m = 32; % Decimation factor for analysis % and simulation results fir = dsp.BlockLMSFilter(l,'StepSize',mu); [simmse,meanWsim,Wsim,traceKsim] = msesim(fir,x,d,m); plot(m*(1:length(simmse)),10*log10(simmse)); xlabel('Iteration'); ylabel('MSE (dB)'); title('Learning curve for block LMS filter used in system identification')
Этот объект реализует алгоритм, входные параметры и выходные параметры, описанные на странице с описанием блока Block LMS Filter. Свойства объектов соответствуют параметрам блоков.