Фильтрованный фильтр XLMS
dsp.FilteredXLMSFilter Система object™ вычисляет выход, ошибку и коэффициенты с помощью отфильтрованный-x наименьшее количество среднеквадратического КИХ адаптивный фильтр.
Реализовывать адаптивный КИХ-объект фильтра:
Создайте dsp.FilteredXLMSFilter объект и набор его свойства.
Вызовите объект с аргументами, как будто это была функция.
Чтобы узнать больше, как Системные объекты работают, смотрите то, Что Системные объекты? MATLAB.
fxlms = dsp.FilteredXLMSFilterfxlms. Этот Системный объект используется для расчета отфильтрованный выход и ошибка фильтра для данного входа и желал сигнала.
fxlms = dsp.FilteredXLMSFilter(len)FilteredXLMSFilter Системный объект, fxlms, с Length набор свойств к len.
fxlms = dsp.FilteredXLMSFilter(Name,Value)FilteredXLMSFilter Системный объект, fxlms, с каждым заданным набором свойств к заданному значению. Заключите каждое имя свойства в одинарные кавычки. Незаданные свойства имеют значения по умолчанию.
[ фильтрует вход y,err] = fxlms(x,d)x, использование d как желаемый сигнал, и возвращает отфильтрованный выход y и ошибка фильтра 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 Coefficients свойство объекта. Это может быть сделано только после вызова объекта. Например, чтобы получить доступ к оптимизированным коэффициентам fxlms отфильтруйте, вызовите fxlms.Coefficients после того, как вы передаете 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 step синтаксис. Например, obj(x) становится step(obj,x).
Сгенерируйте шум, создайте КИХ первичная системная модель пути, сгенерируйте шум наблюдения, отфильтруйте первичную системную модель пути выход с добавленным шумом и создайте КИХ вторичная системная модель пути.
x = randn(1000,1); g = fir1(47,0.4); n = 0.1*randn(1000,1); d = filter(g,1,x) + n; b = fir1(31,0.5);
Используйте dsp.FilteredXLMSFilter Система object™, чтобы вычислить отфильтрованный выход и ошибку фильтра для входа и сигнала, который будет отменен.
mu = 0.008; fxlms = dsp.FilteredXLMSFilter(32, 'StepSize', mu, 'LeakageFactor', ... 1, 'SecondaryPathCoefficients', b); [y,e] = fxlms(x,d);
Постройте график результатов.
plot(1:1000,d,'b',1:1000,e,'r'); title('Active Noise Control of a Random Noise Signal'); legend('Original','Attenuated'); xlabel('Time Index'); ylabel('Signal Value'); grid on;
Идентифицируйте неизвестную систему путем выполнения активного шумового управления с помощью отфильтрованного-x LMS-алгоритма. Цель адаптивного фильтра состоит в том, чтобы минимизировать сигнал ошибки между выходом адаптивного фильтра и выходом неизвестной системы (или системы, которая будет идентифицирована). Если сигнал ошибки минимален, неизвестная система сходится к адаптивному фильтру.
Примечание: Если вы используете R2016a или более ранний релиз, заменяете каждый вызов объекта с эквивалентным синтаксисом шага. Например, obj(x) становится step(obj,x).
Инициализация
Создайте dsp.FIRFilter Системный объект, который представляет систему, которая будет идентифицирована. Передайте сигнал, x, к КИХ-фильтру. Выход неизвестной системы является желаемым сигналом, d, который является суммой выхода неизвестной системы (КИХ-фильтр) и аддитивный шумовой сигнал, n.
num = fir1(31,0.5); fir = dsp.FIRFilter('Numerator',num); iir = dsp.IIRFilter('Numerator',sqrt(0.75),... 'Denominator',[1 -0.5]); x = iir(sign(randn(2000,25))); n = 0.1*randn(size(x)); d = fir(x) + n;
Адаптивный фильтр
Создайте dsp.FilteredXLMSFilter Системный объект, чтобы создать адаптивный фильтр, который использует отфильтрованный-x LMS-алгоритм. Установите длину адаптивного фильтра к 32 касаниям, размера шага к 0,008, и фактор децимации для анализа и симуляции к 5. Переменная simmse представляет ошибку между выходом неизвестной системы, d, и выход адаптивного фильтра.
l = 32; mu = 0.008; m = 5; fxlms = dsp.FilteredXLMSFilter(l,'StepSize',mu); [simmse,meanWsim,Wsim,traceKsim] = msesim(fxlms,x,d,m); plot(m*(1:length(simmse)),10*log10(simmse)) xlabel('Iteration') ylabel('MSE (dB)') title('Learning curve for Filtered-x LMS filter used in system identification')
С каждой итерацией адаптации, значением simmse уменьшения к минимальному значению, указывая, что неизвестная система сходилась к адаптивному фильтру.
[1] Куо, С.М. и Морган, D.R. Активные шумовые системы управления: алгоритмы и реализации DSP. Нью-Йорк: John Wiley & Sons, 1996.
[2] Widrow, B. и Стернз, S.D. Адаптивная обработка сигналов. Верхний Сэддл-Ривер, Нью-Джерси: Prentice Hall, 1985.
