Вычислите выход, ошибку и коэффициенты с помощью алгоритма рекурсивных наименьших квадратов (RLS)
dsp.RLSFilter
Система object™ фильтрует каждый канал входа с помощью реализаций фильтра RLS.
Отфильтровать каждый канал входа:
Создайте dsp.RLSFilter
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.
возвращается адаптивный RLS фильтруют Системный объект, rlsFilt
= dsp.RLSFilterrlsFilt
. Этот Системный объект вычисляет отфильтрованный выход, ошибку фильтра и веса фильтра для данного входа и желал сигнала с помощью алгоритма RLS.
возвращается RLS фильтруют Системный объект, rlsFilt
= dsp.RLSFilter(len
)rlsFilt
. Этот Системный объект имеет Length
набор свойств к len
.
возвращается RLS фильтруют Системный объект с каждым заданным набором свойств к заданному значению. Заключите каждое имя свойства в одинарные кавычки. Незаданные свойства имеют значения по умолчанию.rlsFilt
= dsp.RLSFilter(Name,Value
)
[
показывает выход фильтра RLS наряду с ошибкой, y
,e
] =
rlsFilt(x
,d
)e
, между ссылочным входом и желаемым сигналом. Фильтры адаптируют его коэффициенты до ошибки e
минимизирован. 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 rlsFilt
отфильтруйте, вызовите rlsFilt.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)
dsp.RLSFilter
Системный объект, когда Conventional RLS
выбран, рекурсивно вычисляет оценку методом наименьших квадратов (RLS) КИХ-весов фильтра. Системный объект оценивает веса фильтра или коэффициенты, должен был преобразовать входной сигнал в желаемый сигнал. Входной сигнал может быть скаляром или вектор-столбцом. Желаемый сигнал должен иметь совпадающий тип данных, сложность и размерности как входной сигнал. Соответствующий фильтр RLS выражается в матричной форме как P (n):
где λ-1 обозначает обратную величину экспоненциального фактора взвешивания. Переменные следующие:
Переменная | Описание |
---|---|
n | Индекс текущего времени |
u (n) | Вектор буферизированных входных выборок на шаге n |
Pn | Матрица обратной корреляции на шаге n |
k (n) | Вектор усиления на шаге n |
w (n) | Вектор фильтра касается оценок на шаге n |
y (n) | Отфильтрованный выход на шаге n |
e (n) | Ошибка оценки на шаге n |
dN | Желаемый ответ на шаге n |
λ | Фактор упущения |
u, w и k являются всеми вектор-столбцами.
[1] М Хейз, статистическая цифровая обработка сигналов и моделирование, Нью-Йорк: Вайли, 1996.
[2] С. Хейкин, адаптивная теория фильтра, 4-й выпуск, верхний Сэддл-Ривер, NJ: Prentice Hall, 2002.
[3] А.А. Ронтоджиэннис и С. Зэодоридис, "Обратная факторизация адаптивные алгоритмы наименьших квадратов", Обработка сигналов, издание 52, № 1, стр 35-47, июль 1996.
[4] Южная Каролина Дуглас, "Численно устойчивый O (N2) RLS алгоритмы с помощью предварительного отбеливания наименьших квадратов", Proc. Конференция Int IEEE по Акустике, Речи, и Обработке сигналов, Стамбулу, Турция, изданию I, стр 412-415, июнь 2000.
[5] А. Х. Сайед, основные принципы адаптивной фильтрации, Хобокена, NJ: John Wiley & Sons, 2003.