Быстро трансверсальный КИХ наименьших квадратов адаптивный фильтр
dsp.FastTransversalFilter вычисляет выход, ошибку и коэффициенты с помощью быстрого трансверсального КИХ наименьших квадратов адаптивный фильтр.
Реализовывать адаптивный КИХ-объект фильтра:
Создайте dsp.FastTransversalFilter 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?.
ftf = dsp.FastTransversalFilterftf, который является быстрым трансверсальным, КИХ наименьших квадратов адаптивный фильтр. Этот Системный объект вычисляет отфильтрованный выход и ошибку фильтра для данного входа и желаемого сигнала.
ftf = dsp.FastTransversalFilter(len)dsp.FastTrasversalFilter Системный объект с Length набор свойств к len.
ftf = dsp.FastTransversalFilter(Name,Value)dsp.FastTransversalFilter Системный объект с каждым заданным набором свойств к заданному значению.
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)
Система идентификации является процессом идентификации коэффициентов неизвестной системы с помощью адаптивного фильтра. Общий обзор процесса, как показывают, в System Identification – Используя Адаптивный Фильтр Идентифицирует Неизвестную Систему. Основные включенные компоненты:
Адаптивный алгоритм фильтра.
Неизвестная система или процесс, чтобы адаптироваться к. В этом примере фильтр спроектирован fir1 неизвестная система.
Соответствующие входные данные, чтобы осуществить процесс адаптации. В типовой модели системы идентификации желаемый сигнал d (k) и входной сигнал x (k) используются, чтобы осуществить процесс адаптации.
Цель адаптивного фильтра состоит в том, чтобы минимизировать сигнал ошибки между выходом адаптивного фильтра y (k) и выходом неизвестной системы (или системы, которая будет идентифицирована) d (k). Если сигнал ошибки минимизирован, адаптированный фильтр напоминает неизвестную систему. Коэффициенты обоих фильтры соответствуют тесно.
Примечание: Если вы используете R2016a или ранее, заменяете каждый вызов объекта с эквивалентным step синтаксис. Например, obj(x) становится step(obj,x).
Неизвестная система
Создайте dsp.FIRFilter объект, который представляет систему, которая будет идентифицирована. Используйте fir1 функционируйте, чтобы спроектировать коэффициенты фильтра. Спроектированный фильтр является 10-м порядком цифровой фильтр lowpass с частотой среза 0,25.
filt = dsp.FIRFilter; filt.Numerator = fir1(10,.25)
filt =
dsp.FIRFilter with properties:
Structure: 'Direct form'
NumeratorSource: 'Property'
Numerator: [1x11 double]
InitialConditions: 0
Show all properties
Передайте x сигнала к КИХ-фильтру. Желаемый d сигнала сумма выхода неизвестной системы (КИХ-фильтр), и аддитивный шум сигнализируют о n.
x = randn(1000,1); d = filt(x) + 0.01*randn(1000,1);
Адаптивный фильтр
С неизвестным спроектированным фильтром и желаемый сигнал на месте, создайте и примените быстрый трансверсальный объект фильтра, чтобы идентифицировать неизвестный фильтр.
Создайте dsp.FastTransversalFilter объект представлять адаптивный фильтр. Установите длину адаптивного фильтра к 11 касаниям и фактору упущения 0,99.
ftf1 = dsp.FastTransversalFilter(11,'ForgettingFactor',0.99)ftf1 =
dsp.FastTransversalFilter with properties:
Method: 'Fast transversal least-squares'
Length: 11
ForgettingFactor: 0.9900
InitialPredictionErrorPower: 10
InitialCoefficients: 0
InitialConversionFactor: 1
LockCoefficients: false
Передайте сигнал первичного входного параметра x и желаемый d сигнала к быстрому трансверсальному фильтру. Запустите адаптивный фильтр, чтобы определить неизвестную систему. Выход y из адаптивного фильтра сигнал, сходившийся к желаемому d сигнала, таким образом, минимизируя ошибку e между двумя сигналами.
[y,e] = ftf1(x,d); w = ftf1.Coefficients
w = 1×11
-0.0043 0.0016 0.0308 0.1171 0.2204 0.2677 0.2210 0.1181 0.0323 0.0013 -0.0037
Постройте график результатов. Выходной сигнал совпадает с желаемым сигналом очень тесно совершение ошибки между двумя близко к нулю.
subplot(2,1,1); plot(1:1000,[d,y,e]) title('System Identification of an FIR filter'); legend('Desired','Output','Error'); xlabel('time index'); ylabel('signal value');
Коэффициенты КИХ-фильтра соответствуют очень тесно с коэффициентами адаптированного фильтра, таким образом, подтверждая сходимость.
subplot(2,1,2); stem([filt.Numerator; w].'); legend('Actual','Estimated'); xlabel('coefficient #'); ylabel('coefficient value');
[1] Haykin, Саймон. Адаптивная теория фильтра, 4-й Эд. Верхний Сэддл-Ривер, NJ: Prentice Hall, 2002.