Неустановившаяся оценка канала Используя рекурсивные наименьшие квадраты
В этом примере показано, как отследить изменяющиеся во времени веса неустановившегося канала с помощью алгоритма Рекурсивных наименьших квадратов (RLS).
Канал моделируется с помощью изменяющегося во времени КИХ-фильтра пятого порядка. Фильтр RLS и неизвестный, неустановившийся канал обрабатывают тот же входной сигнал. Выход канала с добавленным шумом является желаемым сигналом. От этого сигнала фильтр RLS пытается оценить КИХ-коэффициенты, которые описывают канал. Все, что известно априорно, является КИХ-длиной.
Когда вы запускаете модель, график делается из каждого веса в зависимости от времени, с "истинными" весами фильтра подошедший к концу желтый, и оценки тех весов пурпурного цвета. Каждый из этих пяти весов построен на отдельной оси.
Исследование примера
RLS является эффективным, рекурсивным алгоритмом, который сходится к хорошей оценке КИХ-коэффициентов канала, если алгоритм правильно инициализируется. Экспериментируйте со значением настраиваемого Упущения факторного параметра в блоке RLS Filter. Хорошее исходное предположение (2N-1)/2N, где N является количеством весов. Упущение фактора используется, чтобы указать, как быстро алгоритм "забывает" предыдущие выборки. Значение 1 задает бесконечную память. Меньшие значения позволяют алгоритму отслеживать изменения в весах быстрее. Однако значение, которое слишком мало, заставит оценки быть чрезмерно под влиянием шума канала.
Ссылки
Для получения дополнительной информации о Рекурсивном алгоритме Наименьших квадратов смотрите С. Хейкина, Адаптивную Теорию Фильтра, 3-го Эда., Prentice Hall, 1996.