Определите коэффициенты прямых линейных предикторов N-го порядка
Оценка / Линейное предсказание
dsplp
Блок Autocorrelation LPC решает, что коэффициенты N-шага передают линейный предиктор для timeseries в каждом входном канале длины-M, u, путем минимизации ошибки предсказания в смысле наименьших квадратов. Линейный предиктор является КИХ-фильтром, который предсказывает следующее значение в последовательности от настоящих и прошлых входных параметров. Этот метод имеет приложения в создании фильтра, речевом кодировании, спектральном анализе и системе идентификации.
Блок Autocorrelation LPC может вывести ошибку предсказания для каждого канала как полиномиальные коэффициенты, отражательные коэффициенты или оба. Это может также вывести ошибочную степень предсказания для каждого канала. Вход u может быть неориентированным вектором, вектор-столбцом или матрицей. Векторы-строки не являются допустимыми входными параметрами. Блок обрабатывает весь M-by-N матричные входные параметры как каналы N длины M.
Когда вы выбираете Inherit prediction order from input dimensions, порядок предсказания, N, наследован от входных размерностей. В противном случае можно использовать параметр Prediction order, чтобы задать значение N. Обратите внимание на то, что N должен быть скаляром со значением меньше, чем длина входных каналов или блока производит ошибку.
Когда Output(s) установлен в A, порт А включен. Для каждого канала порт А выводит (N +1)-by-1 вектор-столбец, a = [1 a2
a3... aN+1] T, содержа коэффициенты скользящего среднего значения (MA) N-го порядка линейный процесс, который предсказывает следующее значение, ûM+1, во входном timeseries.
Когда Output(s) установлен в K, порт K включен. Для каждого канала порт K выводит вектор-столбец длины-N, элементами которого являются ошибочные коэффициенты отражения предсказания. Когда Output(s) установлен в A and K, и порт А и K включены, и каждый выходы порта его соответствующий набор коэффициентов предсказания для каждого канала.
Когда вы выбираете Output prediction error power (P), порт P включен. Ошибочная степень предсказания выводится в порте P как вектор, длина которого является количеством входных каналов.
Блок Autocorrelation LPC вычисляет решение методом наименьших квадратов к
где указывает на 2-норму и
Решение задачи наименьших квадратов через нормальные уравнения
приводит к системе уравнений
где r = [r1 r2 r3... rn+1] T является оценкой автокорреляции для u, вычисленного с помощью блока Autocorrelation, и * указывает на комплексное сопряженное транспонирование. Нормальные уравнения решены в операциях O (n2) блоком Левинсона-Дербина.
Обратите внимание на то, что решение проблемы LPC очень тесно связано с методом Уокера Рождества АРА спектральной оценки. В том контексте нормальные уравнения выше упоминаются как уравнения Уокера Рождества АРА.
Тип коэффициентов предсказания выводится блоком. Блок может вывести полиномиальные коэффициенты (A), отражательные коэффициенты (K), или оба (A and K).
Когда выбрано, включает порт P, который выводит выходную ошибочную степень предсказания.
Когда выбрано, блок наследовал порядок предсказания от входных размерностей.
Задайте порядок предсказания, N, который должен быть скаляром. Этот параметр отключен, когда вы выбираете параметр Inherit prediction order from input dimensions.
Haykin, S. Адаптивная Теория Фильтра. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1996.
Ljung, L. System Identification: теория для пользователя. Englewood Cliffs, NJ: Prentice Hall, 1987. PGS. 278-280.
Proakis, J. и Д. Мэнолакис. Цифровая обработка сигналов. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1996.
Плавающая точка двойной точности
Плавающая точка с одинарной точностью
| Autocorrelation | DSP System Toolbox |
| Levinson-Durbin | DSP System Toolbox |
| Yule-Walker Method | DSP System Toolbox |
lpc | Signal Processing Toolbox |
