Вычисление выходных данных, ошибок и весов с использованием блочного адаптивного алгоритма LMS
dsp.BlockLMSFilter Система object™ вычисляет выходные данные, ошибки и веса с помощью блочного адаптивного алгоритма LMS.
Для вычисления выходных данных, ошибок и весов:
Создать dsp.BlockLMSFilter и задайте его свойства.
Вызовите объект с аргументами, как если бы это была функция.
Дополнительные сведения о работе системных объектов см. в разделе Что такое системные объекты?.
blms = dsp.BlockLMSFilterblms, которая фильтрует входной сигнал и вычисляет веса фильтра на основе алгоритма наименьших средних квадратов (LMS) блока.
blms = dsp.BlockLMSFilter(length,blocksize)blms, с Length свойство имеет значение length и BlockSize свойство имеет значение blocksize.
blms = dsp.BlockLMSFilter(Name,Value)blms, каждое указанное свойство имеет заданное значение. Заключите каждое имя свойства в отдельные кавычки. Неопределенные свойства имеют значения по умолчанию.
[ вход фильтров y,err,wts] = blms(x,d,mu,a,r)x, использование d в качестве требуемого сигнала, mu как размер шага, a в качестве управления адаптацией, и r в качестве сигнала сброса. Объект возвращает отфильтрованные выходные данные y, ошибка фильтра errи адаптированные веса фильтра wts. Установите соответствующие свойства, чтобы обеспечить все возможные входные данные.
Чтобы использовать функцию объекта, укажите объект System в качестве первого входного аргумента. Например, для освобождения системных ресурсов объекта System с именем obj, используйте следующий синтаксис:
release(obj)
Примечание.При использовании R2016a или более ранней версии замените каждый вызов объекта эквивалентным step синтаксис. Например, obj(x) становится step(obj,x).
blms = dsp.BlockLMSFilter(10,5); blms.StepSize = 0.01; blms.WeightsOutputPort = false; filt = dsp.FIRFilter; filt.Numerator = fir1(10,[.5, .75]); x = randn(1000,1); % Noise d = filt(x) + sin(0:.05:49.95)'; % Noise + Signal [y, err] = blms(x, d); subplot(2,1,1); plot(d); title('Noise + Signal'); subplot(2,1,2); plot(err); title('Signal');
Примечание.При использовании R2016a или более ранней версии замените каждый вызов объекта эквивалентным step синтаксис. Например, obj(x) становится step(obj,x).
fir = fir1(31,0.5); firFilter = dsp.FIRFilter('Numerator',fir); % FIR system to be identified iirFilter = dsp.IIRFilter('Numerator',sqrt(0.75),... 'Denominator',[1 -0.5]); x = iirFilter(sign(randn(2000,25))); n = 0.1*randn(size(x)); % Observation noise signal d = firFilter(x)+n; % Desired signal l = 32; % Filter length mu = 0.008; % Block LMS Step size. m = 32; % Decimation factor for analysis % and simulation results fir = dsp.BlockLMSFilter(l,'StepSize',mu); [simmse,meanWsim,Wsim,traceKsim] = msesim(fir,x,d,m); plot(m*(1:length(simmse)),10*log10(simmse)); xlabel('Iteration'); ylabel('MSE (dB)'); title('Learning curve for block LMS filter used in system identification')
Этот объект реализует алгоритм, входы и выходы, описанные на странице ссылок блока фильтра блочного LMS. Свойства объекта соответствуют параметрам блока.