Отфильтрованный фильтр XLMS
dsp.FilteredXLMSFilter Система object™ вычисляет выходной сигнал, ошибку и коэффициенты, используя фильтруемый адаптивный фильтр с наименьшим квадратным КИХ.
Для реализации объекта адаптивного фильтра FIR:
Создать dsp.FilteredXLMSFilter 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?.
fxlms = dsp.FilteredXLMSFilterfxlms. Этот системный объект используется для вычисления отфильтрованного выходного сигнала и ошибки фильтра для данного входного сигнала и требуемого сигнала.
fxlms = dsp.FilteredXLMSFilter(len)FilteredXLMSFilter Системный объект, fxlms, с Length свойство имеет значение len.
fxlms = dsp.FilteredXLMSFilter(Name,Value)FilteredXLMSFilter Системный объект, fxlms, каждое указанное свойство имеет заданное значение. Заключите каждое имя свойства в отдельные кавычки. Неопределенные свойства имеют значения по умолчанию.
[ фильтрует вход y,err] = fxlms(x,d)x, использование d в качестве требуемого сигнала и возвращает отфильтрованный выходной сигнал y и ошибка фильтра err. Объект System оценивает весовые коэффициенты фильтра, необходимые для минимизации ошибки между выходным сигналом и требуемым сигналом. Вы можете получить доступ к этим коэффициентам, обращаясь к Coefficients свойства объекта. Это можно сделать только после вызова объекта. Например, для доступа к оптимизированным коэффициентам fxlms фильтр, вызов fxlms.Coefficients после передачи входного и требуемого сигнала объекту.
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).
Создание шума, создание модели системы первичного тракта FIR, формирование шума наблюдения, фильтрация выходных данных модели системы первичного тракта с добавлением шума и создание модели системы вторичного тракта FIR.
x = randn(1000,1); g = fir1(47,0.4); n = 0.1*randn(1000,1); d = filter(g,1,x) + n; b = fir1(31,0.5);
Используйте dsp.FilteredXLMSFilter Система object™ для вычисления отфильтрованного выходного сигнала и ошибки фильтра для входного сигнала и сигнала, подлежащего отмене.
mu = 0.008; fxlms = dsp.FilteredXLMSFilter(32, 'StepSize', mu, 'LeakageFactor', ... 1, 'SecondaryPathCoefficients', b); [y,e] = fxlms(x,d);
Постройте график результатов.
plot(1:1000,d,'b',1:1000,e,'r'); title('Active Noise Control of a Random Noise Signal'); legend('Original','Attenuated'); xlabel('Time Index'); ylabel('Signal Value'); grid on;
Определите неизвестную систему, выполнив активное управление шумом с использованием алгоритма filtered-x LMS. Целью адаптивного фильтра является минимизация сигнала ошибки между выходом адаптивного фильтра и выходом неизвестной системы (или системы, которая должна быть идентифицирована). Как только сигнал ошибки минимален, неизвестная система сходится к адаптивному фильтру.
Примечание.При использовании R2016a или более ранней версии замените каждый вызов объекта синтаксисом эквивалентного шага. Например, obj(x) становится step(obj,x).
Инициализация
Создать dsp.FIRFilter Системный объект, представляющий идентифицируемую систему. Передайте сигнал, x, к фильтру FIR. Выход неизвестной системы является требуемым сигналом, d, которая является суммой выходного сигнала неизвестной системы (FIR-фильтр) и аддитивного шумового сигнала, n.
num = fir1(31,0.5); fir = dsp.FIRFilter('Numerator',num); iir = dsp.IIRFilter('Numerator',sqrt(0.75),... 'Denominator',[1 -0.5]); x = iir(sign(randn(2000,25))); n = 0.1*randn(size(x)); d = fir(x) + n;
Адаптивный фильтр
Создать dsp.FilteredXLMSFilter Системный объект для создания адаптивного фильтра, использующего алгоритм filtered-x LMS. Установите длину адаптивного фильтра равной 32 отводам, размер шага - 0,008, а коэффициент прореживания для анализа и моделирования - 5. Переменная simmse представляет ошибку между выходами неизвестной системы, dи выходной сигнал адаптивного фильтра.
l = 32; mu = 0.008; m = 5; fxlms = dsp.FilteredXLMSFilter(l,'StepSize',mu); [simmse,meanWsim,Wsim,traceKsim] = msesim(fxlms,x,d,m); plot(m*(1:length(simmse)),10*log10(simmse)) xlabel('Iteration') ylabel('MSE (dB)') title('Learning curve for Filtered-x LMS filter used in system identification')
При каждой итерации адаптации значение simmse уменьшается до минимального значения, указывая, что неизвестная система сошлась с адаптивным фильтром.
[1] Куо, С.М. и Морган, Д.Р. Активные системы управления шумом: алгоритмы и реализации DSP. Нью-Йорк: John Wiley & Sons, 1996.
[2] Уидроу, Б. и Стернс, С.Д. Адаптивная обработка сигналов. Река Верхнее Седло, Нью-Джерси: Прентис Холл, 1985.