Фильтр адаптивной решетки
The dsp.AdaptiveLatticeFilter Системная object™ вычисляет выход, ошибку и коэффициенты с помощью адаптивного конечная импульсная характеристика на основе решетки.
Для реализации объекта адаптивной конечной импульсной характеристики фильтра:
Создайте dsp.AdaptiveLatticeFilter Объекту и установите его свойства.
Вызывайте объект с аргументами, как будто это функция.
Дополнительные сведения о работе системных объектов см. в разделе «Что такое системные объекты?».
alf = dsp.AdaptiveLatticeFilteralf. Этот системный объект вычисляет отфильтрованный выход и ошибку фильтра для заданного входного и необходимого сигнала.
alf = dsp.AdaptiveLatticeFilter(len)AdaptiveLatticeFilter Системный объект с Length значение свойства установлено в len.
alf = dsp.AdaptiveLatticeFilter(Name,Value)AdaptiveLatticeFilter Системный объект с каждым заданным свойством устанавливается на заданное значение. Заключайте каждое имя свойства в одинарные кавычки. Неопределенные свойства имеют значения по умолчанию.
[ фильтрует входные y,err] = alf(x,d)x, использование d в качестве необходимого сигнала и возвращает отфильтрованный выход в y и ошибка фильтра в err. Системный объект оценивает веса фильтра, необходимые для минимизации ошибки между выходом сигналом и желаемым сигналом. Вы можете получить доступ к этим коэффициентам, обращаясь к Coefficients свойство объекта. Это может быть сделано только после вызова объекта. Для примера получить доступ к оптимизированным коэффициентам alf фильтр, вызов alf.Coefficients после того, как вы передаете вход и желаемый сигнал объекту.
Чтобы использовать функцию объекта, задайте системный объект в качестве первого входного параметра. Например, чтобы освободить системные ресурсы системного объекта с именем obj, используйте следующий синтаксис:
release(obj)
Примечание. Если вы используете R2016a или более ранний релиз, замените каждый вызов объекта эквивалентным step синтаксис. Для примера, obj(x) становится step(obj,x).
Создайте сигнал QPSK и шум, фильтруйте их, чтобы получить принятый сигнал, и задерживайте принятый сигнал, чтобы получить требуемый сигнал.
D = 16; b = exp(1i*pi/4)*[-0.7 1]; a = [1 -0.7]; ntr = 1000; s = sign(randn(1,ntr+D)) + 1i*sign(randn(1,ntr+D)); n = 0.1*(randn(1,ntr+D) + 1i*randn(1,ntr+D)); r = filter(b,a,s) + n; x = r(1+D:ntr+D); d = s(1:ntr);
Используйте Adaptive Lattice Filter, чтобы вычислить фильтрованный выход и ошибку фильтра для входа и необходимого сигнала.
lam = 0.995; del = 1; alf = dsp.AdaptiveLatticeFilter('Length', 32, ... 'ForgettingFactor', lam, 'InitialPredictionErrorPower', del); [y,e] = alf(x,d);
Постройте график Синфазный и Квадратурные компоненты требуемых, выходных и сигналов ошибки.
subplot(2,2,1); plot(1:ntr,real([d;y;e])); title('In-Phase Components'); legend('Desired','Output','Error'); xlabel('time index'); ylabel('signal value'); subplot(2,2,2); plot(1:ntr,imag([d;y;e])); title('Quadrature Components'); legend('Desired','Output','Error'); xlabel('time index'); ylabel('signal value');
Постройте график рассеяния принятых и уравненных сигналов.
subplot(2,2,3); plot(x(ntr-100:ntr),'.'); axis([-3 3 -3 3]); title('Received Signal Scatter Plot'); axis('square'); xlabel('Real[x]'); ylabel('Imag[x]'); grid on; subplot(2,2,4); plot(y(ntr-100:ntr),'.'); axis([-3 3 -3 3]); title('Equalized Signal Scatter Plot'); axis('square'); xlabel('Real[y]'); ylabel('Imag[y]'); grid on;
Примечание. Если вы используете R2016a или более ранний релиз, замените каждый вызов объекта эквивалентным step синтаксис. Для примера, obj(x) становится step(obj,x).
ha = fir1(31,0.5); fir = dsp.FIRFilter('Numerator',ha); % FIR system to be identified iir = dsp.IIRFilter('Numerator',sqrt(0.75),... 'Denominator',[1 -0.5]); x = iir(sign(randn(2000,25))); n = 0.1*randn(size(x)); % Observation noise signal d = fir(x)+n; % Desired signal l = 32; % Filter length m = 5; % Decimation factor for analysis % and simulation results ha = dsp.AdaptiveLatticeFilter(l); [simmse,meanWsim,Wsim,traceKsim] = msesim(ha,x,d,m); plot(m*(1:length(simmse)),10*log10(simmse)); xlabel('Iteration'); ylabel('MSE (dB)'); title('Learning curve for Adaptive Lattice filter used in system identification')
[1] Griffiths, Lloyd J. «Непрерывно адаптивный фильтр, реализованный как структура решетки». Материалы IEEE Int. Конф. по акустике, речи и обработке сигналов, Хартфорд, КТ, стр. 683-686, 1977.
[2] Haykin, S. Adaptive Filter Theory, 4th Ed. Upper Saddle River, NJ: Prentice Hall, 1996.
