dsp.BlockLMSFilter
Вычислите выход, ошибку и веса, используя блочный адаптивный алгоритм LMS
Описание
The dsp.BlockLMSFilter Системная object™ вычисляет выход, ошибку и веса с помощью блочного адаптивного алгоритма LMS.
Чтобы вычислить выход, ошибки и веса:
Создайте
dsp.BlockLMSFilterОбъекту 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?».
Создание
Синтаксис
Описание
blms = dsp.BlockLMSFilterblms, который фильтрует входной сигнал и вычисляет веса фильтров на основе алгоритма наименьших средних квадратов (LMS) блока.
blms = dsp.BlockLMSFilter(length,blocksize)blms, с Length значение свойства установлено в length и BlockSize значение свойства установлено в blocksize.
blms = dsp.BlockLMSFilter(Name,Value)blms, с каждым заданным набором свойств до заданного значения. Заключайте каждое имя свойства в одинарные кавычки. Неопределенные свойства имеют значения по умолчанию.
Свойства
Использование
Синтаксис
Описание
[ фильтрует входные y,err,wts] = blms(x,d,mu,a,r)x, использование d как необходимый сигнал, mu как размер шага, a как управление адаптацией, и r как сигнал сброса. Объект возвращает отфильтрованный выход y, ошибка фильтра errи адаптированные веса фильтров wts. Установите свойства соответствующим образом, чтобы предоставить все возможные входы.
Входные параметры
Выходные аргументы
Функции объекта
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)
Примеры
Удаление шума с помощью адаптивного алгоритма Block LMS
Примечание. Если вы используете R2016a или более ранний релиз, замените каждый вызов объекта эквивалентным step синтаксис. Для примера, 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');
Система идентификации конечной импульсной характеристики с использованием блочного LMS-фильтра
Примечание. Если вы используете R2016a или более ранний релиз, замените каждый вызов объекта эквивалентным step синтаксис. Для примера, 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')
Алгоритмы
Этот объект реализует алгоритм, входы и выходы, описанные на Block LMS Filter блочных страниц с описанием. Свойства объекта соответствуют параметрам блоков.