Фильтрация XLMS-фильтра
The dsp.FilteredXLMSFilter Системная object™ вычисляет выход, ошибку и коэффициенты с помощью фильтрованного-x наименее квадратного конечная импульсная характеристика фильтра.
Для реализации объекта адаптивной конечной импульсной характеристики фильтра:
Создайте dsp.FilteredXLMSFilter 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?».
fxlms = dsp.FilteredXLMSFilterfxlms. Этот Системный объект используется, чтобы вычислить отфильтрованный выход и ошибку фильтра для заданного входного и необходимого сигнала.
fxlms = dsp.FilteredXLMSFilter(len)FilteredXLMSFilter Системный объект, fxlms, с Length значение свойства установлено в len.
fxlms = dsp.FilteredXLMSFilter(Name,Value)FilteredXLMSFilter Системный объект, fxlms, с каждым заданным набором свойств до заданного значения. Заключайте каждое имя свойства в одинарные кавычки. Неопределенные свойства имеют значения по умолчанию.
[ фильтрует входные y,err] = fxlms(x,d)x, использование d в качестве необходимого сигнала и возвращает отфильтрованный выход y и ошибка фильтра 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 fxlms фильтр, вызов fxlms.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).
Сгенерируйте шум, создайте модель системы КИХ-первичного пути, сгенерируйте шум наблюдений, фильтруйте выходные данные модели системы первичного пути с добавлением шума и создайте модель системы КИХ-вторичного пути.
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™, чтобы вычислить отфильтрованный выход и ошибку фильтра для входа и сигнала, который будет отменен.
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;
Идентифицируйте неизвестную систему путем выполнения активного контроля шума с помощью LMS-алгоритма filtered-x. Цель адаптивного фильтра состоит в том, чтобы минимизировать сигнал ошибки между выходом адаптивного фильтра и выходом неизвестной системы (или системы, которая будет идентифицирована). Когда сигнал ошибки минимален, неизвестная система сходится к адаптивному фильтру.
Примечание.Если вы используете R2016a или более ранний релиз, замените каждый вызов объекта эквивалентным синтаксисом шага. Для примера, obj(x) становится step(obj,x).
Инициализация
Создайте dsp.FIRFilter Системный объект, который представляет систему, которая будет идентифицирована. Передайте сигнал, x, к конечная импульсная характеристика. Выходы неизвестной системы являются желаемым сигналом, d, которая является суммой выходов неизвестной системы (конечная импульсная характеристика) и аддитивного сигнала шума, 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
Создайте dsp.FilteredXLMSFilter Системный объект для создания адаптивного фильтра, который использует LMS-алгоритм filtered-x. Установите длину адаптивного фильтра равную 32 отводам, размер шага равным 0,008, и коэффициент десятикратного уменьшения для анализа и симуляции равным 5. Переменная simmse представляет ошибку между выходами неизвестной системы, d, и выходы 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, что указывает на сходимость неизвестной системы к адаптивному фильтру.
[1] Куо, С.М. и Морган, Д.Р. Активные системы управления шумом: алгоритмы и реализации DSP. Нью-Йорк: John Wiley & Sons, 1996.
[2] Widrow, B. and Stearns, S.D. Адаптивная обработка сигналов. Верхний Седл-Ривер, Нью-Джерси: Prentice Hall, 1985.
