Вычислите выход, ошибку и коэффициенты с помощью рекурсивного алгоритма наименьших квадратов (RLS)
The dsp.RLSFilter
Система object™ фильтрует каждый канал входа, используя реализации фильтра RLS.
Для фильтрации каждого канала входного входа:
Создайте dsp.RLSFilter
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?».
возвращает адаптивный фильтр RLS Системного объекта, rlsFilt
= dsp.RLSFilterrlsFilt
. Этот системный объект вычисляет отфильтрованный выход, ошибку фильтра и веса фильтра для заданного входного и желаемого сигнала, используя алгоритм RLS.
возвращает фильтр RLS Системного объекта, rlsFilt
= dsp.RLSFilter(len
)rlsFilt
. Этот Системный объект имеет Length
значение свойства установлено в len
.
возвращает системный объект фильтра RLS с каждым заданным набором свойств заданное значение. Заключайте каждое имя свойства в одинарные кавычки. Неопределенные свойства имеют значения по умолчанию.rlsFilt
= dsp.RLSFilter(Name,Value
)
[
показывает выход RLS-фильтра вместе с ошибкой, y
,e
] =
rlsFilt(x
,d
)e
, между ссылкой и желаемым сигналом. Фильтры адаптируют свои коэффициенты до ошибки e
минимизируется. 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 rlsFilt
фильтр, вызов rlsFilt.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)
The dsp.RLSFilter
Системный объект, когда Conventional RLS
выбран, рекурсивно вычисляет оценку методом наименьших квадратов (RLS) весов конечной импульсной характеристики фильтра. Системный объект оценивает веса или коэффициенты фильтра, необходимые для преобразования входного сигнала в требуемый сигнал. Входной сигнал может быть скаляром или вектором-столбцом. Требуемый сигнал должен иметь совпадающий тип данных, сложность и размерности, что и входной сигнал. Соответствующий RLS-фильтр выражен в матричной форме как P (n):
где-1 обозначает обратное значение экспоненциала коэффициента взвешивания. Переменные следующие:
Переменная | Описание |
---|---|
n | Текущий индекс времени |
u (n) | Вектор буферизованных входных выборок на шаге n |
P (n) | Сопряженный матрицы обратной корреляции на шаге n |
k (n) | Вектор усиления на шаге n |
k* (n) | Комплексный сопряженный k |
w (n) | Вектор оценок отвода фильтра на шаге n |
y (n) | Отфильтрованный выход на шаге n |
e (n) | Ошибка расчета на шаге n |
d (n) | Желаемый ответ на шаге n |
λ | Коэффициент забывания |
u, w и k все векторы-столбцы.
[1] M Hayes, Statistical Digital Signal Processing and Modeling, New York: Wiley, 1996.
[2] С. Хайкин, Adaptive Filter Theory, 4th Edition, Upper Saddle River, NJ: Prentice Hall, 2002.
[3] A.A. Rontogiannis and S. Theodoridis, «Inverse factorization adaptive now-squares algorithms», Signal Processing, vol. 52, no. 1, pp. 35-47, July 1996.
[4] ЮЖНАЯ КАРОЛИНА. Дуглас ", численно-устойчивый O (N2) Алгоритмы RLS, использующие предварительное бурение методом наименьших квадратов ", Proc. IEEE Int. Conf. on Acoustics, Speech, and Signal Processing, Istanbul, Turkey, vol. I, pp. 412-415, June 2000.
[5] A. H. Sayed, Основы адаптивной фильтрации, Hoboken, NJ: John Wiley & Sons, 2003.