Autocorrelation LPC

Определите коэффициенты прямых линейных предикторов N-го порядка

расширьте все на странице
  • Библиотека:

  • DSP System Toolbox / Оценка / Линейное предсказание

  • Autocorrelation LPC block

Описание

Блок Autocorrelation LPC решает, что коэффициенты N-шага передают линейный предиктор для timeseries в каждом входном канале длины-M, u, путем минимизации ошибки предсказания в смысле наименьших квадратов. Линейный предиктор является КИХ-фильтром, который предсказывает следующее значение в последовательности от настоящих и прошлых входных параметров. Этот метод имеет приложения в создании фильтра, речевом кодировании, спектральном анализе и системе идентификации.

Блок Autocorrelation LPC может вывести ошибку предсказания для каждого канала как полиномиальные коэффициенты, отражательные коэффициенты или оба. Блок может также вывести ошибочную степень предсказания для каждого канала.

Порты

Входной параметр

развернуть все

Задайте вход u как неориентированный вектор, вектор-столбец или матрицу. Векторы-строки не являются допустимыми входными параметрами. Блок обрабатывает весь M-by-N матричные входные параметры как каналы N длины M.

Типы данных: single | double

Вывод

развернуть все

Полиномиальные коэффициенты сгенерировали, когда вы устанавливаете параметр Output(s) на A или A and K. Для каждого входного канала порт А выводит (N +1)-by-1 вектор-столбец a = [1 a2 a3... aN+1]T, содержа коэффициенты Nth- закажите скользящему среднему значению (MA) линейный процесс, который предсказывает следующее значение, ûM+1, во входном timeseries.

u^M+1=−(a2uM)−(a3uM−1)−...−(aN+1uM−N+1)

Зависимости

Чтобы включить порт А, установите Output(s) на A или A and K.

Типы данных: single | double

Отражательные коэффициенты сгенерировали, когда Output(s) установлен в K или A and K. Для каждого входного канала порт K выводит вектор-столбец длины-N, элементами которого являются ошибочные коэффициенты отражения предсказания.

Зависимости

Чтобы включить порт K, установите Output(s) на A или A and K.

Типы данных: single | double

Ошибочная выходная мощность предсказания в порте P как вектор, длина которого является количеством входных каналов.

Зависимости

Чтобы включить порт P, выберите параметр Output prediction error power (P).

Типы данных: single | double

Параметры

развернуть все

Задайте тип коэффициентов предсказания, выведенных блоком. Блок может вывести полиномиальные коэффициенты (A), отражательные коэффициенты (K), или оба (A and K).

Когда вы устанавливаете Output(s) на A and K, блок включает порту А и K и каждому выходы порта его соответствующий набор коэффициентов предсказания для каждого канала.

Выберите этот параметр, чтобы включить выходному порту P, который выводит выходную ошибочную степень предсказания.

Выберите этот параметр, чтобы наследоваться, предсказание заказывают N от входных размерностей.

Укажите, что предсказание заказывает N. Обратите внимание на то, что N должен быть скаляром со значением меньше, чем длина входных каналов или блока производит ошибку.

Зависимости

Этот параметр появляется только, когда вы не выбираете параметр Inherit prediction order from input dimensions.

Примеры модели

Estimate Data Series Using Forward Linear Predictor

Оцените ряд данных Используя прямой линейный предиктор

Используйте блок Autocorrelation LPC, чтобы оценить будущие значения сигнала.

Характеристики блока

Типы данных

double | single

Прямое сквозное соединение

no

Многомерные сигналы

no

Сигналы переменного размера

no

Обнаружение пересечения нулем

no

Алгоритмы

Блок Autocorrelation LPC вычисляет решение методом наименьших квадратов к

mini∈ℜn‖Ua˜−b‖

где ‖⋅‖ указывает на 2-норму и

U=[u10⋯0u2u1⋱⋮⋮u2⋱0⋮⋮⋱u1⋮⋮⋮u2⋮⋮⋮⋮uM⋮⋮⋮0⋱⋮⋮⋮⋱⋱⋮0⋯0uM],  ​​a˜=[a2⋮an+1],  b=[u2u3⋮uM0⋮0]

Решение задачи наименьших квадратов через нормальные уравнения

U∗Ua˜=U∗b

приводит к системе уравнений

[r1r2∗⋯rn∗r2r1⋱⋮⋮⋱⋱r2∗rn⋯r2r1] [a2a3⋮an+1] =[−r2−r3⋮−rn+1]

где r = [r1 r2 r3... rn+1]T оценка автокорреляции для u, вычисленного с помощью блока Autocorrelation, и * указывает на комплексное сопряженное транспонирование. Нормальные уравнения решены в O (n2) операции блоком Левинсона-Дербина.

Обратите внимание на то, что решение проблемы LPC очень тесно связано с методом Уокера Рождества АРА спектральной оценки. В том контексте нормальные уравнения выше упоминаются как уравнения Уокера Рождества АРА.

Ссылки

[1] Haykin, S. Адаптивная Теория Фильтра. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1996.

[2] Ljung, L. System Identification: теория для пользователя. Englewood Cliffs, NJ: Prentice Hall, 1987. PGS. 278-280.

[3] Proakis, J. и Д. Мэнолакис. Цифровая обработка сигналов. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1996.

Расширенные возможности

Смотрите также

Функции

Блоки

Представлено до R2006a

Документация DSP System Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте