dsp.frequencyDomainainAdaptiveFilter
使用频域FIR自适应滤波器计算输出，误差和系数
描述
的dsp.frequencyDomainainAdaptiveFilterSystem object™使用快速块最小均方(LMS)算法在频域实现自适应有限脉冲响应(FIR)滤波器。的长度和BlockLength属性指定算法使用的过滤器长度和块长度值。的FFTCoefficients性质包含了电流滤波系数的离散傅里叶变换。该对象提供了具有分区和非分区模式的算法的约束和无约束版本。有关详细信息,请参见算法．
使用频域FIR自适应滤波器对信号进行滤波:
创建
dsp.frequencyDomainainAdaptiveFilter对象，并设置其属性。使用参数调用对象，就像调用函数一样。
要了解更多关于System对象如何工作的信息，请参见什么是系统对象?
创建
语法
描述
fdaf= dsp。FrequencyDomainAdaptiveFilterfdaf．该系统对象用于计算给定输入和期望信号的滤波输出和滤波误差。
fdaf= dsp。FrequencyDomainAdaptiveFilter (Len.）长度属性设置为Len.．
fdaf= dsp。FrequencyDomainAdaptiveFilter (＿＿＿，名称,值）
fdaf = dsp.FrequencyDomainAdaptiveFilter(“长度”,32岁的“StepSize”,0.1)模拟一个频域自适应滤波器，长度为32点，步长为0.1。
属性
使用
描述
输入参数
输出参数
对象的功能
要使用对象函数，请指定System对象作为第一个输入参数。例如，释放名为system的对象的系统资源obj，使用下面的语法:
发行版(obj)
例子
带FIR滤波器的QPSK自适应均衡
在嘈杂的传输信道上发送正交相移键控（QPSK）信号。使用频域自适应滤波器最小化接收信号中的噪声。
请注意如果你正在使用R2016a或更早的版本，用等价的步骤语法替换每个对象调用。例如,obj (x)成为步骤（obj，x）．
QPSK信号,S，通过一个有噪声的信道传输。通道的分子系数和分母系数都包含在向量中b和一个， 分别。收到的信号，r，传输信道末端得到的包含传输的QPSK信号和添加到信道的噪声，n．采用自适应滤波器从接收到的噪声输入中提取QPSK信号。所需的信号,d,是QPSK信号的延迟版本。
D = 16;B = exp(1i*pi/4)*[-0.7 1];A = [1 -0.7];正常= 1024关系;s =符号(randn(1,正常+ D)关系)+ 1我*签署(randn(1,正常+ D)关系);n = 0.1*(randn(1,ntr+D) + 1i*randn(1,ntr+D));R = filter(b,a,s) + n;x = r (1 + D:正常+ D关系);d = s(1:正常)关系;
创建一个dsp.frequencyDomainainAdaptiveFilter对象建模一个频域自适应滤波器的长度为32点，步长为0.1。自适应滤波器接受接收信号的延迟版本和期望的信号作为输入。自适应滤波器的输出与期望的信号进行比较。两个信号之间的误差表示添加到传输信道的噪声。自适应滤波器更新它的系数，直到这个误差变得最小。要得到滤波器系数的离散傅里叶变换，记作fdaf对象，并访问此对象的FFTCOefficient属性。
μ= 0.1;fdaf = dsp.frequencydomainainaDaptiveFilter.('长度'，32，“StepSize”，亩）;[y，e] = fdaf（x，d）;fftcoeffs = fdaf.fftcoefficents
fftCoeffs =1×64复杂我0.6802 - 0.6847 -0.2485 - 0.9427 -0.9675 - 0.2123 0.5748我-0.5605 + 0.8002 + 0.7593我0.8541 - 0.3917 -0.2526 - 0.9022 -0.9298 0.0181 + 0.9366 + 0.1255我0.9207 + 0.0511我0.1063 - 0.8972 -0.8919 - 0.1829 -0.2668 + 0.9113我0.9215 + 0.3186 0.3417 - 0.8859 -0.8285 - 0.3760我0.8741 + -0.4317 + 0.8200 0.4765 0.4874 - 0.9075 -0.8517 - 0.4774我-0.4709 + 0.7632我0.7468 + 0.4833 0.5193 - 0.7995 -0.8218 - 0.5649 0.7316我-0.5908 + 0.7768 + 0.5866我0.5806 - 0.7270 -0.7148 - 0.5998 -0.6287 + 0.6702我0.6575 + 0.6379 0.6332 - 0.7153 -0.7659 - 0.6424 0.6536我-0.6678 + 0.7294 + 0.6891我0.7006 - 0.6333 -0.6594 - 0.7117 -0.7207 + 0.6517我0.6031 + 0.7239 0.7362 - 0.5776 -0.5869 - 0.7682-0.7975 - 0.5789i 0.5449 + 0.7992i 0.7909 - 0.5343i 0.5512 - 0.8070i -0.8392 + 0.5338i 0.605 + 0.8493i 0.3758 - 0.3921i -0.3751 - 0.8388i -0.8739 + 0.3785i 0.3625 + 0.9048i
绘制所需输出和误差信号的同相分量和正交分量。
阴谋(1:正常,关系真实([d; y; e]))传说(“想要的”，“输出”，“错误”)标题(同相分量的）xlabel（'时间指数'）;ylabel（的信号值）
阴谋(1:正常,关系图像放大([d; y; e]))传说(“想要的”，“输出”，“错误”)标题(“正交组件”）xlabel（'时间指数'）ylabel（的信号值）
创建接收信号和期望信号的散点图。
情节(x(正常- 100:关系正常)的关系,“。”)轴([-3 3 -3])标题(“接收信号散点图”)轴(“广场”）xlabel（“真正的[x]”）ylabel（图像放大[x]”网格)在
情节(d(正常- 100:关系正常)的关系,“。”)轴([-3 3 -3])标题(“所需信号散点图”)轴(“广场”）xlabel（“真正的[y]”）ylabel（图像放大[y]”网格)在
自适应滤波器对接收的信号进行均衡以消除噪声。绘制均衡信号的散点图。
情节(y(正常- 100:关系正常)的关系,“。”)轴([-3 3 -3])标题(“均衡信号散点图”)轴(“广场”）xlabel（“真正的[y]”）ylabel（图像放大[y]”网格)在
基于频域自适应滤波器的长FIR滤波器系数估计
使用频域自适应滤波器估计长FIR滤波器的系数。FIR滤波器模拟房间的脉冲响应。在频域自适应滤波器中使用分区模式，减少滤波器延迟。
笔记：此示例仅在R2018a或更高版本中运行。
初始化
生成一个8192个样本的长FIR脉冲响应，并将脉冲响应赋给adsp.firfilter.目的，房间．该对象模拟了房间的脉冲响应。创建一个dsp.frequencyDomainainAdaptiveFilter过滤器,LMSFILT.，分区约束模式。将过滤器的长度设置为房间脉冲响应长度的四分之一。设置过滤器的块长度为128个样本。将步长设置为0.025，初始功率设置为0.01，平均因子设置为0.98，偏移量设置为1，泄漏因子设置为1。初始化一个dsp。ArrayPlot对象以查看过滤系数。初始化一个timescope对象，以显示滤波器输出与所需信号之间的均方误差。
fs = 16 e3;m = 8192;[b,a] = cheby2(4,20，[0.1 0.7]);impulseResponseGenerator = dsp。IIRFilter (．．.“分子”, (0 (1,6) b),．．.“分母”,);roomImpulseResponse = impulseResponseGenerator (．．.(日志兰德(1米)+(0.99 * 0.01)。*标志(randn(1米)。* exp (-0.002 * (1: m))) ');roomImpulseResponse = roomImpulseResponse /规范(roomImpulseResponse);房间= dsp。FIRFilter (“分子”roomImpulseResponse ');lmsfilt = dsp。FrequencyDomainAdaptiveFilter (．．.'方法'，'分区约束fdaf'，．．.'长度'米/ 4．．.“BlockLength”, 128,．．.“StepSize”，0.025，．．.“InitialPower”, 0.01,．．.“AveragingFactor”, 0.98,．．.'抵消', 1．．.“LeakageFactor”，1）;Framesize = lmsfilt.blocklength;niter = 2000;ap = dsp.arrayplot（“YLimits”(-0.2。2),“ShowLegend”，真的，．．.“位置”，[0 560 420]，“ChannelNames”，．．.｛“实际系数”，“估计系数”}）;ts = timescope（“SampleRate”fs,“TimeSpanSource”，“属性”，．．.“时间间隔”FrameSize *硝石/ fs,．．.“TimeUnits”，“秒”，．．.“YLimits”(-50 0),“标题”，“学习曲线”，．．.'ylabel'，'D b'，．．.“BufferLength”, FrameSize *硝石,．．.“ShowGrid”,真正的);signalmean = dsp。MovingAverage (“SpecifyWindowLength”，错误的）;
流媒体
产生一个随机输入信号使用randn函数。输入的帧大小与自适应滤波器的块长度相匹配。所需要的信号是FIR滤波器(房间)的输出和一个高斯白噪声信号的和。将输入信号和期望信号传递给自适应滤波器。计算自适应滤波器输出和输出与期望信号之间的误差。
对所返回的频域系数向量取IFFT，估计自适应滤波器的时域系数lmsfilt。FFTCoefficients财产。将估计的系数与分配给FIR滤波器（房间）的实际系数进行比较。一旦自适应滤波器已经将其输出与所需信号收敛到所需信号，并且最小化误差信号，估计的系数与实际系数紧密地匹配。这意味着自适应滤波器已成功调整自身以模拟FIR滤波器（房间）的脉冲响应。
为k = 1:NIter x = randn(FrameSize,1); / /d = room(x) + 0.01*randn(FrameSize,1);[y, e] = lmsfilt (x, d);FFTCoeffs = lmsfilt.FFTCoefficients;w =传输线(FFTCoeffs, [], 2,“对称”）;w = w（：，1：框架化）+ w（：，框架大小+ 1：结束）;w =重塑（w。'，1，m / 4）;AP（[roomimpulseresponse（1：m / 4），w。']）;TS（10 * log10（SignalMean（ABS（e）。^ 2））））;结束
随着过滤器随时间互相调整，您可以在时间范围内看到平均方形错误变得最小。同时，估计的系数与阵列图中紧密地匹配。
算法
频域自适应滤波包括滤波、误差估计和抽头权重自适应三个步骤。该算法采用重叠保存或重叠叠加的方法在频域实现FIR滤波。有关这两个方法的更多实现细节，请参见算法部分的dsp。FrequencyDomainFIRFilter对象页面。采用快速块LMS算法(FBLMS)实现了误差估计和抽头权值自适应。
快速块LMS算法
频域自适应滤波器采用快速块LMS (FBLMS)算法将输入数据和期望信号数据作为样本块进行处理。这是使用FBLMS算法的频域自适应滤波器的框图。图中的频域FIR滤波器使用了重叠保存方法。
地点:
N- 过滤长度
l- 块长度
μ——步长参数
x (n)——输入信号
X (k)——频域变换输入信号
d (n)——期望信号
e (n)——期望的信号和滤波器输出之间的错误
E (n)- 变换频域中的错误信号
W (k)——频域的击权向量
有关如何估计误差和调整点击权重的更多细节，请参见［2］．
参考文献
[1] Shynk, J.J.频域和多速率自适应滤波。IEEE信号处理杂志。第9卷，第1期，1992年，14-37页。
[2] Farhang-Boroujeny, B。,自适应滤波器:理论与应用，奇切斯特，英格兰，威利，1998。
小t·G·斯托克汉姆“高速卷积和相关。”1966年春季联合计算机会议的诉讼程序，即af，1966年第28卷，229-233页。
扩展功能
另请参阅
对象
dsp。lMSFilter|dsp。RLSFilter|dsp。AffineProjectionFilter|dsp。AdaptiveLatticeFilter|dsp。FilteredXLMSFilter|dsp.firfilter.|dsp。FastTransversalFilter|dsp。FrequencyDomainFIRFilter
块
你也可以从以下列表中选择一个网站:
