至少意味着广场(LMS)基于FIR自适应滤波器

基于递归最小二乘(RLS) FIR自适应滤波器

仿射投影(AP) FIR自适应滤波器

FIR自适应滤波器在频域(FD)

Lattice-Based (L) FIR自适应滤波器

有关这些算法的更多信息,请参考各自的算法部分参考页。完整的描述出现在自适应滤波器理论参考[1]和[2]。

系统识别——使用一个自适应滤波器来确定一个未知的系统

一个常见的自适应滤波器的应用程序使用自适应滤波器来确定一个未知的系统,如未知通信通道的反应或礼堂的频率响应,选择相当不同的应用程序。其他应用包括回波消除和通道识别。

在图中,未知的系统放置在并行自适应滤波器。这个布局代表只是许多可能的结构之一。阴影区域包含自适应滤波器系统。

显然,当e (k)非常小,自适应滤波器响应接近未知系统的响应。在这种情况下,相同的输入源的自适应滤波器和未知。例如,如果未知的系统是一个调制解调器,输入通常代表白噪声,是声音的一部分你听到从你的调制解调器当你登录到您的互联网服务提供商。

逆系统识别,确定一个逆响应未知系统

通过将未知系统串联自适应滤波器,滤波器适应成为未知系统的倒数e (k)变得非常小。如图,这个过程需要一个延迟插入所需的信号d (k)路径保持求和的数据同步。添加延迟系统因果。

包括延迟造成的延迟占未知系统防止这种情况。

普通电话系统(锅)通常使用逆系统识别来弥补铜传输介质。当你通过电话线发送数据或声音,铜线表现得像一个过滤器,一个响应,卷在更高频率(或数据速率)和其他异常。

添加一个自适应滤波器的响应的逆线响应,实时调整和配置过滤器,让过滤器弥补滚边和异常,增加可用的频率输出范围和电话系统的数据速率。

噪音或干扰取消——使用一个自适应滤波器消除噪声从一个未知的系统

在降噪,自适应滤波器让你把噪声从信号实时。这里,期望信号,清理,结合噪声和所需的信息。消除噪音,养活一个信号n”(k)的自适应滤波器相关的噪音要删除所需的信号。

只要输入噪声滤波器仍然相关配套所需的信号,不需要的噪声的自适应滤波器调整系数降低的价值之间的差异y (k)和d (k),消除噪音,导致一个干净的信号e (k)。注意,在这个应用程序中,误差信号实际上收敛于输入数据信号,而不是收敛于零。

一个周期信号的预测,预测未来值

要求你做一些关键的假设预测信号。假设信号是稳定或缓慢变化随着时间的推移,随着时间的推移和周期性。

接受这些假设,自适应滤波器必须预测未来的期望信号值根据过去的价值观。当年代(k)定期和过滤器是足够长的时间来记住以前的值,这个结构与输入信号的延迟,可以执行的预测。您可以使用这种结构消除随机噪声信号的周期信号。

最后,注意感兴趣的大多数系统包含多个元素的四个自适应滤波器结构。仔细审查可能需要真正的结构来确定自适应滤波器是适应。

另外,清晰的数据,模拟数字(A / D)和数模转换(D / A)组件不出现。自适应滤波器在本质上是被认为是数字的,和许多问题产生模拟数据,转换的输入信号和模拟域可能是必要的。