msesim
自适应滤波器的估计均方误差
语法
描述
例子
预测均方误差LMS滤波器
均方误差(MSE)措施平方的平均值之间的错误期望信号和主信号自适应滤波器的输入。减少这个误差收敛的主要期望信号的输入。确定MSE的预报值和模拟值的MSE每次即时使用msepred和msesim功能。相互比较这些MSE值和最小MSE和稳态均方误差值。此外,计算系数的平方误差的总和协方差矩阵系数的痕迹。
初始化
创建一个dsp.FIRFilter系统对象™代表未知的系统。通过信号,x,冷杉的过滤器。未知系统的输出所需的信号,d,这是未知的系统的输出的总和(冷杉过滤器)和加性噪声信号,n。
0.5 num = fir1(31日);冷杉= dsp.FIRFilter (“分子”,num);iir = dsp.IIRFilter (“分子”sqrt (0.75),…“分母”-0.5 [1]);x = iir(标志(randn(2000年25)));n = 0.1 * randn(大小(x));d =冷杉(x) + n;
LMS滤波器
创建一个dsp.LMSFilter系统对象创建一个过滤器,适应输出所需的信号。自适应滤波器的长度设置为32个水龙头,步长至0.008,5的大量毁灭因素分析和仿真。的变量simmse代表输出之间的模拟MSE未知的系统,d和自适应滤波器的输出。的变量均方误差给出了相应的预测价值。
l = 32;μ= 0.008;m = 5;lms = dsp.LMSFilter (“长度”l,“StepSize”μ);均方误差(mmse, emse meanW, traceK] = msepred (lms, x, d, m);[simmse, meanWsim Wsim traceKsim] = msesim (lms, x, d, m);
情节MSE的结果
模拟MSE的值进行比较,预测均方误差、最小均方误差,和最后的MSE。最后的MSE值是由最小MSE和多余的MSE的总和。
nn = m: m:大小(x, 1);simmse semilogy (nn,大小(x, 1) [0], [(emse + mmse)…(emse + mmse)], nn, mse,大小(x, 1) [0], [mmse mmse])标题(的均方误差性能)轴([0大小(x, 1) 0.001 10])传说(“MSE (Sim)。”,“最后的MSE”,MSE的,“最小MSE。”)包含(“时间指数”)ylabel (的平方误差值)
预测的模拟MSE MSE遵循相同的轨迹。这两个轨迹收敛与稳态均方误差(决赛)。
画出轨迹系数
meanWsim给出的是模拟系数的平均值msesim。meanW的预测系数的平均值msepred。
比较模拟和预测平均值LMS滤波器系数12日13、14和15。
情节(nn meanWsim (: 12),“b”、神经网络、meanW (: 12),“r”神经网络,…meanWsim (:, 13:15),“b”、神经网络、meanW (:, 13:15),“r”)PlotTitle = {“平均系数轨迹”;…“W W (12)、(13)、W(14)和W (15)}
PlotTitle =2 x1细胞{'平均系数轨迹}{“W W (12)、(13)、W(14)和W (15)}
标题(PlotTitle)传说(“模拟”,“理论”)包含(“时间指数”)ylabel (的系数值)
在稳定状态下,轨迹收敛。
平方系数之和的错误
比较的平方系数误差的总和msepred和msesim。这些值的协方差矩阵系数的踪迹。
traceK traceKsim semilogy(神经网络,神经网络,“r”)标题(“Sum-of-Squared系数错误”)轴([0大小(x, 1) 0.0001 1])传说(“模拟”,“理论”)包含(“时间指数”)ylabel (的平方误差值)
系统辨识的冷杉过滤器使用过滤xlm过滤器
确定一个未知的系统通过执行主动噪声控制使用filtered-x LMS算法。自适应滤波器的目标是最小化之间的误差信号自适应滤波器的输出和未知系统的输出(或系统被识别)。一旦误差信号很小,未知系统收敛于自适应滤波器。
初始化
创建一个dsp.FIRFilter对象代表了系统。通过信号,x冷杉过滤器。未知系统的输出所需的信号,d,这是未知的系统的输出的总和(冷杉过滤器)和加性噪声信号,n。
0.5 num = fir1(31日);冷杉= dsp.FIRFilter (“分子”,num);iir = dsp.IIRFilter (“分子”sqrt (0.75),…“分母”-0.5 [1]);x = iir(标志(randn(2000年25)));n = 0.1 * randn(大小(x));d =冷杉(x) + n;
自适应滤波器
创建一个dsp.FilteredXLMSFilter系统对象创建一个使用filtered-x LMS算法的自适应滤波器。自适应滤波器的长度设置为32个水龙头,步长至0.008,5的大量毁灭因素分析和仿真。的变量simmse代表未知系统的输出之间的误差,d和自适应滤波器的输出。
l = 32;μ= 0.008;m = 5;fxlms = dsp.FilteredXLMSFilter (l,“StepSize”μ);[simmse, meanWsim Wsim traceKsim] = msesim (fxlms, x, d, m);情节(m *(1:长度(simmse)), 10 * log10 (simmse))包含(“迭代”)ylabel (“MSE (dB)”)%绘制filtered-x LMS滤波器的学习曲线%用于系统辨识标题(“学习曲线”)
每次迭代的适应的价值simmse降低到最小值,表示未知的系统融合的自适应滤波器。
系统辨识的冷杉过滤器使用自适应网格过滤器
0.5公顷= fir1(31日);%冷杉系统识别冷杉= dsp.FIRFilter (“分子”,哈);iir = dsp.IIRFilter (“分子”sqrt (0.75),…“分母”-0.5 [1]);x = iir(标志(randn(2000年25)));%观测噪声信号n = 0.1 * randn(大小(x));%期望信号d =冷杉(x) + n;%滤波器长度l = 32;%大量毁灭的因素进行分析%和仿真结果m = 5;哈= dsp.AdaptiveLatticeFilter (l);[simmse, meanWsim Wsim traceKsim] = msesim(哈,x, d, m);情节(m *(1:长度(simmse)), 10 * log10 (simmse));包含(“迭代”);ylabel (“MSE (dB)”);%使用的学习曲线%的自适应网格过滤器用于系统辨识标题(“学习曲线”)
FIR滤波器使用块LMS滤波器的系统识别
0.5冷杉= fir1(31日);%冷杉系统识别firFilter = dsp.FIRFilter (“分子”、冷杉);iirFilter = dsp.IIRFilter (“分子”sqrt (0.75),…“分母”-0.5 [1]);x = iirFilter(标志(randn(2000年25)));%观测噪声信号n = 0.1 * randn(大小(x));%期望信号d = firFilter (x) + n;%滤波器长度l = 32;%块LMS步长μ= 0.008;%大量毁灭的因素进行分析%和仿真结果m = 32;冷杉= dsp.BlockLMSFilter (l,“StepSize”μ);[simmse, meanWsim Wsim traceKsim] = msesim(冷杉,x, d, m);情节(m *(1:长度(simmse)), 10 * log10 (simmse));包含(“迭代”);ylabel (“MSE (dB)”);%绘制学习曲线%块LMS滤波器用于系统辨识标题(“学习曲线”)
系统辨识的冷杉滤波器使用仿射投影滤波器
0.5公顷= fir1(31日);%冷杉系统识别冷杉= dsp.FIRFilter (“分子”,哈);iir = dsp.IIRFilter (“分子”sqrt (0.75),…“分母”-0.5 [1]);x = iir(标志(randn(2000年25)));%观测噪声信号n = 0.1 * randn(大小(x));%期望信号d =冷杉(x) + n;%滤波器长度l = 32;%仿射投影滤波步长。μ= 0.008;%大量毁灭的因素进行分析%和仿真结果m = 5;apf = dsp.AffineProjectionFilter (l,“StepSize”μ);[simmse, meanWsim Wsim traceKsim] = msesim (apf, x, d, m);情节(m *(1:长度(simmse)), 10 * log10 (simmse));包含(“迭代”);ylabel (“MSE (dB)”);%的情节学习曲线的仿射投影过滤器%用于系统辨识标题(“学习曲线”)
输入参数
输出参数
引用
[1]海耶斯,M.H.统计数字信号处理和建模。纽约:约翰·威利& Sons, 1996。
版本历史
介绍了R2012a
