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。
请注意:如果您使用的是R2016a或更早的版本中,用相同的步骤替换每个调用对象的语法。例如,obj (x)
就变成了步骤(obj, x)
。
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。
请注意:如果您使用的是R2016a或更早的版本中,用相同的步骤替换每个调用对象的语法。例如,obj (x)
就变成了步骤(obj, x)
。
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
请注意:如果您使用的是R2016a或更早的版本中,用等效替换每个调用对象一步
语法。例如,obj (x)
就变成了步骤(obj, x)
。
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
请注意:如果您使用的是R2016a或更早的版本中,用等效替换每个调用对象一步
语法。例如,obj (x)
就变成了步骤(obj, x)
。
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
请注意:如果您使用的是R2016a或更早的版本中,用等效替换每个调用对象一步
语法。例如,obj (x)
就变成了步骤(obj, x)
。
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
adaptFilt
- - - - - -自适应滤波器系统对象™
自适应滤波器系统对象
x
- - - - - -输入信号
标量|列向量|矩阵
输入信号,指定为一个标量,列向量或矩阵。矩阵的列x
包含单个输入信号序列。输入,x
所需的信号,d
,必须有相同的大小和数据类型。
如果adaptFilt
是一个dsp.BlockLMSFilter
对象,输入信号帧尺寸必须大于或等于指定的值BlockSize
对象的属性。
数据类型:单
|双
d
- - - - - -期望信号
标量|列向量|矩阵
期望的响应信号,指定为一个标量,列向量或矩阵。矩阵的列d
包含个人期望信号序列。输入,x
所需的信号,d
,必须有相同的大小和数据类型。
如果adaptFilt
是一个dsp.BlockLMSFilter
系统对象,期望信号帧大小必须大于或等于指定的值BlockSize
对象的属性。
数据类型:单
|双
输出参数
meanw
——的系数向量序列的意思
矩阵
自适应滤波器的系数向量序列意味着每次即时,估计为一个矩阵。这个矩阵的列包含估计的自适应滤波器系数的平均值在每个瞬间的时间。
如果自适应滤波器dsp.BlockLMSFilter
和大量毁灭因素米
指定的尺寸吗meanw
楼(米/ m)——-N。米帧大小(行数)的输入信号,x
。N滤波器权重向量的长度,指定的吗长度
自适应滤波器的特性。如果米
没有指定的尺寸吗meanw
楼(M / B)———N,在那里B是你指定的吗BlockSize
对象的属性。输入信号帧尺寸必须大于或等于指定的值BlockSize
对象的属性。大量毁灭因素,如果指定,必须的倍数BlockSize
财产。
对于其他自适应滤波器,如果大量毁灭的因素,米
= 1的尺寸meanw
是米——- - - - - -N。如果米
> 1的尺寸meanw
楼(米/ m)——-N。
数据类型:双
w
——最后的值自适应滤波器系数
行向量
最后的值相对应的算法的自适应滤波器系数adaptFilt
,返回一个行向量。行向量的长度等于中指定的值长度
对象的属性。
数据类型:单
|双
tracek
——总系数误差序列的权力
列向量
总系数误差序列,估计为一个列向量。这个列向量包含总系数误差的估计的自适应滤波器在每个瞬间的时间。
如果自适应滤波器dsp.BlockLMSFilter
和大量毁灭因素米
指定的长度吗tracek
= (米/ m)。米帧大小(行数)的输入信号,x
。如果米
没有指定的长度吗tracek
= (M / B),B是你指定的吗BlockSize
对象的属性。输入信号帧尺寸必须大于或等于指定的值BlockSize
对象的属性。大量毁灭因素,如果指定,必须的倍数BlockSize
财产。
对于其他自适应滤波器,如果大量毁灭的因素,米
= 1的长度tracek
等于输入信号的帧大小。如果米
> 1的长度tracek
= (米/ m)。
数据类型:双
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
Abrir比如
这种版本modificada德埃斯特比如。害怕Desea abrir埃斯特比如con sus modificaciones吗?
第一de MATLAB
Ha事实clic en联合国围绕此时一个埃斯特第一de MATLAB:
Ejecute el第一introduciendolo en la ventana de第一de MATLAB。洛杉矶navegadores网络没有admiten第一de MATLAB。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。