自适应滤波器
DSP System Toolbox™提供了几种LMS和RLS自适应有限脉冲响应(FIR)滤波器算法。虽然这些算法在细节上有所不同，但它们都有一个共同的操作方法，即最小化自适应滤波器输出和期望信号之间的误差差异。均方误差(MSE)是量化这一误差最常用的指标。自适应滤波器广泛应用于声学噪声消除、回声消除、波束形成、系统识别、生物医学信号增强、通信信道均衡等多个领域。有关这些应用程序的示例，请参见基于LMS算法的FIR滤波器系统辨识，用符号数据LMS算法消除噪声,基于RLS算法的系统逆辨识．
当输入信号上色时，采用仿射投影自适应滤波算法dsp。AffineProjectionFilter目标的收敛速度明显优于LMS的收敛速度。针对计算成本增加的问题，提出了自适应格子滤波算法dsp。AdaptiveLatticeFilter对象可以比LMS和RLS提供更好的收敛性。您也可以实现自适应FIR滤波器在频域使用dsp。FrequencyDomainAdaptiveFilter对象。
对象
dsp。BlockLMSFilter |
使用块LMS自适应算法计算输出、误差和权重 |
dsp。LMSFilter |
计算LMS自适应滤波器的输出、误差和权值 |
dsp。RLSFilter |
使用递归最小二乘(RLS)算法计算输出、误差和系数 |
dsp。AffineProjectionFilter |
使用仿射投影(AP)算法计算输出，误差和系数 |
dsp。AdaptiveLatticeFilter |
自适应网格过滤器 |
dsp。FastTransversalFilter |
快速横向最小二乘FIR自适应滤波器 |
dsp。FilteredXLMSFilter |
过滤xlm过滤器 |
dsp。FrequencyDomainAdaptiveFilter |
使用频域FIR自适应滤波器计算输出，误差和系数 |
dsp。KalmanFilter |
使用卡尔曼滤波器估计系统的测量和状态 |
块
主题
一般讨论自适应滤波器的工作原理，DSP系统工具箱中的自适应滤波器算法列表，收敛性能，以及一些常见应用的细节。
使用LMS算法识别未知系统。
使用归一化LMS算法识别未知系统。
比较了自适应滤波算法的收敛速度。
介绍自适应滤波器通过信号增强的应用。
使用符号-数据LMS算法进行噪声消除。
RLS和LMS自适应滤波算法的比较。
使用dsp.RLSFilter执行反系统识别。
利用归一化LMS自适应滤波器去除Simulink中的低频噪声金宝app
设计一个归一化LMS自适应滤波器，并在Simulink中使用它来消除低频噪声金宝app®．
基于归一化LMS自适应滤波器的Simulin金宝appk噪声消除
使用归一化LMS自适应滤波器去除声音环境中产生的有色噪声。
在DSP系统工具箱中支持可变大小信号的系统对象列表。金宝app
相关信息
特色的例子
你也可以从以下列表中选择一个网站:
