dsp。FrequencyDomainAdaptiveFilter
使用频域CIR自适应滤波器计算输出，错误和系数
描述
这dsp。FrequencyDomainAdaptiveFilter系统对象™使用快速块最小均方（LMS）算法在频域中实现自适应有限脉冲响应（FIR）滤波器。这长度和BlockLength属性指定滤波器长度和块长度值算法使用。这Fftcoeffients.属性包含当前滤波器系数的离散傅立叶变换。该对象提供具有分区和非分区模式的算法的受约束和无约束版本。有关详细信息，请参阅算法．
使用频率域FIR自适应滤波器过滤信号：
创建
dsp。FrequencyDomainAdaptiveFilter对象，并设置其属性。使用参数调用对象，就像调用函数一样。
要了解有关系统对象如何工作的更多信息，请参阅什么是系统对象?．
创建
句法
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）长度物业设为len．
FDAF.= dsp。FrequencyDomainAdaptiveFilter (___那名称，价值）
fdaf = dsp.FrequencyDomainAdaptiveFilter(“长度”,32岁的“StepSize”,0.1)模拟频域自适应滤波器，长度为32个抽头，台阶尺寸为0.1。
属性
用法
描述
输入参数
输出参数
对象功能
要使用对象函数，请将System对象指定为第一个输入参数。例如，要发布命名的系统对象的系统资源obj.，使用此语法：
释放（obj）
例子
带FIR滤波器的QPSK自适应均衡
传输正交相移键控(QPSK)信号通过一个噪声传输信道。使用频域自适应滤波器最小化接收信号中的噪声。
笔记：如果您使用的是R2016A或早期版本，请使用等效步骤语法替换对对象的每个调用。例如，obj (x)成为步骤(obj, x)．
QPSK信号,年代,在嘈杂的频道上传输。通道的分子和分母系数包含在向量中B.和一种， 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．自适应滤波器用于从接收的嘈杂输入中提取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];ntr = 1024;s = sign（randn（1，ntr + d））+ 1i * sign（randn（1，ntr + d））;n = 0.1 *（Randn（1，NTR + D）+ 1I * RANDN（1，NTR + D））;r =滤波器（b，a，s）+ n;X = R（1 + D：NTR + D）;d = s（1：ntr）;
创建一个dsp。FrequencyDomainAdaptiveFilter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，并访问该对象的FFTCoefficients属性。
mu = 0.1;fdaf = dsp.frequencyDomainAdaptiveFilter（“长度”32岁的“StepSize”，亩）;[y，e] = fdaf（x，d）;fftcoeffs = fdaf.fftcoefficents
fftcoeffs =1×64复合物0.6802 - 0.6847I -0.2485 - 0.9427I -0.9675 - 0.2123I -0.5605 + 0.8002i 0.5748 + 0.7593I 0.8541 - 0.3917I -0.2526 - 0.9022I -0.9298 + 0.1255I 0.0181 + 0.05111 0.9207 + 0.0511I 0.1063 -0.。8919 - 0.1829i -0.2668 + 0.9113i 0.9215 + 0.3186i 0.3417 - 0.8859i -0.8285 - 0.3760i -0.4317 + 0.8200i 0.8741 + 0.4765i 0.4874 - 0.9075i -0.8517 - 0.4774i -0.4709 + 0.7632i 0.7468 + 0.4833i 0.5193 - 0.7995i -0.8218 - 0.5649i -0.5908 + 0.7768i 0.7316 + 0.5866i 0.5806 - 0.7270i -0.7148 - 0.5998i -0.6287 + 0.6702i 0.6575 + 0.6379i 0.6332 - 0.7153i -0.7659 - 0.6424i -0.6678 + 0.7294i 0.6536 + 0.6891i 0.7006 - 0.6333i -0.6594 - 0.7117i -0.7207 + 0.6517i 0.6031 + 0.7239i 0.7362 - 0.5776i -0.5869 - 0.7682i -0.7975 + 0.5789i 0.5449 + 0.7992i 0.7909 - 0.5343i -0.5512 - 0.8070i -0.8392 + 0.5338i 0.4605 + 0.8493i 0.8358 - 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。
图（1：NTR，Real（[D; Y; e]））传奇（'想要'那'输出'那'错误')标题('同步组件')包含(“时间指数”）;ylabel ('信号值'）
图（1：NTR，IMAG（[D; Y; E]））传奇（'想要'那'输出'那'错误')标题('正交组件')包含(“时间指数”) ylabel ('信号值'）
创建接收信号的散点图和所需信号。
绘图（x（NTR-100：NTR），'。')轴([-3 3 -3])标题('接收信号散射图'）轴（“广场”)包含('真的[x]') ylabel (图像放大[x]”网格)在
绘图（D（NTR-100：NTR），'。')轴([-3 3 -3])标题('所需的信号散点图'）轴（“广场”)包含('真的[Y]') ylabel ('Imag [Y]'网格)在
自适应滤波器均衡接收信号以消除噪声。绘制均衡信号的散点图。
绘图（y（ntr-100：ntr），'。')轴([-3 3 -3])标题('均等的信号散射图'）轴（“广场”)包含('真的[Y]') ylabel ('Imag [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来估计长源滤波器的系数。FIR滤波器模拟房间的脉冲响应。使用频域自适应滤波器中的分区模式以降低过滤延迟。
注意: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对象,房间．该对象模拟了房间的脉冲响应。创建一个dsp。FrequencyDomainAdaptiveFilter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A.dsp.arrayplot.对象以查看滤波器系数。初始化A.Timescope.对象显示滤波器输出和所需信号之间的平均平均误差。
fs = 16e3;m = 8192;[B，A] = Cheby2（4,20，[0.1 0.7]）;脉冲响应天才= dsp.iirfilter（．..'分子'，[零（1,6）b]，．..“分母”， 一种）;roomimpulseresponse =阻止响应atchentenerator（．..(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”那“分区限制FDAF”那．..“长度”米/ 4．..'blockLength'，128，．..“StepSize”, 0.025,．..“InitialPower”, 0.01,．..“AveragingFactor”，0.98，．..“抵消”, 1．..'泄漏就能'1);FrameSize = lmsfilt.BlockLength;硝石= 2000;美联社= dsp。ArrayPlot ('ylimits'，[ - 0.2 .2]，'陈旧',真的,．..'位置'，[0 560 420]，'ChannelNames'那．..{“实际系数”那'估计系数'}）;TS = timescope (“SampleRate”，fs，'timespansource'那'财产'那．..“时间间隔”，框架* niter / fs，．..“TimeUnits”那'秒'那．..'ylimits'，[ - 50 0]，'标题'那'学习曲线'那．..“YLabel”那“数据库”那．..'bufferLength'，框架* niter，．..'showgrid'，真的）;signalmean = dsp.movingaverage（'specifywindowlength'、假);
流媒体
使用该方法生成随机输入信号randn功能。输入的帧大小与自适应滤波器的块长度匹配。所需信号是FIR滤波器（室）的输出和白色高斯噪声信号的总和。将输入信号和所需信号传递给自适应滤波器。计算自适应滤波器输出和输出和所需信号之间的误差。
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。Fftcoeffients.财产。将估计系数与分配给FIR滤波器的实际系数进行比较(房间)。一旦自适应滤波器的输出收敛到期望的信号，并使误差信号最小化，估计的系数就与实际系数紧密匹配。这意味着自适应滤波器成功地适应了FIR滤波器(室)的脉冲响应模型。
为了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:FrameSize) + w(:，FrameSize+1:end);w =重塑(w。',1 m / 4);美联社([roomImpulseResponse (1: m / 4)、w。');TS (10 * log10 (signalmean (abs (e) ^ 2)));结尾
由于滤波器适应时间，您可以看到，在时间范围内，均方误差变得最小。同时，在阵列图中，估计的系数与实际系数吻合较好。
算法
频域自适应过滤由三个步骤 - 过滤，误差估计和抽头重量自适应组成。此算法使用重叠保存或重叠添加方法在频域中实现FIR滤波。有关这两种方法的更多实施细节，请参阅算法部分的dsp。FrequencyDomainFIRFilter对象页面。使用快速块LMS算法（FBLM）来实现误差估计和抽头权重自适应。
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。
在哪里：
N——滤波器长度
L.- 块长度
μ.- 步骤尺寸参数
x（n）- 输入信号
x（k）- 变换频域中的输入信号
D（n）- 期望的信号
e（n）- 所需信号与滤波器输出之间的误差
e（n）——频域变换误差信号
w（k）- 频域中的敲击重量矢量
有关如何估计错误和挖掘权重的更多详细信息，请参阅[2]．
参考
[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。,自适应过滤器：理论和应用，奇斯特，英国，Wiley，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论文集，卷。28,1966，第229-233页。
扩展功能
也可以看看
对象
dsp.adaptivelatticefilter.|dsp.affineProightfilter.|dsp。FastTransversalFilter|dsp。FilteredXLMSFilter|dsp。FIRFilter|dsp。FrequencyDomainFIRFilter|dsp.lmsfilter.|dsp.rlsfilter.
块
您还可以从以下列表中选择一个网站：
