msesim
适应性滤波器的估计平均平方误差
句法
描述
例子
LMS滤波器的均方误差预测
平均平方误差（MSE）测量所需信号和输入到自适应滤波器的主信号之间的错误的平均线的平均值。减少此误差会将主输入收敛到所需信号。使用瞬时确定MSE的预测值和MSE的模拟值MSEPRED.和msesim职能。彼此之间以及相对于所述最小MSE和稳态MSE值进行比较这些MSE值。此外，计算由所述系数协方差矩阵的迹给出的系数误差的平方的总和。
笔记：如果您使用R2016a或更早版本，取代每次调用具有同等步语法的对象。例如，obj（x）成为步骤（obj，x）。
初始化
创建一个dsp.firfilter.系统对象™表示未知系统。传递信号，X那到冷杉过滤器。未知系统的输出是所需的信号，D.，这是未知系统的输出（FIR滤波器）和附加噪声信号的和，N.。
num = fir1（31,0.5）;fir = dsp.firfilter（'分子'，NUM）;IIR = dsp.IIRFilter（'分子'，sqrt（0.75），......“分母”[1 -0.5]）;X = IIR（符号（randn（2000,25）））;N = 0.1 * randn（大小（X））;d =冷杉（X）+ N;
LMS过滤器
创建一个dsp.lmsfilter.系统对象创建适应输出所需信号的过滤器。将自适应滤波器的长度设置为32个抽头，步长到0.008，以及分析和模拟的抽取因子为5.变量辛马斯表示未知系统输出之间的模拟MSE，D.，以及自适应滤波器的输出。的变量均方误差给出相应的预测值。
L = 32;亩= 0.008;M = 5;LMS = dsp.LMSFilter（'长度'，l，'一步的大小'μ);均方误差(mmse, emse meanW, traceK] = msepred (lms, x, d, m);[simmse, meanWsim Wsim traceKsim] = msesim (lms, x, d, m);
绘制MSE结果
比较模拟MSE、预测MSE、最小MSE和最终MSE的值。最后的MSE值由最小MSE和超额MSE的和给出。
nn = m: m:大小(x, 1);simmse semilogy (nn,大小(x, 1) [0], [(emse + mmse)......（EMSE + MMSE）]，NN，MSE，[0大小（x，1）]，[mmse mmse]标题（'均匀的误差性能'）轴（[0尺寸（X，1）0.001 10]）图例（“MSE (Sim)。”那“最后的MSE”那MSE的那“最小MSE。”）Xlabel（'时间指数'）ylabel（'平方误差值'的）
预测MSE遵循相同的轨迹模拟的MSE。这两个轨迹收敛与稳态（最终）MSE。
画出系数轨迹
meanWsim由是给出的模拟系数的平均值msesim。meanW是由下式给出的预测系数的平均值MSEPRED.。
比较LMS滤波器系数12,13,14和15的模拟和预测的平均值。
情节（NN，meanWsim（：，12），'B'、神经网络、meanW (: 12),'r'，nn，......meanWsim（：，13:15），'B'，NN，meanW（：，13:15），'r'）绘图= {“平均系数轨迹”;......'W（12），W（13），W（14）和W（15）'}
PlotTitle =2x1细胞{'平均系数轨迹'}{'W(12)， W(13)， W(14)，和W(15)'}
标题（PlotTitle）图例（'模拟'那“理论”）Xlabel（'时间指数'）ylabel（“系数值”的）
在稳定状态下，轨迹都会收敛。
平方系数误差的总和
比较的平方系数误差的总和MSEPRED.和msesim。这些值由系数协方差矩阵的迹线给出。
半径（nn，traceksim，nn，tracek，'r')标题('平方的系数错误'）轴（[0尺寸（x，1）0.0001 1]）图例（'模拟'那“理论”）Xlabel（'时间指数'）ylabel（'平方误差值'的）
基于滤波XLMS滤波器的FIR滤波器系统辨识
通过使用滤波x LMS算法进行有源噪声控制来识别未知系统。自适应滤波器的目标是使自适应滤波器的输出与未知系统(或待识别系统)的输出之间的误差信号最小化。一旦误差信号最小，未知系统就收敛到自适应滤波器。
笔记：如果您使用R2016a或更早版本，取代每次调用具有同等步语法的对象。例如，obj（x）成为步骤（obj，x）。
初始化
创建一个dsp.firfilter.表示要标识的系统的系统对象。传递信号，X，到FIR筛选器。未知系统的输出是所需的信号，D.，这是未知系统的输出（FIR滤波器）和附加噪声信号的和，N.。
num = fir1（31,0.5）;fir = dsp.firfilter（'分子'，NUM）;IIR = dsp.IIRFilter（'分子'，sqrt（0.75），......“分母”[1 -0.5]）;X = IIR（符号（randn（2000,25）））;N = 0.1 * randn（大小（X））;d =冷杉（X）+ N;
自适应滤波器
创建一个dsp。FilteredXLMSFilter对象创建使用filter -x LMS算法的自适应滤波器。将自适应滤波器的长度设置为32个抽头，步长到0.008，以及分析和模拟的抽取因子为5.变量辛马斯表示未知系统输出之间的错误，D.，以及自适应滤波器的输出。
L = 32;亩= 0.008;M = 5;fxlms = dsp.filteredxlmsfilter（l，'一步的大小'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（分贝）'的）％画出学习曲线x滤波LMS滤波器％在系统识别用于标题('学习曲线'的）
随着适应的每次迭代，值辛马斯减少到最小值，表明未知系统已融合到自适应滤波器。
FIR滤波器的系统辨识自适应格型滤波器
笔记：如果您使用R2016a或更早版本，取代每次调用该对象具有同等一步句法。例如，obj（x）成为步骤（obj，x）。
公顷= FIR1（31,0.5）;FIR％系统识别fir = dsp.firfilter（'分子'，哈）;IIR = dsp.IIRFilter（'分子'，sqrt（0.75），......“分母”[1 -0.5]）;X = IIR（符号（randn（2000,25）））;％观察噪声信号N = 0.1 * randn（大小（X））;%期望信号d =冷杉(x) + n;％过滤器长度L = 32;分析％抽取因子％和仿真结果M = 5;ha = dsp.adaptivelatticefilter（l）;[Simmse，Meanwsim，WSIM，Traceksim] = MSesim（HA，X，D，M）;情节(m *(1:长度(simmse)), 10 * log10 (simmse));Xlabel（“迭代”）;ylabel（'MSE（分贝）'）;％绘制用于学习曲线%用于系统辨识的自适应格子滤波器标题('学习曲线'的）
基于块LMS滤波器的FIR滤波器系统辨识
笔记：如果您使用R2016a或更早版本，取代每次调用该对象具有同等一步句法。例如，obj（x）成为步骤（obj，x）。
0.5冷杉= fir1(31日);FIR％系统识别firFilter = dsp.FIRFilter（'分子'，冷杉）;iirFilter = dsp.IIRFilter（'分子'，sqrt（0.75），......“分母”[1 -0.5]）;X = iirFilter（符号（randn（2000,25）））;％观察噪声信号N = 0.1 * randn（大小（X））;%期望信号d = firFilter (x) + n;％过滤器长度L = 32;％块LMS步长亩= 0.008;分析％抽取因子％和仿真结果M = 32;冷杉= dsp.BlockLMSFilter（1,1-'一步的大小'μ);[Simmse，Meanwsim，WSIM，Traceksim] = MSesim（FIR，X，D，M）;情节(m *(1:长度(simmse)), 10 * log10 (simmse));Xlabel（“迭代”）;ylabel（'MSE（分贝）'）;％绘制学习曲线%块LMS滤波器用于系统识别标题('学习曲线'的）
使用仿射投影滤波器的FIR滤波器的系统识别
笔记：如果您使用R2016a或更早版本，取代每次调用该对象具有同等一步句法。例如，obj（x）成为步骤（obj，x）。
公顷= FIR1（31,0.5）;FIR％系统识别fir = dsp.firfilter（'分子'，哈）;IIR = dsp.IIRFilter（'分子'，sqrt（0.75），......“分母”[1 -0.5]）;X = IIR（符号（randn（2000,25）））;％观察噪声信号N = 0.1 * randn（大小（X））;%期望信号d =冷杉(x) + n;％过滤器长度L = 32;％仿射投影滤波器步长。亩= 0.008;分析％抽取因子％和仿真结果M = 5;apf = dsp.affineprojectionFilter（L，'一步的大小'μ);[simmse, meanWsim Wsim traceKsim] = msesim (apf, x, d, m);情节(m *(1:长度(simmse)), 10 * log10 (simmse));Xlabel（“迭代”）;ylabel（'MSE（分贝）'）;％绘制仿射投影滤波器的学习曲线％在系统识别用于标题('学习曲线'的）
输入参数
输出参数
参考文献
[1]海耶斯,M.H.统计数字信号处理和建模。纽约:约翰·威利父子公司，1996年。
也可以看看
职能
对象
您还可以从以下列表中选择一个网站：
