自适应滤波器
DSP系统工具箱™提供了几种不同的LMS和RLS自适应有限脉冲响应(杉木)滤波器算法。虽然这些算法的不同之处在于细节,他们共享一个共同的操作方法,即最小化误差自适应滤波器的输出和期望的信号。均方误差(MSE)是最常用的指标量化这个错误。自适应滤波器广泛应用于多个应用程序包括隔音降噪、回波消除、波束形成、系统识别、生物医学信号增强,均衡的沟通渠道,等为例子说明其中的一些应用程序,看看系统辨识的冷杉过滤器使用LMS算法,噪声取消使用Sign-Data LMS算法,逆系统识别利用RLS算法。
当输入是彩色的,仿射投影自适应滤波器算法提供的dsp.AffineProjectionFilter
在LMS对象显著提高收敛速度变化。增加计算成本、自适应格提供的滤波算法dsp.AdaptiveLatticeFilter
对象可以提供更好的收敛LMS和RLS同行。你也可以实现一个自适应数字滤波器在频域中使用dsp.FrequencyDomainAdaptiveFilter
对象。
对象
dsp.BlockLMSFilter |
计算输出,错误,和重量使用块LMS自适应算法 |
dsp.LMSFilter |
计算输出,错误,和LMS自适应滤波器的权重 |
dsp.RLSFilter |
计算输出,错误和系数使用递归最小二乘(RLS)算法 |
dsp.AffineProjectionFilter |
计算输出,错误和系数使用仿射投影(AP)算法 |
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 |
计算输出,错误,并使用频域FIR自适应滤波器系数 |
块
主题
- 自适应滤波器和应用程序的概述
一般讨论自适应滤波器的工作原理,自适应滤波器的算法在DSP系统工具箱,收敛性能,和一些常见的应用程序的细节。
- 系统辨识的冷杉过滤器使用LMS算法
确定一个未知的系统使用LMS算法。
- 系统辨识的冷杉过滤器使用归一化LMS算法
使用归一化LMS算法确定一个未知的系统。
- 比较收敛性能之间的LMS算法和归一化LMS算法
比较的速度自适应滤波器算法收敛。
- 信号增强使用LMS和NLMS算法
介绍了自适应信号增强应用程序通过一个过滤器。
- 噪声取消使用Sign-Data LMS算法
使用sign-data LMS算法进行降噪。
- 使用RLS自适应滤波系统识别
这个例子展示了如何使用一个递归最小二乘(RLS)过滤器来确定一个未知的系统建模与低通滤波器。
- 逆系统识别利用RLS算法
使用dsp.RLSFilter执行逆系统识别。
- 比较RLS和LMS自适应滤波器算法
RLS算法和LMS自适应滤波器算法的比较。
- 适应多个过滤器使用LMS更新块
适应多个过滤器独立使用相同的LMS更新块。使用LMS的适应港口更新阻止选择性地启用或禁用过滤器被改编。
- 模型使用LMS自适应线性组合器更新块
使用LMS更新块作为自适应线性组合器。
- 去除低频噪声仿真软件使用归一化LMS自适应滤波器金宝app
设计一个归一化LMS自适应滤波器,并用它来消除低频噪声模型金宝app®。
- 在仿真软件使用归一化LMS自适应滤波器降噪金宝app
删除生成有色噪声的声学环境,使用归一化LMS自适应滤波器。
- 适应信号支持DSP系统对象金宝app
支持的系统对象列表大小可变的信号在DSP系统工具箱。金宝app