dsp。LMSFilter

计算LMS自适应滤波器的输出、误差和权重

展开全部页面

描述

的dsp。LMSFilter系统对象™实现了一个自适应有限脉冲响应(FIR)滤波器，该滤波器使用以下算法之一将输入信号收敛到所需信号:

LMS
归一化LMS
Sign-Data LMS
符号误差LMS
Sign-Sign LMS

有关这些方法的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">算法．

滤波器调整其权重，直到主输入信号和期望信号之间的误差最小。该误差(MSE)的均方计算使用<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter.msesim.html">msesim函数。中使用维纳滤波器确定MSE的预测版本<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter.msepred.html">msepred函数。的<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter.maxstep.html">maxstep函数计算最大自适应步长，该步长控制收敛速度。

有关自适应滤波器方法的概述，以及自适应滤波器的最常见应用，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ug/overview-of-adaptive-filters-and-applications.html" class="a">自适应滤波器及其应用概述．

使用自适应FIR滤波器对信号进行滤波:

创建dsp。LMSFilter对象并设置其属性。
使用参数调用对象，就像调用函数一样。

有关系统对象如何工作的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/matlab/matlab_prog/what-are-system-objects.html" class="a">什么是系统对象?

在特定条件下，这个System对象还支持SIMD代码生成。金宝app详细信息请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">代码生成．

创建

语法

LMS = dsp。LMSFilter

lms = dsp.LMSFilter(L)

lms = dsp.LMSFilter(名称，值)

描述

例子

lms= dsp。LMSFilter返回一个LMS过滤器对象，lms，该算法使用最小均方(LMS)算法计算滤波输出、滤波误差以及给定输入和期望信号的滤波权重。

例子

LMS = dsp。LMSFilter (l）返回一个LMS筛选器对象<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">长度属性设置为l．

例子

LMS = dsp。LMSFilter (名称,值）返回一个LMS筛选器对象，其中每个指定属性都设置为指定值。将每个属性名用单引号括起来。您可以将此语法与前面的input参数一起使用。

属性

全部展开

除非另有说明，属性为nontunable，这意味着在调用对象后不能更改它们的值。对象在调用时锁定，而<一个href="//www.tatmou.com/in/in/help/matlab/ref/matlab.system.releasesystemobject.html">释放功能解锁它们。

如果属性为可调，您可以随时更改其值。

有关更改属性值的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/matlab/matlab_prog/system-design-in-matlab-using-system-objects.html" class="a">使用系统对象的MATLAB系统设计．

`方法`- - - - - -方法来计算过滤器权重
`“LMS”`(默认)|`“归一化LMS”`|`“Sign-Data LMS”`|`“符号误差LMS”`|`“Sign-Sign LMS”`

方法来计算过滤器权重，指定为以下之一:

“LMS”——求解Wiener-Hopf方程，并找到自适应滤波器的滤波器系数。
“归一化LMS”——LMS算法的归一化变化。
“Sign-Data LMS”——每次迭代时对滤波器权重的修正取决于输入的符号x．
“符号误差LMS”每次迭代对当前滤波器权重的修正取决于错误的符号，犯错．
“Sign-Sign LMS”-修正应用到当前滤波器权重的每一个连续迭代取决于的符号x而符号犯错．

有关算法的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">算法．

`长度`- - - - - -FIR滤波器权重向量的长度
`32`(默认)|正整数

FIR过滤器权重向量的长度，指定为正整数。

例子:64

例子:16

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`StepSizeSource`- - - - - -方法指定自适应步长
`“属性”`(默认)|`输入端口的`

方法指定自适应步长，指定为以下之一:

“属性”——财产<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">StepSize指定每个自适应步骤的大小。
输入端口的——指定自适应步长作为对象的输入之一。

`StepSize`- - - - - -自适应步长
`0．1`(默认)|非负的标量

自适应步长因子，指定为非负标量。为了使归一化LMS方法收敛，步长必须大于0且小于2。

较小的步长可确保输出之间的稳态误差较小<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">y以及期望的信号<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">d．步长越小，滤波器的收敛速度越慢。为了提高收敛速度，可以增大步长。注意，如果步长很大，过滤器会变得不稳定。要计算过滤器在不变得不稳定的情况下可以接受的最大步长，请使用<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter.maxstep.html">maxstep函数。

可调:是的

依赖关系

设置时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">StepSizeSource来“属性”．

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`LeakageFactor`- - - - - -泄漏LMS法中使用的泄漏因子
`1`(默认)|`[0 1]`

实现泄漏LMS方法时使用的泄漏因子，指定为范围内的标量[0 1]．当该值为1时，自适应方法不存在泄漏。当该值小于1时，过滤器实现泄漏LMS方法。

例子:0．5

可调:是的

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`InitialConditions`- - - - - -滤波器权值的初始条件
`0`(默认)|标量|向量

过滤器权重的初始条件，指定为长度等于值的标量或向量<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">长度财产。当输入为实数时，此属性的值必须为实数。

例子:0

例子:[1 3 1 2 7 8 9 0 2 2 8 2]

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64
复数支持:金宝app是的

`AdaptInputPort`- - - - - -标记以适应过滤器权重
`假`(默认)|`真正的`

标志，以适应过滤器权重，指定为以下之一:

假——对象持续更新过滤器权重。
真正的—当您调用对象的算法时，将向对象提供一个自适应控制输入。如果此输入的值非零，则对象将不断更新筛选器权重。如果该输入的值为零，则过滤器权重保持在当前值。

`WeightsResetInputPort`- - - - - -标志以重置筛选器权重
`假`(默认)|`真正的`

标志，用于重置筛选器权重，指定为以下之一:

假—该对象不重置权重。
真正的当你调用对象的算法时，一个重置控制输入被提供给对象。此设置启用<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">WeightsResetCondition财产。属性的值重置筛选器权重WeightsResetCondition属性和提供给对象算法的重置输入。

`WeightsResetCondition`- - - - - -事件来重置筛选器权重
`“零”`(默认)|`“前沿”`|`的下降沿`|`“要么边缘”`

事件，触发过滤器权重的重置，指定为下列之一。对象只要在其重置输入中检测到重置事件，就重置筛选器权重。

“零”——当复位输入不为零时，在每个采样点触发复位操作。
“前沿”——当重置输入执行以下操作之一时触发重置操作:
- 从负值上升到正值或零。
- 从0上升到一个正值，其中的上升不是从负值上升到零的延续。
的下降沿——当重置输入执行以下操作之一时触发重置操作:
- 从正值下降到负值或零。
- 从0下降到负值，其中下降不是从正值下降到0的延续。
“要么边缘”——当重置输入是上升边或下降边时触发重置操作。

对象根据此属性的值和重置输入重置筛选器权重r提供给对象算法。

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">WeightsResetInputPort财产真正的．

`WeightsOutput`- - - - - -方法输出自适应的过滤器权重
`“最后一次”`(默认)|`“没有”`|`“所有”`

方法输出自适应过滤器权重，指定为以下之一:

“最后一次”(默认值)-对象返回与数据帧的最后一个样本对应的权重列向量。权重向量的长度是由<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">长度财产。
“所有”—对象返回FrameLength——- - - - - -长度权重矩阵。矩阵对应于所有权重的完整抽样历史FrameLength输入值的示例。矩阵中的每一行对应于一组为相应输入样本计算的LMS过滤器权重。
“没有”—禁用权重输出。

定点属性

`RoundingMethod`- - - - - -定点运算的舍入方法
`“地板”`(默认)|`“天花板”`|`“收敛”`|`“最近的”`|`“圆”`|`“简单”`|`“零”`

为定点操作指定舍入模式。详情请参见<一个href="//www.tatmou.com/in/in/help/dsp/ug/concepts-and-terminology.html" class="a">舍入模式．

`OverflowAction`- - - - - -用于定点操作的溢出动作
`“包装”`(默认)|`“饱和”`

定点操作的溢出动作，指定为下列之一:

“包装”对象包装其定点操作的结果。
“饱和”——对象使其定点操作的结果饱和。

有关溢出操作的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ug/concepts-and-terminology.html" class="a">溢出模式用于定点运算。

`StepSizeDataType`- - - - - -步长、字长和分数长度设置
`“与第一次输入的单词长度相同”`(默认)|`“自定义”`

步长字长和分数长度设置，指定为以下之一:

“与第一次输入的单词长度相同”——该对象指定步长的字长与第一个输入的字长相同。分数长度的计算是为了获得最好的精度。
“自定义”方法将步长数据类型指定为自定义数字类型<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">CustomStepSizeDataType财产。

有关此对象使用的步长数据类型的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">不动点部分。

`CustomStepSizeDataType`- - - - - -步长字和分数长度
`numerictype([], 16岁,15)`(默认)

步长的字长和分数长，指定为自签名数字类型，字长为16，分数长为15。

例子:numerictype ([], 32)

依赖关系

此属性适用于以下条件:

StepSizeSource属性设置为“属性”而且<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">StepSizeDataType设置为“自定义”．
StepSizeSource属性设置为输入端口的．

`LeakageFactorDataType`- - - - - -泄漏因子字长和分数长度设置
`“与第一次输入的单词长度相同”`(默认)|`“自定义”`

泄漏因子字长和分数长度设置，指定为以下之一:

“与第一次输入的单词长度相同”——对象指定泄漏因子的字长与第一个输入的字长相同。分数长度的计算是为了获得最好的精度。
“自定义”方法将泄漏因子数据类型指定为自定义数字类型<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">CustomLeakageFactorDataType财产。

有关此对象使用的泄漏因子数据类型的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">不动点部分。

`CustomLeakageFactorDataType`- - - - - -泄漏因子的字和分数长度
`numerictype([], 16岁,15)`(默认)

泄漏因子的字和分数长度，指定为自签名数字类型，字长度为16，分数长度为15。

例子:numerictype ([], 32)

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">LeakageFactorDataType财产“自定义”．

`WeightsDataType`- - - - - -加权字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

加权字长和分数长度设置，指定为以下之一:

“与第一次输入相同”——对象指定过滤器权重的数据类型与第一个输入的相同。
“自定义”方法将筛选器权重的数据类型指定为自定义数字类型<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">CustomWeightsDataType财产。

有关此对象使用的筛选器权重数据类型的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">不动点部分。

`CustomWeightsDataType`- - - - - -滤波器权重的字长度和分数长度
`numerictype([], 16岁,15)`(默认)

过滤器权重的单词和分数长度，指定为自签名数字类型，单词长度为16，分数长度为15。

例子:numerictype([], 32岁,20)

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">WeightsDataType财产“自定义”．

`EnergyProductDataType`- - - - - -能源产品字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

能源产品字长和分数长度设置，指定为以下之一:

“与第一次输入相同”——对象指定能量乘积的数据类型与第一次输入的数据类型相同。
“自定义”方法将能源积的数据类型指定为自定义数字类型<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">CustomEnergyProductDataType财产。

有关此对象使用的能源产品数据类型的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">不动点部分。

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">方法财产“归一化LMS”．

`CustomEnergyProductDataType`- - - - - -能量积的字和分数长度
`numerictype([], 32岁,20)`(默认)

能量积的字和分数长度，指定为自签名数字类型，字长度为32，分数长度为20。

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">方法财产“归一化LMS”而且<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">EnergyProductDataType财产“自定义”．

`EnergyAccumulatorDataType`- - - - - -能量蓄能器字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

能量累加器字长和分数长度设置，指定为以下之一:

“与第一次输入相同”——对象指定能量蓄能器的数据类型与第一个输入的数据类型相同。
“自定义”方法将能量累加器的数据类型指定为自定义数字类型<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">CustomEnergyAccumulatorDataType财产。

有关此对象使用的能量蓄能器数据类型的详细信息，请参阅<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">不动点部分。

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">方法财产“归一化LMS”．

`CustomEnergyAccumulatorDataType`- - - - - -蓄能器的字和分数长度
`numerictype([], 32岁,20)`(默认)

能量蓄能器的字和分数长度，指定为自签名数字类型，字长度为32，分数长度为20。

依赖关系

`ConvolutionProductDataType`- - - - - -卷积乘积字长和分数长度的设置
`“与第一次输入相同”`(默认)|`“自定义”`

卷积积字长和分数长度设置，指定为以下之一:

“与第一次输入相同”——对象指定卷积积的数据类型与第一个输入的数据类型相同。
“自定义”函数将卷积积的数据类型指定为自定义数值类型<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">CustomConvolutionProductDataType财产。

有关此对象使用的卷积积数据类型的更多信息，请参阅<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">不动点部分。

`CustomConvolutionProductDataType`- - - - - -卷积积的字长和分数长
`numerictype([], 32岁,20)`(默认)

卷积积的字长和分数长，指定为自签名数字类型，字长为32，分数长为20。

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">ConvolutionProductDataType财产“自定义”．

`ConvolutionAccumulatorDataType`- - - - - -卷积累加器字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

卷积累加器字长和分数长度设置，指定为以下之一:

“与第一次输入相同”——对象指定卷积累加器的数据类型与第一个输入的数据类型相同。
“自定义”函数将卷积累加器的数据类型指定为自定义数字类型<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">CustomConvolutionAccumulatorDataType财产。

有关此对象使用的卷积累加器数据类型的更多信息，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">不动点部分。

`CustomConvolutionAccumulatorDataType`- - - - - -卷积累加器的字长度和分数长度
`numerictype([], 32岁,20)`(默认)

卷积累加器的字和分数长度，指定为自签名数字类型，字长度为32，分数长度为20。

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">ConvolutionAccumulatorDataType财产“自定义”．

`StepSizeErrorProductDataType`- - - - - -步长误差乘积字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

步长错误乘积字长和分数长度设置，指定为以下之一:

“与第一次输入相同”——该对象指定步长误差积的数据类型与第一个输入的数据类型相同。
“自定义”方法将步长错误乘积的数据类型指定为自定义数字类型<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">CustomStepSizeErrorProductDataType财产。

有关此对象使用的步长错误产品数据类型的详细信息，请参阅<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">不动点部分。

`CustomStepSizeErrorProductDataType`- - - - - -步长误差积的字长度和分数长度
`numerictype([], 32岁,20)`(默认)

步长误差乘积的字长和分数长度，指定为自签名数字类型，字长为32，分数长度为20。

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">StepSizeErrorProductDataType财产“自定义”．

`WeightsUpdateProductDataType`- - - - - -过滤器权重更新产品字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

过滤器权重的字和分数长度设置更新产品，指定为以下之一:

“与第一次输入相同”——对象指定过滤器权重更新产品的数据类型与第一个输入的数据类型相同。
“自定义”方法将过滤器权重更新产品的数据类型指定为自定义数字类型<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">CustomWeightsUpdateProductDataType财产。

有关此对象使用的过滤器权重更新产品数据类型的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">不动点部分。

`CustomWeightsUpdateProductDataType`- - - - - -字和分数长度的过滤器权重更新产品
`numerictype([], 32岁,20)`(默认)

过滤器权重的单词和分数长度更新产品，指定为一个自签名数字类型，单词长度为32，分数长度为20。

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">WeightsUpdateProductDataType财产“自定义”．

`QuotientDataType`- - - - - -商字长度和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

商字长度和分数长度设置，指定为以下之一:

“与第一次输入相同”——对象指定商数数据类型与第一个输入相同。
“自定义”方法将商数据类型指定为自定义数字类型<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">CustomQuotientDataType财产。

有关此对象使用的商数据类型的详细信息，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">不动点部分。

依赖关系

属性时应用此属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">方法财产“归一化LMS”．

`CustomQuotientDataType`- - - - - -商的字和分数长度
`numerictype([], 32岁,20)`(默认)

过滤器权重的单词和分数长度更新产品，指定为一个自签名数字类型，单词长度为32，分数长度为20。

依赖关系

使用

语法

[y,err,wts] = lms(x,d)

[y,err] = lms(x,d)

［___= lms(x,d,mu)

［___= lms(x,d,a)

［___= lms(x,d,r)

[y,err,wts] = lms(x,d,mu,a,r)

描述

［<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_4f7962fc-d669-4ca5-af7e-d27994ae7c12" class="intrnllnk">y，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_1e74b671-711b-486a-a14f-3660a116662f" class="intrnllnk">犯错，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_4e72967f-118d-4608-906e-5f36f4540872" class="intrnllnk">出世= lms(<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_530d713b-71b8-4a14-a78e-a000adad6302" class="intrnllnk">x，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_db6b9f37-cc93-4e7f-8fd6-2bfe27289079" class="intrnllnk">d）对输入信号进行滤波，x,使用d作为所需的信号，并返回过滤后的输出y，过滤器错误犯错的估计滤波器权值出世．LMS滤波器对象估计所需的滤波器权重，以最小化输出信号和所需信号之间的误差。

［<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_4f7962fc-d669-4ca5-af7e-d27994ae7c12" class="intrnllnk">y，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_1e74b671-711b-486a-a14f-3660a116662f" class="intrnllnk">犯错= lms(<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_530d713b-71b8-4a14-a78e-a000adad6302" class="intrnllnk">x，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_db6b9f37-cc93-4e7f-8fd6-2bfe27289079" class="intrnllnk">d）对输入信号进行滤波，x,使用d作为所需的信号，并返回过滤后的输出y并且过滤器错误犯错当<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">WeightsOutput属性设置为“没有”．

［___= lms(<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_530d713b-71b8-4a14-a78e-a000adad6302" class="intrnllnk">x，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_db6b9f37-cc93-4e7f-8fd6-2bfe27289079" class="intrnllnk">d，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_a361d18d-f06c-4d7e-8ebd-3054f34d39d4" class="intrnllnk">μ）对输入信号进行滤波，x,使用d作为期望的信号和μ作为步长，当<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">StepSizeSource属性设置为输入端口的．这些输入可以与前一组输出中的任何一组一起使用。

［___= lms(<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_530d713b-71b8-4a14-a78e-a000adad6302" class="intrnllnk">x，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_db6b9f37-cc93-4e7f-8fd6-2bfe27289079" class="intrnllnk">d，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_cecf3006-18e5-4310-b90d-6809970ee595" class="intrnllnk">一个）对输入信号进行滤波，x,使用d作为期望的信号和一个作为自适应控制时<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">AdaptInputPort属性设置为真正的．当一个为非零时，System对象持续更新过滤器权重。当一个为零时，滤波器权值保持不变。

［___= lms(<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_530d713b-71b8-4a14-a78e-a000adad6302" class="intrnllnk">x，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_db6b9f37-cc93-4e7f-8fd6-2bfe27289079" class="intrnllnk">d，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_db29e741-8beb-4e26-a9a8-29875bac5b1d" class="intrnllnk">r）对输入信号进行滤波，x,使用d作为期望的信号和r作为复位信号时<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">WeightsResetInputPort属性设置为真正的．的<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">WeightsResetCondition属性可用于设置重置触发条件。如果发生重置事件，则System对象将筛选器权重重置为初始值。

［<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_4f7962fc-d669-4ca5-af7e-d27994ae7c12" class="intrnllnk">y，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_1e74b671-711b-486a-a14f-3660a116662f" class="intrnllnk">犯错，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_4e72967f-118d-4608-906e-5f36f4540872" class="intrnllnk">出世= lms(<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_530d713b-71b8-4a14-a78e-a000adad6302" class="intrnllnk">x，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_db6b9f37-cc93-4e7f-8fd6-2bfe27289079" class="intrnllnk">d，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_a361d18d-f06c-4d7e-8ebd-3054f34d39d4" class="intrnllnk">μ，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_cecf3006-18e5-4310-b90d-6809970ee595" class="intrnllnk">一个，<一个href="//www.tatmou.com/in/help/dsp/ref/#mw_db29e741-8beb-4e26-a9a8-29875bac5b1d" class="intrnllnk">r）对输入信号进行滤波，x,使用d作为期望信号，μ作为步长，一个作为自适应控制，和r作为复位信号，并返回过滤后的输出y，过滤器错误犯错，自适应滤波器权重为出世．

输入参数

全部展开

`x`- - - - - -数据输入
标量|列向量

被LMS滤波器滤波的信号。输入,x，和期望信号，d必须具有相同的大小、数据类型和复杂性。如果输入是定点输入，则数据类型必须有符号，并且必须与所需信号具有相同的字长。

输入,x可以是可变大小的信号。即使对象被锁定，您也可以更改列向量中的元素数量。当您调用该对象以运行其算法时，System对象将锁定。

数据类型:单|双|int8|int16|int32|int64|fi
复数支持:金宝app是的

`d`- - - - - -期望信号
标量|列向量

LMS滤波器调整它的滤波器权重，出世，使误差最小，犯错，对输入信号进行收敛x到期望的信号d越近越好。

输入,x，和期望信号，d，必须具有相同的大小、数据类型和复杂性。如果需要的信号是定点信号，则数据类型必须有符号，并且必须与输入数据具有相同的字长。

输入,d可以是可变大小的信号。即使对象被锁定，您也可以更改列向量中的元素数量。当您调用该对象以运行其算法时，System对象将锁定。

数据类型:单|双|int8|int16|int32|int64|fi
复数支持:金宝app是的

`μ`- - - - - -步长
负的标量

自适应步长因子，指定为标量，非负数值。为使归一化LMS方法收敛，步长应大于0且小于2。步长输入的数据类型必须与的数据类型匹配x而且d．如果数据类型为定点，则数据类型必须有符号。

较小的步长可确保输出之间的稳态误差较小y以及期望的信号d．步长越小，滤波器的收敛速度越慢。为了提高收敛速度，可以增大步长。注意，如果步长很大，过滤器会变得不稳定。要计算过滤器在不变得不稳定的情况下可以接受的最大步长，请使用<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter.maxstep.html">maxstep函数。

依赖关系

时需要此输入<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">StepSizeSource属性设置为输入端口的．

数据类型:单|双|int8|int16|int32|int64|fi

`一个`- - - - - -适应控制
标量

自适应控制输入，用于控制如何更新过滤器权重。如果此输入的值非零，则对象将不断更新筛选器权重。如果该输入的值为零，则过滤器权重保持在当前值。

依赖关系

时需要此输入<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">AdaptInputPort属性设置为真正的．

数据类型:单|双|int8|int16|int32|uint8|uint16|uint32|逻辑

`r`- - - - - -复位信号
标量

的值来重置滤波器权重的复位信号<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">WeightsResetCondition财产。

依赖关系

时需要此输入<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">WeightsResetInputPort属性设置为真正的．

数据类型:单|双|int8|int16|int32|uint8|uint16|uint32|逻辑

输出参数

全部展开

`y`-过滤输出
标量|列向量

过滤后的输出，作为标量或列向量返回。对象调整其滤波器权值以收敛输入信号x以匹配所需的信号d．滤波器输出收敛信号。

数据类型:单|双|int8|int16|int32|int64|fi
复数支持:金宝app是的

`犯错`-输出和期望信号之间的差异
标量|列向量

输出信号之间的差值y以及期望的信号d，作为标量或列向量返回。的数据类型犯错的数据类型匹配y．自适应滤波器的目标是使这种误差最小化。该对象调整其权重以收敛于产生与所需信号密切匹配的输出信号的最佳滤波器权重。有关如何操作的详细信息犯错的计算，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">算法．

数据类型:单|双|int8|int16|int32|int64|fi

`出世`-自适应滤波器权重
标量|列向量

中的值指定长度的标量或列向量返回的自适应筛选器权重<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" class="intrnllnk">长度．

数据类型:单|双|int8|int16|int32|int64|fi

对象的功能

要使用对象函数，请将System对象指定为第一个输入参数。例如，释放system对象的系统资源obj，使用这种语法:

发行版(obj)

全部展开

专用于dsp。LMSFilter

`maxstep`	LMS自适应滤波器收敛的最大步长
`msepred`	LMS自适应滤波器的预测均方误差
`msesim`	自适应滤波器的估计均方误差

所有系统对象通用

`一步`	运行系统对象算法
`释放`	释放资源并允许更改系统对象属性值和输入特征
`重置`	重置的内部状态系统对象

例子

全部折叠

预测LMS滤波器的均方误差

打开实时脚本

均方误差(MSE)测量自适应滤波器的期望信号和主要输入信号之间误差平方的平均值。减少这个误差可以将主要输入收敛到所需的信号。确定各时刻的MSE预测值和模拟MSE值msepred而且msesim功能。将这些MSE值相互比较，并相对于最小MSE值和稳态MSE值进行比较。此外，计算由系数协方差矩阵的迹所给出的系数误差的平方和。

请注意:如果您正在使用R2016a或更早的版本，请使用等效的步骤语法替换对对象的每个调用。例如,obj (x)就变成了步骤(obj, x)．

初始化

创建一个dsp。FIRFilter表示未知系统的系统对象™。传递信号，x，到FIR滤波器。未知系统的输出是期望的信号，d，为未知系统(FIR滤波器)输出与加性噪声信号的和，n．

Num = fir1(31,0.5);Fir = dsp。FIRFilter (“分子”, num);Iir = dsp。IIRFilter (“分子”sqrt (0.75),.．.“分母”-0.5 [1]);X = iir(sign(randn(2000,25)));N = 0.1*randn(size(x));D = fir(x) + n;

LMS滤波器

创建一个dsp。LMSFilter对象来创建一个滤波器，以适应输出所需的信号。设置自适应滤波器的长度为32个点，步长为0.008，用于分析和模拟的抽取因子为5。的变量simmse表示未知系统输出之间的模拟MSE，d，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;Mu = 0.008;M = 5;LMS = dsp。LMSFilter (“长度”l,“StepSize”μ);[mmse,emse,meanW,mse,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。最终的均方误差值由最小均方误差和最大均方误差之和给出。

Nn = m:m:size(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(“均方误差性能”(0 size(x,1) 0.001 10])“MSE (Sim)。”，“最后的MSE”，MSE的，“最小MSE。”)包含(“时间指数”) ylabel (平方误差值）

图中包含一个轴对象。标题为Mean Squared Error Performance的axis对象包含4个类型为line的对象。这些对象表示均方误差(Sim.)、最终均方误差、均方误差、最小均方误差。

预测的MSE与模拟的MSE遵循相同的轨迹。这两个轨迹都收敛于稳态(最终)MSE。

画出系数轨迹

meanWsim模拟系数的平均值是否为msesim．meanW预测系数的平均值是否为msepred．

比较LMS滤波器系数12、13、14和15的模拟和预测平均值。

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 ={的平均系数轨迹；.．.'W(12)， W(13)， W(14)， W(15)'｝

PlotTitle =2 x1细胞{'} {'W(12)， W(13)， W(14)和W(15)'}的平均系数轨迹

标题(PlotTitle)传说(“模拟”，“理论”)包含(“时间指数”) ylabel (的系数值）

图中包含一个轴对象。标题为W(12)、W(13)、W(14)和W(15)的轴对象包含8个类型为line的对象。这些对象代表模拟、理论。

在稳态下，两条轨迹都收敛。

平方系数误差之和

比较所给出的系数误差平方和msepred而且msesim．这些值由系数协方差矩阵的迹给出。

traceK traceKsim semilogy(神经网络,神经网络,“r”)标题(“平方和系数误差”)轴([0 size(x,1) 0.0001])“模拟”，“理论”)包含(“时间指数”) ylabel (平方误差值）

图中包含一个轴对象。标题为Sum-of-Squared Coefficient Errors的axis对象包含2个类型为line的对象。这些对象代表模拟、理论。

计算LMS自适应滤波器的最大步长

打开实时脚本

的maxstep函数计算自适应滤波器的最大步长。这个步长使滤波器在最大收敛速度下保持稳定。创建主输入信号，x，通过传递一个带符号的随机信号到IIR滤波器。信号x包含50帧，每帧2000个样本。创建一个32个点的LMS过滤器，步长为0.1。

X = 0 (2000,50);IIRFilter = dsp。IIRFilter (“分子”sqrt (0.75),.．.“分母”-0.5 [1]);为k = 1:尺寸(x, 2) x (:, k) = IIRFilter(标志(randn(大小(x, 1), 1)));结束Mu = 0.1;LMSFilter = dsp。LMSFilter (“长度”32岁的.．.“StepSize”μ);

计算最大自适应步长和均方意义上的最大步长maxstep函数。

[mumax,mumaxmse] = maxstep(LMSFilter,x)

Mumax = 0.0625

Mumaxmse = 0.0536

基于LMS算法的FIR滤波器系统辨识

打开实时脚本

系统辨识是利用自适应滤波器辨识未知系统系数的过程。该过程的一般概述显示在<一个href="//www.tatmou.com/in/in/help/dsp/ug/overview-of-adaptive-filters-and-applications.html" data-docid="dsp_ug#f1-5547" class="a">系统识别——使用自适应滤波器识别未知系统．所涉及的主要组成部分有:

自适应滤波算法。在本例中，设置方法的属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" data-docid="dsp_ref#bsfxw0__2" class="a">dsp。LMSFilter来“LMS”选择LMS自适应滤波算法。
需要适应的未知系统或过程。在本例中，由<一个href="//www.tatmou.com/in/in/help/dsp/ref/fircband.html" data-docid="dsp_ref#brygv7c-648" class="a">fircband是未知系统。
适当的输入数据来练习适应过程。对于一般的LMS模型，这些是需要的信号 $d （ k ）$ 输入信号 $x （ k ）$ ．

自适应滤波器的目标是使自适应滤波器输出之间的误差信号最小化 $y （ k ）$ 和未知系统(或待识别系统)的输出 $d （ k ）$ ．一旦误差信号最小化，自适应滤波器就类似于未知系统。两个滤波器的系数非常匹配。

请注意:如果您正在使用R2016a或更早的版本，请使用等效的步骤语法替换对对象的每个调用。例如,obj (x)就变成了步骤(obj, x)．

未知的系统

创建一个dsp。FIRFilter对象，该对象表示要标识的系统。使用fircband函数来设计滤波器系数。所设计的滤波器是一个阻带纹波限制为0.2的低通滤波器。

filt = dsp.FIRFilter;filt。Numerator = fircband(12,[0 0.4 0.5 1],[1 1 0 0],[1 0.2],.．.｛' w '“c”});

传递信号x到FIR滤波器。期望的信号d是未知系统(FIR滤波器)输出和加性噪声信号的和吗n．

X = 0.1*randn(250,1);N = 0.01*randn(250,1);D = filt(x) + n;

自适应滤波器

设计好未知滤波器和所需信号后，创建并应用自适应LMS滤波器对象来识别未知滤波器。

准备自适应过滤器对象需要估计过滤器系数和LMS步长(μ)．您可以从一组非零值开始，作为过滤器系数的估计值。这个例子使用0作为13个初始过滤器权重。设置InitialConditions的属性dsp。LMSFilter到所需的过滤器权重的初始值。对于步长来说，0.8是一个很好的折衷，它既足够大，可以在250次迭代(250个输入样本点)内很好地收敛，又足够小，可以对未知滤波器进行准确的估计。

创建一个dsp。LMSFilter对象表示使用LMS自适应算法的自适应过滤器。将自适应过滤器的长度设置为13个水龙头，步长设置为0.8。

Mu = 0.8;LMS = dsp。LMSFilter (13,“StepSize”μ)

LMS = dsp。LMSFilterwith properties: Method: 'LMS' Length: 13 StepSizeSource: 'Property' StepSize: 0.8000 LeakageFactor: 1 InitialConditions: 0 AdaptInputPort: false WeightsResetInputPort: false WeightsOutput: 'Last' Show all properties

传递主输入信号x以及期望的信号d到LMS过滤器。运行自适应过滤器来确定未知系统。输出y自适应滤波器是收敛于期望信号的信号d从而使误差最小化e在两个信号之间。

画出结果。输出信号与期望的信号不匹配，使得两者之间的误差不平凡。

[y,e,w] = lms(x,d);地块(1:250，[d,y,e])FIR滤波器的系统识别)传说(“想要的”，“输出”，“错误”)包含(“时间指数”) ylabel (的信号值）

图中包含一个轴对象。FIR滤波器的标题为System Identification的axis对象包含3个类型为line的对象。这些对象表示期望、输出、错误。

比较权重

权重向量w表示LMS滤波器的系数，它适应于类似未知系统(FIR滤波器)。为了确认其收敛性，将FIR滤波器的分子与自适应滤波器的估计权值进行比较。

估计的滤波器权重与实际的滤波器权重不太匹配，这证实了之前信号图中看到的结果。

茎([(filt.Numerator)。' w])标题(自适应LMS算法的系统辨识)传说(“实际过滤器权重”，“估计过滤器重量”，.．.“位置”，“东北”）

图中包含一个轴对象。标题为System Identification by Adaptive LMS Algorithm的坐标轴对象包含2个stem类型的对象。这些对象表示实际过滤器权重，估计过滤器权重。

改变步长

作为实验，将步长更改为0.2。重复下面的例子Mu = 0.2结果如下图所示。滤波器不收敛，估计的权重并不是实际权重的很好近似。

Mu = 0.2;LMS = dsp。LMSFilter (13,“StepSize”μ);[~，~，w] = lms(x,d);茎([(filt.Numerator)。' w])标题(自适应LMS算法的系统辨识)传说(“实际过滤器权重”，“估计过滤器重量”，.．.“位置”，“东北”）

增加数据样本的数量

增加所需信号的帧大小。尽管这增加了所涉及的计算量，但LMS算法现在有更多的数据可以用于适应。1000个样本的信号数据，步长为0.2，系数比以前更接近，表明收敛性提高。

释放(filt);X = 0.1*randn(1000,1);N = 0.01*randn(1000,1);D = filt(x) + n;[y,e,w] = lms(x,d);茎([(filt.Numerator)。' w])标题(自适应LMS算法的系统辨识)传说(“实际过滤器权重”，“估计过滤器重量”，.．.“位置”，“东北”）

通过迭代输入数据，进一步增加数据样本的数量。在4000个样本数据上运行算法，在4次迭代中分批传递给LMS算法1000个样本。

比较过滤器权重。LMS滤波器的权值与FIR滤波器的权值非常接近，表明具有良好的收敛性。

释放(filt);N = 0.01*randn(1000,1);为指数= 1:4 x = 0.1*randn(1000,1);D = filt(x) + n;[y,e,w] = lms(x,d);结束茎([(filt.Numerator)。' w])标题(自适应LMS算法的系统辨识)传说(“实际过滤器权重”，“估计过滤器重量”，.．.“位置”，“东北”）

输出信号与所需信号非常匹配，使得两者之间的误差接近于零。

地块(1:1000，[d,y,e])FIR滤波器的系统识别)传说(“想要的”，“输出”，“错误”)包含(“时间指数”) ylabel (的信号值）

图中包含一个轴对象。FIR滤波器的标题为System Identification的axis对象包含3个类型为line的对象。这些对象表示期望、输出、错误。

基于归一化LMS算法的FIR滤波器系统辨识

打开实时脚本

为了提高LMS算法的收敛性能，归一化变体(NLMS)采用了基于信号功率的自适应步长。随着输入信号功率的变化，算法计算输入功率并调整步长以保持一个合适的值。步长随时间变化，因此，在很多情况下，归一化算法在较少样本的情况下收敛更快。对于随时间变化缓慢的输入信号，归一化LMS算法是一种更有效的LMS方法。

有关使用LMS方法的示例，请参见<一个href="//www.tatmou.com/in/in/help/dsp/ug/system-identification-fir-filter-using-lms-algorithm.html" data-docid="dsp_ug#mw_26c788ba-b56a-4028-a346-6b87084132e2" class="a">基于LMS算法的FIR滤波器系统辨识．

请注意:如果您正在使用R2016a或更早的版本，请使用等效的步骤语法替换对对象的每个调用。例如,obj (x)就变成了步骤(obj, x)．

未知的系统

创建一个dsp。FIRFilter对象，该对象表示要标识的系统。使用fircband函数来设计滤波器系数。所设计的滤波器是一个阻带纹波限制为0.2的低通滤波器。

filt = dsp.FIRFilter;filt。Numerator = fircband(12,[0 0.4 0.5 1],[1 1 0 0],[1 0.2],.．.｛' w '“c”});

传递信号x到FIR滤波器。期望的信号d是未知系统(FIR滤波器)输出和加性噪声信号的和吗n．

X = 0.1*randn(1000,1);N = 0.001*randn(1000,1);D = filt(x) + n;

自适应滤波器

若要使用归一化LMS算法变体，请设置方法的属性dsp。LMSFilter来“归一化LMS”．设置自适应过滤器的长度为13个水龙头，步长为0.2。

Mu = 0.2;LMS = dsp。LMSFilter (13,“StepSize”亩,“方法”，.．.“归一化LMS”）;

传递主输入信号x以及期望的信号d到LMS过滤器。

[y,e,w] = lms(x,d);

输出y自适应滤波器是收敛于期望信号的信号d从而使误差最小化e在两个信号之间。

地块(1:1000，[d,y,e])“归一化LMS算法的系统辨识”)传说(“想要的”，“输出”，“错误”)包含(“时间指数”) ylabel (的信号值）

图中包含一个轴对象。标题为“System Identification by Normalized LMS Algorithm”的坐标轴对象包含3个类型为line的对象。这些对象表示期望、输出、错误。

比较自适应滤波器和未知系统

权重向量w表示LMS滤波器的系数，它适应于类似未知系统(FIR滤波器)。为了确认其收敛性，将FIR滤波器的分子与自适应滤波器的估计权值进行比较。

茎([(filt.Numerator)。' w])标题(“归一化LMS算法的系统辨识”)传说(“实际过滤器权重”，“估计过滤器重量”，.．.“位置”，“东北”）

图中包含一个轴对象。标题为System Identification by Normalized LMS Algorithm的坐标轴对象包含2个stem类型的对象。这些对象表示实际过滤器权重，估计过滤器权重。

比较LMS算法与归一化LMS算法的收敛性能

打开实时脚本

自适应滤波器调整其滤波器系数以匹配未知系统的系数。目标是最小化未知系统输出与自适应滤波器输出之间的误差信号。对于相同的输入，当这两个输出收敛并密切匹配时，就称其系数密切匹配。这种状态下的自适应滤波器类似于未知系统。这个例子比较了归一化LMS (NLMS)算法和未归一化LMS算法的收敛速度。

未知的系统

创建一个dsp。FIRFilter它表示未知系统。传递信号x作为未知系统的输入。期望的信号d是未知系统(FIR滤波器)输出和加性噪声信号的和吗n．

filt = dsp.FIRFilter;filt。Numerator = fircband(12,[0 0.4 0.5 1],[1 1 0 0],[1 0.2],.．.｛' w '“c”});X = 0.1*randn(1000,1);N = 0.001*randn(1000,1);D = filt(x) + n;

自适应滤波器

创建两个dsp。LMSFilter对象，其中一个设置为LMS算法，另一个设置为规范化LMS算法。选择自适应步长为0.2，并将自适应滤波器的长度设置为13个水龙头。

Mu = 0.2;Lms_nonnormalized = dsp。LMSFilter (13,“StepSize”亩,.．.“方法”，“LMS”）;Lms_normalized = dsp。LMSFilter (13,“StepSize”亩,.．.“方法”，“归一化LMS”）;

传递主输入信号x以及期望的信号dLMS算法的两种变体。的变量e1而且e2分别表示期望信号与归一化和非归一化滤波器输出之间的误差。

[~，e1，~] = lms_normalized(x,d);[~，e2，~] = lms_nonnormalized(x,d);

画出这两种变化的误差信号。NLMS变体的误差信号收敛到零的速度比LMS变体的误差信号收敛到零的速度快得多。规范化版本在更少的迭代中适应的结果几乎与非规范化版本一样好。

情节((e1, e2));标题(“比较LMS和NLMS转换性能”）;传奇(“NLMS衍生滤波器权重”，.．.“LMS衍生滤波器权重”，“位置”，“东北”）;包含(“时间指数”) ylabel (的信号值）

图中包含一个轴对象。带有标题比较LMS和NLMS转换性能的axes对象包含2个类型为line的对象。这些对象表示NLMS派生的过滤器权重，LMS派生的过滤器权重。

使用LMS滤波器消除噪声

打开脚本

使用LMS自适应滤波器消除添加到未知系统的加性噪声n。LMS滤波器调整其系数，直到其传递函数与未知系统的传递函数尽可能接近。自适应滤波器输出与未知系统输出之间的差值表示误差信号，e．自适应滤波器的目标是使误差信号最小化。

未知系统和LMS滤波器处理相同的输入信号，x，并产生输出d而且y,分别。如果自适应滤波器的系数与未知系统的系数相匹配，则e，实际上表示加性噪声。

请注意:如果您正在使用R2016a或更早的版本，请使用等效的步骤语法替换对对象的每个调用。例如,obj (x)就变成了步骤(obj, x)．

创建一个dsp。FIRFilter系统对象来表示未知系统。创建一个dsp。LMSFilter对象，并将长度设置为11个点，步长设置为0.05。创建一个正弦波来表示添加到未知系统的噪声。在时间范围内查看信号。

FrameSize = 100;镍= 10;Lmsfilt2 = dsp。LMSFilter (“长度”11“方法”，“归一化LMS”，.．.“StepSize”, 0.05);Firfilt2 = dsp。FIRFilter (“分子”fir1(10(。5、综合成绩));正弦波= dsp。SineWave (“频率”, 0.01,.．.“SampleRate”, 1“SamplesPerFrame”, FrameSize);Scope = timescope(“TimeUnits”，“秒”，.．.“YLimits”3 [3],“BufferLength”2 * FrameSize *硝石,.．.“ShowLegend”,真的,“ChannelNames”，.．.｛噪声信号的，误差信号的});

创建一个随机输入信号，x并将信号传递给FIR滤波器。在FIR滤波器的输出端加一个正弦波，产生噪声信号，d．的信号,d是未知系统的输出。将噪声信号和主输入信号传递给LMS滤波器。在时间范围内查看噪声信号和误差信号。

为k = 1:NIter x = randn(FrameSize,1);D = firfilt2(x) +正弦波();[y,e,w] = lmsfilt2(x,d);范围((d, e))结束(范围)

误差信号，e，为加入未知系统的正弦噪声。最小化误差信号使添加到系统中的噪声最小化。

基于符号数据LMS算法的噪声消除

打开实时脚本

当派生自适应过滤器所需的计算量驱动开发过程时，LMS (SDLMS)算法的符号-数据变体可能是一个非常好的选择，如本例所示。

在LMS自适应滤波器的标准变化和归一化变化中，自适应滤波器的系数来自于期望信号与未知系统输出信号之间的均方误差。符号数据算法通过使用输入数据的符号来改变滤波器系数来改变均方误差计算。

当误差为正时，新的系数是之前的系数加上误差乘以步长µ．如果误差为负，新的系数仍然是以前的系数减去误差乘以µ-注意符号的变化。

当输入为零时，新的系数与前一组系数相同。

向量形式下，符号-数据LMS算法为:

$w （ k + 1 ）＝ w （ k ） + μ e （ k ）胡志明市（ x （ k ）），$

在哪里

$胡志明市（ x （ k ））＝｛ \begin{matrix} 1 ， x （ k ） > 0 \\ 0 ， x （ k ）＝ 0 \\ - 1 ， x （ k ） < 0 \end{matrix}$

与向量 $w$ 包含应用于滤波器系数和向量的权重 $x$ 包含输入数据。向量 $e$ 是期望信号与滤波信号之间的误差。SDLMS算法的目标是最小化这种误差。步长表示为 $μ$ ．

用更小的 $μ$ 时，每个样本对滤波器权值的修正值变小，SDLMS误差下降得更慢。一个更大的 $μ$ 为每一步改变更多的权重，因此误差下降得更快，但由此产生的误差不接近理想解。为了保证良好的收敛速度和稳定性，请选择 $μ$ 在以下实际范围内。

$0 < μ < \frac{1}{N ｛ InputSignalPower ｝} ，$

在哪里 $N$ 是信号中的采样数。此外,定义 $μ$ 作为有效计算的2的幂。

注意:如何设置符号数据算法的初始条件将深刻影响自适应过程的有效性。由于算法本质上是量化输入信号，算法很容易变得不稳定。

一系列大的输入值，加上量化过程，可能会导致误差超出所有界限。通过选择较小的步长来抑制符号数据算法失控的趋势 $（ μ ≪ 1 ）$ 并将算法的初始条件设置为非零正负值。

在此噪声消除示例中，设置方法的属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" data-docid="dsp_ref#bsfxw0__2" class="a">dsp。LMSFilter来“Sign-Data LMS”．这个例子需要两个输入数据集:

包含被噪声损坏的信号的数据。在方框图下面<一个href="//www.tatmou.com/in/in/help/dsp/ug/overview-of-adaptive-filters-and-applications.html" data-docid="dsp_ug#f1-5567" class="a">噪声或干扰消除——使用自适应滤波器去除未知系统中的噪声，这是期望的信号 $d （ k ）$ ．噪声消除过程消除了信号中的噪声。
包含随机噪声的数据。在方框图下面<一个href="//www.tatmou.com/in/in/help/dsp/ug/overview-of-adaptive-filters-and-applications.html" data-docid="dsp_ug#f1-5567" class="a">噪声或干扰消除——使用自适应滤波器去除未知系统中的噪声，这是 $x （ k ）$ ．信号 $x （ k ）$ 与破坏信号数据的噪声相关。由于噪声数据之间缺乏相关性，自适应算法无法从信号中去除噪声。

对于信号，使用正弦波。请注意,信号是包含1000个元素的列向量。

信号= sin(2*pi*0.055*(0:1000-1)');

现在，添加相关白噪声信号．为了确保噪声是相关的，将噪声通过低通FIR滤波器，然后将滤波后的噪声添加到信号中。

噪声= randn(1000,1);filt = dsp.FIRFilter;filt。Numerator = fir1(11,0.4); fnoise = filt(noise); d = signal + fnoise;

fnoise相关噪声和d现在是符号数据算法所需的输入。

准备dsp。LMSFilter对象进行处理，设置初始条件的过滤权值和μ（StepSize)．如本节前面所述，所设置的值多项式系数而且μ确定自适应滤波器是否能去除信号路径上的噪声。

在<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" data-docid="dsp_ref#buiapwg" class="intrnllnk">基于LMS算法的FIR滤波器系统辨识，您构造了一个默认过滤器，将过滤器系数设置为0。在大多数情况下，这种方法并不适用于符号数据算法。将初始滤波器系数设置得越接近期望值，算法就越有可能保持良好的表现，并收敛到有效去除噪声的滤波器解决方案。

对于本例，从噪声滤波器中使用的系数(filt。Numerator)，并稍微修改它们，以便算法能够适应。

coeffs = (filt. molecator).'-0.01;设置过滤器初始条件。Mu = 0.05;设置算法更新的步长。

的所需输入参数dsp。LMSFilter，构造LMS过滤器对象，运行适配，并查看结果。

LMS = dsp。LMSFilter (12,“方法”，“Sign-Data LMS”，.．.“StepSize”亩,“InitialConditions”、多项式系数);[~，e] = lms(噪声，d);L = 200;情节(0:L - 1、信号(1:L), 0: L - 1, e (1: L));标题(“用符号数据算法消除噪声”）;传奇(“实际信号”，“噪音消除结果”，.．.“位置”，“东北”）;包含(“时间指数”) ylabel (的信号值）

图中包含一个轴对象。标题为“符号数据算法噪声消除”的坐标轴对象包含2个类型为line的对象。这些对象代表实际信号，噪声消除的结果。

当dsp。LMSFilter运行时，它使用的乘法运算比任何一种标准LMS算法都少得多。此外，当步长为2的幂时，执行符号数据适应只需要乘以位移位。

虽然图中所示的符号数据算法的性能相当好，但符号数据算法的稳定性远不如标准LMS变体。在这个噪声消除的例子中，处理后的信号与输入信号非常匹配，但算法很容易无限制地增长，而不是获得良好的性能。

改变权值初始条件(InitialConditions),μ（StepSize)，甚至是用于创建相关噪声的低通滤波器，都可能导致噪声消除失败。

用符号误差LMS算法消除噪声

打开实时脚本

在LMS自适应滤波器的标准变式和归一化变式中，自适应滤波器的系数来自于计算期望信号与未知系统输出信号之间的均方误差，并将结果应用于当前滤波器系数。符号误差LMS (SELMS)算法通过使用误差的符号来修改滤波器系数来代替均方误差计算。

当误差为正时，新的系数是之前的系数加上误差乘以步长 $μ$ ．如果误差是负的，新的系数是以前的系数减去误差乘以 $μ$ -注意符号的变化。当输入为零时，新的系数与前一组系数相同。

向量形式的符号误差LMS算法为:

$w （ k + 1 ）＝ w （ k ） + μ 胡志明市（ e （ k ））（ x （ k ））$ ，

在哪里

$胡志明市（ e （ k ））＝｛ \begin{matrix} 1 ， e （ k ） > 0 \\ 0 ， e （ k ）＝ 0 \\ - 1 ， e （ k ） < 0 \end{matrix}$

与向量 $w$ 包含应用于滤波器系数和向量的权重 $x$ 包含输入数据。向量 $e$ 是期望信号与滤波信号之间的误差。SELMS算法的目标是最小化这种误差。

用更小的 $μ$ 时，每个样本对滤波器权值的修正都变小，SELMS误差下降得更慢。一个更大的 $μ$ 为每一步改变更多的权重，使误差下降得更快，但由此产生的误差不接近理想解。为了保证良好的收敛速度和稳定性，请选择 $μ$ 在以下实际范围内。

$0 < μ < \frac{1}{N ｛ InputSignalPower ｝}$

在哪里 $N$ 是信号中的采样数。此外,定义 $μ$ 作为2的幂，以提高计算效率。

注意:如何设置符号-误差算法的初始条件将深刻影响自适应过程的有效性。由于算法本质上是对误差信号进行量化，算法很容易变得不稳定。

一系列较大的误差值，再加上量化过程，可能会导致误差超出所有边界。通过选择较小的步长来抑制符号误差算法变得不稳定的趋势 $（ μ ≪ 1 ）$ 并将算法的初始条件设置为非零正负值。

在此噪声消除示例中，设置方法的属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" data-docid="dsp_ref#bsfxw0__2" class="a">dsp。LMSFilter来“符号误差LMS”．这个例子需要两个输入数据集:

包含被噪声损坏的信号的数据。在方框图下面<一个href="//www.tatmou.com/in/in/help/dsp/ug/overview-of-adaptive-filters-and-applications.html" data-docid="dsp_ug#f1-5567" class="a">噪声或干扰消除——使用自适应滤波器去除未知系统中的噪声，这是期望的信号 $d （ k ）$ ．噪声消除过程消除了信号中的噪声。
包含随机噪声的数据。在方框图下面<一个href="//www.tatmou.com/in/in/help/dsp/ug/overview-of-adaptive-filters-and-applications.html" data-docid="dsp_ug#f1-5567" class="a">噪声或干扰消除——使用自适应滤波器去除未知系统中的噪声，这是 $x （ k ）$ ．信号 $x （ k ）$ 与破坏信号数据的噪声相关。由于噪声数据之间缺乏相关性，自适应算法无法从信号中去除噪声。

对于信号，使用正弦波。请注意,信号是包含1000个元素的列向量。

信号= sin(2*pi*0.055*(0:1000-1)');

现在，添加相关白噪声信号．为了确保噪声是相关的，将噪声通过低通FIR滤波器，然后将滤波后的噪声添加到信号中。

噪声= randn(1000,1);filt = dsp.FIRFilter;filt。Numerator = fir1(11,0.4); fnoise = filt(noise); d = signal + fnoise;

fnoise相关噪声和d现在是符号错误算法所需的输入。

准备dsp。LMSFilter对象进行处理时，设置过滤器权重的初始条件(InitialConditions),μ（StepSize)．如本节前面所述，所设置的值多项式系数而且μ确定自适应滤波器是否能去除信号路径上的噪声。

在<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" data-docid="dsp_ref#buiapwg" class="intrnllnk">基于LMS算法的FIR滤波器系统辨识，您构造了一个默认过滤器，将过滤器系数设置为0。在大多数情况下，这种方法并不适用于符号误差算法。将初始滤波器系数设置得越接近期望值，算法就越有可能保持良好的表现，并收敛到有效去除噪声的滤波器解决方案。

对于本例，从噪声滤波器中使用的系数(filt。Numerator)并稍微修改它们，以便算法能够适应。

coeffs = (filt. molecator).'-0.01;设置过滤器初始条件。Mu = 0.05;设置算法更新的步长。

的所需输入参数dsp。LMSFilter准备好后，运行适配并查看结果。

LMS = dsp。LMSFilter (12,“方法”，“符号误差LMS”，.．.“StepSize”亩,“InitialConditions”、多项式系数);[~，e] = lms(噪声，d);L = 200;情节(0:199、信号(1:200)0:199 e (1:200));标题(符号误差LMS算法的噪声消除性能）;传奇(“实际信号”，“降噪后的错误”，.．.“位置”，“东北”)包含(“时间指数”) ylabel (的信号值）

图中包含一个轴对象。具有符号误差LMS算法降噪性能的轴对象包含2个类型为line的对象。这些对象代表实际信号，降噪后的误差。

当符号错误LMS算法运行时，它使用的乘法操作比任何一种标准LMS算法都要少得多。此外，当步长为2的幂时，执行符号-错误自适应只需要位移位倍数。

虽然图中所示的符号-误差算法的性能相当好，但符号-误差算法的稳定性远不如标准LMS变体。在这个噪声消除的例子中，自适应信号与输入信号匹配得非常好，但算法很容易变得不稳定，而不是达到良好的性能。

改变权值初始条件(InitialConditions),μ（StepSize)，甚至是用于创建相关噪声的低通滤波器，都可能导致噪声消除失败，算法也变得无用。

基于符号LMS算法的噪声消除

打开实时脚本

符号-符号LMS算法(SSLMS)使用输入数据的符号来更改过滤器系数，从而取代均方误差计算。当误差为正时，新的系数是之前的系数加上误差乘以步长 $μ$ ．如果误差是负的，新的系数是以前的系数减去误差乘以 $μ$ -注意符号的变化。当输入为零时，新的系数与前一组系数相同。

本质上，该算法通过对误差和输入应用符号运算符来量化它们。

向量形式下，符号-符号LMS算法为:

$w （ k + 1 ）＝ w （ k ） + μ 胡志明市（ e （ k ））胡志明市（ x （ k ）），$

在哪里

$胡志明市（ z （ k ））＝｛ \begin{matrix} 1 ， z （ k ） > 0 \\ 0 ， z （ k ）＝ 0 \\ - 1 ， z （ k ） < 0 \end{matrix}$

$z （ k ）＝ e （ k ）胡志明市（ x （ k ））$

向量 $w$ 包含应用于过滤器系数和向量的权重 $x$ 包含输入数据。向量 $e$ 是期望信号与滤波信号之间的误差。SSLMS算法的目标是最小化这种错误。

用更小的 $μ$ ，对于每个样本，对滤波器权重的修正变小，SSLMS误差下降得更慢。一个更大的 $μ$ 为每一步改变更多的权重，因此误差下降得更快，但由此产生的误差不接近理想解。为了保证良好的收敛速度和稳定性，请选择 $μ$ 在以下实际范围内。

$0 < μ < \frac{1}{N ｛ InputSignalPower ｝}$

在哪里 $N$ 是信号中的采样数。此外,定义 $μ$ 作为2的幂，以提高计算效率

注意:

如何设置符号-符号算法的初始条件将极大地影响自适应过程的有效性。由于算法本质上是量化输入信号和误差信号，算法很容易变得不稳定。

一系列较大的误差值，再加上量化过程，可能会导致误差超出所有边界。通过选择较小的步长来抑制符号-符号算法变得不稳定的趋势 $（ μ ≪ 1 ）$ 并将算法的初始条件设置为非零正负值。

在此噪声消除示例中，设置方法的属性<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" data-docid="dsp_ref#bsfxw0__2" class="a">dsp。LMSFilter来“Sign-Sign LMS”．这个例子需要两个输入数据集:

包含被噪声损坏的信号的数据。在方框图下面<一个href="//www.tatmou.com/in/in/help/dsp/ug/overview-of-adaptive-filters-and-applications.html" data-docid="dsp_ug#f1-5567" class="a">噪声或干扰消除——使用自适应滤波器去除未知系统中的噪声，这是期望的信号 $d （ k ）$ ．噪声消除过程消除了信号中的噪声。
包含随机噪声的数据。在方框图下面<一个href="//www.tatmou.com/in/in/help/dsp/ug/overview-of-adaptive-filters-and-applications.html" data-docid="dsp_ug#f1-5567" class="a">噪声或干扰消除——使用自适应滤波器去除未知系统中的噪声，这是 $x （ k ）$ ．信号 $x （ k ）$ 与破坏信号数据的噪声相关。由于噪声数据之间缺乏相关性，自适应算法无法从信号中去除噪声。

对于信号，使用正弦波。请注意,信号是包含1000个元素的列向量。

信号= sin(2*pi*0.055*(0:1000-1)');

现在，添加相关白噪声信号．为了确保噪声是相关的，将噪声通过低通FIR滤波器，然后将滤波后的噪声添加到信号中。

噪声= randn(1000,1);filt = dsp.FIRFilter;filt。Numerator = fir1(11,0.4); fnoise = filt(noise); d = signal + fnoise;

fnoise相关噪声和d现在是符号-符号算法的期望输入。

准备dsp。LMSFilter对象进行处理时，设置过滤器权重的初始条件(InitialConditions),μ（StepSize)．如本节前面所述，所设置的值多项式系数而且μ确定自适应滤波器是否能去除信号路径上的噪声。在<一个href="//www.tatmou.com/in/in/help/dsp/ref/dsp.lmsfilter-system-object.html" data-docid="dsp_ref#buiapwg" class="intrnllnk">基于LMS算法的FIR滤波器系统辨识，您构造了一个默认过滤器，将过滤器系数设置为0。通常这种方法不适用于符号-符号算法。

将初始滤波器系数设置得越接近期望值，算法就越有可能保持良好的表现，并收敛到有效去除噪声的滤波器解决方案。对于本例，您从噪声滤波器中使用的系数开始(filt。Numerator)，并稍微修改它们，以便算法能够适应。

coeffs =(过滤器分子)。“-0.01;设置过滤器初始条件。Mu = 0.05;

的所需输入参数dsp。LMSFilter准备好后，运行适配并查看结果。

LMS = dsp。LMSFilter (12,“方法”，“Sign-Sign LMS”，.．.“StepSize”亩,“InitialConditions”、多项式系数);[~，e] = lms(噪声，d);L = 200;情节(0:199、信号(1:200)0:199 e (1:200));标题(符号-符号LMS算法的噪声消除性能）;传奇(“实际信号”，“降噪后的错误”，.．.“位置”，“东北”)包含(“时间指数”) ylabel (的信号值）

图中包含一个轴对象。符号-符号LMS算法中具有降噪性能的轴对象包含2个类型为直线的对象。这些对象代表实际信号，降噪后的误差。

当dsp。LMSFilter运行时，它使用的乘法运算比任何一种标准LMS算法都少得多。此外，当步长为2的幂时，执行符号-符号自适应只需要位移动倍数。

虽然图中所示的符号-符号算法的性能相当好，但符号-符号算法比标准LMS变体的稳定性差得多。在这个噪声消除的例子中，自适应信号与输入信号匹配得非常好，但算法很容易变得不稳定，而不是达到良好的性能。

改变权值初始条件(InitialConditions)和mu (StepSize)，甚至是用于创建相关噪声的低通滤波器，都可能导致噪声消除失败，算法也变得无用。

访问LMS过滤器权重的完整历史

打开脚本

请注意:此示例仅在R2017a或更高版本运行。如果您使用的版本早于R2017a，则该对象不会输出过滤器权重的完整抽样历史。如果您使用的版本早于R2016b，请将对函数的每次调用替换为等效的调用一步语法。例如,myObject (x)就变成了步骤(myObject x)．

初始化dsp。LMSFilter对象，并设置WeightsOutput财产“所有”．此设置使LMS过滤器能够输出带有维度的权重矩阵(FrameLength长度)，对应于所有权重的完整抽样历史FrameLength输入值的示例。

FrameSize = 15000;Lmsfilt3 = dsp。LMSFilter (“长度”, 63,“方法”，“LMS”，.．.“StepSize”, 0.001,“LeakageFactor”, 0.99999,.．.“WeightsOutput”，“所有”）;完整权重历史W_actual = fir1(64，[0.5 0.75]);Firfilt3 = dsp。FIRFilter (“分子”, w_actual);正弦波= dsp。SineWave (“频率”, 0.01,.．.“SampleRate”, 1“SamplesPerFrame”, FrameSize);Scope = timescope(“TimeUnits”，“秒”，.．.“YLimits”(-0.25 - 0.75),“BufferLength”2 * FrameSize.．.“ShowLegend”,真的,“ChannelNames”，.．.｛《Coeff估算》，“Coeff 34估计”，“Coeff 35估计”，.．.“Coeff 33实际”，“Coeff 34实际”，“Coeff 35实际”});

运行一帧并输出完整的自适应权重历史，w．

x = randn(FrameSize,1);输入信号D = firfilt3(x) +正弦波();%噪声+信号[~，~，w] = lmsfilt3(x,d);

每一行w是为各自输入样本估计的一组权重。中的每一列w给出一个特定重量的完整历史。画出实际重量和第33、34、35个重量的整个历史。在图中，您可以看到，随着自适应滤波器接收输入样本并继续适应，估计的权重输出最终会与实际权重收敛。

idxBeg = 33;idxEnd = 35;范围([w (:, idxBeg: idxEnd) repmat (w_actual (idxBeg: idxEnd) FrameSize, 1)))

变量	定义
u	输入向量
W	滤波器权值向量
µ	步长
e	错误
问	商, $问＝ \frac{μ \cdot e}{u ＇ u}$
产品u＇u	能源计算图中的产品数据类型
蓄电池u＇u	能量计算图中的蓄能器数据类型
产品W＇u	卷积图中的产品数据类型
蓄电池W＇u	卷积图中的累加器数据类型
产品 $μ \cdot e$	step size和error diagram中的Product数据类型
产品 $问 \cdot u$	权重更新图中的产品和累加器数据类型。¹

算法

LMS滤波算法由以下公式定义。

$\begin{matrix} y （ n ）＝ w^{T} （ n - 1 ） u （ n ） \\ e （ n ）＝ d （ n ） - y （ n ） \\ w （ n ）＝ α w （ n - 1 ） + f （ u （ n ）， e （ n ）， μ ） \end{matrix}$

在这个System对象中可用的各种LMS自适应滤波算法定义为:

LMS—求解Wiener-Hopf方程并找到自适应滤波器的滤波器系数。

$f （ u （ n ）， e （ n ）， μ ）＝ μ e （ n ） u^{＊} （ n ）$
归一化LMS——LMS算法的归一化变化。

$f （ u （ n ）， e （ n ）， μ ）＝ μ e （ n ） \frac{u^{*} （ n ）}{ε + u^{H} （ n ） u （ n ）}$

在归一化LMS中，为了克服权重更新中潜在的数值不稳定性，在分母中添加了一个小的正常数ε。对于双精度浮点输入，ε是<一个href="//www.tatmou.com/in/in/help/matlab/ref/eps.html">每股收益函数。对于单精度浮点输入，ε是的输出每股收益(“单一”)．对于定点输入，ε = 0。
符号-数据LMS——在每次迭代中对过滤器权重的修正取决于输入的符号u(n)。

$f （ u （ n ）， e （ n ）， μ ）＝ μ e （ n ）标志（ u （ n ））$

在哪里u(n)是实数。
符号-错误LMS——应用于每个连续迭代的当前滤波器权重的修正取决于错误的符号，e(n)。

$f （ u （ n ）， e （ n ）， μ ）＝ μ 标志（ e （ n ）） u^{＊} （ n ）$
sign - sign LMS——应用于每个连续迭代的当前滤波器权重的修正依赖于的符号u的符号e(n)。

$f （ u （ n ）， e （ n ）， μ ）＝ μ 标志（ e （ n ））标志（ u （ n ））$

在哪里u(n)是实数。

变量如下:

变量	描述
n	当前时间索引
u（n）	在阶跃处缓冲输入样本的向量n
u *（n）	缓冲输入样本的矢量在阶跃处的复共轭n
w（n）	滤波权值的矢量按阶跃估计n
y (n)	按步骤过滤的输出n
e (n)	阶跃估计误差n
d (n)	按阶跃得到所需的响应n
µ	自适应步长
α	泄漏因子(0 < α≤1)
ε	修正在权重更新过程中发生的任何潜在的数值不稳定性的常数。

参考文献

海耶斯，M.H.统计数字信号处理与建模“，”纽约:John Wiley & Sons出版社，1996年。

扩展功能

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

看到<一个href="//www.tatmou.com/in/in/help/coder/ug/use-system-objects-in-matlab-code-generation.html" class="a">系统对象在MATLAB代码生成(MATLAB编码器)．

的dsp。LMSFilter系统对象支持在以下条件下使用金宝appIntel AVX2技术生成SIMD代码:

方法设置为“LMS”或“归一化LMS”．
WeightsOutput设置为“没有”或“最后一次”．
输入信号为实值。
输入信号的数据类型为单或双．

SIMD技术显著提高了生成代码的性能。

版本历史

在R2012a中引入

另请参阅

dsp。LMSFilter

描述

创建

语法

描述

属性

方法- - - - - -方法来计算过滤器权重“LMS”(默认)|“归一化LMS”|“Sign-Data LMS”|“符号误差LMS”|“Sign-Sign LMS”

长度- - - - - -FIR滤波器权重向量的长度32(默认)|正整数

StepSizeSource- - - - - -方法指定自适应步长“属性”(默认)|输入端口的

StepSize- - - - - -自适应步长0．1(默认)|非负的标量

依赖关系

LeakageFactor- - - - - -泄漏LMS法中使用的泄漏因子1(默认)|[0 1]

InitialConditions- - - - - -滤波器权值的初始条件0(默认)|标量|向量

AdaptInputPort- - - - - -标记以适应过滤器权重假(默认)|真正的

WeightsResetInputPort- - - - - -标志以重置筛选器权重假(默认)|真正的

WeightsResetCondition- - - - - -事件来重置筛选器权重“零”(默认)|“前沿”|的下降沿|“要么边缘”

依赖关系

WeightsOutput- - - - - -方法输出自适应的过滤器权重“最后一次”(默认)|“没有”|“所有”

RoundingMethod- - - - - -定点运算的舍入方法“地板”(默认)|“天花板”|“收敛”|“最近的”|“圆”|“简单”|“零”

OverflowAction- - - - - -用于定点操作的溢出动作“包装”(默认)|“饱和”

StepSizeDataType- - - - - -步长、字长和分数长度设置“与第一次输入的单词长度相同”(默认)|“自定义”

CustomStepSizeDataType- - - - - -步长字和分数长度numerictype([], 16岁,15)(默认)

依赖关系

LeakageFactorDataType- - - - - -泄漏因子字长和分数长度设置“与第一次输入的单词长度相同”(默认)|“自定义”

CustomLeakageFactorDataType- - - - - -泄漏因子的字和分数长度numerictype([], 16岁,15)(默认)

依赖关系

WeightsDataType- - - - - -加权字长和分数长度设置“与第一次输入相同”(默认)|“自定义”

CustomWeightsDataType- - - - - -滤波器权重的字长度和分数长度numerictype([], 16岁,15)(默认)

依赖关系

EnergyProductDataType- - - - - -能源产品字长和分数长度设置“与第一次输入相同”(默认)|“自定义”

依赖关系

CustomEnergyProductDataType- - - - - -能量积的字和分数长度numerictype([], 32岁,20)(默认)

依赖关系

EnergyAccumulatorDataType- - - - - -能量蓄能器字长和分数长度设置“与第一次输入相同”(默认)|“自定义”

依赖关系

CustomEnergyAccumulatorDataType- - - - - -蓄能器的字和分数长度numerictype([], 32岁,20)(默认)

依赖关系

ConvolutionProductDataType- - - - - -卷积乘积字长和分数长度的设置“与第一次输入相同”(默认)|“自定义”

CustomConvolutionProductDataType- - - - - -卷积积的字长和分数长numerictype([], 32岁,20)(默认)

依赖关系

ConvolutionAccumulatorDataType- - - - - -卷积累加器字长和分数长度设置“与第一次输入相同”(默认)|“自定义”

CustomConvolutionAccumulatorDataType- - - - - -卷积累加器的字长度和分数长度numerictype([], 32岁,20)(默认)

依赖关系

StepSizeErrorProductDataType- - - - - -步长误差乘积字长和分数长度设置“与第一次输入相同”(默认)|“自定义”

CustomStepSizeErrorProductDataType- - - - - -步长误差积的字长度和分数长度numerictype([], 32岁,20)(默认)

依赖关系

WeightsUpdateProductDataType- - - - - -过滤器权重更新产品字长和分数长度设置“与第一次输入相同”(默认)|“自定义”

CustomWeightsUpdateProductDataType- - - - - -字和分数长度的过滤器权重更新产品numerictype([], 32岁,20)(默认)

依赖关系

QuotientDataType- - - - - -商字长度和分数长度设置“与第一次输入相同”(默认)|“自定义”

依赖关系

CustomQuotientDataType- - - - - -商的字和分数长度numerictype([], 32岁,20)(默认)

依赖关系

使用

语法

描述

输入参数

x- - - - - -数据输入标量|列向量

d- - - - - -期望信号标量|列向量

μ- - - - - -步长负的标量

依赖关系

一个- - - - - -适应控制标量

依赖关系

r- - - - - -复位信号标量

依赖关系

输出参数

y-过滤输出标量|列向量

犯错-输出和期望信号之间的差异标量|列向量

出世-自适应滤波器权重标量|列向量

对象的功能

专用于dsp。LMSFilter

所有系统对象通用

例子

预测LMS滤波器的均方误差

计算LMS自适应滤波器的最大步长

基于LMS算法的FIR滤波器系统辨识

基于归一化LMS算法的FIR滤波器系统辨识

比较LMS算法与归一化LMS算法的收敛性能

使用LMS滤波器消除噪声

基于符号数据LMS算法的噪声消除

`方法`- - - - - -方法来计算过滤器权重
`“LMS”`(默认)|`“归一化LMS”`|`“Sign-Data LMS”`|`“符号误差LMS”`|`“Sign-Sign LMS”`

`长度`- - - - - -FIR滤波器权重向量的长度
`32`(默认)|正整数

`StepSizeSource`- - - - - -方法指定自适应步长
`“属性”`(默认)|`输入端口的`

`StepSize`- - - - - -自适应步长
`0．1`(默认)|非负的标量

`LeakageFactor`- - - - - -泄漏LMS法中使用的泄漏因子
`1`(默认)|`[0 1]`

`InitialConditions`- - - - - -滤波器权值的初始条件
`0`(默认)|标量|向量

`AdaptInputPort`- - - - - -标记以适应过滤器权重
`假`(默认)|`真正的`

`WeightsResetInputPort`- - - - - -标志以重置筛选器权重
`假`(默认)|`真正的`

`WeightsResetCondition`- - - - - -事件来重置筛选器权重
`“零”`(默认)|`“前沿”`|`的下降沿`|`“要么边缘”`

`WeightsOutput`- - - - - -方法输出自适应的过滤器权重
`“最后一次”`(默认)|`“没有”`|`“所有”`

`RoundingMethod`- - - - - -定点运算的舍入方法
`“地板”`(默认)|`“天花板”`|`“收敛”`|`“最近的”`|`“圆”`|`“简单”`|`“零”`

`OverflowAction`- - - - - -用于定点操作的溢出动作
`“包装”`(默认)|`“饱和”`

`StepSizeDataType`- - - - - -步长、字长和分数长度设置
`“与第一次输入的单词长度相同”`(默认)|`“自定义”`

`CustomStepSizeDataType`- - - - - -步长字和分数长度
`numerictype([], 16岁,15)`(默认)

`LeakageFactorDataType`- - - - - -泄漏因子字长和分数长度设置
`“与第一次输入的单词长度相同”`(默认)|`“自定义”`

`CustomLeakageFactorDataType`- - - - - -泄漏因子的字和分数长度
`numerictype([], 16岁,15)`(默认)

`WeightsDataType`- - - - - -加权字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

`CustomWeightsDataType`- - - - - -滤波器权重的字长度和分数长度
`numerictype([], 16岁,15)`(默认)

`EnergyProductDataType`- - - - - -能源产品字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

`CustomEnergyProductDataType`- - - - - -能量积的字和分数长度
`numerictype([], 32岁,20)`(默认)

`EnergyAccumulatorDataType`- - - - - -能量蓄能器字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

`CustomEnergyAccumulatorDataType`- - - - - -蓄能器的字和分数长度
`numerictype([], 32岁,20)`(默认)

`ConvolutionProductDataType`- - - - - -卷积乘积字长和分数长度的设置
`“与第一次输入相同”`(默认)|`“自定义”`

`CustomConvolutionProductDataType`- - - - - -卷积积的字长和分数长
`numerictype([], 32岁,20)`(默认)

`ConvolutionAccumulatorDataType`- - - - - -卷积累加器字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

`CustomConvolutionAccumulatorDataType`- - - - - -卷积累加器的字长度和分数长度
`numerictype([], 32岁,20)`(默认)

`StepSizeErrorProductDataType`- - - - - -步长误差乘积字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

`CustomStepSizeErrorProductDataType`- - - - - -步长误差积的字长度和分数长度
`numerictype([], 32岁,20)`(默认)

`WeightsUpdateProductDataType`- - - - - -过滤器权重更新产品字长和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

`CustomWeightsUpdateProductDataType`- - - - - -字和分数长度的过滤器权重更新产品
`numerictype([], 32岁,20)`(默认)

`QuotientDataType`- - - - - -商字长度和分数长度设置
`“与第一次输入相同”`(默认)|`“自定义”`

`CustomQuotientDataType`- - - - - -商的字和分数长度
`numerictype([], 32岁,20)`(默认)

`x`- - - - - -数据输入
标量|列向量

`d`- - - - - -期望信号
标量|列向量

`μ`- - - - - -步长
负的标量

`一个`- - - - - -适应控制
标量

`r`- - - - - -复位信号
标量

`y`-过滤输出
标量|列向量

`犯错`-输出和期望信号之间的差异
标量|列向量

`出世`-自适应滤波器权重
标量|列向量

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。