dsp.FrequencyDomainAdaptiveFilter
计算输出,错误,并使用频域FIR自适应滤波器系数
描述
的dsp.FrequencyDomainAdaptiveFilter系统对象™实现了一种自适应有限脉冲响应(杉木)滤波器在频域中使用快速块至少意味着广场(LMS)算法。的长度和BlockLength属性指定滤波器长度和算法使用的块长度值。的FFTCoefficients属性包含当前滤波器系数的离散傅里叶变换。对象提供了约束和无约束算法的版本与分区和分区模式。有关详细信息,请参见算法。
使用频域FIR自适应滤波器过滤一个信号:
创建
dsp.FrequencyDomainAdaptiveFilter对象并设置其属性。调用对象的参数,就好像它是一个函数。
了解更多关于系统对象是如何工作的,看到的系统对象是什么?
创建
语法
描述
fdaf= dsp.FrequencyDomainAdaptiveFilterfdaf。这个系统对象用于计算过滤输出和过滤器错误对于一个给定的输入和期望信号。
fdaf= dsp.FrequencyDomainAdaptiveFilter (len)长度属性设置为len。
fdaf= dsp.FrequencyDomainAdaptiveFilter (___,名称,值)
例子:fdaf = dsp.FrequencyDomainAdaptiveFilter(“长度”,32岁的“StepSize”, 0.1)模型的频域自适应滤波器的长度32水龙头和步长为0.1。
属性
使用
描述
输入参数
输出参数
对象的功能
使用一个目标函数,指定系统对象作为第一个输入参数。例如,释放系统资源的系统对象命名obj使用这个语法:
发行版(obj)
例子
正交相移编码自适应均衡和冷杉过滤器
传输一个正交相移键控(QPSK)信号在一个嘈杂的传输通道。接收信号中的噪声最小化使用频域自适应滤波器。
QPSK信号,年代,在噪声信道传输。通道的分子和分母系数中包含向量b和一个,分别。接收到的信号,r,结束的时候获得传输通道包含传播QPSK信号和噪声添加到频道,n。自适应滤波器用于提取QPSK信号从接收到的噪声输入。所需的信号,d,是QPSK信号的延迟版本。
D = 16;b = exp(1 *π/ 4)* (-0.7 - 1);一个= -0.7 [1];正常= 1024关系;s =符号(randn(1,正常+ D)关系)+ 1我*签署(randn(1,正常+ D)关系);n = 0.1 * (randn(正常+ D关系)+ 1我* randn(1,正常+ D)关系);r =过滤器(b, a, s) + n;x = r (1 + D:正常+ D关系);d = s(1:正常)关系;
创建一个dsp.FrequencyDomainAdaptiveFilter对象模型的频域自适应滤波器长度32水龙头和步长为0.1。自适应滤波器接受延迟的接收信号和期望信号作为输入。自适应滤波器的输出相比,所需的信号。两者之间的误差信号代表了噪声添加到传输通道。自适应滤波器更新系数,直到这个错误变得最小。得到滤波器的离散傅里叶变换系数,调用fdaf对象,访问FFTCoefficients这个对象的属性。
μ= 0.1;fdaf = dsp.FrequencyDomainAdaptiveFilter (“长度”32岁的“StepSize”μ);[y, e] = fdaf (x, d);fftCoeffs = fdaf.FFTCoefficients
fftCoeffs =1×64复杂我0.6802 - 0.6847 -0.2485 - 0.9427 -0.9675 - 0.2123 0.5748我-0.5605 + 0.8002 + 0.7593我0.8541 - 0.3917 -0.2526 - 0.9022 -0.9298 0.0181 + 0.9366 + 0.1255我0.9207 + 0.0511我0.1063 - 0.8972 -0.8919 - 0.1829 -0.2668 + 0.9113我0.9215 + 0.3186 0.3417 - 0.8859 -0.8285 - 0.3760 0.8741我-0.4317 + 0.8200 + 0.4765我0.4874 - 0.9075 -0.8517 - 0.4774 -0.4709 + 0.7632我0.7468 + 0.4833 0.5193 - 0.7995 -0.8218 - 0.5649 0.7316我-0.5908 + 0.7768 + 0.5866我0.5806 - 0.7270 -0.7148 - 0.5998 -0.6287 + 0.6702我0.6575 + 0.6379 0.6332 - 0.7153 -0.7659 - 0.6424 0.6536我-0.6678 + 0.7294 + 0.6891我0.7006 - 0.6333 -0.6594 - 0.7117 -0.7207 + 0.6517我0.6031 + 0.7239 0.7362 - 0.5776 -0.5869 - 0.7682 0.5449我-0.7975 + 0.5789 + 0.7992我0.7909 - 0.5343 -0.5512 - 0.8070 0.5338 -0.8392 + 0.4605 + 0.8493我0.8358 - 0.3921 -0.3751 - 0.8388 -0.8739 0.3625 + 0.9048 + 0.3785我
情节和同相正交组件所需的输出和错误的信号。
阴谋(1:正常,关系真实([d; y; e]))传说(“想要的”,“输出”,“错误”)标题(同相分量的)包含(“时间指数”);ylabel (的信号值)
阴谋(1:正常,关系图像放大([d; y; e]))传说(“想要的”,“输出”,“错误”)标题(“正交组件”)包含(“时间指数”)ylabel (的信号值)
创建接收信号的散点图和所需的信号。
情节(x(正常- 100:关系正常)的关系,“。”轴([3 3 3 3])标题(“收到信号散点图”)轴(“广场”)包含(“真正的[x]”)ylabel (图像放大[x]”网格)在
![图包含一个坐标轴对象。坐标轴对象与标题接收信号散点图,包含真正的[x], ylabel图像放大[x]包含一行对象显示它的值只使用标记。](http://www.tatmou.com/it/help/examples/dsp/win64/QPSKAdaptiveEqualizationWithFIRFilterExample_03.png)
情节(d(正常- 100:关系正常)的关系,“。”轴([3 3 3 3])标题(“期望信号散点图”)轴(“广场”)包含(“真正的[y]”)ylabel (图像放大[y]”网格)在
![图包含一个坐标轴对象。坐标轴对象与标题期望信号散点图,包含真正的[y], ylabel图像放大[y]包含一行对象显示它的值只使用标记。](http://www.tatmou.com/it/help/examples/dsp/win64/QPSKAdaptiveEqualizationWithFIRFilterExample_04.png)
消除噪声的自适应滤波器使得车内外的接收信号。画出散点图的平衡的信号。
情节(y(正常- 100:关系正常)的关系,“。”轴([3 3 3 3])标题(“平衡的信号散点图”)轴(“广场”)包含(“真正的[y]”)ylabel (图像放大[y]”网格)在
![图包含一个坐标轴对象。坐标轴对象与标题平衡的信号散点图,包含真正的[y], ylabel图像放大[y]包含一行对象显示它的值只使用标记。](http://www.tatmou.com/it/help/examples/dsp/win64/QPSKAdaptiveEqualizationWithFIRFilterExample_05.png)
估计使用频域自适应滤波器系数的滤波器
使用频域自适应滤波器的系数估计长冷杉过滤器。冷杉滤波器脉冲响应模型的一个房间。使用分区模式的频域自适应滤波器来降低滤波器延时。
注意:这个例子只运行在R2018a或更高版本。
初始化
生成一个长冷杉脉冲响应的8192个样本和分配的脉冲响应dsp.FIRFilter对象,房间。这个对象模型的脉冲响应一个房间。创建一个dsp.FrequencyDomainAdaptiveFilter过滤器,lmsfilt在分区模式的限制。滤波器的长度设置为四分之一房间的脉冲响应的长度。滤波器的块长度设置为128样本。设置步长为0.025,初始功率0.01,0.98,平均因素抵消1,泄漏系数为1。初始化一个dsp.ArrayPlot对象查看滤波器系数。初始化一个timescope对象显示之间的均方误差滤波器输出和期望的信号。
fs = 16 e3;m = 8192;[b] = cheby2 (4 20 [0.1 - 0.7]);impulseResponseGenerator = dsp.IIRFilter (…“分子”,(0 (1,6)b),…“分母”,);roomImpulseResponse = impulseResponseGenerator (…(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”,“分区限制FDAF”,…“长度”米/ 4…“BlockLength”,128,…“StepSize”,0.025,…“InitialPower”,0.01,…“AveragingFactor”,0.98,…“抵消”,1…“LeakageFactor”1);FrameSize = lmsfilt.BlockLength;硝石= 2000;美联社= dsp.ArrayPlot (“YLimits”(-0.2。2),“ShowLegend”,真的,…“位置”[0 0 560 420],“ChannelNames”,…{“实际系数”,“估计系数”});TS = timescope (“SampleRate”fs,“TimeSpanSource”,“属性”,…“时间间隔”FrameSize *硝石/ fs,…“TimeUnits”,“秒”,…“YLimits”(-50 0),“标题”,“学习曲线”,…“YLabel”,“数据库”,…“BufferLength”,FrameSize *硝石,…“ShowGrid”,真正的);signalmean = dsp.MovingAverage (“SpecifyWindowLength”、假);
流媒体
生成一个随机输入信号使用randn函数。的帧大小的块长度匹配自适应滤波器的输入。所需的信号是数字滤波器的输出的总和(房间)和高斯白噪声的信号。通过输入信号与期望信号的自适应滤波器。计算自适应滤波器输出和输出之间的误差和所需的信号。
估计时域自适应滤波器的系数通过传输线的频域系数向量返回的lmsfilt.FFTCoefficients财产。估计系数与实际情况相比较系数分配给冷杉过滤器(房间)。一旦自适应滤波器聚集其输出所需的信号,和最小化误差信号,估计系数与实际密切匹配系数。这意味着,自适应滤波器成功本身适应模型的脉冲响应数字滤波器(房间)。
为k = 1:硝石x = randn (FrameSize, 1);d =房间(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:结束);w =重塑(w。', 1 m / 4);美联社([roomImpulseResponse (1: m / 4)、w。');TS (10 * log10 (signalmean (abs (e) ^ 2)));结束
作为筛选适应随着时间的推移,你可以看到在时间范围内的均方误差最小。同时,估计系数匹配数组中的实际紧密系数图。
算法
频域自适应滤波包括三个步骤——过滤、误差估计,tap-weight适应。该算法在频域实现了冷杉过滤使用overlap-save或交叠相加的方法。这两个方法的实现细节,看到算法部分的dsp.FrequencyDomainFIRFilter对象页面。误差估计和tap-weight适应使用快速实现块LMS算法(FBLMS)。
快块LMS算法
频域自适应滤波器处理输入数据和期望信号数据作为样本块使用快速块LMS (FBLMS)算法。这是框图的频域自适应滤波器使用FBLMS算法。这个图中的频域滤波器使用overlap-save方法。
地点:
N——滤波器长度
l——块长度
μ——步长参数
x (n)——输入信号
X (k)——改变了输入信号在频域
d (n)——期望信号
e (n)——期望信号和滤波器输出之间的误差
E (n)——转换误差信号在频域
W (k)——Tap-weights向量在频域
更多细节的错误估计和tap-weights改编,明白了[2]。
引用
[1]Shynk, J.J.“频域和多重速率的自适应过滤。”IEEE信号处理杂志。第一卷。9日,1992年,页14-37。
[2]Farhang-Boroujeny, B。,自适应滤波器:理论和应用程序奇切斯特,英国,威利,1998年。
[3]Stockham, t·G。,小。“高速卷积和相关性。”学报1966年春季联合计算机会议,AFIPS,28卷,1966年,页229 - 233。
扩展功能
版本历史
介绍了R2013b
