dsp。FrequencyDomainAdaptiveFilter
使用频域FIR自适应滤波器计算输出、误差和系数
描述
的dsp。FrequencyDomainAdaptiveFilter系统对象™使用快速块最小均方(LMS)算法在频域实现了自适应有限脉冲响应(FIR)滤波器。的长度和BlockLength属性指定过滤器长度和算法使用的块长度值。的FFTCoefficients属性包含了当前滤波器系数的离散傅里叶变换。对象提供了具有分区模式和非分区模式的算法的约束和非约束版本。详细信息请参见算法．
使用频域FIR自适应滤波器对信号进行滤波:
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。
有关系统对象如何工作的详细信息，请参见什么是系统对象?
创建
语法
描述
fdaf= dsp。FrequencyDomainAdaptiveFilterfdaf．这个System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）长度属性设置为len．
fdaf= dsp。FrequencyDomainAdaptiveFilter (___，名称,值）
fdaf = dsp.FrequencyDomainAdaptiveFilter('Length'，32，'StepSize'，0.1)建立一个频域自适应滤波器，其长度为32个点，步长为0.1。
属性
使用
描述
输入参数
输出参数
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)
例子
带FIR滤波器的QPSK自适应均衡
通过一个有噪声的传输信道传输一个正交相移键控(QPSK)信号。使用频域自适应滤波器最小化接收信号中的噪声。
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)．
QPSK信号，年代,通过一个有噪声的信道传输。信道的分子系数和分母系数包含在向量中b而且一个,分别。接收的信号，r,在传输信道末端获得的信号包含传输的QPSK信号和添加到该信道的噪声，n．自适应滤波器用于从接收的噪声输入中提取QPSK信号。想要的信号，d,为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 =符号(randn(1,正常+ D)关系)+ 1我*签署(randn(1,正常+ D)关系);n = 0.1*(randn(1,ntr+D) + 1i*randn(1,ntr+D));R = filter(b,a,s) + n;x = r(1+D:ntr+D);D = s(1:ntr);
创建一个dsp。FrequencyDomainAdaptiveFilter对象对长度为32点、步长为0.1的频域自适应滤波器进行建模。自适应滤波器接受所接收信号的延迟版本和所期望的信号作为输入。将自适应滤波器的输出与所需信号进行比较。两个信号之间的误差表示添加到传输通道的噪声。自适应滤波器更新它的系数，直到这个误差最小化。为了得到滤波器系数的离散傅里叶变换，调用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”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 0.7632 -0.4709 + 0.7468 + 0.4833我0.5193 - 0.7995 -0.8218 - 0.5649 -0.5908 0.7316 + 0.5866 + 0.7768我0.5806 - 0.7270我-0.6287 + -0.7148 - 0.59980.6702i 0.6575 + 0.6379i 0.6332 - 0.7153i -0.7659 - 0.6424i -0.6678 + 0.7294i 0.6536 + 0.6891i 0.7006 - 0.63333 i -0.6594 + 0.6517i 0.6031 + 0.7239i 0.7362 - 0.5776i -0.5869 - 0.7682i -0.7975 + 0.5776i 0.5449 + 0.7992i 0.7909 - 0.5343i -0.8392 + 0.5338i 0.605 + 0.8493i 0.8358 - 0.3921i -0.8739 + 0.3785i 0.3625 + 0.9048i
绘制期望信号、输出信号和误差信号的同相分量和正交分量。
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）
创建接收信号和期望信号的散点图。
情节(x(正常- 100:关系正常)的关系,“。”轴([-3 3 -3 3])“接收信号散点图”)轴(“广场”)包含(“真正的[x]”) ylabel (图像放大[x]”网格)在
情节(d(正常- 100:关系正常)的关系,“。”轴([-3 3 -3 3])“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
自适应滤波器对接收信号进行均衡以消除噪声。绘制均衡信号的散点图。
情节(y(正常- 100:关系正常)的关系,“。”轴([-3 3 -3 3])“均衡信号散点图”)轴(“广场”)包含(“真正的[y]”) ylabel (图像放大[y]”网格)在
用频域自适应滤波器估计长FIR滤波器的系数
利用频域自适应滤波器估计长FIR滤波器的系数。FIR滤波器模拟房间的脉冲响应。在频域自适应滤波器中采用分区方式，减少滤波器延迟。
注意:此示例仅在R2018a或更高版本中运行。
初始化
生成8192个样本的长FIR脉冲响应，并将脉冲响应分配给adsp。FIRFilter对象,房间．这个物体模拟了一个房间的脉冲响应。创建一个dsp。FrequencyDomainAdaptiveFilter过滤器,lmsfilt，在分区约束模式。将滤波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。初始化一个dsp。ArrayPlot对象查看筛选器系数。初始化一个timescope对象显示滤波器输出与所需信号之间的均方误差。
Fs = 16e3;M = 8192;[b,a] = cheby2(4,20，[0.1 0.7]);impulse esponsegenerator = dsp。IIRFilter (.．.“分子”， [0 (1,6) b]，.．.“分母”,);roomimpulse esponsegenerator (.．.(日志兰德(1米)+(0.99 * 0.01)。*标志(randn(1米)。* exp (-0.002 * (1: m))) ');roomimpulse esponse = roomimpulse esponse/norm(roomimpulse esponse);房间= dsp。FIRFilter (“分子”roomImpulseResponse ');Lmsfilt = dsp。FrequencyDomainAdaptiveFilter (.．.“方法”，“分区约束FDAF”，.．.“长度”米/ 4.．.“BlockLength”, 128,.．.“StepSize”, 0.025,.．.“InitialPower”, 0.01,.．.“AveragingFactor”, 0.98,.．.“抵消”, 1.．.“LeakageFactor”1);FrameSize = lmsfilt.BlockLength;镍= 2000;AP = dsp。ArrayPlot (“YLimits”(-0.2。2),“ShowLegend”,真的,.．.“位置”，[0 0 560 420]，“ChannelNames”，.．.｛“实际系数”，“估计系数”});时间计(“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
函数生成一个随机输入信号randn函数。输入的帧大小与自适应滤波器的块长度相匹配。所期望的信号是FIR滤波器(房间)输出和高斯白噪声信号的和。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与所需信号之间的误差。
函数返回频域系数向量的IFFT来估计自适应滤波器的时域系数lmsfilt。FFTCoefficients财产。将估计系数与分配给FIR滤波器(房间)的实际系数进行比较。一旦自适应滤波器的输出收敛到期望的信号，并最小化误差信号，估计系数与实际系数紧密匹配。这意味着自适应滤波器已经成功地适应了FIR滤波器(房间)的脉冲响应模型。
为k = 1:NIter x = randn(FrameSize,1);d =房间(x) + 0.01*randn(FrameSize,1);[y,e] = lmsfilt(x,d);FFTCoeffs = lmsfilt.FFTCoefficients;w = ifft(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)));结束
当过滤器随时间调整时，您可以在时间范围内看到均方误差变得最小。同时，在阵列图中，估计系数与实际系数非常接近。
算法
频域自适应滤波包括滤波、误差估计和频域自适应三个步骤。该算法采用重叠保存或重叠添加方法在频域实现FIR滤波。有关这两个方法的更多实现细节，请参见算法章节。dsp。FrequencyDomainFIRFilter对象页面。采用快速块LMS算法(FBLMS)实现了误差估计和轻敲权重自适应。
快速块LMS算法
频域自适应滤波器使用快速块LMS (FBLMS)算法处理输入数据和所需信号数据作为一个样本块。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滤波器使用了重叠节省方法。
地点:
N——过滤器长度
l——块长度
μ步长参数
x (n)——输入信号
X (k)——在频域变换输入信号
d (n)——期望信号
e (n)——期望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)——频域的轻敲权重向量
有关如何估计误差和调整敲击权重的详细信息，请参见[２]．
参考文献
[1] Shynk, J.J.频域与多速率自适应滤波IEEE信号处理杂志。第9卷，第1期，1992年，第14-37页。
Farhang-Boroujeny, B，自适应滤波器:理论与应用，英国奇切斯特，Wiley, 1998年。
[3]小t.g.斯托克汉姆《高速卷积与相关》1966年春季联合计算机会议论文集Vol. 28, 1966, pp. 229-233。
扩展功能
另请参阅
对象
dsp。lMSFilter|dsp。RLSFilter|dsp。AffineProjectionFilter|dsp。AdaptiveLatticeFilter|dsp。FilteredXLMSFilter|dsp。FIRFilter|dsp。FastTransversalFilter|dsp。FrequencyDomainFIRFilter
块
您也可以从以下列表中选择一个网站:
