信号和噪声

定义一个假设的信息信号，x，采样频率为100hz，超过6秒。

时间=（0:0.01:6）；（x=sin（40./（时间+0.01））；绘图（时间，x）标题(“信息信号x”)包含(“时间”) ylabel (“x”)

假定x无法在没有干扰信号的情况下进行测量， ${\mathit{N}}_{2.}$，这是由另一个噪声源产生的， ${\mathit{N}}_{1.}$，通过某种未知的非线性过程。

生成并绘制噪声源 ${\mathit{N}}_{1.}$．

n1 = randn(大小(时间));情节(时间、n1)标题(“噪声源n_1”)包含(“时间”) ylabel (‘n_1’)

假设干扰信号， ${\mathit{N}}_{2.}$，在被测信号中出现的是通过一个未知的非线性方程产生的:

将此非线性函数绘制为曲面。

domain=linspace（min（n1），max（n1），20）；[xx，yy]=meshgrid（domain，domain）；zz=4*sin（xx）。*yy./（1+yy.^2）；surf（xx，yy，zz）xlabel(“n_1 (k)”) ylabel (‘n_1（k-1）’)兹拉贝尔(‘n_2（k）’)标题(“未知干扰信道特性”)

计算干扰信号， ${\mathit{N}}_{2.}$，从噪声源， ${\mathit{N}}_{1.}$，并绘制两种信号。

n1d0 = n1;%延迟为0的n1n1d1 = [0;n1d0(1:长度(n1d0) 1)];%具有延迟1的n1n2 = 4 * sin (n1d0)。* n1d1. / (1 + n1d1。^ 2);%干扰子地块（2,1,1）绘图（时间，n1）标签(‘n_1’)包含(“时间”)标题(“噪声源”) subplot(2,1,2) plot(time,n2) ylabel(‘n_2’)标题(“干扰信号”)包含(“时间”)

${\mathit{N}}_{2.}$有关 ${\mathit{N}}_{1.}$通过前面所示的高度非线性过程。然而，从图上看，这两个信号似乎没有以任何方式相互关联。

被测信号，M，为原始信息信号的和，x，以及干扰， ${\mathit{N}}_{2.}$．然而, ${\mathit{N}}_{2.}$是未知的。唯一可用的信号是噪声信号， ${\mathit{N}}_{1.}$，以及被测信号M．

M = x + n2;子图(1,1,1)图(时间，m)标题(“测量信号”)包含(“时间”) ylabel (“米”)

你可以恢复原始的信息信号，x，通过ANFIS训练使用自适应噪声抵消。

建立ANFIS模型

使用简称anfis命令来识别两者之间的非线性关系 ${\mathit{N}}_{1.}$和 ${\mathit{N}}_{2.}$虽然 ${\mathit{N}}_{2.}$不是直接可用的，你可以假设M是嘈杂版的吗 ${\mathit{N}}_{2.}$用于培训。此假设适用于x为这种非线性拟合中的“噪声”。

假设非线性信道的阶数已知（在这种情况下，2.)。您可以使用双输入ANFIS模型进行培训。

定义训练数据。的前两列数据是ANFIS模型的输入， ${\mathit{N}}_{1.}$还有一个延迟版本的 ${\mathit{N}}_{1.}$.最后一栏数据为被测信号，M．

delayed_n1 = [0;n1(1:长度(n1) 1)];数据= [delayed_n1 n1 m];

生成初始FIS对象。默认情况下，网格划分算法对每个输入变量使用两个隶属函数，从而生成四个模糊规则进行学习。

genOpt=genfisOptions(“GridPartition”)；inFIS=genfis（数据（：，1:end-1），数据（：，end），genOpt）；

使用简称anfis初始训练步长为0．2．

trainOpt = anfisOptions (“InitialFIS”，英菲斯，“初始步长”, 0.2);人物=简称anfis(数据、trainOpt);

ANFIS信息：节点数：21个线性参数数：12个非线性参数数：12个参数总数：24个训练数据对数：601个检查数据对数：0个模糊规则数：4个开始训练ANFIS…10.761817 2 0.748426 3 0.739315 4 0.733993第5纪元后步长增加到0.220000。5 0.7294926 0.725382 7 0.721269 8 0.717621步长在第9纪元后增加到0.242000。9 0.714474 10 0.71207指定纪元数达到。ANFIS训练在第10纪元完成。最小训练RMSE=0.71207

调金融中间人,人物》的二阶关系模型 ${\mathit{N}}_{1.}$和 ${\mathit{N}}_{2.}$．

评估模型

计算估计的干扰信号，估计值，通过使用原始训练数据评估调整后的FIS。

estimated_n2 = evalfis(人物、数据(:1:2));

绘制实际的 ${\mathit{N}}_{2.}$信号和ANFIS输出的估计版本。

Subplot (2,1,1) plot(time, n2) ylabel(‘n_2’)包含(“时间”)标题(“未知干扰信号”) subplot(2,1,2) plot(time, estimated_n2) ylabel(‘n_2’)包含(“时间”)标题(“估计干扰信号”)

估计的信息信号等于被测信号之间的差，M，估计干扰(ANFIS输出)。

估计的_x=m-估计的_n2；

比较原始信息信号，x，以及估计，估计值．

图2：曲线图（时间、估计值），“b”，时间，x，“r”)包含(“时间”) ylabel (“x”)标题(“实际信号与估计信号的比较”)传奇(“估计x”,'实际x（未知）',“位置”,“东南”)

在没有大量训练的情况下，ANFIS模型可以对信息信号做出相对准确的估计。