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)算法在频域实现了一个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属性包含当前滤波器系数的离散傅里叶变换。该对象提供了带有分区和非分区模式的算法的有约束和无约束版本。有关详细信息,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。调用带有参数的对象，就好像它是一个函数。
要了解更多关于系统对象如何工作的信息，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)
例子:fdaf = dsp.FrequencyDomainAdaptiveFilter(“长度”,32岁的“StepSize”,0.1)建模一个频域自适应滤波器，长度为32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，指定System对象作为第一个输入参数。例如，要释放一个system对象的系统资源obj，使用以下语法:
发行版(obj)
例子
QPSK自适应均衡与FIR滤波器
通过有噪声的传输通道传输正交相移键控(QPSK)信号。使用频域自适应滤波器将接收信号中的噪声降至最低。
请注意:如果您正在使用R2016a或更早的版本，请用等价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,通过噪声信道传输。信道的分子和分母系数包含在向量中b和一个,分别。接收到的信号,r,在传输通道末端获得的，包含传输的QPSK信号和添加到通道中的噪声，n。自适应滤波器用于从接收的噪声输入中提取QPSK信号。所需的信号,d,是QPSK信号的延迟版本。
D = 16;B = exp(1i*pi/4)*[-0.7 1];A = [1 -0.7];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(1,ntr+D) + 1i*randn(1,ntr+D)));R = filter(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对象建模一个频域自适应滤波器，长度为32点，步长为0.1。该自适应滤波器接受接收信号的延迟版本和所需信号作为输入。将自适应滤波器的输出与期望信号进行比较。两个信号之间的误差表示添加到传输通道中的噪声。自适应滤波器更新它的系数，直到这个误差变得最小。要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。
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 0.7632 -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 - 0.59980.6702我0.6575 + 0.6379 0.6332 - 0.7153 -0.7659 - 0.6536 0.6424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
绘制所需的、输出和错误信号的同相和正交分量。
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])标题(“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])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
自适应滤波器均衡接收信号以消除噪声。绘制均衡后信号的散点图。
情节(y(正常- 100:关系正常)的关系,“。”)轴([-3 3 -3 3])标题(“均衡化信号散点图”)轴(“广场”)包含(“真正的[y]”) ylabel (图像放大[y]”网格)在
使用频域自适应滤波器估计长FIR滤波器的系数
使用频域自适应滤波器来估计长FIR滤波器的系数。FIR滤波器对房间的脉冲响应进行建模。在频域自适应滤波器中使用分区模式，以减少滤波器延迟。
注意:本例仅在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。该对象模拟了一个房间的脉冲响应。创建一个dsp。FrequencyDomainAdaptiveFilter过滤器,lmsfilt，在分区约束模式下。将滤波器长度设置为房间脉冲响应长度的1 / 4。将滤波器的块长设置为128个样本。设置步长为0.025，初始功率为0.01，平均因子为0.98，偏移量为1，泄漏因子为1。初始化一个dsp。ArrayPlot对象查看过滤器系数。初始化一个timescope对象，显示滤波器输出和所需信号之间的均方误差。
fs = 16 e3;m = 8192;[b,a] = 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。输入的帧大小与自适应滤波器的块长度匹配。所需信号是FIR滤波器(房间)的输出和高斯白噪声信号的总和。将输入信号和期望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期望信号之间的误差。
的返回的频域系数向量的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。一旦自适应滤波器将其输出收敛到所需信号，并将误差信号最小化，估计系数就与实际系数密切匹配。这意味着自适应滤波器已经成功地自我适应，以模拟FIR滤波器(房间)的脉冲响应。
为k = 1:NIter x = randn(FrameSize,1);d = room(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: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，你可以看到在时间范围内，均方误差变得最小。同时，估计的系数与阵列图中的实际系数非常接近。
算法
频域自适应滤波由三个步骤组成:滤波、误差估计和抽头权重自适应。该算法使用重叠保存或重叠添加方法在频域实现FIR滤波。要了解这两种方法的更多实现细节，请参见算法部分的dsp。FrequencyDomainFIRFilter对象页面。使用快速块LMS算法(FBLMS)实现了误差估计和tap-weight自适应。
，快速块LMS算法
频域自适应滤波器使用快速块LMS (FBLMS)算法将输入数据和所需信号数据作为样本块处理。下图是使用FBLMS算法的频域自适应滤波器的框图。这张图中的频域FIR滤波器使用了重叠保存方法。
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)——变换后的输入信号在频域
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)——变换后的频域错误信号
W (k)——频域tap -weight向量
有关如何估计误差和调整轻拍权重的更多细节，请参见[2]。
参考文献
[1] Shynk, J.J.“频域和多速率自适应滤波。”IEEE信号处理杂志。1992年第9卷第1期，第14-37页。
[2] Farhang-Boroujeny, B。,自适应滤波器:理论与应用， Chichester, England, Wiley, 1998。
[3]小斯托克汉姆，t.g.。《高速卷积与相关》。1966年春季联合计算机会议的会议记录，AFIPS，1966年第28卷，第229-233页。
扩展功能
版本历史
介绍了R2013b
您也可以从以下列表中选择一个网站: