自适应滤波器
DSP系统工具箱™提供了LMS和RLS自适应有限脉冲响应(FIR)滤波器算法的几种变体。虽然这些算法在细节上有所不同,但它们有一个共同的操作方法,即最小化自适应滤波器输出与所需信号之间的误差差。均方误差(MSE)是最常用的量化这种误差的度量。自适应滤波器广泛应用于声学噪声消除、回波消除、波束形成、系统识别、生物医学信号增强、通信信道均衡等领域。有关说明其中一些应用程序的示例,请参见基于LMS算法的FIR滤波器系统辨识,基于符号数据LMS算法的噪声消除,基于RLS算法的逆系统辨识.
当输入是彩色的,仿射投影自适应滤波算法提供dsp。AffineProjectionFilter
对象显著提高了LMS变化下的收敛速度。为增加计算成本,提出了自适应格滤波算法dsp。AdaptiveLatticeFilter
对象可以提供比LMS和RLS更好的收敛性。方法还可以在频域实现自适应FIR滤波器dsp。FrequencyDomainAdaptiveFilter
对象。
Oggetti
dsp。BlockLMSFilter |
使用块LMS自适应算法计算输出,误差和权重 |
dsp。LMSFilter |
计算LMS自适应滤波器的输出、误差和权重 |
dsp。RLSFilter |
使用递归最小二乘(RLS)算法计算输出、误差和系数 |
dsp。AffineProjectionFilter |
使用仿射投影(AP)算法计算输出、误差和系数 |
dsp。AdaptiveLatticeFilter |
自适应晶格滤波器 |
dsp。FastTransversalFilter |
快速横向最小二乘FIR自适应滤波器 |
dsp。FilteredXLMSFilter |
过滤过的XLMS过滤器 |
dsp。FrequencyDomainAdaptiveFilter |
使用频域FIR自适应滤波器计算输出、误差和系数 |
Blocchi
Argomenti
- 自适应滤波器及其应用概述
一般讨论自适应滤波器如何工作,DSP系统工具箱中的自适应滤波器算法列表,收敛性能,以及一些常见应用的细节。
- 基于LMS算法的FIR滤波器系统辨识
利用LMS算法识别未知系统。
- 基于归一化LMS算法的FIR滤波器系统辨识
用标准化LMS算法识别未知系统。
- 比较LMS算法与归一化LMS算法的收敛性能
比较自适应滤波算法收敛的速度。
- 使用LMS和NLMS算法的信号增强
通过信号增强应用介绍自适应滤波器。
- 基于符号数据LMS算法的噪声消除
使用符号数据LMS算法进行噪声消除。
- 比较RLS和LMS自适应滤波算法
RLS和LMS自适应滤波算法的比较。
- 基于RLS算法的逆系统辨识
使用dsp.RLSFilter执行逆系统识别。
- Rimozione del rumore a bassa frequenza in Simulink利用unfiltro adattivo LMS归一化
Progettare e utilizzare un filter adattivo LMS normalizzato per rimuoveril rumore a bassa frequenza in Simulink®.
- 基于归一化LMS自适应滤波器的Simulink噪声消除
去除有色噪声产生的声音环境,使用标准化LMS自适应滤波器。
- 可变大小信号支持DSP系统对象
DSP系统工具箱中支持可变大小信号的系统对象列表。