RLS 过滤器
采用递归最小二乘法（RLS）计算输出、误差和加权系数。
类型: RLSFilter
|
图书馆中的路径: |
说明
块 RLS 过滤器 递归计算 FIR 滤波器权重的估计值，以最小化输出信号 与预期信号 之间的误差 。
更多信息，请参见第……节。 附加功能.
港口
输入
#
输入
—
输入信号
scalar | vector-column
Details
以标量或列向量形式指定的输入信号。
| 数据类型 |
|
| 复数支持 |
是 |
#
期望
—
所需信号
scalar | vector-column
Details
指定为标量或矢量列的所需信号。
所需信号的数据类型、复杂度和尺寸必须与*输入*端口上的信号相同。
| 数据类型 |
|
| 复数支持 |
是 |
输出
#
输出
—
预期信号估计
scalar | vector-column
Details
以标量或矢量列形式返回的所需信号估计值。它的大小和复杂度与输入信号相同。
输出信号的数据类型与预期信号相同。
| 数据类型 |
|
| 复数支持 |
是 |
#
错误
—
输出信号与预期信号之间的误差
scalar | vector-column
Details
输出信号和预期信号之间的误差，以标量或列向量形式返回。
误差信号的数据类型与预期信号相同。
RLS 滤波器的目标就是最小化这一误差。滤波器块会调整其系数，使其达到最佳值，从而使输出信号与预期信号非常接近。
| 数据类型 |
|
| 复数支持 |
是 |
#
Wts
—
过滤器重量
scalar | vector-column
Details
过滤以标量或向量列形式返回的权重。
输出信号的长度与 Filter length 参数中指定的长度相同。
在每一步中，程序块都会输出当前更新的滤波器权重。
| 数据类型 |
|
| 复数支持 |
是 |
参数
主页
#
过滤器长度 —
FIR 滤波器系数矢量的长度
Int64 integer
Details
FIR 滤波系数矢量长度 为正整数。
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
是 |
#
通过以下方式指定遗忘系数 —
设定遗忘率的方法
对话
Details
遗忘率。定义为
-
Dialog- 遗忘因子通过 Forgetting factor (0 to 1) 参数指定。
| 值 |
|
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
无 |
#
遗忘系数（0 至 1） —
RLS 算法的遗忘因子
Real number
Details
RLS 算法遗忘因子 , 指定为范围在 内的标量。
该参数定义了滤波器遗忘上一次计数信息的速度。
设置 意味着无限记忆，滤波器会调整加权系数。通常情况下， ，其中 是滤波器的长度。
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
是 |
| 可计算 |
是 |
#
滤波器权重的初始值 —
滤波器权重的初始值
Scalar / array of real and/or complex numbers
Details
FIR 滤波器权重系数的初始值 ，以标量或矢量形式给出，长度等于滤波器长度。
如果是标量值，程序块会使用标量值创建一个滤波器权重系数矢量。该向量的长度等于滤波器长度，其所有值都等于标量值。
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
是 |
#
初始输入方差估计值 —
输入数据协方差的初始估计值
Real number
Details
输入协方差估计的初始值 1/P(n)，格式为
-
标量 - P(n)是一个对角矩阵，对角元素等于标量值。
-
正方形矩阵 - 矩阵的每个维度都等于 Filter length 参数中的值。
初始值 P(n)= ，其中 的值在*初始输入方差估计*参数中指定。
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
是 |
#
重置端口 —
重置端口
无
Details
启用 Reset 复位端口。定义为
-
无。
| 值 |
|
| 默认值 |
|
| 程序使用名称 |
|
| 可调谐 |
无 |
| 可计算 |
无 |
附加功能
*算法
RLS 滤波器的矩阵表达式
其中 是指数加权系数的倒数。
变量值见下表：
变量 |
说明 |
|
当前时间索引 |
|
步长缓冲输入样本向量 |
|
步长的逆协方差矩阵 |
|
步长增益向量 |
|
某一步滤波系数估计值向量 |
|
某一步的滤波信号 |
|
步长的误差估计值 |
|
步长的预期信号 |
|
遗忘系数 |
利用逆协方差矩阵 P(n)的对称性，优化了分块算法的实施。这将计算总数减少了一半。
文献
-
Hayes, M.H.."Statistical Digital Signal Processing and Modeling." New York: John Wiley & Sons, 1996.