AnyMath 文档

工程师。Rls过滤器

使用递归最小二乘法(RLS)计算输出、误差和系数。

库::`工程师` 座:: RLS滤波器

资料描述

该 EngeeDSP.RLSFilter 系统对象使用RLS滤波器实现对输入信号的每个通道进行滤波。

要过滤输入信号的每个通道，请按照以下步骤操作:

  1. 创建*EngeeDSP。RLSFilter*对象并设置其属性。

  2. 用参数调用对象，就好像它是一个函数一样。

若要了解有关如何使用系统对象的详细信息，请参阅 AnyMath系统对象.

语法

创造

  • rlsFilt=EngeeDSP。Rls过滤器() -返回自适应RLS滤波器系统对象。 rlsFilt的，对输入信号进行滤波，并使用RLS算法计算指定输入和所需信号的滤波误差和滤波权重。

  • rlsFilt=EngeeDSP。RLSFilter（名称=值） -返回具有指定属性的rls筛选器系统对象作为一对 名称=值，在哪里 姓名 -物业的名称，以及 价值 -适当的值。 您可以指定多个对 «名称-值» 对的顺序并不重要。 未指定的属性保留其默认值。

使用

  • [参数:y],[参数:e],[参数:wts]=rlsFilt([参数:x],[参数:d]) -递归地调整参考输入信号 x 以将其与所需的信号相匹配 d 使用系统对象 rlsFilt. 所需信号 d 它代表了一个有用的信号，其中添加了不需要的噪声。 返回RLS滤波器的输出信号 y，误差信号 e，其是参考输入信号和期望信号之间的差，以及滤波器系数 西隧. 滤波器调整其系数，直到误差 e 不会最小化。

争论

输入参数

# x — 输入信号

+ 标量,标量 | 列向量

Details

将被RLS滤波器系统对象滤波的信号。 的输入信号 x 和所需的信号 [参数:d] 它们必须具有相同的大小和数据类型。

数据类型

漂浮物32, 漂浮64</无翻译> 支持复数::是

# d — 所需信号

+ 标量,标量 | 列向量

Details

RLS滤波器调整其系数以最小化误差。 [参数:e] 和输入信号的最精确近似 [参数:x] 到所需的信号 d.

的输入信号 [参数:x] 和所需的信号 d 它们必须具有相同的大小和数据类型。

数据类型

漂浮物32, 漂浮64</无翻译> 支持复数::是

输出参数

# y — 滤波后的输出信号

+ 标量,标量 | 列向量

Details

滤波后的输出信号作为标量或列向量返回。 对象调整滤波器系数以用于输入信号的收敛 [参数:x] 到所需的信号 [参数:d]. 滤波器输出已达到收敛状态的信号。

数据类型

漂浮物32, 漂浮64</无翻译> 支持复数::是

# *e*是 输出和所需信号之间的差异

+ 标量,标量 | 列向量

Details

输出信号的差值 [参数:y] 和所需的信号 [参数:d]，作为标量或列向量返回。 RLS过滤器的目的是使这个错误减到最小。 对象调整其系数，以获得输出信号尽可能接近所需信号的最佳值为目标。 有关计算值的详细信息 e 请参阅算法部分。

数据类型

漂浮物32, 漂浮64</无翻译> 支持复数::是

# wts — 自适应滤波器权重

+ 标量,标量 | 列向量

Details

作为标量或列向量返回的筛选器权重，其长度由属性值*[Property:FilterLength]*指定。

数据类型 西隧 对应于数据类型 [参数:y].

数据类型

漂浮物32, 漂浮64</无翻译> 支持复数::是

特征

无。

方法

所有系统对象通用

步！:：运行系统对象运算算法 释放！:：允许更改系统对象属性的值 重置！:：重置系统对象的内部状态

算法

当选择常规RLS模式（标准RLS方法）时，*EngeeDSP。RLSFilter*系统对象使用最小二乘(rls)方法递归地计算FIR滤波器的加权系数的估计。 该对象评估将输入信号转换成所需信号所需的滤波器的加权因子（或参数）。 输入信号可以是标量或列向量。 所需信号必须具有与输入信号相同的数据类型、复杂度和维度。 通过矩阵以矩阵形式描述相应的RLS滤波器 :













哪里

  • 是指数加权因子的倒数;

  • -现时时间指数;

  • -每步缓冲输入样本的向量 ;

  • -步骤中的逆协方差矩阵 ;

  • -每步增益向量 ;

  • -步骤中的滤波器系数的估计的向量 ;

  • -步骤中的滤波信号 ;

  • -评估步骤中的错误 ;

  • -步骤中的预期信号 ;

  • -遗忘系数;

  • -列向量。

文学作品

  1. M.Hayes，Statistical Digital Signal Processing and Modeling，New York：Wiley，1996。

  2. S.Haykin，Adaptive Filter Theory，第4版，Upper Saddle River，NJ：Prentice Hall，2002。

  3. A.A.Rontogiannis和S.Theodoridis,Inverse factorization adaptive least-squares algorithms,Signal Processing,vol. 52,no.1,pp.35-47,July1996.

  4. S.C.Douglas,Numerically-robust O(N2)rls algorithms using least-squares prewhitening,Proc. IEEE Int. Conf。 关于声学，语音和信号处理，伊斯坦布尔，土耳其，vol。 I，第412-415页，2000年6月。

  5. A.H.Sayed，fundamentals Of Adaptive Filtering，Hoboken，NJ：John Wiley＆Sons，2003。