dsp.FrequencyDomainAdaptiveFilter
使用频率域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™农具使用快速块最小均方（LMS）算法在频域中的自适应有限冲激响应（FIR）滤波器。的长度和块长度属性指定的滤波器长度和块长度值的算法的用途。的FFTCoefficients属性包含离散傅立叶变换的当前滤波器系数集合。对象提供与分区和非分区模式算法的约束和不受约束的版本。有关详细信息，请参阅算法。
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。调用带参数的对象，就好像它是一个功能。
要了解更多有关系统对象的方式工作，请参阅什么是系统对象？（MATLAB）。
创建
语法
描述
FDAF= dsp.FrequencyDomainAdaptiveFilterFDAF。此系统对象被用于计算对于给定的输入和所希望的信号经滤波的输出和滤波器误差。
FDAF= dsp.FrequencyDomainAdaptiveFilter（LEN)长度属性设置为LEN。
FDAF= dsp.FrequencyDomainAdaptiveFilter（___,名称，值)
FDAF = dsp.FrequencyDomainAdaptiveFilter（ '长度'，32， '步长'，0.1）建立了一个频率域自适应滤波器模型，该滤波器长度为32分频，步长为0.1。
属性
用法
描述
输入参数
输出参数
对象函数
要使用对象函数，请将系统对象指定为第一个输入参数。例如，释放系统对象的系统资源OBJ，使用此语法：
释放（OBJ）
例子
QPSK自适应均衡随着FIR滤波器
跨越嘈杂传输信道发送一个正交相移键控（QPSK）信号。最小化在使用频域自适应滤波器接收的信号中的噪声。
请注意：如果您使用R2016a或更早版本，取代每次调用具有同等步语法的对象。例如，OBJ（x）的变步骤（OBJ，x）的。
QPSK信号，S，跨噪声信道被发送。分子和该信道的分母系数被包含在载体B和一个， 分别。接收到的信号，R，在传输信道的结束时得到含有所发送的QPSK信号，并添加到所述信道噪声，n。使用自适应滤波器从接收到的噪声输入中提取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];NTR = 1024;S =符号（randn（1，NTR + d））+ 1I *符号（randn（1，NTR + d））;N = 0.1 *（randn（1，NTR + d）+ 1I * randn（1，NTR + d））;R =滤波器（B，A，S）+ N;X = R（1 + d：NTR + d）;d = S（1：NTR）;
创建一个dsp.FrequencyDomainAdaptiveFilter反对长度为32抽头的频域自适应滤波器和0.1的步长进行建模。自适应过滤器接受所接收的信号和所需的信号作为输入的延迟版本。自适应滤波器的输出与所希望的信号。两个信号之间的误差表示添加到传输信道的噪声。自适应滤波器更新其系数，直到这个错误变得微乎其微。为了让离散傅里叶变换的滤波器系数，调用FDAF对象，访问该对象的FFTCoefficients财产。
亩= 0.1;FDAF = dsp.FrequencyDomainAdaptiveFilter（'长度'，32，'步长'，亩）;[Y，E] = FDAF（X，d）;fftCoeffs = fdaf.FFTCoefficients
fftCoeffs =1×64复我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
绘制的同相和所期望的，输出的正交分量，和误差信号。
图（1：NTR，实（[d; Y; E]））图例（“所需的”,“输出”,'错误'）标题（同相分量的）xlabel（“时间指数”）;ylabel（“信号值”)
图（1：NTR，IMAG（[d; Y; E]））图例（“所需的”,“输出”,'错误'）标题（“正交组件”）xlabel（“时间指数”）ylabel（“信号值”)
创建接收信号和所需信号的散点图。
积（X（NTR-100：NTR），“。”）轴（[ - 3 3 -3 3]）标题（“接收信号散点图”轴）（'广场'）xlabel（“真正的[x]”）ylabel（'的Imag [X]'）网格上
图（d（NTR-100：NTR），“。”）轴（[ - 3 3 -3 3]）标题（“期望信号散点图”轴）（'广场'）xlabel（“真正的[y]”）ylabel（'的Imag [Y]'）网格上
自适应滤波器均衡所接收的信号，以消除噪声。画出均衡信号的散点图。
情节(y(正常- 100:关系正常)的关系,“。”）轴（[ - 3 3 -3 3]）标题（“均衡信号散点图”轴）（'广场'）xlabel（“真正的[y]”）ylabel（'的Imag [Y]'）网格上
采用频域自适应滤波器长FIR滤波器的系数评估
使用的频域自适应滤波器来估计长FIR滤波器的系数。FIR滤波器模型房间的脉冲响应。使用分区模式在频域自适应滤波器来降低滤波器的延迟。
注意：这个例子只能运行在R2018a或更高版本。
初始化
产生的8192个样本长FIR脉冲响应，并分配给一个脉冲响应dsp.FIRFilter宾语，房间。这种对象模型房间的脉冲响应。创建一个dsp.FrequencyDomainAdaptiveFilter过滤，lmsfilt在分配约束模式。该过滤器的长度设定为房间的脉冲响应的四分之一的长度。该过滤器的块长度设置为128个样本。步长设置为0.025，初始功率至0.01，平均因子至0.98，偏移为1，并且泄漏因子为1初始化一个dsp.ArrayPlot对象以查看筛选器系数。初始化一个dsp.TimeScope对象以显示滤波器输出和期望信号之间的均方误差。
FS = 16e3;M = 8192;并[b，A] = cheby2（4,20，[0.1 0.7]）;impulseResponseGenerator = dsp.IIRFilter（...“分子”,(0 (1,6)b),...“分母”， 一个）;roomImpulseResponse = impulseResponseGenerator（...（日志（0.99 *兰特（1，M）+0.01）*符号（randn（1，M））* EXP（-0.002 *（1：M）））'）;roomImpulseResponse = roomImpulseResponse /规范（roomImpulseResponse）;室= dsp.FIRFilter（“分子”roomImpulseResponse ');lmsfilt = dsp.FrequencyDomainAdaptiveFilter (...'方法',“分区约束FDAF”,...'长度'，M / 4，...“块长度”，128，...'步长'，0.025，...'InitialPower'，0.01％，...'AveragingFactor',0.98,...“偏移”1，...'LeakageFactor'，1）;框架尺寸= lmsfilt.BlockLength;硝石= 2000;AP = dsp.ArrayPlot（'YLimits'，[ - 0.2 0.2]，“ShowLegend”，真正，...'位置'，[0 0 560 420]，'ChannelNames',...{“实际系数”,“估计系数”}）;TS = dsp.TimeScope（'采样率'，FS，'时间跨度'，框架尺寸*硝石/ FS，...'TimeUnits',“秒”,...'YLimits'(-50 0),'标题',“学习曲线”,...'YLabel','D b',...'BufferLength中',FrameSize *硝石,...'ShowGrid'，真正）;signalmean = dsp.MovingAverage（“SpecifyWindowLength”，假）;
流
使用产生的随机输入信号randn函数。输入的帧大小与自适应滤波器的块长度相匹配。所需要的信号是FIR滤波器(室)的输出和一个高斯白噪声信号的和。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。
通过取由返回的频域系数向量的IFFT估计自适应滤波器的时域系数lmsfilt.FFTCoefficients财产。与分配给该FIR滤波器（室）的实际系数比较所估计的系数。一旦自适应滤波器已收敛其输出到所需的信号，并且最小化的误差信号，估计系数与实际系数密切匹配。这意味着，所述自适应滤波器已经成功地适应本身建模的FIR滤波器（室）的脉冲响应。
为K = 1：硝石X = randn（框架尺寸，1）;d =室温（X）+ 0.01 * randn（框架尺寸，1）;[Y，E] = lmsfilt（X，d）;FFTCoeffs = lmsfilt.FFTCoefficients;W = IFFT（FFTCoeffs，[]，2，“对称”）;W = W（：，1：框架尺寸）+ W（：，框架尺寸+ 1：结束）;W =重塑（W'，1，M / 4）;AP（[roomImpulseResponse（1：M / 4）中，w']）;TS（10 *日志10（signalmean（ABS（E）^ 2））。）;结束
由于过滤器适应随着时间的推移，你可以在时间范围内的均方误差变为最小见。同时，估计系数在阵列情节紧扣符合实际的系数。
算法
频域自适应滤波包括三个步骤 - 滤波，误差估计，和分接权重自适应。这个算法执行FIR使用重叠保留或重叠相加方法在频域中进行滤波。欲了解更多实施细则这两种方法，请参阅算法在节dsp.FrequencyDomainFIRFilter目标页面。误差估计和抽头权重自适应所使用的快速块LMS算法（FBLMS）来实现。
快速块LMS算法
频域自适应滤波器处理输入数据和期望的信号数据作为使用快速块LMS（FBLMS）算法样本块。下面是使用FBLMS算法的频域自适应滤波器的方框图。此图中的频域FIR滤波器使用重叠保留方法。
地点:
N- 过滤长度
l- 块长度
μ- 步长参数
x (n)——输入信号
X（k）的——频域变换后的输入信号
d (n)- 期望信号
E（N）——所需信号与滤波器输出之间的误差
E（N）- 在频域变换误差信号
W（k）的——频域中的点击权向量
有关如何估计误差和调整点击量的详细信息，请参阅[2]。
参考
[1] Shynk，J.J.“频域和多速率自适应滤波。”IEEE信号处理杂志。卷。9，第1号，1992，第14-37。
[2]法尔罕-Boroujeny，B.，自适应滤波器:理论与应用，奇切斯特，英格兰，Wiley出版社，1998年。
[3]斯托克汉姆，T. G.，小 “高速卷积和相关。”1966年春季联合计算机会议论文集，AFIPS，卷。28，1966年，第229-233。
扩展功能
另请参阅
对象
dsp.AdaptiveLatticeFilter|dsp.AffineProjectionFilter|dsp.FIRFilter|dsp.FastTransversalFilter|dsp.FilteredXLMSFilter|dsp.FrequencyDomainFIRFilter|dsp.LMSFilter|dsp.RLSFilter
