dsp。RLSFilter系统对象

使用递归最小二乘(RLS)算法计算输出、误差和系数

展开全部页面

描述

的RLSFilter对象使用RLS过滤器实现过滤输入的每个通道。

要过滤输入的每个通道:

定义并设置RLS过滤器。看到建设。
调用一步的属性对输入的每个通道进行过滤dsp。RLSFilter。的行为一步特定于工具箱中的每个对象。

请注意

从R2016b开始，而不是使用一步方法来执行System对象™定义的操作，则可以使用参数调用该对象，就像调用函数一样。例如,Y = step(obj,x)和Y = obj(x)请执行相同的操作。

建设

rlsFilt = dsp。RLSFilter返回一个自适应的RLS过滤系统对象，rlsFilt。这个System对象使用RLS算法计算给定输入和期望信号的滤波输出、滤波误差和滤波权重。

rlsFilt = dsp。RLSFilter ('PropertyName＇，PropertyValue,……)返回一个RLS过滤器系统对象，rlsFilt，将每个指定的属性设置为指定的值。

rlsFilt = dsp。RLSFilter (LEN，'PropertyName＇，PropertyValue,……)返回一个RLS过滤器系统对象，rlsFilt。这个System对象的Length属性设置为LEN，并将其他指定属性设置为指定值。

属性

`方法`	计算滤波器系数的方法您可以指定用于计算过滤器系数的方法为\|之一`传统的RLS`［１］[2]\|`户主RLS`［3］[4]\|`滑动窗口RLS`[5]［１］[2]\|`户主滑动窗口RLS`[4]\|`QR分解`［１］[2]。默认值为`传统的RLS`。此属性不可调。
`长度`	滤波器系数向量的长度将RLS筛选器系数向量的长度指定为一个标量正整数值。默认值为`32`。此属性不可调。
`SlidingWindowBlockLength`	滑动窗口的宽度将滑动窗口的宽度指定为大于或等于Length属性值的标量正整数值。此属性仅在Method属性设置为时适用`滑动窗口RLS`或`户主滑动窗口RLS`。默认值为`48`。此属性不可调。
`ForgettingFactor`	遗忘因子将RLS遗忘因子指定为小于或等于1的标量正数值。将此属性值设置为1表示无限内存，同时调整以查找新的筛选器。默认值为`1`。此属性是可调的。
`InitialCoefficients`	滤波器的初始系数指定FIR自适应滤波器系数的初始值为长度等于的标量或向量`长度`属性值。默认值为`0`。此属性是可调的。
`InitialInverseCovariance`	初始逆协方差指定输入信号的逆协方差矩阵的初始值。此属性必须是标量或方阵，且每个维数都等于`长度`属性值。如果设置了标量值，则`InverseCovariance`属性初始化为一个对角矩阵，其中对角元素等于该标量值。属性仅适用于`方法`属性设置为`传统的RLS`或`滑动窗口RLS`。默认值为`1000`。此属性是可调的。
`InitialSquareRootInverseCovariance`	初始平方根逆协方差指定输入信号的平方根逆协方差矩阵的初始值。此属性必须是标量或每个维数都等于的方阵`长度`属性值。如果设置了标量值，则`SquareRootInverseCovariance`属性初始化为一个对角矩阵，其中对角元素等于该标量值。属性仅适用于`方法`属性设置为`户主RLS`或`户主滑动窗口RLS`。默认值为`sqrt (1000)`。此属性是可调的。
`InitialSquareRootCovariance`	初始的平方根协方差指定输入信号的平方根协方差矩阵的初始值。此属性必须是标量或每个维数都等于的方阵`长度`属性值。如果设置了标量值，则`SquareRootCovariance`属性初始化为具有与标量值相等的对角元素的对角矩阵。属性仅适用于`方法`属性设置为`QR-decomposition RLS`。默认值为`sqrt (1/1000)`。此属性是可调的。
`LockCoefficients`	锁紧系数更新指定是否应该锁定过滤器系数值。当您将此属性设置为`真正的`时，滤波器系数不会更新，其值保持不变。默认值为`假`(过滤器系数不断更新)。此属性是可调的。

方法

msesim	RLS滤波器的均方误差
重置	的内部状态系统对象
一步	使用RLS过滤器处理输入

所有系统对象通用
`释放`	允许系统对象属性值更改

例子

全部展开

FIR滤波器的系统识别

打开实时脚本

使用RLS滤波器系统对象™来确定信号值。

请注意:此示例仅在R2016b及以上版本运行。如果您正在使用较早的版本，请将对函数的每次调用替换为等效的调用一步语法。例如，myObject(x)变成step(myObject,x)。

Rls1 = dsp。RLSFilter (11，“ForgettingFactor”, 0.98);Filt = dsp。FIRFilter (“分子”二十五分,fir1(10日));未知系统X = randn(1000,1);%输入信号D = filt(x) + 0.01*randn(1000,1);期望信号百分比[y,e] = rls1(x, d);w = rls1.系数;Subplot (2,1,1)， plot(1:1000， [d,y,e]);标题(FIR滤波器的系统识别）;传奇(“想要的”，“输出”，“错误”）;包含(“时间指数”）;ylabel (的信号值）;次要情节(2,1,2);茎([filt.Numerator;w]。');传奇(“实际”，“估计”）;包含(“系数#”）;ylabel (的系数值）;

噪音消除

Rls2 = dsp。RLSFilter (“长度”11“方法”，房主RLS的）;Filt2 = dsp。FIRFilter (“分子”fir1(10(。5、综合成绩));X = randn(1000,1);%的噪音D = filt2(x) + sin(0:.05:49.95)';%噪声+信号[y, err] = rls2(x, d);次要地块(2,1,1)、地块(d)、标题(“噪音+信号”）;Subplot (2,1,2)， plot(err)， title(“信号”）;

算法

的dsp。RLSFilter系统对象，当传统的RLS，递归计算FIR滤波器权重的最小二乘估计(RLS)。System对象估计将输入信号转换为所需信号所需的滤波器权重或系数。输入信号可以是标量，也可以是列向量。所期望的信号必须具有与输入信号相同的数据类型、复杂性和维度。对应的RLS滤波器用矩阵形式表示为P（n):

$\begin{array}{l} k （ n ） = \frac{λ^{- 1} P （ n - 1 ） u （ n ）}{1 + λ^{- 1} u^{H} （ n ） P （ n - 1 ） u （ n ）} \\ y （ n ） = w^{T} （ n - 1 ） u （ n ） \\ e （ n ） = d （ n ） - y （ n ） \\ w （ n ） = w （ n - 1 ） + k （ n ） e （ n ） \\ P （ n ） = λ^{- 1} P （ n - 1 ） - λ^{- 1} k （ n ） u^{H} （ n ） P （ n - 1 ） \end{array}$

在λ¹表示指数权重因子的倒数。变量如下:

变量	描述
n	当前时间索引
u（n）	在阶跃处缓冲输入样本的向量n
P（n）	阶跃处的逆相关矩阵n
k（n）	阶跃处的增益向量n
w（n）	滤波器抽头矢量按阶估计n
y (n）	按步骤过滤的输出n
e (n)	阶跃估计误差n
d (n)	按阶跃得到所需的响应n
λ	遗忘因素

u，w,k都是列向量。

参考文献

M Hayes，统计数字信号处理与建模，纽约:Wiley, 1996

[2] S.海金，自适应滤波理论，第四版，上马鞍河，新泽西州:普伦蒂斯大厅，2002

[3] A.A. Rontogiannis和S. Theodoridis，“逆因子分解自适应最小二乘算法”，信号处理，第52卷，no. 1。1996年7月，第35-47页。

S.C.道格拉斯，“数值鲁棒O(N²)使用最小二乘预白的RLS算法，“IEEE Int。声学，语音和信号处理会议，伊斯坦布尔，土耳其，第1卷，第412-415页，2000年6月。

A. H.赛义德，自适应滤波基础，霍博肯，新泽西州:约翰·威利父子，2003年

扩展功能

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

看到系统对象在MATLAB代码生成(MATLAB编码器)。

另请参阅

使用RLS自适应滤波的自适应噪声消除|dsp。AffineProjectionFilter|dsp。FIRFilter|dsp。LMSFilter

在R2013a中引入

这个话题有用吗?

文档

dsp。RLSFilter系统对象

描述

请注意

建设

属性

方法