แนวคิดหลักที่คุณขาดหายไปคือคุณไม่เพียง แต่ลดความแตกต่างระหว่างสัญญาณอินพุตและเอาต์พุตเท่านั้น ข้อผิดพลาดมักจะคำนวณจากอินพุตที่สอง เพียงแค่ดูที่ตัวอย่างเช่นวิกิพีเดียที่เกี่ยวข้องกับคลื่นไฟฟ้าหัวใจ
ค่าสัมประสิทธิ์ตัวกรองในตัวอย่างนี้ถูกคำนวณใหม่เพื่อเปลี่ยนความถี่ของรอยบากของตัวกรองรอยตามความถี่ที่แยกจากสัญญาณไฟหลัก คุณสามารถใช้ตัวกรองบากแบบคงที่ แต่คุณจะต้องปฏิเสธช่วงความถี่ที่กว้างขึ้นเพื่อรองรับความแปรปรวนในความถี่ไฟ ตัวกรองแบบปรับตัวตามความถี่ของไฟเมนและแถบหยุดสามารถแคบลงได้มากขึ้นดังนั้นการเก็บรักษาข้อมูล ECG ที่เป็นประโยชน์มากขึ้น
แก้ไข:
ฉันได้ดูสิ่งนี้อีกครั้งและฉันคิดว่าฉันเข้าใจคำถามของคุณดีขึ้นเล็กน้อย อัลกอริทึม LMS ต้องการคำที่ผิดพลาดเพื่ออัปเดตค่าสัมประสิทธิ์การกรอง ในตัวอย่าง ECG ที่ฉันแปลข้อความข้างต้นฉันให้คำผิดพลาดเป็นอินพุตที่สองจากแรงดันไฟหลัก ตอนนี้ฉันคาดเดาว่าคุณกำลังคิดว่า "ทำไมไม่เพียงแค่ลบเสียงรบกวนจากสัญญาณบวกกับเสียงรบกวนเพื่อออกจากสัญญาณ?" มันจะทำงานได้ดีในแบบเส้นตรงระบบ. ยิ่งแย่ลงตัวอย่างส่วนใหญ่ที่ให้ทางออนไลน์จะบอกคุณ (อย่างถูกต้อง แต่สับสน) ว่าคำผิดพลาดนั้นคำนวณจากความแตกต่างระหว่างสัญญาณที่ต้องการและผลลัพธ์ของตัวกรองแบบปรับตัว สิ่งนี้ทำให้คนที่มีเหตุผลคิดว่า "ถ้าคุณมีสัญญาณที่ต้องการแล้วทำไมต้องทำสิ่งนี้!" สิ่งนี้สามารถทำให้ผู้อ่านขาดแรงจูงใจในการอ่านและทำความเข้าใจกับคำอธิบายทางคณิตศาสตร์ของตัวกรองแบบปรับได้ อย่างไรก็ตามกุญแจอยู่ในส่วนที่ 18.4 ของคู่มือการประมวลผลสัญญาณดิจิตอล Ed Vijay K. Madisetti และ Douglas B. William
ที่อยู่:
- x = สัญญาณอินพุต
- y = เอาต์พุตจากตัวกรอง
- W = ค่าสัมประสิทธิ์ตัวกรอง
- d = เอาต์พุตที่ต้องการ
- E = ข้อผิดพลาด
ในทางปฏิบัติปริมาณดอกเบี้ยไม่เสมอไป ความปรารถนาของเราอาจเป็นตัวแทนในองค์ประกอบบางอย่างของ d ที่อยู่ใน x หรืออาจแยกส่วนประกอบของ d ภายในข้อผิดพลาด e ซึ่งไม่มีอยู่ใน x หรือเราอาจสนใจ แต่เพียงผู้เดียวในค่าของพารามิเตอร์ใน W และไม่ต้องกังวลเกี่ยวกับ x, y หรือ d เอง ตัวอย่างการปฏิบัติของแต่ละสถานการณ์เหล่านี้มีให้ในภายหลังในบทนี้
มีสถานการณ์ที่ d ไม่สามารถใช้ได้ตลอดเวลา ในสถานการณ์เช่นนี้การปรับตัวมักเกิดขึ้นเมื่อ d พร้อมใช้งานเท่านั้น เมื่อ d ไม่พร้อมใช้งานเรามักจะใช้การประมาณค่าพารามิเตอร์ล่าสุดของเราเพื่อคำนวณ y ในความพยายามที่จะประเมินสัญญาณตอบสนองที่ต้องการ d
มีสถานการณ์จริงที่ไม่สามารถหาได้ ในกรณีเช่นนี้เราสามารถใช้ข้อมูลเพิ่มเติมเกี่ยวกับลักษณะของ "สมมุติฐาน" d เช่นพฤติกรรมทางสถิติที่คาดการณ์ไว้หรือลักษณะแอมพลิจูดของมัน วิธีการดังกล่าวเรียกว่าอัลกอริทึมการปรับตัวตาบอด ความจริงที่ว่ารูปแบบดังกล่าวยังทำงานอยู่เป็นเครื่องบรรณาการทั้งต่อความเฉลียวฉลาดของผู้พัฒนาอัลกอริธึมและเทคโนโลยีที่ครบกำหนดของการปรับตัว
ฉันจะสร้างคำตอบนี้ต่อไปเมื่อฉันมีเวลาในความพยายามที่จะปรับปรุงตัวอย่าง ECG
ฉันพบบันทึกการบรรยายชุดนี้จะดีเป็นพิเศษเช่นกัน: การประมวลผลสัญญาณขั้นสูงการประมาณแบบอะแดปทีฟและตัวกรองแบบปรับได้ - ดานิโลแมนดิค