คำถามติดแท็ก adaptive-filters

ฉันมักจะเห็นตัวกรองคาลมานที่ใช้กับข้อมูลอินพุตดังกล่าวเสมอ ตัวอย่างเช่นอินพุตมักเป็นตำแหน่งและความเร็วของผู้สื่อข่าว: ( x , dxdเสื้อ)(x,dxdt) (x, \dfrac{dx}{dt}) ในกรณีของฉันฉันมีเพียงตำแหน่ง 2D และมุมในแต่ละตัวอย่างเท่านั้น: Pผม( xผม, yผม)และ( α1, α2, α3)Pi(xi,yi)and(α1,α2,α3) P_i(x_i, y_i) \qquad \text{and} \qquad (\alpha_1, \alpha_2, \alpha_3) ฉันควรคำนวณความเร็วสำหรับแต่ละจุดและแต่ละมุมเพื่อให้พอดีกับกรอบงานของคาลมานหรือไม่?

19 filters  adaptive-filters  kalman-filters 

ฉันพยายามล้อมรอบการใช้ Wiener หรือตัวกรองการคาดคะเนข้อผิดพลาดเพื่อการกรองข้อมูล สำหรับฉันดูเหมือนว่ามันเป็นเพียงตัวกรองฟอกสีฟันดังนั้นจะใช้อย่างไรเมื่อข้อมูลที่คุณต้องการกู้คืนไม่ใช่สัญญาณ AWGN ยกตัวอย่างเช่นฉันมีสัญญาณที่มีสัญญาณรบกวนหลาย Distint - ฉันสามารถเห็นพวกเขาใน PSD แต่ฉันไม่ทราบว่าพวกเขาเป็น) เครื่องเขียนและ b) สิ่งที่พวกเขามีคุณสมบัติ ฉันสามารถใช้วิธีเช่นสมการ Yule-Walker เพื่อกู้คืนโมเดล AR สำหรับสัญญาณทั้งหมดแต่ในกรณีนี้ฉันเพียงต้องการกู้คืนโมเดลของสัญญาณรบกวนเท่านั้นไม่ใช่ส่วนที่ฉันต้องการกู้คืน ฉันลองใช้ตัวกรองรอย LMS แบบปรับตัวโดยสัญญาณอ้างอิงเป็นสัญญาณคลื่นวิทยุเดียว แต่สิ่งนี้กลับกลายเป็นว่าฉันแคบเกินไปและไม่ได้ติดตามการเปลี่ยนแปลงความถี่ในสัญญาณได้เป็นอย่างดี ฉันเดาว่าคำถามของฉันคือถ้าฉันใช้ตัวกรองการคาดคะเนข้อผิดพลาดเพื่อกรองข้อมูลจริงฉันจะแยกส่วนข้อมูลออกจากส่วนที่เป็นจุดรบกวนได้อย่างไร กล่าวอีกนัยหนึ่งฉันไม่ต้องการทำให้สัญญาณทั้งหมดขาวขึ้นเพียงส่วนของเสียง ฉันพลาดอะไรไป

17 adaptive-filters 

มีวิธีเพิ่มประสิทธิภาพการคำนวณของตัวกรอง squares (NLMS) ปกติหรือไม่? มีการเสนอตัวกรองMultidelay block frequency-domain (MDF)เพื่อทำสิ่งนี้ แต่พวกเขายังใช้ความเร็วและความแม่นยำในการลู่เข้าด้วยกันเพราะพวกเขาอัพเดตการตอบสนองต่อแรงกระตุ้นโดยประมาณเพียงครั้งเดียวทุกบล็อกไม่ใช่ทุกตัวอย่าง มีวิธีอื่นอีกไหม?

14 adaptive-filters  performance  least-squares 

ฉันศึกษาเล็กน้อยเกี่ยวกับตัวกรองแบบปรับตัวได้บนอินเทอร์เน็ตและพบว่ามันเป็นตัวกรองพิเศษที่ยังคงปรับปรุงค่าตัวกรองของมันทันทีที่มันดำเนินการ พบความแตกต่างระหว่างอินพุตและเอาต์พุตและการใช้ฟังก์ชันข้อผิดพลาดและค่าสัมประสิทธิ์ก่อนหน้านี้ค้นหาค่าสัมประสิทธิ์ตัวกรองใหม่ แต่นี่ไม่สมเหตุสมผลเลย มันพยายามลดความแตกต่างระหว่างอินพุตและเอาต์พุตให้น้อยที่สุดเสมอ ดังนั้นมันมีประโยชน์อย่างไรถ้าพยายามส่งสัญญาณทั้งหมดตามที่เป็นอยู่ ทุกคนสามารถอธิบายได้ว่ามีการใช้งานอย่างไรในแอปพลิเคชันแบบเรียลไทม์ มันจะดีถ้าคุณสามารถช่วยฉันผ่านการเชื่อมโยงบางอย่างที่สามารถช่วยฉันในการใช้งานตัวกรองดิจิตอลแบบปรับตัวได้ โปรดแสดงความคิดเห็นหากฉันไม่ชัดเจนในการแสดงความสงสัยของฉัน!

12 filters  adaptive-filters 

ฉันเพิ่งจำลองโมเดลลำดับที่สองแบบย้อนกลับอัตโนมัติที่เติมด้วยสัญญาณรบกวนสีขาวและประมาณค่าพารามิเตอร์ด้วยตัวกรองคำสั่งมาตรฐานกำลังสองน้อยที่สุดที่มีค่าเฉลี่ยกำลังสองมาตรฐาน ในฐานะที่เป็นตัวกรองลำดับที่หนึ่งภายใต้โมเดลระบบแน่นอนการประมาณค่านั้นแปลก ตัวกรองลำดับที่สองพบการประมาณที่ดีแม้ว่าจะมีการกระโดดที่คมชัดสองครั้ง สิ่งนี้คาดหวังได้จากธรรมชาติของตัวกรอง NLMS สิ่งที่ทำให้ฉันสับสนคือตัวกรองลำดับที่สามและสี่ พวกเขาดูเหมือนจะกำจัดการกระโดดที่คมชัดดังที่เห็นในภาพด้านล่าง ฉันไม่เห็นสิ่งที่พวกเขาจะเพิ่มเนื่องจากตัวกรองลำดับที่สองนั้นเพียงพอที่จะสร้างแบบจำลองระบบ พารามิเตอร์ที่ซ้ำซ้อนจะอยู่ที่ประมาณต่อไป000 ใครช่วยอธิบายปรากฏการณ์นี้ให้ฉันในเชิงคุณภาพได้ไหม อะไรเป็นสาเหตุของมันและเป็นที่พึงปรารถนา? ฉันใช้ขนาด step ,ตัวอย่างและโมเดล ARโดยที่เป็นสีขาว เสียงรบกวนที่มีความแปรปรวน 1.μ=0.01μ=0.01\mu=0.0110410410^4x(t)=e(t)−0.9x(t−1)−0.2x(t−2)x(t)=e(t)−0.9x(t−1)−0.2x(t−2)x(t)=e(t)-0.9x(t-1)-0.2x(t-2)e(t)e(t)e(t) รหัส MATLAB สำหรับการอ้างอิง: % ar_nlms.m function th=ar_nlms(y,order,mu) N=length(y); th=zeros(order,N); % estimated parameters for t=na+1:N phi = -y( t-1:-1:t-na, : ); residue = phi*( y(t)-phi'*th(:,t-1) ); th(:,t) = th(:,t-1) + (mu/(phi'*phi+eps)) * residue; end …

10 adaptive-filters  autoregressive-model 

Adaptive IIR filters นั้นไม่ตรงไปตรงมาและอาจไม่เสถียร หลายคนบอกว่าตัวกรอง IIR แบบปรับตัวใช้ค่าสัมประสิทธิ์น้อยกว่าตัวกรอง FIR สิ่งที่ฉันอยากรู้คือค่าสัมประสิทธิ์จำนวนเท่าไหร่ที่สามารถบันทึก IIR ได้? ฉันพยายามใช้ตัวกรอง IIR แบบปรับตัวเพื่อประเมินฟังก์ชั่นการถ่ายโอนของตัวกรอง FIR แบบ 32 คำสั่ง สมมติว่าตัวกรอง IIR มีM+ N+ 1M+N+1M+N+1 ค่าสัมประสิทธิ์: a1,a2, . . . ,aM,ข0,ข1, . . .ขยังไม่มีข้อความa1,a2,...,aM,b0,b1,...bNa_1, a_2, ..., a_M, b_0, b_1, ...b_N. ฉันพบว่าผลการประเมินเป็นที่ยอมรับได้ก็ต่อเมื่อM+ N+ 1 ≥ 30M+N+1≥30M+N+1 \ge 30สามารถบันทึกได้เพียง 2 ค่าสัมประสิทธิ์ ในโครงการจริงเช่น FPGA 50 …

10 infinite-impulse-response  fir  adaptive-filters