nghiên cứu thiết kế mạch lọc thích nghi sử dụng lớp thuật toán lms với công nghệ fpga

122 1.7K 11
nghiên cứu thiết kế mạch lọc thích nghi sử dụng lớp thuật toán lms với công nghệ fpga

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

MỞ ĐẦU Ngày nay, với sự phát triển vượt bậc của khoa học kỹ thuật, các hệ thống tương tự được thay thế dần bằng các hệ thống số. Các công nghệ mới được ứng dụng rộng rãi cho xử lý tín hiệu. Bài toán loại bỏ can nhiễu và tạp âm luôn luôn là vấn đề lớn trong các hệ thống xử lý tín hiệu. Để loại bỏ can nhiễu và tạp âm thường sử dụng các bộ lọc. Các bộ lọc kinh điển được thiết kế với mục đích chọn lọc tần số (bộ lọc thông thấp, bộ lọc thông cao, bộ lọc thông dải…) hay cực tiểu hóa bình phương trung bình của tín hiệu sai lệch. Tuy nhiên những phương pháp này yêu cầu cần phải biết trước các đặc trưng thống cơ bản của nhiễu như kỳ vọng, phương sai, hàm tương quan… giả định nhiễu và tạp âm là những quá trình ngẫu nhiên dừng. Nhưng trong thực tế, nhiễu và tạp âm là những quá trình ngẫu nhiên không dừng do đó các tham số của nó thay đổi theo thời gian và do vậy việc thiết kế các bộ lọc theo phương pháp kinh điển rất khó đạt được hiệu quả cao. Để phù hợp hơn với điều kiện thực tế người ta đã đề xuất phương pháp xử lý tín hiệu thích nghi. Mục đích của xử lý tín hiệu thích nghi là đạt được tín hiệu đầu ra tối ưu. Việc nghiên cứu và xử lý tín hiệu trong môi trường không dừng dựa trên các thuật toán xử lý thích nghi có một ý nghĩa thực tiễn rất lớn khi thiết kế các hệ thống thông tin có độ chính xác cao. Trước kia do công nghệ chế tạo IC còn hạn chế nên việc thực hiện các thuật toán xử lý tín hiệu thích nghi là rất khó khăn. Ngày nay công nghệ chế tạo IC phát triển vượt bậc nên việc sử dụng các dụng cụ điện tử, thiết bị bán dẫn và các bộ vi xử lý có độ tích hợp cao như DSP, FPGA… để thực hiện thuật toán xử lý tín hiệu thích nghi là dễ dàng hơn rất nhiều. Đề tài " Nghiên cứu thiết kế mạch lọc thích nghi sử dụng lớp thuật toán LMS với công nghệ FPGA" sẽ đi sâu vào nghiên cứu thuật toán xử lý tín hiệu 1 thích nghi LMS và các biến thể của nó, kiến trúc của FPGA và chip ProAsic3 của Actel. Từ đó thực hiện mạch xử lý tín hiệu thích nghi loại bỏ can nhiễu. Nội dung của luận văn bao gồm ba chương: Chương 1: Tổng quan về lọc thích nghi Chương này nghiên cứu tổng quan về xử lý tín hiệu thích nghinghiên cứu một số ứng dụng cơ bản của thuật toán xử lý tín hiệu thích nghi. Chương 2: Thuật toán xử lý tín hiệu thích nghi LMS và các biến thể của nó. Chương này tập chung nghiên cứu về thuật xử lý tín hiệu thích nghi LMS và các biến thể của nó gồm có thuật toán LMS chuẩn hóa (NLMS) và thuật toán xử lý LMS khối (BLMS). Chương 3: Giải pháp và kết quả thiết kế lọc thích nghi với FPGA. Chương này nghiên cứu một sơ đồ khử nhiễu thích nghi, từ sơ đồ đó tiến hành mô phỏng trên Simulink và xây dựng chương trình VHDL thực hiện thuật toán LMS để thực hiện quá trình lọc thích nghi loại bỏ nhiễu khỏi tín hiệu thoại. Chương trình này được cài đặt ứng dụng trên bo mạch FPGA của Actel. 2 Bộ lọc Đầu vào bộ lọc Đầu vào bộ lọc Tham số bộ lọc Tham số bộ lọc Đầu ra bộ lọc Đầu ra bộ lọc Tín hiệu mong muốn Tín hiệu mong muốn Sai số Sai số - - + + Chương 1 TỔNG QUAN VỀ LỌC THÍCH NGHI 1.1. Tổng quan về xử lý tín hiệu thích nghi. Xử lý tín hiệu thực chất là một quá trình lấy ra tín hiệu mong muốn từ một tập tín hiệu có lẫn nhiễu tại đầu vào máy thu. Tín hiệu khi được truyền đi trong môi trường bị biến dạng bởi các tác động của can nhiễu và tạp âm. Do vậy tại thiết bị thu ta phải thiết kế như thế nào để càng giảm được tác động của nhiễu càng nhiều càng tốt. Với mục đích nâng cao độ tin cậy cho thiết bị thu thì các hệ thống thông tin cần phải tích hợp các khối xử lý để giảm ảnh hưởng của nhiễu và tạp âm. Những khối này luôn tồn tại trong các hệ thống thông tin tương tự cũng như các hệ thống thông tin số, chúng có thể qui về các bộ lọc và các bộ san bằng. Một trong những ứng dụng quan trọng của các bộ lọc là loại bỏ nhiễu và tạp âm. Các bộ lọc kinh điển được thiết kế với mục đích chọn lọc tần số (bộ lọc thông thấp, bộ lọc thông cao, bộ lọc thông dải…) hay cực tiểu hóa bình phương trung bình của tín hiệu sai lệch. Tuy nhiên những phương pháp này yêu cầu cần phải biết trước các đặc trưng thống cơ bản của nhiễu như kỳ vọng, phương sai, hàm tương quan…và giả định nhiễu và tạp âm là những quá trình ngẫu nhiên dừng. Hình 1.1 mô tả cấu trúc của một bộ lọc tuyến tính hoạt động trong môi trường dừng. 3 Bộ lọc Thích nghi Đầu vào bộ lọc Đầu vào bộ lọc Tham số bộ lọc Tham số bộ lọc Đầu ra bộ lọc Đầu ra bộ lọc Tín hiệu mong muốn Tín hiệu mong muốn Sai số Sai số - - + + Hình 1.1 : Bộ lọc tuyến tính trong môi trường dừng Nhưng trong thực tế, nhiễu và tạp âm là những quá trình ngẫu nhiên không dừng do đó các tham số của nó thay đổi theo thời gian và do vậy việc thiết kế các bộ lọc theo phương pháp kinh điển rất khó đạt được hiệu quả cao. Để phù hợp hơn với điều kiện thực tế người ta đã đề xuất phương pháp xử lý tín hiệu thích nghi. Mục đích của xử lý tín hiệu thích nghi là đạt được tín hiệu đầu ra tối ưu theo nghĩa này hay nghĩa khác. Do không biết trước được các tham số đặc trưng cho nhiễu hay tín hiệu có lẫn nhiễu tại đầu vào máy thu nên các thuật toán xử lý tín hiệu thích nghi sẽ xử lý theo từng mẫu dữ liệu thu được và sử dụng các mẫu đó để tìm các mẫu dữ liệu kế tiếp theo phương pháp đệ quy. Mọi thuật toán xử lý tín hiệu thích nghi đều xuất phát từ một tập điều kiện ban đầu. Điều kiện ban đầu chính là những gì biết được về môi trường truyền dẫn. Trong môi trường dừng, ta sẽ tìm được một giá trị tối ưu sau khi thực hiện một số chu kỳ xử lý thành công. Nhưng ngược lại trong môi trường không dừng, không tồn tại một giải pháp tối ưu duy nhất cho quá trình xử lý tín hiệu thích nghi. Để đảm bảo đạt được tín hiệu thu tốt nhất thì các bộ lọc thích nghi vẫn phải thực hiện quá trình điều chỉnh trọng số bộ lọc dù không biết trước được các tính chất thống của tín hiệu vào. Nhưng thay vì phải đưa ra tất cả mọi thông tin về một quá trình nào đó thì ta chỉ phải đưa ra một chuỗi mẫu tín hiệu tại thời điểm đó và sử dụng phương pháp đệ quy để tìm các mẫu tín hiệu trong các thời điểm kế tiếp. Có rất nhiều biện pháp để có thể tìm ra được tín hiệu mong muốn nhưng phương pháp hiệu chỉnh theo sai số bình phương trung bình là phổ biến hơn cả. Sơ đồ khối của hệ thống xử lý tín hiệu thích nghi được mô tả trên hình 1.2. 4 z -1 ∑ w 1 z -1 ∑ w 2 z -1 w M-2 ∑ w M-1 ∑ w 0 x(n) x(n-1) x(n-2) x(n-M+2) x(n-M+1) y(n) Hình 1.2: Sơ đồ khối của hệ thống xử lý tín hiệu thích nghi Từ trên sơ đồ ta thấy rằng hoạt động của thuật toán xử lý tín hiệu thích nghi gồm hai quá trình chính:  Quá trình lọc: quá trình này thực hiện lấy tín hiệu ra từ tín hiệu đầu vào.  Quá trình xử lý thích nghi: mục đích của quá trình này là điều chỉnh hàm truyền đạt của hệ thống theo sự thay đổi của môi trường. Quá trình thích nghi điều chỉnh theo một tín hiệu sai lệch. Thông thường thì giá trị bình phương trung bình của tín hiệu sai lệch được sử dụng trong quá trình xử lý thích nghi. Hai quá trình trên xử lý luân phiên nhau. Do vậy việc lựa chọn một cấu trúc cho quá trình lọc có ảnh hưởng rất lớn đến toàn bộ quá trình xử lý của toàn bộ thuật toán. Có ba dạng cấu trúc bộ lọc hay được sử dụng trong thuật toán xử lý tín hiệu thích nghi là:  Bộ lọc dàn hàng [9]: bộ lọc này chỉ bao gồm ba phần tử cơ bản như được chỉ ra trên Hình 1.3, đó là: bộ trễ, bộ nhân và bộ cộng. Số phần tử trễ trong bộ lọc sẽ tương ứng với số đáp ứng xung hay bậc của bộ lọc. Tín hiệu đầu ra của bộ lọc dàn hàng: ∑ − = −= 1 0 )()( M k k knxwny (1.1) với: )(ny là tín hiệu đầu ra của bộ lọc. k w là hệ số của bộ lọc hay còn gọi là trọng số lọc 1, 2,1 −= Mk )(nx là đầu vào của bộ lọc. 5 Hình 1.3. Bộ lọc dàn hàng  Bộ dự báo mắt cáo [9]: Bộ dự báo này gồm các môđun riêng biệt, mỗi môđun này chỉ xuất hiện trong một mắt lưới. Quan hệ giữa tín hiệu đầu vào và tín hiệu đầu ra của bộ dự báo mắt cáo. )()1()( )1()()( 11 11 nfKnbnb nbKnfnf mmmm mmmm −− −− +−= −+= (1.2) với )()()( 00 nxnfnb == ở đây ,1, ,2,1 −= Mm và 1−M là bậc dự báo cuối cùng. Biến )(nf m là sai số dự báo tiến thứ m, và )(nb m là sai số dự báo lùi thứ m. Hệ số m K được gọi là hệ số phản xạ thứ m. Sai số dự báo tiến )(nf m được định nghĩa như sự khác nhau giữa đầu vào )(nx ( )(nx là đầu vào bộ dự đoán mắt cáo tại thời điểm m) và giá trị dự đoán một bước của nó, giá trị dự đoán này được xác định trên cơ sở tập m đầu vào )(), ,1( mnxnx −− trước đó. Tương tự, sai số dự báo lùi )(nb m được định nghĩa như sự khác nhau giữa đầu vào )( mnu − và các dự báo lùi của nó mà được xác định trên cơ sở tập m các đầu vào tiếp theo ).1(), ,( +− mnxnx  Mạng tâm thu-Systolic array [9]: được đề xuất bởi Kung và Leiserson vào năm 1978. Mạng Systolic bao gồm một quá trình song song theo một ma trận. Hai thành phần cơ bản của nó là tế bào đường biên và tế bào bên trong. Quan hệ giữa tín hiệu đầu vào và đầu ra của mạng Systolic như sau: )()( nxRny T− = (1.3) 6 Trong đó những phần tử của ma trận R có chứa trong từng tế bào đường biên và tế bào bên trong. Từ những phân tích trên ta thấy quá trình xử lý tín hiệu thích nghi phù hợp hơn với sự tác động của môi trường. Các quá trình xử lý tín hiệu thích nghi trong môi trường không dừng đã cải thiện đáng kể chất lượng của các thiết bị thu dưới tác động của nhiễu màu. Nhưng một nhược điểm chính của thuật toán xử lý tín hiệu thích nghi là rất phức tạp trong tính toán và số phép tính thực hiện rất nhiều. Ngày nay, với sự phát triển vượt bậc của khoa học kỹ thuật ta hoàn toàn có khả năng xây dựng các bộ xử lý tín hiệu thích nghi. Với những bộ vi xử lý có độ tích hợp cao như DSP, FPGA…cho phép thực hiện các thiết bị có độ tính toán lớn và phức tạp. Với thuật toán xử lý tín hiệu thích nghi do không tồn tại một giải pháp tối ưu duy nhất nên cần có một số công cụ cần thiết. Đó chính là những thuật toán xử lý tín hiệu thích nghi như: thuật toán giảm bước nhanh nhất, LMS, RLS, bộ lọc Wiener, bộ lọc Kalman Trong đó, thuật toán giảm bước nhanh nhất và thuật toán LMS đều dựa trên phương pháp gradient. Còn thuật toán RLS lại dựa vào sự đánh giá bình phương trung bình cực tiểu của tín hiệu sai lệch. Mỗi thuật toán đều có những ưu điểm và nhược điểm riêng của nó. Do vậy, để chọn thuật toán xử lý tín hiệu thích nghi nào thì tùy thuộc vào từng hệ thống mà ta muốn xây dựng. Rõ ràng bất kể sự lựa chọn nào ta cũng đều phải dựa theo một tiêu chí nhất định như hiệu suất, hàm tiêu phí của hệ thống. Với mục đích cải thiện độ tin cậy của thiết bị thu số chúng ta cần phải quan tâm đến ba yếu tố là: tính toán sự tiêu hao, hiệu suất và khả năng thực hiện hệ thống. Bằng các công cụ mô phỏng hiện có (chẳng hạn phần mềm mô phỏng Matlab) ta thấy thuật toán LMS thì rất đơn giản và vì vậy nó khá phổ thông và được sử dụng trong hầu hết các ứng dụng [9]. Trong các lĩnh vực viễn thông, rađa, định vị và thông 7 tin hàng hải thì các thành phần tín hiệu nhận được tại máy thu và những tín hiệu đã bị điều chế với tín hiệu sóng mang. Dải phổ của tín hiệu thường rất nhỏ hơn so với tần số sóng mang. Để thu được tín hiệu băng gốc thì tại máy thu cần phải thực hiện giải điều chế. Một cách tổng quát, tín hiệu băng gốc có dạng phức như sau: ( ) ( ) ( ) I Q x n x n jx n= + (1.4) Trong đó ( ) I x n là thành phần thực và ( ) Q x n là thành phần ảo của tín hiệu băng gốc. Theo công thức Ơle ta có thể viết lại như sau: ( ) ( ) ( ) j n x n x n e φ = (1.5) Tương tự như vậy thì tín hiệu đầu ra của bộ lọc thích nghi cũng có dạng phức. Điều quan trọng là ta phải thể hiện được quan hệ giữa cấu trúc và dạng toán học của bộ lọc thích nghi trên miền phức. Nếu tín hiệu vào có dạng phức ta nên chuyển về dạng thực bằng cách sử dụng liên hợp phức và ma trận chuyển vị Hermitian [9]. 1.2. Những ứng dụng cơ bản của thuật toán xử lý tín hiệu thích nghi. Các thuật toán xử lý tín hiệu thích nghi đã và đang rất thành công trong nhiều lĩnh vực khác nhau như: viễn thông, ra đa, định vị, điện tử y sinh, địa chấn học. Mặc dầu tất cả mọi lĩnh vực này đều rất khác nhau trong thực tế nhưng chúng đều có chung một đặc điểm cơ bản là vectơ tín hiệu vào và đáp ứng mong muốn trong hệ thống đều được sử dụng để tìm một sai số đánh giá. Sai số đánh giá được sử dụng để điều chỉnh hàm truyền đạt của hệ thống làm sao cho nó có thể lấy ra được tín hiệu hữu ích. Tuy nhiên sự khác nhau giữa các lĩnh vực trên là dạng đáp ứng mong muốn được lấy ra. Trong nội dung 8 của luận văn tôi xin giới thiệu một số ứng dụng cơ bản của xử lý tín hiệu thích nghi. 1.2.1.Nhận dạng hệ thống. Nhận dạng hệ thống là một phương pháp thực nghiệm để mô hình hóa quá trình xử lý hay một thiết bị nào đó chưa biết. Sơ đồ khối của một cơ cấu nhận dạng hệ thống được thể hiện trên hình 1.4. Hình 1.4: Sơ đồ nhận dạng hệ thống Trong ứng dụng này, bộ lọc thích nghi được sử dụng như một mô hình tuyến tính và có nhiệm vụ điều chỉnh hàm truyền đạt của hệ thống phù hợp nhất với một quá trình chưa biết. Bộ lọc thích nghi và hệ thống cần nhận dạng đều cùng được điều khiển bằng một tín hiệu vào. Đầu ra của hệ thống cần nhận dạng là đáp ứng mong muốn, được sử dụng vào quá trình điều chỉnh của bộ lọc thích nghi. Số lượng đáp ứng mong muốn lại chính là tham số của bộ lọc. Bộ lọc thích nghi đã xây dựng một mô hình toán học và được sử dụng cho mục đích xây dựng nhận dạng hệ thống. Một ứng dụng của nhận dạng hệ thống được trình bày trên hình 1.5, đó là mô hình hóa một kênh vô tuyến. Trong thông tin di động, sự ghép kênh sẽ gây ra các nhiễu xuyên dấu ISI. Để giảm nhiễu xuyên dấu thì tại các thiết bị thu người ta sử dụng các bộ san bằng. Một giải pháp cho vấn đề này, người ta sử dụng một bộ đánh giá các symbol có khả năng xảy ra cực đại, do vậy cần 9 phải có một mô hình về méo dạng kênh. Mô hình này có thể thực hiện được nếu sử dụng nhận dạng hệ thống thích nghi. Với mục đích này thì một chuỗi bít huấn luyện được phát đi một cách định kỳ (xen lẫn vào các symbol thông tin). Chuỗi bít huấn luyện này đã được biết trước ở máy thu và được sử dung như một đáp ứng mong muốn trong nhận dạng hệ thống thích nghi. Thiết bị thu sẽ quan sát đầu ra của kênh và cần phải biết được đáp ứng đầu ra của kênh, do vậy cần phải sử dụng một thiết bị nhận dạng về đánh giá kênh. Mô hình này thường được sử dụng trong các bộ san bằng của máy thu. Tham số của một kênh vô tuyến thường thay đổi rất nhanh theo thời gian, vì vậy thiết bị nhận dạng kênh cần phải được thực hiện liên tục và rất nhanh. Trong hệ thống GSM, với mỗi khung tín hiệu được phát đi có chứa 26 bit huấn luyện và được sử dụng trong quá trình cập nhật mô hình kênh. Hình 1.5: Nhận dạng hệ thống trong GSM 1.2.2.Khử nhiễu. Loại bỏ nhiễu là một trong những ứng dụng quan trọng của xử lý tín hiệu thích nghi. Loại bỏ nhiễu thích nghi là một phương pháp khử nhiễu bằng cách trừ đi thành phần nhiễu trong tín hiệu thu được kết hợp với một quá trình điều khiển hệ thống cho mục đích cải thiện tỷ lệ tín/tạp (SNR). Thông thường, 10 [...]... tụ của thuật toán LMS như sau: 2 J (n) = E  e(n)  → const   khi n →∞ (2.11) 2.2 Thuật toán LMS chuẩn hoá-NLMS Theo dạng chuẩn của thuật toán LMS, tích µu (n)e∗ (n) được sử dụng để tính trọng số lọc tại thời điểm n + 1 và tỉ lệ thuận với u (n) Vì vậy khi u (n) lớn, thuật toán LMS gặp phải vấn đề về biên độ nhiễu Để khắc phục khó khăn này ta có thể sử dụng thuật toán LMS chuẩn hoá Thuật toán LMS chuẩn... nghi LMS Thuật toán LMS được giới thiệu bởi Widrow và Hoft năm 1959 là một thuật toán thích nghi Thuật toán LMS là một trong những thành viên quan trọng trong hệ thuật toán gradient ngẫu nhiên Đặc điểm nổi bật nhất của thuật toán LMS là đơn giản, không yêu cầu tìm ma trận tương quan, và cũng không tìm ma trận nghịch đảo Do vậy thuật toán LMS rất đơn giản và được sử dụng làm chuẩn cho các thuật toán. .. như LMS, RLS, QRD và mỗi thuật toán đều có những ưu và nhược điểm riêng của nó Như đã trình bày ở mục trước thuật toán LMS khá phổ thông và được sử dụng trong hầu hết các ứng dụng, vì vậy trong Chương hai tôi sẽ giới thiệu thuật toán xử lý tín hiệu thích nghi LMS và các biến thể của nó 19 Chương 2 THUẬT TOÁN XỬ LÝ TÍN HIỆU THÍCH NGHI LMS VÀ CÁC BIẾN THỂ CỦA NÓ 2.1 Thuật toán xử lý tín hiệu thích nghi. .. thoại Thuật toán xử lý tín hiệu thích nghi ngày càng trở nên cần thiết trong mọi lĩnh vực Với mục đích nâng cao chất lượng hay độ tin cậy của các thiết bị thu số thì việc nghi n cứu và ứng dụng những thuật toán xử lý tín hiệu thích nghi là rất cần thiết và một trong những yêu cầu cấp bách trong nhiệm vụ hiện đại hóa thông tin liên lạc trong quân sự Nhưng có rất nhiều thuật toán xử lý tín hiệu thích nghi. .. thời như đã được thực hiện trong thuật toán BLMS Các kết quả trong các vector gradient với 32 một phương sai thấp hơn, khi so sánh với chính nó trong thuật toán LMS thông thường Điều này cho phép sử dụng tham số cỡ bước lớn hơn cho thuật toán BLMS so với thuật toán LMS thông thường Với độ dài khối L , tương đương hoặc nhỏ hơn chiều dài bộ lọc N , độ lệch M B , của BLMS có thể được xấp xỉ bởi biểu thức... trọng số lọc của thuật toán NLMS [9]: (2.19) 25 ˆ ˆ W (n + 1) = W (n) + % µ u ( n ) e* ( n ) 2 u ( n) (2.20) ˆ So sánh hai biểu thức tính W(n+1) của LMS và NLMS ta có một số nhận xét sau: % - Hằng số thích nghi µ của các NLMS là đại lượng vô hướng trong khi đó hằng số thích nghi của LMS là một đại lượng có hướng % µ - Đặt µ (n) = u (n) 2 Thuật toán NLMS hoàn toàn tương đương với thuật toán LMS có tham... các thuật toán xử lý thích nghi khác 2.1.1 Tổng quan về cấu trúc và hoạt động của thuật toán LMS Thuật toán LMS là một thuật toán lọc thích nghi tuyến tính, nó bao gồm hai quá trình cơ bản sau: 20 - Quá trình lọc: Quá trình này bao gồm việc tính toán đầu ra của bộ lọc dãy theo các tín hiệu vào băng lọc và đánh giá sự sai lệch giữa đầu ra và tín hiệu chuẩn - Quá trình xử lý thích nghi: Đây là quá trình... khối của san bằng thích nghi Hình 1.9 : San bằng thích nghi Cấu trúc của bộ san bằng thích nghi sử dụng một bộ lọc thích nghi và một bộ quyết định ngưỡng trực tiếp Sau chuỗi bit huấn luyện ban đầu, một chuỗi những bit thông tin được phát đi, giá trị đầu ra của bộ lọc thích nghi yêu cầu phải rất giống so với chuỗi bit đã được phát đi Một thiết bị quyết định hay một hàm băm được sử dụng nhằm chọn ra... trình điều khiển tự động trọng số lọc tương ứng với sai số được đánh giá Như vậy thuật toán LMSsự kết hợp đồng thời của hai quá trình này và được minh hoạ trên hình 2.1 Hình 2.1: Sơ đồ biểu diễn thuật toán LMS Thuật toán LMS cũng sử dụng tiêu chuẩn trung bình bình phương cực tiểu để đánh giá sai số lọc Khi cập nhật các trọng số lọc, phương pháp gradient thích nghi cần phải xác định ma trận tương... vectơ sai số trọng số lọc so với trọng số lọc Để tránh sự lầm lẫn với các ký hiệu trong thuật toán giảm bước nhanh nhất ta ký hiệu vectơ sai số trọng số lọc trong thuật toán LMS là: ˆ ∈ ( n) = W ( n) − W0 (2.8) ˆ Trong đó W0 là giá trị tối ưu trong phương pháp Wiener và W(n) là ước lượng trọng số lọc tại thời điểm n của thuật toán LMS Thuật toán LMS theo vectơ sai số trọng số lọc như sau [9]: * ∈ (n . nhiều. Đề tài " Nghi n cứu thiết kế mạch lọc thích nghi sử dụng lớp thuật toán LMS với công nghệ FPGA& quot; sẽ đi sâu vào nghi n cứu thuật toán xử lý tín hiệu 1 thích nghi LMS và các biến thể. chung nghi n cứu về thuật xử lý tín hiệu thích nghi LMS và các biến thể của nó gồm có thuật toán LMS chuẩn hóa (NLMS) và thuật toán xử lý LMS khối (BLMS). Chương 3: Giải pháp và kết quả thiết kế. này nghi n cứu tổng quan về xử lý tín hiệu thích nghi và nghi n cứu một số ứng dụng cơ bản của thuật toán xử lý tín hiệu thích nghi. Chương 2: Thuật toán xử lý tín hiệu thích nghi LMS và các

Ngày đăng: 21/06/2014, 10:49

Từ khóa liên quan

Mục lục

  • Chương 2: Thuật toán xử lý tín hiệu thích nghi LMS và các biến thể của nó.

    • TỔNG QUAN VỀ LỌC THÍCH NGHI

      • Hình 1.4: Sơ đồ nhận dạng hệ thống

  • Chương 2

    • Hình 2.5: Trọng số của bộ lọc

    • Tổng hợp thuật toán PFBLMS

    • Chương 3

    • KẾT LUẬN VÀ KIẾN NGHỊ

    • TÀI LIỆU THAM KHẢO

      • Tiếng Việt

      • Tiếng Anh

    • Phụ lục 2: Bo mạch FPGA của Actel

      • LÝ LỊCH TRÍCH NGANG

Tài liệu cùng người dùng

Tài liệu liên quan