基于matlab仿真模块的自适应有源噪声逆控制研究
- 格式:pdf
- 大小:246.46 KB
- 文档页数:2
基于MATLAB的自适应均衡器的研究毕业论自适应均衡器(Adaptive Equalizer)是一种用于消除信号传输中的失真影响的信号处理器。
在通信系统和数码信号处理中,信号在传输过程中容易受到噪声干扰和信号失真的影响,从而导致接收端的信号质量下降。
自适应均衡器通过根据接收端的反馈信息,调整均衡器的参数来补偿信号传输中的失真影响,从而提高信号质量。
MATLAB是一种广泛应用于科学和工程领域的高级计算机语言和环境。
它提供了丰富的工具和函数库,可以方便地进行信号处理和模拟仿真。
基于MATLAB的自适应均衡器研究可以通过建立模型、仿真实验和性能评估来实现。
首先,在MATLAB中可以通过建立自适应均衡器模型来进行研究。
自适应均衡器的基本原理是根据接收信号和已知的传输信号之间的差异,调整均衡器的系数来补偿信号失真。
在MATLAB中,可以根据特定的信道模型和均衡算法来实现自适应均衡器模型。
其次,通过进行仿真实验可以验证自适应均衡器的性能。
在MATLAB 中,可以生成各种类型的信号,并通过添加噪声和失真来模拟信号传输中的实际情况。
然后,使用自适应均衡器模型来对仿真信号进行处理,并比较处理前后的信号质量。
通过观察误码率、信号噪声比等指标,可以评估自适应均衡器的性能。
最后,可以使用MATLAB进行自适应均衡器的性能分析和优化。
通过调整均衡器的参数和算法,可以优化自适应均衡器的性能。
MATLAB提供了各种工具和函数库,如优化算法工具箱、信号处理工具箱等,可以帮助研究人员快速分析和优化自适应均衡器的性能。
总之,基于MATLAB的自适应均衡器的研究可以通过建立模型、进行仿真实验和性能评估来实现。
MATLAB提供了丰富的工具和函数库,可以方便地进行信号处理和模拟仿真,从而帮助研究人员深入了解和优化自适应均衡器的工作原理和性能。
基于自适应滤波及模态分析的有源噪声控制方法研究基于自适应滤波及模态分析的有源噪声控制方法研究1.引言噪声污染对人们的工作和生活环境造成了严重的影响,因此控制噪声污染成为了一个重要的研究方向。
在噪声控制领域中,有源噪声控制方法由于其良好的控制效果和灵活性而备受关注。
本文将介绍一种基于自适应滤波及模态分析的有源噪声控制方法研究。
2.有源噪声控制原理有源噪声控制利用产生与噪声信号相反的声波来抵消噪声,从而降低噪声源的影响。
其原理是通过传感器采集到的噪声信号,经过自适应滤波器和控制算法处理后,驱动声源发出一个与噪声相位和振幅完全相反的声波,以抵消噪声信号。
3.自适应滤波器自适应滤波器是实现有源噪声控制的重要组成部分。
它能够不断调整滤波器的系数,使得输出信号和输入噪声信号之间的误差最小。
自适应滤波器根据传感器的信号和期望的控制信号之间的差异来更新滤波器的权值。
通过反复迭代和适应,自适应滤波器可以逐渐接近所需的滤波器响应。
4.模态分析模态分析是研究振动特性的一种重要方法。
在有源噪声控制中,模态分析可以用来确定噪声源的振动特性。
通过研究噪声源的振动频率和振动模态,可以更好地设计有源噪声控制系统。
模态分析可以通过振动传感器采集噪声源的振动信号,并使用信号处理方法提取出振动频率和振动模态。
5.实验设计及结果分析为了验证基于自适应滤波及模态分析的有源噪声控制方法的有效性,我们设计了一组实验。
首先,使用加速度传感器采集到了噪声源的振动信号,并进行了模态分析得到了噪声源的振动频率和振动模态。
然后,根据模态分析结果,设计了自适应滤波器的参数并进行了滤波。
最后,通过扬声器发出与噪声相反的声波来抵消噪声。
实验结果表明,基于自适应滤波及模态分析的有源噪声控制方法可以显著降低噪声水平。
6.总结本文介绍了一种基于自适应滤波及模态分析的有源噪声控制方法。
通过使用自适应滤波器对噪声进行实时滤波,并利用模态分析确定的振动特性,可以有效地降低噪声水平。
自适应噪声抵消LMS 算法Matlab 仿真传统的宽带信号中抑制正弦干扰的方法是采用陷波器(notch filter),为此我们需要精确知道干扰正弦的频率.然而当干扰正弦频率是缓慢变化时,且选频率特性要求十分尖锐时,则最好采用自适应噪声抵消的方法.下图是用一个二阶FIR 的LMS 自适应滤波器消除正弦干扰的一个方案。
1) 借助MATLAB 画出误差性能曲面和误差性能曲面的等值曲线; 2) 写出最陡下降法, LMS 算法的计算公式(δ=0.4);3) 用MATLAB 产生方差为0.05,均值为0白噪音S(n),并画出其中一次实现的波形据2)中的公式,并利用3)中产生的S(n),在1)中的误差性能曲面的等值曲n 的值曲线上叠加画出LMS 法时100情况确定,一般选取足够大以使算法达到基)(n y 宽带信号+正弦干扰0()()()y n S n N n =+图;4) 根线上叠加画出采用最陡下降法, LMS 法时H(n)的在叠代过程中的轨迹曲线。
5)用MATLAB 计算并画出LMS 法时 随时间变化曲线(对 应S(n)的某一次的一次实现)和e(n)波形;某一次实现的结果并不能从统计的角度反映实验的结果的正确性,为得到具有统计特性的实验结果,可用足够多次的实验结果的平均值作为实验的结果。
用MATLAB 计算并画出LMS 法时J(n)的100次实验结果的平均值随时间n 的变化曲线。
6)用MATLAB 计算并在1)中的误差性能曲面的等次实验中的H(n)的平均值的轨迹曲线;(在实验中n=1,,…..N,N 的取值根据实验本收敛)01(),(0)0.052()sin(16102()sin()16ss S n r N n n N n n πππ==+是均匀分布的白噪音不相关和)(),()(10n N n N n S)(n x x 1()())(n e n N n =1、用Matlab画误差性能曲面和误差性能曲面的等值曲线的程序如下:[h0,h1] = meshgrid(-2:0.1:4 , -4:0.1:2);J=0.55+h0.*h0+h1.*h1+2*cos(pi/8)*h1.*h0-sqrt(2)*h0*cos(pi/10)-sqrt(2)*h1*cos(9*pi/40);echo on;v=0:0.1:2;%axis([-4 4 -4 4 0 100]);figure(1);%误差曲面surf(h0,h1,J);xlabel('h0');ylabel('h1');title('误差性能曲面');figure(2);contour(h0,h1,J,v); %等值曲线xlabel('h0');ylabel('h1');title('误差性能曲面等值曲线');运行结果如下图示:2、①最陡下降法计算公式:)(n 21)()1(H G V n H n δ−=+ 其中δ取0.4,H(0)=[3 -4],T ⎟⎠⎞⎜⎝⎛+=⎟⎠⎞⎜⎝⎛−⎥⎦⎤⎢⎣⎡⎟⎠⎞⎜⎝⎛+==⎟⎠⎞⎜⎝⎛−⎟⎠⎞⎜⎝⎛=⎥⎦⎤⎢⎣⎡−⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡=−=∑∑==1016k 2cos 2116)(2sin 210162sin 2161)(r 16k2cos 16)(2sin 2162sin 2161)(r )1()0(2)()()0()1()1()0(22)(2)(V 15015010G ππππππππi yx i xx yx yx xx xx xx xx yxxx k i i k k i i k r r n h n h r r r r r n H R n 而故⎥⎦⎤⎢⎣⎡−−=⎥⎦⎤⎢⎣⎡−⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡=5320.37362.2)0(5377.06725.02)()(19239.09239.012)(10G G V n h n h n V②LMS 算法计算公式:,...2,1,0),1()1()()1()1()()1()1(e =+++=++−+=+n n X n e n H n H n X n H n y n T δ其中δ取0.4。
车内噪声自适应有源控制系统建模与仿真
张强;靳晓雄;华春雷;侯臣元
【期刊名称】《机械设计与研究》
【年(卷),期】2009(0)4
【摘要】从有源噪声控制的原理出发,结合车内噪声的特点,制定了以前馈数字式自适应控制器为核心,发动机和车身的振动加速度为输入,次级声源为输出,残余噪声信号为反馈的闭环有源噪声控制技术方案。
采用了非声信号作为参考信号来解决次级声反馈问题,在次级通路建模上,引入了自适应在线附加随机噪声Zhang法,采用归一化FLMS算法建立自适应滤波器。
在MATLAB/Simulink下建立了车内噪声有源控制的模型,并通过仿真论证了方案的可行性。
【总页数】6页(P62-66)
【关键词】自适应;有源控制;仿真研究
【作者】张强;靳晓雄;华春雷;侯臣元
【作者单位】同济大学汽车学院;中国汽车技术研究中心
【正文语种】中文
【中图分类】U467.1
【相关文献】
1.一种用于自适应有源噪声控制的在线次级通道建模方法 [J], 陈力;冯燕
2.大客车车内噪声有限元声固耦合建模与仿真 [J], 王岩松;李燕;汤晓林;吴大钰
3.有源噪声控制中误差通道的自适应建模 [J], 蒋威;唐健;秦素梅
4.一种调节反馈有源噪声控制系统水床效应的频域自适应算法 [J], 吴礼福;李佳强;陈定;郭晓董;焦坤
5.一种基于在线建模的自适应有源噪声控制快速算法 [J], 胡涵;于海勋;陈克安因版权原因,仅展示原文概要,查看原文内容请购买。
基于MATLAB的自适应滤波去噪仿真分析
张文超;郜参观
【期刊名称】《伊犁师范学院学报(自然科学版)》
【年(卷),期】2016(10)1
【摘要】自适应滤波器作为一种现代滤波器,在通信领域有着广泛的应用.阐述了LMS自适应滤波器的相关原理及其在通信系统去噪中的应用,并用MATLAB对选取不同步长因子的自适应滤波器的去噪结果进行了相应的仿真,仿真结果直观地体现了自适应滤波器的去噪性能,以及选取不同步长因子对信号收敛性能的影响.【总页数】4页(P76-79)
【作者】张文超;郜参观
【作者单位】伊犁师范学院电子与信息工程学院,新疆伊宁 835000;伊犁师范学院电子与信息工程学院,新疆伊宁 835000
【正文语种】中文
【中图分类】TN911
【相关文献】
1.基于MATLAB的遥感图像不同滤波算法实验及去噪分析 [J], 王柯;陈力坤
2.基于MATLAB三种滤波算法的图像去噪技术研究 [J], 李宸鑫
3.基于LMS算法自适应滤波器的Matlab仿真分析 [J], 张德辉;穆晓敏
4.基于组合形态滤波与自适应广义形态滤波的ECG去噪算法 [J], 赵志华;穆海军
5.基于LMS算法自适应滤波器的Matlab仿真分析 [J], 张德辉;穆晓敏
因版权原因,仅展示原文概要,查看原文内容请购买。
ATE
农业技术与装备
X2
c(q-1)p(q-1)
u2
C
(x)p(q-1)
LMS
M(q-1)
p(q-1)
w(q-1)w
(q-1)!
!
e2
d2
+
--+
p(q-1)
基于matlab仿真模块的自适应有源噪声
逆控制研究
嘉兴学院机电工程学院
张今朝
摘
要
运用matlab仿真模块对自适应有源逆控制中的两种算法:滤波-ULMS算法和改进的滤波
-ULMS算法进行了仿真研究。
并对两种算法的消声效果进行了比较,验证了改进的滤波-ULMS算法有着更为优越的动态性能。
关键词
MATLAB仿真;滤波U-LMS算法;改进的滤波-ULMS算法;自适应有源逆控制
中图分类号S210文献标志码A
1引言
自适应逆控制(AdaptiveInverseControl)是控制系统和调节器设计中,用被控对象传递函数的逆作为串联控制器来对系统的动态特性作开环控制,从而避免了因反馈而可能引起的不稳定问题。
同时又能做到对系统动态特性的控制与对象扰动的控制分开处理而互不影响。
其基本思想就是要用一个来自控制的信号去驱动对象,而该控制器的传递函数就是参考模型与该对象建模函数的商。
根椐自适应算法,用对象和指令输出之差的误差信号来调节控制器的参数以使该误差信号的均方差最小。
参考模型要选择成达到设计者对整个系统所要求的相同的动态响应。
本文运用matlab仿真模块对自适应有源控制的两种算法:滤波-ULMS算法和改进的滤波-ULMS算法进行了仿真研究。
并对消声进行了比较,验证了改进的滤波-ULMS算法在有源消声控制系统中更为优越。
2自适应FULMS算法
自适应有源噪声控制系统中,典型的结构如图1所示。
图1中的各通道传递函数如下:G(z):从噪声源到参考传感器和传递函数.在本方中为方便起见,设G(z)=1;M(z):初级通道传递函数(从噪声源到误差传感器);P(z):次级通道传递函数(从滤波器的输出到误差传感器)F(z);反馈通道传递函数(从滤波器输出到参考传感器)。
使用IIR控制器的控制系统中,前馈控制器是使误差信号的得到最小均方值
(LeastMeanSquare,简称LMS)。
参考模型是要选择成达到设计者对整个系统所要求的相同的动态响应。
当均方值最小时,控制器和对象的级联之后将有一个类似于参考模型特性的动态响应,控制器和对象传递函数的乘积将会非常近似于该参考模型的传递函数。
用差分方程推导U-滤波LMS算法。
对于U-滤波LMS算法,IIR控制器可用差分方程表示为C
(q-1)=A(q-1)B(q-1)(1)
即
C
(q-1)=a0k+a1kq-1
+L+aMkq-M
1+b1kq-1+L+bNkq
-N(2)
令
Wk=[a0ka1kLaMkb1kLbNk]T=[WTAWT
B]T
(3)
它是一个(M+N+1)×1权向量。
LMS算法是沿着J=E[e2
(k)]的梯度方向来调节控制器的参
数使得J达到最小值。
图1单通道自适应有源噪声控制示意图
[收稿日期]2007-10-12
[邮编]314001[作者简介]
张今朝(1971-),男,安徽庐江人,助教,博士研究生,主要研究多电机同步系统协调控制等。
理论研究
文章编号:1673-887X(2007)10-0014-02
图2
基于滤波-ULMS算法的自适应逆控制系统
G(z)
P(z)
d(x)次级声源
自适应
控制器
F(z)
y(x)
u(x)
w
(z)参考传感器
S(z)
14
2007.10
总第142期
AGRICULTURALTECHNOLOGY&EQUIPMENT
为了得到改进的U-滤波LMS算法,ek可以表示为ek=dk-P(q-1)uk=dk-P(q-1)(фT
kWk
)(4)
这里
фk=[xkxk-1Lxk-M-uk-1L-uk-N]T=[фT
kфT
u]
T
(5)
向量фk又被称为向量,而且它又被对象建模函数所滤波,因此这种算法被称为U-滤波LMS算法。
梯度向量可表示为
!k=""Wk
E[e2
k]
(6)
进一步表示为
!k=-2ekP(q-1)"uk"Wk=-2ekp(q-1)1B(q-1)фk
(7)
这里忽略。
由于是得不到的,用对象传递函数的模型来代替。
因此,U-滤波LMS算法可以表示为Wk+1=Wk+μ[P(q-1
)фk
]ek(8)
式中P
(q-1
)———P(q-1
)的建模函数μ-正实数,自适应步长
фk-[xkxk-1Lxk-M-μk-1L-μk-N
]T
此则为FULMS算法的表述。
如图2所示。
由于yk决定于系数矢量Wk,从方程(4)可以看出E[e2
(k)]不是系数的二次型函数,
并且有多个局部最小值。
因此,如果滤波器系数的初值在它的局部最小值的范围附近,则FULMS算法可收敛于一个局部最小值。
3.改进的自适应滤波-ULMS算法逆控制
用新的目标函数E[e2
(k)][4]来代替E[e2
(k)]
其中e(k)=[1-A(q-1)]ek
(9)
令Ek=[ek-1ek-2Lek-M]T
式(9)变为
ξk=ek-WT
AEk
(10)
而
ek=dk-WT
B
(P(q-1)Xk)-WT
A(P(q-1)uk)(11)式(10)代入上式,并且注意到dk=P(q-1)uk+ek(12)
得
ξk=dk-WT
B
(P(q-1)Xk)-WT
ADk(13)
这里Dk=[dk-1dk-2Ldk-M],式(13)被写成
ξk=dk-WTkθk
(14)
其中Wk在(3)中已定义,
θk=
[P(q-1)XT
kDT
k]T(15)
根据LMS算法,Wk+1表示为
Wk+1=Wk-μ"ξ2k
2"Wk
=Wk-ηξk"ξk
"Wk(16)
上式可以被分解,并注意到dk=P
(q-1)uk-j+ek-j,得bk+1=bk+ηξk[P
(q-1)xk-j]ak+1
=ak
+ηξ
k[P
(q-1)uk-j+ek-j#](j=0,1,L,N-1)(j=1,2,L,M)(17)
ak、bk分别为矢量WA、WB的列向量。
由式(13)可得,
等价于
Wk+1=Wk+μξkθk(18)
以上所述新算法的表达形式如图3所示。
由于P
(q-1)xk和Dk是Wk中相互独立的两个量。
可以看出,E[ξ2
(k)]是系数的二次型函数,因此存在一个全局最小值。
当且仅当E[e2(k)]=0时E[e2(k)]=0。
这样,权失量系数便可以逼
近一个最优值,以致于初级声源被尽可能完全地抵消,从而得到
全局最小均方误差值。
4仿真研究
基于Matlab7.0仿真模块,采集一段带通噪声(50~100
HZ)作为噪声源。
噪声源的持续时间都是5s,采样率为100Hz,
数据保存于.wav文件当中。
经噪声控制处理算法处理之后,可以进行信噪比的测量或者直接用示波器模块画出波形图,并于仿真模块经由计算机声卡播放出来。
设AANC初级通道传递函数
P
(z)=1+0.05z-1+0.1z-2+0.09z-3+0.05z-4+0.002z-5设参考模型M(z)=1,声反馈F(z)=0。
取滤波器的阶数为M=70,N=70,向系统通入采集的发动机
排气噪声信号,时间为5s。
制出图4发动机噪声信号及频谱图
(略)然后,分别取两组不同的收敛系数。
进行两种算法对比:
4.1
当取μ=0.5×10-5时,误差信号频谱图如图5
(a)和图5(b)(均略)。
4.2当取μ=1×10-4时,误差信号频谱图图6(a)和图6(b)(均略)。
通过对宽带噪声的仿真实验,两种算法在取相同的收敛系数时,改进的算法明显优越于FULMS算法。
而且当收敛系数取
μ=1×10-4时,FULMS算法不能收敛,而改进的算法还是有明显
的消噪量。
5结论
通过运用MATLAB对FULMS算法及其改进FULMS算法的仿真实验,其结果表明改进的FULMS算法能更具有效性,更有可能全局收敛。
进一步验证了改进的FULMS算法的全局收敛性和自适应逆控制显著的动态性能。
图3
基于改进的滤波-ULMS算法自适应逆控制系统
X2
c(q-1
)
p(q-1)u2
C
(q-1
)$$e2d2
+
-
-+
1-A
(q-1)w
(q-1)S
(q-1)p(q-1)
LMS
p(q-1)ξ2M
(q-1)p(q-1)
LILUNYANJIU
15。