LMS 알고리즘 & 결과

목차

목차 없음..

본문내용

n)~~~~~~~~~(9.14)
그래서
NABLA[E(e^2 (n))]~=~ -2e(n) X(n)~~~~~~~~~~~~~~~~~~~~~~~~~(9.15)
식 9.12와 식 9.15를 이용하여 LMS 알고리즘을 다음과 같이 다시 쓴다.
B(n+1) ~ =~ B(n)~ +~ Ke(n)X(n)~~~~~~~~~~~~~~~~~~~~~~~~~~(9.16)
식 9.16은 다음과 같이 또 다시 쓸 수 있다.
b_i (n+1) ~= ~ b_i (n) + Ke(n)x(n-i)~~~i =0,1,....,N-1~~~~~~~~~~~(9.17)
b_i (n+1)
는 다음 샘플 피리어드 동안 사용될 갱신된 i번째 값이다.
b_i (n)
는 현재의 샘플 피리어드에서의 i번째 값이다.
다음의 샘플 피리어드에서 두개의 새로운 입력이 시스템으로 들어오고 그 과정은 반복된다. 몇번의 근사화를 거치면서 FIR 파라메타는 점점더 그 mean square error를 최소화시키는 방향으로 수렴해간다.
루프이득 K는 FIR 필터의 수렴률과 안정성을 조절하고, FIR 필터에서 사용되는 tap 길이에 따라서 적당한 값이 된다.
x(n) signal.dat : sine + gaussian noise
d(n) noise.dat : gaussian noise
결과 lmsout.dat
입력을 signal.dat 로 sine 과 gaussian noise를 같이 섞어서 주고, d(n)은 gaussian noise로 하여 그 특성에 맞는 lms에 따라 signal.dat 에서 gaussian noise 특성을 제거하여 위의 lmsout.dat 가 나왔다.

키워드

LMS알고리즘