Eksik olduğunuz temel kavram, yalnızca giriş ve çıkış sinyalleri arasındaki farkı en aza indirmemenizdir. Hata genellikle 2. girişten hesaplanır. EKG ile ilgili Wikipedia örneğine bakın .
Bu örnekteki filtre katsayıları, bir çentik filtresinin çentik frekansını şebeke sinyalinden çıkarılan frekansa göre değiştirmek için yeniden hesaplanır. Biri statik bir çentik filtresi kullanabilir, ancak şebeke frekansındaki değişkenliği karşılamak için daha geniş bir frekans aralığını reddetmeniz gerekir. Adaptif filtre şebeke frekansını takip eder ve böylece durdurma bandı çok daha dar olabilir, böylece daha fazla yararlı EKG bilgisi saklanabilir.
DÜZENLE:
Buna tekrar baktım ve sanırım sorunuzu biraz daha iyi anlıyorum. Filtre katsayılarını güncellemek için LMS algoritmasının bir hata terimine ihtiyacı vardır. Yukarıda anlattığım EKG örneğinde, hata terimini bir şebeke voltajından ikinci bir giriş olarak veriyorum. Şimdi tahmin ediyorum ki, "Neden sadece sinyali bırakmak için sinyal artı gürültüden çıkarmıyorsunuz?" Bu basit bir doğrusalda iyi çalışırsistemi. Daha da kötüsü, çevrimiçi verilen çoğu örnek size (doğru ama kafa karıştırıcı bir şekilde) hata teriminin, istenen sinyal ile uyarlanabilir filtrenin çıkışı arasındaki farktan hesaplandığını söyler. Bu, herhangi bir makul kişiyi "İstediğiniz sinyale zaten sahipseniz, neden bunlardan herhangi birini yapmaktan rahatsızsınız?" Diye düşünmesini sağlar. Bu, okuyucuya uyarlanabilir filtrelerin matematiksel açıklamalarını okumak ve anlamak için motivasyondan yoksun bırakabilir. Ancak, anahtar Dijital Sinyal İşleme El Kitabı , Ed. Vijay K. Madisetti ve Douglas B.William.
nerede:
- x = giriş sinyali,
- y = filtreden çıktı,
- W = filtre katsayıları,
- d = istenen çıktı,
- e = hata
Uygulamada, ilgi miktarı her zaman değildir d. Arzumuz, x içinde bulunan d'nin belirli bir bileşenini temsil etmek olabilir veya d'de, x içinde bulunmayan e hatası içindeki bir bileşeni izole etmek olabilir. Alternatif olarak, yalnızca W'deki parametrelerin değerleriyle ilgilenebiliriz ve x, y veya d'nin kendileri hakkında hiçbir endişemiz olmayabilir. Bu senaryoların her birine ilişkin pratik örnekler bu bölümün ilerleyen kısımlarında verilmektedir.
D'nin her zaman mevcut olmadığı durumlar vardır. Bu gibi durumlarda, adaptasyon tipik olarak sadece d mevcut olduğunda gerçekleşir. D mevcut olmadığında, tipik olarak en son parametre tahminlerimizi, istenen yanıt sinyalini d tahmin etmek amacıyla y'yi hesaplamak için kullanırız.
D'nin asla mevcut olmadığı gerçek dünya durumları vardır. Bu gibi durumlarda, uyarlanabilir to ltre için mevcut sinyallerden uygun d tahminleri oluşturmak üzere, bir “varsayımsal” d'nin özellikleri hakkında, tahmin edilen istatistiksel davranışı veya genlik karakteristikleri gibi ek bilgiler kullanılabilir. Bu tür yöntemlere toplu olarak kör uyum algoritmaları denir. Bu tür şemaların bile çalışması gerçeği, hem algoritma geliştiricilerinin yaratıcılığına hem de uyarlanabilir ing ltering alanının teknolojik olgunluğuna bir övgüdür.
EKG örneğini iyileştirmek için zaman bulduğumda bu cevabı geliştirmeye devam edeceğim.
Bu ders notlarının setinin de özellikle iyi olduğunu gördüm: Gelişmiş Sinyal İşleme Uyarlamalı Tahmin ve Uyarlanabilir Filtreler - Danilo Mandic