RESUMEN LABORATORIO 11 PARTE

hopt R Lp

No

se conoce

No se emplea el filtro de Wiener dado que

implica utilizar información de la que no se dispone

es decir las matrices de autocorrelación

se emplea pues el filtro adaptativo es decir un

filtro cancelador de ruido adaptativo si

el filtro cuenta con señal de referencia Crab

se emplearía esta en caso de no contar con

señal de referencia se empleará la propia

señal XIN

XIN señal recibida Xlvi dlnstv.lu

dLn señal deseada es decir la señal

que fue transmitida

V UN
Interferencia sobre la señal deseada

en este caso un Nido gaussiano de

media nula y varianza unidad



Velu Señal de referencia camelada

con la señal interferencia v Lnb

Por lo general no se dará esta situación

ya que Vzla requiere haber estimado de

forma correcta el Nido del canal Para la

práctica se emulará generando una señal a

partir de v cn

NOTA Se considerará
que Vitin está INCORRECADO con ella

Ruido gaussiano de media nula varianza unidad

y
Función

filter

se va emplear para generar Vih y velas

a

como curaciones en diferencias Como vicus

y Vrh se generan a raíz de estarán

g

CORRELADOS

Señal de interferencia que irá acoplada aditivamen

a la señal deseada

Se emplean ecuaciones en diferencias para calcular

recursivamente las muestras de ruido de esta

forma no es necesario al dominio freeze

pasar

para limitar en
freq.la señal

Vector

fila

El comando

filter implementa

as JUD b XLD azyln sbtbzxln.si azytn 2 t

Si el primer parámetro de
filter es sí la
función está normalizada

a 1

b 1

ar O8

Como queremos que sea de orden 1 sustituyendo

en la expresión general

III KEI as yln

11v.cn

1
gen 08 v cn 1

Wef
b numerador

Entonces en el filter filter lb a x a caes

demons

datos
señal de referencia camelada con Vivi


referen

X esla matriz de convolución formada con el

vector VIN

Mi N de muestras de La señal

N Orden del filtro

Si analizamos en detalle el código del LMS vemos

que va secuencialmente estimando la señal calculando

los coeficientes del la

filtro almacenados en

matriz A

Matriz de
Mu paso de adaptación convolución
EIN vector de estimación
A matriz de coeficientes del filtro

Además se estima el til que es la estimación

de la señal de interferencia calculada a partir
de Urkel

dlkltv.lk WS

ama
a
faIta
tmall.A.im M
N Orden del filtro M Long señal
Donde las consideraciones son análogas a las
del LMS
Donde

WEA X matrizde convolución

µµ j

En el LMS normalizado converge independientemente

de la amplitud de la señal motivo
y por ese
está normalizado por la norma de la matriz
de convolución al cuadrado es decir la potencia
Como la potencia de valus está relacionada
con la señal recibida cn la estimación
será independiente de la amplitud de esta
Última lo que hace que el LMS N sea más
estable que el LMS
 NORMA ALCUADRADO

4 1
Algoritmo RLS
Paraeste apartado utilizamoslas siguientes eas

Z P XCU 3 donde P Rx Esta

matriz se puedecalcular a partir
de los autovalores En la situación
inicial el valor de estos autovalores
será grande
para suponer una
incertidumbre
muy elevada
autovalores XP
Z
Ganancia de Kalmar
G g
ft Ck Z

e a KLM XVI ANH estimación de

la señal
P
IP g z

Lambda es el factor de olvido

si At hay un mayor error pero
Converge más Rápido

justo al revés que µ

en LMS
Característicasmmm
algoritmo RLS
NEdim.tn
Carga computacional mayor y
4Mt 8N operaciones frente a 4N
operaciones del LMS
LMS LMS N RLS
Ey
MIR
sin caché 0 0175 0 0418 0.0412
concaché 0 0054 0291 0 0170

MI 150

0.0505 0 0936 03423

Velocidad de convergencia muy superior