Akustik yankı giderimi





















































































Çizelge 2.1 LMS algoritma adımları

Uyarlanabilir süzgeç başlangıç değeri ver

katsayılarına w(n)=0

Uzak uç ve istenilen sinyal değerlerini x(n) -> N değer kaydet

kaydet

d(n) N değer kaydet

Yankı kestirimi hesapla

(n)=wH(n)*x(n)

Hata fonksiyonu hesapla

e(n)=d(n)-(n)

Uyarlanabilir süzgeç katsayılarını güncelle w(n 1) w(n) e*(n) x(n)

LMS algoritmasını kararlılığı için seçilen basamak adım büyüklüğü çok önemlidir, değerinin büyük seçilmesi halinde sistem hızlı yakınsar fakat kararsızlaşabilir, basamak adım büyüklüğü küçük seçilirse sistem yakınsama hızı yavaşlar, basamak adım değeri sistem kararlılığı adına;

0 2 olarak tanımlanır maksimum

(2.19)

maksimum değeri R ilgileşim fonksiyonunun özdeğerleri olarak hesaplanır.

LMS algoritmasının başarım ölçümlerinden birisi öğrenme eğrisidir [7].

Öğrenme Eğrisi = 20log10(| e(n) |)

(2.20)

2.3.2 NLMS Algoritması:
LMS algoritmasında Çizelge 2.2de belirtildiği üzere uzak uç sinyali x(n) sisteme giriş sinyali olarak kullanılır. LMS algoritmasında basamak adım büyüklüğü sabittir, uyarlanabilir süzgeç katsayılarının güncellenmesi işlemi sırasında basamak adım büyüklüğü her tekrarlamada aynı değer olarak hesaplanır [7].

10



22. SAYFADAKI ANAHTAR KELIMELER

algoritma
süzgeç
algoritması
değer
adım
değeri


22. SAYFA ICERIGI

Çizelge 2.1 LMS algoritma adımları

Uyarlanabilir süzgeç başlangıç değeri ver

katsayılarına w(n)=0

Uzak uç ve istenilen sinyal değerlerini x(n) -> N değer kaydet

kaydet

d(n) N değer kaydet

Yankı kestirimi hesapla

(n)=wH(n)*x(n)

Hata fonksiyonu hesapla

e(n)=d(n)-(n)

Uyarlanabilir süzgeç katsayılarını güncelle w(n 1) w(n) e*(n) x(n)

LMS algoritmasını kararlılığı için seçilen basamak adım büyüklüğü çok önemlidir, değerinin büyük seçilmesi halinde sistem hızlı yakınsar fakat kararsızlaşabilir, basamak adım büyüklüğü küçük seçilirse sistem yakınsama hızı yavaşlar, basamak adım değeri sistem kararlılığı adına;

0 2 olarak tanımlanır maksimum

(2.19)

maksimum değeri R ilgileşim fonksiyonunun özdeğerleri olarak hesaplanır.

LMS algoritmasının başarım ölçümlerinden birisi öğrenme eğrisidir [7].

Öğrenme Eğrisi = 20log10(| e(n) |)

(2.20)

2.3.2 NLMS Algoritması:
LMS algoritmasında Çizelge 2.2de belirtildiği üzere uzak uç sinyali x(n) sisteme giriş sinyali olarak kullanılır. LMS algoritmasında basamak adım büyüklüğü sabittir, uyarlanabilir süzgeç katsayılarının güncellenmesi işlemi sırasında basamak adım büyüklüğü her tekrarlamada aynı değer olarak hesaplanır [7].

10

İlgili Kaynaklar







single.php