Khái niệm chính mà bạn đang thiếu là bạn không chỉ giảm thiểu sự khác biệt giữa tín hiệu đầu vào và đầu ra. Lỗi thường được tính từ đầu vào thứ 2. Chỉ cần nhìn vào ví dụ Wikipedia liên quan đến ECG .
Các hệ số bộ lọc trong ví dụ này được tính toán lại để thay đổi tần số notch của bộ lọc notch theo tần số trích từ tín hiệu chính. Người ta có thể sử dụng bộ lọc notch tĩnh, nhưng bạn sẽ phải từ chối dải tần số rộng hơn để phù hợp với sự thay đổi trong tần số chính. Bộ lọc thích ứng tuân theo tần số chính và do đó dải dừng có thể hẹp hơn nhiều, do đó giữ lại nhiều thông tin ECG hữu ích hơn.
BIÊN TẬP:
Tôi đã xem xét điều này một lần nữa và tôi nghĩ rằng tôi hiểu câu hỏi của bạn tốt hơn một chút. Thuật toán LMS cần một thuật ngữ lỗi để cập nhật các hệ số bộ lọc. Trong ví dụ ECG mà tôi diễn giải ở trên, tôi đưa ra thuật ngữ lỗi dưới dạng đầu vào thứ hai từ điện áp nguồn. Bây giờ tôi đoán rằng bạn đang nghĩ, "Tại sao không trừ nhiễu từ tín hiệu cộng với nhiễu để rời tín hiệu?" Điều này sẽ làm việc tốt trong một tuyến tính đơn giảnhệ thống. Thậm chí tệ hơn, hầu hết các ví dụ được cung cấp trực tuyến cho bạn biết (chính xác nhưng khó hiểu) rằng thuật ngữ lỗi được tính từ sự khác biệt giữa tín hiệu mong muốn và đầu ra của bộ lọc thích ứng. Điều này khiến bất kỳ người hợp lý nào cũng nghĩ rằng "Nếu bạn đã có tín hiệu mong muốn, tại sao lại phải làm bất cứ điều gì trong số này!?". Điều này có thể khiến người đọc thiếu động lực để đọc và hiểu các mô tả toán học của các bộ lọc thích ứng. Tuy nhiên, chìa khóa nằm trong phần 18.4 của Sổ tay xử lý tín hiệu số , Ed. Vijay K. Madisetti và Douglas B. William.
Ở đâu:
- x = tín hiệu đầu vào,
- y = đầu ra từ bộ lọc,
- W = các hệ số bộ lọc,
- d = sản lượng mong muốn,
- e = lỗi
Trong thực tế, số lượng lãi không phải lúc nào cũng d. Mong muốn của chúng tôi có thể là đại diện cho ya một thành phần nào đó của d có trong x hoặc có thể cô lập một thành phần của d trong lỗi e không có trong x. Ngoài ra, chúng tôi có thể chỉ quan tâm đến các giá trị của các tham số trong W và không quan tâm đến bản thân x, y hoặc d. Các ví dụ thực tế của từng kịch bản được cung cấp sau trong chương này.
Có những tình huống trong đó d không có sẵn mọi lúc. Trong các tình huống như vậy, sự thích ứng thường chỉ xảy ra khi d có sẵn. Khi d không có sẵn, chúng tôi thường sử dụng các ước tính tham số gần đây nhất của chúng tôi để tính y trong nỗ lực ước tính tín hiệu phản hồi mong muốn d.
Có những tình huống trong thế giới thực trong đó d không bao giờ có sẵn. Trong những trường hợp như vậy, người ta có thể sử dụng thông tin bổ sung về các đặc điểm của một giả thuyết giả định, chẳng hạn như hành vi thống kê hoặc đặc điểm biên độ dự đoán của nó, để hình thành các ước tính phù hợp của d từ các tín hiệu có sẵn cho bộ lọc thích ứng. Các phương pháp như vậy được gọi chung là các thuật toán thích ứng mù. Thực tế là các phương án như vậy thậm chí còn hoạt động là một sự tôn vinh cả sự khéo léo của các nhà phát triển thuật toán và sự trưởng thành về công nghệ của trường hợp thích ứng
Tôi sẽ tiếp tục xây dựng câu trả lời này khi tôi có thời gian, trong nỗ lực cải thiện ví dụ ECG.
Tôi thấy bộ ghi chú bài giảng này cũng đặc biệt tốt: Bộ lọc thích ứng và bộ lọc thích ứng xử lý tín hiệu nâng cao - Danilo Mandic