АДАПТИВНі ФіЛЬТРИ В ЦИФРОВіЙ ОБРОБЦі СИГНАЛіВ СУЧАСНИХ ТЕЛЕКОМУНіКАЦіЙНИХ СИСТЕМ

Тип работы:
Реферат
Предмет:
ТЕХНИЧЕСКИЕ НАУКИ


Узнать стоимость

Детальная информация о работе

Выдержка из работы

-------------------? ?----------------------
Адаптивний фільтр відрізняється наступними властивостями і його параметрами: частотна характеристика автоматично регулюється і модифікується для покращення швидкодії та продуктивності фільтра за деякими критеріями, що дозволяють фільтру адаптуватись до змін параметрів вхідного сигналу. Адаптивні фільтри використовуються на індикаторах кругового огляду або радіолокаційних системах, які використовують у військовій та повсякденній промисловості
Ключові слова: трансверсальний алгоритм найменших квадратів, рекурсивний алгоритм найменших квадратів, фільтр Вінера
?---------------------------------?
Адаптивный фильтр отличается следующими свойствами и его параметрами: частотная характеристика автоматически регулируется и модифицируется для улучшения быстродействия и производительности фильтра по некоторым критериям, позволяющим фильтру адаптироваться к изменениям параметров входного сигнала. Адаптивные фильтры используются на индикаторах кругового обзора или радиолокационных системах, используемых в военной и повседневной промышленности
Ключевые слова: трансверсальный алгоритм наименьших квадратов, рекурсивный алгоритм наименьших квадратов, фильтр Винера -------------------? ?----------------------
1. Вступ
Адаптивні фільтри необхідно застосовувати, якщо:
• характеристики і параметри фільтра повинні бути змінними і адаптуватись до змінних вхідних умов-
• існують спектральні перекриття сигналу і шуму, які можуть змінювати свою величину-
• смуга шумових сигналів є невідомою і нестабільною в часі.
В перерахованих ситуаціях використання звичайних фільтрів привело би до звичайного спотворення корисного сигналу.
2. Аналіз дослідів і публікацій
2.1. Сучасна концепція адаптивної цифрової фільтрації, її структура [1−3].
Адаптивний фільтр складається з двох різних частин: цифрового фільтра з регульованими коефіцієнтами та адаптивного алгоритму, який використовується для налаштування або зміни коефіцієнтів фільтра (рис. 1).
На адаптивний фільтр одночасно подається два вхідних сигнали: ук та Хк. Сигнал ук зашумлений і містить корисний сигнал 8к та шум Пк, причому дані сигнали не корелюють і шум може бути адитивним чи мультиплікадитивним.
УДК 621. 372. 542
АДАПТИВНІ ФІЛЬТРИ В ЦИФРОВІЙ ОБРОБЦІ СИГНАЛІВ СУЧАСНИХ ТЕЛЕКОМУНІКАЦІЙНИХ
СИСТЕМ
С. П. Новосядлий
Доктор технічних наук, професор* E-mail: nsp@mail. pu. if. ua Л. В. Мельник
Аспірант* E-mail: lj-3d@rambler. ru *Кафедра комп'-ютерної інженерії і електроніки Прикарпатський Національний університет
ім. В. Стефаника
вул. Шевченка, 57, м. Івано-Франківськ, Україна,
76 025
С. В. Н о в о с я д л и й
Кафедра інформаційних систем Національний університет «Львівська політехніка& quot- вул. Степана Бандери, 12, м. Львів, Україна 79 013
E-mail: nsp@mail. pu. if. ua
Рис. 1. Структурно-функціональна схема адаптивного фільтра-шумоподавлювача
Сигнал Хк — це міра забрудненості сигналу, який корелює з Пк. В цифровому фільтрі Хк обробляється для отримання оцінки пк сигналу Пк. Потім корисний сигнал оцінюється як різниця зашумленого сигналу ук і виходу цифрового фільтра пк.
зк=Ук-пk=Sk+nk-nк. (!)
Основна мета шумоподавлення полягає в отриманні оптимальної оцінки шуму в зашумлених сигналах, а відповідно, оптимальної оцінки корисного сигналу. Для цього Зк подається в коло оберненого зв'-язку, і на основі цього сигналу та адаптивонго алгоритму регулюються необхідні коефіцієнти цифрового фільтра для мінімізації шуму в сигналах зк. Тоді вихідний сигнал зк використовується в подвійній формі: 1) як оцінка корисного сигналу- 2) як сигнал помилки, який
з
© С. П. НовосядлуЦ: Л. В. Мельник, С. В. НовосядлуЦ: 2013
слід використовувати для регулювання коефіцієнтів фільтра. Структурна конфігурація адаптивного фільтра змінюється в залежності від виду шумової завади, поставленої задачі, адаптивного алгоритму (рис. 2).
а)
б)
в)
на основі трансверсальної структури (або КІХ-схеми). Проте можуть використовуватись і інші структури, наприклад, НІХ-схеми або граткова структура. Але КІХ-структура є найбільш оптимальною, бо забезпечує високу стійкость системи. Цікавим виглядаєточковий АФ, що поданий на рис. 3, в якого вихід визначається виразом:
N-1
п к =? ^ОК-^
(2)
де wk (i), і = 0,1… — регулюючі вагові коефіцієнти, а хк (і) та пк — вхід і вихід фільтра.
г)
Рис. 2. Конфігурації реалізації адаптивного фільтра (АФ): а — адаптивний самоналаштовуючий фільтр- б — подавлення періодичної завади- в — адаптивний вибірковий фільтр- г — адаптивний модулюючий фільтр
Розглянемо тепер структуру адаптивного фільтра
і його елементи. В більшості адаптивних систем цифровий фільтр, який показаний на рис. 1, реалізований
Рис. 3. Структура А Ф з кінцевою імпульсною характеристикою
В такій структурі може бути задіяно N різних джерел сигналів на один вихід і така структура забезпечує високу стійкість. Для регулювання коефіцієнтів ЦФ (рис. 1) використовують адптивні алгоритми, в яких сигнали помилки ек мінімізуються за певною функціональною залежністю, наприклад за трансверсальною схемою найменших квадратів. Використовуються і інші алгоритми: рекурсивна схема найменших квадратів, фільтр Вінера-Хопфа.
3. Формування цілей і задач
3.1. Аналіз адаптивних алгоритмів [2−4].
З точки зору обчислювальної складності і вимог до пам’яті, найбільш ефективною є транверсальна схема найменших квадратів, бо вона забезпечує найвищу стійкість, а рекурсивна схема найменших квадратів має кращу сходимість.
Проведемо оцінку адаптивного шумоподавлювача при мінімізації загальної потужності на вході шумо-подавлювача.
Зашумлений сигнал можна подати як:
Ук = вк + пк. (3)
Тоді оцінка корисного сигналу буде:
вк = Ук -Пк = вк + пк -пк. (4)
Піднесемо даний вираз до квадрату
л 2
в к = вк2 + (пк — п к)2 + 2"к (пк — п к).
Обчислюючи математичне очікування виразів зліва і справа рівняння, отримаємо:
л 2 0 Л Л
Ще к ] = ЕК ] + Е[(пк — п к)]2М (пк — п к)].
Е
Але корисний сигнал вк не корелює ні з пк, ні з п к, то останню рівність можна привести до виразу:
Z = Е[Єк2] = Е[ук2] - 2Е[укХ|& gt-] + Е^^Х^] = = 82 + 2pTw + wTRw,
Е[зк ]=ЕК2]+Е[(пк-пк)2], (5)
де Е^к2] - представляє загальну потужність сигналу,
2
Е[вк ] - загальну вхідну потужність,
а Е[(пк — п к)2] - залишкову потужність шуму.
При налаштуванні адаптивного фільтра до опти-мальності мінімізується потужність залишкового шуму вихідної потужності. Тоді матимемо:
де Е[] - математичне очікування, 82 = Е[ук2] - дисперсія Ук, Р = Е[укхк], N компонентний вектор взаємної кореляції, е = Е[хкхт] - автокореляційна матриця.
Графік залежності середньоквадратичної помилки (дисперсії) від вагових коефіцієнтів формує поверхню продуктивності фільтра Вінера. А градієнт поверхні продуктивності буде:
У = -= -2Р + 2pw, dw
(10)
ттЕ[вк] = E[sk2] + тіпЕ[(пк — пк)2].
(6)
Ця рівність вказує на те, що АФ при мінімізації загальної вихідної потужності максимізується вихідне відношення сигнал-шум.
Розглянемо тепер ефективність, в порівнянні алгоритмів Вінера-Хопфа, трансверсального і рекурсивного алгоритмів найменших квадратів.
3.2. Аналіз адаптивних алгоритмів [2−4].
Багато адаптивних алгоритмів можна розглядати як апроксимацію фільтра Вінера (фВ) (рис. 4). На фільтр одночасно подається два сигнали ук та Хк. Зазвичай ук складається з компонента, який корелює із Хк і компонента, який з Хк не корелює. Фільтр Вінера видає оптимальну оцінку тої частоти ук, який корелює з Хк, потім ця оцінка віднімається із ук і отримуємо ек.
Рис. 4. Фільтр Вінера
Якщо використовувати трансверсальний (КІХ) фільтр з ^коефіцієнтам, тоді помилка ек має випадок фільтра Вінера і вихідний сигнал буде:
ек = ук- п к = ук- ^Хк=ук -Е ^(і)Хк-1.
де Хк і w — вектори вхідного сигналу і вагових коефіцієнтів відповідно
Х.
Х.
Х
к-1
Х
к-(п-1)
w (o) w (1) w (N -1)
Тоді квадрат помилки:
ек = ук- 2укХ& gt-+^ХкХ>-.
Обчисливши математично обидві частини рівняння, отримаємо:
де набір точок w (i) і=0,1 N-1 визначають оптимальне значення рівнянням wopт = Я-1р.
Таке рівняння називають рівнянням Вінера-Хопфа. Задача адаптивної фільтрації полягає в налаштуванні вагових коефіцієнтів w (0), w (1)… w (N -1) за допомогою необхідного алгоритму для досягнення оптимальної точки на поверхні продуктивності фільтра Вінера.
Практичне використання фільтра Вінера є обмеженим із-за наявності таких недоліків.
• необхідно використовувати автокореляційну матрицю Я взаємної кореляції р, але ці обидві величини треба визначати-
• фільтри вимагають транспонування матриць, що є трудомістким процесом навіть для ЕОМ.
• якщо сигнали не стаціонарні, то Я і р є змінними функціями, а це вимагає багаторазового визначення w.
опт
3.3. Трансверсальний адаптивний алгоритм найменших квадратів.
Одним з найбільш вдалих адаптивних алгоритмів є алгоритм найменших квадратів. Взамін обчислення wопт за один крок за формулою: wопт = Я-1р, в схемі найменших квадратів коефіцієнти фільтра налаштовуються при послідовній обробці вибором з мінімізацією середньоквадратичної помилки. Такий результат рівносильний спуску по поверхні, що подана на рис. 5.
(7)
(8)
Рис. 5. Поверхня продуктивності фільтра Вінера
Схема найменших квадратів основана на алгоритмі швидкого сходження, в якому вектор вагових коефіцієнтів фільтра обновлюється наступним чином:
і = мк-І^к
(12)
=0
к
де мк і Ук — вектори вагових коефіцієнтів і дійсного градієнта в момент вибірки, а параметр ц визначає стійкість та швидкість сходження.
Саме алгоритм найменших квадратів — це практичний метод оцінки вагових коефіцієнтів фільтра мк в реальному часі без перетворення матриць. Сам алгоритм найменших квадратів ХХ0ПФА послідовних вагових коефіцієнтів записується так:
wk+i = wk + 2^ekxk& gt-
(13)
де ек = ук = мТХк, а вагові коефіцієнти, отримані за допомогою алгоритму найменших квадратів — це тільки оцінки, які поступово покращуються по мірі того як налаштовуються коефіцієнти і фільтр вивчає характеристики сигналів. Кінцем розрахунку є сходимість вагових коефіцієнтів за умовою: 0 & lt- ц & lt- 1/ ХтаХ, де ХтаХ — максимальне значення коваріаційної матриці даних. На практиці мк не досягає свого оптимального значення, а флюктує навколо цього значення в повному інтервалі.
Нижче подається схема обчислень, яка є прийнятою в трансверсальному алгоритмі найменших квадратів:
1) Спочатку нашому ваговому коефіцієнту мк (і) і=0,1 N-1 присвоюється фіксоване значення, наприклад, 0.
2) В кожний послідуючий момент вибірки к=1,2… виконують етапи 2−4 для обчислення виходу фільтра
N-1
п к = Х Мк (і)Хк-1.
і=0
3) Обчислюють оцінку помилки як: ек = ук -пк.
4) Обчислюють весь набір вагових коефіцієнтів.
мк+1(і) = мк (і) + 2ЦекХк.
Описаний алгоритм вимагає 2N+1 операцій множення і 21 операцій додавання для кожного нового набору вхідних і вихідних даних. Функціональна схема трансверсального алгоритму найменших квадратів подана на рис. 6.
wk (i) вектор обновлюваних коефіцієнтів фільтра /* розрахунок текучої оцінки помилки*/
ek=yk
for i=1 to N do
ek=ek-xk (i)*wk (i)
end
/* обновлення коефіцієнтів фільтра*/
yk=2n*ek
for i=1 to N do
wk (i)=wk (i)+xk (i)8yk
end
return
3.4. Рекурсивний алгоритм найменших квадратів в адаптивній фільтрації.
Рекурсивний алгоритм найменших квадратів заснований на добре відомій схемі найменших квадратів (рис. 7).
Рис. 7. Схема реалізації найменших квадратів (ФНК-фільтр найменших квадратів)
У відповідь на набір вхідних сигналів Хк (і),і = 1,2…п отримуємо вихідний сигнал ук, який вже вимірюється в дійсний момент часу к і між входом і виходом існує зв’язок:
yk = Е w (i)xk (i) + ek
(14)
де ек — представляє помилку вимірювання, а м (і) подає відсутність іншого входу в первинному стані ук. Задача найменших квадратів тут вже формулюється як отримання даними Хк (і) і ук оцінок величин м (0) до м (а-1). Такі оптимальні оцінки за схемою найменших квадратів вагомих коефіцієнтів рекурсивного алгоритму. Задаються вектори виразом:
мт=[хтхгхтх. (15)
де мт, Хт, Ym як вектори задаються своїми матрицями
& quot-Уо & quot- xT (0) w (0)
Уі xT (1) w (1)
Ym = У 2 & gt-хт = xT (2), wm = w (2)
. Уп-1. xT (m -1) w (n -1)
0
Рис. 6. Схема трансверсальної адаптивної фільтрації за схемою найменших квадратів: апаратна реалізація
Програма даного алгоритму записується (на мові
С):
Вхід: Хк (і) вектор останніх вхідних вибірок ук текуча зашумлена вибірка сигналу мк (і) вектор коефіцієнта фільтра Вихід: ек текуча бажана вихідна вибірка (або помилка)
ХТ (к) = [Хк (0)Хк (1)… Хк (п — 1)], к = 0,1…т -1.
Індекс т вказує, що кожна із приведених вище матриць обчислюється для всіх інформаційних точок, а індекс Т показує транспонований вектор.
Як бачимо, формула (15) для рекурсивного алгоритму суттєво відрізняється від алгоритму найменших квадратів Хопфа (трансверсального), який через вагові коефіцієнти записується як:
Е
^+1 = ^ + Я^екхк, де ек = Ук- wTxk.
Рівняння (15) визначають оптимальну оцінку wm за схемою найменших квадратів, яку можна отримати за допомогою любого методу обернених матриць, а вихід фільтра визначається як:
пк
= ЕМк (і)Хк-1 Хк (0) к=1,2…т.
(16)
Визначення мк за формулою (15) вимагає трудомісткого обчислення оберненої матриці. Очевидно, що описаний вище рекурсивний алгоритм найменших квадратів не зовсім підходить для фільтрації в реальному часі. На практиці для отриманих неперервних даних, коли необхідно покращити оцінку мк за допомогою вже нових даних, слід використовувати рекурсивні методи. Саме при рекурсивному методі найменших квадратів оцінку мк обновляють для кожного нового набору даних без звертання до оберненої матриці.
Тоді рекурсивний алгоритм отримується, якщо врахувати дані з експоненційно затухаючими ваговими коефіцієнтами, щоб поступово усунути вплив старих даних на мк і дозволяє вже відслідковувати повільно змінюючи характеристики фільтра. Тут, як і для трансверсального алгоритму, використовують вираз для оцінки:
мк = мк-1 + Gkek.
1 Т, де Gk визначається із Рк = - [Рк-1 — Gkx (к)Рк-1]
У
і Gk =
= Рк-1Х (к)
ек = ук — ХТ (к)Мк-1 а к = у — ХТ (к)Рк-1Х (к), р
ІітР, = Ііт-к-1.
к0 к к0
Т к-
той же час із-за неспівпадіння вхідних імпедансів (відсутність узгодження) гібридна система допускає, що частина вхідних сигналів потрапляє у вихідний тракт і повертається до співрозмовника у вигляді еха. Коли телефонний дзвінок проводиться на великі відстані, то ехо може запізнюватися на 540 мс і тим самим значно погіршує телефонний дзвінок. Для того щоб подавити цей ефект, в телефонну мережу вводиться пара ехо-по-давлювачів з використанням адаптивних фільтрів, як це показано на рис. 8б. Дана схема була реалізована в ТА типу «Елетон» (ВАТ «Родон»).
а)
(17)
Тобто, матриця Рк дозволяє рекурсивно обчислювати обернену матрицю [ХкХк]-1 через так званий коефіцієнт забування у Якщо у =1, то дана схема зводиться до трансверсивного алгоритму найменших квадратів. Коефіцієнт забування у& lt-1 (0,95−0,98).
3.5. Практична реалізація адаптивних алгоритмів цифрової фільтрації ([4], [5−8]).
Ехо-сигнали (луносигнали) характерні в основному для систем телефонного зв’язку, в яких стан розлаштовується за вхідним імпедансом. Для цього розглянемо на рис. 8а спрощений міжміський телефонний канал. Диференціальна схема на АТС переводить двопровідну лінію від апарата-користувача в чотирипровідну лінію і забезпечує отримані маршрути для нового напряму передачі. Така схема вибрана в основному для здійснення ущільнення, тобто одночасну передачу великої кількості дзвінків.
При телефонному зв’язку мовний сигнал, який йде від абонента А, переходить по верхньому тракту передачі до правої диференціальної схеми, а потім відправляється до абонента В, тоді як сигнал абонента В передається по нижньому тракту до користувача А. Гібридна матриця з кожної сторони повинна забезпечувати поступлення лівого стику віддаленого користувача в їх двопрохідний порт, а не у вихідний порт. В
б)
Рис. 8. Схема міжміського телефонного каналу: а — схема ехо-утворення- б — схема ехо-подавлення через АФ
З кожного краю системи зв’язку рис. 8б вхідний сигнал Хк подається на гібридний та адаптивний фільтр. Подавлення проводиться за рахунок оцінки еха з наступним його відніманням від сигналу-відповідача ук. Тут зроблено певне допущення-тракт повертання ехо-сигналу (через гібридний фільтр) вважається лінійним і інваріантним в часі. Тому сигнал в момент к можна виразити так:
п-1
ук=Е м (і)Хк-+V
і=0
де Хк — вибірка вхідного сигналу (від співрозмовника),
Sk — мова ближнього співрозмовника плюс адаптивний шум, а мк — імпульсна характеристика тракту ехо-сиг-налу.
Ехо-подавлювач робить оцінку даної імпульсної послідовності (характеристики) і видає оцінку на
п-1
ук =мк (і) + Хк-і ехо-сигналу, яка потім відніма-
і=0
ється від корисного сигналу-відповіді ук.
3.6. Гучномовні телефони в системах телеконференцій.
Для розділення трактів передавання і приймання (тобто відокремлення гучномовця і мікрофона) використовують гібридну мережу, але, так як гучномовець і мікрофон розміщені досить близько, гібридна мережа
а
к
з
узгоджена не ідеально, між цими двома пристроями існує значний акустичний зв’язок.
В цьому випадку забезпечити достатнє підсилення в напрямі приймання і передавання, не викликаючи порушення стійкості (збудження), є досить складною задачею.
Зазвичай для вибору тракту приймання і тракту передавання застосовують перемикач із мовним управлінням, але таке рішення не є оптимальним, так як не допускає повнодюплексного зв’язку.
Тому для оцінки і контролю за акустичним і гібридним ехом краще всього використати методи адаптивної фільтрації рис. 9 а, б.
В такій задачі число коефіцієнтів цифрового фільтра є досить великим (десь біля 512), що дозволяє використати швидкий алгоритм. Це дає можливість в системах телеконференцій цю проблему вирішити за допомогою адаптивних фільтрів.
хомих об'єктів використовується допплерівський зсув частоти, навіть якщо сигнал, який є віддалений від нерухомого об'єкта, за амплітудою на багато порядків більший допплерівського зсуву. Ехо-сигнали від нерухомих об'єктів або місцеві завади включаються поряд
з інформацією про об'єкт в один і той же прийнятий радіолокатором сигнал, але сигнали від нерухомих об'єктів не будуть зсунуті за частотою, і тому процедурно необхідно для виділення потрібної інформації, є фільтрація, яка в цифровому вигляді реалізується сьогодні за допомогою адаптивного цифрового фільтра.
Рис. 10. Структура схеми сучасної радіолокаційної системи
а)
Індикатор кругового огляду об'єкта можна математично описати наступними чином. В імпульсному доп-плерівському радіолокаторі невелика частина енергії несучої частоти виділяється в приймач і використовується як сигнал гетеродина (рис. 10). Крім цього, вона також використовується в ролі когерентного еталона, необхідного для виявлення допплерівського шуму частоти (тут когерентність означає, що фаза випромінюваного сигналу зберігається і в еталонному стані). Сигнал генератора можна подати у вигляді:
Х0(Х) = ХсЕп «о*
а еталонний сигнал-виразом
Х^) = Х1 sin «о*
(18)
(19)
Ехо-сигнал з допплерівським зсувом тоді буде представлений виразом:
б)
Рис. 9. Методи: а -гучномовні телеконференції-
б — подавлення еха
Такі системи з використанням адаптивних цифрових фільтрів знайшли застосування в сучасних системах телеконференцій, розроблених співробітниками СКТБ «Орізон» та Львівським державним університетом імені Івана Франка.
3.7. Підвищення вибірковості в локаційних радарах.
В багатьох практичних радіолокаційних системах вимагається інформація як про дальність, так і про швидкість рухомого об'єкта. Для того щоб отримати інформацію про швидкість об'єкта, необхідні індикатори кругового огляду рухомих об'єктів, в яких проводиться виділення інформації про рухомий об'єкт на фоні місцевих завад.
В радіолокаторах, які по суті є індикаторними системами рухомих об'єктів, для виділення саме ру-
s (t) = ззіп^п^ -^)^ - 2"0г0 /с.
(20)
де с — швидкість світла, г0 — дальність до об'єкта в момент часу *=0. Еталонний сигнал і ехо-сигнал від об'єкта поступають у змішувач. На вигляді змішувача інтерес представляє тільки складова, що відповідає різниці частот, тобто
«п ГПт
Sd (t) = sdsin["0t---------°^].
(21)
Знаючи допплерівську різницю частот ФЛ можна обчислити швидкість об'єкта, використовуючи формулу допплерівського зміщення:
V = с^/24 (22)
де ^ = ю1 / 2п — частота несучої.
Дане рівняння є вірним для рухомого об'єкту. Для нерухомих завад ^ = V = 0. Інтерес представляють два випадки. Якщо допплерівська частота велика в по-
. уз
рівнянні з оберненою величиною ширини імпульсу, то інформацію про допплерівський зсув можна виділити практично з одного єдиного імпульсу. Але якщо доп-плерівська частота мала, то для виділення інформації про допплерівський зсув необхідно багато імпульсів. Перший випадок є типовим для супутників та балістичних ракет, а другий для літаків, вертольотів.
За допомогою відсікаючої лінії затримки (а це адаптивний цифровий фільтр), що подана на рис. 11, інформація про допплерівський зсув відобразиться на індикаторі положення імпульсу.
Адаптивний цифровий фільтр саме і призначений для виключення постійної складової нерухомих об'єктів і пропускання змінної складової допплерівських об'єктів.
Цифровий фільтр індикатора рухомих об'єктів не тільки вимагає постійну складову фону місцевих завад, але також відсікає любу рухому ціль, допплерівсь-ка частота, є такою ж, як і частота повторення імпульсів або кратна (так звані сліпі швидкості). Виходом із
даного положення є використання змінного періоду повторення (частоти повторення фільтрів) та регулювання вихідних коефіцієнтів фільтра. І для цього використовують як КІХ так і НІХ-алгоритми. Дана система використана в розробці локатора Львівським радіотехнічним інститутом.
4. Висновки
1. Проаналізовано структури сучасних адаптивних цифрових фільтрів для реалізації в інформаційно-комп'ютерних системах.
2. Визначені алгоритми цифрових фільтрів, які забезпечують мінімальну помилку і високу завадозахи-
щеність в телекомунікаційних мережах.
3. Приведено ряд практичної реалізації адаптивної фільтрації в сучасних інформаційно-комп'ютерних системах телефонії, телеконференцій, бортових радіолокаційних станціях.
4. Введення АЦХ у ЦТА «Елетон» дозволило значно покращити їх завадостійкість та частотні характеристики.
5. Адаптивна фільтрація є особливо ефективною для покращення вибірковості локаційних радарів.
Рис. 11. Структурна схема виділення доплерівських об'єктів на індикаторі РЛС
Література
1. Ifeachor, E.C. A new microcomputer-based online ocular artefact removal (OAR) system [Текст] / E. C. Ifeachor, B. W. Jervis, E. L. Morris, E. M. Allen, N. R. Hudson. — IEEE Proc № 133, 1986. — 291−300.
2. Ifeachor, E.C. Knowledge-based enhancement of human EEG signals [Текст] / E. C. Ifeachor, M. T. Hellyar, D. J. Mapps, E.M. Allen.
— IEEE Proc № 137(5), 1990. — 302−310.
3. B. Widrow. Neural nets for adaptive filtering and adaptive pattern recognition [Текст] / Widrow. B, Winter. R. — IEEE Computer, 1988. — 25−30.
4. Lewis A. Adaptive filtering applications in telephony [Текст] / A. Lewis. — BT Technology J, № 10. — 49−63.
5. A. Gilloire. Adaptive filtering in subbands with critical sampling: analysis, experiments, and application to acoustic echo cancellation [Текст] / Gilloire, A. Vetterli, M. — IEEE Trans circuits and system № 10, 1992. — 1862−1875.
6. S. P Harris. Automatic design of frequeneg sampling filters by hybrid Genetic Algorithm Techniques [Текст] / Harris S. P, Ifeachor, E.C. — IEEE Trans-action on Signal Processing № 46(K), 1998. — 3304−3314.
7. J. John. Frequency-domain and multirate adaptive filtering [Текст] / John.J. — IEEE Signal Processing, 1992. — 14−37.
8. С. П. Новосядлий. Суб- наномікрона технологія структур ВІС [Текст] / Новосядлий С. П. — Івано-Франківськ Місто НВ, 2010.
— 456с.
9. С. П. Новосядлий. Цифровий телефонний апарат на основі БМК і б-модуляції [Текст] / Новосядлий С. П. — Технологія і конструювання в електронній апаратурі № 1, 1998. — 52−54.
10. Я. С. Буджак. Технологічні особливості і модель анодного оксидування легованих базових шарів р-танталу для ТПК ЗПДВ [Текст] / Буджак Я. С, Новосядлий С. П. — Вісник Національного університету «Львівська політехніка». Автоматика, вимірювання та керування № 366, 1999. — 87−93.
З

ПоказатьСвернуть
Заполнить форму текущей работой