Diese Seite wurde mithilfe maschineller Übersetzung übersetzt. Klicken Sie hier, um das englische Original zu sehen.

Signalmodellierung

Lineare Prädiktion, autoregressive (AR) Modelle, Yule-Walker, Levinson-Durbin

Signal Processing Toolbox™ bietet parametrische Modellierungstechniken, mit denen Sie eine rationale Übertragungsfunktion schätzen können, die ein Signal, ein System oder einen Prozess beschreibt. Nutzen Sie bekannte Informationen über ein Signal, um die Koeffizienten eines linearen Systems zu finden, das dieses Signal modelliert. Nähern Sie eine gegebene Impulsantwort im Zeitbereich mithilfe von Prony- und Steiglitz-McBride-ARX-Modellen an. Finden Sie eine analoge oder digitale Übertragungsfunktion, die zu einem gegebenen komplexen Frequenzgang passt. Modellieren Sie Resonanzen mithilfe linearer Prädiktionsfilter.

Funktionen

alle erweitern

Lineare prädiktive Codierung

`corrmtx`	Data matrix for autocorrelation matrix estimation
`levinson`	Levinson-Durbin recursion
`lpc`	Linear prediction filter coefficients
`rlevinson`	Reverse Levinson-Durbin recursion
`schurrc`	Compute reflection coefficients from autocorrelation sequence
`xcorr`	Kreuzkorrelation
`xcov`	Cross-covariance
`ac2poly`	Convert autocorrelation sequence to prediction polynomial
`ac2rc`	Convert autocorrelation sequence to reflection coefficients
`is2rc`	Convert inverse sine parameters to reflection coefficients
`lar2rc`	Convert log area ratio parameters to reflection coefficients
`lsf2poly`	Convert line spectral frequencies to prediction filter coefficients
`poly2ac`	Convert prediction filter polynomial to autocorrelation sequence
`poly2lsf`	Convert prediction filter coefficients to line spectral frequencies
`poly2rc`	Convert prediction filter polynomial to reflection coefficients
`rc2ac`	Convert reflection coefficients to autocorrelation sequence
`rc2is`	Convert reflection coefficients to inverse sine parameters
`rc2lar`	Convert reflection coefficients to log area ratio parameters
`rc2poly`	Convert reflection coefficients to prediction filter polynomial

Parametrische Modellierung

`arburg`	Autoregressive all-pole model parameters — Burg’s method
`arcov`	Autoregressive all-pole model parameters — covariance method
`armcov`	Autoregressive all-pole model parameters — modified covariance method
`aryule`	Autoregressive all-pole model parameters — Yule-Walker method
`invfreqs`	Identify continuous-time filter parameters from frequency response data
`invfreqz`	Identify discrete-time filter parameters from frequency response data
`prony`	Prony method for filter design
`stmcb`	Compute linear model using Steiglitz-McBride iteration

Themen

Linear Prediction and Autoregressive Modeling
Compare two methods for determining the parameters of a linear filter: autoregressive modeling and linear prediction.
AR Order Selection with Partial Autocorrelation Sequence
Assess the order of an autoregressive model using the partial autocorrelation sequence.
Parametric Modeling
Study techniques that find the parameters for a mathematical model describing a signal, system, or process.
Prediction Polynomial
Obtain the prediction polynomial from an autocorrelation sequence. Verify that the resulting prediction polynomial has an inverse that produces a stable all-pole filter.

Enthaltene Beispiele

Linear Prediction and Autoregressive Modeling

Compare two methods for determining the parameters of a linear filter: autoregressive modeling and linear prediction.

Live Script öffnen

Formant Estimation with LPC Coefficients

Estimate vowel formant frequencies using linear predictive coding.

Live Script öffnen

AR Order Selection with Partial Autocorrelation Sequence

Assess the order of an autoregressive model using the partial autocorrelation sequence.

Live Script öffnen