Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
10
-1 caso en particular las perturbaciones ocurren en la funcin de
transferencia del camino secundario, producto de mover el
auricular cuando el sistema ya ha convergido. De las
-2
10 simulaciones realizadas se pueden extraer las siguientes
conclusiones:
10
-3
- El algoritmo FxLMS es ms sensible a las perturbaciones
de la funcin de transferencia, pudiendo, en algunos casos,
MSE
-4
perder estabilidad y nunca recobrarla.
10
- El algoritmo MFxLMS es ms estable, soportando las
perturbaciones gracias a su menor dependencia de las
-5
10 variaciones del camino secundario. Su aprendizaje es
similar al del algoritmo LMS tradicional.
10
-6 - Por el resto de las caractersticas ambos algoritmos se
0 100 200 300 400 500 600 700 800 900 comportan de manera muy similar.
Promedio cada 1000 muestras
Las direcciones futuras sern el anlisis, diseo e
Fig. 11. Curva de aprendizaje del algoritmo FxLMS. implementacin con componentes disponibles comercialmente
-1
de un CAR aplicado a un auricular con el algoritmo MFxLMS,
10
intentando obtener el mximo de atenuacin posible.
-2
10
AGRADECIEMEINTOS
Inc.
-4
10
-5
REFERENCIAS
10
[1] B. Widrow and S. Stearns, Adaptive Signal Processing, 1st ed.,
Englewood Cliffs,NJ:Prentice-Hall, 1985, pp.396.
-6 [2] B. Widrow and E Walach, Adaptive Inverse Control: A Signal
10
0 100 200 300 400 500 600 700 800 900 Processing Approach, Reissue Edition., IEEE Press Series on Power
Promedio cada 1000 muestras Engineering. New Jersey: Wiley-IEEE Press, 2008, pp 160-165 .
[3] M. Rupp and A. Sayed, Modified FxLMS Algorithms with Improved
Fig. 12. Curva de aprendizaje del algoritmo MFxLMS. Convergence Performance, 29th Asilomar Conf. Signals, Systems,
Computers, vol 2. Los Alamitos, CA, 1995, pp. 1255-1259.
un S(z) cuya respuesta al impulso cae a la mitad de la [4] S. Eliott, Signal Processing for Active Control, Signal Processing and its
Applications. London: Academic Press, 2001, pp. 289-290.
mostrada en la Fig. 10, y cuyo retardo se incrementa en 2
[5] L. Vicente and E. Masgrau Novel FxLMS Convergence Condition
muestras, resultando en = 42. Como la identificacin de S(z) With Deterministic Reference in IEEE Transactions on Signal
se ha detenido en la fase 2, la diferencia de S(z)-S(z) genera processing, Vol. 54 No.10, 2006, pp. 3768-3774.
ahora una perturbacin en el sistema, tal como lo muestra la [6] P. Lopez and M. Piedade The behavior of the modified FX-LMS
algorithm with secondary path modelling errors in Signal Processing
Fig. 6. Letters, Vol. 11 No. 2, 2004, pp. 148-151.
La Fig. 11 muestra las tres fases del ciclo de aprendizaje [7] P. Wheeler, Voice communications in the cockpit noise environment -
para el algoritmo FxLMS, graficando el error cuadrtico the role of active noise reduction. Doctoral Thesis. University of
Southampton, Institute of Sound and Vibration Research., 1986
medio (MSE) calculado a partir de la seal e(n) en la Fig. 8. [8] MathWorks. Filter design toolbox. Active Noise Control Using a
La Fig. 12 muestra lo mismo para el algoritmo MFxLMS, Filtered-X LMS FIR Adaptive Filter. [Online]. Available:
calculando el MSE a partir de la seal e(n) en la Fig. 9. Dichos http://www.mathworks.com/products/filterdesign/demos.html?file=/pro
ducts/demos/shipping/filterdesign/adaptfxlmsdemo.html.
resultados se obtuvieron, utilizando los parmetros
previamente indicados.
La diferencia en el efecto de mover el auricular es evidente.
El algoritmo MFxLMS soporta la perturbacin, mientras que
el algoritmo FxLMS no.
IV. CONCLUSIONES
Las conocidas diferencias de estabilidad de los algoritmos
FxLMS y MFxLMS se ponen de manifiesto al aplicar ambos
algoritmos al control activo de ruido en un auricular. En este
6