Professional Documents
Culture Documents
Latar Belakang
Seringkali sinyal informasi berupa suara dipengaruhi oleh
noise, salah satunya yaitu filter adaptif dengan algoritma LMS (Least Mean Square) dan FDAF (Frequency Domain Adaptive Filter).
Sistem Adaptif
Sistem adaptif merupakan suatu sistem yang mampu menyesuaikan dirinya terhadap perubahan yang terjadi di lingkungan sekitarnya, sehingga diharapkan akan mampu mengatasi perubahan akibat beragam gangguan. Setiap perubahan dari kondisi lingkungan akan selalu diikuti perubahan bobot dari tapis tersebut hingga diperoleh pendekatan derau sama dengan derau yang terdapat pada sinyal masukan Sistem adaptif kerap digunakan dalam bidang-bidang berikut ini: 1. Identification sistem 2. Prediksi 3. Inverse modelling 4. Interference canceling
berubah-ubah. Ketika spektrum noise overlap dengan spektrum sinyal informasi. Noise tidak diketahui berada pada band frekuensi yang mana?.
ALGORITMA LMS
LMS bekerja dengan cara meminimalisir galat rataan kuadrat (mean squared error), yakni : 2 2 E [ ] rerat (( d y ) )
Jika computation cost meningkat maka impulse respon akan semakin panjang, berarti dalam kondisi seperti ini penggunaan algoritma LMS kurang menguntungkan.
+
-
e( k ) d ( k ) y ( k )
x(k)
Sumber Derau
x(k)
x0 (k )
Filter Adaptif
y (k )
Gradien Noise
Weight Update
ALGORITMA FDAF
FDAF (frequency domain adaptive filter)
FDAF melakukan fungsi filter dalam ranah frekuensi (frequency domain)
Penggunaan algoritma dalam domain frekuensi, lebih efektif dalam proses komputasinya / impuls responnya lebih efisien
x(n)
Tapis Digital
(n)
e(n) = (n)
Algoritma Adaptif
Keterangan: X(n) = noise masukkan d(n) = sinyal s(n) + noise y(n) (n) = nilai noise pendekatan s(n)= sinyal informasi tanpa derau e(n) = estimasi error
Weight Update
[FileName,PathName] = uigetfile({'*.wav'},'Load Wav File'); [x,Fs] = wavread ([PathName '/' FileName]); handles.x = x ./ max(abs(x)); handles.Fs = Fs; axes(handles.axes1); time = 0:1/Fs:(length(handles.x)-1)/Fs; plot(time, handles.x); title('Sinyal Suara')
Spektogram Suara
axis([0 max(time) -2 2]); axes(handles.axes2); specgram(handles.x, 1024, handles.Fs); title('Signal Spektogram Suara');
Noise
et = 1*sin(2*pi/handles.Fs*700000000*(1:length(handles.x))); eta = transpose (et); handles.eta = eta / max(abs(eta)); axes(handles.axes4); time = 0:1/handles.Fs:(length(handles.x)-1)/handles.Fs; plot(time, handles.eta); title('Noise 700MHz'); axis([0 max(time) -2 2]);
Sinyal Campuran
camp = handles.x+handles.eta; handles.q = camp / axes(handles.axes5); time = 0:1/handles.Fs:(length(handles.q)-1) /handles.Fs; plot(time, handles.q); axis([0 max(time) -1 1]);
max(abs(camp))
D = 100; %Delay Sinyal L = 32; %Filter Length N = 32; %Block Length ntr = N*floor((length(handles.x)-D)/N); p = handles.q(1:ntr); o = handles.q(1+D:ntr+D); mu = 0.0001; %step size value leak = 1; % No leakage h = adaptfilt.blms(L,mu,leak,N); [y,e] = filter(h,p,o); handles.e=e / max (abs(e)); axes(handles.axes6); time = 0:1/handles.Fs:(length(handles.e)-1)/handles.Fs; plot(time, handles.e); axis([0 max(time) -1 1]); title('Sinyal Hasil Filter BLMS');
mu = 0.025; W0 = zeros(1,2048); del = 0.01; lam = 0.98; handles.eta = handles.eta(1:length(W0)*floor(length(handles.eta)/length(W0))); handles.q = handles.q(1:length(W0)*floor(length(handles.q)/length(W0))); % Construct the Frequency-Domain Adaptive Filter hFDAF = adaptfilt.fdaf(2048,mu,1,del,lam); [y,e] = filter(hFDAF,handles.eta,handles.q); handles.er = e; axes(handles.axes8); time = 0:1/handles.Fs:(length(handles.er)-1)/handles.Fs; plot(time, handles.er); axis([0 max(time) -1 1]); title('Sinyal Hasil Filter FDAF');
Kesimpulan
Hasil Filteralisasi dengan menggunakan Algoritma FDAF
(frequency domain adaptive filter) lebih baik dari pada Algoritma LMS (block least mean square) dilihat dari Output system. Algoritma BLMS menghasilkan output dengan amplitudo yang relatif jauh lebih besar dari suara Informasi masukan, dalam hal ini berarti intensitas noise dalam output system masih banyak dari pada algoritma FDAF Penggunaan algoritma dalam domain frekuensi, lebih efektif dalam proses komputasinya / impuls responnya lebih efisien Jika computation cost meningkat maka impulse respon akan semakin panjang, berarti dalam kondisi seperti ini penggunaan algoritma LMS kurang menguntungkan.