Konsep utama yang Anda lewatkan adalah Anda tidak hanya meminimalkan perbedaan antara sinyal input dan output. Kesalahan sering dihitung dari input ke-2. Lihat saja contoh Wikipedia yang terkait dengan EKG .
Koefisien filter dalam contoh ini dihitung ulang untuk mengubah frekuensi takik filter takik sesuai dengan frekuensi yang diekstraksi dari sinyal listrik. Seseorang dapat menggunakan filter takik statis, tetapi Anda harus menolak rentang frekuensi yang lebih luas untuk mengakomodasi variabilitas dalam frekuensi listrik. Filter adaptif mengikuti frekuensi listrik dan sehingga band berhenti bisa menjadi jauh lebih sempit, sehingga mempertahankan lebih banyak informasi EKG yang berguna.
EDIT:
Saya telah melihat ini lagi dan saya pikir saya memahami pertanyaan Anda sedikit lebih baik. Algoritma LMS membutuhkan istilah kesalahan untuk memperbarui koefisien filter. Dalam contoh EKG yang saya kutip di atas, saya memberikan istilah kesalahan sebagai input kedua dari tegangan listrik. Sekarang saya menduga Anda berpikir, "Mengapa tidak mengurangi noise dari sinyal-plus-noise untuk meninggalkan sinyal?" Ini akan bekerja dengan baik dalam linier sederhanasistem. Lebih buruk lagi, sebagian besar contoh yang diberikan online memberi tahu Anda (dengan benar tetapi membingungkan) bahwa istilah kesalahan dihitung dari perbedaan antara sinyal yang diinginkan dan output dari filter adaptif. Ini membuat orang yang berpikir "Jika Anda sudah memiliki sinyal yang diinginkan, mengapa repot-repot melakukan semua ini !?" Ini dapat membuat pembaca kurang motivasi untuk membaca dan memahami deskripsi matematis dari filter adaptif. Namun, kuncinya ada di bagian 18.4 dari Digital Handbook Pemrosesan Sinyal , Ed. Vijay K. Madisetti dan Douglas B. William.
dimana:
- x = sinyal input,
- y = keluaran dari filter,
- W = koefisien filter,
- d = output yang diinginkan,
- e = kesalahan
Dalam praktiknya, jumlah bunga tidak selalu d. Keinginan kami mungkin untuk mewakili dalam ya komponen d tertentu yang terkandung dalam x, atau mungkin untuk mengisolasi komponen d dalam kesalahan e yang tidak terkandung dalam x. Sebagai alternatif, kita mungkin hanya tertarik pada nilai-nilai parameter dalam W dan tidak memiliki kepedulian tentang x, y, atau d sendiri. Contoh-contoh praktis dari masing-masing skenario ini disediakan kemudian dalam bab ini.
Ada situasi di mana d tidak tersedia setiap saat. Dalam situasi seperti itu, adaptasi biasanya terjadi hanya ketika d tersedia. Ketika d tidak tersedia, kami biasanya menggunakan estimasi parameter terbaru kami untuk menghitung y dalam upaya memperkirakan sinyal respons yang diinginkan d.
Ada situasi dunia nyata di mana d tidak pernah tersedia. Dalam kasus seperti itu, seseorang dapat menggunakan informasi tambahan tentang karakteristik "hipotetis" d, seperti perilaku statistik yang diprediksi atau karakteristik amplitudo, untuk membentuk perkiraan d yang sesuai dari sinyal yang tersedia ke filter adaptif. Metode seperti ini secara kolektif disebut algoritma adaptasi buta. Fakta bahwa skema semacam itu bahkan berfungsi adalah penghargaan atas kecerdikan para pengembang algoritma dan kematangan teknologi bidang filter fi lter adaptif.
Saya akan terus membangun jawaban ini ketika saya mendapatkan waktu, dalam upaya untuk meningkatkan contoh EKG.
Saya menemukan serangkaian catatan kuliah ini menjadi sangat baik juga: Estimasi Adaptif Pemrosesan Sinyal Lanjut dan Filter Adaptif - Danilo Mandic