Académique Documents
Professionnel Documents
Culture Documents
Filtrage adaptatif
Lissage
Prdiction
E{x[n]} = x
; valeur moyenne
2
E{(x[n]- x) }=
; variance
E{x[n]x[n + k]}= rxx(k)
; autocorrlation
E{|F {x[n]x[n + k]}|2}= E{|X(f)|2] = Pxx(f) ; densit spectrale
; de puissance
Filtre adaptatif
Mise en uvre
La complexit de
ladaptation demande
une mise en uvre
numrique
Les filtres RIF
adaptatifs sont
prfrs grce leur
stabilit
Filtres de Wiener-Kolmogorov
et des coefficients
,
=
Signal derreur :
=
=
d[n]
y[n]
0
1
0
1
1
2
0
1
+
2
Rxx=
Surface derreur
Si Rxx et
sont connus, lerreur quadratique moyenne
dpend uniquement de w et peut tre note J(w)
Poids w optimaux
w0
w1
Reprsentation graphique de
J(w)=
en fonction des
lments de w dans le cas dun
filtre dordre 2
,,
Lapplication de
donne
0
2
2
(on suppose que w varie
lentement par rapport x)
Autocorrlation
Corrlation croise
Avec la notation :
: puissance du signal dsir
: lment du vecteur de corrlation croise, i=0,1,, M-1
,
On a :
2
Par consquent :
Le calcul de
peut demander beaucoup doprations
Par consquent, lopration en temps rel est souvent
difficile, sinon impossible!
Exemple trivial
Filtre dordre 1 avec :
= 33
P = 10
R=2
On a :
2
do :
20
33
0
20
10
On a toujours :
2
2
mais on value
chaque instant n et chaque
lment de w voit sa valeur changer en consquence
: facteur de convergence
11
Habituellement:
12
= 33
P = 10
R=2
= 0.1
w[0] = 0
On a :
2
33
20
do :
n w[n]
20
0.4
0 0
-2
1 2
-1.2
3.2
2 3.2
-0.72
3.92
3 3.92
-0.432
4.352
4 4.352
13
devient
Algorithme LMS
Lusage de
au lieu de
remplace P
et R par des estimations instantanes
, ;
14
Algorithme LMS
;
, ;
Do :
Algorithme LMS
wk n 1 wk n enxk n k
15
Stability of LMS
Algorithmes de signe
16
Algorithme LMS
xn
b0
z-1
x n-1
z-1
z-1
b1
x n-N+1
b N-1
Reference
rn
yn
-
e n* x n
e n* x n-N+ 1
e n* x n-1
en
e i = en*x n-i
17
en rn 1 yn 1.
N 1
yn bi (n) xni .
i 0
i 0, N 1 bi (n 1) bi (n) en xn i .
Instruction LMS
2M cycles par terme RIF
LMS Xmem,Ymem utilise les
accumulateurs A and B.
A + ([Xmem]<<16)+215 A
B + [Xmem] x [Ymem] B
Xmem pointe vers bi, Ymem vers xn-i
18
.asg
.asg
MOV
|| MOV
MPYM
|| MOV
MOV
LMS
AR3, Coefs
AR4, Data
@DeltaE,T3
T3 holds error step amount
#(N-2),BRC0
... while loading BRCO
*Data,T3,AC0
AC0=error*oldestsample: x(n-N)
#0,AC1
while clearing AC1 (run FIR)
port(@X_new),*Data
Overwrite x(n-N) with x(n)
*Coefs,*Data,AC0,AC1 Start FIR, update oldest coef
|| RPTBLOCAL e1
and start repeat block
MOV
HI(AC0),*Coefs+
Store update coefficient ...
|| MPYM
*Data+,T3,AC0
...while calc. next update term
e1: LMS
*Coefs,*Data,AC0,AC1 Calc FIR, update coefficient
MOV
HI(AC0),*Coefs
Store final coefficient...
while storing FIR output
|| MOV
HI(AC1),*Result+
Applications
2. Identification de systme
Le filtre adaptatif et le systme
identifier reoivent le mme signal.
3. Modlisation inverse
Le filtre adaptatif est en srie avec un
systme inconnu
4. Prdiction linaire
Le signal dsir est le signal dentre
avant un dlai.
19
Identification
Applications:
Identification de systme
Exemple trivial
Modlisation dun systme avec un coefficient
Poids initial: w0 = 0
Facteur de convergence = 0.5
Entre: Indice Signal (d[n]) Entre (x[n])
Formules
0.5
-2
-1
20
Exemple 4
Pour n=0
y[0]= w0 x[0]=00.5=0
e[0]=d[0]-y[0]=1-0=1
w0[0] = w0[-1]+e[0]x[0]=0+10.5=0.5
Pour n=1
y[1]= w0 x[1]=0.51=0.5
e[1]=d[1]-y[1]=2-0.5=1.5
w0[1]= w0[0]+e[1]x[1]=0.5+1.51=2.0
Pour n=2
y[2]= w0 x[2]=2-1=-2
e[2]=d[2]-y[2]=-2-(-2)=0
w0[2]= w0[1]+e[2]x[2]=2+0-1=2.0
Pour n=3
y[3]= w0 x[3]=21=2
e[3]=d[3]-y[3]=2-2=0
w0[3]= w0[2]+e[3]x[3]=2+01=2.0
Amplificateur de gain 2
Identification de systme
Filtre RII dordre 4
21
Identification de systme
Rponse en frquence
Identification de systme
Rponse dans le temps
22
Modlisation inverse
Applications:
galisation de canaux en tlcommunications
23
Compensation de canaux
Compensation de canaux
Un compensateur adaptatif opre de deux
faons: entranement ou laveugle.
24
Prdiction linaire
Applications :
Codage prdictif linaire, modles autoregressifs,
dtection
25
Prdiction linaire
26
limination dinterfrences
Applications:
limination dchos, communication tlphonique
mains-libres, casques decoute reduction de bruit,
filtrage de lECG dans les signaux biomdicaux, etc.
Annulation du bruit
27
Exemple 3
Systme dannulation du bruit dordre 2 avec
= 0.1
Poids initiaux: w0 = w1= 0
Entre: Indice Signal (d[n]+x[n])
Bruit (x[n])
-2
-1
quations
Filtre:
y[n]= w0 x[n]+ w1 x[n-1]
Sortie (erreur): e[n]=d[n]-y[n]
Mise jour:
w0[n] = w0[n-1]+2e[n]x[n]
w1[n] = w1[n-1]+2e[n]x[n-1]
Annulation du bruit
28
Exemple 3
Pour n=0
y[0]= w0 x[0]+ w1 x[-1]=01+ 00=0; e[0]=d[0]-y[0]=2-0=2
w0[0] = w0[-1]+2e[0]x[0]=0+20.121=0.4
w1[0] = w1[-1]+2e[0]x[-1]=0+20.120=0
Pour n=1
y[1]= w0 x[1]+ w1 x[0]=0.41+ 01=0.4 ; e[1]=d[1]-y[1]=1-0.4=0.6
w0[1] = w0[0]+2e[1]x[1]=0.4+20.10.61=0.52
w1[1] = w1[0]+2e[1]x[0]=0+20.10.61=0.12
Pour n=2
y[2]= w0 x[2]+ w1 x[1]=0.52-1+ 0.121=-0.4; e[2]=d[2]-y[2]=-2-(-0.4)=-1.6
w0[2] = w0[1]+2e[2]x[2]=0.52+20.1-1.6-1=0.84
w1[2] = w1[1]+2e[2]x[1]=0.12+20.1-1.61=-0.2
29
30
LinearCombiner
Interference
AdaptiveArrayAntenna
31
1
1
32
33
Sortie du filtre :
o
[k] = drive de
par rapport k
Sommaire
34
Prochain cours
Lire:
Chapitre 11 dans Tan
Problmes:
10.1, 10.5, 10.9, 10.13, 10.20
MATLAB :
10.24
35