Académique Documents
Professionnel Documents
Culture Documents
FILTRADO ADAPTIVO
Hay dos formas de interpretar físicamente los elementos del vector de entrada de
la figura anterior. Primero, puede ser considerado como entradas simultáneas desde
L+1 fuentes diferentes de señal. Un ejemplo de esta interpretación sería una antena
adaptiva o un sistema de detección acústica adaptivo, en el cual cada línea de entrada es
conectada a un sensor separado.
Alternativamente, los elementos x0 - xL pueden ser considerados L+1 muestras
secuenciales de la misma fuente de señal.
Se hará referencia a estas dos interpretaciones como los casos múltiple-entrada
y única-entrada, y es conveniente etiquetar el vector de entrada diferentemente para los
dos casos como sigue:
_______________________________________________________________________________ 1
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
_______________________________________________________________________________ 2
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
L
yk wlk. xk l única-entrada (2-3)
l= 0
L
yk wlk. xlk múltiple-entrada (2-4)
l= 0
Con esta definición se pueden expresar (2-3) y (2-4) en una relación simple
usando la notación vectorial:
yk Xk . Wk Wk . Xk
T T
_______________________________________________________________________________ 3
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
La señal de salida, yk, es simplemente restada desde la señal deseada, dk, para
producir la señal de error, k.
La fuente de la señal de respuesta deseada, dk, depende de la aplicación del
combinador adaptivo. Para el estado actual, se supondrá la disponibilidad de tal señal.
Nótese qué considerable ingenuidad se requiere para encontrar una señal
adecuada, ya que si la respuesta deseada actual estuviese disponible generalmente no se
necesitaría el sistema adaptivo.
Se procederá a discutir la función performance, la cual es una función de la señal
error recién descripta.
LA FUNCION PERFORMANCE
k dk yk (2-7)
k dk Xk . W dk W . Xk
T T
(2-8)
2
k Xk . W 2. dk. W . Xk W . Xk. Xk . W
2 T 2 T T T
dk dk
k 2. dk. W . Xk W . Xk. Xk . W
2 2 T T T
dk
E k W . E Xk. Xk . W 2. E dk. Xk . W
2 2 T T T
E dk (2-10)
_______________________________________________________________________________ 4
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
_______________________________________________________________________________ 5
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
Muchos útiles procesos adaptivos que causan que el vector peso busque el
mínimo de la superficie de performance se hacen por los métodos de gradiente. El
gradiente de la superdicie de performance de error medio cuadrático, designado por
o simplemente se puede obtener diferenciando la última expresión para obtener
el vector columna:
x0k. x1k dk. x0k 2. x0k . w0k 2. x1k. x0k. w1k 2. dk. x0k
2 2
x0k w0k
2. . 2.
x1k. x0k x1k
2 w1k dk. x1k 2. x1k. x0k. w0k 2. x1k . w1k
2
2. dk. x1k
W* = R-1.P (2-17)
_______________________________________________________________________________ 6
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
Ahora se simplifica este resultado usando tres reglas que son de utilidad general
en la discusión de superficies de performance:
_______________________________________________________________________________ 7
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
sin 2 0 2 cos 2 0
5
5
sin 2 1 0 2 cos 2 1 2
5 5
2 2 2 2
0.951 0.618
x sin 0.588 d 2 cos 1.618
5 5
0.588 1.618
sin 2 3 2 cos 2 3
5 0.951
5
0.618
sin
2 4
2 cos
2 4
5 5
R
0 0 k2
E x R
0 1 k
E x x
k 1 2 R
1 1 k 12
E x
R
x02 x12 x22 x32 x42 0.5
0 0 5
x x x x x x x x x x
0 4 1 0 2 1 3 2 4 3
R 0.155
0 1 5
R
x42 x02 x12 x22 x32 0.5
1 1 5
0.5 0.155
R
0.155 0.5
Para el cálculo del vector P
P
0 0
E d x P
0 1
E d x
k k 1
d 0 x0 d 1 x1 d 2 x2 d 3 x3 d 4 x4
k k
P 0
0 0 5
P
d 0 x4 d 1 x0 d 2 x1 d 3 x2 d 4 x3 0.95
0 1 5
0
P
0.95
d 0 2 d 1 2 d 2 2 d 3 2 d 4 2
E d
2
2
k 5
_______________________________________________________________________________ 8
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
2 WT R W 2 PT W
E d
k
w0 0.5 0.155 w0 2 0 w0
T T
2
w1 0.155 0.5 w1 0.95 w1
Desarrollando, queda en el segundo miembro un polinomio cuadrático en w0 y
w1
2 2
0.5 w0 0.5 w1 0.31 w0 w1 1.9 w1 2
2 2
v ( w0 w1 ) 0.5 w0 0.5 w1 0.31 w0 w1 1.9 w1 2
n1 40 tamaño de la matriz
i 0 n1 1 j 0 n1 1
M1
i j i j
v t k Función de performance
Esta superficie está representada para N=5 muestras por ciclo. Nótese que es
cuadrática en w0 y w1 y que tiene un único mínimo global. El vector gradiente en
cualquier punto (w0,w1) puede encontrarse sustituyendo (2-22) y (2-23) en (2-15) y es:
_______________________________________________________________________________ 9
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
0.5 0.155 w0 2 0
2
2 R W 2 P
0.155 0.5 w1 0.95
El vector peso de Wiener para este ejemplo, W*, se puede encontrar
formalmente de (2-17) invirtiendo R, o puede ser encontrado poniendoigual a 0 en
(2-25). Estos son, por supuesto, operaciones equivalentes, en uno u otro caso el
resultado es:
1
1 0.5 0.155 0 0.652
W R P
0.155 0.5 0.95 2.102
1 1. 2.
cos
w0 w0
1. 2 2 N 2.
2 w0 w1 . . 2. 0 sin .
2 2. 1 w1 N w1
cos
N 2
1.
cos 2. . sin 2.
2 N N
2
1.
sin 2. 2. cot 2. (2-26)
1. 4 N N
R P
1.
sin 2. 2. csc 2.
2 N N
2
1.
sin 2.
4 N
E d P W 2
0 0.652
T
T
2
0
min k
0.95 2.102
Genéricamente
2. cot 2.
2. N
min 2 0 sin . 2. sin 2. . csc 2. 2 0 (2-27)
N N N
2. csc 2.
N
Este resultado, el cual dice que los pesos en el combinador lineal adaptivo
pueden ser ajustados para reducir k a cero para cualquier valor de N puede ser
sorprendente en un principio. La unidad de retardo por sí misma puede cambiar xk
desde una función seno a una función coseno sólo cuando N=4, esto es, sólo cuando la
unidad de retardo es un cuarto de ciclo. Nótese que en este caso (2-26) da w0* = 0 y
w1* = -2. Si embargo, con dos pesos además del delay, el combinador lineal adaptivo
_______________________________________________________________________________ 10
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
T T T
(A B) A B
T T
W . R. W
T.
min min W .R . W
T
W W W R W
T T
min W . R. W W . R. W W . R. W W . R. W
T T
(2-29)
W R .P
1
(2-17)
E dk P .R .P W . R. W P . R . R. R . P 2. W . R. R . P
2 T 1 T T 1 1 T 1
E dk W . R. W 2 . W . P E dk W . R. W 2. P . W
2 T T 2 T T
(2-31)
_______________________________________________________________________________ 11
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
min V . R. V
T
(2-33)
La cantidad V es la desviación del vector peso a partir del vector peso óptimo de
Wiener. Cualquier apartamiento de W respecto de W "rayado" causará un exceso de
error medio cuadrático de acuerdo a la forma cuadrática VT.R.V.
Con el objeto que sea no-negativo para todos los V posibles, es necesario que
V .R.V >= 0 para todo V. Cuando VT.R.V >= 0 para todo V <> 0, la matriz R se dice
T
que es "definida positiva". Cuando VT.R.V = 0 para cierto valor finito de V o para todo
V, la matriz R se dice que es "semi-definida positiva". En situaciones físicas, R casi
siempre será "definida positiva" pero también pueden ocurrir matrices R "semi-definida
positiva".
El gradiente del error medio cuadrático con respecto a V se obtiene derivando
(2-33)
Este gradiente es el mismo que el dado por (2-15), porque W y V difieren sólo
en una constante.
Así:
T
min W . R. W min V . R. V
T
W W (2-33)
Nótese que ya que hay L+1 pesos (componentes de W), la matriz R tiene L+1
columnas por L+1 filas.
_______________________________________________________________________________ 12
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
( R . I ) . Qn 0 (3 1)
R .I 0 (3-2)
R. Qn n . Qn (3-3)
R. Q Q . R Q. . Q
1
o (3-5)
0.5 0.155
R
0.155 0.5
_______________________________________________________________________________ 13
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
0 0 0
0.655 0
0
1 0 0 0.345
1 0.5 0.155
( Q ) Q
0.155 0.5
_______________________________________________________________________________ 14
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
wk 1 wk . k (4-4)
wk 1 wk . 2. . wk w wk 2. . . wk w (4-6)
rearreglando términos:
_______________________________________________________________________________ 15
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
wk 1 ( 1 2. . ) . wk 2. . . w (4-7)
w1 ( 1 2. . ) . w0 2. . . w
2. . ) . w0 2. . . w. ( ( 1 2. . )
2
w2 ( 1 1)
2. . ) . w0 2. . . w. ( 1 2. . ) 2. . )
3 2
w3 ( 1 (1 1
2. . ) . w0 w. 1 2. . )
k k
wk ( 1 (1
2. . ) . w0
k
wk w (1 w (4-13)
r 1 2. . < 1 (4-14)
_______________________________________________________________________________ 16
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
La figura siguiente muestra la acción típica que tiene lugar durante el proceso de
ajuste para diferentes valores de la razón r.
Las líneas no tienen ningún significado físico sino que simplemente juntan la
serie de puntos representando los valores discretos de wk. Nótese que cuando el valor
absoluto de r es menor que 1, la tasa de convergencia se incrementa a medida que r
decrece, alcanzando su máximo en r=0, cuando se alcanza la solución óptima en un
único paso. Nótese también que para valores positivos de r de magnitud menor que 1 no
hay oscilación en los valores peso transitorios, mientras que para valores negativos los
valores peso pegan un salto y convergen en una oscilación amortiguada.
En el primer caso se dice que el proceso es "sobreamortiguado" y en el último
que es "subamortiguado". Cuando r=0 el proceso es equivalente al método de Newton
(discutido más adelante) y se dice que es "críticamente amortiguado". Cuando el valor
absoluto de r es mayor o igual a 1, de acuerdo con (4-14), el proceso es inestable y no
converge.
Los efectos de elegir sobre r y sobre el proceso iterativo de peso único, se ven
en la siguiente tabla:
LA CURVA DE APRENDIZAJE
El efecto de las variaciones en el ejuste del peso sobre el error medio cuadrático
puede ser observado desde (4-1). Si k se define como el valor del error medio
cuadrático cuando el peso se fija en wk, entonces se puede escribir desde (4-1):
_______________________________________________________________________________ 17
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
2
k min . wk w (4-17)
2
2. k.
k min . (1 2. . ) w0 w (4-18)
2. . )
2 2
rmse r (1 (4-19)
Ya que esta razón jamás puede ser negativa, la progresión del error medio
cuadrático jamás será oscilatoria. La estabilidad está asegurada como antes si se
satisface la condición (4-14).
Para el sistema de único-peso, la siguiente figura muestra la relajación del error
medio cuadrático a partir de su valor inicial 0 hacia el valor óptimo min. La instancia
mostrada representa un valor de rmse = 0.5, correspondiente a r = 0.707.
Esta curva tampoco tiene significado físico entre los valores enteros de k, simplemente
conecta los valores transitorios del error. A esta curva se la llama "curva de aprendizaje"
e indica la reducción del error medio cuadrático durante el proceso iterativo.
_______________________________________________________________________________ 18
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
W R .P
1
(4-28)
2. R. W 2. P (4-29)
despejando:
1.
R .
1
W W (4-30)
2
El subíndice (k) del vector gradiente implica que el gradiente se mide en el paso
k, donde el vector peso es Wk.
La ecuación (4-31) es de este modo el método de Newton para el caso
multivariado. Cuando la superficie de error es cuadrática, el método procede a la
solución óptima en un paso, como en (4-30). El caso cuadrático de dos pesos, se ilustra
en la siguiente figura. En este "perfecto" seteo, los pesos saltan desde cualquier intento
inicial, W0 = (w00,w10), al valor óptimo W*0=(w*0,w*1) en un único paso.
2 1 7 2
R P E dk 42 Datos
1 2 8
_min E dk P .R .P
2 T 1
_min P .R .P _min = 4
T 1
42
5
W0 intento ´_w0( 5 , 3 ) = 0 ´_w1( 5 , 3 ) = 18
3
_______________________________________________________________________________ 19
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
1.
R . k
1
Wk 1 Wk
2
1. 0 2 2
R .
1
W0 = W1
2 18 3 3
( 2. w0 ( 2. w0 8. 2. w0 14. w0
2 2
16 ) 16 ) 42 K
f1( w0 , K )
4
( 2. w0 ( 2. w0 8. 2. w0 14. w0
2 2
16 ) 16 ) 42 K
f2( w0 , K )
4
w0 5 , 4.9 .. 10 K 10 , 20 .. 60
.R . k
1
Wk 1 Wk (4-32)
entonces se obtiene la fórmula de paso único poniendo . Si no, se podría elegir
cualquier otro valor de en el rango estable visto en (4-35), esto es
_______________________________________________________________________________ 20
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
. R . 2. R. Wk 2. P 2. . Wk 2. . R . P
1 1
Wk 1 Wk Wk
Wk 1 Wk. ( 1 2. ) 2. . W (4-34)
2. ) . W0
k
Wk W (1 W (4-35)
Introducción
Los métodos típicos para alcanzar el valor mínimo (“fondo del paraboliode”)
incluyen el uso del gradiente (ver “Método del Descenso Más Abrupto [Steepest
Descent Method].
El algoritmo LMS es una aproximación del Steepest Descent usando un
estimador de gradiente en vez del valor corriente del mismo. Esto simplifica
considerablemente los cálculos a realizar y permite que el algoritmo LMS sea realizado
en tiempo real.
Wk +1 Wk .[ ( R.Wk P)]
_______________________________________________________________________________ 21
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
_______________________________________________________________________________ 22
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
k := 0 .. 2000
índice para las muestras
N := 5
número de muestras por ciclo
2 k
xk sin
N
vector de muestras de la señal de entrada
2 k
dk 2 cos
N
vector de muestras de la señal esperada
n := 1 .. 2000
0.1
1
W1
3
_______________________________________________________________________________ 23
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
xn
Wn 1 Wn dn xn xn1 Wn
xn1
Producido el proceso iterativo, el último peso
0.65
W2000
2.103
es el vector óptimo de Wiener.
1
1.1
Wn 0 0.5
1
1.084
1.5
0.65
Para determinar la variación del Error medio cuadrático en cada iteración, se plantea la
siguiente expresión:
E dn W Re W Pe W
2 T T
n
xn 2 xnxn1
W 2 dnxn W
T
n dn Wn
2 T
2 d x
xnxn1 xn1
n n
n n1
_______________________________________________________________________________ 24
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
20
17.759
10
n
0 10 20 30 40 50
15
1.77610
10
1 n 50
Cuando el vector peso toma el valor óptimo, la salida del filtro es:
2.5 2
yn
dn 0 10 20 30 40 50
2.5 2
0 n 50
_______________________________________________________________________________ 25
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
_______________________________________________________________________________ 26
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
d=sin(2*pi*i*f/FS)+0.1*sin(2*pi*i*f1/FS);
% Calculo de la matriz de autocorrelacion
suma=0;for i=1:N, suma=suma+x(i)*x(i); end
R(1,1)=suma/N;
suma=0;for i=2:N, suma=suma+x(i-1)*x(i-1); end
R(2,2)=suma/N;
suma=0;for i=2:N, suma=suma+x(i)*x(i-1); end
R(1,2)=suma/N;R(2,1)=suma/N;
_______________________________________________________________________________ 27
Cátedra de Análisis de Señales - Filtrado Adaptivo
Universidad de Mendoza Dr. Ing. Jesús Rubén Azor Montoya
_______________________________________________________________________________ 28
Cátedra de Análisis de Señales - Filtrado Adaptivo