Filtres adaptatifs de Volterra : réduction de complexité

paramétrique, mise à jour sélective et calcul distribué

Dans un certain nombre d’applications, comme l’annulation d’échos, l’annulation de bruit et la

compensation des distorsions des haut-parleurs, les filtres adaptatifs de Volterra sont devenus
une alternative crédible et plus efficace que les filtres adaptatifs linéaires. Cependant, le prin-
cipal inconvénient de ces filtres est le coût de calcul prohibitif des algorithmes associés, dû au
nombre élevé de paramètres à adapter.

Parmi les algorithmes adaptatifs utilisés dans la littérature, ceux de type LMS présentent un
coût de calcul faible mais leur convergence est généralement lente [Mat91]. Des solutions ont
été proposées dans la littérature pour accélérer la convergence des algorithmes de type LMS
soit en recourant à des représentations parcimonieuses via des développements sur des bases
orthonormales soit en orthogonalisant les signaux d’entrée [Kib05].

Pour réduire le coût de calcul des filtres adaptatifs de Volterra, trois approches peuvent être
considérer : réduire le nombre de paramètres du filtre, sélectionner un nombre réduit de para-
mètres à mettre à jour à chaque itération ou sélectionner les instants de mise à jour de l’ensemble
des coefficients.

Outre l’utilisation des bases orthonormales pour réduire le nombre de paramètres des filtres
de Volterra, il a été montré que des représentations parcimonieuses pouvaient aussi être obte-
nues en considérant des décompositions algébriques de matrices [PM98, PMS98] ou de ten-
seurs [KF04, KKF04]. Sachant que les noyaux de Volterra d’ordre supérieur à trois peuvent
être vus comme des tenseurs, il est possible d’obtenir de nouvelles représentations parcimo-
nieuses en recourant à des décompositions non encore utilisées. C’est le cas de la décompo-
sition en valeurs singulières d’ordre supérieur (Higher-Order Singular Value Decomposition,
HOSVD) [DDV00].

Les filtres de Volterra étant caractérisés par un très grand nombre de paramètres, on peut choisir
de ne mettre à jour qu’un nombre limité d’entres eux à chaque itération. Cette approche, dite
partial-update algorithm [Dou97, WCD04, GH05], n’a jusqu’alors été considéré que pour des
filtres linéaires. L’extension aux filtres de Volterra n’est pas triviale. Il est nécessaire de dé-
velopper des techniques de sélection de sous-ensembles de paramètres qui soient originales et
efficaces.

La troisième approche de réduction du coût de calcul des filtres adaptatifs de Volterra consis-
terait à ne mettre à jour l’ensemble des paramètres qu’à certaines itérations. Comment choisir
ces itérations ? Dans le cas linéaire, cette approche a donné lieu au Set Membership filtering
(SMF) [GNKH98] où les coefficients du filtre ne sont adaptés que lorsque l’erreur quadra-
tique de sortie dépasse un seuil prédéfini. Le choix de l’itération, ou de manière équivalente de

1
l’instant, de mise à jour dépend des données d’entrée et sortie. Les critères définis dans le cas
linéaire peuvent-ils s’appliquer dans le cas des filtres de Volterra ? D’autres critères plus adaptés
aux filtres de Volterra sont certainement à développer. Il est à noter qu’il est aussi possible de
combiner la mise à jour sélective des paramètres et la sélection des instants de mise à jour.

Les trois approches ci-dessus seront aussi à évaluer en terme de vitesse de convergence. Pour ce
faire, une quatrième approche, dite de calcul distribué, basée sur la combinaison des sorties de
plusieurs filtres adaptatifs au moyen de paramètres de mélange [AFS06, BBT08], sera considé-
rée. L’objectif est d’obtenir un filtre global aux performances améliorées. Cette approche, très
récemment introduite dans la littérature pour des filtres linéaires, n’a pas encore été considérée
dans le cas des filtres de Volterra. Plusieurs questions demeurent ouvertes : la forme des filtres
adaptatifs à combiner, la manière de les combiner,...

En somme, l’objectif de la thèse proposée est de développer des filtres adaptatifs de Volterra de
nouvelle génération suivant les quatre approches énoncées ci-dessus, i.e. réduction du nombre
de paramètres par HOSVD, mise à jour sélective liée aux coefficients (Partial update algorithm)
et/ou aux données (SMF), et calcul distribué. Les performances des algorithmes développés
seront à étudier sur le plan théorique et au moyen de simulations. On se limitera aux filtres de
Volterra d’ordre trois.

Références
[AFS06] J. Arenas-Garcia, A.R. Figueiras-Vidal, and A.H. Sayed. Mean-square perfor-
mance of a convex combination of two adaptive filters. IEEE Trans. on Signal
Processing, 54 :1078–1090, March 2006.
[BBT08] N.J. Bershad, J.C.M. Bermudez, and J.-Y. Tourneret. On performance bounds for
an affine combination of two LMS adaptive filters. In Proc. of ICASSP, pages
3297–3300, Las Vegas, Nevada, USA, March 30-April 4 2008.
[DDV00] L. De Lathauwer, B. De Moor, and J. Vandevalle. A multilinear singular value
decomposition. SIAM J. Matrix Anal. Appl., 21 :1253–1278, April 2000.
[Dou97] S.C. Douglas. Adaptive fikters employing partial updates. IEEE Trans. on Circuits
and Systems II : Analog and Digital Signal Processing, 44(3) :209–216, March
1997.
[GH05] M. Godavarti and A.O. Hero III. Partial update LMS algorithm. IEEE Trans. on
Signal Processing, 53(7) :2384–2399, July 2005.
[GNKH98] S. Gollamudi, S. Nagaraj, S. Kapoor, and Y.F. Huang. Set-membership filtering
and a set-membership normalized LMS algorithm with an adaptive step-size. IEEE
Signal Processing Letters, 5 :111–114, May 1998.
[KF04] A. Khouaja and G. Favier. Identification of PARAFAC Volterra cubic models using
an alternating recursive least squares algorithm. In Proc. 12th European Signal
Processing Conference (EUSIPCO), pages 1903–1906, Vienna, Austria, Septem-
ber 2004.
[Kib05] A. Kibangou. Modèles de Volterra à complexité réduite : Estimation paramétrique
et application à l’égalisation des canaux de communications. PhD thesis, Univer-
sité de Nice Sophia Antipolis- UFR Sciences, France, 2005.

2
[KKF04] A. Khouaja, A.Y. Kibangou, and G. Favier. Third-order Volterra kernels com-
plexity reduction using PARAFAC. In Proc. IEEE International Symposium on
Control, Communications and Signal Processing (ISCCSP), pages 857–860, Ham-
mamet, Tunisia, March 2004.
[Mat91] V.J. Mathews. Adaptive polynomial filters. IEEE Signal Processing Mag.,
8(3) :10–26, 1991.
[PM98] T.M. Panicker and V.J. Mathews. Parallel-cascade realizations and approximations
of truncated volterra systems. IEEE Trans. on Signal Processing, 46(10) :2829–
2831, October 1998.
[PMS98] T.M. Panicker, V.J. Mathews, and G.L. Sicuranza. Adaptive parallel-cascade trun-
cated volterra filters. IEEE Trans. on Signal Processing, 46(10) :2624–2673, Oc-
tober 1998.
[WCD04] S. Werner, M.L.R. Campos, and P.S.R. Diniz. Partial update NLMS algorithms
with data selective updating. IEEE Trans. on Signal Processing, 52(4), April 2004.