Vous êtes sur la page 1sur 4

Une famille d’algorithmes de signe à base de structures blanchissantes

Sofia Ben Jebara, Hichem Besbes


Département MASC,Ecole Supérieure des Communications de Tunis (SUP’COM),
Cité Technologique des Communications, Route de Raoued, Km 3.5, 2083, Ariana, Tunisie
Email : sofia.benjebara@supcom.rnu.tn, hichem.besbes@supcom.rnu.tn

Résumé

L’algorithme LMS a suscité beaucoup d’intérêt en terme d’amélioration des performances en utilisant les struc-
tures blanchissantes. A notre connaissance, les algorithmes du signe, caractérisés par leur faible complexité et
leur robustesse, n’ont pas suscité l’intérêt des spécialistes pour être améliorés en utilisant les structures blan-
chissantes. Dans ce papier, nous allons étendre ce concept de structures blanchissantes pour la famille des
algorithmes de signe. Nous présenterons quelques variantes, en introduisant plusieurs combinaisons de l’entrée
et/ou de l’erreur filtrées. Une étude comparative de ces algorithmes, en terme de régime transitoire, régime
permanent et complexité de traitement permettra de juger quant à la validité de l’approche proposée .

1 Introduction
Différents algorithmes adaptatifs sont utilisés pour l’identification des systèmes à réponse impulsionnelle in-
connue. L’algorithme du Gradient Stochastique (GS) est fréquemment utilisé [1], il souffre cependant d’une
faible vitesse de convergence lorsque son signal d’entrée est corrélé. Différents algorithmes et structures ont été
proposés afin d’accélérer sa convergence. Citons par exemple les Algorithmes de Projection Affine (APA) [2]
qui sont efficaces en terme de convergence mais assez complexes en terme de traitements arithmétiques. Les
algorithmes d’adaptation utilisant la notion de décorrélation ou blanchiment de l’entrée sont introduits afin
d’accélérer la convergence sans pour autant augmenter considérablement la complexité de calcul. L’algorithme
le plus populaire est le LMS filtré, connu sous l’appellation filtered X-LMS (voir [1]).
De l’autre côté, la famille des algorithmes de signe constituant une variante de la famille du gradient stochastique
a été proposée afin de réduire la complexité de calcul et d’améliorer la robustesse du filtre adaptatif vis à vis
des bruits impulsifs. Le principal inconvénient est la faible vitesse de convergence. A notre connaissance, les
algorithmes du signe n’ont pas suscité l’intérêt des spécialistes pour être améliorés en utilisant les structures
blanchissantes.
Dans cet article, nous explorons le domaine en présentant une famille d’algorithmes du signe utilisant ces
structures blanchissantes. Cette famille sera appelée, par abus de langage, “famille d’algorithmes de signe
filtré”. Ainsi, quelques variantes de ces algorithmes sont proposées pour améliorer les performances en terme
de régime permanent et de régime transitoire, sans augmentation considérable de la complexité de calcul. Une
étude comparative permettra de se décider quant à la nature de l’algorithme du signe filtré pour des applications
en temps réel.
Le papier est organisé comme suit. Dans le paragraphe 2, nous justifions les motivations ayant conduit à la
conception de la famille du signe filtré. Dans le paragraphe 3, nous présentons trois sous-familles du signe filtré,
chacune comprend 3 variantes. Le paragraphe 4 est dédié à une étude comparative des performances, en terme
de qualité du permanent et du transitoire et en terme de complexité de calcul.

2 Contexte de l’étude et motivations


2.1 Principe de l’identification adaptative
La figure 1 représente le schéma d’identification utilisé. Le bruit d’observation b(k) est non mesurable et le filtre
linéaire fixe F est inconnu. Le rôle du filtre adaptatif H(k) est d’estimer de façon optimale le filtre F . L’erreur
d’estimation e(k), obtenue en soustrayant la sortie du filtre adaptatif y(k) = H(k)T X(k) de la sortie du canal
y(k), est utilisée pour contrôler de façon adaptative le filtre H(k).

1
La mise à jour des coefficients du filtre adaptatif est pilotée par un algorithme d’adaptation donné. De façon
générale, l’équation d’adaptation peut être écrite sous la forme suivante :

H(k + 1) = H(k) + µΦ (e(k)) Ψ (X(k)) , (1)


T
où e(k) = y(k)−H(k)T X(k) est l’erreur d’estimation, µ est le pas d’adaptation, X(k) = [x(k), x(k − 1), .., x(k − N + 1)]
est le vecteur des observations, N est la longueur du filtre adaptatif H(k),Φ (e(k)) et Ψ (X(k)) sont les deux
fonctions qui caractérisent l’algorithme utilisé.

2.2 Algorithmes de signe


Au cours de cette étude, nous allons considérer 3 sous familles de l’algorithme du signe, très connues dans la
littérature, et décrites comme suit :

1. Φ (e(k)) = sign (e(k)) et Ψ (X(k)) = X(k), ce qui correspond à l’algorithme du signe (Sign Algorithm
SA)[3].
2. Φ (e(k)) = e(k) et Ψ (X(k)) = sign (X(k)), ce qui correspond à l’algorithme de signe des données (Sign
Data Algorithm SDA) [4].
3. Φ (e(k)) = sign (e(k)) et Ψ (X(k)) = sign (X(k)), ce qui correspond à l’algorithme de signe-signe (Sign
Sign Algorithm SSA) [5].

2.3 Motivations
Dans des travaux antérieurs, nous avons montré que la corrélation de l’entrée dégrade les performances des
algorithmes de signe (voir par exemple [6] ). Plusieurs algorithmes adaptatifs utilisant la notion de décorrélation
de l’entrée ont été alors proposés [6][7][8]. Toutes les solutions utilisent des filtres blanchisseurs de l’entrée et
différent par la fonction Ψ(.) et le pas d’adaptation utilisé.
Dans cet article, nous proposons une approche exhaustive où nous explorons plusieurs algorithmes de signe
filtré. Une étude comparative permettra de juger la validité de chaque solution proposée.

3 Algorithmes de signe filtré


3.1 Blanchiment de l’entrée
Afin d’obtenir un système activé par une entrée faiblement corrélée (quasi-blanche), on peut utiliser un filtre
blanchisseur dont la sortie xf (k) s’écrit :
LP

xf (k) = x(k) − pi (k)x(k − i), (2)
i=1
 T
où P (k) = p1 (k), .., pLp (k) est un prédicteur de longueur LP .
Le filtre prédicteur est lui aussi adaptatif. Selon l’algorithme du signe (pour le même objectif de complexité),
l’équation de son adaptation s’écrit :
 
P (k + 1) = P (k) + µP sign xf (k) Xp (k − 1), (3)

où µP est le pas d’adaptation du prédicteur et Xp (k − 1) = [x(k − 1), ..., x(k − Lp )]T .
Selon la fonction Φ(.) proposée, l’erreur d’identification e(k) peut être filtré par le le même filtre P (k). On
obtient ainsi le signal ef (k) qui s’écrit :
LP

ef (k) = e(k) − pi (k)e(k − i), (4)
i=1

2
3.2 Différents algorithmes de signe blanchi
A chaque sous-famille de la liste proposée dans le paragraphe 2.2, on propose, en plus de la version de base (sans
filtrage de l’entrée et de l’erreur), 3 variantes qui différent selon le choix des 2 fonctions Φ(.) et Ψ(.). Ainsi,
pour chaque sous-famille, on étudie 4 variantes obtenues comme suit :

1. pas de blanchiment de l’entrée ni filtrage de l’erreur,


2. pas de blanchiment de l’entrée mais filtrage de l’erreur,
3. blanchiment de l’entrée et pas de filtrage de l’erreur,
4. blanchiment de l’entrée et filtrage de l’erreur.

Les différents algorithmes proposés sont résumés dans la table 1. Le préfixe FE traduit le filtrage de l’erreur
(Filtered Error), tandis que le préfixe FD dans le nom de l’algorithme traduit le blanchiment de l’entrée (Filtered
Data). Dans chaque sous-famille, les algorithmes sont classés par ordre croissant de complexité. Par exemple,
l’algorithme FD-SA est moins complexe que l’algorithme FD-FE-SA, car on n’as pas besoin de filtrer l’erreur
pour mettre à jour le filtre adaptatif.

Table 1: Les différentes variantes du signe filtré.


sous-famille SA sous-Famille SDA sous-famille SSA
Φ (e(k)) Ψ (X(k)) nom Φ (e(k)) Ψ (X(k)) nom Φ (e(k)) Ψ (X(k)) nom
sign(e(k))X(k) SA e(k)sign (X(k)) SDA sign(e(k))sign (X(k)) SSA
sign ef (k) X(k) FE-SA ef (k)sign (X(k)) FE-SDA sign ef (k) sign (X(k)) FE-SSA
sign(e(k))X f (k) FD-SA e(k)sign X f (k)  FD-SDA sign(e(k))sign X f (k)  FD-SSA
f f f f
sign e (k) X (k) FD-FE-SA e (k)sign X (k) FD-FE-SDA sign ef (k) sign X f (k) FD-FE-SSA

4 Etude comparative
On se place dans le cas d’identification du système F suivant : F = [1 0 10 − 6 − 1 4 0.1 5 − 2 − 0.1]T /13.85.
Ce système est excité par une entrée fortement corrélée, modélisée par un processus autorégressif d’ordre 1 dont
le coefficient de corrélation d’ordre 1 est égal à ρ = 0.95. Le rapport signal sur bruit est égal à RSB= 10 dB.
Les performances sont mesurées selon le critère de l’Erreur Quadratique Moyenne EQM = E e(k)2 .
Les figures 2, 3, 4 représentent les performances des 4 variantes pour les 3 sous-familles respectives du signe, du
signe des données et du signe-signe. A partir de ces figures, on peut tirer les interprétations suivantes :

• Dans les deux sous-familles SA et SDA, et pour un même régime permanent, le blanchiment de l’entrée
accélère la convergence.
• La variante FE semble la moins performante à la fois en régime permanent et en régime transitoire . En
effet, on montre facilement que le filtrage de l’erreur amplifie le bruit additif b(k) (voir [7]). Le gain en
transitoire est alors anéanti par le mauvais régime permanent.
• L’algorithme utilisant le filtrage de l’entrée est le plus rapide dans tout les cas.
• Le filtrage simultané de l’entrée et de l’erreur n’apporte pas un gain supplémentaire par rapport au filtrage
de l’erreur. Il introduit toutefois une complexité supplémentaire, et amplifie l’erreur au régime permanent.
• L’algorithme FD-SA est le plus rapide, et l’algorithme FD-SSA présente une vitesse de convergence ac-
ceptable avec une compléxité plus faible.

En terme de complexité de traitement, la variante FD est la plus intéressante. En effet, on ne rajoute que LP
(taille du prédicteur) multiplications, LP additions et N (Longueur du filtre) cases mémoires supplémentaires.
Ainsi, pour des raisons pratiques, la taille du prédicteur est choisie très petite LP = 1 ou LP = 2. Même pour
des entrées fortement corrélées, cette restriction ne réduit en rien la qualité de convergence (voir par exemple
[8]).

3
References
[1] B. Widrow, S. D. Stearns, Adaptive signal processing, Prentice-Hall, 1985. ..
[2] K. Oseki, T. Umeka, “An adaptive algorithm using an orthogonal projection to an affine subspace and its properties,”
Electronic and Communications in Japan, vol. 67-A, no. 5, pp. 19-27, 1984.

[3] S. H. Cho and V. J. Mathews, “Tracking analysis of the sign algorithm in non stationary environments,” IEEE.
Trans. Acoust. Speech, Signal Process., vol. 38, no. 12, pp. 2046-2057, Dec. 1990.

[4] J. Naguma and A. Noda, “A learning method for system identification,” IEEE Trans. Automat. Contr., vol. AC-12,
no. 3, pp. 282-287, June 1967.
[5] E. Eweda, “Convergence analysis of an adaptive filter equipped with the sign-sign algorithm,” IEEE Trans. Automat.
Contr., vol. 40, no. 10, pp. 1807-1811, Oct. 1995.
[6] H. Besbes and S. Ben Jebara, “A variable step size pre-whitened sign algorithm with quantized normalizing factor.
Application to acoustic echo cancellation,” Proc. of the European Signal Processing Conference EUSIPCO, Vienna,
Austria, September 2004.
[7] S. Ben Jebara and H. Besbes, “On pre-whitened sign algorithms,” Proc. of IEEE International Symposium on
Circuits and Systems ISCAS, May 2003, Bangkok, Thailand.
[8] S. Ben Jebara, H. Besbes, “A variable step size filtered sign algorithm for acoustic echo cancellation,” IEE Electronic
Letters, vol. 39, no. 12, pp. 936-938, June 2003.
b(k)
6

FE−SDA

❄y(k)
5

✲ F ✲ +m
x(k) ✎ ❄
+ e(k) 4

✲ + ✲
✍✌
FD−FE−SDA

✻ 3

✲ −
y(k)✻
H(k) 2
FD−SDA

Ψ(.) Φ(.) SDA


1

✲ Adaptation ✛
0
0 100 200 300 400 500 600 700 800 900 1000

Figure 1: Schéma d’identification.


Figure 3: Performances des algorithmes de la sous-
famille SDA.

6
FD−FE−SA
EQM

FE−SA
5
FE−SSA
2

4
FD−FE−SSA
SA
1
FD−SA
EQM

0
0 100 200 300 400 500 600 700 800 900 1000
FD−SSA
Nombre d’iterations
2
SSA

0
100 200 300 400 500 600 700 800 900 1000
Nombre d’iterations

Figure 2: Performances des algorithmes de la sous-


famille SA. Figure 4: Performances des algorithmes de la sous-
famille SSA.