Vous êtes sur la page 1sur 37

Una Estructura en Cascada

para Prediccion Lineal


Adaptiva


Presentado por: Guillermo Dalla Vecchia
(gdv@adinet.com.uy )

Martes 14 de Setiembre, 2003
Temario
Filtros Lattice
Filtros Lattice FIR.
Filtros Lattice LMS (GAL).
Estructura en Cascada de Filtros para Prediccion
Lineal Adaptiva
Introduccion
Estructura en Cascada Aplicada a Problemas de
Prediccion Lineal.
Algoritmos de Actualizacin y complejidad Computacional.
Simulaciones
Prediccion Lineal de Voz
Conclusiones
Referencias

Filtros Lattice
Filtros Lattice
Filtro Lattice FIR
Objetivo: Minimizar el error de prediccion








Ecuaciones Basicas:








2
0
( )
p p
n
e n c

=
=

1 1
*
1 1
( ) ( ) ( 1)
( ) ( 1) ( )
j j j j
j j j j
e n e n e n
e n e n e n
+ +
+ +
+
+ +
= + I
= + I
Filtros Lattice
Diagrama de Flujo de Seal
Filtros Lattice
Principales Ventajas
Modularidad.
Baja sensibilidad a los efectos de
cuantizacion de los parametros.
Criterio simple para asegurar que el filtro
sea de fase minima.
En el caso del filtro IIR esta condicion asegura
estabilidad.

Temario
Filtros Lattice
Filtros Lattice FIR.
Filtros Lattice LMS (GAL).
Estructura en Cascada de Filtros para Prediccion
Lineal Adaptiva
Introduccion
Estructura en Cascada Aplicada a Problemas de
Prediccion Lineal.
Algoritmos de Actualizacin y complejidad Computacional.
Simulaciones
Prediccion Lineal de Voz
Conclusiones
Referencias

Filtros Lattice LMS (GAL)
2 2
( ) ( ) ( )
B
j j j
n E e n e n
+
(
= +
(

Problema: Minimizar la siguiente funcion de
costo:


Solucion:

*
1 1
2 2
1 1
( ) ( 1)
2
( ) ( 1)
j j
B
j
j j
E e n e n
E e n e n
+

+

(
(

(

I =
(
+
(

Filtros Lattice LMS (GAL)
Problema: Dificultad para evaluar la
expresion anterior.
Solucion: Estrategia iterativa (Metodo de
Maxima Pendiente):



Ecuacion de Actualizacion:
*
( )
( 1) ( )
B
j
j j j
j
n
n n

c
I + = I
cI
* *
1 1
( 1) ( ) ( ) ( 1) ( ) ( )
j j j j j j j
n n E e n e n e n e n
+ +

(
( ( I + = I +

(

Filtros Lattice LMS (GAL)
Problema: Necesidad de conocer las
propiedades estadisticas de los errores de
prediccion.
Solucion: Reemplazar el operador valor
esperado con valores instantaneos (enfoque
LMS):
* *
1 1
( 1) ( ) ( ) ( 1) ( ) ( )
j j j j j j j
n n e n e n e n e n
+ +

(
( ( I + = I +

(

Filtros Lattice LMS (GAL)
Condicion sobre el paso de adaptacion
para asegurar estabilidad:

2 2
1 1
2
0
( ) ( 1)
j
j j
E e n e n

+

< <
(
+
(

Estructura en Cascada
para Prediccion Lineal
Adaptiva
Temario
Filtros Lattice
Filtros Lattice FIR.
Filtros Lattice LMS (GAL).
Estructura en Cascada de Filtros para Prediccion
Lineal Adaptiva
Introduccion
Estructura en Cascada Aplicada a Problemas de
Prediccion Lineal.
Algoritmos de Actualizacin y complejidad Computacional.
Simulaciones
Prediccion Lineal de Voz
Conclusiones
Referencias

Introduccion


Algoritmos adaptivos tradicionales:
Familia RLS, y Familia LMS.
Populares y ampliamente usados.
Sufren de diversos problemas y limitaciones.
Problemas y Limitaciones
RLS:
Mayor complejidad.
Mayor costo computacional.
Calculo implicito de la inversa de la matriz de
correlacion de la seal de entrada.
LMS:
Fuertemente afectado por la dispersion de los
autovalores de la matriz de correlacion de la seal de
entrada.
Acoplamiento de modos de convergencia.
Introduccion
Introduccion

Consecuencias
RLS
Problemas de estabilidad del algoritmo.
LMS
Trayectorias de convergencia no uniformes.
Problemas de estabilidad del algoritmo.
Introduccion
Alternativas para minimizar estos Problemas
(para el caso de prediccion lineal):
LMS
Filtros Lattice.
Algoritmos LMS en el dominio de la Frecuencia.
Desventajas: Producen Mayor Desajuste.
RLS
Algoritmos RLS Rapidos (FRLS).
Desventajas: Sensibilidad a la precision numerica,
fundamentalmente en el seguimiento de seales no
estacionarias, o seales ruidosas.

Introduccion
Otra alternativa: Estructura en cascada.





Idea: usar una cascada de filtros de bajo orden,
en vez de uno de orden alto.
Desventaja: No converge a la solucion optima
de Wiener.
Introduccion
MSE final:


Expresiones de los coeficientes para el caso
de una cascada de dos etapas de un
coeficiente:








*
1 1
2
* 2 *
2 2 2

(1)

(0)
x
x
f f
r
f f f
r
|
=
| |
= =
|
\ .
2
1 1 1
(1)
(0)
k
k k k k
k
r
J r J J
J
+
= = s
Introduccion
Ejemplo sencillo: Proceso AR(2)
Polos de la forma
2
2
2
1 2 cos( )
1 2 cos( )
2 cos( )
1
u

| u

+ +
=
+
=
+
1,2
j
p e
u


=
Introduccion
Simulaciones para el caso =0.95 y =/20:
Introduccion
Temario
Filtros Lattice
Filtros Lattice FIR.
Filtros Lattice LMS (GAL).
Estructura en Cascada de Filtros para Prediccion Lineal
Adaptiva
Introduccion
Estructura en Cascada Aplicada a Problemas de Prediccion
Lineal.
Algoritmos de Actualizacion y
Complejidad Computacional.
Simulaciones
Prediccion Lineal de Voz
Conclusiones
Referencias

Algoritmos de Actualizacion y
Complejidad Computacional
Algoritmos de actualizacion a usar en
las simulaciones:
LMS, LMS Lattice, RLS y LMS en cascada
de dos coeficientes con paso de
adaptacion constante para todas las
etapas.
Algoritmos de Actualizacion y
Complejidad Computacional
Complejidad computacional:
LMS: 2N+1 multiplicaciones.
LMS Cascada: 5N/2 multiplicaciones.
LMS Lattice: 5N multiplicaciones.

Conclusion: el costo computacional de la cascada es
ligeramente mayor a la del LMS, y menor que la del
LMS Lattice.
Temario
Filtros Lattice
Filtros Lattice FIR.
Filtros Lattice LMS (GAL).
Estructura en Cascada de Filtros para Prediccion
Lineal Adaptiva
Introduccion
Estructura en Cascada Aplicada a Problemas de
Prediccion Lineal.
Algoritmos de Actualizacion y complejidad Computacional.
Simulaciones
Prediccion Lineal de Voz
Conclusiones
Referencias

Simulaciones
Simulaciones
Simulaciones
Temario
Filtros Lattice
Filtros Lattice FIR.
Filtros Lattice LMS (GAL).
Estructura en Cascada de Filtros para Prediccion Lineal
Adaptiva
Introduccion
Estructura en Cascada Aplicada a Problemas de Prediccion
Lineal.
Algoritmos de Actualizacion y complejidad Computacional.
Simulaciones
Prediccion Lineal de Voz
Conclusiones
Referencias

Prediccion Lineal de Voz
Prediccion Lineal de Voz
Ventajas de la cascada frente a otras
estructuras:
Para predictores basados en LMS:
La cascada es ligeramente mas costosa
computacionalmente que el LMS standard.
Menos susceptible a los problemas del algoritmo
standard, con una performance similar.
Para predictores RLS:
Performance similar al RLS standard.
Mejora problemas numericos del RLS para ordenes
grandes del predictor (calculo de la inversa de R).
Temario
Filtros Lattice
Filtros Lattice FIR.
Filtros Lattice LMS (GAL).
Estructura en Cascada de Filtros para Prediccion Lineal
Adaptiva
Introduccion
Estructura en Cascada Aplicada a Problemas de Prediccion
Lineal.
Algoritmos de Actualizacion y complejidad Computacional.
Simulaciones
Prediccion Lineal de Voz
Conclusiones
Referencias

Conclusiones
Converge rapidamente a una buena
aproximacion, superando a estructuras
computacionales mas costosas.
Soluciona algunos de los problemas de los
algoritmos tradicionales.
Presenta problemas ante determinadas clases
de seales (ejemplo: seales cuya
autocorrelacion se anula para indices impares
por lo que las etapas impares convergen a
cero).
Temario
Filtros Lattice
Filtros Lattice FIR.
Filtros Lattice LMS (GAL).
Estructura en Cascada de Filtros para Prediccion Lineal
Adaptiva
Introduccion
Estructura en Cascada Aplicada a Problemas de Prediccion
Lineal.
Algoritmos de Actualizacion y complejidad Computacional.
Simulaciones
Prediccion Lineal de Voz
Conclusiones
Referencias

Referencias
[1] M. Hayes, Statistical Digital Signal
Processing and Modeling, John Wiley & Sons
Inc., 1996.
[2] S. Haykin, Adaptive Filter Theory,
Prentice Hall, 1995.
[3] P. Prandoni y M. Vetterli, An FIR Cascade
Structure for Adaptive Linear Prediction,
1996.



Muchas Gracias

Vous aimerez peut-être aussi