Documente Academic
Documente Profesional
Documente Cultură
radar si in alte sisteme unde informatia disponibila despre semnalul de intrare este minima.
Din cauza varietatii mari de metode de implementare ale filtrelor adaptive, multe aspecte
ale proiectarii filtrelor adaptive ca si dezvoltarea unor algoritmi adaptivi, sunt guvernate de
aplicatiile in sine.
Au fost dezvoltati mai multi algoritmi eficienti de calcul ai filtrelor adaptive in ultimii
douazeci de ani. Acestia sunt bazati ori pe o apropiere statistica cum este algoritmul LMS (least
mean-square), ori pe o apropiere determinista, cum este algoritmul RLS (recursive least-squares).
Avantajul major al algoritmului LMS consta in simplitatea calculelor. Pe de alta parte, algoritmul
RLS ofera o convergenta mult mai rapida cu costul unui grad mult mai ridicat de complexitate al
calculelor.
Aplicatii ale filtrelor adaptive
Cateva aplicatii ale filtrelor adaptive bazate pe structuri de filtre FIR sunt prezentate in
continuare.
Identificarea sistemului
Se pot proiecta metode de control pentru un sistem dinamic daca exista un model care
descrie sistemul in miscare. Modelarea nu este usoara, fiind necesare luarea in considerare de
fenomene fizice foarte complexe. Se pot strange informatii despre sistemul ce urmeaza a fi
controlat colectand date experimentale provenite de la raspunsurile sistemului la excitatii
cunoscute. Acest proces de construire a unor modele si de estimare a valorilor cele mai bune de
parametri necunoscuti ai sistemului provenite din date experimentale se numeste identificarea
sistemului.
Figura 1 prezinta o diagrama bloc a unui model de identificare a sistemului. Sistemul
necunoscut este modelat de un filtru FIR cu coeficienti ajustabili. Atat sistemul necunoscut, variant
in timp, cat si filtrul FIR sunt excitati de o secventa de intrare u(n). Iesirea filtrului FIR adaptiv
y(n) este comparata cu iesirea sistemului necunoscut d(n) pentru a produce eroarea de estimare
e(n). Eroarea de estimare reprezinta diferenta intre iesirea sistemului necunoscut si iesirea
modelului estimat. Aceasta eroare de estimare e(n) este folosita apoi ca intrare pentru un algoritm
adaptiv de control care corecteaza coeficientii individuali ai filtrului. Acest proces este repetat prin
mai mult iteratii pana cand eroarea de estimare e(n) devine suficient de mica intr-un sens statistic.
Raspunsul rezultat al filtrului FIR reprezinta acum chiar raspunsul sistemului necunoscut anterior.
receptionat d(n). Semnalul de eroare ce rezulta poate fi minimizat, prin metoda celor mai mici
patrate, pentru a ajusta optim coefientii compensatorului de ecou.
Codarea liniara predictiva a semnalelor vocale
Aceasta metoda, cunoscuta sub numele de LPC (linear predictive coding), este un exemplu
de algoritm utilizat pentru
dependente de model: ele folosesc cunostinte despre felul in care au fost generate de catre sursa a
semnalelor vocale. Codoarele sursa pentru voce sunt in general numite vocoders si pot functiona la
debite de 4.8Kbits/s sau mai jos. In LPC, tractul vocal sursa este modelat ca filtru numai cu poli ai
carui coeficienti sunt determinati adaptiv din esantioanele vorbirii prin mijloacele predictiei liniare.
Esantioanele vocale u(n) reprezinta in acest caz raspunsul dorit pe cand u(n-1) sunt intrarile
filtrului FIR cunoscut drept filtru de predictie a erorii. Semnalul de eroare dintre u(n) si iesirea
filtrului FIR, y(n), este apoi minimizat cu metoda patratelor minime pentru a estima parametrii
modelului. Semnalul de eroare si parametrii modelului sunt codati intr-o secventa binara si
transmisi catre destinatie. In partea de receptie, semnalul vocal este sintetizat din parametrii
modelului si din semnalul de eroare.
Sisteme de antene
Sistemele de antene adaptive folosesc tehnici de procesare care seamna foarte mult cu cele
de la filtrele adaptive. Ele folosesc separarea spatiala dintre elementele antenei pentru a obtine un
set paralel de esantioane ale semnalului, mai degraba decat versiunile intarziate in timp sau partial
procesate ale semnalului de intrare unidimensional.
2.2 Structuri ale filtrelor FIR
Un sistem FIR prezinta un raspuns in impulsuri de durata finita care este zero in afara unui
anume interval de timp. Astfel, un sistem FIR are o memorie finita de esantioane de lungime N. In
continuare sunt descrie trei tipuri de baza de structuri utilizate pentru realizarea filtrelor FIR
(transversal, simetric si lattice).
2.2.1 Structura transversala
In figura 2.2 este prezentata structura unui filtru FIR transversal cu N coeficienti (ajustabili
in timpul procesului de adaptare) cu valorile:
w0(n), w1(n), , wN-1(n).
i 0
wi(n) u(n-i)
y(n)=
i 0
wi(n)[u(n-i)+u(n-N+i)]
Structura lattice are caracateristici numerice de rotunjire bune care fac ca sensibilitatea
la erorile de rotunjire sa fie mai mica decat in cazul structurii transversale;
Diversele etape sunt decuplate una de cealalta astfel incat este relativ usor de crescut
ordinul de predictie daca este necesar;
Filtrul lattice (predictorul) poate fi interpretat ca propagarea unei unde intr-un mediu
stratificat. Acesta poate reprezenta un model de tub acustic asemanator tractului vocal
uman, care este deosebit de folositor in procesarea digitala a vorbirii.
Aceste avantaje vin in schimb contra costului de a creste numarul de multiplicari si adunari
necesare pentru realizarea unei anumite functii de transfer.
Urmatoarele ecuatii reprezinta dinamica etapei a m-a dintr-o structura lattice de ordinul M
asa cum reiese din figura 2.4:
fm(n)=fm-1(n)-Km(n)bm-1(n-1), 0<m<M
bm(n)=bm-1(n-1)-Km(n)fm-1(n), 0<m<M
unde fm(n) reprezinta eroarea de predictie inainte, bm(n) reprezinta eroarea de predictie inapoi,
Km(n) este coeficientul de reflexie, m este indexul etapelor si M este numarul de etape dispuse in
cascada in cadrul structurii lattice. Km(n) este un numar subunitar. Termenii fm(n) si bm(n) sunt
initializati astfel:
f0(n)=b0(n)=u(n)
unde u(n) este semnalul de intrare.
Analiza vorbirii este de obicei realizata folosind structura lattice si coeficientii de reflexie
Km(n). Deoarece domeniul valorilor coeficientilor Km(n) este semnificativ mai mic decat cel al
coeficientilor, w(n), ale unui filtru transversal, acesti coeficienti de reflexie necesita mai putini biti
petru a fi reprezentati. De unde, Km(n) vor fi transmisi pe canal mai usor.
2.3 Algoritmi pentru filtre adaptive
Printre principalele tipuri de algoritmi folositi la realizarea filtrelor adaptive se numara
algoritmul LMS (least-mean square) si algoritmul RLS (recursive least-squares). Algoritmii RLS
ofera o convergenta mult mai rapida decat LMS, dar necesita calcule cu o complexitate marita.
mu
x
uT (n)u(n)
unde x este pasul normalizat cu valori intre 0 si 2. Coeficientii iau valori dupa relatia:
w( n 1) w( n)
xe( n)u ( n)
r uT ( n)u ( n)
Termenul x este noua constanta de adaptare normalizata, in timp ce r este un termen mic pozitiv
inclus in relatie pentru a se asigura ca noile valori nu sunt excesiv de mari cand uT(n)u(n) devin
temporar foarte mici.
O problema poate aparea cand matricea de autocorelatie asociata cu procesul de intrare are
una sau mai multe valori proprii zero. In acest caz, filtrul adaptiv nu va converge spre o solutie
unica. In plus, unii coeficienti pot creste fara limite. Aceasta problema se poate remedia prin
metoda leaky LMS care poate fi reprezentata astfel:
w(n+1)=(1-r)w(n)+e(n)u(n)
unde constanta de adaptare si coeficientul de scurgere r au valori pozitive mici.
2.3.2.4 Concluzii
Algoritmul LMS are ca principal avantaj simplitatea calculelor, dar cu pretul
unei rate de convergenta mai mica. Algoritmul LMS are un singur parametru
ajustabil care influenteaza rata de convergenta, si anume pasul , care de altfel are si
o raza restransa de valori pe care le poate lua, pentru a asigura stabilitatea. Pentru a
obtine rate mai rapide de convergenta trebuie folositi algoritmi mai complecsi cu
mai multi parametri. Algoritmul RLS foloseste metoda celor mai mici patrate (leastsquares) pentru a estima corelatia direct din semnalul de date de intrare.
Convergenta rapida a algoritmului RLS este obtinuta prin cresterea
complexitatii calculelor necesare pentru fiecare iteratie. Pentru algoritmul RLS
numarul de operatii pe iteratie este proportional cu N x N unde N este numarul de
intarzieri ale filtrului transversal adaptiv; complexitatea algoritmului LMS este de
BIBLIOGRAFIE