Filtros Adaptivos

Pgina1 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman INTRODUCCION El concepto de filtro adaptativo, sugiere el de un dispositivo que intenta modelizar la relacin
acin entre seales en tiempo real de forma iterativa. Se diferencia de los filtros digitales en que stos ltimos tienen coeficientes invariantes en el tiempo, mientras que un filtro adaptativo puede cambiar su forma de comportarse, es decir, pueden cambiar sus coeficientes de acuerdo con un algoritmo adaptivo. De hecho, no se conocen los coeficientes del filtro cuando se disea, debido a que estos coeficientes son calculados cuando el filtro se implementa y se reajustan automticamente en cada iteracin mientras durasufasedeaprendizaje. El hecho de que estos filtros no sean invariantes temporales y que tampoco sean lineales, hace que su estudio sea ms complejo que el de un filtro digital, ya que no se pueden aplicar, salvo en un par de excepciones,lastransformacionesenfrecuencia,dominioZ,etc. El presente texto trata en forma introductoria el tema de filtros adaptivos. En principio se realiza una breve introduccin sobre procesos aleatorios a tiempo continuo y estimacin de parmetros. Seguidamente se define al filtro de Wiener, como mtodo para la estimacin estadstica de la respuesta alimpulso unitariode unsistema.Porultimoseabordael tema defiltrosadaptivos,haciendoreferencia alosalgoritmosadaptivosdemximapendiente,elalgoritmoLMS,elalgoritmoRLSyfiltrodeKalman. PROCESOSALEATORIOSATIEMPOCONTINUO Cada vez que se realiza la observacin o el sensado de algn evento temporal, se obtendrn seales elctricas distintas cada vez que se quiera, debido a la naturaleza o caractersticas aleatorias implcitas queestaspresentan.EnelesquemadelaFigura1,semuestraelmodelotpicodeunsistemaquepuede ser lineal e invariante en el tiempo y de las diferentes seales temporales que interactan. Por tratarse de seales aleatorias, estas son parte de las realizaciones de procesos aleatorios vinculados al sistema. De esta manera se cuenta con un proceso aleatorio de entrada al sistema {X}, que da lugar al proceso aleatorio de salida del sistema {Y}. Las realizaciones del proceso {Y}, estarn distorsionadas por las realizaciones (seal ruido) del proceso {N}, dando como resultado las realizaciones del proceso aleatorio {Z}.
FCEFyN UniversidadNacionaldeCordoba
ProcesamientoDigitaldeSealesFCEFyNUNCFILTROSADAPTIVOSLMSRMSFiltroKalman
Pgina2 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

Ruido
Entrada
SISTEMA
x(t)
H(f)
y(t)
Salida
z(t)=y(t)+n(t)
Figura1:Esquemadelsistemadeanlisis,dondelaentradadelsistemacorrespondealasrealizacioneso sealeselctricasdeltransductoremisordelproceso{X},lasalidacorrespondealasrealizacioneso sealeselctricasdeltransductorreceptordelproceso{Z}yH(f)lafuncindetransferenciadelsistema. Al representar todas las realizaciones de un proceso, tal como indica la Figura 2, se observa a un conjunto de infinitas funciones del tiempo. Estas funciones estn asignadas a un evento o punto muestraldeunsucesooexperimentoaleatorio,deallsudesignacincomofuncionesmuestrales.Silas mismas se estudian de manera separada, esto es, considerar solo un evento en particular , se estara ante la presencia de una onda de potencia finita, pudindose caracterizar a travs del valor medio de la seal m( ) , del producto escalar de la funcin con su versin desplazada en diversos tiempos (lags) o funcin de autocorrelacion Rxx ( , ) y con la potencia de la seal como autocorrelacion en el origen
Px ( ) ,respectivamente:
m( ) = lim
1 x(t , )dt T T T 1 * x (t , ) x(t + , )dt (1) T T T
Rxx ( , ) = lim
Px ( ) = Rxx (0, )
Al producto escalar de la funcin o funcin de autocorrelacion se lo entiende como una medida del grado de similitud de la seal con su versin desplazada en el tiempo de . El desplazamiento en el tiempoesarbitrarioyelsignificadodelafuncinautocorrelacin,esdarinformacindelavariacinen el tiempo de la seal en un sentido promediado (Hsu, 1997; Papoulis and Pillai, 2002; Manolakis, et al., 2005).

x(,t) Amplitudes . . . . . .
Realizaciones: N-1
N+1
N+2
t (tiempo) . . . . . .
Figura2:Procesoaleatoriorepresentadoporsusrealizaciones(ensamble),resultadodedistintos experimentos.Cadaunadelasrealizacionesllevaasociadaunaformadeondaeneltiempo. Cuando se considera del proceso aleatorio los distintos valores que toma cada evento para un tiempo fijo, se estar ante la presencia de una variable aleatoria (VA) caracterizada por su correspondiente funcin densidad de probabilidad o PDF (por sus siglas en ingles de Probability Density Function), f(x,t), lo que permite determinar a lo parmetros estadsticos o momentos de orden n de la VA. En algunos casos conociendo estos parmetros estadsticos, se puede llegar a caracterizar la VA como por ejemplo lasdedistribucinGaussiana(Hsu,1997;PapoulisandPillai,2002).Perolacaracterizacindelprocesoes todava escasa, ya que hasta ahora no se tiene una caracterizacin en donde se contemple la evolucin conjunta tanto del tiempo como en cada uno de los eventos. Para ello es necesario disponer de una funcindensidaddeprobabilidad,teniendoencuentaqueunprocesoaleatorioestarcaracterizadocon las PDF de las variables aleatorias que lo componen, por lo tanto, dado un conjunto de variables aleatorias obtenidas para instantes de tiempo t1, t2, .,tn fijos; su caracterizacin probabilstica puede representarseporunacoleccindePDFconjuntas:
f ( x1 , t1 ) f ( x1 , t1 ; x 2 , t 2 ) f ( x1, t1 ; x 2 , t 2 ;
en donde la funcin PDF conjunta es la probabilidad de que el proceso tome valores en el intervalo (x1, x1+dx1) en el tiempo t1, en (x2, x2+dx2) en el tiempo t2, ,en (xn,xn+dxn) para en tiempo tn. Como en el ProcesamientoDigitaldeSealesFCEFyNUNCFILTROSADAPTIVOSLMSRMSFiltroKalman (2)
; xn , t n )
Pgina4 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman caso de una VA, conociendo del proceso la PDF conjunta, es posible determinar sus parmetros estadsticoscomoporejemplolafuncinmediaylosmomentosdeordenn,lafuncinautocorrelaciny lafuncincovarianza,respectivamente:
(t ) = E{x(t )} = x. f ( x, t )dx
mn (t ) = E x (t ) =
n
} x . f ( x, t )dx
n
(3)
* 1 2 1, 1 2 1 2
RX (t , ) = E x* (t ) x(t + ) =
} x x . f ( x t ; x , t + )dx dx

K X (t , ) = E{[x(t ) (t )][x(t + ) (t + )]} = RX (t , ) (t ) (t + )

endondeE{},representa elvaloresperado.Delmomentodeorden2(n=2)se obtienelafuncinerror mediocuadrticoydelafuncindecovarianza,sit=obtenemoslafuncindevarianza. EstacionariedadyErgodicidad Existen algunos fenmenos que dan lugar a procesos aleatorios, cuyas propiedades o parmetros estadsticos se mantienen constantes en el tiempo, en ese caso, los procesos aleatorios son estacionarios. En este tipo de procesos, cuanto ms abarque la independencia del tiempo sobre los parmetros estadsticos, mas estricto es el criterio de estacionariedad. De esta forma, se dice que un procesoesestacionarioensentidoampliodesegundoorden,sisufuncinmediaesindependientedel tiempo y su funcin de autocorrelacin depende solo del incremento temporal . Adems, si la PDF conjunta de segundo orden, es independiente de las traslaciones en el tiempo, se dice que el proceso aleatorio es estacionario en sentido estricto de segundo orden (Hsu, 1997; Papoulis and Pillai, 2002), porlotantoseverificalosiguiente:
(t ) = E{x(t )} =
R X (t , ) = E x (t ) x(t + ) = R X ( ) t
*
cte. t
(4)
f ( x1 , t ; x 2 , t + ) = f ( x1 ; x 2 , )
Pgina5 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Se entiende como la densidad espectral del proceso, a la potencia de todas las realizaciones, en promedio, respecto de un ancho de banda infinitesimal alrededor de cada frecuencia (Hsu, 1997). En el casodeunprocesoestacionario,severificaquesureaeslapotenciadelprocesooautocorrelacionen igual a cero. Cuando el proceso es estacionario la densidad espectral de potencia ser igual a la transformadadeFourierdelaautocorrelacin,estoes:
S X ( ) =
( ).e j d (5)
Por lo que la funcin de auto correlacin, se puede obtener a travs de la transformada inversa de Fourierdeladensidadespectraldepotencia:
RX ( ) =
1 2
.e j d (6)
Estas relaciones son posibles ya que se consideran a los procesos estacionarios como continuos, diferenciales e integrables en sentido medio cuadrtico; a travs del Teorema de WienerKhinchin (PapoulisandPillai,2002). Para casos en que es necesario conocer la dependencia estadstica entre dos procesos {X} e {Y}, o el gradodeparecidodelosmismos,selohaceatravsdelafuncincorrelacincruzada:
R XY (t , ) = E x * (t ). y (t + ) (7)
En el caso de que ambos procesos seanestacionarios, la funcin correlacin cruzada ser independiente del tiempo y tendr las mismas consideraciones que la funcin autocorrelacin, respecto de la continuidad, diferenciacin e integracin. En este caso su transformada de Fourier ser la densidad espectraldepotenciacruzada:
S XY =
XY
( ).e j d (8)
Al igual que en la funcin de autocorrelacin, aplicando la transformada inversa de Fourier de la densidadespectraldepotenciacruzadaseobtienelafuncindecorrelacincruzada. A menudo cuando se trata de procesos estacionarios, los promedios en el ensamble pueden ser reemplazados con xito por los promedios temporales de una muestra. A tales procesos se los llama ergdicos. Esta concepcin artificial de los procesos estacionarios obedece a una limitacin que se presentaenlaprcticacuandonosedisponedemsdeunarealizacindelprocesoodelaPDFconjunta, encuyocaso apartirdeunarealizacin,sepretende entenderodeterminarlosparmetrosestadsticos de un proceso aleatorio estacionario. En ese caso, se prueba que un proceso aleatorio estacionario de segundoordenergdicopresentalassiguientesigualdades:
= E{x(t )} = m = lim
1 x(t )dt T T T
1 RX ( ) = E x (t ) x(t + ) = Rxx ( ) = lim x* (t ) x(t + )dt T T T

*
(9)
ProcesosAleatoriosySistemasLineales Cuando las realizaciones de un proceso {X}, se aplican a un sistema como el de la Figura 1, con caractersticas de linealidad e invarianza en el tiempo, se obtiene a su salida otro proceso aleatorio denominado {Y}, cuyas realizaciones estn relacionadas mediante la respuesta impulsional del sistema h(t) a travs de la integral de convolucin de la ecuacin (10). En el caso de procesos estacionarios los parmetros estadsticos de los procesos estn relacionados a travs de la misma propiedad, por lo que lafuncinmediadelprocesodesalidadelsistemaestardadapor(11).
y (t ) = h( ).x(t )d (10)
E{y (t )} =
h( ).E{x(t )}d = E{x}. h( )d = x .H (0) = y (11)
Pgina7 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman En la expresin (11) el termino H (0) , corresponde a la respuesta en frecuencia H ( ) a frecuencia cero. El parecido estadstico o correlacin del proceso de salida con el proceso de entrada, ser dado por la siguienteexpresin:
RXY ( ) =
h( ).R
( ) d = RX ( ) * h( ) (12)
Laexpresindeladensidadespectraldepotenciapuedeobtenersedelasiguientemanera:
S XY = H ( ).S X ( ) (13)
De la misma forma, puede obtenerse la correlacin cruzada entre los procesos {Y} y {X}, junto a la autocorrelaciondelprocesodesalidadelasiguientemanera:
RYX ( ) = h* ( ) * R( ) = RXY ( )
* SYX ( ) = H * ( ).S X ( ) = S XY ( )
(14)
Respecto del proceso de salida {Y}, la funcin de autocorrelacion del proceso ser funcin de la autocorrelacin del proceso de entrada. Trasladando esta relacin, a sus respectivas densidades espectralesdepotencia,setiene:
RY ( ) = h( ) * h* ( ) * RX ( ) SY ( ) = H ( ) S X ( ); S X ( )
2
(15)
Cuando las realizaciones del proceso de salida, se ven distorsionadas por una seal ruido como en la situacin que se grafica en la Figura 1, las relaciones entre la entrada del sistema y la nueva salida que estetiene,vanaserafectadasporlasealruido.Siestasealesindependientedelasealdeentrada,lo
Pgina8 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman importanteadeterminareselgradodeafectacindelasrealizacionesdelprocesodesalida,entrminos delasdensidadesespectralesdelosprocesos.Lamaneradehacerlo,esobservandoaquelloscontenidos de frecuencia que se generan a la salida del sistema y que no son producto de la relacin entre la entrada y la salida en el sistema lineal. Esta idea es la que sugiere la definicin de coherencia espectral (Manolakisetal.,2005),dondesumoduloseexpresadelasiguientemanera:
( ) =
S XY ( ).S YX ( ) (16) S X ( ) S Y ( )
En el caso que la salida no se encuentre distorsionada, para cualquier H ( ) lineal, la coherencia espectral es la unidad en todo el margen de frecuencia. Por otro lado, ante la presencia de ruido blanco no correlado con la entrada, la densidad espectral de potencia cruzada entre el ruido y la entrada
S NX ( ) , la densidad espectral de potencia del ruido S N ( ) y la densidad espectral de potencia de la

salida S Y ( ) ,sernresueltosdelasiguientemanera:
S NX ( ) = 0 S N ( ) = F{R N ( )} = F{N 0 . ( )} = N 0 (17) S Y ( ) = S X ( ). H ( ) + S N ( )

en donde R N ( ) es la funcin de autocorrelacin del ruido, igual a una delta de Dirac de peso N 0 . Sustituyendoentonceslasexpresionesde(17)enlaecuacin(16),seobtienelasiguienteexpresin:
2
( ) =
1+
1 S N ( ) H ( ) .S X ( )
2
= 1+
1 1 SNR ( )
SNR ( ) (18) SNR ( ) + 1
en donde SNR ( ) , se conoce como relacin sealruido del sistema en trminos de la frecuencia . Se puede observar en (18), como influye en el valor de la coherencia espectral la relacin SNR, haciendo que esta decaiga por debajo de la unidad cuando esta relacin es pequea. En otras palabras, decir que
Pgina9 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman el contenido en una banda de frecuencia de una seal es coherente con el de otra seal en la misma banda, implica que una de las dos se puede obtener de la otra mediante una transformacin lineal, es porelloqueenlaprcticasebuscaquelarelacinSNRsealomasgrandeposible. EstimacindeParmetrosyCalidaddeunEstimador El concepto de ergodicidad es til, cuando se pretende encontrar los parmetros estadsticos o caracterizar a un proceso estacionario con solo una realizacin del proceso. Pero la concepcin de ergodicidad es limitada ya que las seales son de duracin finita y las representaciones de los parmetros estadsticos a partir de los promedios temporales variarn entre las realizaciones o seales que se dispongan. Por otro lado, dado un proceso aleatorio como entrada de un sistema, puede ocurrir que el proceso no sea estacionario o que el sistema no sea lineal e invariante en el tiempo. Ante estas situaciones, utilizando una o pocas realizaciones del proceso aleatorio, solo se estar logrando la estimacindelosparmetrosestadsticosdeunprocesoaleatorio(Manolakisetal.,2005). Dado un proceso aleatorio {X}, la estimacin de un parmetro a partir de una realizacin x(t,) es equivalente entonces, a plantear cual es la probabilidad de que el valor correcto coincida con un valor dado de . De esta manera el parmetro a estimar es una VA que este relacionada con los datos observados, caracterizada por su PDF condicional f ( / x(t , )) . Por lo tanto, el parmetro ptimo ser aquel que maximiza la probabilidad condicional (Hsu, 1997; Papoulis and Pillai, 2002; Manolakis, et al., 2005):
MAP = arg max[ f ( / x(t, ))d ] = arg max[Pr( < < + d / x(t, ))] (19)
0 0
a esta expresin se la denomina mximo a posteriori o MAP (por sus siglas en ingles de Maximum a Posteriori ). Este es un criterio ptimo para la estimacin del parmetro , pero acarrea la dificultad de necesitar de una funcin PDF condicional que muchas veces no se conoce o es difcil en determinar. Utilizando el teorema de Bayes para representar dicha probabilidad, se obtiene la expresin (20), en donde el denominador de esta expresin no participa del proceso de maximizacin de la probabilidad porloquepuededescartarse.
f ( / x(t, )) =
f ( x(t, ) / ). f ( ) f ( x(t, ) / ). f ( ) (20) f ( x(t, ))
Pgina10 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman El criterio MAP queda resuelto entonces, por la maximizacin de la PDF condicional de los datos condicionada al parmetro , multiplicad por la PDF del parmetro . La PDF condicional de los datos condicionada al parmetro , se la conoce como verosimilitud (likelihood) y la PDF del parmetro , comounainformacinaprioridelparmetro,respectodelconocimientodesuPDF.CuandolaPDFdel parmetro es uniforme o se tiene el mximo desconocimiento o la mnima informacin de su distribucin, el criterio MAP se logra maximizando la verosimilitud o ML (por sus siglas en ingles de MaximumLikelihood),talcomoseindicaenlasiguienteexpresin:
ML = arg max[ f ( x(t , ) / )] (21)

0
Este criterio es ms utilizado que el criterio MAP, ya que es menos compleja la determinacin de su PDF, sin embargo a diferencia del MAP, este criterio es subptimo debido a la poca fiabilidad que se tienedelconocimientodelaPDFdelparmetro. Otra manera de realizar la estimacin consiste en estimar el parmetro que menos se desva del valor correcto, en trminos del error medio cuadrtico. El criterio se conoce como MSE (por sus siglas en inglesdeMeanSquareError)dadoporlasiguienteexpresin:
MSE
= arg min E ( 0 ) / x(t , ) = arg min ( 0 ) 2 f ( / x(t , )d (22) 0 0
[{
}]
Sedemuestrade(22)queelcriterioMSEeslafuncinmediacondicionaldelparmetrocondicionadaa los datos, ya que esta funcin, es la que anula la derivada del error medio cuadrtico respecto del parmetrocorrecto,estoes:
E ( 0 ) 2 / x(t , ) = 0 . f ( / x(t , )d = 0 0
MSE = . f ( / x(t , )d
(23)
Pgina11 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Por lo tanto, cuando el valor de la media de la PDF condicional coincide con el valor mximo de su distribucin,elcriterioMSEcoincidirconelMAP,siendoenesecasouncriterioptimo.Existenmuchas funciones de distribucin de probabilidad, incluida la Gaussiana, donde su funcin media coincide con el valormximodesudistribucin. Existe una manera de evaluar la calidad de los estimadores (MAP, ML, MSE o la de cualquier otro) a partirdelassiguientespropiedadesdeausenciadesesgo,eficiencia,consistenciaysuficiencia(Papoulis andPillai,2002). Si al considerar el caso de que el parmetro a estimar existe y se tiene la seguridad de que vale , se
cuyovalormediode puedeinterpretarlatareadeestimarapartirdelasobservaciones,comounaVA las estimaciones realizadas sea igual al parmetro correcto. En el caso que esto no sea posible se dice queelestimadoressesgadooquetienesesgob,definidopor:
2 (24) b2 E
Cuandoladuracindelasrealizacionesaumentatendiendoainfinito,elsesgotiendeacero,enesecaso sedicequeelestimadoresasintticamenteinsesgadoysedefinedelasiguientemanera:
n
[ {} ]
= lim E n
{}
(25)
Pero la ausencia de sesgo no es condicin suficiente para definir un buen estimador, se busca que la VA
tenga una desviacin respecto de la media, pequea o mnima varianza, y esta caracterstica entre
estimadoresinsesgadosdircuaneficienteesunodelotro.Sielestimadoresasintticamenteinsesgado yademssuvarianzatiendeacero,sedicequeelestimadortienelapropiedaddeconsistencia,estoes:
0 E n
{}
E 2 0 2 E
{ })
(26)
Para cada estimador insesgado se obtendr entonces, una varianza mayor que cero, si las observaciones son de duracin finita. El ms eficiente de estos estimadores, tendr una varianza acotada por el lmite
Pgina12 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman de CramerRao, como se indica en (27). Si la varianza del estimador insesgado, coincide con el lmite de CramerRao,sedicequetieneeficienciaabsolutaoqueelestimadortienelapropiedaddesuficiencia.
2 E log [ f ( x(t , ) / )] (27) 2 1
FILTROWIENER El filtro de Wiener es uno de los filtros lineales ptimos ms importantes, que permite determinar o estimar la respuesta o el comportamiento de un sistema, a la vez que mejora la apariencia de seales digitalesenloquerespectaalarelacinsealruidoSNR. Sedefineentoncesa x[n] unasealdiscretadeNelementos,cuyaexpresinvectorialesiguala:
x = [x(0), x(1),..., x(n),..., x( N 2), x( N 1)] (28)

T
De la misma manera, se define a h[n] como la respuesta impulsional de un filtro FIR a estimar, de Q
[n] lo ms parecida posible coeficientes de longitud, cuyas caractersticas den lugar a la seal discreta y
a una seal discreta de referencia denominada d [n] de N+Q1 muestras de longitud. El parecido entre las seales, se lo evala en trminos del mnimo error medio cuadrtico o MSE (Hsu, 1997; Papoulis and Pillai,2002;Manolakis,etal.,2005),comoseindicaen(29).EnlaFigura3seresumetalsituacin. = E [ n]
} = E { d[n] y[n] } (29)

2
Entrada x[n]
FILTROWIENER * h [n]
Salida [n]
[n]
Referencia d[n]
Pgina13 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Figura3:EsquemadelfiltrodeWiener,conindicacindedatos,salida,referenciayelerror. La seal de salida del sistema puede encontrarse a travs de la convolucin de la seal de entrada x[n] con la respuesta impulsional conjugada h * [n] del sistema a estimar, cuya representacin matricial es la siguiente:
x[n] x[n 1] (30) [n] = h * [n] x[ n] = h H . X n = h H . y x[n Q + 1]

el superndice H del vector de respuesta impulsional indica que el vector es transpuesto conjugado, el vector X n esta conformado por los desplazamientos (hasta Q) de la seal x[n] (runtime vector), obteniendodeestamaneraunvectordesalidadeN+Q1elementos. Al desarrollar el valor esperado de (29), teniendo en cuanta la ecuacin (30), se obtiene la expresin del erroraminimizar:
= E d [ n]
}+ h
.R.h h .P P .h (31)
H H
siendo R = E X n . X n la matriz de correlacin de la seal de entrada x[n] con los Q primeros valores
H
de la funcin de autocorrelacin, matriz del tipo Toeplitz de QxQ elementos dado por (32);
P = E { X n .d * [ n]} es el vector de Q elementos, cuyas entradas corresponden a los valores de la

H
correlacin cruzada entre la seal de entrada x[n] y la seal de referencia z[n] hasta el orden Q. Derivando la expresin del error respecto del vector h e igualando a cero, se obtiene el vector ptimo para la respuesta impulsiva del sistema o filtro Wiener, cuya expresin esta dada por (33). La seal de [n] deestesistemaserentoncesladeecuacin(34). salida y ProcesamientoDigitaldeSealesFCEFyNUNCFILTROSADAPTIVOSLMSRMSFiltroKalman

R = E X n .X n
r (1) r (0) r (1) r (0) = r (Q + 1) r (Q + 2)
r (Q 1) r (Q 2) (32) r (0)
h opt = R .P
filtro Wiener (33)
H H 1 [n] = h opt y . X n = P R . X n (34)
El error mnimo MSE que se obtiene a partir del vector ptimo de la respuesta impulsiva se obtiene de reemplazar(33)en(31),obteniendo:
min = E d [ n]
} P
.R .P = E d [ n]
}h
H opt
.R.h opt (35)
Por lo expuesto, si minimizar el error es minimizar la norma del vector [n] , utilizando la definicin de producto escalar, el error ser ortogonal al plano de los datos de la seal de entrada, por lo que el principio de ortogonalidad es el que se expresa en (36). Por lo tanto, cuanto menos se parezca la seal de entrada del error o dicho de otra manera no correladas, los coeficientes de la respuesta impulsiva estarnmscercadelvalorptimo.
X n E { *[n]x[n q]} = 0 con
q = 0,
, Q 1 (36)
Para analizar la forma de trabajar del filtro de Wiener en el dominio de la frecuencia, es necesario extenderlasecuacionesdediseoparaunfiltroderespuestaimpulsionalinfinitaofiltroIIR,enlugardel caso del filtro FIR causal. Considerando entonces para el diseo, la correlacin de la seal de referencia coneldelasealdeentradaalfiltrode Q coeficientes,setiene:

RZX (l ) = h(q).RX (l q) (37)

q =0
Q 1
Si en la expresin (37) los lmites de la sumatoria van desde a , el comportamiento del filtro Wienerpuederepresentarseeneldominiodelafrecuencia,delasiguientemanera:
H ( ) S X ( ) = S XZ ( )
H * ( ) S X ( ) = S ZX ( ) (38)
siendo H ( ) la respuesta en frecuencia del filtro Wiener. Ya que se trata de un sistema discreto se debera escribir H ( z ) exp( jT ) , con H ( z ) como la transformada Z de los coeficientes del filtro y con T comoelperiododemuestreo.AplicandoelteoremadeParsevalalaexpresin(35),sepuedeobtenerla expresindelmnimoerrorMSEentrminosdelasdensidadesespectralesdepotenciacomo:
min = E d [ n]
1 = 2
h opt .P =
H
1 2
( ) H * ( ).S XZ ( ) .d =
S ( ).S ZX ( ) 1 S Z ( ) 1 XZ .d = S X ( ).S Z ( ) 2
(39)
Z
( ) 1 ( ) .d
2
Se observa en (39), la dependencia del mnimo error MSE con la coherencia e implcitamente con la relacin SNR, entre los datos de la seal de entrada y de la seal de referencia. De esta manera, la coherencia espectral permite anticipar cuan efectivo ser el filtro de Wiener, mostrando en que frecuenciasvaaexistirunmnimoerrorMSE(Manolakisetal.,2005). Por la limitada cantidad de realizaciones que se dispone por lo general de los procesos aleatorios implicados y por el desconocimiento de sus PDF conjuntas, la matriz de autocorrelacin de la seal de entrada x[n] , como el vector de correlacin cruzada entre la seal de entrada x[n] y la seal de referencia z[n] , con sus respectivas densidades espectrales, van a ser estimadas. Manolakis et al. (2005), demuestra que un buen estimador de la matriz de autocorrelacin y de la funcin de autocorrelacin, es el que se expresa en (40). Particularmente, el estimador de la funcin de autocorrelacin,selodenominaestimadorsesgadonormalizadodelaautocorrelacin. ProcesamientoDigitaldeSealesFCEFyNUNCFILTROSADAPTIVOSLMSRMSFiltroKalman

H = 1 .Toeplitz( X n . X n R ) N
( m) = 1 R X N
N m 1 n =0
x [n].x[n + m]
*
(40)
m = 0,, N 1
Mientrasqueparaladensidadespectraldepotenciadelaseal x[n] ,unestimadorbastanteutilizadoes eldelasiguienteexpresin:
1 S X (k ) = H S .R.S = N S S
H
x[n].e
n =0
N 1
2 j 2 kn / N
1 2 X (k ) N (41)
S = 1 e
H
j 2 / N
j 2 / N ( Q 1)
donde X (k ) ,eslatransformadadiscretadeFourieroDFT. FILTROSADAPTIVOS Debido a que en la naturaleza es posible registrar seales, con caractersticas de no estacionariedad, el filtrodeWienernoresultaapropiadoparasuutilizacin,yaqueestesolobrindalasolucinptimapara elcasodesistemasestacionarios. Considerando el supuesto de no estacionariedad, para el caso del filtro Wiener FIR de la expresin (33), la no estacionariedad implica el considerar los procesos aleatorios como no estacionarios y que los coeficientesdelfiltroqueminimizanelerrordelaexpresin(31)dependenden. Deestamaneraelconceptodelfiltroadaptativo(varianteeneltiempo)consisteenencontrarparacada instante de tiempo n de iteracin del algoritmo, un conjunto de coeficientes ptimos, a travs de considerarlasactualizacionesdelospesosdelfiltro:
h n +1 = h n + f (h n ) (42)
Pgina17 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman donde f (h n ) es un factor de correccin que se aplica a los coeficientes h n en el instante n para obtener el nuevo conjunto de coeficientes h n +1 en el instante n +1. Esta ecuacin de actualizacin es la basedelosalgoritmosadaptivosyeldiseodecadafiltroadaptivorequieredefinirelfactor f (h n ) .El algoritmo utilizado para aplicar la correccin del factor f (h n ) debe ser tal, que en un escenario estacionario, el conjunto de coeficientes del filtro h n converja a la solucin ptima de Wiener de la expresin (33). Mientras que para seales no estacionarias, el filtro debe ser capaz de adaptarse a los cambios estadsticos y alcanzar la solucin al evolucionar en el tiempo. En la Figura 4, se muestra el esquema general de los filtros adaptivos. En los prrafos siguientes se presenta una sntesis de los algoritmos tpicos de filtros adaptivos. Puede ampliar el tema de filtros adaptivos en Manolakis et al. (2005).
Referencia d[n] Entrada x[n] FILTROWIENER * h [n] [n] Salida
+
[n]
hn[n]
ALGORITMO ADAPTIVO
Figura4:Esquemageneraldelosfiltrosadaptivos,conindicacindedatos,salida,referenciayelerror. MtododeGradientedeMximaPendiente A partir de los coeficientes ptimos del filtro Wiener y del valor de mnimo error de la expresin (35), es posible contar con una expresin del error MSE para cualquier respuesta impulsional en funcin de la ptima:
(h n ) = min + (h n h opt ) H R (h n h opt ) (43)

siendonunnmeroqueexpresalasiteracionesenelprocesodeaprendizaje.
Pgina18 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Como puede observarse en la expresin (43), existe una dependencia cuadrtica del valor del error con los coeficientes y cuyo mnimo error se logra cuando se esta ante los coeficientes ptimos del filtro Wiener. La superficie lograda de esta expresin, tiene el aspecto de un paraboloide, cuyas curvas de nivelcorrespondenaelipses. En la Figura 5 puede observarse el mecanismo de aprendizaje a realizar, desde un estado h n a otro estadomejor h n +1 ,elcualconsisteentomarladireccincontrariaalgradientedelMSEytrasladarseuna determinadacantidadendichadireccin.Deloanterior,sededucelasiguienteregladeaprendizaje:
h n +1 = h n (h n ) = h n ( Rh n P ) (44)
en donde la cantidad corresponde al paso de adaptacin, el cual determina la velocidad de aprendizajequesedeseaimprimiralsistema.
(h n )
GRADIENTE DEL ERROR
min
hopt h n+1 hn
Figura5:CurvadelMSEenfuncindeloscoeficientes.Sucomportamientocuadrticoconllevaqueel gradientecambiadodesigno,encualquierposicin,marcaladireccinaseguirparaalcanzarelmnimo.
Pgina19 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Si bien la representacin de la Figura 5 es adecuada para la explicacin, una representacin en dos dimensiones revela que el mtodo del gradiente tan solo denota una direccin de menor error. Sin embargo, dependiendo de su posicin, no necesariamente esta direccin corresponde a la direccin del mnimo error (ver Figura 6). En dicha figura, las curvas de nivel representan las lneas de igual error mediocuadrtico.Sloenelcasodequeestaslneasdeigualerrorseancircunferencias,elgradienteen cualquierpuntoapuntarsiemprealmnimoerror.
hn (1)
hn (2)
min
Figura6:Curvasdeniveldelerrorparaelcasodeunfiltrodedoscoeficientes,endondeseobservan diversosvectoresdegradiente.Lasmagnitudesdelosvectoresgradientessonesinversamente proporcionalesalaseparacinentrelascurvasdenivel. Realizando un cambio de variables en la expresin (43) de manera de comprobar la relacin entre la formadelascurvasdenivelylamatrizdecorrelacin,setiene:
(h n ) = min + h n R h n (45)
Pgina20 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Este cambio de variables producir el centrado de las curvas de nivel en el valor ptimo h opt . De este modo, el gradiente del error de la expresin (43), en cualquier punto de la superficie, puede expresarse entrminosdelanuevavariablecomo:
(h n ) = R h n (46)
Enparticular,elgradienteenlospuntosextremosdelosejesdelascurvasdenivelesunvectorquepasa por el origen de coordenadas y por lo tanto es de la forma k h n , por lo que las direcciones de los ejes principales vienen dadas por los autovectores de la matriz R . Se demuestra entonces, la siguiente expresinentrelosautovaloresde R ylasuperficiedeerror:
( z n ) = min + h n E E
)h
= min + z z n = min + i z n (i ) (47)

H n 2 i =1
en donde E corresponde a la matriz de vectores propios y a la matriz diagonal de autovalores de la matriz R . De esta manera se logra una rotacin del sistema coordenado, quedando los ejes de las curvasdeerroralineadosconlasnuevascoordenadas z n = E (h n h opt ) (verFigura7).
H
La curvatura en este nuevo sistema coordenado, se obtiene de calcular la segunda derivada de la expresin del error de (47) respecto de z n (i ) , igual a 2i . Por lo que la direccin del eje de menor longitud del grafico de la Figura 7, estar asociada al vector propio de mayor autovalor, y viceversa. Manolakis et al. (2005) enuncia que la excentricidad de las curvas de nivel de la funcin de error depende de cuan distintos son los autovalores de la matriz de correlacin. Esta observacin esta ntimamenterelacionadaconlavelocidaddeconvergencia. Considerando la regla de aprendizaje de la expresin (44) y teniendo en cuenta el cambio de variable realizado para obtener el gradiente de la expresin (46), se deduce la regla de aprendizaje en torno a la variable h n :

h n +1 = h n R h n (48)
z n (1)
z n (2)
min
Figura7:CurvasdeerrordelasuperficiedelafiguraV.4,representadassobrelasnuevasvariables z n . Debidoaquelamatrizdevectorespropios E esortogonal,secumpleque:
E E = E E = I (49)
H H
siendo I la matriz identidad de de QxQ elementos. Por lo tanto de multiplicar en ambos miembros de laexpresin(48)porlamatriz E ,seobtienelaregladeaprendizajedesacopladaentornoalavariable
H
z n :
z n +1 = ( I ) z n
(50)
0 z n +1,0 1 0 z 0 1 1 n +1,1 = 0 z n +1,Q 1 0
z n ,0 z 0 n ,1 0 1 Q 1 z n ,Q 1 0
Pgina22 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Deestamaneralaadaptacindelisimocoeficienteomodoesiguala:

z n +1,i = (1 i ) z n,i (51)

siendolaseriegeomtricaderazn (1 i ) igual:
z n ,i = (1 i ) n z 0,i (52)
en donde z0,i corresponde a los isimos coeficientes iniciales del proceso de aprendizaje. Por lo, lo que lacondicindeconvergenciaesigual:
1 i < 1, i (53)
Esta condicin habra de verificarse para cada uno de los autovalores pero, dado que la matriz de autocorrelacin es definida positiva, sus autovalores son positivos y ordenados, en consecuencia si la condicin (53) verifica para el autovalor mximo se verificara para todos los dems. Conjuntamente, comoel pasodeadaptacinespositivo,parano cambiarladireccindel gradiente,sellegafcilmentea lacondicindeconvergencia:
0< <
max
(54)
es decir, el paso de adaptacin viene limitado por el doble de la inversa del autovalor mximo de la matrizdeautocorrelacin.
Pgina23 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman ElAlgoritmoLMS En el mtodo de mxima pendiente es necesario conocer los parmetros estadsticos de de segundo orden para el calculo del error MSE. En ese caso es necesario conocer la matriz de autocorrelacin
R = E X n . X n y el vector P = E { X n .d * [ n]} , que en la prctica son dificultosos de encontrar. El

H
algoritmo LMS (por sus siglas en ingles de Least Mean Square), realiza una estimacin instantnea de dichosparmetrosestadsticos,siendoigualesa:
R = X n .X n
P = X n .d *[n]
(55)
Porloqueapartirdedichaestimacin,seobtienelasiguienteregladedeaprendizaje:
*[n]) = h n + X n *[n] (56) h n +1 = h n Rh n P = h n + X n ( d *[n] y

Resulta evidente que una cualidad deseable de un algoritmo adaptivo es que converja a la solucin ptimaenelmenornmerodeiteracionesposible.Paramedirlatasadeconvergenciaolaconstantede tiempoasociada,esdeutilidadoptareltipodeconvergenciaatenerencuenta.Sedefinenentoncesdos tiposdeconvergenciaaconsiderarenelalgoritmoLMS:
lim E {h n } = h opt
n n
Convergencia en media
(57)
lim E { (n)} = () = cte Convergencia en MSE
En el caso de la convergencia media, el concepto surge de considerar a los coeficientes del filtro como una variable aleatoria cuya media es el filtro ptimo. Para el caso de la convergencia MSE, la media del errorMSEesunvalor () constante.Siestevaloresmayorque min ,quedademanifiestoelgradode desajustedelalgoritmo,elcualsedefinedelasiguientemanera:

D=
E { (n)} min
min
100% (58)
EnlaFigura8semuestralacurvadeaprendizajedel algoritmoadaptivo,endondeseilustraelconcepto de desajuste. Esta curva de aprendizaje no es otra cosa que la representacin grfica del error MSE en funcinden. Determinando la convergencia en media de los pesos del filtro en el algoritmo LMS a partir de la ecuacin(56),seobtiene:
E {h n +1} = E {h n } + E X n d *[n] X n h n
H
{ (
)}
(59)
= E {h n } + P RE {h n } = I R E {h n } + P
( n)
( ) min
n
Figura8:Curvadeaprendizajedelalgoritmoadaptivo Recordando elcambiode variables z n yladiagonalizacindelamatriz R seobtieneseobtiene laregla deaprendizajedesacoplada: E { z n +1} = I E { z n } (60)
Pgina25 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman As, el algoritmo LMS converge en media desde h 0 hasta h opt , si y slo si se cumple la condicin mostrada en la ecuacin (54). Sin embargo, este criterio de estabilidad no es aplicable en la prctica debido a la dificultad de calcular el valor max cuando el tamao del filtro es grande. De all que para aplicacionesprcticas,serealizaunaestimacindeestevalordelasiguienteforma:
max tr ( R) = i = Q RX (0) = QPX (61)

i =0
Q 1
donde tr ( R ) esla trazadelamatriz R ydonde PX = R X (0) = E x 2 [ n] denotalapotencia delaseal
x[n] .Porlotantoelparmetro quedaacotadodelsiguientemodo:
0< <
2 (62) QPX
El anlisis anterior slo asegura la convergencia en media de los coeficientes del filtro, sin embargo, asegurar la convergencia en media no garantiza la estabilidad en varianza. Por lo tanto, para que los coeficientestambinconverjanenvarianzahayqueexigirunacondicinmsrestrictivaparaelfactorde convergencia :
0< <

2 3max
(63)
quesetraduceentrminosdelapotenciadelasealdeentradaenlasiguientecondicin:
0< <
2 (64) 3QPX
Pgina26 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman En cuanto al desajuste del algoritmo LMS, el clculo se realiza basado en la descomposicin de la estimacin del gradiente en dos componentes: el gradiente real y un ruido de gradiente. Calculando la covarianzadeesteruidounavezqueloscoeficienteshanconvergido,sepruebalasiguienteexpresin:
D=
2
i =0 Q 1
Q 1
i 1 i = 0 2 i
(65)
Sisecumpleque i
1 setiene:
D
siademssecumpleque tr ( R )
tr ( R) (66) 2 tr ( R)
1 entonces:
tr ( R ) =
Q PX (67)
En resumen, el LMS es un algoritmo que no requiere a priori un conocimiento de la estadstica de las seales, requiere pocas operaciones por muestra, ofrece un buen compromiso entre prestaciones y simplicidad,essensiblealadispersindevalorespropiosdelamatrizdeautocorrelacinlocualdefinela velocidadde convergenciadelalgoritmoyesrobustoanteproblemasderuido,erroresdecuantificacin yempleodearitmticafinita. ElAlgoritmoRLS Una posibilidad que se aparta de los mtodos de gradiente es recurrir a la estimacin, muestra a muestra,delascomponentesdelarespuestaalimpulsooptimadelasolucindeWienerapartirdeuna solucin recursiva. Este es el objeto del algoritmo de mnimos cuadrados recursivo o RLS (por sus siglas
Pgina27 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman en ingles de Recursive Least Squares). Dichas estimaciones se realizan a travs del promedio de un numero M de muestras ms recientes del vector de datos X n (runtime vector) y de la seal referencia
d [n] .
[n] desde un punto de vista determinstico y no Planteando la minimizacin del error [n] = d [n] y
estocstico como el planteado en la expresin (29), se tiene el error cuadrtico o funcin de costo a minimizar:
H ( n) = n m [ m] = n m d [ m] h n .X m
2
m=0
m=0
= n m d [m] h n . X m + d [n] h n . X n (68)

H H m=0
n 1
= (n 1) + d [n] h n . X n
H
en donde [m] es el error instantneo y la constante , 0 < 1 , es el factor de olvido exponencial. De esta manera, los coeficientes del filtro que reducen el error cuadrtico se especifican a travs de las actualizacionesdelassiguientesecuaciones:
lim R n = lim R n 1 + X n X n = R
H n n n n
{
{
lim P n = lim P n 1 + X n d *[n] = P
(69)
Una vez realizada la actualizacin partir de la expresin (69), se obtiene el vector de coeficientes de la siguientemanera:
h n +1 = R n +1 P n +1 (70)
El procedimiento expuesto para actualizar los pesos del filtro adolece de dos problemas. El primero es quenosedispone,porelmomentodeunadependenciaexplcitaentreloscoeficientesenelinstante n y el instante n 1 . El segundo problema, es que el procedimiento, requiere de la inversin de la matriz
Pgina28 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman de autocorrelacin. La solucin a ambos problemas radica en la solucin del segundo de problema, a travs de la utilizacin del denominado lema de la inversa (Manolakis et al., 2005). Este mecanismo, permite escribir la ecuacin de recursin para la matriz de autocorrelacin de la expresin (69) en trminosdelamatrizinversa,delasiguientemanera:
R n +1 = 1 R n 1 R n X n +1 I + 1 X n +1 R n X n +1
H
)(
) (
1
X n +1 R n (71)
Rescribiendolaecuacin(70)apartirdelaecuacin(69),setiene:
h n +1 = R n +1 P n + X n +1d *[n + 1] (72)

expresin que da lugar, en conjunto con la ecuacin (71), a la actualizacin de los coeficientes del filtro enformarecursiva.Reagrupandolostrminos,seobtienelasiguienteexpresingeneraldeactualizacin deloscoeficientesdelfiltro:
h n +1 = h n + k n +1 *[n + 1] (73)
endonde k n +1 eselvectordegananciasycuyaexpresines:
k n +1 = 1 R n X n +1 I + 1 X n +1 R n X n +1
H
)(
(74)
Simplificandolaecuacin(71)atravsdeutilizarlaigualdaddelaecuacin(74),setiene:

R n +1 = 1 R n k n +1 X n +1 R n (75)
H
El algoritmo RLS es sin duda el mejor algoritmo adaptativo para la minimizacin del error, ya que sus prestacionesnodependendeladispersindeautovalorescomoenelcasodelosmtodosdegradiente. La convergencia es del orden de la longitud del filtro, es decir, para un filtro de Q coeficientes el algoritmo demanda Q iteraciones o vectores de datos para llegar a la convergencia. Por otro lado, el gradodedesajustequeseobtieneseminimizaconvaloresdelfactordeolvido cercanosalaunidad. FiltrodeKalman El objetivo de esta seccin es introducir a las nociones bsicas relacionadas con el filtrado de Kalman como uno de los algoritmos de filtros adaptivos. El filtro tiene su origen en el documento de Kalman (1960) donde describe una solucin recursiva para el problema del filtrado lineal de datos discretos. Otras introducciones al filtro de Kalman pueden ser halladas en Prasad and Mahalanabis (1980), Balakrishnan(1984),Schutz(1994),PapoulisandPillai(2002),Manolakisetal.(2005). La solucin es ptima por cuanto el filtro combina toda la informacin observada y el conocimiento previo acerca del comportamiento del sistema para producir una estimacin del estado de tal manera que el error es minimizado estadsticamente. El trmino recursivo significa que el filtro recalcula la solucincadavezqueunanuevaobservacinomedidaruidosaesincorporadaenelsistema. El filtro de Kalman es el principal algoritmo para estimar sistemas dinmicos representados en la forma de espacioestado. En esta representacin, el sistema es descrito por un conjunto de variables denominadas de estado. El estado contiene toda la informacin relativa al sistema a un cierto punto en el tiempo. Esta informacin debe permitir la inferencia del comportamiento pasado del sistema, presente o futuro, dependiendo si la problemtica a encarar por parte del filtro de Kalman es el alisado, elfiltradoolaprediccinrespectivamente. Planteando el concepto del filtro de Kalman a partir de la estimacin de la respuesta al impulso de un sistema h n ,elcualserepresentaatravsdelasiguienteecuacinlinealdeestado:
h n +1 = F n h n + v n (76)
Pgina30 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman conunaecuacindemedidauobservaciniguala:

d *[n] = H n h n + w n = X n h n + w n (77)
H H
La matriz cuadrada F n , relaciona a los estados en los periodos de tiempo discreto n y n + 1 , y que en este caso de estimacin corresponde a la matriz identidad (Prasad and Mahalanabis, 1980). La matriz rectangular H n , relaciona el vector de estado h n con el vector de medida u observaciones d n . Si se cuenta con los datos de entrada x[n] del sistema a estimar, la matriz H n = X n (runtime vector). Por
H H H *
otrolado,sisolosecuentaconlasealdereferenciaomedida d [n] ,lamatriz H n esiguala:

H H H n = D n 1 = d [n 1] d [n 2] H H
d H [ n Q ] (78)
siendo en ese caso un problema de prediccin lineal. Los procesos aleatorios correspondientes a los vectores v n y w n representan el ruido del estado y de la medida respectivamente. Estos ruidos son del tiporuidogaussianocumplindoselosiguiente:
{ } { } E {w d } = 0 ; E {w h } = 0 ; E { w } = 0 ; E {w w } = W
E h n v n = 0 ; E {v n } = 0 ; E v n v n = V n
H H n H n n H n n n H n
(79)
n
En definitiva, el modelo de filtro establece el vector d *[n] como seal disponible y a utilizar para conseguirlaestimacinmsprecisaposibledelvectordeestado. Partiendodelabasedequesedisponedeunaestimacindelvectordemedida,yaquesoloseconocela matriz H n ,setiene:
H
d *[n] = H n h n (80)
H
Pgina31 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Por lo que existir un error, el cual servir para mejorar la estimacin del vector de estado y que se definedelasiguientemanera:
H [ n] = d * [ n] d * [ n] = H n ( h n h n ) + wn = H nH h n + wn (81)
siendo h n = h n h n elerrordeestado.Teniendoencuentaqueelruidodemedidaestincorreladocon elvectordeestado,sepuedecalcularlamatrizdecovarianzadelvectorerrordemedidaenfuncindela matrizdecovarianzadelvectordeerrordeestadodelasiguientemanera:

H H = E { [n] H [n]} = H n E h n h n H n + W n = H n K n H n + W n (82) H n
donde K n esla matriz de covarianzadelvectordeerrorde estado. Estaecuacinrevela,queelerrorde medidavienedadopordostrminos:lapotenciadel ruidodemedidayelerrordeestadoatravsdesu matrizdecovarianza. Conocido el error de medida, se pretende encontrar la manera de utilizar este error para mejorar la estimacin del estado. Lo inmediato sugiere que la nueva estimacin del vector de estado se modifique de acuerdo al error de medida. Por lo que se establecen las siguientes ecuaciones de adaptacin en trminosdelestadoestimadoydelerrordeestadorespectivamente:
h n +1 = F n h n + k n [n] h n +1 = F n h n + v n k n [n]
(83)
donde k n es la matriz de ganancia, la cual se determina a partir de considerar la ortogonalidad entre el errordeestadoaestimaryelerrordemedida,estoes:

E h n +1 H [n] = 0 (84)
resolviendoesteprincipioenlaecuacin(83),seobtiene:
0 = F n E h n H [n] k n = F n K n H n k n (85)
n n
teniendo en cuenta, las caractersticas de independencia del ruido de medida y despejando la matriz de gananciadelaexpresin(85),seobtiene:
k n = F n K n H n (86)
n
En este momento, disponiendo de una estimacin del vector de estado y de su matriz de covarianza, al disponer del error de medida, se calcula la matriz de ganancia y se actualiza la estimacin del vector de estado.Paracompletarlaiteracinesnecesariodejardisponiblelaestimacindelamatrizdecovarianza del nuevo estado. Esta ecuacin, que permite actualizar tambin la matriz de covarianza del error de estado, se obtiene de la ecuacin (83), teniendo presente la expresin ya obtenida para la matriz de ganancia:
K n +1 = F n K n F n k n k n + V n (87)
H H n
En resumen, las ecuaciones que se utilizan para derivar el filtro de Kalman se pueden dividir en dos grupos:lasqueactualizaneltiempooecuacionesdeprediccinylasqueactualizanlosdatosobservados o ecuaciones de actualizacin. Las del primer grupo son responsables de la proyeccin del estado al momento n + 1 tomando como referencia el estado en el momento n y de la actualizacin intermedia de la matriz de covarianza del estado. El segundo grupo de ecuaciones son responsables de la retroalimentacin, es decir, incorporan nueva informacin dentro de la estimacin anterior con lo cual sellegaaunaestimacinmejoradadelestado.
Pgina33 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Las ecuaciones que actualizan el tiempo pueden tambin ser pensadas como ecuaciones de pronstico, mientras que las ecuaciones que incorporan nueva informacin pueden considerarse como ecuaciones de correccin. Efectivamente, el algoritmo de estimacin final puede definirse como un algoritmo de pronsticocorreccinpararesolvernumerososproblemas.AselfiltrodeKalmanfuncionapormediode unmecanismodeproyeccinycorreccinalpronosticarelnuevoestadoysuincertidumbreycorregirla proyeccinconlanuevamedida.EsteciclosemuestraenlaFigura9.
Actualizacintiempo(pronostico) 1) Pronosticodelestado Actualizacinobservacin(correccin) 1) Calculodelvectordegananciasde kalman 1 k = F K H
n n n n n
h n+1 = F n h n + k n [n] h n +1 = F n h n + v n k n [n]
2)
Pronosticodelacovarianzadel vectordemedida H = H K H +W
n n n n n
2)
Actualizalaestimacincon medida
H h n+1 = F n h n + k n d *[n] H n h n
3) Datosiniciales
d * [ n ] , h n , K n
K n +1
Actualizamatrizdecovarianzadel vectordemedida H H = F K F k k +V
n n n n n n n
Figura9:EsquemacompletodelconceptogeneraldelfiltrodeKalman REFERENCIAS Balakrishnan, A. V., 1984. Kalman Filtering Theory. Optimization Software, Inc. Publication Division, New York. Hsu, H., 1997. Theory and Problems of Probability, Random Variables, and Random Processes. Mcgraw Hill,NewYork. Kalman, R. E., 1960. A New Approach to Linear Filtering and Prediction Problems. Transactions of the ASMEJournalofBasicEngineering,82(SeriesD):3545. Manolakis, D. G., Ingle, V. K. and Kogon, S. M., 2005. Statistical and Adaptive Signal Processing: Spectral Estimation,SignalModeling,AdaptiveFiltering,andArrayProcessing.ArtechHouseInc.
Pgina34 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Oppenheim,A.andWillsky,A.S.,1983.SignalsandSystems.PrenticeHallInc. Oppenheim, A. V. and Schafer, R. W., 1999. DiscreteTime Signal Processing. 2nd Ed. PrenticeHall Signal ProcessingSeries. Papoulis,A.andPillai,S.U.,2002.Probability,RandomVariablesandStochasticProcesses.4Edition,Mc. GrawHill,NewYork10020. Prasad, S. and Mahalanabis, A. K., 1980. Adaptive Filter Structures for Deconvolution of Seismic Signals. IEEETransactionsonGeoscienceandRemoteSensing,Vol.GE18,No.3. Proakis, J. G. and Manolakis, D. G., 1996. Digital Signal Processing: Principles, Algorithms and Applications.ThirdEdition.PrenticeHallInc.

Filtros Adaptivos

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Filtros Adaptivos

Încărcat de

Drepturi de autor:

Formate disponibile

Pgina1 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman INTRODUCCION El concepto de filtro adaptativo, sugiere el de un dispositivo que intenta modelizar la relacin

Pgina2 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

1 x(t , )dt T T T 1 * x (t , ) x(t + , )dt (1) T T T

Pgina3 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

K X (t , ) = E{[x(t ) (t )][x(t + ) (t + )]} = RX (t , ) (t ) (t + )

Pgina6 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

1 RX ( ) = E x (t ) x(t + ) = Rxx ( ) = lim x* (t ) x(t + )dt T T T

h( ).E{x(t )}d = E{x}. h( )d = x .H (0) = y (11)

S NX ( ) , la densidad espectral de potencia del ruido S N ( ) y la densidad espectral de potencia de la

S NX ( ) = 0 S N ( ) = F{R N ( )} = F{N 0 . ( )} = N 0 (17) S Y ( ) = S X ( ). H ( ) + S N ( )

SNR ( ) (18) SNR ( ) + 1

f ( x(t, ) / ). f ( ) f ( x(t, ) / ). f ( ) (20) f ( x(t, ))

ML = arg max[ f ( x(t , ) / )] (21)

= arg min E ( 0 ) / x(t , ) = arg min ( 0 ) 2 f ( / x(t , )d (22) 0 0

x = [x(0), x(1),..., x(n),..., x( N 2), x( N 1)] (28)

} = E { d[n] y[n] } (29)

x[n] x[n 1] (30) [n] = h * [n] x[ n] = h H . X n = h H . y x[n Q + 1]

P = E { X n .d * [ n]} es el vector de Q elementos, cuyas entradas corresponden a los valores de la

Pgina14 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

r (1) r (0) r (1) r (0) = r (Q + 1) r (Q + 2)

filtro Wiener (33)

H H 1 [n] = h opt y . X n = P R . X n (34)

.R.h opt (35)

X n E { *[n]x[n q]} = 0 con

Pgina15 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

RZX (l ) = h(q).RX (l q) (37)

Pgina16 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

Mientrasqueparaladensidadespectraldepotenciadelaseal x[n] ,unestimadorbastanteutilizadoes eldelasiguienteexpresin:

(h n ) = min + (h n h opt ) H R (h n h opt ) (43)

GRADIENTE DEL ERROR

= min + z z n = min + i z n (i ) (47)

Pgina21 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

Figura7:CurvasdeerrordelasuperficiedelafiguraV.4,representadassobrelasnuevasvariables z n . Debidoaquelamatrizdevectorespropios E esortogonal,secumpleque:

0 z n +1,0 1 0 z 0 1 1 n +1,1 = 0 z n +1,Q 1 0

Pgina22 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman Deestamaneralaadaptacindelisimocoeficienteomodoesiguala:

z n +1,i = (1 i ) z n,i (51)

R = E X n . X n y el vector P = E { X n .d * [ n]} , que en la prctica son dificultosos de encontrar. El

*[n]) = h n + X n *[n] (56) h n +1 = h n Rh n P = h n + X n ( d *[n] y

lim E { (n)} = () = cte Convergencia en MSE

Pgina24 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

max tr ( R) = i = Q RX (0) = QPX (61)

donde tr ( R ) esla trazadelamatriz R ydonde PX = R X (0) = E x 2 [ n] denotalapotencia delaseal

x[n] .Porlotantoelparmetro quedaacotadodelsiguientemodo:

= n m d [m] h n . X m + d [n] h n . X n (68)

lim P n = lim P n 1 + X n d *[n] = P

h n +1 = R n +1 P n + X n +1d *[n + 1] (72)

Pgina29 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

Pgina30 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman conunaecuacindemedidauobservaciniguala:

otrolado,sisolosecuentaconlasealdereferenciaomedida d [n] ,lamatriz H n esiguala:

siendo h n = h n h n elerrordeestado.Teniendoencuentaqueelruidodemedidaestincorreladocon elvectordeestado,sepuedecalcularlamatrizdecovarianzadelvectorerrordemedidaenfuncindela matrizdecovarianzadelvectordeerrordeestadodelasiguientemanera:

Pgina32 de34 FILTROSADAPTIVOSLMS RMS FiltroKalman

h n+1 = F n h n + k n [n] h n +1 = F n h n + v n k n [n]

S-ar putea să vă placă și

[n]) = h n + X n [n] (56) h n +1 = h n Rh n P = h n + X n ( d *[n] y