Teoria Ecualizacion Adaptativa Lorenzo Diaz

Ecualizacin adaptativa de un canal digital
Comunicaciones Digitales. PRL. Noviembre 2004 1


1. Introduccin.

2. Filtrado de seales.
2.1 Introduccin al filtrado digital.
2.2 Filtros adaptativos.

3. La solucin ptima de Wiener.
3.1 Planteamiento del problema del filtro ptimo.
3.2 El filtro ptimo.
3.3 Ecualizacin de canal.

4. Algoritmos adaptativos.
4.1 Introduccin.
4.2 El mtodo de descenso de mxima pendiente.
4.3 Algoritmo least-mean-square (LMS).

1. Introduccin.
El trmino filtro se utiliza comnmente para describir un dispositivo que discrimina,
segn algn atributo de los objetos que se aplican a su entrada, aquellos que pasan a su
travs.
En el contexto del procesado de seal, el trmino filtrado indica el proceso lineal
pensado para alterar el contenido espectral de una seal de entrada de un modo previamente
especificado. La alteracin de la secuencia de entrada es tanto en magnitud como en fase
para cada una de sus componentes frecuenciales, de modo que tanto el mdulo como la fase
de la respuesta frecuencial del filtro debe cumplir una serie de especificaciones ajustndose
a un determinado patrn para realizar correctamente su funcin.
En este tema del curso centraremos nuestra atencin en un subconjunto de filtros,
denominados adaptativos, cuyas caractersticas varan en el tiempo. De este modo, el
filtrado adaptativo es la solucin para problemas de filtrado donde se desconoce la solucin
exacta o las condiciones del problema son no estacionarias.
En particular, buscamos la solucin al problema de ecualizacin de un canal de
comunicaciones digital. Estudiaremos la solucin ptima de Wiener y los algoritmos
adaptativos ms conocidos para solucionar el problema iterativamente.

2. Filtrado de seales.
2.1 Introduccin al filtrado digital.
Llamaremos filtro digital a cualquier procesado numrico realizado en una seal de
entrada en tiempo discreto; dicho de otro modo, un filtro digital es la implementacin en
hardware o software de una ecuacin en diferencias finitas.
Las ventajas ms importantes que aportan los filtros digitales frente a los analgicos
son la facilidad para modificar sus caractersticas, alta inmunidad al ruido, alta precisin
(limitada, lgicamente, por los errores de redondeo en la aritmtica empleada) y bajo coste.
Por estas razones, los filtros digitales estn reemplazando rpidamente a los filtros
analgicos. Adems, existen potentes herramientas software que hacen que el proceso de
diseo de un filtro se limite a la determinacin de su plantilla.
Podemos clasificar los filtros digitales en filtros FIR (de respuesta impulsional
finita) y filtros IIR (de respuesta impulsional infinita).
Un filtro FIR de orden L se describe por la siguiente ecuacin en diferencias finitas:

( ) i n x w L n x w n x w n x w n y
L
i
i L
= + + + + =

) 1 ( ) 1 ( ) ( ) (
1
0
1 1 0
[1]

lo que da lugar a la funcin de transferencia:

) 1 (
1
2
2
1
1 0
... ) (

+ + + + =
L
L
z w z w z w w z H [2]

La secuencia { }
1
0
=
L
k k
w constituye los coeficientes del filtro. En este tipo de filtros no
hay recursividad, es decir, la salida depende slo de la entrada y no de valores pasados de la
salida. Esto quiere decir que la respuesta de un filtro ante una entrada no es ms que una
suma ponderada de valores pasados y presentes de la entrada.. Las caractersticas
principales de estos filtros se resumen en que son incondicionalmente estables y que son de
fase lineal, debido a que su funcin de transferencia slo tiene ceros y un denominador
constante. Su respuesta impulsional ser de duracin finita ya que si la entrada se mantiene
a cero durante L periodos consecutivos, la salida ser tambin cero.
La Figura 1 muestra una estructura de filtro transversal para llevar a cabo un filtrado
FIR como se refleja en la ecuacin 1.
Empleando notacin vectorial, el filtrado del vector de entrada ) (n x con el filtro
w puede expresarse como:

w x x w
T T
= = ) ( ) ( ) ( n n n y [3]

donde el vector de entrada en el instante de tiempo n viene dado por:

[ ]

T
x ) 1 ( ) 1 ( ) ( ) ( + = L n x n x n x n K [4]

y el vector de coeficientes es:

[ ]

T
w
1 1 0
=
L
w w w K [5]

Figura 1. Diagrama de bloques de una estructura transversal que implementa un filtro de
respuesta impulsional finita.

Pasando al segundo grupos de filtros digitales, los de respuesta impulsional infinita
(IIR), la ecuacin en diferencias que describe un filtro IIR de orden N es:

) ( ) 1 ( ) (
) ( ) 2 ( ) 1 ( ) (
1 0
2 1
M n x b n x b n x b
N n y a n y a n y a n y
M
N
+ + + =
= + + + +
[6]

obtenindose como funcin de transferencia:

( )
N
N
M
M
z a z a z a
z b z b z b b
z H

+ + + +
+ + + +
=
... 1
...
2
2
1
1
2
2
1
1 0
[7]

1
z
1
z
1
z

...
...
...
) (n x ) 1 ( n x
) 1 ( + L n x
) (n y
) 2 ( n x
1 L
W
2
W 1
W
0
W
Las caractersticas principales de estos filtros, al igual que las de los AR, son que su
respuesta ante una entrada impulsional es infinita y que producen distorsin de fase, es
decir, que sta no vara linealmente con la frecuencia. La gran ventaja de estos filtros IIR es
que, para unas mismas especificaciones de diseo, el orden requerido es mucho menor que
el de un filtro FIR.
En general, cualquier filtro FIR o IIR se caracteriza por su funcin de transferencia,
la cual se traduce en dos secuencias, una del numerador y otra del denominador, definidas
como los coeficientes del filtro. En nuestro caso, dichos coeficientes no sern ms que
vectores de nmeros reales cuyos valores se obtendrn bien del diseo de filtros con
MATLAB o bien de la actualizacin de los mismos por un algoritmo adaptativo.
Uno de los parmetros caractersticos en el diseo de filtros digitales es la
frecuencia de muestreo, de manera que cualquier sistema que realice filtrado de seales
deber muestrear las seales a filtrar con una tasa igual a la frecuencia de muestreo del
filtro diseado.

2.2 Filtros adaptativos.
Como hemos adelantado en el punto anterior, existe la posibilidad de permitir que
los coeficientes de un filtro varen en el tiempo con el objetivo de poder adaptarse a
situaciones distintas.
Los filtros digitales adaptativos, que podrn ser tanto filtros FIR como IIR, sern
aquellos cuyos coeficientes no permanezcan constantes sino que son actualizados
peridicamente por un algoritmo adaptativo.
En general, un filtro digital adaptativo consta de dos partes: un filtro digital -igual
que los vistos en el punto anterior, pero de coeficientes variables- que procesa las seales
deseadas, y un algoritmo adaptativo encargado de ajustar los coeficientes de dicho filtro.
De manera genrica, la Figura 2 ilustra un filtro adaptativo, donde d(n) es la
respuesta deseada, y(n) es la salida actual del filtro digital ante la seal de entrada x(n) y el
error e(n) es la diferencia entre d(n) e y(n). La funcin del algoritmo adaptativo es ajustar
los coeficientes del filtro digital para minimizar la seal de error e(n).

Figura 2. Diagrama de bloques de un filtro adaptativo.
e(n)
x(n) y(n)

Filtro
Digital
Algoritmo
Adaptativo
d(n)
+
De las operaciones implcitas en esta figura, y(n) es la respuesta del filtro digital
ante la entrada x(n). En el caso de filtro adaptativo FIR de orden L, la expresin de y(n) se
deduce de la ecuacin 1 como:

( ) l n x n w L n x n w n x n w n x n w n y
L
l
l L
= + + + + =

) ( ) 1 ( ) ( ) 1 ( ) ( ) ( ) ( ) (
1
0
1 1 0
[8]

quedando marcada la dependencia temporal de los coeficientes del filtro { }
1
0
) (

=
L
l l
n w . El
resto de operaciones, incluidas en el bloque llamado algoritmo adaptativo, sern
estudiadas en el apartado 4 del tema.
Empleando notacin vectorial, la seal de error resultante de la Figura 2 queda:

) ( ) ( ) ( ) ( ) ( ) ( n n n d n y n d n e x w
T
= = [9]

En el anlisis que sigue, asumiremos que las seales d(n) y x(n) son estacionarias,
de modo que sus principales parmetros estadsticos -valor medio, varianza,
autocorrelacin y correlacin cruzada- no dependen del tiempo. El ajuste de los
coeficientes de un filtro trata de optimizar algunos criterios previamente establecidos. Antes
de analizar en el punto 4 algunos de esos criterios, vamos a dedicar la siguiente seccin al
clculo exacto de la solucin ptima a la que debera tender iterativamente los coeficientes
del filtro adaptativo segn el problema planteado en la Figura 2.

3. La solucin ptima de Wiener.
3.1 Planteamiento del problema del filtro ptimo.
En este apartado se describe un tipo de filtros digitales ptimos, conocidos
genricamente como filtros de Wiener.
Considere el problema planteado en la Figura 3.

Figura 3. Esquema de partida del problema de filtrado ptimo.
e(n)
d(n)
W(z)

_
x(n)
+
y(n)
La entrada del sistema es la secuencia x(n), el filtro W(z) queda caracterizado por su
respuesta impulsional y la salida del sistema es la seal en tiempo discreto y(n). La salida
del sistema se interpreta como una estimacin de la seal deseada d(n). El error de
estimacin e(n), se define como la diferencia entre la respuesta deseada d(n) y la salida del
filtro y(n). El objetivo es hacer ese error de estimacin tan pequeo como sea posible.
Existen dos requerimientos para el filtro:
El filtro debe ser lineal para hacer ms sencillo el anlisis matemtico del problema.
El filtro trabaja con seales en tiempo discreto, para poder ser implementado con
tcnicas de filtrado digital.
Las caractersticas finales del filtro dependen de otras decisiones que hay que tomar:
La respuesta impulsional del filtro, ser finita o infinita?
Qu criterio emplearemos para la optimizacin?
En lo referente a elegir un filtro FIR o un filtro IIR, atenderemos a criterios
prcticos para la eleccin. Debido a que los filtros de respuesta impulsional finita son
incondicionalmente estables, centraremos nuestra atencin en esta opcin de filtrado.
En cuanto a la tcnica de optimizacin, consideraremos el diseo de un filtro segn
un criterio de minimizacin de una funcin de coste elegida de la siguientes opciones:
1) El valor cuadrtico medio de la estimacin del error.
2) La media estadstica del valor absoluto de la estimacin del error.
3) La media estadstica de potencias de tercer o mayor orden del error estimado.
La primera de las opciones ofrece una evidente ventaja sobre las otras dos: con su
empleo, aseguramos una dependencia de segundo orden entre la funcin de coste y los
coeficientes de la respuesta impulsional del filtro. Por ello, se garantiza la existencia de una
nica solucin ptima de los coeficientes del filtro que minimiza la funcin de coste.
Con estas premisas, vamos a plantear matemticamente el clculo del filtro ptimo
de Wiener.

3.2 El filtro ptimo.
Comencemos escribiendo la expresin del error de estimacin e(n):

) ( ) ( ) ( ) ( ) (
1
0
n n d l n x w n d n e
L
l
l
x w
T
= =

=
[10]

La funcin de coste a minimizar es, como hemos determinado anteriormente, el
valor cuadrtico medio de la seal de error, esto es:

[ ] [ ] w R w w p
T T

+ = = 2 ) ( ) (
2 2
n d E n e E [11]

siendo p el vector de correlacin cruzada entre la seal de entrada x(n) y la seal de
referencia d(n) y se define como:

[ ] [ ]
T
x p ) 1 ( )...... 1 ( ) 0 ( ) ( ) ( L p p p n d n E = = [12]

La matriz de autocorrelacin R se define como:

[ ]
= =
) 0 ( ... ) 2 ( ) 1 (
) 2 ( ... ) 0 ( ) 1 (
) 1 ( ... ) 1 ( ) 0 (
) ( ) (
xx xx xx
xx xx xx
xx xx xx
r L r L r
L r r r
L r r r
n n E
M O M M
T
x x R [13]

donde el vector de entrada ) (n x es:

[ ]
T
x ) 1 ( . )......... 1 ( ) ( ) ( + = L n x n x n x n [14]

El filtro ptimo minimiza el valor de la funcin de coste definida en la ecuacin 11.
Para obtener las componentes del mismo, podemos derivar dicha ecuacin, obteniendo de
esa forma el vector gradiente de la superficie del error:

p w R
w
=
= 2 2
[15]

e imponiendo la condicin de mnimo:

0 2 2 = p w R
o
[16]

obtenemos finalmente la solucin del filtro ptimo de Wiener
o
w :

p R w
-1 o
= [17]

Para obtener el valor mnimo de la funcin de coste, sustituimos el valor obtenido
para el filtro ptimo de la ecuacin 17 en la ecuacin 11:

[ ]
[ ] [ ]
[ ] [ ]
o T -1 T
-1
T
-1 -1 T
o
T
o o T
w p p R p
p R R p R p R p
w R w w p
= =
= + =
= + =
) ( ) (
2 ) (
2 ) (
2 2
2
2
min
n d E n d E
n d E
n d E
[18]

El error cuadrtico medio de la seal de error puede expresarse en trminos de la
matriz de autocorrelacin R de la seal de entrada:

( ) ( )
o
T
o
w w R w w + =
min
[19]

Si introducimos el vector v como la traslacin del vector de coeficientes con
respecto a la solucin ptima:

o
w w v = [20]

la funcin de coste puede escribirse:

v R v
T
+ =
min
[21]

Por otro lado, la matriz R es semidefinida positiva (todos sus valores propios son
reales no negativos) y puede expresarse en trminos de sus valores y vectores propios como
sigue:

T
Q Q R = [22]

donde es la matriz diagonal que tiene en su diagonal principal los valores propios de R:

=
L
0 0
0
0 0
0 0
2
1
L
O M M
M
L
[23]

y Q tiene como columnas los vectores propios de la matriz de autocorrelacin R. Como
los vectores propios son ortogonales entre si y estn normalizados, la matriz Q se dice
ortonormal y cumple:

I Q Q
T
= [24]

o lo que es lo mismo:

T
Q Q =
1
[25]

Si definimos una versin rotada del vector de desajuste de coeficientes de la
siguiente forma:

v Q v Q v'
-1 T
= = [26]

entonces podemos reescribir la funcin de coste a minimizar como:

( ) ( )
( )
( ) ( )
' '

min
min
min
min
min
v v
v Q v Q
v Q Q v
v R v
w w R w w
T
T
T
T
T T
T
o
T
o
+ =
= + =
= + =
= + =
= + =

[27]

Si desacoplamos la notacin matricial, podemos expresar la funcin de coste como
indica la ecuacin 28:

2
1
min
'
l
L
l
l
v
=
+ = [28]
3.3 Ecualizacin de canal.
Un escenario de empleo del filtrado ptimo de Wiener es la ecualizacin de un
canal de comunicaciones. La Figura 4 describe el sistema: la fuente de informacin
proporciona la seal de entrada al canal x(n), la salida del mismo -seal y(n)- se ve alterada
por la adicin de un ruido aleatorio. La nueva seal ruidosa recibe el nombre yv(n).
Finalmente, el ecualizador es el ltimo bloque cuyo objetivo es regenerar la seal de
entrada al sistema x(n) a partir de la salida del canal mezclada con ruido. Obviando el
problema adicional del ruido aditivo, la funcin de transferencia del ecualizador tiene que
ser la inversa de la del canal para que su salida z(n) sea lo ms parecida a la secuencia
original x(n). Desde el punto de vista del filtrado ptimo de Wiener, podemos plantear el
diseo de un ecualizador que a partir de la seal yv(n) obtenga la mejor aproximacin de la
seal desada d(n) que no ser otra cosa que una versin retrasada de la secuencia original
x(n).

Figura 4. Esquema de ecualizacin de un canal.

4. Algoritmos adaptativos.
4.1 Introduccin
Recordemos la expresin general del valor cuadrtico medio de la seal de error
(MSE) de un filtro FIR:

[ ] [ ] w R w w p
T T
+ = = 2 ) ( ) (
2 2
n d E n e E [29]

Esta funcin de coste es una funcin cuadrtica de las componentes del vector de
coeficientes, de modo que para cada valor del vector de coeficientes existe su
correspondiente valor de la funcin de coste . Por tanto, los valores del MSE junto con los
L coeficientes forman un espacio L+1 dimensional denominado superficie MSE.
) (n h

x(n)
e(n)
+
d(n)
Fuente de
informacin
) (n w

_
Generador
de ruido
aditivo
y(n) yv(n)
+
z(n)
Ecualizador Canal
Consideremos el caso de un filtro digital de dos coeficientes (L=2):
0
w y
1
w . El
valor de la funcin de coste y los coeficientes forman el espacio tridimensional que se
muestra en la Figura 5.
Figura 5. Superficie de error para un filtro FIR adaptativo de dos coeficientes.

Un algoritmo iterativo busca la solucin ptima, en trminos de mnimo MSE,
avanzando hacia el punto [ ]
optimo optimo
o
w w
1
, =
o
w sobre la superficie. La bsqueda del punto
ptimo se ve facilitada por el hecho que en una funcin cuadrtica no existen mnimos
locales, existiendo slo una solucin ptima. La interseccin del paraboloide con planos
paralelos al plano de los coeficientes da como resultado elipses concntricas, lugares
geomtricos de los puntos con MSE constante, conocidas como contornos de error.
Realizando una interpretacin geomtrica -para lo cual es conveniente limitar a
dos el nmero de coeficientes del filtro-, la ecuacin 20 de traslacin de los coeficientes
realiza el cambio de coordenadas de los coeficientes w en un nuevo conjunto de
coordenadas dada por los vectores v con el origen en el centro de las elipses concntricas.
Con la rotacin definida en la ecuacin 26 se pasa a emplear una nueva base dada por los
vectores v' que definen los ejes principales de la elipse.
La expresin general de la actualizacin de los coeficientes de un algoritmo
adaptativo vendr dada por la siguiente ecuacin:

[ ] ) ( ) ( ) ( ) 1 ( n x I n G n n + = + w w [30]

min
optimo
w
0
optimo
w
1
1
w
0
w
donde ) (n G es un trmino de ganancia e [ ] ) (n x I es un trmino de innovacin dependiente
-entre otros elementos- de la seal de entrada x(n). Cada algoritmo particularizar las
funciones de ganancia e innovacin ofreciendo una serie de ventajas e inconvenientes que
habr que poder medir para elegir en cada caso la opcin ms adecuada.
Para medir las prestaciones de un algoritmo adaptativo recurriremos a parmetros de
dos tipos: los de tipo terico y los dependientes de la implementacin real de la solucin en
una arquitectura hardware concreta.
Dentro de los parmetros tericos que definirn la bondad de la estrategia tenemos:
1) Velocidad de convergencia.
Resulta evidente que una cualidad deseable de un algoritmo adaptativo es que
converja a la solucin ptima en el menor nmero de iteraciones posible. Para medir la tasa
de convergencia y la constante de tiempo asociada, ser de utilidad la denominada curva de
aprendizaje del algoritmo adaptativo. Esta curva de aprendizaje no es otra cosa que la
representacin grfica del valor cuadrtico medio del error (MSE) frente al tiempo n. Por
otro lado, entenderemos por constante de tiempo el tiempo necesario para que un
determinado parmetro -el error cuadrtico medio en este caso- decaiga hasta un factor
% 37 1 e de su valor inicial.

Figura 6. Curva de aprendizaje del algoritmo adaptativo.

2) Desajuste.
Empecemos definiendo el llamado exceso de error cuadrtico medio o exceso MSE
como la diferencia entre el valor esperado de la funcin de coste menos su valor mnimo,
esto es:

n
) (n

) (
min

[ ]
min
) ( = n E
exceso
[31]

El desajuste M es el cociente entre el exceso MSE y el valor mnimo del error:

[ ]
min
min
min
) (

= =
n E
M
exceso
[32]

Suele existir un compromiso entre la velocidad de convergencia del MSE (dada por
su constante de tiempo) y el desajuste del error. El producto de ambos parmetros
-constante de tiempo y desajuste- es fijo para un algoritmo adaptativo:

cte M = [33]

de modo que ganar en rapidez de convergencia tiene que ser a costa de admitir un mayor
error residual o, por el contrario, para minimizar ese error residual tenemos que buscar una
convergencia ms lenta controlada por un factor menor.
Las variantes propuestas sobre la base del algoritmo adaptativo bsico deben
buscar la minimizacin del producto M
3) Robustez.
Se trata de evaluar la capacidad de operar con datos estadsticamente mal
condicionados. A la vista de la solucin ptima de Wiener se hace evidente que si la matriz
R de autocorrelacin de la seal de entrada x(n) es singular o esta prxima a serlo, la
posibilidad de que no se alcance la solucin es mayor. Ms adelante demostraremos como
esta falta de adecuacin en los datos tambin repercute en una ralentizacin de la
convergencia.
En cuanto a los factores dependientes de la implementacin nicamente
enumeramos algunos de los aspectos que habr que tener en cuenta.
4) Carga computacional.
El coste o carga computacional de un algoritmo habr que medirlo en trminos del
nmero de operaciones (sumas y, especialmente productos) que hay que realizar en una
iteracin.
5) Eficiencia de la arquitectura.
Tambin interesa considerar la cantidad de memoria que el algoritmo precisa, el
nmero de accesos a dichas posiciones de memoria y el nmero de punteros que requiere la
implementacin de la solucin. Yendo un poco ms lejos, habr que evaluar las
prestaciones del hardware para implementar operaciones en paralelo mediante
segmentacin, la posibilidad de empleo de varios procesadores simultneamente y del
modo de direccionamiento circular, muy adecuado para la implementacin de filtrados.
6) Propiedades numricas.
La sensibilidad del hardware a los errores aritmticos es otro parmetro a
considerar. La precisin de los conversores analgico/digitales y el empleo de una
aritmtica de doble precisin evitar problemas difciles de analizar desde el punto de vista
terico pero que pueden poner en peligro el xito de la implementacin del algoritmo.

4.2 El mtodo de descenso de mxima pendiente.
Hemos visto que la superficie MSE es una funcin cuadrtica de los coeficientes del
filtro y que, por lo tanto, ajustar los coeficientes para minimizar el error implica descender
a lo largo de la superficie, hasta alcanzar el punto ms bajo. Con esta idea fueron
desarrollados algoritmos descendentes basados en el clculo del gradiente en un punto de la
superficie.
El desarrollo matemtico del algoritmo se facilita observando la Figura 5.
Supongamos un valor inicial de los coeficientes del filtro, ) 0 ( w , que corresponden a un
nico valor de ). 0 ( El conjunto de estos valores determinan un punto inicial en la
superficie MSE. Calculando el gradiente en ese punto, obtenemos el grado de variacin de
la superficie con respecto a sus coordenadas. Tomando la direccin negativa del gradiente,
nos vamos desplazando por sucesivos puntos de la superficie, hasta alcanzar el punto donde
el error cuadrtico medio se minimiza. Adems, siguiendo la direccin contraria al
gradiente, avanzamos hacia el mnimo de la manera ms rpida posible. Este concepto
puede ser implementado por el siguiente algoritmo:

( ) ) (
2
) ( ) 1 ( n n n
+ = + w w [34]

donde ) (n es el gradiente de la superficie MSE dado por las derivadas direccionales
l
w n / ) ( , y es el factor de convergencia (o tamao del paso) que controla el
compromiso entre la estabilidad del algoritmo y la rapidez en alcanzar el punto deseado.
Partiendo de la ecuacin 11, derivamos el gradiente de la funcin de coste como se
expresa en la ecuacin 13.
Por tanto el algoritmo de descenso de mxima pendiente queda:

[ ] ) ( ) ( ) 1 ( n n n w R p w w + = + [35]

Cuando ) (n w ha convergido hasta
o
w , es decir, cuando se alcanza el mnimo
punto de la superficie MSE, el gradiente se anula, . 0 ) ( = n
Continuando con el desarrollo del algoritmo, reescribimos la ecuacin 35:

[ ] p w R I w + = + ) ( ) 1 ( n n [36]
Sustituyendo en la ecuacin 36 el valor del filtro ptimo de Wiener (ecuacin 17)
tenemos:

[ ]
o
w R w R I w + = + ) ( ) 1 ( n n [37]

Realizando una traslacin del vector de coeficientes y rotando el nuevo vector
empleando la matriz Q de vectores propios de la matriz de autocorrelacin R, como se
expresa en las ecuaciones 20 y 26, respectivamente, obtenemos:

[ ]
[ ] ) (
) ( ) 1 (
1 - 1 -
n
n n
v' I
v' Q R Q Q I Q v'
=
= = +

[38]

iterando la ecuacin 38 desde el primer valor de n tenemos:

[ ] ) 0 ( ) ( v' I v' =
n
n [39]

El vector de coeficientes converge si se cumple:

[ ] 0
n n
I [40]

La convergencia debe darse para las L componentes de la diagonal de la matriz:

[ ]
[ ]
[ ]
0
1
...
... ... 1
... ... ... 1
2
1

n
n
L
n
n

M M M
O M M
M
[41]

Por lo tanto, la condicin exigida al factor de convergencia para garantizar la
estabilidad del algoritmo adaptativo se impone sobre el mayor de los valores propios para
asegurar la convergencia de todos los modos,

l

2 2
0
max
< < < [42]
siendo
max
el mayor valor propio de la matriz de autocorrelacin R.
Para estimar la velocidad de convergencia de cada modo consideraremos el tiempo
que debe transcurrir para una cada de 1 Np:

( )
e
l
l
1
1 =

[43]

despejando
l
tenemos:

( )
l
l

=
1 ln
1
[44]

Si la convergencia es lenta y el paso de adaptacin suficientemente pequeo, se
puede emplear una aproximacin empleando el desarrollo en serie de Taylor, obteniendo:

l
l

1
[45]

El modo ms lento ser el de menor energa, es decir:

max ,
min
1 1
l
l
l

=
[46]

de modo que
max , l
define la convergencia de los coeficientes.
Analicemos ahora la convergencia de la funcin de coste ) (n . Segn la ecuacin
28, ) (n puede escribirse en trminos de
l
y de '.
l
v Iterando desde el primer valor de los
coeficientes de acuerdo con la ecuacin 39 tenemos:

( ) ( ) 0 1 ) (
2
2
1
min l
n
L
l
l l
n + =

=
[47]

Si el algoritmo de mxima pendiente converge -con
max
2 0 < < - entonces, sin
importar cuales sean las condiciones iniciales, tenemos:


min
) (
n
n [48]

esto implica que en el lmite se anule el segundo trmino de la ecuacin 47.
La constante de tiempo de la curva de aprendizaje puede calcularse de un modo
similar al clculo realizado para la convergencia de los coeficientes:

( )
e
MSE l
l
1
1
, 2
,
=

[49]

despejando
MSE l ,
tenemos:

( )
l
MSE l

=
1 ln 2
1
,
[50]

Si el paso de adaptacin es suficientemente pequeo, se puede emplear una
aproximacin obteniendo:

max ,
min
,
2
1
2
1
MSE
l
MSE l

=

[51]

quedando calculada la constante de tiempo del MSE.
Como el factor de convergencia esta acotado,
max
2 < , se tiene:

min
max
min
max ,
4 2
1
>

=
MSE
[52]

de modo que la dispersin de valores propios
min max
define la velocidad de la
convergencia del algoritmo.
A partir de la ecuacin 51 podemos promediar para obtener la constante de tiempo
media:

[ ] Px tr
L
L
L
L
l MSE l
L
l
l
MSE

=

=
= =

=

=

= =

2
1
2
1
2
1
2
1
1 , 1
R
[53]

A la vista de la ecuacin anterior, la constante de tiempo promedio es la media
armnica de las constantes de tiempo de cada modo.
En cuanto al desajuste del algoritmo de mxima pendiente, es nulo ya que los
coeficientes convergen a la solucin de Wiener, esto es:

0
min
= =
exceso
MSE
M [54]

A modo de resumen, el mtodo de descenso de mxima pendiente precisa del
conocimiento de la matriz R de autocorrelacin de la seal de entrada y del vector p de
correlacin cruzada entre la entrada y la seal deseada. La dificultad de implementar el
mtodo es doble: por un lado realizar en cada iteracin el clculo de R y p es
computacionalmente costoso; por otro lado, an disponiendo de la capacidad de llevar a
cabo los clculos puede no ser posible calcular los momentos estadsticos al tener slo una
realizacin de los procesos. Adems, la condicin de estacionariedad de las seales x(n) y
d(n) slo suele ser vlida en la prctica para algunos tipos de seales y en determinados
intervalos de tiempo. Estas dificultades pueden solucionarse empleando una estimacin del
vector gradiente en lugar del gradiente real; este principio es la base del algoritmo
adaptativo LMS que se presentar a continuacin.
La ventaja de no precisar el clculo de la inversa de la matriz de autocorrelacin es
mayor cuando los datos estn ms condicionados, con R prxima a singular y una
dispersin de autovalores elevada. Sin embargo, al tratarse de un mtodo cuya velocidad de
convergencia es sensible a esta dispersin
min max
, se tiene la paradoja de que la situacin
ms ventajosa es por otro lado la ms lenta. Consecuentemente es un mtodo poco usado en
implementaciones prcticas.

4.3 Algoritmo least-mean-suare (LMS).
El algoritmo LMS es posiblemente el algoritmo adaptativo ms conocido y
empleado en implementaciones reales. Dada su simplicidad y buenas prestaciones sirve
normalmente de referencia para comparar nuevas estrategias basadas en algoritmos
adaptativos.
Propuesto por primera vez por Widrow, el algoritmo LMS puede considerarse como
una simplificacin del mtodo de descenso de mxima pendiente. La diferencia consiste en
emplear una expresin alternativa de la funcin de coste, no utilizando el valor cuadrtico
medio (MSE) de la seal de error, sino su potencia instantnea, esto es:

) ( ) (
2
n e n = [55]

Por lo tanto, la estimacin del gradiente empleada en el algoritmo LMS es
sencillamente el gradiente de la potencia instantnea, es decir:

[ ] ) ( ) ( 2 ) (
n e n e n = [56]

considerando la ecuacin 10 para definir el error, al derivar con respecto a los coeficientes
del filtro se tiene:

) ( ) ( n n e x = [57]

de tal forma que la estimacin del gradiente resulta:

) ( ) ( 2 ) (
n e n n = x [58]

Con esta estimacin del vector gradiente se obtiene finalmente la expresin de
actualizacin de los coeficientes del filtro adaptativo segn el algoritmo LMS:

) ( ) ( ) ( ) 1 ( n e n n n + = + x w w [59]

De la ecuacin anterior se deduce la sencillez de este algoritmo al no necesitar el
clculo de valores estadsticos o derivadas con respecto a los coeficientes.
Las prestaciones del algoritmo LMS han sido analizadas por muchos autores por ser
el algoritmo adaptativo ms importante y que sirve de referencia para las comparaciones
con nuevas propuestas.
La convergencia en media de los pesos del filtro en el algoritmo LMS puede
determinarse tomando el valor esperado a ambos lados de la ecuacin 59:

[ ] [ ] [ ] ) ( ) ( ) ( ) 1 ( n e n E n E n E + = + x w w [60]
Sustituyendo el valor de la seal de error y empleando la barra horizontal superior
para indicar valor esperado, tenemos:

( ) [ ] ) ( ) ( ) ( ) ( ) ( ) 1 ( n n n d n E n n x w x w w
T
+ = + [61]

A partir de las definiciones de p y R obtenemos:

[ ] [ ] p w R I w R p w w

+ = + = + ) ( ) ( ) ( ) 1 ( n n n n [62]

Si recordamos la definicin del vector ) (n v como la diferencia entre el vector de
coeficientes del filtro adaptativo y la solucin ptima:

o
w w v = ) ( ) ( n n [63]

Considerando la ecuacin 63, podemos reescribir la ecuacin 62 como:

[ ] ) ( ) 1 ( n n v R I v = + [64]

Rotando los coeficientes mediante el producto con la matriz Q de vectores propios.

) ( ) ( n n v Q v'
T
= [65]

se obtiene:

[ ] ) ( ) 1 ( n n v' I v' = + [66]

Las componentes de este vector son:

[ ] ) ( ' 1 ) 1 ( ' n v n v l
l
l = + L l ,..., 1 = [67]

donde cada trmino ) ( ' n v l puede expresarse a partir del valor inicial como:
[ ] ) 0 ( 1 ) ( '
l
n
l
l v n v = [68]

Dado el valor del MSE como:

) ( ) ( ) ( ) (
1
2
min min
n v n n n
L
l
l l
=
+ = + = v' v'
T
[69]

Si la adaptacin es lenta ) (n
l
) (n l y teniendo en cuenta la ecuacin 68
obtenemos la solucin explcita del MSE:

( ) ( ) 0 1 ) (
2
2
1
min l
n
L
l
l l
n +

=
[70]

Conforme aumenta el valor del factor de convergencia, ) (n
l
difiere
significativamente de ) (n l producindose un desajuste que veremos un poco ms tarde.
La convergencia en media del algoritmo LMS desde un valor inicial de los
coeficientes ) 0 ( w hasta su valor ptimo
o
w , es equivalente a:

0 ) (
n
l
n v L l ,..., 1 = [71]

Esto requiere, por la ecuacin 70, que:

1 1 <
l
[72]

o equivalentemente:

l
2
0 < < [73]

As, el algoritmo LMS converge en media desde ) 0 ( w hasta
o
w , si y slo si:

max
2
0
< < [74]

Siendo
max
el mayor valor propio de la matriz de autocorrelacin R. La velocidad
de convergencia del modo dominente se obtiene cuando:

max
1
= [75]

Sin embargo, el criterio de estabilidad dado por la ecuacin 73 no es aplicable en la
prctica debido a la dificultad de calcular el valor
max
cuando el tamao del filtro L es
grande. En las aplicaciones prcticas, se realiza una estimacin de este valor de la siguiente
forma:

[ ]

=
= =
L
l
l xx
r L tr
1
) 0 ( R [76]

donde [ ] R tr denota la traza de la matriz R. Tomando el valor propio mayor se cumple que:

( )
x xx
L
l
l
P L r L = =

=
0
1
max
[77]

donde [ ] ) ( ) 0 (
2
n x E r P
xx x
= denota la potencia de la seal x(n). Por lo tanto el valor de
queda acotado del siguiente modo:

x
P L
< <
2
0 [78]

Por lo tanto, la convergencia en media del algoritmo LMS, requerir un valor de
que cumpla la ecuacin anterior. ste es inversamente proporcional a L, por lo que para
filtros de orden alto se deber utilizar un valor de pequeo. El factor de convergencia
tambin es inversamente proporcional a la potencia de la seal de entrada x(n). Por lo tanto
las seales ms dbiles podrn utilizar un valor de ms alto que las seales de ms
potencia. Una solucin interesante es normalizar el valor del factor de convergencia con
respecto a la potencia de la seal de entrada. El algoritmo que emplea esta estrategia es el
llamado algoritmo LMS normalizado (NLMS) que estudiaremos en la siguiente seccin.
Hay que recordar que 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. Para que los coeficientes tambin converjan en varianza hay que
exigir una condicin ms restrictiva para el factor de convergencia :

max
3
2
0
< < [79]

que se traduce en trminos de la potencia de la seal de entrada en la condicin dada por la
ecuacin 80:

x
P L
< <
3
2
0 [80]

Quedan dos aspectos importantes que analizar del algoritmo LMS como son la
constante de tiempo del proceso adaptativo y el desajuste del error.
Aunque algunos autores prefieren definir la constante de tiempo del error cuadrtico
medio como el tiempo que tarda en caer en un factor , 1
2
e argumentando una mayor
consistencia dimensional en la definicin, nosotros vamos a elegir el criterio de referencias
clsicas de filtrado adapativo que estiman la constante de tiempo como el necesario para la
cada de 1 Np. La ecuacin 70 demostraba la posibilidad de expresar el MSE en trminos
de las componentes del vector de coeficientes rotados ) (n v' :
El tiempo necesario para que cada componente de ) (n vare desde ) 0 ( hasta
e ) 0 ( viene dado por:

( )
e
MSE l
l
1
1
, 2
,
=

[81]

despejando
MSE l ,
tenemos:

( )
l
MSE l

=
1 ln 2
1
,
[82]

Si podemos asumir que el factor de convergencia es suficientemente pequeo y
que por lo tanto 1 <<
l
, podremos realizar una aproximacin del siguiente modo:

l
MSE l

2
1
,
[83]

La ecuacin 83 muestra que cada modo tiene su propia constante de tiempo,
determinada por el factor de convergencia global y el valor propio
l
asociado a dicho
modo. Por lo tanto, la convergencia global viene limitada por el modo ms lento y
consecuentemente, la constante de tiempo del error cuadrtico medio vendr acotada por:

max ,
min
,
2
1
2
1
MSE
l
MSE l

=

[84]

quedando calculada la constante de tiempo del MSE.
A partir de la cota del factor de convergencia
max
2 < , se tiene:

min
max
min
max ,
4 2
1
>

=
MSE
[85]

de modo que tambin en el algoritmo LMS la dispersin de valores propios
min max

define la velocidad de la convergencia del algoritmo. Esto es: a la vista de la ecuacin 84 se
deduce que cuanto ms pequeo sea el menor valor propio
min
de la matriz de
autocorrelacin ms lenta ser la convergencia. Desafortunadamente, si el mayor valor
propio
max
es muy grande, por la ecuacin 79 la eleccin del factor de convergencia
estar muy limitada de modo que slo un valor de servir para todos los modos.
Resumiendo, si
min
es muy pequeo y
max
muy grande, la constante de tiempo global del
error cuadrtico medio (MSE) se incrementa haciendo ms lenta la convergencia.
Sin embargo, hay que hacer notar que la cota anterior es una limitacin muy
conservadora para la constante de tiempo global, ya que a la vista de la ecuacin 70 slo
aquellos valores propios para los cuales la proyeccin del vector propio ) 0 ( 'l v sobre ) 0 ( v
es importante ejercer influencia en la convergencia global. Como muchas de estas
proyecciones pueden ser despreciables, la convergencia total puede venir condicionada por
unos pocos modos de forma que, a menudo, el error cuadrtico medio converge ms
rpidamente que lo que indica a ecuacin 85.
Ya hemos comentado con anterioridad la dificultad que implica el clculo de los
valores propios de la matriz R. Sin embargo, existe un importante resultado para acotar la
dispersin de valores propios a partir del rango dinmico del espectro de la seal de entrada
x(n):

[ ]
[ ] ) ( min
) ( max
1
min
max
X
X
[86]

A la vista de este resultado se justifica el empleo de diferentes tcnicas de
blanquedo de seales para conseguir un espectro ms plano de la seal de entrada y
mejorar por lo tanto la convergencia del algoritmo adaptativo.
En cuanto al desajuste del algoritmo LMS, se puede realizar un clculo del mismo
basado en descomponer la estimacin del gradiente en dos componentes: el gradiente real y
un ruido de gradiente. Calculando la covarianza de este ruido cuando los coeficientes han
convergido tenemos:

=
=

=
L
l
l
l
L
l
l
l
M
1
1
2
1
2

[87]

Si se cumple que 1 <<
l
tenemos:

[ ]
[ ] R
R
tr
tr
M
- 2
[88]

Si se cumple adems que [ ] 1 << R tr entonces:

[ ]
[ ]
[ ] Px L tr
tr
tr
M =
2 2 - 2

R
R
R
[89]

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, es sensible a la dispersin de valores propios
de la matriz de autocorrelacin y es robusto ante problemas de ruido, errores de
cuantificacin y empleo de aritmtica finita.

Teoria Ecualizacion Adaptativa Lorenzo Diaz

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

Teoria Ecualizacion Adaptativa Lorenzo Diaz

Încărcat de

Drepturi de autor:

Formate disponibile

Ecualizacin adaptativa de un canal digital

Comunicaciones Digitales. PRL. Noviembre 2004 1

Ecualizacin adaptativa de un canal digital

< < [74]

< < [79]

S-ar putea să vă placă și