Analisis de Articulo Cientifico Sobre La

Applicacion de un Banco de Filtros

Multibanda
Aguirre Galo
Universidad

de Cuenca
galo.aguirre1107@ucuenca.ec

AbstractThis brief research consisted in reading

and purposefully trying to understand a scientific research article related to digital signal processing. The
premise of the article was a proposed design for a
karaoke filter using a multiband adaptive filter bank.
Not having prior background on the theoretical foundations of adaptive filters, most of our effort was spent in
reading up on this theory. We were able comprehend to
a relatively high degree the content of this theory, but
not as to how it applied directly to the application in
the article.
KeywordsActive filters, multiband filter banks, karaoke, vocal mute, steepest descent algorithm, least mean
square algorithm

ResumenEsta breve investigacion consistia en leer

y con proposito entender el contenido de un articulo
cientifico relacionado al ambito del procesamiento digi
tal de senales.
La premicia del articulo fue proponer un
para un filtro de karaoke utilizando un banco
diseno
de filtros adaptivos multibanda. Debido a nuestra falta
de conocimiento sobre los fundamentos teoricos de los
filtros adaptivos, la mayoria de nuestro esfuerzo fue aplicado en obtenerr conocimientos de esta teoria. Pudimos
comprender en un grado conciderable el contenido de la
teoria, pero no en aplicarla directamente a la apliccion
del ariticulo.
Palabras ClaveFiltros activos, banco de filtros miltibanda, karaoke, amortiguo vocal, algoritmo de la descenso
mas empinado, algorithmo del valor esperado minimo
cuadrado

I.

I NTRODUCCI ON

El articulo [1] propone un diseno para un filtro

digital para de eliminar la voz de un cantante de una
grabacion de musica con el fin de ser utilizado en una
sesion de karaoke.

Figura 1. Esquema para el amortiguo vocal.

El razocinio detraz de este esquema es que en

un estudio de grabacion, el cantante estaria mas o
menos equidistante del los dos microfonos que graban
cada pista de una grabacion estereo. La contribucion
energetica de la voz del cantante en cada pista es mas
o menos la misma y esta mas o menos en fase. Lo
mismo no es cierto para el resto de instrumentos de
la cancion.
Entonces, lo que se puede hacer es dividir cada
pista en dos senales identicas. A estas se le filtran
la banda de frecuencias en donde tipicamente se
encuentra la voz humana de forma complimetraria. Es
decir, en la una pista se utiliza un filtro pasa-banda
para extraer solo esta banda de frecuencias. En la otra
senal se utiliza un filtro elimina banda, para hacer
pasar toda la senal excepto la banda que contiene la
voz del cantante. Se hace lo mismo para la pista de
lado opuesto.
Las dos pistas que pasaron por el filtro pasa-banda
se restan. La idea seria que, ya que la voz del cantante
debe ser la misma en ambas pistas, al restar la una de
la otra, lo que se elimina seria justo esto: la voz del
cantante y no los instrumentos de acompanamiento.
Se describe su efecto con las siguientes ecuaciones:
AI = [D0 k I0 (p)] + Iab
(1)
y:

Primero nos introduce un metodo comun para filtrar la voz de un cantante de una cancion tpicamente
grabada en un estudio. El esquema normal es el que
sigue:

AD = [k D0 (p) I0 ] + Dab .

(2)

AD y AI denotan las salidas del sistema, D0

representa la banda en donde se considera que deberia

estar las frecuencias de la voz del cantante, y tanto Iab

como Dab son las bandas complementarias al filtrado
pasa-banda.
Este es el equema que el articulo nos presenta
como el tipico que se utiliza para generar la musica
para un karaoke, utilizando una cancion grabada en
un estudio.
II.

P LANTEAMIENTO D EL P ROBLEMA

El esquema que nos proponen los autores trata el

problema en el cual la voz de un cantante no es la
misma en las dos pistas de una grabacion estereo.
Como es el caso de una grabacion hecha en vivo.
En este caso se aplicaria el filtro que proponen los
autores.
El filtro que proponen es un filtro de rastreo
multibanda. Se presenta el esquema a continuacion:

Figura 3. Esquema Para un Filtro de Rastreo

en donde ingresan las mediciones discretas de

un proceso o planta que se quiere controlar. Estas
medidas se retrasan sucesivamente, se multiplican por
un vector de constantes y se suman. La suma se resta
de una senal de referencia. Este valor se considera
como el error entre el comportamiento del sistema y
el comportamiento que se desea para este. Esto es
tipico de un sistema retroalimentado.
Dado que queremos que el sistema se comporte
de cirta manera, debemos hacer que el error tienda
a cero con el tiempo. El mecanismo para lograr esto
es el control del vector de constantes por el cual se
pondera el vector de entradas. Sobre estas constantes
actua cualquier algoritmo que deseamos adoptar.

Figura 2. Filtro FIR Transversal.

De acuerdo a los autores se utiliza una pista

como una referencia en el proposito de eliminar la
senal de cantante de la otra. Este tipo de esquema
tambien sirviria, por ejemplo, para eliminar el ruido
de la senal que contrubuye la transmision electrica
de una toma de corriente a una senal captada por un
electrocardiogram, por ejemplo. Para justo esto sirven
los filtros adaptivos: para eliminar, ampliar o de otra
manera manipular senales de naturalezas estocasticas.
III.

A LGORITMO DE D ESCENSO M AS E MPINADO

Debido a que al autor del presente informe le

falta conocimientos sobre los filtros activos, se puso
a investigar estos[2]. En particular investigamos los
filtros de descenso de gradiente. El primer algoritmo
que encontramos es el de descenso mas empinado.
El algoritmo de descenso mas empinado es uno
de los mas antiguos algoritmos de optimisacion. Resuelve el problema de encontrar un minimo de una
superficie multidimensional. En el ambito de filtros
se plantea de la siguiente manera:
Tenemos un fitro transversal FIR:

Tipicamente se considera que se inicia con un vector de constantes nulo. Entonces, dado la informacion
de las mediciones que ingresan al filtro, necesitamos
un mecanismo para actualizar el valor de este vector
con el fin de que estos nuevos valores aproximeN
progresivamente el comportamiento del sistema actual
al que deseamos.
En el algoritmo de descenso mas empinado, se
hace hace lo siguiente: Se forma la funcion de error
esperado minimo cuadrado:
J (n) = d2 wH (n)p pH w(n) + wH (n)Rw(n)
(3)
en donde w(n) es el vector de constantes de ponderacion, p es el vector de corelaciones cruzadas entre
el vector de entradas, u(n), y la reapuesta deseada,
d (n), y R es la matriz de correlaciones del vector
de entradas, u(n). La H mayuscula sobrescrita sobre
el vector es el operador Hemitiano, que significa la
transpuesta de los valores conjugados del vector o
matriz.
Esta funcion de varias variables sirve como funcion de perdida para el sistema. La resolucion de
nuestro problema de optimisacion se reduce a encontrar el valor minimo de la superficie multidimensional
descrita por esta funcion de varias variables.
Con este fin, tomamos la gradiente de la funcion
antes mencionada:
J (n) = 2p + 2Rw(n).

(4)

Ya que el vector gradiente apunta en la direccion

de mayor crecimiento, apuntarnos en la direccion
opuesta intuitivamente nos debe llevar a un minimo
(local) de error. Entonces utilizamos el negativo de la
gradiente para actualizar el vector de constantes de
ponderacion. Esto se refleja en la siguiente ecuacion
de actualizacion del vector de constantes de ponderacion:
w(n + 1) = w(n) + [J (n)]
(5)
lo cual se reduce a:
w(n + 1) = w(n) + [p Rw(n)].

(6)

En realidad, lo que hace el algoritmo es llevar el

vector de constantes de ponderacion a un valor optimo
que minimizara la el error cuadrado esperado minimo
(la funcion de perdidas del sistema). Este valor teorico
estaria dado por las ecuaciones de Weiner-Hoff:
Rw0 = p.

(7)

Se podria pensar que otra forma de proceder

seria resolver estas ecuaciones de forma analitica. Sin
embargo, este camino trae con si serios problemas
computacionales. De alguna forma, el algoritmo del
decenso mas empinado nos brinda un atajo numerico
para llegar a esta solucion optima.
La constante , por el cual multiplicamos la
gradiente, dicta el ancho de paso que damos en la
direccion opuesta al gradiente. Determina que tan
rapido nuestro sistema itera hacia la solucion optima.
IV.

I NAPLICABILIDAD DEL A LGORITMO DE

D ESCENSO M AS E MPINADO

Como podemos observar de la ecuacion de actualisacion del vector de constantes de ponderacion, se

necesita la matriz de correlaciones entre los differentes valores de la entradas del sistema. Adicionalmente
necesita el vector de correlaciones cruzadas entre el
vector de entradas y el valor del comportamiento que
deseamos para el sistema.
Esto implicaria tener conocimiento previo de las
caracteristicas de las senales de entrada que ingresarian al sistema. Para entradas estocasticas, esta
conocimiento a priori es inaccedible. Por lo tanto
debemos encontrar otro metodo menos directo para
actualizar el vector de constantes de ponderacion, tal
que nos lleve a una solucion optima.
V.

A LGORITMO DEL VALOR E SPERADO M INIMO

C UADRADO

Lo que propone el algoritmo del valor esperado

minimo cuadrado, o LMS por sus siglas en espanol,
es remplazar el vector de correlaciones cruzadas, p
y la matriz de correlaciones, R, con aproximaciones
instantaneas:
= u(n)uH (n)
R
(8)
y:

En el caso del gradiente deterministico del algoritmo de descenso mas empinado, las solucion
toma un camino determinado hacia la solucion optima
espicificada por las ecuaciones de Weiner-Hoff. A
contrario, para el algoritmo LMS, cada iteracion de
este toma un camino aleatorio sobre la superficie de
soluciones. Esto es de esperar ya que en este caso
la gradiente es estocastica. Es decir, no tiene ningun
conocimiento previo sobre esta, debido a la naturaleza
aleatoria de la senal de entrada.
Sin embargo, de acuerdo al tamano del paso para
cada iteracion, , el disenador elige entre convergencia rapida hacia una solucion o un camino hacia la
solucion mas fiel al caso ideal. Esto es, mientras mas
rapido uno elija aproximarse a la solucion optima,
mas ruidoso sera el camino hacia esta.
VI.

F ILTROS A DAPTIVOS EN B LOQUES

El algoritmo LMS en si no fue utilizado por los

autores. En realidad se utilizo un un filtro LMS en
bloques.
Un filtro LMS en bloques de algun modo enventana la senal de entrada en bloques y procesa la entrada
un bloque a la ves. Sin entrar mucho en detalles, esto
ayuda a que el algoritmo se mas preciso por medio
de un promedio de sus entradas multiplicadas por el
error en tiempo de muestreo.
Adicionalmente, el calculo para el algoritmo LMS
utilizado por los autores no hace el calculo de algoritmo en el dominio del tiempo, si no que utiliza el
algoritmo de la transformada rapida de Fourier (en
realidad la un algoritmo optimizado de la transformada de Coseno Discreta) en el dominio de la frecuencia.
De ser equivalentes entre los dos, hacer el calculo
en el domino de la frecuencia permite un calculo
eficiente, en particular en el caso de utilizar bloques
grandes para el filtro. La razon por esta es que la
formulacion del algoritmo LMS por bloques lleva
a operaciones de convolucion y correlacion. Y los
algoritmos en el dominio de la frecuencia son muy
efficientes en hacer este tipo de calculos.
VII.

C ONCLUSIONES

En el transcurso de esta investigacion logramos

entender a grandes rasgos la teoria del funcionamiento
de los filtros utilizados por los autores. Sirvio como
una buena introduccion a los temas de los filtros
adaptivos. Para continuar con este aprendizaje falta
analizar con profundidad temas como las condiciones
de convergencia y estabilidad para estos algoritmos.
Tambien falto aplicar lo aprendido a la aplicacion
particular del articulo. Como tambien concer la necesidad de utilizar un esquemaa multibanda.
Esto nos sirvira como motivacion para seguir
investigando.
AGRADECIMIENTOS

p
(n) = u(n)d (n)

(9)

Esto nos lleva a la siguiente ecuacion de actualizacion para el vector de las constantes ponderadas:
w(n+1)

= w(n)+u(n)[d

(n)uH (n)w(n)]. (10)

Agradecemos al profesor de la materia de DSP,

el Ing. Kenneth Palacio, no solo por incentivarnos
en esta investigacion, pero, mas importante, por ser
generoso en sus fuentes de informacion para estos
propositos.

R EFERENCIAS
[1]

C. You and H. Sun, Adaptive filter theory, International

Conference on Signal Processing Proceedings, 2002.
[2] S. Haykin, Adaptive Filter Theory. Prentice Hall, 1995.