Адаптивный фильтр - Adaptive filter

An адаптивный фильтр система с линейной фильтр что есть функция передачи контролируется переменными параметрами и средствами регулировки этих параметров в соответствии с алгоритм оптимизации. Из-за сложности алгоритмов оптимизации почти все адаптивные фильтры цифровые фильтры. Адаптивные фильтры требуются для некоторых приложений, потому что некоторые параметры желаемой операции обработки (например, расположение отражающих поверхностей в реверберационный пробел) заранее не известны или меняются. Адаптивный фильтр с обратной связью использует обратную связь в виде сигнала ошибки для уточнения передаточной функции.

Вообще говоря, адаптивный процесс с обратной связью включает использование функция стоимости, который является критерием оптимальной производительности фильтра, для подачи в алгоритм, который определяет, как изменить передаточную функцию фильтра, чтобы минимизировать затраты на следующей итерации. Наиболее распространенная функция стоимости - это средний квадрат сигнала ошибки.

Как сила цифровые сигнальные процессоры увеличилось, адаптивные фильтры стали гораздо более распространенными и теперь обычно используются в таких устройствах, как мобильные телефоны и другие устройства связи, видеокамеры и цифровые камеры, а также оборудование для медицинского наблюдения.

Пример приложения

Запись сердечного ритма ( ЭКГ ), может быть поврежден шумом от Сеть переменного тока. Точная частота мощности и ее гармоники может меняться от момента к моменту.

Один из способов удалить шум - отфильтровать сигнал с помощью режекторный фильтр на частоте сети и в ее окрестностях, но это может чрезмерно ухудшить качество ЭКГ, поскольку сердцебиение также, вероятно, будет иметь частотные компоненты в отклоненном диапазоне.

Чтобы избежать этой потенциальной потери информации, можно использовать адаптивный фильтр. Адаптивный фильтр будет принимать входные данные как от пациента, так и от сети и, таким образом, сможет отслеживать фактическую частоту шума по мере его колебаний и вычитать шум из записи. Такой адаптивный метод обычно позволяет использовать фильтр с меньшим диапазоном отклонения, что означает, в этом случае, что качество выходного сигнала более точное для медицинских целей.[1][2]

Блок-схема

Идея адаптивного фильтра с обратной связью заключается в том, что переменный фильтр регулируется до минимума ошибки (разницы между выходным сигналом фильтра и желаемым сигналом). В Фильтр наименьших средних квадратов (LMS) и Рекурсивный фильтр наименьших квадратов (RLS) - это типы адаптивного фильтра.

Блок-схема адаптивного фильтра с отдельным блоком для процесса адаптации.
Адаптивный фильтр. k = номер выборки, x = эталонный ввод, X = набор последних значений x, d = желаемый ввод, W = набор коэффициентов фильтра, ε = вывод ошибок, f = импульсная характеристика фильтра, * = свертка, Σ = суммирование, верхний прямоугольник = линейный фильтр, нижний прямоугольник = алгоритм адаптации
Компактная блок-схема адаптивного фильтра без отдельного блока для процесса адаптации.
Адаптивный фильтр, компактное представление. k = номер выборки, x = эталонный вход, d = желаемый вход, ε = выход ошибки, f = импульсная характеристика фильтра, Σ = суммирование, прямоугольник = линейный фильтр и алгоритм адаптации.

На адаптивный фильтр поступают два входных сигнала: и которые иногда называют первичный ввод и эталонный вход соответственно.[3] Алгоритм адаптации пытается отфильтровать эталонный вход в копию желаемого входа, минимизируя остаточный сигнал, . Когда адаптация прошла успешно, выходной сигнал фильтра фактически является оценкой полезного сигнала.

который включает полезный сигнал плюс нежелательные помехи и
который включает сигналы, которые коррелируют с некоторыми нежелательными помехами в .
k представляет собой дискретный номер образца.

Фильтр управляется набором L + 1 коэффициентов или весов.

представляет набор или вектор весов, которые управляют фильтром во время выборки k.
где относится к вес в k-й раз.
представляет изменение весов, которое происходит в результате корректировок, вычисленных во время выборки k.
Эти изменения будут применены после времени выборки k и до того, как они будут использованы во время выборки k + 1.

Выход обычно но это могло быть или это могут быть даже коэффициенты фильтра.[4](Видроу)

Входные сигналы определяются следующим образом:

куда:
г = желаемый сигнал,
г' = сигнал, который коррелирует с желаемым сигналом г ,
ты = нежелательный сигнал, который добавляется к г , но не коррелирует с г или г'
ты' = сигнал, который коррелирует с нежелательным сигналом ты, но не коррелирует с г или г',
v = нежелательный сигнал (обычно случайный шум), не коррелированный с г, г', ты, ты' или v',
v' = нежелательный сигнал (обычно случайный шум), не коррелированный с г, г', ты, ты' или v.

Выходные сигналы определяются следующим образом:

.
куда:
= выход фильтра, если вход был только г',
= выход фильтра, если вход был только ты',
= выход фильтра, если вход был только v'.

КИХ-фильтр с отводной линией задержки

Если переменный фильтр имеет линию задержки с отводом Конечная импульсная характеристика (FIR) структуры, то импульсная характеристика равна коэффициентам фильтра. Выходной сигнал фильтра определяется выражением

где относится к вес в k-й раз.

Идеальный случай

В идеальном случае . Все нежелательные сигналы в представлены . полностью состоит из сигнала, коррелированного с нежелательным сигналом в .

Выход переменного фильтра в идеальном случае

.

Сигнал ошибки или функция стоимости разница между и

. Желаемый сигнал гk проходит без изменений.

Сигнал ошибки минимизируется в среднеквадратическом смысле, когда сводится к минимуму. Другими словами, является наилучшей среднеквадратической оценкой . В идеальном случае и , и все, что остается после вычитания, который является неизменным полезным сигналом с удалением всех нежелательных сигналов.

Компоненты сигнала в опорном входе

В некоторых ситуациях эталонный вход включает компоненты полезного сигнала. Это означает, что g '≠ 0.

Полное подавление нежелательных помех в этом случае невозможно, но возможно улучшение отношения сигнал / помеха. Выход будет

. Желаемый сигнал будет изменен (обычно уменьшен).

Отношение выходного сигнала к помехе имеет простую формулу, называемую инверсия мощности.

.
где
= отношение выходного сигнала к помехе.
= Опорный сигнал к помехе.
= частота в z-области.

Эта формула означает, что выходной сигнал к помехе на определенной частоте является обратной величиной опорного сигнала к помехе.[5]

Пример. В ресторане быстрого питания есть подъездное окно. Прежде чем подойти к окну, покупатель оформляет заказ, говоря в микрофон. Микрофон также улавливает шум двигателя и окружающей среды. Этот микрофон обеспечивает основной сигнал. Мощность сигнала от голоса клиента и мощность шума от двигателя равны. Работникам ресторана сложно понять клиента. Чтобы уменьшить количество помех в основном микрофоне, второй микрофон расположен там, где он предназначен для улавливания звуков двигателя. Он также улавливает голос клиента. Этот микрофон является источником опорного сигнала. В этом случае шум двигателя в 50 раз сильнее голоса клиента. После схождения компенсатора отношение первичного сигнала к помехе будет улучшено с 1: 1 до 50: 1.

Адаптивный линейный комбайнер

Блок-схема адаптивного линейного сумматора с отдельным блоком процесса адаптации.
Адаптивный линейный комбайнер, показывающий комбайнер и процесс адаптации. k = номер выборки, n = индекс входной переменной, x = эталонные входы, d = желаемый вход, W = набор коэффициентов фильтра, ε = выход ошибки, Σ = суммирование, верхний прямоугольник = линейный сумматор, нижний прямоугольник = алгоритм адаптации.
Компактная блок-схема адаптивного линейного сумматора без отдельного блока процесса адаптации.
Адаптивный линейный комбайнер, компактное представление. k = номер выборки, n = индекс входной переменной, x = эталонные входы, d = желаемый вход, ε = выход ошибки, Σ = суммирование.

Адаптивный линейный сумматор (ALC) напоминает FIR-фильтр с адаптивной линией задержки с ответвлениями, за исключением того, что между значениями X нет предполагаемой взаимосвязи. Если бы значения X были из выходов линии задержки с ответвлениями, тогда комбинация линии задержки с ответвлениями и ALC составляла бы адаптивный фильтр. Однако значения X могут быть значениями массива пикселей. Или они могут быть выходами нескольких линий задержки с ответвлениями. ALC находит применение в качестве адаптивного формирователя луча для решеток гидрофонов или антенн.

где относится к вес в k-й раз.

Алгоритм LMS

Если переменный фильтр имеет структуру FIR с ответвленной линией задержки, то алгоритм обновления LMS особенно прост. Обычно после каждой выборки коэффициенты КИХ-фильтра регулируются следующим образом:[6](Видроу)

за
μ называется коэффициент сходимости.

Алгоритм LMS не требует, чтобы значения X имели какое-либо конкретное отношение; поэтому его можно использовать для адаптации линейного сумматора, а также FIR-фильтра. В этом случае формула обновления записывается как:

Эффект алгоритма LMS заключается в том, что каждый раз k вносит небольшое изменение в каждый вес. Направление изменения таково, что оно уменьшило бы ошибку, если бы оно было применено в момент времени k. Величина изменения каждого веса зависит от μ, соответствующего значения X и ошибки в момент времени k. Веса, вносящие наибольший вклад в выпуск, , меняются больше всего. Если ошибка равна нулю, значит, веса не должны изменяться. Если соответствующее значение X равно нулю, то изменение веса не имеет значения, поэтому оно не изменяется.

Конвергенция

μ контролирует, насколько быстро и насколько алгоритм сходится к оптимальным коэффициентам фильтра. Если μ слишком велико, алгоритм не сойдется. Если μ слишком мало, алгоритм сходится медленно и может быть не в состоянии отслеживать изменяющиеся условия. Если μ велико, но не слишком велико для предотвращения сходимости, алгоритм быстро достигает установившегося состояния, но постоянно выходит за пределы оптимального вектора веса. Иногда μ сначала делают большим для быстрой сходимости, а затем уменьшают, чтобы минимизировать выброс.

В 1985 году Уидроу и Стернс заявили, что им ничего не известно о доказательстве того, что алгоритм LMS будет сходиться во всех случаях.[7]

Однако при определенных предположениях о стационарности и независимости можно показать, что алгоритм сходится, если

где
= сумма всей входной мощности
это RMS ценность ый вход

В случае фильтра линии задержки с отводом каждый вход имеет одно и то же среднеквадратичное значение, потому что это просто одни и те же значения задержки. В этом случае общая мощность

где
это среднеквадратичное значение , входной поток.[7]

Это приводит к нормализованному алгоритму LMS:

в этом случае критерием сходимости становится: .

Нелинейные адаптивные фильтры

Цель нелинейных фильтров - преодолеть ограничения линейных моделей. Есть несколько часто используемых подходов: Volterra LMS, Адаптивный фильтр ядра, Адаптивный фильтр сплайна [8] и адаптивный фильтр Урысона.[9][10] Многие авторы [11] включить в этот список также нейронные сети. Общая идея Volterra LMS и Kernel LMS заключается в замене выборок данных различными нелинейными алгебраическими выражениями. Для Volterra LMS это выражение Вольтерра серия. В адаптивном фильтре Spline модель представляет собой каскад линейного динамического блока и статической нелинейности, который аппроксимируется сплайнами. В адаптивном фильтре Урысона линейные члены в модели

заменяются кусочно-линейными функциями

которые идентифицируются из выборок данных.

Применение адаптивных фильтров

Реализации фильтров

Смотрите также

использованная литература

  1. ^ Thakor, N.V .; Чжу И-Шэн (1 августа 1991 г.). «Приложения адаптивной фильтрации к анализу ЭКГ: шумоподавление и обнаружение аритмии». IEEE Transactions по биомедицинской инженерии. 38 (8): 785–794. Дои:10.1109/10.83591. ISSN  0018-9294. PMID  1937512.
  2. ^ Видроу, Бернард; Стернс, Сэмюэл Д. (1985). Адаптивная обработка сигналов (1-е изд.). Прентис-Холл. п.329. ISBN  978-0130040299.
  3. ^ Widrow p 304
  4. ^ Widrow p 212
  5. ^ Widrow p 313
  6. ^ Widrow p 100
  7. ^ а б Widrow стр 103
  8. ^ Данило Комминиелло; Хосе К. Принсипи (2018). Адаптивные методы обучения для моделирования нелинейных систем. Elsevier Inc. ISBN  978-0-12-812976-0.
  9. ^ М.Полуэктов и А.Поляр. Адаптивный фильтр Урысона. 2019.
  10. ^ «Нелинейная адаптивная фильтрация». ezcodesample.com.
  11. ^ Вэйфэн Лю; Хосе К. Принсипи; Саймон Хайкин (март 2010 г.). Адаптивная фильтрация ядра: всестороннее введение (PDF). Вайли. С. 12–20. ISBN  978-0-470-44753-6.

Источники

  • Хейс, Монсон Х. (1996). Статистическая цифровая обработка сигналов и моделирование. Вайли. ISBN  978-0-471-59431-4.
  • Хайкин, Саймон (2002). Теория адаптивного фильтра. Прентис Холл. ISBN  978-0-13-048434-5.
  • Видроу, Бернард; Стернс, Сэмюэл Д. (1985). Адаптивная обработка сигналов. Энглвуд Клиффс, Нью-Джерси: Prentice Hall. ISBN  978-0-13-004029-9.