Вы находитесь на странице: 1из 7

Введение

В настоящее время адаптивный фильтры являются неотъемлемой


частью в радиотехнических системах передачи информации. Адаптивные
фильтры имеют широкий спектр применения, например обеспечение
коррекции демодуляторов-модуляторов передачи данных по каналу речевых
сигналов, а также являются необходимым компонентом адаптивных
антенных и акустических решеток. И с каждым годом область применения
только растет, как и актуальность анализа регулированных алгоритмов
адаптивной обработки сигналов. Так как функционирования подобных
устройств напрямую зависит от алгоритма, лежащего в основе фильтра. В
современном мире уже придумано множество различных алгоритмов
адаптивной фильтрации, но на практике выбор нужно алгоритма зависит от
наших целей и ресурсов. Таким образом в данной работе будет рассмотрен
один из регулированных алгоритмов адаптивной фильтрации для анализа его
эффективности и сферы применения.
Фильтрация

В общем случае задача фильтрации формулируется следующим


образом. Наблюдается процесс (t), являющийся детерминированной

функцией от полезного сигнала s(t, λ ( t ) ) и некоторой помехи n(t).

Полезный сигнал s(t, λ ( t ) ) является функцией времени t и
⃗λ ( t )=[ λ (t ),…, λ ( t ) ]
многокомпонентного параметра (сообщения) 1 n ,
представляющего собой векторный случайный процесс. Предполагаются

известными функциональная зависимость сигнала от аргумента (t) и λ ( t ) , а
также все необходимые вероятностные характеристики случайного процесса
⃗λ ( t )
и помехи n(t).
Постановка стандартной задачи фильтра К предполагает априорное
знание статистики порождающих и измерительных шумов–матриц Q и R, нов
большинстве случаев в реальных условиях эти матрицы известны неточно.
Чтобы получить оптимальные характеристики фильтра, необходимо
правильно определить матрицы порождающих и измерительных шумов.
Неправильный выбор начальной матрицы ковариации приведет к неточности
оценок состояний или к увеличению дисперсии погрешностей. Кроме того,
неверная априорная информация может стать причиной расходимости и
низкой эффективности фильтра в практических применениях.
Устройства адаптивной обработки данных отличаются наличием
определенной взаимосвязи между параметрами передаточной функции и
параметрами входных, выходных, ожидаемых, прогнозируемых и других
дополнительных сигналов или параметрами их статистического
соотношения, что позволяет осуществлять самонастройку для оптимальная
обработка сигнала. В простейшем случае адаптивное устройство содержит
программируемый фильтр обработки данных и блок (алгоритм) адаптации,
который генерирует сигнал для управления параметрами программируемого
фильтра на основе определенной программы для анализа входных, выходных
и других дополнительных данных. Импульсная характеристика адаптивных
систем может быть как конечной, так и бесконечной.
Регуляризация
В данном докладе же будет рассмотрен один из наиболее вычислительно
сложных алгоритмов и быстрых- регуляризованный метод наименьших
квадратов RLS. это семейство методов для решения задачи наименьших
квадратов с использованием регуляризации для дальнейшего ограничения
полученного решения. RLS используется по двум основным причинам.
Первый возникает, когда количество переменных в линейной системе
превышает количество наблюдений. В таких условиях обычная задача
наименьших квадратов некорректна и, следовательно, не может
соответствовать, потому что связанная проблема оптимизации имеет
бесконечно много решений. Регуляризация позволяет вводить
дополнительные ограничения, которые однозначно определяют решение.
Вторая причина использования регуляризации возникает, когда количество
переменных не превышает количества наблюдений, но изученная модель
страдает плохим обобщением. В таких случаях RLS можно использовать для
улучшения глобализации модели, ограничивая ее во время обучения. Это
ограничение может либо заставить решение быть «разреженным» каким-то
образом, либо отражать другие предшествующие знания о проблеме, такие
как информация о корреляциях между функциями.

Для общего случая одноканальный адаптивный фильтр демонстрирует


собой устройство, изображённое на рисунке 1. Здесь x(k) — входной сигнал,
d(k) —необходимый сигнал, y(k) — выходной сигнал, α(k) = d(k) – y(k) —
сигнал ошибки, k —номер отсчета обрабатываемого сигнала или индекс
дискретного времени. Эти отсчеты обычно равномерно распределены на оси
времени как t = kTS = k/FS , где TS — период дискретизации, а FS — частота
дискретизации обрабатываемых сигналов. Длительность одной итерации
адаптивного алгоритма, то есть время, в течение которого происходит расчет
весового коэффициента, используемых для вычисления выходного сигнала
адаптивного фильтра на следующей итерации, чаще всего равна одному
периоду дискретизации. В том случае, когда расчет весового коэффициента
ведется медленно, то есть в промежутке нескольких периодов дискретизации,
то формирование сигнала y(k) в любом случае осуществляется на каждом
периоде дискретизации для удовлетворения требованиям теоремы
Котельникова.
Адаптивный алгоритм – это процесс расчета весового коэффициента,
гарантирующих минимизацию целевой функции адаптивного фильтра, то
есть соблюдение критерия работы этого фильтра. Алгоритм описывается
видом используемой целевой функции, приемом поиска оптимального
решения и природой сигналов ошибок. В адаптивных алгоритмах
применяются арифметические процедуры над априорными, а также над
апостериорными ошибками. В связи с этим вычисление выходного сигнала
адаптивного фильтра, считается составной частью адаптивного алгоритма.
Адаптивный алгоритм – это, в основном, итерационный процесс. Повторений
шагов или же вычислений обычно совпадает по длительности с периодом
дискретизации анализируемого сигнала. Однако вычисляемые параметры
обновляются на каждом шаге с помощью добавления или вычитания
некоторых добавок.
Критерии анализа
Для анализа адаптивного алгоритма нужно выделить основные
критерии, по которым можно будет оценить работу выбранного алгоритма.
А) Скорость сходимости
Свойство итерационного алгоритма достигать оптимума целевой
функции или подходить достаточно близко к нему за конечное число шагов.
Скорость сходимости алгоритмов — один из важнейших критериев качества
обучаемых моделей. Когда сравнивают скорости двух алгоритмов адаптации
чаще всего это означает сравнения скорости сходимости. Итогом сходимости
представляется то, что через конечное число шагов(итераций) алгоритм
останавливается, а аналитическая модель, которая построена с его
использованием, будет обладать высокой точностью предсказания.
Однако следует подметить, что количество итераций, требуемое для
достижения результата, зависит не только от скорости самого алгоритма, но
и от качества полученных данных. Если они характеризуются высокой
вариабельностью, то более быстрый алгоритм может оказаться
неустойчивым и вообще не обеспечит приемлемой точности. В то же время
менее быстрый, но более устойчивый алгоритм сойдется за приемлемое
число итераций.
Б) Вычислительная сложность
Количество элементарных операций, затрачиваемых алгоритмом для
решения конкретной задачи. Сложность зависит не только от размерности
входных данных, но и от самих данных. Очевидно, что чем сложнее алгоритм
в вычислительном плане, тем больше времени и вычислительных ресурсов
потребует его выполнение.
Различают временную и пространственную сложность. Первая
определяет время, требуемое на решение задачи заданной размерности с
помощью данного алгоритма, а вторая — количество требуемых ресурсов
(памяти) при тех же условиях.

Каждый вычислительный алгоритм может быть отнесен к одному из двух


классов сложности. В данном случае это множество задач, для решения
которых известны алгоритмы, схожие по трудоемкости. В классе P
вычислительные затраты линейно растут с увеличением размерности. Класс
NP включает задачи, для решения которых известны только алгоритмы,
сложность которых экспоненциально зависит от размерности данных.
В) Чувствительность к отклонению параметров.
Наличие в параметрические возмущения приводит к возникновению
дополнительных отклонений на фоне основного качественного режима. Эти
отклонения могут быть значительными и нежелательными. Соответственно,
если у алгоритма будет высокая чувствительность, то это может сделать
систему крайне неустойчивой.
Сравнение по графикам из Matlab
График 1
Алгоритмы наименьшее количество средних квадратичных (LMS)
показывают именно простое и наиболее легко применение адаптивного
алгоритма. В то же время, алгоритмы рекурсивных наименьших квадратов
(RLS), знамениты своей отличной эффективностью и большей точностью,
однако взамен на это они обладают увеличенной сложностью и
вычислительной стоимостью. В своей эффективности RLS близко к Фильтру
Калмана в адаптивных приложениях фильтрации с несколько уменьшаемой
необходимой пропускной способностью в сигнальном процессоре. В
сравнении с LMS-алгоритмом реализация RLS дает более быструю
сходимость и меньшую ошибку относительно неизвестной системы за счет
требования большего количества расчетов. Но ощутимую разницу можно
заметить в наиболее сложных задачах фильтрации. В моем же анализе задача
фильтрации была достаточно легка, поэтому разница между используемым
алгоритмами не столь велика. Но видно, что для подобной несложной
фильтрации можно использовать любой из алгоритмов. Но для более
детального сравнения стоит так же проанализировать сходимость параметров
фильтра и дисперсии ошибки. Ниже приведен код реализации этого анализа.
График 2

Все алгоритмы сходятся достаточно быстро, но LMS и NMLS сходятся


примерно с одной и той же скоростью, в то время как RLS все же имеет
преимущество в скорости сходимости. Это доказывает лучшее качество
подавления помех последним алгоритмом.
Структурная схема

Для реализации фильтра в среде MATLAB я использовал инструмент “


DSP System Toolbox” и его документацию. Для первоначального анализа я
извлек полезную информацию из сигнала с шумом. Информационный сигнал
подшипника является синусоидой, которая повреждается аддитивным белым
гауссовым шумом. Адаптивная система подавления помех принимает
использование двух микрофонов. Первичный микрофон берет шумный
входной сигнал, в то время как вторичный микрофон получает шум, который
является некоррелированным к информационному сигналу подшипника, но
коррелируется к шуму, взятому первичным микрофоном. Ниже приведен код
реализации RLS-алгоритма, в котором можно сравнить и проанализировать
как базовый метод, так и регуляризованный метод на основе QR-разложения.

Графики 3-5
Шум, используемый вторичным микрофоном, представляет из себя
вход для адаптивного фильтра RLS. Шум, который повреждает синусоиду,
является отфильтрованной версией низкой частоты, коррелируемой к этому
шуму. Сумма же информационного сигнала подшипник и отфильтрованного
шума, будет представлять из себя желаемй сигнал для адаптивного фильтра.
Все оставшиеся графики:
Как можно видеть из сравнения графиков, регуляризованный метод
показывает себя наиболее эффективным перед базовым методом. Скорость
сходимости и шумоподавление происходит с большей скоростью, однако все
это увеличивает общую сложность регуляризрованного алгоритма. Так как
моя вычислительная техника обладает достаточно большими мощностями, я
не ощутил весомой разницы по скорости выполнения алгоритма. Но вот на
более слабом железе уже могут возникнуть задержки и “тормоза”. Это
связано с тем, что происходит динамическая регуляризации, при которой
корреляционная матрица модифицируется на каждом последующей
итерации. Зато в более сложных системах регуляризации значительно
увеличивает эффективность системы, так как помимо обучения на основе
предыдущих ошибок система динамически усовершенствуется. А эти самые
итерации тоже являются очень важным параметром в оценке алгоритма. По
ним можно оценить, как сложность алгоритма, так и его границы для
оптимальной работы. В прошлом сравнение алгоритмов я использовал 1000
итераций, это значение можно считать около золотой середины.

Вам также может понравиться