Эта статья включает в себя список общих ссылок , но он остается в значительной степени непроверенным, поскольку в нем отсутствует достаточное количество соответствующих встроенных ссылок . ( Февраль 2013 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения ) |
Адаптивный фильтр представляет собой систему с линейным фильтром , который имеет функцию передачи , управляемую переменными параметрами и средство для настройки этих параметров в соответствии с алгоритмом оптимизации . Из-за сложности алгоритмов оптимизации почти все адаптивные фильтры являются цифровыми фильтрами . Адаптивные фильтры требуются для некоторых приложений, потому что некоторые параметры желаемой операции обработки (например, положения отражающих поверхностей в реверберирующем пространстве) заранее неизвестны или изменяются. Адаптивный фильтр с обратной связью использует обратную связь в виде сигнала ошибки для уточнения своей передаточной функции.
Вообще говоря, адаптивный процесс с обратной связью включает использование функции стоимости , которая 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.
По мере того, как мощность цифровых сигнальных процессоров возросла, 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 [ править ]
Запись сердечного ритма ( ЭКГ ) может быть искажена шумом от сети переменного тока . Точная частота мощности и ее гармоник могут время от времени изменяться.
Одним из способов устранения шума является фильтрация сигнала режекторным фильтром на частоте сети и в ее окрестностях, но это может чрезмерно ухудшить качество ЭКГ, поскольку сердцебиение, вероятно, также будет иметь частотные компоненты в отклоняемом 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 при ее колебаниях и вычитать шум из записи. Такой адаптивный метод обычно позволяет использовать фильтр с меньшим диапазоном отклонения, что в данном случае означает, что качество выходного сигнала более точное для медицинских целей. [1] [2]
Блок-схема [ править ]
Идея адаптивного фильтра с обратной связью заключается в том, что переменный фильтр регулируется до минимума ошибки (разницы между выходным сигналом фильтра и желаемым сигналом). Наименьших средних квадратов (LMS) фильтра и рекурсивных наименьших квадратов фильтр (RLS) являются типами адаптивного фильтра.
У адаптивного фильтра есть два входных сигнала: и, которые иногда называют первичным входом и эталонным входом соответственно. [3] Попытки Алгоритм адаптации для фильтрации вход задания в копию нужного входа путем сведения к минимуму остаточного сигнала, . Когда адаптация успешна, выходной сигнал фильтра фактически является оценкой полезного сигнала.
- который включает полезный сигнал плюс нежелательные помехи и
- который включает в себя 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 k-му весу 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 могут быть или даже могут быть коэффициенты фильтра. [4] (Уидроу)
Входные сигналы определяются следующим образом:
- куда:
- g = желаемый сигнал,
- g ' = сигнал, который коррелирует с полезным сигналом g ,
- u = нежелательный сигнал, который добавляется к g , но не коррелирует с g или g '
- u ' = сигнал, который коррелирует с нежелательным сигналом u , но не коррелирует с g или g ' ,
- v = нежелательный сигнал (обычно случайный шум), не коррелированный с g , g ' , u , u ' или v ' ,
- v ' = нежелательный сигнал (обычно случайный шум), не коррелированный с g , g ' , u , u ' или v .
Выходные сигналы определяются следующим образом:
- .
- куда:
- = выход фильтра, если вход был только g ' ,
- = выход фильтра, если вход был только u ' ,
- = выход фильтра, если вход был только v ' .
КИХ-фильтр на линии задержки с отводом [ править ]
Если переменный фильтр имеет структуру конечной импульсной характеристики (FIR) с линией задержки с отводом , то импульсная характеристика равна коэффициентам фильтра. Выходной сигнал фильтра определяется выражением
- где относится к k-му весу в k-й раз.
Идеальный случай [ править ]
В идеальном случае . Все нежелательные сигналы представлены значком . полностью состоит из сигнала, коррелированного с нежелательным сигналом в .
Выход переменного фильтра в идеальном случае
- .
Сигнал ошибки или функция стоимости - это разница между и
- . Полезный сигнал g k проходит без изменения.
Сигнал ошибки минимизируется в среднеквадратическом смысле, когда минимизируется. Другими словами, это наилучшая среднеквадратическая оценка . В идеальном случае, и , и все, что остается после вычитания, - это неизмененный полезный сигнал с удалением всех нежелательных сигналов.
Компоненты сигнала в опорном входе [ править ]
В некоторых ситуациях опорный вход включает в себя 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 инверсией мощности .
- .
- куда
- = отношение выходного сигнала к помехе.
- = Опорный сигнал к помехе.
- = частота в z-области.
- куда
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. Как только отменяющий сойдет,отношение первичного сигнала к помехе будет улучшено с 1: 1 до 50: 1.
Адаптивный линейный комбайнер [ править ]
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, то комбинация линии задержки с ответвлениями и ALC составила 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 k-му весу в k-й раз.
Алгоритм LMS [ править ]
Если переменный фильтр имеет структуру FIR с отводной линией задержки, то алгоритм обновления LMS особенно прост. Обычно после каждой выборки коэффициенты КИХ-фильтра регулируются следующим образом: [6] (Уидроу)
- за
- μ называется фактором сходимости .
Алгоритм LMS не требует, чтобы значения X имели какое-либо конкретное отношение; поэтому его можно использовать для адаптации линейного сумматора, а также КИХ-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, изменяются больше всего. Если ошибка равна нулю, значит, веса не должны изменяться. Если связанное значение X равно нулю, то изменение веса не имеет значения, поэтому оно не изменяется.
Конвергенция [ править ]
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, чтобы предотвратить сходимость, 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 выбросы.
В 1985 году Уидроу и Стернс заявили, что им неизвестно доказательство того, что алгоритм LMS будет сходиться во всех случаях. [7]
Однако при определенных предположениях о стационарности и независимости можно показать, что алгоритм сходится, если
- куда
- = сумма всей входной мощности
- куда
- это среднеквадратичное значение '-го входа
В случае фильтра линии задержки с отводом каждый вход имеет одинаковое среднеквадратичное значение, потому что это просто одни и те же значения задержки. В этом случае общая мощность
- куда
- - среднеквадратичное значение входного потока. [7]
- куда
Это приводит к нормализованному алгоритму LMS:
- в этом случае критерии сходимости становится: .
Нелинейные адаптивные фильтры [ править ]
Цель нелинейных фильтров - преодолеть ограничения линейных моделей. Существует несколько часто используемых подходов: Volterra LMS, адаптивный фильтр ядра, адаптивный фильтр Spline [8] и адаптивный фильтр Урысона. [9] [10] Многие авторы [11] включают в этот список и нейронные сети. Общая идея Volterra LMS и Kernel LMS заключается в замене выборок данных различными нелинейными алгебраическими выражениями. Для Volterra LMS это выражение - серия Volterra . В Spline Adaptive Filter 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 [ править ]
- Шумоподавление
- Предсказание сигнала
- Адаптивное отключение обратной связи
- Эхоподавление
Реализации фильтров [ править ]
- Фильтр наименьших средних квадратов
- Рекурсивный фильтр наименьших квадратов
- Адаптивный фильтр в частотной области с блоком с несколькими задержками
См. Также [ править ]
- 2D адаптивные фильтры
- Фильтр (обработка сигнала)
- Фильтр Калмана
- Адаптивный фильтр ядра
- Линейное предсказание
- Оценщик MMSE
- Фильтр Винера
- Уравнение Винера-Хопфа
Ссылки [ править ]
- ^ Такор, штат Невада; Чжу И-Шэн (1991-08-01). «Применение адаптивной фильтрации к анализу ЭКГ: шумоподавление и обнаружение аритмии». IEEE Transactions по биомедицинской инженерии . 38 (8): 785–794. DOI : 10.1109 / 10.83591 . ISSN 0018-9294 . PMID 1937512 .
- ^ Видроу, Бернард; Стернс, Сэмюэл Д. (1985). Адаптивная обработка сигналов (1-е изд.). Прентис-Холл. п. 329 . ISBN 978-0130040299.
- ^ Widrow стр 304
- ^ Widrow стр 212
- ^ Уидроу р 313
- ^ Уидроу, стр. 100
- ^ a b Уидроу стр.103
- ^ Данило Комминиелло; Хосе К. Принсипи (2018). Адаптивные методы обучения для моделирования нелинейных систем . ISBN Elsevier Inc. 978-0-12-812976-0.
- ^ М.Полуэктов и А.Поляр. Адаптивный фильтр Урысона . 2019.
- ^ «Нелинейная адаптивная фильтрация» . ezcodesample.com .
- ^ 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 [ править ]
- Хейс, Монсон Х. (1996). Статистическая обработка и моделирование цифровых сигналов . 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.