Адаптивный фильтр - это система с линейным фильтром , имеющим передаточная функция, управляемая переменными параметрами, и средство для регулировки 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 фильтр. передаточная функция для минимизации затрат на следующей итерации. Наиболее распространенная функция стоимости - это средний квадрат сигнала ошибки.
По мере увеличения мощности цифровых сигнальных процессоров адаптивные фильтры стали гораздо более распространенными и теперь обычно используются в таких устройствах, как мобильные телефоны и другие устройства связи, видеокамеры и цифровые камеры, и оборудование для медицинского наблюдения.
Запись сердечного ритма (ЭКГ ) может быть искажена шумом от сети переменного тока. Точная частота мощности и ее гармоник может время от времени изменяться.
Одним из способов устранения шума является фильтрация сигнала с помощью режекторного фильтра на частоте сети и в непосредственной близости от нее, но это может значительно ухудшить качество ЭКГ, поскольку сердцебиение будет также, вероятно, имеют частотные составляющие 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 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.
Идея адаптивного фильтра с обратной связью заключается в том, что переменный фильтр регулируется до минимума ошибки (разницы между выходным сигналом фильтра и желаемым сигналом). Фильтр наименьших средних квадратов (LMS) и фильтр рекурсивных наименьших квадратов (RLS) являются типами адаптивного фильтра.
Есть два входных сигнала для адаптивного фильтра : и , которые иногда называют первичным вводом и контрольным вводом соответственно. Алгоритм адаптации пытается отфильтровать эталонный вход в реплику желаемого входа путем минимизации остаточного сигнала, . Когда адаптация прошла успешно, выходной сигнал фильтра фактически является оценкой желаемого сигнала.
Фильтр управляется набором L + 1 коэффициентов или весов.
Обычно вывод , но это может быть или даже коэффициенты фильтра. (Widrow)
Входные сигналы определены следующим образом:
Выходные сигналы определяются следующим образом:
Если переменный фильтр имеет структуру с отводной линией задержки Конечная импульсная характеристика (КИХ), то импульсная характеристика равно коэффициентам фильтра. Выходной сигнал фильтра определяется выражением
В идеальном случае . Все нежелательные сигналы в представлены как . полностью состоит из сигнала, коррелированного с нежелательным сигналом в .
Выход переменного фильтра в идеальном случае равен
Сигнал ошибки или функция стоимости - это разница между и
Сигнал ошибки минимизируется в среднем квадрате смысл, когда минимизирован. Другими словами, - это наилучшая среднеквадратичная оценка . В идеальном случае и , и все, что остается после вычитания, это , который является неизменным желаемым сигналом с все нежелательные сигналы удалены.
В некоторых ситуациях опорный вход включает в себя компоненты полезного сигнала. Это означает, что g '0.
Полное подавление нежелательных помех в данном случае невозможно, но возможно улучшение отношения сигнал / помеха. Результатом будет
Отношение выходного сигнала к помехе имеет простую формулу, называемую инверсией мощности.
Эта формула означает, что выходной сигнал к помехе на определенной частоте является обратной величиной опорного сигнала к помехе
Пример:.. фаст-фуд В ресторане 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. Сотрудникам 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 компенсатор сойдется, отношение первичного сигнала к помехе будет улучшено с 1: 1 до 50: 1.
Адаптивный линейный сумматор (ALC) похож на FIR-фильтр с адаптивной ответвленной линией задержки, за исключением того, что нет никакой предполагаемой связи между значениями X. Если бы значения X были на выходах 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.
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: (Уидроу)
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 состоит в том, чтобы каждый раз, k, вносить 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 результат, , 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.
μ контролирует, насколько быстро и насколько хорошо 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 перерегулирование.
В 1985 году Уидроу и Стернс заявили, что им неизвестно доказательство того, что алгоритм LMS будет сходиться во всех случаях.
Однако при определенных предположениях о стационарности и независимости можно показать, что алгоритм сходится, если
В случае фильтра линии задержки с отводом каждый вход имеет одно и то же среднеквадратичное значение, потому что это просто одни и те же задержанные значения. В этом случае общая мощность составляет
Это приводит к нормализованному алгоритму LMS:
Целью нелинейных фильтров является преодоление ограничений линейных моделей. Существует несколько часто используемых подходов: Volterra LMS, Адаптивный фильтр ядра, Адаптивный фильтр Spline и Адаптивный фильтр Урысона. Многие авторы 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 определены из выборок данных.