Algoritmos

4o Ingeniera de Telecomunicacion
Tema 6: Filtrado Optimo

y Filtrado Adaptativo
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Indice
Introduccion
Filtro de Wiener
Algoritmo Maximo
Descenso
LMS
Aplicaciones
Extensiones

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Introduccion
Filtrado optimo
(filtro de Wiener)
1
A partir de una entrada, x[n], consideramos el problema de como

un filtro FIR cuya salida se aproxime a una senal
deseada,
disenar
d[n]
estocastica:
Hacemos un formulacion
El objetivo es minimizar el
deseada y la salida
error cuadratico
medio (MSE) entre la senal
del filtro
El filtro optimo
se calcula resolviendo las ecuaciones normales
son necesarios los estadsticos de segundo orden): solucion
(solo
bloque o batch
Filtrado adaptativo
1
2
3
Algoritmos que actualizan los coeficientes del filtro con cada nueva
de d[n] (operan muestra a muestra)
observacion
popular es el algoritmo Least Mean Square (LMS)
El mas
Permiten adaptarse a cambios en la estadstica de las senales
involucradas (e.g, senales

no estacionarias)

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Indice
Introduccion
Filtro de Wiener
Algoritmo Maximo
Descenso
LMS
Aplicaciones
Extensiones

I. Santamara

Introduccion
Alg. Maximo
Descenso
Filtro de Wiener
LMS
Aplicaciones
Extensiones
Wiener became acquainted with Volterras Theory of integral equations, Osgoods Theory of
functions, Lebesgues book on the theory of integration, and Frchets treatise on the theory of
functionals. Wiener claims that For the first
time I began to have a really good understanding of modern mathematics.
Filtro de Wiener
also p
the cu
sent fa
Mathe
Norbert Wiener (1894-1964)
Referencia
d [ n]
Entrada
x[n]
W ( z)
Error
e[n]
Salida
y[n]
Filtro de Wiener

The MIT Museum
Los coeficientes del filtro W (z) se

calculan para minimizar la
varianza (potencia) del error

Minimizar E (e[n])2
During
his mo
ematic
a new
vented
The
some
honor
Brown
of ino
form a
some
though
ment
famou
pulted
physic
posed
the ex
served
tion b
tions.1
Bec
Newto
the nu
stein a
that th
ian pa
That is
lows t
at each
of vie
throw
canno
tion an
tion; t
enter a
tion, th
of ligh
is the d
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Filtro optimo
Referencia
d [ n]
Entrada
x[n]
W ( z)
Error
e[n]
Salida
y[n]
Consideramos un filtro FIR con M coeficientes

T
w = [w0 , w1 , . . . , wM 1 ]
W (z) = w0 + w1 z 1 + w2 z 2 + . . . + wM 1 z M +1
La salida del filtro es
y[n] =
M
1
X

wk x[nk] = w0
k=0

w1
...
x[n]
x[n 1]
= w T xn
wM 1
...
x[n M + 1]
I. Santamara

Introduccion
Alg. Maximo
Descenso
Filtro de Wiener
LMS
Aplicaciones
Extensiones
Donde hemos definido el vector M 1

xn = [x[n], x[n 1], . . . , x[n M + 1]]
que
Tenga en cuenta tambien
y[n] = wT xn = xTn w
de coste a minimizar es
La funcion
h

2 i
J(w) = E (e[n])2 = E d[n] wT xn
=
h
i
2

E (d[n])2 + wT xn 2(wT xn )d[n] = d2 +wT E xn xTn w2wT E [xn d[n]]

El termino
E xn xTn es
x[n]
x[n 1]

x[n] x[n 1]
E xn xTn = E
...
x[n M + 1]

...

x[n M + 1]
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Es decir,

E xn xTn = Rx
de la entrada de
que es la matriz de autocorrelacion
dimensiones M M
Por otra parte, el termino

E [xn d[n]] es
x[n]
rxd [0]
x[n 1]

d[n] = rxd [1] = p

E [xn d[n]] = E
...
...
x[n M + 1]
rxd [M + 1]
que es el vector de dimensiones M 1 con la correlacion

de
cruzada entre la entrada y la salida deseada o senal
referencia
de coste
Funcion
J(w) = d2 + wT Rx w 2wT p

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
En el caso de un filtro con dos coeficientes w = [w0 , w1 ] la

de coste queda
funcion

rx [0] rx [1] w0

rxd [0]
w0 w1
J(w0 , w1 ) =
2 w0 w1
=
rx [1] rx [0] w1
rxd [1]

= d2 + w02 + w12 rx [0] + 2w0 w1 rx [1] 2w0 rxd [0] 2w1 rxd [1]
d2 +
que es un paraboloide

I. Santamara

Introduccion
Alg. Maximo
Descenso
Filtro de Wiener
LMS
Aplicaciones
Extensiones
del filtro optimo
Para calcular la solucion

tomamos derivadas en
de coste e igualamos a cero
la funcion
J(w) = 2Rx w 2p = 0
Rx w = p
nuevamente hay que resolver las ecuaciones normales
rx [0]
rx [1]
. . . rx [M 1]
w0
rx [1]

rx [0]
. . . rx [M 2]
w1
..
. =
..
..
..
..
.
.
.
.
rx [M 1]
rx [M 2]
...
rx [0]
wM 1
rxd [0]
rxd [1]
..
.
rxd [M + 1]
Filtro de Wiener
wopt = R1
x p

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
es el MSE mnimo? es decir, la potencia del error para el

Cual
filtro de Wiener
de coste es
Recordemos que la funcion
anterior tenemos
Sustituyendo wopt = R1
x p en la funcion
T
T
Jmin = d2 + wopt
Rx wopt 2wopt
p
MSE min
T
Jmin = d2 wopt
p
de coste podemos reescribirla como

La funcion
T
J(w) = Jmin + (w wopt ) R (w wopt )

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
de ruido
Ejemplo: eliminacion
Referencia
d [ n]
Entrada
d [ n ] + r[ n ]
W ( z)
Error
e[n]
Salida
y[n]
Rx = Rd + Rn

T
p = rd [0] rd [1] . . . rd [M 1] = rd
1
w = (Rd + Rn )
rd
Cuando M , el filtro de Wiener en el dominio de la

frecuencia en este caso queda
W () =

Sd ()
Sd () + Sn ()
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
x=
[n] sin(0 n + ) + r[n]
LMS
Extensiones
=
d [n] 2 cos(0 n + )
z 1
w0
Aplicaciones
w1
+
-
y[n]
es la autocorelacion
de la entrada?
Cual
1

1
+ 2
cos(0 )
2
2
Rx = 1
1
2
2 cos(0 )
2 +
es el vector de correlacion
cruzada?
Cual

0
p=
sin(0 )

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
El filtro de Wiener es
wopt = R1
x p
wopt =
1

2
1
12 cos(0 )
0
2 +
1
2
sin(0 )
1/4 + 4 + 2 1/4 cos(0 )2 21 cos(0 )
2 +

I. Santamara

Introduccion
Alg. Maximo
Descenso
Filtro de Wiener
LMS
Aplicaciones
Extensiones
Principio de ortogonalidad
El filtro de Wiener se puede derivar, alternativamente, a traves

del principio de ortogonalidad
que minimiza el MSE es aquella en la que el error es
La solucion
ortogonal a las observaciones (entrada del filtro)
xn = [x[n], x[n 1], . . . , x[n M + 1]]
Principio de ortogonalidad
E [xn e[n]] = 0

E xn (d[n] xTn w) = 0
=

Rx w = p
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
En resumen
Para derivar el filtro de Wiener necesitamos unicamente

conocer
de la entrada y
estadsticos de segundo orden: autocorrelacion
cruzada entre la entrada y la salida deseada
correlacion
lineal
El filtro extrae la parte de la entrada que tiene correlacion
con la salida deseada: si la salida esta incorrelada con la
entrada el filtro de Wiener es nulo
de error resultante esta incorrelada con la entrada del
La senal
filtro

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Indice
Introduccion
Filtro de Wiener
Algoritmo Maximo
Descenso
LMS
Aplicaciones
Extensiones

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
El algoritmo de maximo
descenso
Antes de estudiar el principal algoritmo adaptativo (LMS) vamos
a plantear una forma iterativa de resolver las ecuaciones
normales
Esta tecnica
se conoce como el metodo
o algoritmo de maximo
descenso (steepest descent)
de coste a minimizar es
Recordemos otra vez que la funcion
y su derivada (gradiente) con respecto a w es (eliminando el
factor de escala 2)
J(w) = Rx w p
particularizado en un punto w(n)
El gradiente de una funcion
de maximo
en ese
indica la direccion
incremento de la funcion
punto
de coste es moverse en la
Una forma de minimizar la funcion
contraria al gradiente
direccion

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Maximo
descenso
w(n + 1) = w(n) J(w) = w(n) + (p Rx w(n))
w(0)
J ( w) |w= w(0)
w(1)
w(2)
J ( w) |w= w(1)
J ( w) |w= w(2)
wopt

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
del paso en la direccion

J(w) lo controlamos con
El tamano
el parametro
Finalmente, el algoritmo de maximo

descenso se resumen en
los siguientes pasos
1
2
Inicializar el filtro w(0)

For n = 0, 1, . . .
w(n + 1) = w(n) + (p Rx w(n))
end
Fjese que el punto de convergencia satisface las ecuaciones

normales, es decir, w(n + 1) = w(n), cuando se cumple
Rx w(n) = p
y, por lo tanto, el algoritmo se detiene cuando alcanza la solucion

de Wiener
Para asegurar la convergencia hay que elegir un valor de
suficientemente pequeno

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Convergencia
Convergencia del algoritmo de maximo

descenso
de Wiener si el
descenso converge a la solucion
parametro
del algoritmo cumple
0
2
max
donde max es el maximo

autovalor de la matriz Rx
Autovalores y autovectores
Rx puede decomponerse (diagonalizarse)
La matriz de autocorrelacion
como
M
X
Rx =
i qi qTi = QDQT
i=1
donde D = diag (1 , 2 , . . . , M ) es una matriz diagonal que contiene los

autovalores y Q es una matriz ortogonal (i.e., QT Q = I) que contiene los
autovectores
En Matlab los autovalores y autovectores se obtienen como : [Q,D]=eig(Rx);

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Consideremos un problema en el que la matriz de

de la entrada es
autocorrelacion
2

2 r
R
=
x convergencia
Ejemplos de
2 r 2
SEAL DE ENTRADA
BLANCA (r=0)
SEAL DE ENTRADA
MUY CORRELADA (r=0.9)
max 1 + r
=1
=
min 1 r
max 1 + r
= 19
=
min 1 r

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
BAJO
Convergencia lenta y suave

LMS
Aplicaciones
Extensiones
ALTO
Convergencia rpida y errtica
I. Santamara

Introduccion
Alg. Maximo
Descenso
Filtro de Wiener
LMS
Aplicaciones
Extensiones
0.8
= 1 / max
r = 0.5
w0
0.4
0.78
0.2
0
0
10
20
30
0.6
= 1.7 / max
r = 0.5
J (n)
0.76
w1
0.74
10
20
30
20
30
20
30
0.86
w0
0.4
0.2
0.84
0.82
J (n)
0.8
w1
0.78
0.76
-0.2
10
20
30
= 1 / max
r = 0.9
10
0.24
0.8
0.23
w0
0.6
0.4
10
20
Iterations

J (n)
0.22
0.21
w1
0.2
0
0.74
0.2
30
0.19
10
Iterations
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Indice
Introduccion
Filtro de Wiener
Algoritmo Maximo
Descenso
LMS
Aplicaciones
Extensiones

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
El algoritmo LMS (Least Mean Square)
descenso es una forma iterativa de
resolver las ecuaciones normales (o un sistema cualquiera de
ecuaciones lineales), pero NO es un algoritmo adaptativo
Notese
que el algoritmo de maximo
descenso requiere conocer
o estimar Rx y p para calcular el gradiente en un punto w(n)
J(w) = Rx w(n) p

J(w) = E xn xTn w(n) E [xn d[n]]
disponemos de xn
Como
podemos estimar Rx y p cuando solo
y de d[n]?
d
J(w)
= xn xTn w(n) xn d[n]
que puede interpretarse como una estima instantanea

del
gradiente

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
El gradiente instantaneo
puede reescribirse como
d
J(w)
= xn y[n] xn d[n] = xn (y[n] d[n]) = e[n]xn
d
es decir, J(w)=-error
dato
LMS
fundamental del LMS es, entonces
La ecuacion
w(n + 1) = w(n) + e[n]xn
Ventajas:
Nos precisa conocer los estadsticos de la senal
Permite seguir cambios en las senales

involucradas (tracking)
implementacion y baja carga computacional (M + 1
Facil
del algoritmo en
multiplicaciones y M 1 sumas por cada iteracion
el caso de senales
reales)
Inconvenientes:
La estima del gradiente es ruidosa

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Algoritmo LMS
Inicializar w(0)
For n = 0, . . .
e(n) = d(n) w(n)T xn
w(n + 1) = w(n) + e[n]xn
end
Convergencia del LMS
La convergencia del LMS ha de ser en media
lm E [w(n)] = wopt
restrictiva)
y en MSE (mas
lm E [J(n)] = Cte = J()
de convergencia en media y MSE es

La condicion
0<<

2
M x2
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
LMS vs. maximo

descenso
En el metodo
de maximo
descenso los coeficientes describen
de Wiener
una trayectoria (determinista) que acaba en la solucion
J (n)
J min Solucin
de Wiener
En el LMS describen un movimiento aleatorio alrededor de la

de Wiener
solucion
J (n)

J ()
J min
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Ruido de desajuste
Debido a su convergencia ruidosa, el LMS siempre provoca un
MSE en exceso del mnimo dado por el filtro de Wiener
El exceso de MSE se mide mediante el denominado ruido de
desajuste, que se define como
D=
J() Jmin
Jmin
D
Se puede demostrar que (para un suficientemente pequeno)
viene dado por
D = M x2
2
es decir,
Para una velocidad de convergencia dada, el desajuste aumenta
con el numero
de coeficientes del filtro M
El desajuste es inversamente proporcional a la velocidad de

convergencia

I. Santamara

Introduccion
Alg. Maximo
Descenso
Filtro de Wiener
LMS
=0.075
=0.025
Extensiones
200 simulaciones promediadas

(Monte Carlo)
1 simulacin
10
Aplicaciones
-2
J(n)
E[J(n)]
10
-4
=0.075
=0.025
10
-2
10
10
-4
10
-6
10
100
200
300

400
500
-6
10
100
200
300
400
500
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Indice
Introduccion
Filtro de Wiener
Algoritmo Maximo
Descenso
LMS
Aplicaciones
Extensiones

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Identificacion
Tenemos acceso a la entrada, x, y la salida, d, de un sistema
desconocido (planta) h
Usamos un filtro FIR w para identificar h
d [ n]
x[n]
h
e[n]

+
-
y[n]
I. Santamara

Introduccion
Alg. Maximo
Descenso
Filtro de Wiener
LMS
Aplicaciones
Extensiones
Prediccion
e[n]
x[n]

+
-
y[n] = x[n]
I. Santamara

Introduccion
Alg. Maximo
Descenso
Filtro de Wiener
LMS
Aplicaciones
Extensiones
Igualacion
Fase de entrenamiento
z d
s[n]
smbolos
canal
d [=
n] s[n d ]
e[n]
r[n] ruido
igualador
x[n]
y[n]
Modo guiado por decision (decision directed)
e[n]
s[n]
smbolos

canal
r[n] ruido
x[n]
igualador
y[n]
Decisor
s[n]
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Cancelacion
x[=
n] s[n] + i[n]
e[n]
Seal de referencia
Correlada con i[n] e
incorrelada con s[n]

Seal de inters
s[n]
I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Indice
Introduccion
Filtro de Wiener
Algoritmo Maximo
Descenso
LMS
Aplicaciones
Extensiones

I. Santamara

Introduccion
Alg. Maximo
Descenso
Filtro de Wiener
LMS
Aplicaciones
Extensiones
LMS complejo
En el caso de variables complejas tenemos

J(w) = E |e[n]|2 = E [e[n](e[n]) ] =
Y el gradiente se calcula con respecto a w
J(w) =
J(w)
Re(w0 )
J(w)
Re(w1 )
J(w)
Re(wM 1 )
J(w)
+ j Im(w
0)
J(w)
+ j Im(w
1)
..
.
J(w)
+ j Im(wM 1 )
Por ejemplo

w w H x n = x n

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Si definimos la salida del filtro como (producto escalar entre

vectores complejos)
y[n] = wH xn =
M
1
X
wk x[n k]
k=0
del LMS queda

entonces la ecuacion
w(n + 1) = w(n) + e [n]xn
Si la salida del filtro se calcula como
T
y[n] = w xn =
M
1
X
wk x[n k]
k=0
del LMS queda

entonces la ecuacion
w(n + 1) = w(n) + e[n]xn

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
LMS normalizado
del LMS convencional, el cambio en los pesos es
En la ecuacion
de entrada:
proporcional a la norma de la senal
w(n) = e[n]xn
Esto puede ser negativo para senales

no estacionarias con un
gran margen dinamico

(e.g., voz); para este tipo de senales
se
emplea a veces el LMS normalizado
e[n]xn
w(n + 1) = w(n) +
||xn ||2
Se puede interpretar como un LMS con un paso de adaptacion

de entrada:
variable y dependiente de la energa de la senal
(n) = ||xn ||2
Para evitar problemas de convergencia si la norma de la senal

de entrada se aproxima a cero se puede emplear
w(n + 1) = w(n) +
e[n]xn
||xn ||2 +
siendo 0 < << 1

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
LMA (Least Mean Absolute)

En vez de minimizar el MSE (norma L2 del error), minimizamos
su valor absoluto (norma L1 )
J (w) = E [|e[n]|]
Empleando una estima ruidosa del gradiente (como en el LMS),
se obtiene el algoritmo LMA
w(n + 1) = w(n) + sgn(e[n])xn
cuantificada del LMS:
Se puede interpretar como una version
necesitamos 1 bit para el error
solo
Su mayor ventaja es la simplicidad computacional
Pero notese
que es un algoritmo adaptativo no lineal, que no
converge al filtro de Wiener en media

I. Santamara

Introduccion
Filtro de Wiener
Alg. Maximo
Descenso
LMS
Aplicaciones
Extensiones
Conclusiones
El filtro de Wiener es una de las herramientas fundamentales del
modelado,
tratamiento estadstico de senales
(prediccion,
igualacion,
...)
identificacion,
Depende unicamente
de los estadsticos de segundo orden de la
de entrada y la senal
de referencia
senal
Mediante el metodo de maximo

descenso podemos obtener el
filtro de Wiener de manera iterativa, sin necesidad de invertir la
de la entrada
matrix de autocorrelacion
El principal algoritmo adaptativo es el LMS
Emplea una estima ruidosa del gradiente obtenida a partir de la
entrada y salida deseada del filtro en el instante n
suficientemente pequeno
Para una valor del paso de adaptacion

converge en media al filtro de Wiener, pero siempre presenta un
exceso de MSE (ruido de desajuste)

I. Santamara

Algoritmos

Caricato da

Informazioni sul documento

Descrizione originale:

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Algoritmos

Caricato da

Copyright:

Formati disponibili

4o Ingeniera de Telecomunicacion

Tema 6: Filtrado Optimo

Tema 6: Filtrado Optimo

A partir de una entrada, x[n], consideramos el problema de como

Permiten adaptarse a cambios en la estadstica de las senales

involucradas (e.g, senales

Tema 6: Filtrado Optimo

Tema 6: Filtrado Optimo

Norbert Wiener (1894-1964)

Tema 6: Filtrado Optimo

The MIT Museum

Los coeficientes del filtro W (z) se

Consideramos un filtro FIR con M coeficientes

Tema 6: Filtrado Optimo

Donde hemos definido el vector M 1

Tema 6: Filtrado Optimo

Por otra parte, el termino

d[n] = rxd [1] = p

que es el vector de dimensiones M 1 con la correlacion

Tema 6: Filtrado Optimo

En el caso de un filtro con dos coeficientes w = [w0 , w1 ] la

Tema 6: Filtrado Optimo

del filtro optimo

Para calcular la solucion

nuevamente hay que resolver las ecuaciones normales

Tema 6: Filtrado Optimo

es el MSE mnimo? es decir, la potencia del error para el

de coste podemos reescribirla como

J(w) = Jmin + (w wopt ) R (w wopt )

Tema 6: Filtrado Optimo

Cuando M , el filtro de Wiener en el dominio de la

Tema 6: Filtrado Optimo

Tema 6: Filtrado Optimo

Tema 6: Filtrado Optimo

El filtro de Wiener se puede derivar, alternativamente, a traves

Tema 6: Filtrado Optimo

Para derivar el filtro de Wiener necesitamos unicamente

Tema 6: Filtrado Optimo

Tema 6: Filtrado Optimo

Tema 6: Filtrado Optimo

Tema 6: Filtrado Optimo

del paso en la direccion

Finalmente, el algoritmo de maximo

Inicializar el filtro w(0)

Fjese que el punto de convergencia satisface las ecuaciones

y, por lo tanto, el algoritmo se detiene cuando alcanza la solucion

Tema 6: Filtrado Optimo

Convergencia del algoritmo de maximo

donde max es el maximo

donde D = diag (1 , 2 , . . . , M ) es una matriz diagonal que contiene los

Tema 6: Filtrado Optimo

Consideremos un problema en el que la matriz de

Tema 6: Filtrado Optimo

Convergencia lenta y suave

Tema 6: Filtrado Optimo

Convergencia rpida y errtica

Tema 6: Filtrado Optimo

Tema 6: Filtrado Optimo

El algoritmo LMS (Least Mean Square)

que puede interpretarse como una estima instantanea

Tema 6: Filtrado Optimo

Nos precisa conocer los estadsticos de la senal

Permite seguir cambios en las senales