2012 Filtros Volterra Adaptativos TeseUFSC

EDUARDO LUIZ ORTIZ BATISTA
FILTROS VOLTERRA ADAPTATIVOS:

ESTRUTURAS INTERPOLADAS E
MODELOS ESTOCSTICOS
FLORIANPOLIS
2009
UNIVERSIDADE FEDERAL DE SANTA CATARINA

PROGRAMA DE PS-GRADUAO
EM ENGENHARIA ELTRICA
FILTROS VOLTERRA ADAPTATIVOS:

ESTRUTURAS INTERPOLADAS E
MODELOS ESTOCSTICOS
Tese submetida
Universidade Federal de Santa Catarina
como parte dos requisitos para a
obteno do grau de Doutor em Engenharia Eltrica.
EDUARDO LUIZ ORTIZ BATISTA
Florianpolis, Outubro de 2009.
AGRADECIMENTOS
Ao meu orientador, Prof. Rui Seara, por todos os ensinamentos, confiana, apoio e
por todas as oportunidades que me proporcionou em todos os anos de trabalho em
conjunto.
Ao meu co-orientador, Prof. Orlando J. Tobias, por todos os ensinamentos, apoio e
excelente relacionamento ao longo dos ltimos anos.
Aos membros da banca examinadora, por todas as crticas e sugestes que resultaram
no aperfeioamento do trabalho final e dos trabalhos futuros.
Aos meus pais, Antnio e Joana, por todo amor, incentivo e por tudo que me
ensinaram e continuam ensinando. Sem os valores e a educao que me
proporcionaram, este trabalho no seria possvel.
minha mulher, Fran, por todo amor, carinho, companheirismo, apoio, compreenso
e por estar ao meu lado todos os dias incentivando para que eu me torne uma pessoa
melhor.
Ao meu irmo, Paulo, pela amizade, incentivo e companheirismo.
Ao amigo Elton L. Fonto, pelo essencial apoio e pelas oportunidades
proporcionadas ao longo dos meus muitos anos de trabalho no LINSE.
Ao Walter Gontijo que, em conjunto com o Rafael Demetri, contribuiu com as
pesquisas de cancelamento de eco apresentadas neste trabalho.
Aos professores do Programa de Ps-Graduao em Engenharia Eltrica da UFSC
que contriburam com o desenvolvimento deste trabalho e das publicaes que dele
resultaram, em especial ao Prof. Hans H. Zrn e ao Prof. Sidnei Noceti Filho.
A todos os amigos e colegas do LINSE, pelos muitos anos de excelente convivncia.
A toda minha famlia e a todos meus amigos que acreditaram no sucesso deste
trabalho.
Ao CNPq e CAPES, pelo apoio financeiro.
iii
Resumo da Tese submetida Universidade Federal de Santa Catarina como parte dos
requisitos necessrios para obteno do grau de Doutor em Engenharia Eltrica.
FILTROS VOLTERRA ADAPTATIVOS: ESTRUTURAS

INTERPOLADAS E MODELOS ESTOCSTICOS
Eduardo Luiz Ortiz Batista
Outubro/2009
Orientador: Prof. Rui Seara, Dr.

Co-orientador: Prof. Orlando J. Tobias, Dr.
rea de Concentrao: Comunicaes e Processamento de Sinais.
Palavras-chave: Filtros adaptativos; filtros no-lineares; filtros Volterra; interpolao.
Nmero de pginas: 165.
RESUMO: Este trabalho de pesquisa visa o estudo de filtros Volterra adaptativos
objetivando desenvolver novas estruturas que apresentem um bom compromisso entre
desempenho e complexidade computacional. Nesse contexto, abordagens interpoladas so
consideradas em filtros Volterra adaptativos. Tais abordagens utilizam um filtro esparso
(visando reduzir a complexidade) combinado com um interpolador para recriar os
coeficientes zerados do filtro esparso. Dessa forma, diversas estruturas para a
implementao eficiente de filtros Volterra adaptativos so obtidas. Algumas
caractersticas importantes das estruturas interpoladas, como, por exemplo, a existncia de
um efeito de borda indesejvel, so evidenciadas e estudas. Com vistas ao efeito de borda,
um procedimento para a sua remoo apresentado, melhorando consideravelmente o
desempenho de filtros interpolados adaptativos tanto nos casos lineares quanto nos
Volterra. Adicionalmente, so estudas estruturas interpoladas inteiramente adaptativas
considerando filtros lineares como tambm filtros Volterra. Anlises estatsticas de
algumas estruturas Volterra adaptativas so tambm apresentadas com o objetivo de obter
modelos estocsticos de primeira e segunda ordens para predizer o comportamento de tais
estruturas. Exemplos de aplicaes so considerados visando avaliar tanto os novos
algoritmos desenvolvidos quanto seus modelos estatsticos.
iv
Abstract of Thesis presented to Federal University of Santa Catarina as a partial fulfillment

of the requirements for the degree of Doctor in Electrical Engineering.
ADAPTIVE VOLTERRA FILTERS: INTERPOLATED

STRUCTURES AND STOCHASTIC MODELS
Eduardo Luiz Ortiz Batista
October/2009
Advisor: Prof. Rui Seara, Dr.

Co-advisor: Prof. Orlando J. Tobias, Dr.
Area of Concentration: Communications and Signal Processing.
Keywords: Adaptive filters; nonlinear filters; Volterra filters; interpolation.
Number of Pages: 165.
ABSTRACT: This research work aims to study adaptive Volterra filters for obtaining new
structures presenting a good trade-off between performance and computational complexity.
In this context, interpolated approaches are considered for adaptive Volterra filtering. Such
approaches use a sparse filter (for complexity reduction) associated with an interpolator for
recreating the zeroed coefficients of the sparse filter. Thus, different adaptive Volterra
structures are obtained aiming at efficient implementation. Some important features of the
interpolated structures, such as the existence of an undesirable boundary effect, are
highlighted and studied. Concerning the boundary effect, a procedure for its removal is
presented, improving considerably the performance of the adaptive interpolated filters for
both linear and Volterra cases. In addition, fully adaptive interpolated structures are studied
considering linear filters as well as Volterra filters. Statistical analyses of some adaptive
Volterra structures are also presented to obtain first and second order stochastic models for
predicting the behavior of such structures. Application examples are considered to assess
the developed algorithms as well as their statistical models for performance.
SUMRIO
1 Introduo ___________________________________________________________ 1
1.1 Filtros Adaptativos ______________________________________________________1
1.2 Filtros Adaptativos Lineares ______________________________________________2
1.3 Filtros Adaptativos No-Lineares __________________________________________4
1.4 Objetivos do Trabalho ___________________________________________________5
1.5 Organizao do Trabalho ________________________________________________5
1.6 Publicaes da Tese _____________________________________________________6
2 Filtro Volterra Adaptativo _______________________________________________ 8

2.1 Histria _______________________________________________________________8
2.2 Filtro Volterra __________________________________________________________9
2.2.1 Estrutura em Blocos ________________________________________________________ 9
2.2.2 Relao de Entrada e Sada Vetorial ___________________________________________ 10
2.2.3 Representao Espacial dos Blocos ____________________________________________ 12
2.2.4 Complexidade Computacional _______________________________________________ 13
2.2.5 Representao Triangular Equivalente e Reduo de Complexidade __________________ 14
2.2.6 Representao em Coordenadas Diagonais ______________________________________ 18
2.3 Anlise Estatstica do Filtro Volterra Adaptado pelo Algoritmo LMS ___________20
2.3.1 Vetor de Coeficientes timo _________________________________________________ 20
2.3.2 Comportamento Mdio dos Coeficientes _______________________________________ 22
2.3.3 Matriz de Autocorrelao de Entrada __________________________________________ 24
2.3.4 Influncia da Matriz de Autocorrelao de Entrada no Valor do Passo de Adaptao _____ 27
2.3.5 Erro Quadrtico Mdio _____________________________________________________ 28
2.3.6 Modelo para o Momento de Segunda Ordem ____________________________________ 29
2.3.7 Desajuste ________________________________________________________________ 30
2.3.8 Resultados de Simulao ____________________________________________________ 31
2.4 Consideraes _________________________________________________________40
3 Filtros Volterra Interpolados Adaptativos _________________________________ 41

3.1 Implementaes com Complexidade Reduzida do Filtro Volterra ______________41
3.1.1 Implementao no Domnio da Freqncia ______________________________________ 42
3.1.2 Implementao Baseada na Decomposio da Matriz de Coeficientes _________________ 42
3.1.3 Implementao Esparsa _____________________________________________________ 43
3.1.4 Implementaes Interpoladas ________________________________________________ 44
vi
3.2 Definies Bsicas de Filtros FIR Interpolados ______________________________44

3.3 Filtros Volterra Interpolados Adaptativos __________________________________48
3.3.1 Implementao Interpolada do Filtro Volterra ___________________________________ 48
3.3.2 Contexto Adaptativo _______________________________________________________ 50
3.3.3 Complexidade Computacional _______________________________________________ 53
3.4 Descrio de Filtros Volterra Interpolados _________________________________55

3.4.1 Funo de Transferncia Global de Filtros IFIR __________________________________ 56
3.4.2 Extenso para Filtros Volterra Interpolados _____________________________________ 57
3.4.3 Consideraes sobre Estruturas Volterra Interpoladas com Interpolador na Sada ________ 60
3.5 Remoo do Efeito de Borda em Filtros IFIR e Filtros Volterra Interpolados ____62
3.5.1 Remoo do Efeito de Borda em Filtros IFIR ____________________________________ 62
3.5.2 Filtros Volterra Interpolados sem Efeito de Borda ________________________________ 65
3.5.3 Simulaes_______________________________________________________________ 67
3.6 Abordagem com Restries para Anlise de Filtros Volterra Interpolados _______76
3.6.1 Vetor de Coeficientes timo e Desempenho em Regime Permanente _________________ 76
3.6.2 Algoritmo LMS ___________________________________________________________ 78
3.6.3 Forma Alternativa de Clculo do Vetor de Coeficientes timo com Restries__________ 81
3.6.4 Consideraes sobre o Clculo da Matriz de Autocorrelao de Entrada _______________ 84
3.6.5 Simulaes_______________________________________________________________ 86
3.7 Consideraes _________________________________________________________89
4 Filtros Volterra Interpolados Inteiramente Adaptativos ______________________ 90

4.1 Uma Abordagem Alternativa para a Adaptao de Filtros FIR em Cascata ______90
4.1.1 Algoritmo LMS aplicado a Filtros FIR em Cascata _______________________________ 92
4.1.2 Filtros FIR em Cascata Adaptados pelo Algoritmo NLMS __________________________ 93
4.1.3 Particularidades do Processo Adaptativo dos Filtros FIR em Cascata _________________ 95
4.2 Filtros IFIR Inteiramente Adaptativos _____________________________________96

4.2.1 Adaptao usando o Algoritmo LMS __________________________________________ 97
4.2.2 Adaptao usando o Algoritmo NLMS ________________________________________ 100
4.2.3 Simulaes______________________________________________________________ 103
4.3 Filtros IFIR Inteiramente Adaptativos sem Efeito de Borda __________________109

4.3.1 Remoo do Efeito de Borda em Filtros IFIR Inteiramente Adaptativos ______________ 109
4.3.2 Adaptao usando o Algoritmo LMS _________________________________________ 111
4.3.3 Adaptao usando o Algoritmo NLMS ________________________________________ 112
4.3.4 Simulaes______________________________________________________________ 114
4.4 Filtros Volterra Interpolados Inteiramente Adaptativos _____________________120

4.4.1 Sobre a Relao de Entrada e Sada do Filtro Volterra Interpolado __________________ 121
vii
4.4.2 Adaptao usando o Algoritmo LMS _________________________________________ 123

4.4.3 Algoritmo LMS-NLMS ____________________________________________________ 126
4.4.4 Remoo do Efeito de Borda ________________________________________________ 127
4.4.5 Algoritmos e Complexidade Computacional____________________________________ 129
4.4.6 Simulaes______________________________________________________________ 131
4.5 Consideraes ________________________________________________________136
5 Aplicaes em Cancelamento de Eco de Linha ____________________________ 137

5.1 Filtros FIR-IFIR sem Efeito de Borda para o Cancelamento de Eco de Linha em
Sistemas DSL ________________________________________________________________138
5.1.1 Abordagem FIR-BIFIR ____________________________________________________ 141
5.1.2 Complexidade Computacional ______________________________________________ 142
5.1.3 Resultados de Simulao ___________________________________________________ 143
5.2 Cancelamento de Eco Linear de Linha em Comunicaes de Voz______________145

5.2.1 Adaptao do Filtro FIR-BIFIR usando o Algoritmo NLMS _______________________ 147
5.2.2 Resultados de Simulao com Sinais de Aquisies Reais _________________________ 147
5.3 Cancelamento de Eco No-Linear de Linha em Comunicaes de Voz _________151

5.3.1 Uso de Filtros FIR-BIFIR em Estruturas Volterra Interpoladas Inteiramente Adaptativas _ 152
5.3.2 Resultados de Simulao com Sinais Reais _____________________________________ 153
5.4 Consideraes ________________________________________________________156
6 Concluses Finais ___________________________________________________ 157

6.1 Sumrio e Discusso dos Resultados ______________________________________157
6.2 Sugestes para Trabalhos Futuros _______________________________________160
6.3 Consideraes Finais __________________________________________________160
Referncias Bibliogrficas _______________________________________________ 161
viii
LISTA DE FIGURAS
Figura 1.1. Diagrama de blocos de um filtro adaptativo no contexto de um problema de
estimao de sinal a partir de um sinal de entrada. ______________________________ 2
Figura 2.1. Linha de tempo: da srie de Volterra ao filtro Volterra adaptativo. ________ 9
Figura 2.2. Estrutura em blocos de um Filtro Volterra. __________________________ 10
Figura 2.3. Representao espacial dos coeficientes de um bloco de terceira ordem de um
filtro Volterra.___________________________________________________________ 13
Figura 2.4. Representao espacial dos coeficientes da representao triangular de um
bloco de terceira ordem do filtro Volterra. ____________________________________ 17
Figura 2.5. Nmero de coeficientes requerido para implementao de diferentes blocos do
filtro Volterra usando as representaes convencional e triangular em funo do tamanho
de memria. (a) Bloco de segunda ordem. (b) Bloco de terceira ordem. _____________ 18
Figura 2.6. Ilustrao da seqncia na qual cada coeficiente aparece no somatrio da
relao de entrada e sada de segunda ordem em diferentes representaes do filtro
Volterra. (a) Representao triangular (2.23). (b) Representao em coordenadas
diagonais (2.35). _________________________________________________________ 19
Figura 2.7. Diagrama de blocos de um filtro Volterra aplicado a um problema de
estimao de um sinal. ____________________________________________________ 21
Figura 2.8. Exemplo 2.1. Evoluo de E[h V ( n )] com = crit . (Linhas escuras) simulao
Monte Carlo. (Linhas cinzas pontilhadas) modelo proposto, obtido a partir de (2.49). __ 32
Figura 2.9. Exemplo 2.1. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e (2.78).
______________________________________________________________________ 33
Figura 2.10. Exemplo 2.1. Evoluo de E[h V ( n )] com = crit / 2. (Linhas escuras)
simulao Monte Carlo. (Linhas cinzas pontilhadas) modelo proposto, obtido a partir de
(2.49). _________________________________________________________________ 33
Figura 2.11. Exemplo 2.1. Evoluo de ( n ) usando = crit / 2. (Linha irregular escura)
______________________________________________________________________ 34
______________________________________________________________________ 34
______________________________________________________________________ 35
______________________________________________________________________ 36
ix
______________________________________________________________________ 36
______________________________________________________________________ 37
______________________________________________________________________ 38
______________________________________________________________________ 38
______________________________________________________________________ 39
______________________________________________________________________ 40
Figura 3.1. Diagrama de blocos de uma estrutura IFIR. _________________________ 46
Figura 3.2. Diagrama de blocos de uma estrutura IFIR com interpolador na sada. ____ 46
Figura 3.3. Diagrama de blocos do filtro Volterra interpolado. ____________________ 49
Figura 3.4. Estrutura de um filtro Volterra interpolado adaptativo de segunda ordem. _ 51
Figura 3.5. Estrutura de um filtro Volterra parcialmente interpolado adaptativo de
segunda ordem.__________________________________________________________ 52
Figura 3.6. Nmero de coeficientes em funo do tamanho de memria para diferentes
implementaes de um filtro Volterra. (a) Implementaes de segunda ordem. (b)
Implementaes de terceira ordem. __________________________________________ 55
Figura 3.7. Representao espacial do processo de recriao dos coeficientes para um
bloco de terceira ordem.___________________________________________________ 59
Figura 3.8. Ilustrao de (3.64): filtro Volterra interpolado e sua estrutura equivalente. 60
Figura 3.9. Planta para o Exemplo 3.5.3.1. ____________________________________ 68
Figura 3.10. Curvas de erro quadrtico mdio obtidas para o Exemplo 3.5.3.1 (mdia de
200 realizaes)._________________________________________________________ 69
Figura 3.11. Exemplo 3.5.3.1. Superposio de curvas de coeficientes de primeira ordem
da planta (linha tracejada com marcadores circulares) com a curva do filtro Volterra
interpolado (linha slida com coeficientes indicados por marcadores circulares em preto e
coeficientes recriados indicados por +). ______________________________________ 69
Figura 3.12. Exemplo 3.5.3.1. Superposio das superfcies de coeficientes de segunda
ordem da planta (superfcie slida) com a do filtro Volterra interpolado (grade com
coeficientes do filtro esparso indicados por marcadores circulares em preto e com os

demais vrtices indicando os coeficientes recriados por interpolao). ______________ 70
interpolado sem efeito de borda (linha slida com coeficientes indicados por marcadores
circulares em preto e coeficientes recriados indicados por +). _____________________ 70
ordem da planta (superfcie slida) com a do filtro Volterra interpolado sem efeito de
borda (grade com coeficientes do filtro esparso indicados por marcadores circulares em
preto e com os demais vrtices indicando os coeficientes recriados por interpolao). __ 71
Figura 3.15. Planta para o Exemplo 3.5.3.2. ___________________________________ 71
200 realizaes)._________________________________________________________ 72
interpolado (linha slida com coeficientes indicados por marcadores circulares em preto e
coeficientes recriados indicados por +). ______________________________________ 72
demais vrtices indicando os coeficientes recriados por interpolao). ______________ 73
interpolado sem efeito de borda (linha slida com coeficientes indicados por marcadores
circulares em preto e coeficientes recriados indicados por +). _____________________ 73
preto e com os demais vrtices indicando os coeficientes recriados por interpolao). __ 74
Figura 3.21. Planta para o Exemplo 3.5.3.3. (a) Resposta ao impulso da parte linear. (b)
No-linearidade sem memria. _____________________________________________ 75
200 realizaes)._________________________________________________________ 75
Figura 3.23. Exemplo 3.6.5.1. Modelagem das curvas de aprendizagem do Exemplo
3.5.3.1. (Linhas slidas) simulaes de Monte Carlo. (Linhas pontilhadas brancas) curvas
do modelo proposto, obtidas a partir de (3.134) e (3.136). ________________________ 87
3.5.3.2. (Linhas slidas) simulaes de Monte Carlo. (Linhas pontilhadas brancas) curvas
do modelo proposto, obtidas a partir de (3.134) e (3.136). ________________________ 87
Figura 3.25. Exemplo 3.6.5.3. Modelagem em regime permanente das implementaes
interpoladas do Exemplo 3.5.3.3 com = 0.25 . (Linhas slidas) simulaes de Monte
Carlo. (Linhas pontilhadas) curvas do modelo proposto, obtidas a partir de (3.110). ___ 88
xi

Carlo. (Linhas pontilhadas) curvas do modelo proposto, obtidas a partir de (3.110). ___ 89
Figura 4.1. Diagrama de blocos de uma estrutura FIR em cascata e seu filtro equivalente.
______________________________________________________________________ 91
Figura 4.2. Diagrama de blocos da estrutura FIR em cascata inteiramente adaptativa. _ 92
Figura 4.3. Nmero de operaes por amostra em funo do tamanho de memria
requerido para implementao, usando o algoritmo LMS, de um filtro FIR adaptativo e de
diferentes implementaes adaptativas do filtro IFIR com L = 2. _________________ 100
100 realizaes).________________________________________________________ 104
100 realizaes).________________________________________________________ 105
100 realizaes).________________________________________________________ 106
100 realizaes).________________________________________________________ 106
100 realizaes).________________________________________________________ 107
100 realizaes).________________________________________________________ 108
100 realizaes).________________________________________________________ 108
Figura 4.11. Resposta ao impulso da planta para o Exemplo 4.3.4.1. ______________ 115
100 realizaes).________________________________________________________ 115
100 realizaes).________________________________________________________ 116
100 realizaes) com = 1 = 2 = 0,5 e = 1 = 2 = 1. ______________________ 118
100 realizaes) com = 1 = 2 = 0, 25 e = 1 = 2 = 1. _____________________ 118
100 realizaes).________________________________________________________ 119
100 realizaes).________________________________________________________ 120
xii
Figura 4.21. Complexidade computacional para diferentes implementaes adaptativas de

filtros Volterra. _________________________________________________________ 131
Figura 4.22. Exemplo 4.4.6.1. Curvas de erro quadrtico mdio obtidas com um sinal
branco de entrada (mdia de 100 realizaes). ________________________________ 133
colorido de entrada (mdia de 100 realizaes). _______________________________ 134
colorido de entrada (mdia de 100 realizaes). _______________________________ 136
Figura 5.1. Resposta ao impulso de eco tpica de uma hbrida em sistemas DSL. _____ 138
Figura 5.2. Estrutura de blocos do cancelador de eco FIR-IFIR. __________________ 139
Figura 5.3. Resposta ao impulso do filtro FIR-IFIR proposto em [74]. _____________ 139
Figura 5.4. Resposta ao impulso do filtro FIR-IFIR proposto em [75]. _____________ 140
Figura 5.5. Resposta ao impulso da abordagem FIR-BIFIR proposta neste trabalho. __ 141
Figura 5.6. Resposta ao impulso de eco tpica de um sistema de comunicao DSL.___ 144
Figura 5.7. Curvas de ERLE (mdia de 100 realizaes). ________________________ 145
Figura 5.8. Resposta ao impulso de eco tpica de redes telefnicas de acordo com a
recomendao G.168 da ITU [76]. _________________________________________ 146
Figura 5.9. Resposta ao impulso de eco obtida em uma simulao com sinais reais. __ 147
Figura 5.10. Curvas de ERLE obtidas usando sinais da primeira aquisio considerada na
Seo 5.2.2.____________________________________________________________ 149
Figura 5.11. Curvas de ERLE obtidas usando sinais da segunda aquisio considerada na
Seo 5.2.2. Filtro IFIR com L = 2. _________________________________________ 150
Seo 5.2.2. Filtro IFIR com L = 4. _________________________________________ 150
Figura 5.13. Curvas de ERLE obtidas usando sinais da terceira aquisio considerada na
Seo 5.2.2.____________________________________________________________ 151
Figura 5.14. Diagrama de blocos da abordagem FIR-BIFIR-FAIV proposta. ________ 152
Figura 5.15. Curvas de ERLE obtidas usando sinais da primeira aquisio considerada na
Seo 5.3.2.____________________________________________________________ 155
Seo 5.3.2.____________________________________________________________ 155
xiii
LISTA DE TABELAS
Tabela 3-1. Nmero de coeficientes requerido pelas diferentes implementaes de filtros
Volterra de segunda ordem para alguns valores de tamanho de memria. ___________ 54
Tabela 3-2. Nmero de coeficientes requerido pelas diferentes implementaes de filtros
Volterra de terceira ordem para alguns valores de tamanho de memria. ____________ 54
Tabela 4-1. Algoritmos para a implementao de
filtros Volterra interpolados
inteiramente adaptativos apresentados na Seo 4.4 ___________________________ 130
Tabela 5-1. Nmero de operaes por amostra requerido para implementao do filtro
FIR-BIFIR_____________________________________________________________ 143
Tabela 5-2. Comparao de complexidade computacional entre diferentes implementaes
de filtros FIR, FIR-IFIR e FIR-BIFIR com N = 250, L = 4 e D = 31 ______________ 143
Tabela 5-3. Complexidade computacional requerida em diferentes implementaes de

filtros FIR, FIR-IFIR e FIR-BIFIR com N = 101 _______________________________ 148
Tabela 5-4. Complexidade computacional requerida para implementao dos filtros
utilizados para obter os resultados de simulao apresentados na Seo 5.3.2 _______ 154
xiv
LISTA DE ABREVIATURAS
ABIFIR
adaptive boundaryless interpolated finite impulse response
AFIR
adaptive finite impulse response
AIFIR
adaptive interpolated finite impulse response
AP
affine projection
APIV
adaptive partially interpolated Volterra
AR
autoregressive
ATA
adaptador de telefonia analgica
BIFIR
boundaryless interpolated finite impulse response
CFAIFIR
complete fully adaptive interpolated finite impulse response
DSL
digital subscriber line
DSP
digital signal processor
EQM
erro quadrtico mdio
ERLE
echo return loss enhancement
FABIFIR
fully adaptive boundaryless interpolated finite impulse response
FAIFIR
fully adaptive interpolated finite impulse response
FAIV
fully adaptive interpolated Volterra
FAPIV
fully adaptive partially interpolated Volterra
FFT
fast Fourier transform
FIR
finite impulse response
IEEE
Institute of Electrical and Electronics Engineers
IFIR
interpolated finite impulse response
IIR
infinite impulse response
IP
internet protocol
ITU
International Telecommunication Union
LMS
least-mean-square
MFABIFIR
modified fully adaptive boundaryless interpolated finite impulse response
MIT
Massachusetts Institute of Technology
NLMS
normalized least-mean-square
OFDM
orthogonal frequency-division multiplexing
PAM
pulse amplitude modulation
RLS
recursive least-squares
VoIP
voice over internet protocol
xv
CAPTULO
1
Introduo
A filtragem adaptativa um tpico de processamento digital de sinais com diversas

aplicaes prticas [1]-[2], a saber identificao de sistemas, equalizao de canais,
cancelamento de interferncias, cancelamento de eco e controle ativo de rudo e vibrao.
O surgimento de processadores digitais de sinais (digital signal processors - DSPs) de alto
desempenho, ocorrido nas ltimas dcadas, vem propiciando o uso de filtros adaptativos
em uma gama cada vez maior de aplicaes. Um bom exemplo a utilizao de tais filtros
em problemas envolvendo no-linearidades, que so, por natureza, de maior complexidade.
Aliado a tal avano tecnolgico resta tambm um grande interesse no desenvolvimento de
pesquisas, o que tem levado ao constante surgimento de solues adaptativas inovadoras.
Assim, os filtros adaptativos tm ocupado um espao cada vez maior na rea de
processamento digital de sinais devido, principalmente, a sua crescente aplicabilidade.
1.1 Filtros Adaptativos

No contexto de processamento de sinais, os filtros podem ser entendidos como
dispositivos capazes de remover componentes indesejados de um sinal. Dessa maneira,
conhecidas as caractersticas do sinal a ser filtrado (sinal de entrada), as especificaes da
filtragem requerida e a estrutura ou tipo do filtro a ser utilizado, possvel obter o projeto
de um filtro timo satisfazendo algum dado critrio de desempenho. Entretanto, em muitas
aplicaes prticas o conhecimento das caractersticas do sinal de entrada no totalmente
disponvel, tornando assim invivel o projeto de um filtro timo a priori. A soluo para
tal problema pode ser o uso de um filtro adaptativo. Esse filtro possui a capacidade de se
adaptar ou se autoprojetar atravs do uso de um algoritmo adaptativo recursivo. Dessa
forma, torna-se possvel que o filtro apresente um desempenho mais satisfatrio em um
ambiente em que as caractersticas do sinal a ser filtrado no so completamente
conhecidas ou, ainda, onde tais caractersticas sejam variantes no tempo.
Captulo 1 Introduo
Na Figura 1.1, apresentado um diagrama tpico de um filtro adaptativo aplicado a

um problema de estimao de sinal. Para esse problema, deseja-se estimar o sinal d ( n ) a
partir de um sinal de entrada x(n), assumindo que existe alguma correlao entre ambos.
Assim, utiliza-se um algoritmo adaptativo (recursivo) para otimizar os parmetros
(coeficientes) do filtro em relao a algum dado critrio de desempenho.
d ( n ) sinal a ser
estimado
x( n )
sinal de entrada
Filtro
Adaptativo
y( n)
sinal de sada
e( n )
sinal de erro
Algoritmo
Adaptativo
Figura 1.1. Diagrama de blocos de um filtro adaptativo no contexto de um problema de

estimao de sinal a partir de um sinal de entrada.
Os primeiros trabalhos de pesquisa na rea de filtragem adaptativa foram
desenvolvidos por Bernard Widrow [3] e deram origem ao algoritmo least-mean-square
(LMS). Tal algoritmo e suas variaes so ainda hoje muito utilizados e estudados. Desse
algoritmo temos um bom exemplo de critrio de desempenho (funo custo) utilizado para
a otimizao dos coeficientes do filtro adaptativo. Trata-se do valor quadrtico mdio do
sinal de erro ou o erro quadrtico mdio (EQM).
1.2 Filtros Adaptativos Lineares

Um sistema considerado linear se ele satisfaz o princpio da superposio [4].
Conforme comentado na seo anterior, o uso de filtros adaptativos envolve a aplicao de
um algoritmo recursivo para ajustar os coeficientes a cada iterao. Como conseqncia,
tem-se que um filtro adaptativo no , a rigor, um sistema linear uma vez que, devido
contnua variao dos seus coeficientes, o princpio da superposio [4] no satisfeito.
Apesar disso, os filtros adaptativos so comumente classificados como lineares se sua
relao de entrada e sada obedece ao princpio da superposio considerando fixos os
valores de seus coeficientes [2]. Portanto, um filtro adaptativo considerado linear se sua
estrutura linear desconsiderada a sua caracterstica adaptativa.
Captulo 1 Introduo
Existem diversas estruturas para a implementao de filtros lineares. Tais estruturas

podem ser classificadas em dois grupos [2]: estruturas com resposta ao impulso finita
(finite impulse response - FIR) e estruturas com resposta ao impulso infinita (infinite
impulse response - IIR). As estruturas FIR so as mais comumente utilizadas em filtragem
adaptativa por no apresentarem problemas de estabilidade oriundos das estruturas IIR.
Dentre as estruturas FIR, os filtros transversais ou filtros de linha de atrasos so os mais
utilizados, sendo muitas vezes referidos apenas como filtros FIR. A relao de entrada e
sada dessa estrutura dada por
N 1
y (n) = w(i, n) x(n i )
(1.1)
i =0
onde N representa o tamanho de memria do filtro, w(i, n) os coeficientes do filtro, x( n )

o sinal de entrada e y( n ) o sinal de sada. Esta relao pode ainda ser escrita na forma
vetorial, resultando em
y( n ) = w T ( n )x ( n )
(1.2)
com
w (n) = [ w(0, n) w(1, n)
w( N 1, n)]T
(1.3)
x( n N + 1)]T .
(1.4)
e
x ( n ) = [ x( n ) x( n 1)
Considerando seja (1.1) ou (1.2), possvel notar que o filtro FIR transversal constitui-se
de uma estrutura bastante simples com grande facilidade de implementao. Tal
caracterstica, aliada a uma base terica muito bem estabelecida, tornou o filtro transversal
uma estrutura essencial no processamento digital de sinais, sendo utilizado em uma grande
variedade de aplicaes com desempenho bastante satisfatrio [1]-[2]. Por outro lado, em
aplicaes nas quais valores elevados de tamanho de memria N so requeridos, o uso
dos filtros FIR transversais sofre srias restries. Isso ocorre pois, nesses casos, os filtros
transversais apresentam um grande nmero de coeficientes, resultando em um elevado
custo computacional de implementao. Nesse contexto, implementaes com
complexidade reduzida de filtros FIR, como, por exemplo, as implementaes interpoladas
[5], tm um papel muito importante, permitindo o uso de tais filtros em um maior contexto
de aplicaes.
Captulo 1 Introduo
1.3 Filtros Adaptativos No-Lineares

Como apresentado na seo anterior, os filtros adaptativos lineares so bastante
simples do ponto de vista de implementao e por isso sua aplicao bem difundida e
estudada. No entanto, algumas aplicaes requerendo o uso de filtros adaptativos possuem
dispositivos no-lineares em sua estrutura. Um bom exemplo so aplicaes que envolvem
elementos apresentando caractersticas de saturao. Para esse tipo de estrutura um filtro
adaptativo no-linear passa a ser uma soluo muito mais indicada ou mesmo
indispensvel dependendo dos requisitos de desempenho pretendidos. Alguns exemplos de
aplicaes nas quais os filtros adaptativos no-lineares so atualmente utilizados com
sucesso so [6]: equalizao de sistemas de comunicao por satlite, processamento de
sinais dependente da percepo, estudo das distores harmnicas em alto-falantes,
tratamento de imagens com rudo, estudo do movimento de navios ancorados devido s
ondas ocenicas, estudo de distores em sistemas de gravao magnticos, dentre outras.
Um sistema no-linear definido como um sistema que no obedece ao princpio
da superposio [4]. Trata-se de uma definio bastante ampla e, como conseqncia,
praticamente impossvel desenvolver uma base terica que seja aplicvel a todos os
sistemas no-lineares. Assim, os sistemas no-lineares so divididos em classes, em geral
baseadas nas funes no-lineares que descrevem o seu funcionamento, cada uma
apresentando caractersticas, aplicaes e desenvolvimento terico prprios. Alguns
exemplos de tais classes de sistemas considerados em engenharia so os seguintes [6]:
Sistemas Homomrficos
Filtros Morfolgicos
Redes Neurais
Filtros Polinomiais
No contexto adaptativo, a procura por parmetros que otimizem a funo custo de

um sistema ou filtro no-linear geralmente lenta e difcil. Isso ocorre pois solues
analticas simples geralmente no so possveis, ao contrrio do que acontece com os
filtros lineares. Assim, as implementaes adaptativas de filtros no-lineares geralmente
requerem um grande esforo computacional. Com o aumento da capacidade de
processamento dos DSPs ocorrido nas ltimas dcadas, tornou-se possvel a aplicao de
filtragem adaptativa no-linear em maior escala. No entanto, muitos filtros adaptativos
no-lineares tm sua complexidade exponencialmente dependente do tamanho de memria
Captulo 1 Introduo
de tal forma que, mesmo com uma necessidade de memria relativamente pequena, uma
quantidade muito grande de operaes por amostra requerida. Esse um problema que
afeta sobremaneira os filtros no-lineares polinomiais, como, por exemplo, os filtros
Volterra [6]-[7]. Outro problema enfrentado no uso dos filtros polinomiais e,
particularmente, dos filtros Volterra, a baixa taxa de convergncia que os algoritmos
adaptativos tendem a apresentar. Alm disso, a escassez de ferramentas de anlise e sntese
tambm dificulta o uso de tais filtros. Para resolver esses problemas muito esforo de
pesquisa ainda precisa ser realizado. O desenvolvimento de implementaes de
complexidade reduzida [8], algoritmos com melhor desempenho de convergncia e
anlises tericas dos filtros adaptativos no-lineares [9]-[10] so bons exemplos do que
pode ser feito para prover pesquisadores e engenheiros de ferramentas comparveis s
existentes para filtros lineares.
1.4 Objetivos do Trabalho

O objetivo deste trabalho de pesquisa tratar algumas das dificuldades ainda
existentes para o uso dos filtros Volterra em problemas de filtragem adaptativa. Dentre tais
dificuldades, destaca-se, primeiramente, a necessidade do desenvolvimento de uma base
terica mais abrangente para os filtros Volterra adaptativos, sendo esse o assunto principal
do prximo captulo deste trabalho. Outra importante dificuldade encontrada em muitas
aplicaes adaptativas dos filtros Volterra e, algumas vezes, dos filtros FIR, a elevada
carga computacional requerida. Com vistas a tal dificuldade, o foco deste trabalho o
desenvolvimento e o aperfeioamento das abordagens interpoladas para implementao de
filtros FIR e Volterra adaptativos. Nesse contexto, busca-se obter melhorarias de
desempenho e tambm o desenvolvimento de uma slida base terica para, com isso,
ampliar a aplicabilidade dos filtros interpolados adaptativos.
1.5 Organizao do Trabalho

Este trabalho est organizado conforme descrito a seguir. No Captulo 2, os filtros
Volterra so apresentados em detalhes, procurando destacar as suas principais
caractersticas e tambm as diferentes formas de representao da sua relao de entrada e
sada. Ainda no Captulo 2, uma anlise estatstica do filtro Volterra adaptado pelo
algoritmo LMS apresentada. O Captulo 3 trata dos filtros Volterra interpolados
Captulo 1 Introduo
adaptativos, com destaque inicial para a descrio matemtica da sua relao de entrada e
sada e para uma anlise descrevendo a forma como os coeficientes so recriados atravs
do processo de interpolao. So apresentados, tambm no Captulo 3, um procedimento
para implementao dos filtros interpolados sem o efeito de borda indesejvel, resultante
do processo de interpolao, e ainda uma anlise estatstica dos filtros Volterra
interpolados adaptativos baseada em uma abordagem com restries. O Captulo 4 trata
das implementaes inteiramente adaptativas dos filtros interpolados, nas quais tanto o
interpolador quanto o filtro esparso, que compem a estrutura interpolada, so adaptados.
Nesse contexto, uma base terica para o problema da adaptao de filtros FIR em cascata
apresentada, com sua posterior aplicao para o desenvolvimento de implementaes de
estruturas interpoladas inteiramente adaptativas mais eficientes de filtros FIR e Volterra.
No Captulo 5, as diferentes abordagens e a base terica desenvolvida nos Captulos 2 a 4
so utilizadas para o desenvolvimento de implementaes interpoladas especficas visando
o cancelamento de eco de linha em comunicaes de dados e voz. Finalmente, no
Captulo 6, as concluses gerais do trabalho so apresentadas.
1.6 Publicaes da Tese

Este trabalho de tese originou s seguintes publicaes:
I. E. L. O. Batista, O. J. Tobias, and R. Seara, A mathematical framework to
describe interpolated adaptive Volterra filters, in Proc. IEEE Int. Telecomm.
Symp., Fortaleza, Brazil, Sept. 2006, pp. 144-149.
II. E. L. O. Batista, O. J. Tobias, and R. Seara, Border effect removal for IFIR and
interpolated Volterra filters, in Proc. IEEE Int. Conf. Acoustics, Speech, Signal
Processing (ICASSP), Honolulu, USA, vol. 3, Apr. 2007, pp. 1329-1332.
III. E. L. O. Batista, O. J. Tobias, and R. Seara, Stochastic model of the LMS Volterra
filter, in Proc. European Signal Processing Conf. (EUSIPCO), Poznan, Poland,
Sept. 2007, pp. 1721-1725.
IV. E. L. O. Batista, O. J. Tobias, and R. Seara, New insights in adaptive cascaded FIR
structure: application to fully adaptive interpolated FIR structures, in Proc.
European Signal Processing Conf. (EUSIPCO), Poznan, Poland, Sept. 2007,
pp. 370-374.
Captulo 1 Introduo
V. E. L. O. Batista, O. J. Tobias, and Rui Seara, Filtros FIR adaptativos em cascata:

aplicao em filtros IFIR adaptativos, in Anais do XXV Simpsio Brasileiro de
Telecomunicaes, Recife-CE, Brazil, CD-ROM, Sept. 2007.
VI. E. L. O. Batista, O. J. Tobias, and Rui Seara, Filtros IFIR Inteiramente
Adaptativos sem Efeito de Borda, in Anais do XXV Simpsio Brasileiro de
VII. E. L. O. Batista, O. J. Tobias, and R. Seara, A fully adaptive IFIR filter with
removed border effect, in Proc. IEEE Int. Conf. Acoust., Speech, Signal Process.,
Las Vegas, NV, Apr. 2008, pp. 3821-3824.
VIII. E. L. O. Batista, O. J. Tobias, and R. Seara, A fully LMS adaptive interpolated
Volterra structure, in Proc. IEEE Int. Conf. Acoust., Speech, Signal Process., Las
Vegas, NV, Apr. 2008, pp. 3613-3616.
IX. E. L. O. Batista, O. J. Tobias, and R. Seara, Fully adaptive LMS/NLMS
interpolated Volterra filters with removed boundary effect, in Proc. European
Signal Processing Conf. (EUSIPCO), Glasgow, Scotland, Aug. 2009, pp. 17251729.
X. E. L. O. Batista, O. J. Tobias, and R. Seara, Filtros FIR-IFIR sem Efeito de Borda
para o Cancelamento de Eco de Linha em Sistemas DSL, in Anais do XXV
Simpsio Brasileiro de Telecomunicaes, Blumenau-SC, Brazil, CD-ROM,
Sept. 2009.
XI. E. L. O. Batista, O. J. Tobias, and R. Seara, A Sparse-Interpolated Scheme for
Implementing Adaptive Volterra Filters, IEEE Trans. on Signal Processing, vol.
58, no. 4, pp. 2022-2035, Apr. 2010.
CAPTULO
2
Filtro Volterra Adaptativo
Em filtragem adaptativa, uma das estruturas mais utilizadas para lidar com
problemas envolvendo sistemas no-lineares o filtro Volterra. Neste captulo, as
principais caractersticas de tal filtro so descritas como tambm uma anlise de seu
comportamento quando adaptado pelo algoritmo LMS apresentada. Como introduo,
uma breve descrio histrica da origem e aplicao do filtro Volterra adaptativo
apresentada na prxima seo.
2.1 Histria
A histria do desenvolvimento do filtro Volterra adaptativo pode ser ilustrada, de
forma resumida, pela linha do tempo apresentada na Figura 2.1. Pelo que conhecemos, o
primeiro passo foi dado no final do sculo XIX pelo matemtico italiano Vito Volterra com
o desenvolvimento do que hoje se denomina srie de Volterra [11]. O uso de tal srie para
o estudo de sistemas no-lineares ocorreu na dcada de 1940 com os trabalhos
desenvolvidos por Norbert Wiener [12]-[13] no Massachussets Institute of Technology
(MIT). Nas dcadas de 1960 e 1970 surgiram os primeiros artigos discutindo o uso de
expanses em srie de Volterra visando o estudo de sistemas discretos [6], [14]. No incio
dos anos 1980, os primeiros trabalhos considerando o filtro Volterra no contexto
adaptativo foram publicados, com destaque para a sua primeira aplicao associada ao
algoritmo LMS, concebida por Coker e Simkins [15]. Desde ento, uma grande evoluo
vem sendo observada no uso do filtro Volterra adaptativo. Alguns exemplos de aplicaes
para as quais filtros Volterra adaptativos tm sido atualmente utilizados com sucesso so:
cancelamento de eco acstico [16]-[17], controle ativo de processos [7], equalizao de
canais de satlite [18], identificao e reduo de distores em alto-falantes [19], e
compensao dos efeitos no-lineares em transmissores OFDM [20].
Captulo 2 Filtro Volterra Adaptativo
Volterra
LMS
1960-70
XIX
Vito Volterra
Norbert Wiener
Srie de Volterra
Uso da srie para estudo

de sistemas no-lineares
1900-1920
1920-1940
Uso da srie de
Volterra para estudo
de sistemas discretos
1940-1960
1980
Filtro Volterra no
contexto adaptativo
1960-1980
1980-2000
XXI
Figura 2.1. Linha de tempo: da srie de Volterra ao filtro Volterra adaptativo.
2.2 Filtro Volterra

A relao de entrada e sada de um filtro Volterra causal e discreto dada por [6]
N 1
y (n) = h0 + h1 (m1 ) x(n m1 )

m1 = 0
N 1 N 1
h (m , m ) x(n m ) x(n m ) +
m1 = 0 m2 = 0
N 1
N 1
m1 = 0
mP = 0
h (m ,
P
, mP ) x(n m1 )
(2.1)
x(n mP )
onde x(n) e y (n) so, respectivamente, os sinais de entrada e sada; hp (m1 ,
, mp )
representa os coeficientes de ordem p ; N o tamanho de memria do filtro; e P, a

ordem do filtro. Conforme descrito em [6], no contexto adaptativo o termo h0 em (2.1)
pode geralmente ser tratado em separado da estrutura de filtragem. Assim, em geral
assume-se h0 = 0 sem perda de generalidade [6]. Ao longo deste trabalho, a relao de
entrada e sada do filtro Volterra na forma de (2.1) denominada representao
convencional em distino s outras representaes posteriormente apresentadas.
2.2.1 Estrutura em Blocos

A partir de (2.1), possvel constatar que o filtro Volterra composto por um bloco
de primeira ordem (linear), equivalente a um filtro transversal [1] e cujos coeficientes so
denotados por h1 (m1 ), seguido de blocos no-lineares cujos coeficientes so dados por
h2 (m1 , m2 ), h3 (m1 , m2 , m3 ),
, hP (m1 ,
, mP ). Essa estruturao em blocos de um filtro
Volterra, evidenciada a partir de (2.1), ilustrada na Figura 2.2.
10
Filtro Volterra
x( n )
Bloco de 1a ordem
+ +
Bloco de 2a ordem
+ +
Bloco de ordem P
y( n)
Figura 2.2. Estrutura em blocos de um Filtro Volterra.

Denotando a sada de um bloco de ordem p por y p (n), podemos reescrever (2.1)
como segue:
P
y ( n) = y p ( n)
(2.2)
p =1
com y p (n) dado por

y p ( n) =
N 1 N 1
N 1
m1 = 0 m2 = 0
m p =0
hp (m1 , m2 , , m p ) x(n mk ).
(2.3)
k =1
Do ponto de vista prtico, a estrutura em blocos do filtro Volterra bastante

vantajosa. Por exemplo, em algumas aplicaes possvel desconsiderar blocos que se
mostrem desnecessrios. Alm disso, estratgias de reduo de complexidade podem ser
aplicadas apenas aos blocos que demandem um maior nmero de coeficientes,
preservando, assim, as caractersticas dos demais blocos.
2.2.2 Relao de Entrada e Sada Vetorial

A sada de cada um dos blocos de um filtro Volterra pode ser escrita na forma
vetorial. Essa abordagem bem conhecida para o bloco de primeira ordem (filtro
transversal), resultando em
y1 (n) = h1T x1 (n)
(2.4)
onde x1 ( n) representa o vetor de entrada de primeira ordem, dado por

x1 (n) = [ x(n) x(n 1)
x(n N + 1)]T
(2.5)
e h1 , o vetor de coeficientes, dado por

h1 = [h1 (0) h1 (1)
h1 ( N 1)]T .
(2.6)
11
Para os demais blocos, um procedimento anlogo utilizado [6], considerando que o vetor
de entrada de ordem p pode ser obtido recursivamente por
x p (n) = x1 (n) x p 1 (n)
(2.7)
onde representa o produto de Kronecker [6], [21]. Com isso, o vetor de entrada de
segunda ordem pode ser escrito como
x 2 (n) = x1 (n) x1 (n)
(2.8)
x 2 (n) = [ x 2 (n) x(n) x(n 1)

x(n) x(n N + 1)
x(n 1) x(n) x 2 (n 1)
x 2 (n N + 1)]T .
(2.9)
o que resulta em
O vetor de coeficientes correspondente , agora, expresso como

h 2 = [h2 (0, 0) h2 (0,1)
h2 (0, N 1) h2 (1,0) h2 (1,1)
h2 ( N 1, N 1)]T
(2.10)
resultando na seguinte relao de entrada e sada para o bloco de segunda ordem:

y2 (n) = xT2 (n)h 2 .
(2.11)
O mesmo procedimento pode ser realizado para os demais blocos no-lineares do filtro
Volterra, resultando, para um bloco de ordem p qualquer, na seguinte relao:
y p (n) = h Tp x p (n)
(2.12)
com y p (n) representando o sinal de sada do bloco de ordem p e h p o vetor de

coeficientes desse bloco. Definindo ento o vetor de entrada do filtro Volterra como
x V (n) = [x1T (n) xT2 (n)
xTP (n)]T
(2.13)
e o vetor de coeficientes por

h V = [h1T h T2
h TP ]T
(2.14)
a relao de entrada e sada (2.1) pode ser reescrita da seguinte maneira:

y (n) = h TV x V (n).
(2.15)
Nota-se, a partir de (2.15), que a operao de filtragem do filtro Volterra pode ser
descrita atravs do produto interno entre dois vetores. Essa caracterstica muito
importante por simplificar consideravelmente o tratamento matemtico em procedimentos
de anlise de tal filtro. Alm disso, observa-se, dessa expresso, a relao linear entre o
sinal de sada y (n) e o vetor de coeficientes h V , permitindo a aplicao direta dos
algoritmos adaptativos, usualmente considerados em filtros lineares tambm em filtros
Volterra.
12
2.2.3 Representao Espacial dos Blocos

Uma maneira alternativa de visualizar os coeficientes dos blocos do filtro Volterra
atravs da representao espacial. Tal representao obtida considerando os ndices
m1 , m2 , , mP dos coeficientes como coordenadas de um espao euclidiano [22]. Assim, a
representao espacial de cada bloco possui dimenso igual ordem do correspondente
bloco. Para o bloco de primeira ordem, a representao espacial unidimensional,
coincidindo com a representao convencional de (2.6). No caso do bloco de segunda
ordem, cada coeficiente possui dois ndices, sendo sua representao espacial
bidimensional na forma de uma matriz de coeficientes. Assim, a partir de (2.10), obtm-se
h2 (0,1)
h2 (0, 0)
h2 (1, 0)
h2 (1,1)
H2 =
h2 ( N 1, 0) h2 ( N 1,1)
h2 (0, N 1)
h2 (1, N 1)
.
h2 ( N 1, N 1)
(2.16)
possvel ainda estabelecer uma relao matemtica entre (2.10) e (2.16) [6]. Tal relao
dada por
h 2 = vec ( H T2 )
(2.17)
onde vec() um operador que, a partir da realizao de um empilhamento de colunas,

converte uma matriz em um vetor (coluna) [21], [23]. Para o bloco de terceira ordem, a
representao espacial tridimensional na forma de um cubo. Para exemplificar,
ilustrada na Figura 2.3 a representao espacial dos coeficientes do bloco de terceira ordem
de um filtro Volterra com tamanho de memria N = 3 . Apesar de tal representao
(tridimensional) no possibilitar um tratamento matemtico simples como o verificado para
os blocos de primeira e segunda ordens, ela ainda bastante interessante do ponto de vista
analtico, pois, muitas vezes, permite observar caractersticas dos sistemas que no esto
evidenciadas a partir da anlise apenas do vetor de coeficientes de terceira ordem. Para
blocos de ordens superiores, as estruturas hipercbicas (com quatro ou mais dimenses)
resultantes da representao espacial no so mais passveis de serem visualizadas. Porm,
mesmo para esses casos, o conceito da representao espacial ainda importante do ponto
de vista analtico.
h 3 (0,0,2)
13
h 3 (0,1,1)
h 3 (0,0,1)
h 3 (0,1,0)
h 3 (0,0,0)
h 3 (1,0,2)
h 3 (1,1,1)
h 3 (1,1,0)
h 3 (1,0,0)
h 3 (2,1,1)
h 3 (2,1,0)
h 3 (2,0,0)
h 3 (0,2,0)
h 3 (1,2,1)
h 3 (1,2,0)
h 3 (2,2,2)
h 3 (2,1,2)
h 3 (2,0,1)
h 3 (0,2,1)
h 3 (1,2,2)
h 3 (1,1,2)
h 3 (1,0,1)
h 3 (2,0,2)
h 3 (0,2,2)
h 3 (0,1,2)
h 3 (2,2,1)
h 3 (2,2,0)
Figura 2.3. Representao espacial dos coeficientes de um bloco de terceira ordem de

um filtro Volterra.
2.2.4 Complexidade Computacional

Como podemos observar em (2.6), o bloco de primeira ordem do filtro Volterra
apresenta um nmero de coeficientes igual ao tamanho de memria do filtro N .
Considerando o bloco de segunda ordem, temos, a partir de (2.8), que o seu vetor de
entrada obtido atravs do produto Kronecker do vetor de primeira ordem com ele
prprio. De [6], temos que o produto Kronecker entre uma matriz A de dimenso L1 M 1
e uma matriz B de dimenso L2 M 2 resulta em uma matriz de dimenso L1 L2 M 1M 2 .
Assim, levando em conta que o vetor de entrada de primeira ordem x1 (n) possui dimenso
N , o vetor de entrada de segunda ordem x 2 (n) ter dimenso N 2 . Dessa forma, o vetor
de coeficientes de segunda ordem possui N 2 coeficientes. Generalizando, o nmero de
coeficientes para um bloco de ordem p em funo do tamanho de memria N do filtro
Dp ( N ) = N p .
(2.18)
Assim, o nmero total de coeficientes de um filtro Volterra de ordem P e tamanho de

memria N
P
DV ( N , P) = N k =
k =1
N P +1 N
.
N 1
(2.19)
14
A partir de (2.18) e (2.19), possvel verificar que o nmero de coeficientes de um

filtro Volterra cresce exponencialmente com o aumento do tamanho de memria. Como
de conhecimento geral, a complexidade computacional necessria para a implementao de
um filtro ou de sua verso adaptativa est intimamente associada com o nmero total de
coeficientes desse filtro. Dessa forma, algumas vezes os requisitos de tamanho de memria
e ordem do filtro para uma determinada aplicao podem dificultar ou at mesmo
inviabilizar o uso de uma estrutura Volterra. Esse nmero elevado de coeficientes pode
tambm restringir o uso de algoritmos adaptativos de maior complexidade, tais como o
algoritmo RLS (recursive least-squares) [2] e o algoritmo de projees afins (AP) [2].
2.2.5 Representao Triangular Equivalente e Reduo de Complexidade

A partir de (2.1), nota-se que em um bloco de ordem p de um filtro Volterra cada
permutao dos ndices m1 , m2 , ..., m p resulta em um diferente coeficiente. Entretanto, em
uma operao de filtragem esses coeficientes com ndices permutados so multiplicados
pelo
mesmo
produto
x(n m1 ) x(n m2 )
de
amostras
do
sinal
de
entrada,
dado
por
x(n m p ). Assim, possvel considerar a soma dos coeficientes cujos
ndices so dados pelas diferentes permutaes de m1 , m2 , ..., m p como um nico

coeficiente que multiplica o produto de amostras x(n m1 ) x(n m2 )
x(n m p ). Para
exemplificar, o bloco de segunda ordem possui os coeficientes h2 (0,1) e h2 (1, 0), ambos
multiplicados por x(n) x(n 1) = x(n 1) x(n). Definindo, agora, h2 (0,1) = h2 (0,1) + h2 (1, 0),
obtm-se
h2 (0,1) x(n) x(n 1) + h2 (1, 0) x(n) x(n 1) = h2 (0,1) x(n) x(n 1).
(2.20)
Assim, de maneira geral, a relao de entrada e sada do filtro Volterra (2.1) pode ser agora
reescrita como
y ( n) =
N 1
h (m ) x( n m )
m1 = 0
N 1
N 1
h2 (m1 , m2 ) x(n m1 ) x(n m2 ) +
N 1
N 1
m1 = 0 m2 = m1
m1 = 0
com
mP = mP 1
hP (m1 ,
, mP ) x(n m1 )
x(n mP )
(2.21)
15
hp (m1 , m2 ,..., m p ) = hp (m(1) , m(2) ,..., m( p ) )
(2.22)
()
onde o somatrio em () de (2.22) representa a soma de todos os coeficientes da

representao convencional da relao de entrada e sada do filtro Volterra cujos ndices
so dados pelas diferentes permutaes (m1 , m2 , ..., m p ) de m1 , m2 , ..., m p . Assim, a
relao de entrada e sada de um bloco de ordem p
y p ( n) =
N 1
m1 = 0
N 1
m p = m p 1
hp (m1 ,
, m p ) x(n m1 )
x(n m p ).
(2.23)
Considerando, por exemplo, um bloco de segunda ordem e organizando os coeficientes de

(2.23) de acordo com a representao espacial descrita na Seo 2.2.3, a seguinte matriz de
coeficientes obtida:
h2 (0, 0) h2 (0,1)
0
h2 (1,1)
H2 =
0
0
h2 (0, N 1)
h2 (1, N 1)
.
h2 ( N 1, N 1)
(2.24)
Em (2.24), observa-se que a representao espacial dos coeficientes de segunda ordem de

(2.23) resulta em uma matriz triangular superior, enquanto os coeficientes da representao
convencional quando organizados na forma espacial resultam em (2.16). Como
conseqncia, a relao de entrada e sada do filtro Volterra dada por (2.21), (2.22) e (2.23)
denominada, de maneira geral, representao triangular [6].
Tambm no caso da representao triangular, possvel escrever a relao de
entrada e sada dos diferentes blocos como produtos internos de dois vetores. Para o bloco
de primeira ordem, tal relao igual da representao convencional, uma vez que o
vetor de entrada x1 (n) e o vetor de coeficientes h1 da representao triangular so iguais,
respectivamente, aos vetores de entrada x1 ( n) e de coeficientes h1 da representao
convencional. Isso se deve ao fato de os coeficientes do bloco de primeira ordem
possurem apenas o ndice m1 , no havendo assim permutaes de ndices. Para os demais
blocos, necessrio primeiro definir os vetores de entrada e de coeficientes considerando
(2.21). Exemplificando, para o bloco de segunda ordem temos
h 2 = [ h2 (0, 0) h2 (0,1)
h2 (0, N 1) h2 (1,1)
h2 ( N 1, N 1)]T
(2.25)
x2 (n) = [ x 2 (n) x(n) x(n 1)
x(n) x(n N + 1) x 2 (n 1)
x 2 (n N + 1)]T
(2.26)
16
resultando na seguinte relao de entrada e sada:

y2 (n) = xT2 (n)h 2 = x2T (n)h 2 .
(2.27)
importante ressaltar que, apesar da diferena existente entre h 2 e h 2 e tambm entre
x 2 (n) e x2 (n) , observa-se em (2.27) a igualdade xT2 (n)h 2 = x2T (n)h 2 , ilustrando assim a
equivalncia das representaes convencional e triangular. De maneira geral, para um
bloco de ordem p possvel definir vetores h p e x p (n) anlogos a (2.25) e (2.26), de tal
forma que
y p (n) = h Tp x p (n) = h Tp x p (n).
(2.28)
Assim, possvel definir o vetor de entrada
xV (n) = [ x1T (n) x2T (n) xPT (n)]T
(2.29)
h V = [h1T h 2T h TP ]T
(2.30)
e o vetor de coeficientes
que resultam na seguinte relao de entrada e sada do filtro Volterra:

y (n) = h TV x V (n) = h VT xV (n).
(2.31)
A principal vantagem da representao triangular o seu reduzido nmero de

coeficientes em comparao com a representao convencional. Isso pode ser facilmente
constatado comparando as matrizes (2.16) da representao convencional e (2.24) da
representao triangular como tambm comparando as representaes espaciais dos blocos
de terceira ordem convencional (Figura 2.3) e triangular (Figura 2.4).
De maneira geral, considerando que no caso da representao triangular existe
apenas um coeficiente para cada combinao de ordem p de amostras do sinal de entrada,
o nmero de coeficientes para o bloco de ordem p em funo do tamanho de memria N
dado por [7]
Dp ( N ) =
( N + p 1)!
( N 1)! p !
(2.32)
e o nmero total de coeficientes do filtro Volterra de ordem P e tamanho de memria N
DV ( N , P) =
( N + P )!
1.
N !P!
(2.33)
Na Figura 2.5, so apresentadas as curvas do nmero de coeficientes requerido para

implementao de blocos de segunda e terceira ordens usando as representaes
convencional e triangular em funo do tamanho de memria. A partir dessas curvas fica
17
evidente a vantagem, em termos de nmero de coeficientes e, conseqentemente,

complexidade computacional, do uso da representao triangular para a implementao do
filtro Volterra.
_h 3 (0,0,2)
h_3 (0,0,1)
h_3 (0,1,2)
h_3 (0,2,2)
h_3 (0,1,1)
_h 3 (0,0,0)
h_3 (1,1,2)
h_3 (1,2,2)
h_3 (1,1,1)
h_3 (2,2,2)
Figura 2.4. Representao espacial dos coeficientes da representao triangular de um

bloco de terceira ordem do filtro Volterra.
Por outro lado, o uso da representao triangular para fins de anlise de

implementaes do filtro Volterra geralmente resulta em um tratamento matemtico
bastante complicado. Isso se deve principalmente ausncia, no caso da representao
triangular, de uma expresso anloga a (2.7) que estabelea uma relao simples entre os
vetores de entrada dos blocos de diferentes ordens do filtro Volterra. Assim, muitas vezes,
torna-se necessrio o uso da representao convencional para fins de anlise enquanto para
fins de implementao a representao triangular a melhor opo devido ao seu menor
nmero de coeficientes.
18
Nmero de coeficientes
10000
Repr. Convencional
8000
Repr. Triangular
6000
4000
2000
0
20
40
60
80
100
80
100
Memria
(a)
10
x 10
Repr. Convencional
Repr. Triangular
6
4
2
0
20
40
60
Memria
(b)
Figura 2.5. Nmero de coeficientes requerido para implementao de diferentes blocos
do filtro Volterra usando as representaes convencional e triangular em funo do
tamanho de memria. (a) Bloco de segunda ordem. (b) Bloco de terceira ordem.
2.2.6 Representao em Coordenadas Diagonais

A representao em coordenadas diagonais da relao de entrada e sada do filtro
Volterra obtida introduzindo a seguinte mudana de ndices em (2.23) [24], [6]:
m1 = s
mi = s + ri 1 , i = 2, , p.
(2.34)
Adotando tal modificao, (2.23) pode ser reescrita como

N 1 N 1 s N 1 s
y p ( n) =
s = 0 r1= 0
r2 = r1
N 1 s
rp 1 = rp 2
hp ( s, s + r1 ,
p 1
, s + rp 1 ) x(n s ) x(n s ri ).
(2.35)
i =1
importante observar que os coeficientes de (2.35) so os mesmos de (2.23) uma vez que
apenas uma mudana de coordenadas realizada. A diferena entre os somatrios de
(2.23) e (2.35) est apenas na seqncia na qual os termos so somados. Tal diferena
ilustrada na Figura 2.6 para um filtro Volterra de segunda ordem com N = 5. Nessa figura,
a matriz de coeficientes de segunda ordem apresentada em conjunto com setas indicando
19
a seqncia na qual cada um dos coeficientes aparece nos somatrios de (2.23) e (2.35).
Observe que, enquanto no caso da representao triangular a soma se d ao longo das
linhas da matriz, no caso da representao diagonal a soma ocorre ao longo das diagonais
da matriz. Para blocos de ordens superiores o resultado anlogo ao do bloco de segunda
ordem. A vantagem da representao em coordenadas diagonais a possibilidade de
implementar cada somatrio ao longo de uma diagonal como um filtro FIR linear com uma
no-linearidade sem memria na entrada [6]. Exemplificando, para o caso considerado na
Figura 2.6 (filtro Volterra de segunda ordem com N = 5), o somatrio ao longo da
diagonal principal dado por
yd0 ( n) = h2 (0, 0) x 2 ( n) + h2 (1,1) x 2 ( n 1)
+ h2 (2, 2) x 2 ( n 2) + h2 (3, 3) x 2 ( n 3) + h2 (4, 4) x 2 ( n 4).
(2.36)
podendo o clculo desse somatrio ser implementado elevando o sinal de entrada ao

quadrado e filtrando tal sinal usando um filtro FIR com coeficientes dados por
{h2 (0,0), h2 (1,1), , h2 (4,4)}. Assim, a implementao dos somatrios ao longo das
diferentes diagonais resulta em um banco de filtros FIR com no-linearidades sem
memria em suas entradas. Conforme discutido em [24] e [25], essa forma de
implementao interessante do ponto de vista prtico e pode ser explorada para elaborar
implementaes com complexidade reduzida em algumas aplicaes.
h2 (0, 0) h2 (0,1) h2 (0, 2) h2 (0,3) h2 (0, 4)
0
h2 (1,1) h2 (1, 2) h2 (1,3) h2 (1, 4)
H2 = 0
0
h2 (2, 2) h2 (2,3) h2 (2, 4)
0
0
h2 (3,3) h2 (3, 4)
0
0
0
0
0
h2 (4, 4)
(a)
h2 (0, 0) h2 (0,1) h2 (0, 2) h2 (0,3) h2 (0, 4)
0
h2 (1,1) h2 (1, 2) h2 (1,3) h2 (1, 4)
H2 = 0
0
h2 (2, 2) h2 (2,3) h2 (2, 4)
0
0
h2 (3,3) h2 (3, 4)
0
0
0
0
0
h2 (4, 4)
(b)
Figura 2.6. Ilustrao da seqncia na qual cada coeficiente aparece no somatrio da
relao de entrada e sada de segunda ordem em diferentes representaes do filtro
Volterra. (a) Representao triangular (2.23). (b) Representao em coordenadas
diagonais (2.35).
20
2.3 Anlise Estatstica do Filtro Volterra Adaptado pelo Algoritmo

LMS
Conforme
mencionado
na
seo
anterior,
os
algoritmos
adaptativos
tradicionalmente aplicados aos filtros FIR lineares tambm podem ser utilizados para
adaptao do filtro Volterra [6]. No entanto, o elevado nmero de coeficientes apresentado
por tal filtro implica um alto custo computacional que dificulta sobremaneira a sua
aplicao no contexto adaptativo. Como conseqncia, implementaes adaptativas do
filtro Volterra so geralmente realizadas usando algoritmos adaptativos de menor
complexidade como, por exemplo, o algoritmo LMS. Outro problema encontrado para a
aplicao do filtro Volterra no contexto adaptativo a falta de modelos matemticos que
descrevam o seu comportamento ao longo do processo de adaptao e que, com isso,
possam ser usados como ferramentas efetivas de projeto. No caso dos filtros Volterra
adaptados pelo algoritmo LMS (Volterra-LMS), so encontrados na literatura alguns
trabalhos dedicados a tal modelagem. Em um dos primeiros trabalhos tratando esse
problema, os autores apresentam resultados analticos restritos a filtros Volterra-LMS de
segunda ordem com sinais de entrada gaussianos [26]. Outros trabalhos so dedicados ao
estudo da convergncia e estabilidade [27]-[29], ou focados em filtros com procedimentos
de ortogonalizao de entrada [30]. Em geral, tais trabalhos so relacionados a filtros
Volterra com restries de ordem como tambm casos em que o modelo probabilstico do
sinal de entrada pr-determinado. Contribuindo nesse contexto, expresses que
descrevem a curva de aprendizagem e o primeiro e segundo momentos do filtro
Volterra-LMS so apresentadas nesta seo. O desenvolvimento dessas expresses
realizado sem a imposio de restries quanto ordem do filtro nem quanto ao modelo
probabilstico do sinal de entrada, resultando em um modelo simples e generalizado do
comportamento do filtro Volterra-LMS. Os resultados apresentados nesta seo
constituem-se na primeira contribuio original desta tese [10], correspondendo a uma
evoluo dos resultados apresentados em [9] e [31].
2.3.1 Vetor de Coeficientes timo

O algoritmo LMS uma implementao estocstica do mtodo steepest descent [1].
A idia por trs de tal algoritmo minimizar o erro quadrtico mdio (n) = E[e 2 (n)] a
partir da sua estimativa instantnea (n) = e 2 (n) [1]. Assim, o primeiro passo para a
21
anlise do algoritmo LMS aplicado ao filtro Volterra obter o vetor de coeficientes timo
no sentido do mnimo erro quadrtico mdio. A Figura 2.7 apresenta o diagrama de blocos
de um filtro Volterra, representado por h V , no contexto da estimao de um sinal d (n)
correlacionado com o sinal de entrada x(n) e, conseqentemente, com o vetor de entrada
x V (n) do filtro Volterra. O sinal e(n) representa o erro de estimao.
x( n)
hV
y ( n)
d ( n)
+
e( n )
Figura 2.7. Diagrama de blocos de um filtro Volterra aplicado a um problema de

estimao de um sinal.
A partir da Figura 2.7 e considerando a representao convencional da relao de entrada e
sada do filtro Volterra dada por (2.15), o erro instantneo pode ser escrito como
e(n) = d (n) y (n) = d (n) h TV x V (n).
(2.37)
Elevando (2.37) ao quadrado e tomando o valor esperado de ambos os lados da expresso

resultante, obtm-se
= E[e 2 (n)] = E[d 2 (n)] 2 E[d (n)x TV (n)]h V + h TV E[x V (n)x TV (n)] h V
= E[d 2 (n)] 2p TV h V + h TV R VV h V
onde
os
valores
esperados
R VV = E[x V (n)x TV (n)]
p V = E[d (n)x V (n)]
(2.38)
so,
respectivamente, a matriz de autocorrelao de entrada e o vetor de correlao cruzada

entre o sinal a ser estimado d (n) e o vetor de entrada. Considerando (2.38) e fazendo
hV = 0, obtm-se
p V = R VV h Vo .
(2.39)
onde h Vo o vetor de coeficientes timo. A soluo do sistema de equaes representado

por (2.39) de forma a se obter o valor de h Vo no trivial uma vez que a matriz R VV no
possui inversa. Isso se deve ao fato de o vetor de entrada da representao convencional do
filtro Volterra apresentar elementos com valores repetidos, como, por exemplo,
x(n) x(n 1) e x(n 1) x(n) na parte de segunda ordem. Com isso, a matriz de
autocorrelao R VV apresenta linhas e colunas repetidas sendo, portanto, no-invertvel
(singular) devido ao seu posto deficiente. Por outro lado, o vetor de entrada da
representao triangular do filtro Volterra no possui os elementos repetidos apresentados
22
pelo vetor da representao convencional. Assim, a partir da representao triangular

possvel obter o vetor de coeficientes timo. Fazendo um desenvolvimento similar a
(2.37)-(2.39) e considerando tambm (2.31), obtm-se
p V = R VV h Vo
(2.40)
com R VV = E[ xV (n) xVT (n)] e p V = E[d (n) xV (n)]. Como agora a matriz R VV invertvel
(no-singular), obtm-se, a partir de (2.40), a seguinte expresso para o vetor de
coeficientes timo:
1
h Vo = R VV
pV .
(2.41)
Adicionalmente, substituindo (2.41) na expresso do erro quadrtico mdio (2.38) e usando

a representao triangular, a seguinte expresso para o valor mnimo do erro quadrtico
mdio obtida:
min = E[d 2 (n)] p VT h Vo .
(2.42)
O fato de o vetor de coeficientes timos de (2.41) ser obtido a partir da representao

triangular no implica perda de generalidade. Tal vetor pode, por exemplo, ser convertido
para a representao convencional utilizando como base a representao simtrica descrita
em [6]. Alm disso, como a implementao de filtros Volterra adaptativos geralmente
realizada usando a representao triangular devido ao seu menor custo computacional, o
vetor timo que se deseja obter para fins de anlise normalmente o de tal representao.
Outro fato importante a ser destacado com vistas a (2.41) a sua similaridade com a
expresso de clculo do vetor timo do filtro FIR linear transversal [1]. Isso se deve
similaridade existente entre (2.31) e a relao de entrada e sada do filtro transversal [1].
No entanto, as estruturas de R VV
e p V so bastante diferentes das matrizes
correspondentes para o caso linear, implicando diferenas importantes entre os algoritmos.
2.3.2 Comportamento Mdio dos Coeficientes

A equao de adaptao dos coeficientes do filtro Volterra-LMS dada por [6]
h V (n + 1) = h V (n) + 2e(n) xV (n).
(2.43)
Se diferentes valores de passo de adaptao so considerados para cada bloco ou para cada
coeficiente, a expresso de adaptao escrita como
h V (n + 1) = h V (n) + 2Me(n) xV (n)
(2.44)
23
onde M uma matriz diagonal contendo os diferentes valores do passo de adaptao para
cada coeficiente. Por simplicidade, o desenvolvimento apresentado aqui considera o caso
de adaptao usando um nico valor de passo dado por (2.43). A extenso para o caso com
mltiplos valores trivial.
O objetivo agora determinar uma expresso que descreva (modele) o
comportamento do primeiro momento do vetor de coeficientes, ou seja, o comportamento
mdio dos coeficientes de (2.43). Para tal, um rudo de medio z (n) (gaussiano, com
mdia igual a zero e descorrelacionado dos demais sinais do sistema) adicionado a d (n).
Com isso, o erro instantneo dado por
e(n) = d (n) + z (n) y (n) = d (n) + z (n) h VT (n) xV (n).
(2.45)
Agora, substituindo (2.45) em (2.43) e tomando o valor esperado de ambos os lados da

equao resultante, obtm-se
E[h V (n + 1)] = E[h V (n)] + 2E[d (n) xV (n)]
+2E[ z (n) xV (n)] 2E[ xV (n) xVT (n)h V (n)].
(2.46)
Para determinar os valores esperados de (2.46), uma condio de adaptao lenta

assumida [1], [2]. Apesar de tal condio ser comumente considerada para o caso dos
filtros FIR lineares, razovel consider-la tambm vlida para o caso de filtros Volterra
uma vez que esses ltimos apresentam uma convergncia geralmente mais lenta em
comparao com os primeiros [6]. Assim, sob a condio de adaptao lenta, a correlao
entre os vetores de coeficientes e de entrada pode ser desprezada e o ltimo termo de
(2.46) aproximado por
E[ xV (n) xVT (n)h V (n)] E[ xV (n) xVT (n)]E[h V (n)].
(2.47)
Como o rudo de medio possui mdia nula e descorrelacionado de xV (n) , tem-se

E[ z (n) xV (n)] = E[ z (n)]E[ xV (n)] = 0.
(2.48)
A partir de (2.47) e (2.48), a expresso recursiva para o comportamento mdio dos

coeficientes dada por
E[h V (n + 1)] = (I 2R VV ) E[h V (n)] + 2p V
(2.49)
onde I a matriz identidade. Tambm possvel utilizar o vetor de erro dos coeficientes,
o qual dado por
v (n) = h V (n) h Vo
(2.50)
24
para descrever o comportamento dos coeficientes do filtro. Assim, considerando que a

partir de (2.50) tem-se h V (n) = v (n) + h Vo e substituindo essa expresso em (2.49),
obtm-se
E[ v (n + 1)] = (I 2R VV ) E[ v (n)].
(2.51)
2.3.3 Matriz de Autocorrelao de Entrada

A partir dos resultados apresentados na seo anterior, observa-se que a evoluo
dos coeficientes ao longo do processo adaptativo do filtro Volterra-LMS influenciada
pela matriz R VV . Assim, o conhecimento da estrutura de tal matriz tem um papel
importante na modelagem do algoritmo. Relembrando a definio de R VV , dada por
R VV = E[ xV (n) xVT (n)]
(2.52)
a estrutura de tal matriz, considerando um filtro Volterra de ordem P cujo vetor de entrada
dado por (2.30), pode ser escrita alternativamente como
R VV
R11
R
= 21
R P1
R1 P
R 2 P
R PP
R12
R 22
R P2
(2.53)
onde cada submatriz de R VV dada por

R p1 p2 = E[ x p1 (n) x Tp2 (n)]
(2.54)
e x p1 (n) e x p2 (n) so os vetores de entrada de ordem p1 e p2 , respectivamente, da

representao triangular do filtro Volterra. A partir de (2.53) observa-se que a matriz de
autocorrelao de entrada possui uma estrutura mais complexa no caso do filtro Volterra
do que no caso do filtro linear [1]. Algumas das implicaes de tal estrutura no
comportamento do algoritmo Volterra-LMS sero discutidas na seqncia considerando
inicialmente o caso de um sinal branco gaussiano de entrada.
No caso do filtro linear (o qual corresponde a um filtro Volterra de ordem P = 1 ),
R VV composta apenas pela submatriz R11 cuja dimenso N N . Assim,
R VV
2x
0
= R11 =
2
x
2x
(2.55)
25
para um sinal de entrada branco gaussiano com varincia 2x . Note que (2.55) uma matriz
diagonal, o que permite reescrever (2.51) como um conjunto de equaes independentes ou
desacopladas. Assim, a expresso que modela o comportamento do k -simo coeficiente do
bloco de primeira ordem pode ser escrita como
E[ v1 (k , n + 1)] = E[ v1 (k , n)] 22x E[ v1 (k , n)].
(2.56)
Agora, considerando um filtro Volterra de segunda ordem ( P = 2) , R VV composta pelas

submatrizes R11 , R12 , R 21 , e R 22 . Novamente, para o caso de um sinal de entrada branco
gaussiano com varincia 2x , R11 dada pela matriz (2.55),
R12 = R T21 = 0
(2.57)
e
3 4x
0
R 22 = 4
x
0
4x
4x
4x
4x
4x
4x
0
4
x
4x
0
.
4x
3 4x
(2.58)
Assim, nesse caso a estrutura de R VV

R
R VV = 11
0
0
R 22
(2.59)
com R11 dada por (2.56) e R 22 por (2.59). A partir de (2.58) e (2.59) possvel observar
que, para esse caso, R VV no uma matriz contendo elementos apenas na diagonal
principal. Como resultado, o comportamento dos coeficientes no pode ser descrito por um
conjunto de equaes desacopladas. Exemplificando para o caso do um filtro
Volterra-LMS com tamanho de memria N = 3 e um sinal de entrada branco gaussiano, a
equao que descreve o comportamento do primeiro coeficiente do bloco de segunda
ordem dada por
E[ v2 (0,0,n + 1)] = E[ v2 (0,0, n)] 64x E[ v2 (0,0, n)]
24x E[ v2 (1,1, n)] 24x E[ v2 (2,2, n)]
(2.60)
26
de onde possvel notar que o comportamento do coeficiente E[ v2 (0, 0, n)] tambm

depende do comportamento dos outros coeficientes E[ v2 (1,1, n)] e E[ v2 (2, 2, n)].
Adicionalmente, considerando (2.59), (2.51) pode ser reescrita como
R11 E[ v1 (n)]
v (n + 1) E[ v1 (n)]
E 1
=
2
R 22 E[ v 2 (n)]
v 2 (n + 1) E[ v 2 (n)]
(2.61)
onde v1 (n) e v 2 (n) correspondem aos vetores de erro dos coeficientes de primeira e
segunda ordens, respectivamente. A partir de (2.61), observa-se que, nesse caso, o
comportamento dos blocos de primeira e segunda ordens independente ou desacoplado.
Tal independncia entre blocos interessante do ponto de vista prtico uma vez que se
torna possvel, por exemplo, a obteno de diferentes limites de estabilidade para o valor
do passo de adaptao, facilitando o uso de passos diferentes para cada um dos blocos de
forma a alterar o processo de convergncia [32].
Analisando um filtro de terceira ordem com tamanho de memria igual a 3 e
novamente com um sinal de entrada branco gaussiano com varincia 2x , obtm-se as
mesmas submatrizes apresentadas anteriormente, a saber R11 , R12 , R 21 e R 22 , e, ainda,
as seguintes submatrizes:
34x
R13 = 0
4x
4
x
0
4x
0
0
0 4x
0
0
0
3
0
0
0
4
x
0
4x
4
x
0
3 4x
T
R 23 = R 32
=0
(2.62)
(2.63)
e
156x
0
0
6
3 x
0
R 33 = 6
3 x
0
0
0
0
3
36x
0
6
x
0
0
0
3
0
6
x
0
3
6
x
36x
6
x
6
x
6
x
2
x
0
0
0
0
0
2x
0
36x
0
0
0
0
0
0
36x
156x
36x
6x
36x
36x
36x
6
x
6
x
36x
Assim, (2.51) pode ser reescrita como
6
x
0
36x
0
0
.
0
0
36x
0
156x
(2.64)
v1 (n + 1) E[ v1 (n)]
R11 E[ v1 (n)] + R13 E[ v 3 (n)]
E v 2 (n + 1) = E[ v 2 (n)] 2
R 22 E[ v 2 (n)]
v (n + 1) E[ v (n)]
R E[ v (n)] + R E[ v (n)]
3
1
33
3

31
27
(2.65)
Nota-se, a partir de (2.65), que agora o acoplamento no ocorre apenas entre os

coeficientes dentro de um mesmo bloco no-linear, mas tambm entre os blocos de
primeira e terceira ordens. Assim, como o comportamento desses blocos interdependente,
o uso de diferentes passos de adaptao para cada um deles no uma abordagem
recomendvel [32].
Para o caso de sinais de entrada gaussianos coloridos de mdia zero, muitos dos
elementos de R VV que tm valores nulos para um sinal de entrada branco passam a ter
valores diferentes de zero. Isso implica um maior grau de acoplamento entre o
comportamento dos coeficientes como tambm em uma convergncia mais lenta. Por outro
lado, os acoplamentos entre os blocos so os mesmos tanto para sinais de entrada
gaussianos brancos quanto coloridos. Isso se deve ao fato de as matrizes cujos elementos
so momentos mpares do sinal de entrada, como, por exemplo, R12 , R 23 e R 34 , serem
sempre nulas para quaisquer sinais de entrada gaussianos de mdia zero.
Considerando sinais de entrada com outras distribuies de probabilidade, uma
anlise similar descrita anteriormente para sinais gaussianos deve ser realizada
levando-se em conta as especificidades das distribuies envolvidas. Em geral, um grau de
acoplamento pequeno entre os coeficientes verificado para sinais brancos e um maior
grau de acoplamento verificado para sinais coloridos. Alm disso, a maior complexidade
da matriz de autocorrelao de entrada do filtro Volterra-LMS em comparao com a do
filtro linear, geralmente leva a um maior grau de acoplamento como tambm uma
convergncia mais lenta.
2.3.4 Influncia da Matriz de Autocorrelao de Entrada no Valor do Passo

de Adaptao
Conforme discutido em [1], o valor mximo do passo de adaptao do algoritmo LMS no
caso de um filtro FIR linear inversamente proporcional soma dos autovalores da matriz
de autocorrelao de entrada. Assim, considerando que o trao de tal matriz igual soma
dos seus autovalores [1], quanto maior for o trao, menor ser o limite superior para o
passo de adaptao. razovel esperar esse mesmo tipo de dependncia entre o trao de
28
R VV e o passo de adaptao no caso do filtro Volterra-LMS, uma vez que os algoritmos

so de mesma natureza. Dessa forma, a partir de (2.53), observa-se que
tr[R VV ] = tr[R11 ] + tr[R 22 ] +
+ tr[R PP ]
(2.66)
com tr[] denotando o operador trao da matriz. Como as matrizes de correlao so

sempre definidas positivas, possvel afirmar que
tr[R11 ] < tr[R VV ].
(2.67)
A partir de (2.67), considerando o mesmo sinal de entrada, possvel concluir que o limite
superior de estabilidade do passo de adaptao do filtro Volterra-LMS ser sempre menor
do que o do filtro linear. Tal afirmao tambm suportada pela considerao
otimalidade de H de filtros adaptados pelo algoritmo LMS [2]. Nesse caso, o limite de
estabilidade superior do passo de adaptao dado por
< min
1 n K
u ( n)
(2.68)
onde u(n) o vetor de entrada do algoritmo e K o nmero de iteraes em uma

realizao do algoritmo. A partir de (2.29), possvel verificar que
x1 (n) < xV (n) = x1 (n) + x2 (n) + + x P (n) .
2
(2.69)
Assim, a partir de (2.68) e (2.69), para um mesmo sinal de entrada, novamente se observa
que o limite superior de estabilidade do passo de adaptao do filtro Volterra-LMS ser
sempre menor do que o do filtro linear. Conseqentemente, em aplicaes prticas, valores
absolutos pequenos do passo de adaptao so necessrios para assegurar a convergncia e
um funcionamento adequado do filtro Volterra-LMS.
2.3.5 Erro Quadrtico Mdio

Para determinar a expresso que modela a curva de aprendizagem do filtro
Volterra-LMS, primeiramente (2.50) utilizada para reescrever o valor instantneo do
erro. Assim,
T
e(n) = d (n) + z (n) v T (n) xV (n) h Vo
xV (n) = eo (n) v T (n) xV (n)
(2.70)
T
eo (n) = d (n) + z (n) h Vo
xV ( n)
(2.71)
onde
29
o erro de estimao timo. Elevando (2.70) ao quadrado, tomando o valor esperado de

ambos os lados da expresso resultante e usando o princpio da ortogonalidade [2],
obtm-se
(n) = min + tr [ K (n)R VV ]
onde (n) = E[e 2 (n)],
(2.72)
min = E[eo2 (n)], e K (n) = E[ v(n) v T (n)] denota a matriz de
covarincia do vetor de erro dos coeficientes (momento de segunda ordem). A partir de

(2.52) e das informaes apresentadas na Seo 2.3.3, possvel observar que R VV uma
matriz hermitiana [1]. Assim, a decomposio R VV = QQ T factvel, com Q
representando a matriz de autovetores de R VV e uma matriz diagonal composta pelos
autovalores de R VV . Considerando tal decomposio, obtm-se, a partir de (2.72), a
seguinte expresso para a curva de aprendizagem:
(n) = min + tr [ K (n)R VV ] = min + T k (n)
(2.73)
onde um vetor composto pelos autovalores de R VV e k (n), um vetor contendo os

elementos da diagonal principal da matriz K (n) = Q T K (n)Q.
2.3.6 Modelo para o Momento de Segunda Ordem

A partir de (2.73), nota-se que, para obter a curva de aprendizagem, o conhecimento do
comportamento da matriz K ( n) ou do vetor k (n) requerido. Assim, nesta seo
expresses para modelagem de tais elementos so desenvolvidas. Ento, substituindo
(2.70) em (2.43) e manipulando-se a expresso resultante, obtm-se
v (n + 1) = v (n) + 2xV (n)eo (n) 2xV (n) xVT (n) v (n).
(2.74)
Agora, fazendo v (n + 1) v T (n + 1) e tomando o valor esperado da expresso resultante,

obtm-se
E[ v ( n + 1) v T ( n + 1)] = E[ v (n) v T (n)]
2E[ v (n) v T (n) xV (n) xVT (n)]
2E[ xV (n) xVT (n) v (n) v T (n)]
+4 2 E[ xV (n) xVT (n) v ( n) v T (n) xV (n) xVT (n)]
+4 2 E[ xV (n)eo (n)eo (n) xVT (n)]
+2E{[I d 2xV (n) xVT (n)]v (n)eo (n) xVT (n)}
+2E{xV (n)eo (n) v T (n)[I d 2xV (n) xVT (n)]}.
(2.75)
30
Considerando o princpio da ortogonalidade [1], os dois ltimos termos direita de (2.75)

so iguais a zero. O quarto termo do lado direto de (2.75) desprezado devido s seguintes
razes: (a) tal termo depende de 2 , o qual tem valor muito pequeno uma vez que
geralmente pequeno; (b) tambm depende de v(n) v T (n), o qual se torna pequeno uma vez
que v (n) tende a zero quando a convergncia alcanada; (c) por simplicidade e
generalizao do modelo, uma vez que o clculo de momentos de alta ordem de x V (n) so
evitados. Por outro lado, tal aproximao pode se tornar ineficiente na fase transiente do
processo adaptativo caso o produto x V (n)xTV (n) v (n) v T (n)x V (n)x TV (n) resulte em uma
matriz com valores elevados, o que pode ocorrer para filtros Volterra com um nmero
muito grande de coeficientes. Entretanto, como o uso de filtros Volterra com tamanhos de
memria elevados bastante restrito devido carga computacional envolvida, a
aproximao aqui realizada apresenta geralmente um bom desempenho para casos de
aplicaes prticas. Assim, determinando os demais termos em (2.75), a seguinte
expresso para o segundo momento obtida:
K (n + 1) = K (n) 2 [ K (n)R VV + R VV K (n) ] + 4 2 min R VV .
(2.76)
Agora, pr-multiplicando (2.76) por Q T , ps-multiplicando por Q, e levando-se em conta

que Q T Q = QQ T = I, obtm-se
K (n + 1) = K (n) 2 K (n) + K (n) + 4 2 min .
(2.77)
Considerando que a matriz uma matriz diagonal, tem-se a diagonal principal de

K (n) igual diagonal principal de K (n), resultando na seguinte expresso recursiva
para o vetor k (n) :
k (n + 1) = (I 4)k (n) + 4 2 min .
(2.78)
Combinando (2.73) e (2.78), um modelo para a curva de aprendizagem do filtro Volterra

adaptado pelo algoritmo LMS obtido. importante notar que a implementao de tal
modelo realizada com um custo computacional bastante reduzido uma vez que os
produtos matriciais de (2.78) envolvem apenas matrizes diagonais e vetores.
2.3.7 Desajuste
O desajuste definido como
M = excess min
(2.79)
31
onde excess o erro quadrtico mdio em excesso, ou seja, a diferena entre o valor em
regime permanente do erro quadrtico mdio e seu valor timo. Assim, subtraindo min de
(2.73), considerando a convergncia do algoritmo, ou seja, lim K (n + 1) = lim K (n) = K e
n
usando (2.77), obtm-se

excess = tr[K R VV ] = min tr[R VV ] .
(2.80)
Finalmente, substituindo (2.80) em (2.79), a expresso para o desajuste obtida. Assim,

M = tr[R VV ] .
(2.81)
2.3.8 Resultados de Simulao

Para verificar a preciso do modelo desenvolvido, alguns resultados de simulao
sero apresentados nesta seo considerando um problema de identificao de sistema [1]
usando diferentes sinais de entrada. Nos exemplos considerados, resultados obtidos atravs
de simulao Monte Carlo (mdia de 200 realizaes) so comparados com os resultados
obtidos com o modelo proposto. Diferentes valores para o passo de adaptao so usados,
todos relacionados com um valor crtico crit obtido experimentalmente considerando o
critrio dado por (2.68) [2]. Assim, crit aproximadamente igual ao valor mnimo do
inverso da norma quadrtica do vetor de entrada obtido ao longo de 200 realizaes de
simulao de Monte Carlo. Em todos os casos, a varincia do rudo de medio z (n)
2z = 106. As curvas do comportamento mdio dos pesos so apresentadas apenas no
Exemplo 1 devido redundncia dos resultados, enquanto as curvas de aprendizagem so
apresentadas em todos os exemplos considerados.
Exemplo 2.1: Neste exemplo, a planta tem um tamanho de memria N = 7 e sua sada
dada por
d (n) = x(n) + 0,5 x(n 1) + 0,1x( n 2) 0, 2 x(n 3) 0,3 x(n 4)
0,1x(n 5) + 0, 08 x(n 6) + 0, 7 x 2 (n) + 0,3 x(n) x(n 1)
0,1x(n) x(n 3) + 0, 05 x(n) x(n 6) + 0,5 x 2 (n 1)
+0, 2 x(n 1) x(n 2) 0, 2 x(n 1) x(n 5) 0,35 x 2 (n 2)
0, 05 x(n 2) x(n 4) + 0, 02 x(n 2) x(n 5) 0, 2 x 2 (n 3)
+0, 05 x(n 3) x(n 5) + 0,1x 2 (n 4) + 0, 05 x(n 4) x(n 5)
+0, 02 x(n 4) x(n 6) 0,1x 2 (n 5) + 0, 05 x 2 (n 6).
(2.82)
32
O sinal de entrada branco gaussiano com varincia 2x = 1 . Na Figura 2.8 o

comportamento mdio dos coeficientes apresentado, enquanto a Figura 2.9 ilustra a curva
de aprendizagem, ambos obtidos usando = crit com crit = 0, 001 . Nos resultados
apresentados, apenas pequenas diferenas so verificadas durante a fase transiente entre os
resultados de simulao Monte Carlo e os obtidos atravs do modelo proposto. Tais
diferenas tornam-se mais evidentes para as curvas de aprendizagem devido s
aproximaes consideradas. Reduzindo o passo de adaptao para = crit 2 , melhores
resultados so verificados conforme mostrado nas Figuras 2.10 e 2.11. Como em
aplicaes prticas geralmente so utilizados valores de menores do que o limite de
estabilidade, os resultados obtidos atestam a aplicabilidade e a efetividade do modelo
proposto para o caso estudado.
E[hV(n )]
0.5
-0.5
0
1250
2500
Iteraes
Figura 2.8. Exemplo 2.1. Evoluo de E[h V ( n )] com = crit . (Linhas escuras)
(2.49).
(n )
10
10
10
33
-3
-6
4000
8000
Iteraes
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e
(2.78).
E[hV(n )]
0.5
-0.5
0
1000
2000
3000
4000
5000
Iteraes
Figura 2.10. Exemplo 2.1. Evoluo de E[h V ( n )] com = crit / 2. (Linhas escuras)
(2.49).
(n )
10
10
10
34
-3
-6
6000
12000
Iteraes
Figura 2.11. Exemplo 2.1. Evoluo de ( n ) usando = crit / 2. (Linha irregular

escura) simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73)
e (2.78).
Exemplo 2.2: Para este exemplo, a mesma planta do Exemplo 2.1 considerada, porm
agora com um sinal de entrada obtido a partir de um processo AR dado por
x(n) = x(n 1) + 1 2 u (n), onde u( n ) um sinal branco gaussiano com varincia
unitria e = 0,5. Na Figura 2.12, curvas do erro quadrtico mdio obtidas usando
= crit com crit = 0,00033 so apresentadas. Novamente, verifica-se uma similaridade
muito boa entre os resultados de simulao Monte Carlo e os do modelo proposto.
( n )
10
10
10
-3
-6
40000
80000
Iteraes
(2.78).
35
Exemplo 2.3: A planta deste exemplo a mesma dos exemplos anteriores. A diferena
agora est no sinal de entrada que branco e apresenta distribuio uniforme de
probabilidade entre 1 e +1 . Os resultados obtidos com = crit e crit = 0, 0385 esto
apresentados na Figura 2.13. Dessa figura, nota-se que, apesar da boa concordncia na fase
de regime permanente, uma pequena diferena na fase transiente observada. Tal
diferena resultado do alto valor absoluto de , o que nesse caso uma conseqncia da
varincia baixa do sinal de entrada. Considerando um valor de menor, dado por
= crit 3, resultados muito bons so obtidos conforme mostrado na Figura 2.14.
(n )
10
10
10
-3
-6
2000
4000
Iteraes
(2.78).
( n )
10
10
10
36
-3
-6
2000
4000
Iteraes

e (2.78).
Exemplo 2.4: Para este exemplo, a planta a mesma dos exemplos anteriores, mas o sinal
de entrada branco com distribuio de probabilidade de Rayleigh [21] com um fator
= 0, 4 (mdia aproximadamente igual a 0,5 e varincia 0, 0687) . O passo de adaptao
dado por = crit = 0, 017 e os resultados obtidos esto apresentados na Figura 2.15. Como
pode ser observada nessa figura, uma concordncia muito boa entre os resultados de
simulao e o do modelo proposto novamente obtida.
( n )
10
10
10
-2
-4
-6
60000
120000
Iteraes
(2.78).
37
Exemplo 2.5: Neste exemplo, utilizada a mesma planta dos exemplos anteriores e o sinal
de entrada agora composto dos valores 0 e +1 com igual probabilidade (distribuio
discreta e uniforme). O valor de crit 0, 028 e o passo de adaptao adotado = crit 2.
Os resultados obtidos so apresentados na Figura 2.16, de onde se observa um casamento
muito bom entre os resultados de simulao e o do modelo proposto.
( n )
10
10
10
-3
-6
6000
12000
Iteraes

e (2.78).
Exemplo 2.6: Para este exemplo, uma planta Volterra de terceira ordem com tamanho de
memria igual a 3 considerada. Os vetores de coeficientes da planta so dados por
h1 = [0,84 1,59 0,1200]T
h 2 = [0,45 0,15 0,12 0,38 0,63 0,48]T
h3 = [0,14 0,09 0,9 0,36 0,64
0,23 0,25 0,41 0,24 0,26]T .
O sinal de entrada branco gaussiano com varincia 2x = 0,5. O passo de adaptao
= crit com crit = 0, 0003. Os resultados obtidos so mostrados na Figura 2.17, de onde
se observa um bom casamento entre simulao e modelo.
( n )
10
10
10
38
-3
-6
75000
150000
Iteraes
(2.78).
Exemplo 2.7: Neste exemplo, uma planta composta por um bloco de primeira ordem e um
bloco de quarta ordem, ambos com tamanho de memria N = 7 (total de 217 coeficientes),
considerada. O sinal de entrada branco com distribuio uniforme de probabilidade
entre 1 e +1 . O passo de adaptao usado = crit com crit = 0, 007. As curvas do erro
quadrtico mdio obtidas so apresentadas na Figura 2.18. Como pode ser notado, uma
concordncia muito boa entre os resultados de simulao e o do modelo proposto
novamente verificada.
( n )
10
10
10
-3
-6
35000
70000
Iteraes
(2.78).
39
Exemplo 2.8: A planta para este exemplo um filtro Volterra de segunda ordem com
tamanho de memria 50 e, conseqentemente, 1325 coeficientes. O uso de filtros Volterra
com um nmero to elevado de coeficientes bastante restrito devido alta complexidade
computacional requerida. Assim, o objetivo aqui avaliar o desempenho do modelo
proposto e das aproximaes realizadas nessa situao crtica. O sinal de entrada branco
gaussiano com varincia 2x = 1 . O valor obtido para crit 0, 0001 e os resultados so
obtidos considerando = crit e = crit 3. Tais resultados so mostrados nas Figuras 2.19
e 2.20, respectivamente. Como pode ser observado, uma pequena diferena na fase
transiente entre a simulao e o modelo, que conseqncia das aproximaes adotadas,
verificada. Entretanto, tal diferena quase desprezvel para = crit 3, permitindo o uso
do modelo com uma preciso razovel mesmo para essa situao limite.
( n )
10
10
10
-3
-6
50000
100000
Iteraes
(2.78).
( n )
10
10
10
40
-3
-6
60000
120000
Iteraes

e (2.78).
2.4 Consideraes
Neste captulo, as principais caractersticas do filtro Volterra e suas implicaes
prticas foram apresentadas. Tais caractersticas sero exploradas nos prximos captulos
com o objetivo de produzir novos resultados que venham a contribuir para a aplicao dos
filtros Volterra em filtragem adaptativa. Alm disso, expresses de modelagem para a
curva de aprendizagem e para o primeiro e segundo momentos do filtro Volterra adaptado
pelo algoritmo LMS tambm foram apresentadas neste captulo. O modelo obtido
apresenta um bom desempenho, tendo ainda a vantagem de sua aplicao no sofrer
restries quanto ordem do filtro nem quanto ao modelo probabilstico do sinal de
entrada.
CAPTULO
3
Filtros Volterra Interpolados Adaptativos
Como conseqncia da alta carga computacional requerida para implementao dos

filtros Volterra adaptativos, diversas estruturas para sua implementao com reduo de
complexidade computacional vm sendo desenvolvidas. Este captulo trata de uma dessas
classes de estruturas, a dos filtros Volterra interpolados [31], [33]-[35]. Nesse contexto, as
principais caractersticas e a motivao para o desenvolvimento de tais filtros so aqui
apresentadas. Adicionalmente, trs estudos originais, relacionados aos filtros Volterra
interpolados, so apresentados neste captulo. O primeiro deles a descrio da estrutura
equivalente e do processo de recriao dos coeficientes por interpolao nas
correspondentes estruturas [8]. O segundo estudo consiste no desenvolvimento de um
procedimento para implementao de filtros interpolados com remoo do efeito de borda
[36], proporcionando ganhos importantes de desempenho. Um terceiro e ltimo estudo
trata da modelagem estatstica dos filtros Volterra interpolados adaptativos, sendo descritos
o vetor timo de coeficientes, o erro quadrtico mdio mnimo e o comportamento de tais
filtros quando adaptados pelo algoritmo LMS.
3.1 Implementaes com Complexidade Reduzida do Filtro Volterra

As estratgias para implementao com complexidade reduzida do filtro Volterra e
sua verso adaptativa discutidas na literatura podem ser divididas em trs classes
principais: implementao no domnio da freqncia, implementao baseada na
decomposio da matriz de coeficientes e implementao esparsa. Recentemente, uma
quarta classe, a de filtros Volterra interpolados, tem sido discutida na literatura [31],
[33]-[34]. Nesta seo, as caractersticas gerais dessas diferentes classes so apresentadas e
discutidas.
Captulo 3 Filtros Volterra Interpolados Adaptativos
42
3.1.1 Implementao no Domnio da Freqncia

Uma das primeiras implementaes no domnio da freqncia de filtros Volterra
apresentada em [37], envolvendo um filtro Volterra de segunda ordem adaptado pelo
algoritmo LMS. Outra abordagem, descrevendo apenas a operao de filtragem sem
considerar adaptao dos coeficientes, dada em [38], com destaque para a possibilidade
do uso de processamento paralelo para implementao da estrutura proposta. Outras
abordagens, discutindo a operao de filtragem [39]-[40] ou tambm no contexto
adaptativo [41]-[43] consideram a implementao no domnio da freqncia em conjunto
com os mtodos overlap-and-save e overlap-and-add [40] para reduo de complexidade.
Em geral, a principal vantagem das estruturas no domnio da freqncia est associada
mais velocidade de convergncia (no contexto adaptativo) do que propriamente com a
reduo de complexidade computacional, uma vez que tal reduo geralmente obtida
apenas nos casos em que filtros com tamanhos de memria muito grandes so
considerados. Isso se deve em parte necessidade de realizao de transformadas de
Fourier, atravs da FFT (fast Fourier transform) [1], para implementao dos filtros. Uma
conseqncia direta do uso da FFT a necessidade dos filtros apresentarem tamanhos de
memria que so potncias de dois como, por exemplo, 22 , 23 , 24 , etc . Essa restrio
necessria para que a transformada possa ser implementada com menor impacto na
complexidade computacional total do algoritmo.
3.1.2 Implementao Baseada na Decomposio da Matriz de Coeficientes

Conforme descrito em [44], implementaes baseadas na decomposio da matriz
de coeficientes so obtidas a partir da representao da relao de entrada e sada de um
bloco no-linear do filtro Volterra como um produto entre dois vetores de entrada e uma
matriz de coeficientes. A partir de tal representao, possvel realizar uma decomposio
da matriz de coeficientes de forma a obter estruturas compostas por blocos conectados em
paralelo [44]. Para obter implementaes com complexidade reduzida, alguns desses
blocos paralelos so desconsiderados de acordo com as caractersticas da decomposio
matricial utilizada e do problema a ser tratado. Por exemplo, se a decomposio em valores
singulares [21] aplicada, possvel desconsiderar os blocos paralelos correspondentes
aos menores autovalores da matriz de coeficientes [44]. Esse tipo de implementao foi
originalmente proposto em [45], sendo tambm discutido em [44]. Sua aplicao no
43
contexto adaptativo descrita em [46]. Adicionalmente, uma implementao no domnio

da freqncia baseada na decomposio da matriz de coeficientes dada em [47].
3.1.3 Implementao Esparsa

A idia por trs das implementaes esparsas remover os coeficientes
desnecessrios ou menos importantes do filtro Volterra em funo das caractersticas e
requisitos de desempenho em uma determinada aplicao. Com isso, busca-se aumentar a
eficincia do filtro do ponto de vista de complexidade computacional, mesmo que se tenha
que admitir, freqentemente, alguma perda de desempenho. Tais implementaes podem
ser subdivididas em duas classes: com estimao de regies dominantes e truncadas em
nmero de diagonais.
3.1.3.1 Implementaes com Estimao de Regies Dominantes

As implementaes com estimao de regies dominantes so, em geral, realizadas
a partir da estimao dos coeficientes de maior importncia (maior magnitude) do filtro
Volterra. Feito isso, so introduzidos atrasos no sinal de entrada para tornar possvel a
implementao apenas da regio principal do vetor de coeficientes. Conseqentemente,
uma considervel reduo no nmero de coeficientes obtida a custa de alguma perda de
desempenho. As principais implementaes desse tipo so discutidas em [48]-[51]. Apesar
de tais implementaes apresentarem muito bom desempenho em aplicaes especficas,
elas apresentam a desvantagem da necessidade de se detectar ou estimar os coeficientes
mais importantes, o que implica custos em termos de complexidade computacional.
3.1.3.2 Implementaes Truncadas em Nmero de Diagonais

As implementaes truncadas em nmero de diagonais so baseadas na
representao em coordenadas diagonais da relao de entrada e sada do filtro Volterra,
descrita na Seo 2.2.6. Conforme discutido em [25], existem aplicaes em que os
coeficientes de maior importncia do filtro Volterra so os mais prximos das diagonais
principais dos blocos. Assim, nesses casos possvel desconsiderar os coeficientes das
diagonais mais distantes da diagonal principal sem levar a perdas de desempenho
significativas. Um dos primeiro trabalhos que tratam de tal conceito apresentado em [25].
Implementaes propostas em alguns trabalhos anteriores [26], [52] apresentam
implicitamente tal caracterstica. A implementao descrita em [53] e os power filters
propostos em [54] tambm so baseados nesse conceito, sendo que, no caso dos power
44
filters, apenas a diagonal principal de cada bloco considerada [54]. Ainda, em [55], a
implementao de filtros Volterra no domnio da freqncia utilizando tambm um
truncamento do nmero de diagonais apresentada. De maneira geral, a idia por trs das
implementaes truncadas em nmero de diagonais interessante, apresentando bom
desempenho em algumas aplicaes especficas. No entanto, de forma anloga s
implementaes com estimao de regies dominantes, uma escolha inapropriada do
nmero de diagonais a ser considerado pode levar a importantes perdas de desempenho.
Esse problema ainda mais crtico no caso dos power filters, nos quais apenas a diagonal
principal considerada.
3.1.4 Implementaes Interpoladas

Nas abordagens interpoladas, a reduo de complexidade computacional tambm
obtida a partir do uso de estruturas esparsas [34]. No entanto, a presena de um filtro
interpolador implica na recriao de coeficientes e em estruturas equivalentes no-esparsas
anlogas aos filtros FIR interpolados [5], [56]. Assim, as implementaes interpoladas
podem ser consideradas constituintes de uma terceira classe de estruturas para
implementao com complexidade reduzida de filtros Volterra. As principais
caractersticas de tal classe de estruturas so descritas ao longo deste captulo, sendo que,
na prxima seo, so apresentadas as definies bsicas das estruturas que motivaram o
seu desenvolvimento, a saber, os filtros FIR interpolados.
3.2 Definies Bsicas de Filtros FIR Interpolados

Um filtro interpolado de reposta ao impulso finita (interpolated FIR - IFIR) uma
realizao com nmero reduzido de coeficientes de um filtro FIR convencional [5], [56]. A
idia bsica por trs dos filtros IFIR remover alguns dos coeficientes do filtro FIR e
depois recri-los usando um filtro interpolador. O diagrama de blocos de tal estrutura est
ilustrado na Figura 3.1, onde esto mostrados o filtro FIR convencional w e sua verso
interpolada, formada pelo interpolador g em srie com o filtro esparso w s . Os sinais x( n )
e y ( n ) representam, respectivamente, os sinais de entrada e sada do filtro FIR padro,
y( n ) = x T ( n )w
com
(3.1)
w = [ w(0) w(1)
45
w( N 1)]T
(3.2)
e
x(n) = { x(n) x(n 1) x(n 2)
x(n N + 1)} .
T
(3.3)
O filtro interpolador um filtro FIR com M coeficientes e resposta ao impulso definida

pelo vetor g = [ g (0) g (1)
g ( M 1)]T . Assim, a sada x( n ) do interpolador
relacionada ao sinal de entrada por

M 1
x(n) = g ( j ) x(n j ).
(3.4)
j =0
O fator que determina a esparsidade de w s denominado fator de interpolao e

denotado por L [56]. O vetor de coeficientes do filtro esparso w s ento obtido
colocando para zero ( L 1) amostras de cada L amostras consecutivas do vetor de
coeficientes (3.2) do filtro FIR padro. Dessa maneira, so colocados para zero os
coeficientes cujos ndices no so mltiplos de L, resultando no seguinte vetor de
dimenso ( N 1) :
w s = {w(0) 0
w( L) 0
w(2 L) 0
w[( N s 1) L] 0
0} .
T
(3.5)
O vetor de entrada correspondente dado por

x(n) = { x(n) x(n 1) x(n 2)
x(n N + 1)} .
T
(3.6)
Assim, o sinal de sada y ( n ) do filtro IFIR, que uma verso aproximada de y (n) visto
que a estrutura interpolada uma aproximao do filtro FIR padro, dado por
y (n) = x T (n)w s .
(3.7)
O nmero de coeficientes diferentes de zero em (3.5) dado pela expresso

N 1
Ns =
+1
L
(3.8)
com denotando a operao de truncamento e N , o tamanho de memria do filtro

padro.
x( n )
46
y( n)
x( n )
x( n )
ws
y ( n )
Figura 3.1. Diagrama de blocos de uma estrutura IFIR.

O filtro IFIR tambm pode ser implementado invertendo as posies do
interpolador e do filtro esparso na estrutura ilustrada na Figura 3.1. Assim, obtm-se a
estrutura apresentada na Figura 3.2, onde esto presentes os mesmos elementos
apresentados na Figura 3.1 e, ainda, x (n) representando o sinal de entrada filtrado pelo
filtro esparso. Para esse caso, a sada do filtro
y (n) = x T (n)g
(3.9)
com
x (n) = { x (n) x (n 1) x (n 2)
x (n M + 1)}
(3.10)
x (n) = w sT x(n).
x( n )
ws
x (n)
(3.11)
y ( n )
Figura 3.2. Diagrama de blocos de uma estrutura IFIR com interpolador na sada.
Em comum, as estruturas da Figura 3.1 e da Figura 3.2 apresentam a mesma funo de
transferncia e o mesmo vetor de coeficientes equivalente. Tal vetor, denotado por w i ,
obtido a partir da convoluo das respostas ao impulso do filtro esparso w s e do
interpolador g , possuindo, assim, N + M 1 coeficientes.
Conforme mencionado, o papel do filtro interpolador em uma estrutura IFIR
recriar os coeficientes zerados em (3.5). Geralmente, esses coeficientes so recriados em
funo dos valores de seus coeficientes vizinhos. Tal processo aqui ilustrado atravs de
um exemplo com L = 2 e usando um interpolador linear, cujo vetor de coeficientes dado
por g = [0,5 1 0,5]T . Para esse caso, considerando um filtro esparso com N = 5 e vetor de
coeficientes dado por
w s = [ w(0) 0 w(2) 0 w(4)]T

o vetor equivalente, obtido convolvendo as respostas de g e w s , dado por
(3.12)
47
w i = 0,5w(0) w(0) 0,5w(0) + 0,5w(2) w(2) 0,5w(2) + 0,5w(4) w(4) 0,5w(4) . (3.13)
A partir de (3.13), verifica-se que o procedimento de recriao dos coeficientes no filtro
IFIR ocorre como segue: os coeficientes iguais a zero em (3.12) so reconstrudos em
funo dos valores de seus vizinhos, conforme indicado pelos retngulos em (3.13). Nesse
caso, como g = [0,5 1 0,5]T , os coeficientes iguais a zero so reconstrudos como a
mdia aritmtica dos seus vizinhos. Alm disso, os coeficientes sublinhados em (3.13)
surgem como efeito de borda do processo de interpolao. Assim, fica evidente que a
estrutura interpolada constitui-se de uma aproximao do filtro convencional,
proporcionando melhores resultados se o interpolador produzir coeficientes com valores
mais prximos daqueles que foram colocados para zero para obteno de (3.12).
Substituindo, agora, o interpolador linear por um interpolador genrico com
g = [ g (0) g (1) g (2) ] , obtm-se

T
w i = g (0) w(0) g(1) w(0) g (2) w(0) + g (0) w(2) g(1) w(2)
T
g (2) w(2) + g (0) w(4) g(1) w(4) g (2) w(4) .
(3.14)
Comparando (3.13) com (3.14), observa-se que os coeficientes do filtro interpolador tm

papis bastante distintos. Enquanto o coeficiente central g (1) tem a funo de replicar os
coeficientes diferentes de zero do filtro esparso, os coeficientes g (0) e g (2) so os
responsveis pela recriao dos coeficientes que esto zerados a partir de seus vizinhos.
Assim, de maneira geral, o interpolador deve possuir um coeficiente central e 2( L 1)
coeficientes laterais, de forma que os coeficientes que esto zerados possam ser recriados
em funo de seus vizinhos. Portanto, o tamanho de memria do interpolador em funo
do fator de interpolao L
M ( L) = 1 + 2( L 1) = 2 L 1.
Por
exemplo,
um
fator
de
interpolao
L=3
(3.15)
resulta
em
M =5
g = [ g (0) g(1) g(2) g(3) g(4)]T . Considerando, ainda, um filtro esparso com N = 7
( N s = 3) , temos
w s = [ w(0) 0 0 w(3) 0 0 w(6)]T
e um vetor equivalente dado por
(3.16)
48
w i = g (0) w(0) g (1) w(0) g (2) w(0) g (3) w(0) + g (0) w(3)
g (4) w(0) + g (1) w(3) g (2) w(3) g (3) w(3) + g (0) w(6)
(3.17)
T
g (4) w(3) + g (1) w(6) g (2) w(6) g (3) w(6) g (4) w(6) .
Em (3.17), constata-se a presena dos coeficientes recriados (destacados por caixas) e
tambm aqueles resultantes do efeito de borda (sublinhados). Nota-se, ainda, a replicao
dos coeficientes diferentes de zero do vetor esparso (3.16), aqui multiplicados pelo
coeficiente central do interpolador [ g (2)] .
A partir das informaes apresentadas nesta seo, observa-se que o uso de filtros
IFIR para implementao de filtros FIR leva a uma considervel reduo no nmero total
de coeficientes requerido. Do ponto de vista prtico, tal reduo pode tambm ser
considerada uma reduo no tamanho de memria do filtro uma vez que o filtro esparso da
estrutura interpolada uma verso dizimada do filtro FIR convencional. Essa caracterstica
bastante interessante especialmente no contexto adaptativo, pois proporciona
implementaes com menor custo computacional e, em alguns casos, com melhores taxas
de convergncia [57].
3.3 Filtros Volterra Interpolados Adaptativos

No caso do filtro Volterra, uma reduo no tamanho de memria do filtro leva a
uma reduo ainda maior no nmero de coeficientes, o que pode ser facilmente observado
a partir de (2.19) e (2.33). Assim, o uso de uma abordagem interpolada, similar descrita
para os filtros IFIR na seo anterior, torna-se bastante sedutora. Nesta seo, os filtros
Volterra interpolados so apresentados destacando a descrio de sua estrutura, a aplicao
no contexto adaptativo e tambm a avaliao da complexidade computacional requerida
para sua implementao.
3.3.1 Implementao Interpolada do Filtro Volterra

Conforme apresentado em [34], a estrutura usada para implementao do filtro
Volterra interpolado, ilustrada na Figura 3.3, similar a dos filtros IFIR com interpolador
na entrada. Na parte superior de tal figura, mostrada a forma simplificada da estrutura do
filtro Volterra interpolado, onde x( n ) o sinal de entrada, g representa o filtro
interpolador, x V ( n ) o vetor de entrada Volterra interpolado, o qual similar a (2.13),
porm obtido a partir do sinal de entrada interpolado, resultando em
x V ( n ) = [ x1 ( n ) x 2 ( n )
49
x P ( n )]
(3.18)
h Vs o vetor de coeficientes Volterra esparso, dado por

h Vs = [h1s h 2s
h Ps ]
(3.19)
e y ( n ) representa o sinal de sada, obtido por

y ( n ) = x TV ( n )h Vs .
(3.20)
Na parte inferior da Figura 3.3, a estrutura de blocos do filtro Volterra interpolado

apresentada de forma expandida, com x p ( n ) representando o vetor de entrada interpolado
para cada bloco h ps de ordem p, e y p ( n ) a sada de cada bloco esparso tambm de ordem
p.
x( n )
x( n )
x V ( n)
h Vs
=
x1 ( n )
x 2 (n)
x P (n)
h1s
h2s
h Ps
y ( n)
y1 ( n)
y 2 ( n )
y ( n )
+ +
y P ( n)
Figura 3.3. Diagrama de blocos do filtro Volterra interpolado.

De maneira similar aos filtros IFIR, o bloco esparso de primeira ordem do filtro
Volterra interpolado possui o seguinte vetor de entrada:
x1 ( n ) = { x( n ) x( n 1) x( n 2)
x[ n N + 1]}T
(3.21)
com o respectivo vetor de coeficientes dado por

h1s = {h1 (0) 0
h1 ( L) 0
h1[( N s 1) L] 0
0}
(3.22)
e relao de entrada e sada por

y1 (n) = x1T (n)h1s .
(3.23)
Considerando agora o bloco de segunda ordem, o vetor de entrada obtido a partir de

(2.7), resultando em
x 2 (n) = x1 (n) x1 (n).
(3.24)
O processo de derivao do vetor de coeficientes esparso de segunda ordem melhor

visualizado quando expressado usando a representao espacial dos blocos descrita na
50
Seo 2.2.3. Tomando como exemplo um filtro Volterra convencional com memria igual
a 3, tem-se a seguinte matriz de coeficientes de segunda ordem:
h2 (0, 0) h2 (0,1) h2 (0, 2)
H 2 = h2 (1, 0) h2 (1,1) h2 (1, 2) .
h2 (2, 0) h2 (2,1) h2 (2, 2)
(3.25)
A verso esparsa de (3.25) obtida de forma anloga adotada para obteno de (3.5) e
(3.22). Desse modo, so zerados os coeficientes de (3.25) que possuem ao menos um
ndice que no mltiplo de L. Por exemplo, se L = 2, a partir de (3.25), obtm-se
h2 (0, 0) 0 h2 (0, 2)
H 2s = 0
0
0 .
h2 (2, 0) 0 h2 (2, 2)
(3.26)
Escrevendo (3.26) na forma vetorial, tem-se

h 2s = [h2 (0, 0) 0 h2 (0, 2) 0 0 0 h2 (2, 0) 0 h2 (2, 2)]T .
(3.27)
Considerando ento (3.24) e (3.27), a relao de entrada e sada do bloco esparso de

segunda ordem
y 2 (n) = xT2 (n)h 2s .
(3.28)
Os demais blocos possuem relaes de entrada e sada similares do bloco de segunda

ordem, resultando em
y p ( n ) = x Tp ( n )h ps
(3.29)
x p ( n ) = x1 ( n ) x p 1 ( n )
(3.30)
com
e vetor de coeficientes esparso obtido de maneira similar descrita para os blocos de

primeira e segunda ordens, ou seja, zerando os coeficientes que apresentam ao menos um
ndice que no mltiplo de L .
3.3.2 Contexto Adaptativo

A implementao dos filtros Volterra interpolados no contexto adaptativo
comumente realizada com a adaptao apenas dos coeficientes do filtro esparso. Essa
caracterstica, aliada ainda representao triangular da relao de entrada e sada, torna
bastante interessante o uso de tais filtros uma vez que a carga computacional reduzida
consideravelmente.
51
3.3.2.1 Filtro Volterra Interpolado Adaptativo

Como um exemplo de filtro Volterra interpolado adaptativo, podemos considerar
uma estrutura Volterra interpolada de segunda ordem (Figura 3.3) adaptada pelo algoritmo
LMS, aplicada a um problema de estimao de sinal (Figura 1.1). Tal esquema ilustrado
na Figura 3.4, com e( n ) representando o sinal de erro e d ( n ) o sinal a ser estimado. A
extenso desse problema para filtros de maior ordem direta, apenas incluindo os demais
blocos estrutura.
x( n )
x1 ( n )
h1s ( n ) +
+
y ( n )
d (n)
+
e( n )
LMS
x 2 ( n)
h 2s ( n )
LMS
Figura 3.4. Estrutura de um filtro Volterra interpolado adaptativo de segunda ordem.
Assim, considerando o algoritmo LMS [1] e a representao triangular da relao de
entrada e sada Volterra descrita na Seo 2.2.5, a equao de atualizao dos coeficientes
escrita como
h Vs (n + 1) = h Vs (n) + 2e(n) xV (n)
(3.31)
onde o passo de adaptao, h Vs o vetor de coeficientes esparso na representao

triangular e xV (n) o vetor de entrada correspondente da representao triangular obtido
considerando o sinal de entrada interpolado. Agora, se utilizado o algoritmo NLMS [1]
para o mesmo problema, tem-se
h Vs (n + 1) = h Vs (n) +
e( n ) x V ( n )
x ( n ) xV ( n) +
T
V
(3.32)
onde o parmetro de controle do algoritmos NLMS e uma constante pequena e

positiva que impede que seja dividido por valores muito pequenos quando x TV ( n )x V ( n )
prximo a zero. Outros algoritmos adaptativos tambm podem ser considerados, como,
por exemplo, o algoritmo RLS [2] ou o algoritmo de projees afins (AP) [2].
52
3.3.2.2 Filtro Volterra Parcialmente Interpolado Adaptativo

Uma outra estrutura interpolada para a implementao de filtros Volterra no
contexto adaptativo obtida levando em conta a estrutura de blocos do filtro Volterra.
Uma vez que os blocos no-lineares so os que apresentam maior nmero de coeficientes,
possvel obter praticamente a mesma reduo de complexidade alcanada no caso
anterior interpolando somente os coeficientes dos blocos de ordem superior. Esse
procedimento resulta no filtro Volterra parcialmente interpolado adaptativo. Uma estrutura
desse tipo ilustrada na Figura 3.5 considerando um problema de estimao de sinal por
um filtro de segunda ordem. Destaca-se, nessa figura, que o bloco de primeira ordem no
apresenta esparsidade e, portanto, o seu sinal de entrada no interpolado, enquanto o
bloco de segunda ordem esparso tendo o seu sinal de entrada interpolado. Como no caso
anterior, a extenso para filtros de maior ordem realizada de forma direta.
x1 ( n )
x( n )
h1 ( n ) +
+
y ( n )
d (n)
+
e( n )
LMS
g
x 2 (n)
h 2s ( n )
LMS
Figura 3.5. Estrutura de um filtro Volterra parcialmente interpolado adaptativo de

segunda ordem.
O processo de adaptao para este caso possui diferenas apenas no bloco de primeira
ordem (sem interpolao). Assim, definindo um vetor de coeficientes parcialmente
esparso, usando a representao triangular da relao de entrada e sada do filtro Volterra,
como
h VPs = [ h1 h 2s
h Ps ]
(3.33)
e um vetor de entrada parcialmente interpolado como

xVP (n) = [ x1 (n) x2 (n)
x P ( n) ]
(3.34)
a equao de adaptao dos coeficientes usando o algoritmo LMS [1] dada por
h VPs (n + 1) = h VPs (n) + 2e(n) xVP (n).
De forma anloga, usando o algoritmo NLMS [1], tem-se
(3.35)
h VPs (n + 1) = h VPs (n) +
e(n) xVP (n).

x (n) xVP (n) +
T
VP
53
(3.36)
Novamente destaca-se que outros algoritmos adaptativos tambm podem ser utilizados.

Com o objetivo de analisar a carga computacional requerida para implementao de
um filtro Volterra interpolado, o custo computacional do filtro interpolador pode ser
desconsiderado uma vez que tal filtro no participa do processo adaptativo e tambm
possui um nmero pequeno de coeficientes. Assim, a comparao do custo computacional
para implementao de filtros Volterra convencionais e interpolados pode ser realizada
diretamente em termos do nmero de coeficientes que participam do processo adaptativo.
Para o filtro Volterra interpolado, tal nmero igual ao nmero de coeficientes do filtro
esparso, o qual, a partir de (2.33), dado por
DVi ( N s , P) =
( N s + P)!
1.
Ns ! P !
(3.37)
Com relao implementao parcialmente interpolada, o nmero de coeficientes que

participam do processo adaptativo igual ao dado por (3.37) acrescido de ( N N s )
coeficientes devido natureza no-esparsa do bloco de primeira ordem. Assim,
DVPi ( N s , P) =
( N s + P)!
1 + N Ns .
Ns ! P !
(3.38)
A Figura 3.6 apresenta curvas que ilustram o nmero de coeficientes em funo do

tamanho de memria para diferentes implementaes do filtro Volterra de segunda e
terceira ordens. Dessa figura, verifica-se que as implementaes interpoladas
proporcionam uma considervel reduo no nmero de coeficientes quando comparadas s
implementaes convencionais. Tambm se observa que as duas implementaes
interpoladas consideradas apresentam praticamente a mesma reduo de complexidade.
Adicionalmente, o nmero de coeficientes requerido pelas diferentes implementaes do
filtro Volterra para alguns valores de tamanho de memria so apresentados nas Tabelas
3-1 e 3-2 de forma a deixar mais claras as informaes apresentadas na Figura 3.6.
54
Tabela 3-1. Nmero de coeficientes requerido pelas diferentes implementaes

de filtros Volterra de segunda ordem para alguns valores de tamanho de memria.
Tamanho de memria
Tipo de implementao
20
40
60
80
100
Volterra repr. convencional
420
1640
3660
6480
10100
Volterra repr. triangular
230
860
1890
3320
5150
Volterra interpolado
65
230
495
860
1325
Volterra parc. interpolado
75
250
525
900
1375
Tabela 3-2. Nmero de coeficientes requerido pelas diferentes implementaes

de filtros Volterra de terceira ordem para alguns valores de tamanho de memria.
Tipo de implementao
Tamanho de memria
20
40
60
80
100
8420
65640
219660 518480 1010100
1770
12340
39710
91880
176850
285
1770
5455
12340
23425
295
1790
5485
12380
23475
55
12000
10000

8000

6000
4000
2000
0
20
40
60
80
100
60
80
100
Memria
(a)
12
x 10
10
6
4
2
0
20
40
Memria
(b)
Figura 3.6. Nmero de coeficientes em funo do tamanho de memria para diferentes
implementaes de um filtro Volterra. (a) Implementaes de segunda ordem. (b)
Implementaes de terceira ordem.
3.4 Descrio de Filtros Volterra Interpolados

Conforme descrito na seo anterior, os filtros Volterra interpolados apresentam um
grande potencial de aplicao devido, principalmente, a sua considervel reduo de carga
computacional, quando comparada a das implementaes Volterra convencionais. No
entanto, alguns problemas ainda limitam o uso de tais estruturas. Um desses problemas a
falta de uma base terica mais slida, uma vez que existem apenas procedimentos prticos
relativos a sua implementao [34]. Contribuindo nesse sentido, uma descrio dos filtros
Volterra interpolados [8] apresentada nesta seo. O que se busca o desenvolvimento
de expresses matemticas que permitam descrever a relao de entrada e sada de tais
filtros de uma maneira simples. Com isso, possvel verificar, dentre outras caractersticas,
a maneira como os coeficientes so recriados atravs do processo de interpolao.
56
3.4.1 Funo de Transferncia Global de Filtros IFIR

Conforme descrito na Seo 3.2, o vetor de coeficientes equivalente w i da estrutura
IFIR obtido convolvendo a resposta ao impulso do interpolador g (M elementos) com a
do filtro esparso w s (N elementos). Como conseqncia, tal vetor apresenta ( N + M 1)
elementos. De forma a facilitar o desenvolvimento matemtico, interessante obter w i
usando um produto matricial. Isso realizado definindo a seguinte matriz de interpolao
0
0
g (0)
g (1)
g (0)
0
g (2)
g (1)
g (0)
G = g ( M 1) g ( M 2) g ( M 3)
g ( M 1) g ( M 2)
0
g ( M 1)
0
0
0
0
0
g (0)
g (1)
g (2)
g ( M 1)
0
0
0
(3.39)
com dimenses ( N + M 1) N e cujos elementos so obtidos do vetor de interpolao

g = [ g (0) g (1)
g ( M 1)]T .
Considerando tal matriz, o vetor de coeficientes
equivalente pode ser obtido fazendo

w i = Gw s .
(3.40)
Alternativamente, definindo a seguinte matriz

ws

Ws = 0
0
0
0

ws

0

ws

0
0
0

ws

(3.41)
com dimenses ( N + M 1) M possvel, ainda, reescrever (3.40) como

w i = Ws g = Gw s .
(3.42)
Definindo-se, agora, um vetor de entrada estendido com ( N + M 1) amostras do sinal de

entrada, como
x e ( n ) = [ x( n ) x( n 1)
possvel reescrever (3.6) e (3.10) como
x( n N M + 2)]
(3.43)
57
x( n) = G T x e ( n)
(3.44)
x (n) = WsT xe (n)
(3.45)
respectivamente. Assim, a relao de entrada e sada global do filtro IFIR pode ser
expressa como
y (n) = xTe (n)w i = xTe (n)Gw s = xeT (n) Ws g.
(3.46)
3.4.2 Extenso para Filtros Volterra Interpolados

A extenso do procedimento da seo anterior para o bloco de primeira ordem do
filtro Volterra interpolado realizada de maneira direta. Assim, considerando o vetor de
coeficientes de primeira ordem dado por (3.22) e o vetor de entrada por (3.21), possvel
reescrever (3.21) como
x1 (n) = G T xe (n)
(3.47)

y1 (n) = xTe (n)Gh1s .
(3.48)
Deste modo, o vetor de coeficientes equivalente dado por

h1i = Gh1s .
(3.49)
Considerando, agora, o bloco de segunda ordem, o vetor de entrada obtido atravs de

(3.24). Assim, substituindo (3.47) em (3.24), obtm-se
x 2 (n) = x1 (n) x1 (n) = G T x e (n) G T xe (n) .
(3.50)
A partir da propriedade do produto de Kronecker cruzado [6], tem-se

AC BD = ( A B)(C D)
(3.51)
onde A , B , C e D representam matrizes genricas. Ento, considerando (3.51),

possvel reescrever (3.50) como
x 2 (n) = ( G T G T ) ( xe (n) x e (n) ) = G T2 x 2e (n)
(3.52)
sendo x 2e ( n ) = x e ( n ) x e ( n ) e G 2 = G G . Dessa forma, a sada do bloco de segunda

ordem pode agora ser reescrita em funo do vetor xe (n), resultando em
y 2 (n) = xT2e (n)G 2h 2s .
(3.53)
De maneira similar a (3.40), o vetor equivalente de segunda ordem dado por

h 2i = G 2h 2s .
(3.54)
58
Por exemplo, com L = 2, N = 3 e usando o interpolador linear g = [0,5 1 0,5]T , o vetor

de coeficientes equivalente de segunda ordem (3.54) escrito na forma matricial
0, 25h2 (0, 0)
0,5h2 (0, 0)
0, 25h2 (0, 0) +
H 2i =
0, 25h2 (2, 0)
0,5h2 (2, 0)
0, 25h2 (2, 0)
0,5h2 (0, 0)
0, 25h2 (0, 0) + 0, 25h2 (0, 2)
0,5h2 (0, 2)
h2 (0, 0)
0,5h2 (0, 0) + 0,5h2 (0, 2)
h2 (0, 2)
0,5h2 (0, 0) +
0,5h2 (2, 0)
0, 25h2 (0, 0) + 0, 25h2 (0, 2) +

0, 25h2 (2, 2) + 0, 25h2 (2, 0)
0,5h2 (0, 2) +
0,5h2 (2, 2)
h2 (2, 0)
0,5h2 (2, 0)
0,5h2 (2, 0) + 0,5h2 (2, 2)

0, 25h2 (2, 0) + 0, 25h2 (2, 2)
h2 (2, 2)
0,5h2 (2, 2)
0, 25h2 (0, 2)
0,5h2 (0, 2)
0, 25h2 (0, 2) +
0, 25h2 (2, 2) .
0,5h2 (2, 2)
0, 25h2 (2, 2)
(3.55)
Verifica-se, em (3.55), como os coeficientes so recriados (indicados por retngulos)

atravs do processo de interpolao. Por exemplo, o coeficiente central de (3.55)
[ H 2i (3,3)] corresponde mdia aritmtica dos seus quatro vizinhos da verso esparsa.
Tambm neste caso, o efeito de borda est presente, sendo esse indicado pelos coeficientes
sublinhados.
Para o caso do bloco de terceira ordem, o procedimento similar, resultando nas
seguintes expresses:
a) Vetor de entrada
x3 (n) = x1 (n) x 2 (n)
= [G T xe (n)] [G T2 x 2e (n)]
= [G T G T2 ][xe (n) x 2e (n)]
(3.56)
= G 3T x3e (n)
com G 3 = G G 2 e x3e (n) = xe (n) x 2e (n).

b) Relao de entrada e sada
T
y3 (n) = x3e
(n)G 3h3s .
(3.57)
c) Vetor de coeficientes equivalente

h3i = G 3h3s .
(3.58)
O processo de recriao dos coeficientes para o bloco de terceira ordem melhor

observado a partir da representao espacial do vetor de coeficientes equivalente
considerando um caso com N = 3 , L = 2 e g = [0,5 1 0,5]T . Tal representao
mostrada na Figura 3.7 sem a ilustrao do efeito de borda, o que resultaria em uma casca
externa estrutura cbica do desenho. Os crculos preenchidos em preto nos vrtices do
cubo representam os coeficientes do bloco esparso de terceira ordem, enquanto os crculos
pequenos no preenchidos indicam os coeficientes recriados por interpolao. Conforme
observado a partir da Figura 3.7, o processo de recriao ocorre de maneira anloga ao
59
discutido para os blocos de primeira e segunda ordens. Sendo assim, para esse caso com
g = [0,5 1 0,5]T , os coeficientes recriados sero sempre mdias aritmticas de seus
vizinhos. Por exemplo, o coeficiente no centro do cubo resulta da mdia aritmtica dos oito
coeficientes que so seus vizinhos. Os valores dos demais coeficientes so obtidos como
resultado das mdias aritmticas dos valores dos seus dois ou quatro vizinhos, dependendo
da sua posio na estrutura. Generalizando, para um bloco de ordem p, a relao de
entrada e sada dada por
y p (n) = x Tpe (n)G p h ps
(3.59)
x pe ( n ) = x e ( n ) x ( p 1)e ( n )
(3.60)
G p = G G p1.
(3.61)
x p (n) = G Tp x pe (n)
(3.62)
h pi = G p h ps .
(3.63)
com
Ainda, tem-se
1/4[h (0,0,0)+h (0,0,2)

3
3
+h (2,0,0)+h (2,0,2)]
3
1/2[h (2,0,0)+h (2,0,2)]

3
3
h 3 (2,0,0)
h 3 (0,2,0)
1/2[h (0,2,2)+h (2,2,2)]
3
3
1/4[h (0,0,2)+h (0,2,2)

3
3
+h (2,0,2)+h (2,2,2)]
3
1/8[h (0,0,0)+h (0,0,2)+h (0,2,0)+h (0,2,2)

3
3
3
3
+h (2,0,0)+h (2,0,2)+h (2,2,0)+h (2,2,2)]
3
1/4[h (0,0,0)+h (0,2,0)

3
3
+h (2,0,0)+h (2,2,0)]
1/2[h (0,0,0)+h (2,0,0)]

3
3
h 3 (2,0,2)
1/2(h (0,0,0)+h (0,2,0))

3
3
h 3 (0,0,0)
1/2[h (0,0,2)+h (2,0,2)]
3
3
1/2[h (0,2,0)+h (0,2,2)]

3
3
1/4[h (0,0,0)+h (0,0,2)

3
3
+h (0,2,0)+h (0,2,2)]
1/2[h (0,0,0)+h (0,0,2)]

3
3
h 3 (0,2,2)
1/2[h (0,0,2)+h (0,2,2)]

3
3
h 3 (0,0,2)
1/2[h (0,2,0)+h (2,2,0)]

3
3
1/2[h (2,0,2)+h (2,2,2)]

3
3
1/4[h (2,0,0)+h (2,0,2)
3
3
+h (2,2,0)+h (2,2,2)]
3
1/4[h (0,2,0)+h (0,2,2)

3
3
+h (2,2,0)+h (2,2,2)]
h 3 (2,2,2)
1/2[h (2,2,0)+h (2,2,2)]
3
3
1/2[h (2,0,0)+h (2,2,0)]

3
3
h 3 (2,2,0)
Figura 3.7. Representao espacial do processo de recriao dos coeficientes para um

bloco de terceira ordem.
60
Finalmente, a relao de entrada e sada equivalente (em funo do sinal de entrada) para o
filtro Volterra interpolado
y ( n ) = x TVe ( n )h Vi
(3.64)
T
x Ve ( n ) = [x eT ( n ) x 2e
( n ) x TPe ( n )]T
(3.65)
com o vetor de entrada formado por
e o vetor de coeficientes dado por

h Vi = [h1sT G T h T2sG T2
h TPsG TP ]T .
(3.66)
A expresso (3.64) est ilustrada na Figura 3.8 na forma de um diagrama de blocos, com o
filtro Volterra interpolado apresentado no lado esquerdo e o seu equivalente no lado
direito. Para o caso do filtro Volterra parcialmente interpolado, as seguintes expresses,
anlogas a (3.64)-(3.66), so obtidas:
y (n) = xTVPe (n)h VPi
(3.67)
x VPe (n) = [x T (n) xT2e (n) xTPe (n)]T
(3.68)
com vetor de entrada
e vetor de coeficientes equivalente

h VPi = h1T h T2sG T2
x( n )
x V ( n)
h Vs
y ( n )
h TPsG TP .
x Ve ( n)
(3.69)
h Vi
y ( n )
Figura 3.8. Ilustrao de (3.64): filtro Volterra interpolado e sua estrutura equivalente.
3.4.3 Consideraes sobre Estruturas Volterra Interpoladas com Interpolador

na Sada
Conforme apresentado na Seo 3.3.1, os filtros Volterra interpolados so
implementados atravs de uma estrutura com um interpolador de entrada seguido por um
filtro Volterra esparso (Figura 3.3). Ainda, a partir dos resultados da Seo 3.4.2 verificase que, utilizando tal estrutura, o filtro equivalente resultante apresenta uma forma anloga
dos filtros IFIR, com o filtro esparso sendo responsvel pela reduo de complexidade e
o interpolador com o objetivo de recriar os coeficientes zerados do filtro esparso a partir
dos valores de seus vizinhos. No caso dos filtros IFIR, a troca das posies do interpolador
e do filtro esparso no modifica a estrutura equivalente. No entanto, no caso dos filtros
Volterra interpolados essa mudana produz uma modificao da estrutura equivalente por
61
envolver um filtro Volterra esparso que no-linear. Assim, considerando uma estrutura
composta por um filtro Volterra esparso seguido por um interpolador na sada, tem-se
novamente o bloco equivalente de primeira ordem igual a um filtro IFIR. Com respeito ao
bloco de segunda ordem, sua relao de entrada e sada dada por
M 1
y2 (n) = g (k )h T2s x 2 (n k )
(3.70)
k =0
onde g k representa os coeficientes do interpolador, h 2s o vetor de coeficientes esparso de

segunda ordem, y2 (n) a sada do bloco de segunda ordem e x 2 (n) o vetor de entrada de
segunda ordem, que nesse caso composto por amostras do sinal de entrada e no por
amostras interpoladas desse sinal. Analisando-se (3.70), observa-se que tal expresso
corresponde a um somatrio das sadas de blocos de segunda ordem esparsos, cada bloco
apresentando um atraso diferente no sinal de entrada e o vetor de coeficientes multiplicado
por um dos coeficientes do interpolador. Assim, para um caso com N = 3, L = 2 e
g = [ g (0) g (1) g (2)]T , a matriz de coeficientes equivalente pode ser escrita como
h2 (0, 0)
0
H 2i = g (0) h2 (2, 0)
0
0
0 h2 (0, 2) 0 0
0
0
0
0
0
0
0 0
0 h2 (0, 0) 0 h2 (0, 2)
0 h2 (2, 2) 0 0 + g (1) 0
0
0
0
0
0
0 0
0 h2 (2, 0) 0 h2 (2, 2)
0
0
0
0 0
0
0
0
0
0
0 0
0 0
0
0
+ g (2) 0 0 h2 (0, 0) 0
0
0
0 0
0 0 h2 (2, 0) 0
0
0
0
0
0
0
(3.71)
0
h2 (0, 2)
0
h2 (2, 2)
o que resulta em
g (0) h2 (0, 0)
H 2i = g (0)h2 (2, 0)
0
g (1)h2 (0, 0)
g (0)h2 (0, 2)
0
0
g (1)h2 (0, 2)
0
g (1)h2 (2, 0)
0
g (0)h2 (2, 2) + g (2)h2 (0, 0)

0
g (2)h2 (2, 0)
0
g (1)h2 (2, 2)
0
g (2)h2 (0, 2) . (3.72)
g (2)h2 (2, 2)
0
0
Nota-se, a partir de (3.72), que a estrutura equivalente a uma estrutura Volterra interpolada
de segunda ordem com interpolador na sada apresenta uma caracterstica esparsa. Essa
caracterstica tambm observada nos blocos de ordens superiores, o que pode ser
facilmente verificado desenvolvendo expresses similares a (3.70)-(3.72) para tais blocos.
62
O interesse aqui lidar com estruturas interpoladas que no apresentem caractersticas

esparsas de maneira anloga aos filtros IFIR. Portanto, as estruturas Volterra interpoladas
com interpolador na sada no fazem parte desse cenrio.
3.5 Remoo do Efeito de Borda em Filtros IFIR e Filtros Volterra

Interpolados
Na seo anterior, foi demonstrado que as implementaes interpoladas, tanto de
filtros FIR lineares quanto de filtros Volterra, apresentam um indesejvel efeito de borda.
Apesar de tal caracterstica perder importncia com o aumento do tamanho de memria do
filtro, em alguns casos ela pode afetar consideravelmente o desempenho ou at mesmo
inviabilizar o uso de filtros interpolados. Um exemplo desse tipo de situao a
modelagem (usando um filtro interpolado) de uma planta cuja resposta ao impulso tem a
forma de uma exponencial decrescente. Nesse caso, o filtro interpolado equivalente
apresenta um erro de modelagem considervel devido coincidncia de seu primeiro
coeficiente, que resultante do efeito de borda, com o coeficiente de maior magnitude da
planta. Outro problema apresentado pelas implementaes interpoladas est relacionado
com o seu tamanho de memria equivalente. Conforme descrito no captulo anterior, o
tamanho de memria de um filtro interpolado usado para substituir um filtro convencional
com tamanho de memria N igual a ( N + M 1), com M denotando o tamanho de
memria do interpolador. Assim, nota-se que o filtro interpolado equivalente apresenta
M 1 coeficientes desnecessrios em aplicaes para as quais o tamanho de memria
requerido N . Nesta seo, uma implementao mais eficiente e robusta de filtros
interpolados [36] desenvolvida a partir da remoo do seu efeito de borda e da
conseqente adequao do tamanho de memria equivalente.
3.5.1 Remoo do Efeito de Borda em Filtros IFIR

Conforme apresentado na Seo 3.2, um filtro IFIR com tamanho de memria
N = 5, fator de interpolao L = 2 e interpolador g = [ g (0) g(1) g(2)]T , apresenta o

seguinte vetor de coeficientes equivalente:
w i = Gw s = g (0) w(0) g(1)w(0) g (2) w(0) + g (0) w(2) g(1)w(2)
T
g (2) w(2) + g (0) w(4) g(1)w(4) g (2) w(4) .
(3.73)
63
Em (3.73), os coeficientes resultantes do efeito de borda esto sublinhados. Com a

remoo de tal efeito, o que se deseja que o filtro obtido apresente o seguinte vetor de
coeficientes:
T
wi = g (1) w(0) g (2) w(0) + g (0) w(2) g(1) w(2) g (2) w(2) + g (0) w(4) g(1) w(4) . (3.74)
Para obter (3.74), determina-se a matriz de transformao T que satisfaz a seguinte

relao:
wi = Tw i .
(3.75)
Considerando as dimenses dos vetores envolvidos no exemplo ( 5 1 para w i e 7 1 para

w i ) e a natureza da transformao que se deseja realizar, a matriz T para esse caso dada
por
0
0
T = 0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0 .
0
0
(3.76)
A matriz T pode ser generalizada para outros valores de N e L levando em conta que os
L 1 primeiros e os L 1 ltimos coeficientes do vetor equivalente w i correspondem ao

efeito de borda, o que pode ser observado, por exemplo, em (3.17) e (3.73). Dessa forma,
tem-se a seguinte matriz de transformao generalizada com dimenso N ( N + M 1) :
0
0
0
0
T=
0
0
0
0
L 1 colunas
1 0
0 1
0 0
N colunas
0
0
.
0
0
0
0
L 1 colunas
(3.77)
Agora, substituindo (3.42) em (3.75), obtm-se

wi = TGw s = TWs g.
(3.78)
Nota-se, a partir de (3.78), que para remover o efeito de borda no filtro IFIR, a matriz de
interpolao deve ser substituda por uma outra matriz de interpolao G definida como
G = TG
(3.79)
ou, alternativamente, a matriz Ws deve ser substituda por

Ws = TWs .
(3.80)
64
Considerando o filtro IFIR com interpolador na entrada (Figura 3.1), o uso da matriz de
interpolao modificada G resulta em um vetor de entrada do filtro esparso, agora sem
efeito de borda, dado por
x(n) = GT x(n) = G T TT x(n)
(3.81)
com
x(n) = [ x(n) x(n 1)
x(n N + 1) ] .
T
(3.82)
Para o caso do filtro IFIR com interpolador na sada (Figura 3.2), o uso de Ws resulta no
seguinte vetor de entrada para o filtro interpolador de sada:
x (n) = WsT x(n) = WsT TT x(n).
(3.83)
Assim, para remover o efeito de borda do filtro IFIR, basta substituir (3.6) por (3.81) no
caso do filtro IFIR com interpolador de entrada, ou (3.10) por (3.83) no filtro IFIR com
interpolador na sada. O custo computacional para implementar tal procedimento
pequeno. Por exemplo, considerando um filtro IFIR com interpolador na entrada, L = 2,
M = 3, N = 5 e g = [ g (0) g (1) g (2)]T , o vetor de entrada modificado dado por

g (1) x(n) + g (2) x(n 1)
g T x m ( n)
x(n) = G T TT x(n) =
g T x m (n 1)
T
g x m (n 2)
g (0) x(n 3) + g (1) x(n 4)
(3.84)
com
x m (n) = [ x(n) x(n 1)
x(n M + 1)]T .
(3.85)
Para se obter (3.84), a cada iterao so necessrias as seguintes operaes:

i) duas multiplicaes e uma soma para obter o primeiro elemento para a iterao atual;
ii) uma multiplicao e uma soma para obter o segundo elemento da iterao atual a
partir do primeiro elemento da iterao anterior;
iii) uma multiplicao e uma subtrao para obter o ltimo elemento da iterao atual a
partir do penltimo elemento da iterao anterior.
Portanto, no total, so necessrias 4 multiplicaes e 3 somas para se determinar (3.84),
enquanto no caso do filtro IFIR convencional so necessrias 3 multiplicaes e 2 somas.
Generalizando, tem-se um total de M + L 1 multiplicaes e M + L 2 somas para a
filtragem modificada do filtro IFIR sem efeito de borda, contra M multiplicaes e M 1
65
somas para a filtragem padro do filtro IFIR. Assim, observa-se um incremento de apenas
2 L 2 operaes por amostra. Como o valor de L geralmente pequeno, tal incremento

praticamente desprezvel. Para o caso do filtro IFIR com interpolador na sada, realiza-se a
implementao de x (n) = WsT TT x(n) de forma similar descrita para x(n) = G T TT x(n),
resultando tambm em um acrscimo de apenas 2 L 2 operaes por amostra.
3.5.2 Filtros Volterra Interpolados sem Efeito de Borda

O procedimento de remoo do efeito de borda para os filtros Volterra interpolados
similar ao adotado para os filtros IFIR com interpolador na entrada: a substituio do
vetor de entrada por (3.81). Assim, para o bloco de primeira ordem os resultados so
idnticos aos da seo anterior. Considerando o bloco de segunda ordem, o vetor de
entrada do filtro esparso obtido da seguinte maneira:
x2 (n) = x(n) x(n)
= G T x ( n ) G T x ( n )
(3.86)
= G T x(n) G T x(n).
T
Aplicando a propriedade do produto de Kronecker cruzado [6] em (3.86), obtm-se

x2 (n) = ( G T TT G T TT )
= ( G T G T )( TT TT ) [ x(n) x(n) ]
(3.87)
o que resulta em
x2 (n) = G T2 T2T x 2 (n)
(3.88)
com T2 = T T, G 2 = G G e x 2 ( n ) como o vetor de entrada de segunda ordem do

filtro Volterra de (2.8). Considerando (3.88), temos a relao de entrada e sada do bloco
de segunda ordem dada por
y 2 (n) = xT2 (n)T2G 2h 2s .
(3.89)
Assim, o vetor de coeficientes equivalente do bloco de segunda ordem dado por

h2i = T2G 2h 2s = G 2h 2s
(3.90)
com G 2 = G G = T2G 2 . Calculando (3.90) para o caso de um filtro Volterra interpolado

com N = 3, L = 2, g = [0,5 1 0,5]T e escrevendo o vetor resultante na forma matricial,
obtm-se
0,5h2 (0, 0) + 0,5h2 (0, 2)

h2 (0, 2)
h2 (0, 0)
0,5h2 (0, 0) + 0, 25h2 (0, 0) + 0, 25h2 (0, 2) + 0,5h2 (0, 2) +

H2i =

.
0,5h2 (2, 0) 0, 25h2 (2, 0) + 0, 25h2 (2, 2) 0,5h2 (2, 2)
h (2, 0)
0,5h2 (2, 0) + 0,5h2 (2, 2)

h2 (2, 2)
66
(3.91)
Nota-se agora, comparando (3.91) com (3.55), que o efeito de borda foi removido e o
tamanho de memria equivalente N = 3. Para o bloco de terceira ordem, temos o
seguinte vetor de entrada do filtro esparso
x3 (n) = x(n) x2 (n)
= G T x(n) G2 T x(n)
(3.92)
= G T TT x(n) G T2 T2T x(n)
resultando em
x3 (n) = G 3T T3T x3 (n) = G 3T x3 (n)
(3.93)
com T3 = T T2 e G 3 = T3G 3 . Assim, de maneira similar ao bloco de segunda ordem, o

vetor de coeficientes equivalente de terceira ordem sem efeito de borda dado por
h3i = T3G 3h3s = G 3h3s .
Calculando (3.94) para N = 3,
(3.94)
L = 2 e g = [0,5 1 0,5]T , obtm-se um vetor de
coeficientes de terceira ordem cuja representao espacial dada pela Figura 3.7. Note que
tal figura apresentada na Seo 3.4.2 para ilustrar o processo de recriao dos
coeficientes sem ilustrar o efeito de borda. Agora, a representao apresentada na Figura
3.7 exatamente a representao dos coeficientes obtidos com (3.94). De maneira geral,
tem-se
xp (n) = G Tp TpT x p (n) = G pT x p (n)
(3.95)
hpi = Tp G p h ps = G p h ps
(3.96)
Tp = T Tp1
(3.97)
G p = Tp G p
(3.98)
com
e G p dado por (3.61). Assim, para um bloco de ordem qualquer do filtro Volterra
interpolado, a substituio do vetor de entrada interpolado (3.30) pelo vetor de entrada
interpolado modificado (3.95) produz uma estrutura equivalente sem efeito de borda.
Tambm importante ressaltar que os vetores de entrada modificados obtidos a partir de
67
(3.95) so os da representao convencional do filtro Volterra, enquanto para fins de

implementao a representao triangular equivalente utilizada devido ao seu menor
custo em termos de complexidade computacional.
3.5.3 Simulaes
Nesta seo, alguns resultados so apresentados para verificar o desempenho dos
filtros interpolados usando o procedimento de remoo do efeito de borda. Os exemplos
apresentados so problemas de identificao de sistemas [1]-[2] de segunda e terceira
ordens utilizando os seguintes tipos de filtros adaptativos: filtro FIR linear, filtro Volterra
convencional, e implementaes adaptativas dos filtros Volterra interpolados e
interpolados com a remoo do efeito de borda. Nas simulaes considerando filtros de
segunda ordem, grficos dos valores dos coeficientes so apresentados com o objetivo de
ilustrar a estrutura resultante e o efeito do procedimento de remoo do efeito de borda.
importante destacar que as diferentes implementaes do filtro Volterra so realizadas
usando a representao triangular, enquanto a apresentao das superfcies de segunda
ordem realizada usando a representao convencional. No so apresentadas simulaes
com filtros IFIR uma vez que eles so similares aos blocos de primeira ordem dos filtros
Volterra. O passo de adaptao adotado nos exemplos quando se utiliza o algoritmo LMS
= max / 2 , com max obtido a partir de (2.68). importante ressaltar que, no caso das
implementaes interpoladas, o clculo da norma quadrtica do vetor de entrada necessrio

para computar (2.68) realizado considerando apenas os elementos de tal vetor cujos
coeficientes correspondentes so diferentes de zero.
Exemplo 3.5.3.1: Neste exemplo, o sinal de entrada branco e gaussiano com varincia
2x = 1 e o rudo aditivo tem varincia 2z = 104. O algoritmo adaptativo utilizado o
LMS, e os coeficientes da planta esto ilustrados na Figura 3.9. Observa-se que a planta
possui, tanto para o bloco de primeira ordem quanto para o bloco de segunda ordem, uma
resposta na forma exponencial decrescente. O tamanho de memria dos filtros adaptativos
N = 11, resultando em 11 coeficientes para o filtro linear, 77 para o filtro Volterra, 27
para o filtro Volterra interpolado e para sua implementao sem efeito de borda, e 32 para
o filtro Volterra parcialmente interpolado e para sua implementao sem efeito de borda.
68
h 1 ( m1 )
0.8
0.6
0.4
0.2
0
0
10
m1
Figura 3.9. Planta para o Exemplo 3.5.3.1.
Os resultados do erro quadrtico mdio (EQM) obtidos para os diferentes filtros

esto apresentados na Figura 3.10. Dessa figura possvel notar que a remoo do efeito
de borda tem grande impacto no desempenho dos filtros, uma vez que as implementaes
interpoladas sem efeito de borda apresentam desempenho muito superior ao das
implementaes interpoladas convencionais. A causa dessa diferena de desempenho fica
evidente a partir das Figuras 3.11-3.14. Nas duas primeiras esto mostrados os coeficientes
do filtro Volterra interpolado equivalente superpostos aos coeficientes da planta, enquanto
nas outras duas, uma apresentao similar s primeiras realizada para os coeficientes do
filtro Volterra interpolado sem efeito de borda. A partir dessas figuras, nota-se, claramente,
que a implementao sem efeito de borda capaz de modelar com mais preciso a planta
considerada neste exemplo. Alm disso, importante observar, a partir das curvas de tais
figuras, que o filtro Volterra interpolado apresenta tamanho de memria maior do que a da
planta, enquanto sua implementao com remoo do efeito de borda apresenta tamanho
de memria igual ao da planta.
10
69
EQM
PI
10
L
IB
-2
Linear (L)
Volterra (V)
10
PIB
Interpolado (I)
Interpolado sem borda (IB)
-4
Parc. interp (PI)
Parc. interp sem borda (PIB)

0
10000
20000
Iteraes
200 realizaes).
1.2
1
h 1 ( m1 )
0.8
0.6
0.4
0.2
0
-0.2
10
12
m1
Figura 3.11. Exemplo 3.5.3.1. Superposio de curvas de coeficientes de primeira

ordem da planta (linha tracejada com marcadores circulares) com a curva do filtro
Volterra interpolado (linha slida com coeficientes indicados por marcadores circulares
em preto e coeficientes recriados indicados por +).
70

demais vrtices indicando os coeficientes recriados por interpolao).
1
0.9
0.8
0.7
h 1 ( m1 )
0.6
0.5
0.4
0.3
0.2
0.1
0
10
m1

Volterra interpolado sem efeito de borda (linha slida com coeficientes indicados por
marcadores circulares em preto e coeficientes recriados indicados por +).
71

preto e com os demais vrtices indicando os coeficientes recriados por interpolao).
Exemplo 3.5.3.2: Neste exemplo, os dados utilizados so os mesmos do Exemplo 4.1, com
diferena apenas na planta, cujos coeficientes so ilustrados na Figura 3.15. Nota-se que
agora a planta possui coeficientes iguais a zero na regio de borda.
0.5
h 1 ( m1 )
0.4
0.3
0.2
0.1
0
10
m1
Figura 3.15. Planta para o Exemplo 3.5.3.2.

As curvas do erro quadrtico mdio (EQM) obtidas para este exemplo esto mostradas na
Figura 3.16. A partir dessa figura, nota-se que o desempenho dos filtros interpolados sem
efeito de borda melhor do que aquele dos filtros interpolados, apesar da diferena no ser
to grande quanto obtida no Exemplo 3.1. Isso se deve ao fato de que os coeficientes de
borda da planta atual apresentam valores menores do que os do exemplo anterior. Os
72
coeficientes obtidos em regime permanente pelo filtro Volterra interpolado so ilustrados

em conjunto com os coeficientes da planta nas Figuras 3.17 e 3.18. As Figuras 3.19 e 3.20
so similares a 3.17 e 3.18, porm considerando o filtro interpolado sem efeito de borda.
10
PI
I
-2
EQM
10
IB
Linear (L)
Volterra (V)
10
Interpolado (I)
-4
PIB
Parc. interp (PI)

0
10000
20000
Iteraes
200 realizaes).
0.6
0.5
h 1 ( m1 )
0.4
0.3
0.2
0.1
0
-0.1
10
12
m1

Volterra interpolado (linha slida com coeficientes indicados por marcadores circulares
em preto e coeficientes recriados indicados por +).
73

demais vrtices indicando os coeficientes recriados por interpolao).
0.6
0.5
h 1 ( m1 )
0.4
0.3
0.2
0.1
0
-0.1
10
m1

Volterra interpolado sem efeito de borda (linha slida com coeficientes indicados por
marcadores circulares em preto e coeficientes recriados indicados por +).
74

preto e com os demais vrtices indicando os coeficientes recriados por interpolao).
Exemplo 3.5.3.3: Para este exemplo, a planta consiste de um filtro FIR seguido de uma
no-linearidade sem memria, com caractersticas ilustradas na Figura 3.21. Tem-se, dessa
figura, o filtro FIR com uma resposta exponencial decrescente e a no-linearidade com
caracterstica de saturao. O sinal de entrada branco gaussiano com varincia unitria,
enquanto o rudo aditivo possui varincia 2z = 106. O algoritmo adaptativo o NLMS
[equao de adaptao dada por (3.32)], com = 0.25 e = 106. Todas as diferentes
implementaes dos filtros Volterra adaptativos utilizadas apresentam um bloco de
primeira ordem (linear) e um bloco de terceira ordem devido caracterstica da
no-linearidade da planta. Os filtros adaptativos tm tamanho de memria N = 11 ,
resultando em 11 coeficientes para o filtro linear, 397 coeficientes para o filtro Volterra
convencional e 67 coeficientes para o filtro Volterra parcialmente interpolado como
tambm para o parcialmente interpolado sem efeito de borda. As curvas de erro quadrtico
mdio obtidas para os diferentes filtros so mostradas na Figura 3.22. Nessa figura,
observa-se que o filtro Volterra interpolado convencional apresenta um desempenho muito
prximo ao do filtro linear, enquanto sua verso sem efeito de borda atinge um
desempenho superior.
0.8
0.5
0.6
f( y1 )
wplanta ( n )
75
0.4
-0.5
0.2
0
-1
0
-2
10
y1 ( n )
(a)
(b)
Figura 3.21. Planta para o Exemplo 3.5.3.3. (a) Resposta ao impulso da parte linear. (b)
No-linearidade sem memria.
10
-2
EQM
10
PIB
10
-4
Linear (L)
Volterra (V)
10
PI
Parc. interp. (PI)
-6
Parc. interp. sem borda (PIB)
25000
50000
Iteraes
200 realizaes).
76
3.6 Abordagem com Restries para Anlise de Filtros Volterra

Interpolados
Como descrito na Seo 2.3, uma das dificuldades para o projeto e estudo de filtros
Volterra no contexto adaptativo a falta de modelos matemticos para determinar seu
comportamento ao longo do processo adaptativo. Contribuindo nesse sentido, um modelo
estatstico para o comportamento de filtros Volterra interpolados adaptados pelo algoritmo
LMS proposto nesta seo. Os resultados aqui discutidos so a evoluo dos resultados
apresentados em [31], podendo tambm serem utilizados para anlise de filtros Volterra
parcialmente interpolados e das suas implementaes com remoo do efeito de borda.
3.6.1 Vetor de Coeficientes timo e Desempenho em Regime Permanente

Uma questo importante que surge com o uso da abordagem interpolada para
implementao do filtro Volterra o impacto das aproximaes envolvidas sobre o
desempenho em regime permanente. Nesse contexto, expresses para o vetor de
coeficientes timo do filtro esparso e para o valor mnimo do erro quadrtico mdio em
regime permanente so desenvolvidas nesta seo. O primeiro passo para realizar tal
anlise considerar que o filtro Volterra esparso um filtro Volterra apresentando alguns
de seus coeficientes com valores fixados em zero. Assim, de forma similar a [56] e [58], tal
condio pode ser expressa na forma de restries da seguinte maneira:
CT h Vs = f
(3.99)
onde C a matriz de restries, f o vetor de reposta com todos os elementos iguais a

zero e h Vs o vetor de coeficientes da representao triangular do filtro Volterra.
Exemplificando, para o caso de um filtro Volterra interpolado com P = 1, N = 5 e L = 2,
o vetor de coeficientes esparso dado por hVs = [ h1 (0) 0 h1 (2) 0 h1 (4)]T , a matriz de
restries por
0 1 0 0 0
C=
0 0 0 1 0
(3.100)
e o vetor de resposta por f = [0 0]T . Dessa forma, considera-se que os coeficientes com
valores fixados em zero do vetor de coeficientes esparso so os que sofrem as restries
descritas por (3.99). Note que o vetor de coeficientes utilizado para esta anlise o da
representao triangular. Isso se deve ao fato de que tal representao a utilizada para
77
fins de implementao e tambm por que o uso da representao convencional leva a um

problema sem soluo trivial conforme descrito na Seo 2.3.1. Tem-se, ento, um
problema de minimizao do erro quadrtico mdio (n) = E[e2 (n)] observando as
restries descritas por (3.99). Considerando o filtro Volterra interpolado aplicado ao
problema de estimao de um sinal (Figura 2.7) e tambm (3.20) usando a representao
triangular, o erro instantneo pode ser escrito como
T
e(n) = d (n) y (n) = d (n) h Vs
xV (n).
(3.101)
Elevando (3.101) ao quadrado e tomando o valor esperado da expresso resultante, a

seguinte expresso para o erro quadrtico mdio obtida:
T
T
(n) = E[e2 (n)] = E[d 2 (n)] 2p V
h Vs + h Vs
R VV h Vs
(3.102)
R VV = E[ xV (n) xVT (n)]
(3.103)
p V = E[d (n) xV (n)].
(3.104)
com
Para incluir as restries descritas por (3.99) na funo custo (3.102), o mtodo dos
multiplicadores de Lagrange [58] utilizado. Assim, adicionando o vetor de
multiplicadores de Lagrange a (3.102), obtm-se
T
T
J = E[d 2 (n)] 2p V
h Vs + h Vs
R VV h Vs + T (CT h Vs f ).
(3.105)
Para obter o valor de h Vs que minimiza (3.105), faz-se hV J = 0. Com isso, o vetor de
coeficientes timo esparso em funo de dado por
h Vso =
1 1
R VV (2p V C).
2
(3.106)
Como (3.106) tambm deve satisfazer (3.99), possvel escrever

1
1
CT h Vso = f = CT R VV
(2p V C).
2
(3.107)
Agora, isolando e considerando que f um vetor de zeros, obtm-se

1
1
1
= 2 CT R VV
C CT R VV
pV .
(3.108)
Finalmente, substituindo (3.108) em (3.106), a seguinte expresso para o vetor de

coeficientes timo obtida:
1
1
1
h Vso = R VV
p V R VV
C CT R VV
C
1
CT R VV
pV .
(3.109)
78
Uma vez obtido o do vetor de coeficientes timo, o valor mnimo do erro quadrtico mdio
determinado substituindo tal vetor em (3.102). Assim,
T
T
min = E[d 2 (n)] 2p V
h Vso + h Vso
R VV h Vso .
(3.110)
3.6.2 Algoritmo LMS

Conforme descrito na Seo 2.3.1, a idia por trs do algoritmo LMS minimizar a
erro quadrtico mdio (funo custo) a partir de sua estimativa instantnea. Assim,
considerando agora a funo custo com restries, dada por (3.105), os coeficientes so
adaptados no sentido contrrio ao seu gradiente, o que resulta em
h Vs (n + 1) = h Vs (n) hVs J .
(3.111)
O valor instantneo de (3.105) dado por

J (n) = d 2 (n) 2d (n) xVT (n)h Vs (n)
T
+h Vs
(n) xV (n) xVT (n)h Vs (n) + T (n)[CT h Vs (n) f ]
(3.112)
e seu gradiente por

hVs J (n) = 2d (n) xV (n) + 2 xV (n) xVT (n)h Vs (n) + C(n).
(3.113)
Substituindo (3.113) em (3.111) e considerando (3.101), obtm-se

h Vs (n + 1) = h Vs (n) + 2e(n) xV (n) C(n).
(3.114)
Os multiplicadores de Lagrange so obtidos impondo as restries de (3.99) a (3.114), o

que resulta em
f = CT h Vs (n + 1) = CT h Vs (n) + 2CT e(n) xV (n) CT C(n).
(3.115)
Como CT C = I (matriz identidade), (n) pode ser isolado em (3.115) obtendo

1
(n) = f CT h Vs (n) 2CT e(n) xV (n) .
(3.116)
Finalmente, substituindo (3.116) em (3.114), a expresso de adaptao dos coeficientes

com restries obtida. Assim,
h Vs (n + 1) = P [ h Vs (n) + 2e(n) xV (n) ]
(3.117)
P = I CCT .
(3.118)
onde
Analisando a matriz P observa-se que ela apresenta elementos apenas na diagonal

principal e que tais elementos so iguais a zero ou 1, dependendo se o correspondente
coeficiente de h Vs (n) sofre ou no restrio. Assim, (3.117) corresponde estritamente
79
aplicao do algoritmo LMS apenas aos coeficientes do vetor esparso que no sofrem
restrio. Essa caracterstica pode ser melhor observada considerando o caso de um filtro
Volterra interpolado de 1 ordem com N = 5 e L = 2, para o qual a expresso de adaptao
dos coeficientes com restries, a partir de (3.117), dada por
h1 (0, n)
x ( n)
0
0
h1s (n + 1) = h1 (2, n) + 2e(n) x(n 2) .
0
0
h1 (4, n)
x(n 4)
(3.119)
Outras caractersticas da matriz P so a simetria (P = P T ) e a idempotncia

(P 2 = PP = P) .
3.6.2.1 Comportamento Mdio dos Coeficientes

Comparando a equao de adaptao do filtro Volterra interpolado (3.117) com a
do filtro Volterra convencional (2.43), observa-se que a nica diferena est na
multiplicao do lado direito da expresso pela matriz P. Como essa matriz constante ao
longo do processo adaptativo, resultados similares aos apresentados na Seo 2.3.2
tambm podem ser obtidos considerando (3.117) [31]. Assim, a expresso que descreve o
comportamento mdio dos coeficientes do filtro Volterra esparso
E[h Vs (n + 1)] = P (I 2R VV ) E[h Vs (n)] + 2Pp V .
(3.120)
Ainda, considerando o vetor de erro dos coeficientes definido como

v s (n) = h Vs (n) h Vso
(3.121)
E[ v s (n + 1)] = P(I 2R VV ) E[ v s (n)].
(3.122)
obtm-se
3.6.2.2 Curva de Aprendizagem e Segundo Momento

Com relao expresso do erro quadrtico mdio, realizando uma anlise similar
a apresentada na Seo 2.3.5, o erro instantneo pode ser reescrito como
e(n) = eo (n) v sT (n) xV (n)
(3.123)
T
eo (n) = d (n) + z (n) h Vso
xV (n).
(3.124)
com
Elevando (3.123) ao quadrado, tomando o valor esperado da expresso resultante e

aplicando o princpio da ortogonalidade [2], obtm-se
(n) = min + tr K s (n)R VV
80
(3.125)
com K s (n) = E[ v s (n) v sT (n)] . Para se obter a curva de aprendizagem a partir de (3.125)
necessrio antes obter uma expresso recursiva para K s (n). Assim, substituindo (3.121)
em (3.117), obtm-se
v s (n + 1) + h Vso = P [ v s (n) + h Vso + 2e(n) xV (n) ] .
(3.126)
Considerando (3.123) e, ainda, que Ph Vso = h Vso , (3.126) pode ser reescrita como
v s (n + 1) = P v s (n) + 2eo (n) xV (n) 2xV (n) xVT (n) v s (n) .
(3.127)
Multiplicando (3.127) por sua verso transposta, tomando o valor esperado da expresso
resultante e levando em conta que P = P T , obtm-se
E[ v s (n + 1) v sT (n + 1)] = PE[ v s (n) v sT (n)]P

2PE[ v s (n) v sT (n) xV (n) xVT (n)]P
2PE[ xV (n) xVT (n) v s (n) v sT (n)]P
+4 2 PE[ xV (n) xVT (n) v s (n) v sT (n) xV (n) xVT (n)]P
(3.128)
+4 PE[ xV (n)eo (n)eo (n) x (n)]P

2
T
V
+2PE{[I d 2xV (n) xVT (n)]v s (n)eo (n) xVT (n)}P

+2PE{xV (n)eo (n) v sT (n)[I d 2xV (n) xVT (n)]}P.
Comparando (2.75) com (3.128), observa-se que esta ltima tem a mesma forma da
primeira pr- e ps-multiplicada pela matriz P. Assim, possvel fazer um
desenvolvimento similar ao realizado para (2.75), resultando na seguinte expresso
recursiva para a matriz K s (n) :
K s (n + 1) = P K s (n) 2 K s (n)R VV + R VV K s (n) + 4 2 min R VV P.
(3.129)
Conforme comentado anteriormente, a matriz P idempotente, ou seja, PP = P. Dessa

forma e fazendo uma pr- e uma ps-multiplicao de (3.129) por P, conclui-se que
PK s (n + 1)P = K s (n + 1) e, portanto,
K s (n) = PK s (n)P.
(3.130)
Alm disso, pr-multiplicando (3.130) por P e manipulando a expresso resultante,

obtm-se
PK s (n) = K s (n)P.
Considerando (3.130) e (3.131), (3.129) pode ser reescrita como
(3.131)
K s (n + 1) = K s (n) 2 K s (n)PR VV P + PR VV PK s (n) + 4 2 min PR VV P.
81
(3.132)
e, ainda, (3.125) como

(n) = min + tr PK s (n)PR VV = min + tr K s (n)PR VV P .
(3.133)
Como o produto PR VV P resulta em uma matriz hermitiana [1], a decomposio

PR VV P = Q P Q TP possvel, com Q P representando a matriz de autovetores de PR VV P e
uma matriz diagonal composta pelos autovalores de PR VV P. Considerando tal
decomposio, de maneira anloga a (2.73), obtm-se a seguinte expresso para o erro
quadrtico mdio:
(n) = min + tr K s (n)PR VV P = min + T k s (n)
(3.134)
onde o vetor dos autovalores de PR VV P e k s (n) um vetor que contm os elementos

da diagonal principal da matriz K s (n) = Q TP K s (n)Q P . Agora, pr-multiplicando (3.132) por
Q TP , ps-multiplicando por Q P e levando-se em conta que Q TP Q P = Q P Q TP = I onde I a
matriz identidade, obtm-se
K s (n + 1) = K s (n) 2 K s (n) + K s (n) + 4 2 min .
(3.135)
Considerando que uma matriz diagonal, tem-se a diagonal principal de K s (n) igual
a diagonal principal de K s (n), e a seguinte expresso recursiva para o vetor k s (n)
obtida:
k s (n + 1) = (I 4 )k s (n) + 4 2 min .
(3.136)
Assim, o uso de (3.134) em conjunto com (3.136) permite obter as curvas de aprendizagem
das diferentes implementaes interpoladas do filtro Volterra adaptadas pelo algoritmo
LMS.
3.6.3 Forma Alternativa de Clculo do Vetor de Coeficientes timo com

Restries
Conforme apresentado na Seo 3.6.1, o vetor de coeficientes timo do filtro
Volterra interpolado pode ser calculado a partir de (3.109). Uma expresso mais simples
para o clculo de tal vetor obtida considerando que, aps a convergncia, o vetor de
coeficientes do filtro Volterra interpolado adaptado pelo algoritmo LMS em mdia igual
ao vetor de coeficientes timo. Assim,
82
E[h Vs (n + 1)] = E[h Vs (n)] = E[h Vs ()] = h Vso .
(3.137)
Considerando (3.137), (3.120) pode ser reescrita como

h Vso = P (I 2R VV )h Vso + 2Pp V .
(3.138)
Pr-multiplicando (3.138) por P e considerando que P = PP, fcil verificar que

Ph Vso = h Vso . Dessa forma, manipulando (3.138) obtm-se
PR VV Ph Vso = Pp V .
(3.139)
Conforme comentado anteriormente, P uma matriz diagonal cujos elementos so iguais

a um quando correspondem a coeficientes que no sofrem restrio e iguais a zero quando
correspondem a coeficientes que sofrem restrio. Analisando a estrutura da matriz
resultante do produto CCT , observa-se que tal matriz tambm diagonal e, ao contrrio da
matriz P, apresenta elementos iguais a zero quando correspondem a coeficientes que no
sofrem restrio e iguais a um quando correspondem a coeficientes que sofrem restrio.
Para ilustrar tais caractersticas, considera-se um caso simples de um filtro Volterra
interpolado de primeira ordem (equivalente a um filtro IFIR) com N = 5 e L = 2, onde a
matriz P dada por
1
0
P = 0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
(3.140)
e a matriz CCT por

0
1
CCT = 0
0
0
0
0
0 0 1 0 0 0 0
0 0 0 0 1 0 = 0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0 .
0
0
(3.141)
A partir de (3.140) e (3.141), observa-se que P complementar a CCT , o que tambm

pode ser concludo a partir de (3.118). Alm disso, de forma anloga a (3.141), possvel
definir uma matriz Cc tal que
P = CcCTc .
(3.142)
A estrutura de Cc anloga e complementar estrutura da matriz C , isto , enquanto C

a matriz utilizada para aplicar as restries aos coeficientes iguais a zero do vetor de
coeficientes esparso, Cc a matriz que aplicaria as restries nos coeficientes diferentes
83
de zero do mesmo vetor. Para exemplificar, considerando o caso de um filtro Volterra

interpolado de primeira ordem com N = 5 e L = 2, tem-se
C = 0 1 0 0 0
0 0 0 1 0
(3.143)
e
T
1 0 0 0 0
Cc = 0 0 1 0 0 .
0 0 0 0 1
(3.144)
Agora, substituindo (3.142) em (3.139), obtm-se

CcCTc R VV CcCcT h Vso = CcCcT p V .
(3.145)
Considerando que CTcCc = I, a pr-multiplicao em ambos os lados de (3.145) por CTc

resulta em
CTc R VV CcCcT h Vso = CcT p V .
(3.146)
Manipulando (3.146), obtm-se
CTc h Vso = CcT R VV Cc
CcT p V .
(3.147)
Finalmente, pr-multiplicando ambos os lados de (3.147) por Cc , considerando (3.142) e,

ainda, que Ph Vso = h Vso , a seguinte expresso para o vetor de coeficientes timo obtida:
h Vso = Cc CcT R VV Cc
CcT p V .
(3.148)
Note que (3.148) uma expresso mais simples do que (3.109) para o clculo do vetor de
coeficientes timo. Alm disso, (3.148) possibilita uma nova interpretao para tal clculo.
Considerando a estrutura de Cc , observa-se que o produto CTc R VV Cc resulta na remoo
das linhas e colunas de R VV relacionadas aos coeficientes que sofrem restrio, com a
conseqente reduo de dimenso. Portanto, o clculo de (CTc R VV Cc ) 1 o clculo da
inversa da matriz de autocorrelao de entrada obtida a partir de um vetor de entrada
reduzido CTc xV (n) que possui apenas os elementos correspondentes aos coeficientes que
no sofrem restrio. Alm disso, o produto CTc p V resulta em um vetor, tambm de
dimenso reduzida, composto pelos elementos de p V correspondentes aos coeficientes que
no sofrem restrio. Conseqentemente, (CTc R VV Cc ) 1 CcT p V o clculo do vetor de
coeficientes timo em um espao vetorial reduzido coerente com o vetor de entrada
84
CTc xV (n). A pr-multiplicao do vetor resultante de (CTc R VV Cc ) 1 CcT p V por Cc , que

resulta em (3.148), implica apenas redimensionamento de tal vetor atravs da insero de
zeros nas posies correspondentes aos elementos que sofrem restrio. Outro aspecto
importante de (3.148), que deve ser ressaltado, a sua equivalncia com (3.109). A prova
de tal equivalncia pode ser obtida igualando ambas as expresses, o que resulta em
1
1
1
1
Cc (CTc R VV Cc ) 1 CTc p V = R VV
p V R VV
C(CT R VV
C) 1 CT R VV
pV .
(3.149)
Pr-multiplicando (3.149) por R VV , obtm-se

1
1
R VV Cc (CcT R VV Cc ) 1 CcT p V = p V C(CT R VV
C) 1 CT R VV
pV .
(3.150)
A partir de (3.143) e (3.144) observa-se que o produto CTc C resulta em uma matriz nula.
Dessa forma, pr-multiplicando (3.150) por CTc , obtm-se
CTc R VV Cc (CcT R VV Cc ) 1 CcT p V = CcT p V
(3.151)
o que, considerando que CTc R VV Cc (CcT R VV Cc ) 1 = I, resulta em

CTc p V = CcT p V .
(3.152)
Como a igualdade expressa em (3.152) sempre verdadeira, a igualdade entre (3.109) e

(3.148) comprovada.
3.6.4 Consideraes sobre o Clculo da Matriz de Autocorrelao de Entrada

Uma das maiores dificuldades para avaliar o desempenho dos filtros Volterra
interpolados a partir das expresses desenvolvidas nas sees anteriores o clculo das
matrizes R VV como tambm de p V . Isso se deve ao fato de que tais matrizes dependem de
momentos de ordens elevadas do sinal de entrada filtrado pelo interpolador. No entanto,
possvel obter os valores de R VV e p V a partir das prprias estatsticas do sinal de entrada,
simplificando, assim, esse processo. O primeiro passo nessa direo considerar que R VV
e p V podem ser obtidas a partir de R VV e p V , que so matrizes similares, porm obtidas
considerando a representao convencional da relao de entrada e sada do filtro Volterra.
Para obter R VV necessrio apenas remover as linhas e colunas repetidas de R VV ,
enquanto o vetor p V obtido removendo as linhas de p V correspondentes quelas
extradas de R VV para obteno de R VV . Considerando tal caracterstica, torna-se possvel
85
utilizar as definies apresentadas na Seo 3.4 para o clculo das matrizes de correlao.
Assim, a partir de (3.62) possvel escrever cada submatriz de R VV como
R p1 p2 = E[G Tp1 x p1e (n)x Tp2e (n)G p2 ] = G Tp1 R p1 p2eG p2
(3.153)
com R p1 p2e = E[x p1e (n)x Tp2e (n)]. Considerando (3.153), a matriz R VV dada por
R VV
G T R11eG G T R12eG 2
T
G 2 R 21eG G T2 R 22eG 2
T
T
G P R P1eG G P R P 2eG 2
G T R1PeG P
G T2 R 2 PeG P
.
G TP R PPeG P
(3.154)
De maneira anloga a (3.155) e (3.156), possvel escrever

p p = E[d (n)x p (n)]
(3.157)
p p = E[ d ( n)G Tp x pe ( n)] = G Tp E[d (n)x pe (n)] = G Tp p pe
(3.158)
o que, a partir de (3.62), resulta em
com p pe = E[d (n)x pe (n)]. Assim, considerando (3.158), obtm-se

p V = [p1eT G p T2eG 2
p TPeG P ]T .
(3.159)
Usando (3.154) e (3.159), a obteno de R VV e p V torna-se bastante facilitada uma vez

que s depende do modelo probabilstico do sinal de entrada. Adicionalmente, uma
abordagem similar utilizada para o clculo de (3.154) e (3.159) pode ser adotada para
obter as matrizes necessrias para anlise dos filtros Volterra parcialmente interpolados ou
das implementaes interpoladas sem efeito de borda. Exemplificando, o clculo de RVV e
pV requeridos para a anlise de filtros Volterra interpolados sem efeito de borda resulta em
G T R11G G T R12G 2
T
G 2 R 21G G 2T R 22G 2
RVV =
T
T
G P R P1G G P R P 2G 2
G T R1P G P
G 2T R 2 P G P
T
G P R PP G P
(3.160)
e
pV = [p1TG p T2 G 2
com R p1 p2 = E[x p1 (n)x Tp2 (n)] e p p = E[d (n)x p (n)].
p TP G P ]T
(3.161)
86
3.6.5 Simulaes
Nesta seo, alguns resultados de simulaes so apresentados para verificar o
desempenho do modelo desenvolvido neste captulo. Tais resultados envolvem a
modelagem, a partir de (3.110), (3.134) e (3.136), das curvas de aprendizagem das
diferentes implementaes interpoladas consideradas nos exemplos apresentados na
Seo 3.5.3. Alm disso, os procedimentos descritos na Seo 3.6.4 so utilizados para o
clculo das matrizes de correlao necessrias. Resultados referentes modelagem do
comportamento mdio dos coeficientes no sero apresentados aqui devido sua
similaridade com os resultados apresentados em [31] como tambm com os resultados da
Seo 2.3.8. importante ressaltar que, como as aproximaes consideradas para o
desenvolvimento do modelo com restries so similares s utilizadas para o
desenvolvimento do modelo do filtro Volterra convencional (Seo 2.3), as caractersticas
e limitaes de ambos os modelos tambm so similares.
Exemplo 3.6.5.1: Neste exemplo, as curvas de aprendizagem dos filtros interpolado,

interpolado com remoo do efeito de borda, parcialmente interpolado e parcialmente
interpolado com remoo do efeito de borda obtidas no Exemplo 3.5.3.1 so consideradas.
Os resultados da modelagem de tais curvas a partir de (3.134) e (3.136) esto apresentados
na Figura 3.23. A partir de tal figura, observa-se uma concordncia muito boa entre as
curvas obtidas com o modelo proposto e as obtidas por simulao de Monte Carlo (200
realizaes), verificando, assim, a preciso do modelo desenvolvido.
Exemplo 3.6.5.2: Para este exemplo, so consideradas as curvas de aprendizagem das

implementaes interpoladas utilizadas no Exemplo 3.5.3.2. Os resultados da modelagem
esto apresentados na Figura 3.24. Novamente um muito bom casamento entre as curvas
obtidas com o modelo proposto e as curvas obtidas por simulao de Monte Carlo (200
realizaes) observada.
87
10
10
-1
EQM
PI
10
10
-2
IB
Interpolado (I)
-3

Parc. interp (PI)
10
PIB
-4
10000
20000
Iteraes

3.5.3.1. (Linhas slidas) simulaes de Monte Carlo. (Linhas pontilhadas brancas)
curvas do modelo proposto, obtidas a partir de (3.134) e (3.136).
10
10
-1
EQM
10
PI
-2
IB
10
-3
Interpolado (I)
10
-4
Parc. interp (PI)
PIB
10000
20000
Iteraes

3.5.3.2. (Linhas slidas) simulaes de Monte Carlo. (Linhas pontilhadas brancas)
curvas do modelo proposto, obtidas a partir de (3.134) e (3.136).
88
Exemplo 3.6.5.3: Neste exemplo, as curvas de aprendizagem das abordagens interpoladas

utilizadas no Exemplo 3.5.3.3 so apresentadas. Como o algoritmo NLMS foi o utilizado
para obteno de tais curvas, no possvel utilizar as expresses (3.134) e (3.136) uma
vez que estas descrevem as curvas de aprendizagem para o algoritmo LMS. No entanto,
uma anlise do desempenho em regime permanente possvel a partir de (3.110). O
resultado dessa anlise est ilustrado na Figura 3.25. Nessa figura, observa-se uma boa
estimativa do regime permanente a partir de (3.110). O pequeno descasamento observado
devido ao fato de o algoritmo NLMS apresentar um desajuste maior que o do LMS em
regime permanente para passos de adaptao grandes (nesse caso = 0, 25 ). Refazendo as
simulaes para um passo de adaptao menor, dado por = 0,1 , resultados ainda
melhores so obtidos, conforme mostrado na Figura 3.26.
10
PI
EQM
10
-2
min-P I
10
PIB
min-P IB
-4
Parc. interp. (PI)

EQM mnimo para parc. interp. (min-P I)
10
-6

EQM mnimo para parc. interp. sem borda (min-P IB)
25000
50000
Iteraes

Carlo. (Linhas pontilhadas) curvas do modelo proposto, obtidas a partir de (3.110).
10
89
PI
EQM
10
-2
min-P I
10
PIB
min-P IB
-4
Parc. interp. (PI)

EQM mnimo para parc. interp. (min-P I)
10
-6

EQM mnimo para parc. interp. sem borda (min-P IB)
25000
50000
Iteraes

Carlo. (Linhas pontilhadas) curvas do modelo proposto, obtidas a partir de (3.110).
3.7 Consideraes
Neste captulo, os filtros Volterra interpolados foram descritos e diferentes estudos
correlatos foram apresentados. Dentre os quais destacam-se, como contribuies originais,
a descrio matemtica dos filtros Volterra interpolados e a concepo de um
procedimento para remoo do indesejvel efeito de borda. Outra contribuio original
apresentada neste captulo, o desenvolvimento de um modelo estatstico que descreve o
desempenho em regime permanente do filtro Volterra interpolado adaptativo bem como o
seu comportamento transitrio quando adaptado pelo algoritmo LMS. Atravs dessas
contribuies, o que se busca aumentar o potencial de aplicao dos filtros Volterra
interpolados atravs tanto da melhoria do seu desempenho quanto do desenvolvimento de
importantes ferramentas de anlise.
CAPTULO
4
Filtros Volterra Interpolados Inteiramente Adaptativos
Como descrito no captulo anterior, a implementao de filtros Volterra adaptativos

usando abordagens interpoladas permite uma reduo de carga computacional quase
sempre s expensas de alguma perda de desempenho. Os principais fatores que contribuem
para tal perda de desempenho so: (a) a caracterstica intrnseca de posto reduzido das
estruturas interpoladas [57]; (b) o efeito de borda, que pode ser removido usando o
procedimento apresentado no captulo anterior; e (c) a escolha inapropriada dos
coeficientes do filtro interpolador, os quais so responsveis por recriar, na estrutura
equivalente, os coeficientes zerados do filtro esparso. Para contornar este ltimo problema,
a implementao de filtros Volterra interpolados inteiramente adaptativos, em que tanto o
interpolador quanto o filtro esparso tm seus coeficientes adaptados, discutida neste
captulo. Assim, a adaptao completa de filtros FIR em cascata bem como de filtros FIR
interpolados inicialmente tratada, com posterior extenso dos resultados obtidos para a
implementao de filtros Volterra interpolados.
4.1 Uma Abordagem Alternativa para a Adaptao de Filtros FIR em

Cascata
Conforme mencionado na Seo 3.2, os filtros IFIR so compostos por dois filtros
FIR, um interpolador e um filtro esparso, dispostos em cascata. Assim, o estudo do
processo adaptativo de filtros FIR em cascata de grande interesse para a anlise e
implementao de filtros IFIR inteiramente adaptativos [59], [60]. Na Figura 4.1, o
diagrama de blocos de uma estrutura de dois filtros FIR em cascata ilustrado. Nessa
figura, w a representa o filtro de entrada, com tamanho de memria N a e vetor de
coeficientes
w a = [ wa (0) wa (1)
wa ( N a 1)]T
(4.1)
e w b representa o filtro de sada, com tamanho de memria N b e vetor de coeficientes
Captulo 4 Filtros Volterra Interpolados Inteiramente Adaptativos
w b = [ wb (0) wb (1)
91
wb ( N b 1)]T .
(4.2)
A varivel x(n) denota o sinal de entrada, ya (n) representa o sinal intermedirio e y (n)
o sinal de sada. O filtro equivalente da estrutura em cascata representado por w ab e seu
vetor de coeficientes obtido fazendo a convoluo entre as repostas ao impulso de w a e
w b . Assim, o tamanho de memria do filtro equivalente w ab dado por
N ab = N a + N b 1.
x( n )
x( n )
wa
ya (n)
wb
(4.3)
y( n)
=
w ab
y ( n)
Figura 4.1. Diagrama de blocos de uma estrutura FIR em cascata e seu filtro
equivalente.
Para facilitar o tratamento matemtico, o clculo de w ab pode ser escrito como um
produto de matrizes de forma similar ao procedimento apresentado na Seo 3.4.1 para os
filtros IFIR. Assim, as seguintes matrizes so definidas:

w a

Wa = 0
0

w
a

0
0

wa

0
0
wa (0)
0
wa (0)
0
wa (1)
0 wa (2)
wa (1)
wa (0)
= wa ( N a 1) wa ( N a 2) wa ( N a 3)
0
wa ( N a 1) wa ( N a 2)

0
0
wa ( N a 1)
a
0
0
0
(4.4)
wa (0)
wa (1)
wa (2)
wa ( N a 1)
0
com dimenso ( N a + N b 1) N b , e

w b

Wb = 0
0
0
0

w
b

0

w
b

0
0
wb (0)
0
wb (0)
0
wb (1)
0 wb (2)
wb (1)
wb (0)
0

= wb ( N b 1) wb ( N b 2) wb ( N b 3)
0
wb ( N b 1) wb ( N b 2)

w
0
0
wb ( N b 1)
b
0
0
0
(4.5)
wb (0)
wb (1)
wb (2)
wb ( N b 1)
0
0
0
92
com dimenso ( N a + N b 1) N a . Com isso, torna-se possvel escrever

w ab = Wa w b = Wb w a .
(4.6)
Levando em conta que o vetor equivalente w ab possui a dimenso dada em (4.3),

possvel definir um vetor de entrada xab (n) como
xab (n) = [ x(n) x(n 1)
x(n N a N b + 2) ]
(4.7)
de tal forma que a relao de entrada e sada da estrutura FIR em cascata possa ser escrita
em termos do seguinte produto matricial:
y (n) = w Tab xab (n) = w Tb WaT x ab (n) = w Ta WbT x ab (n).
(4.8)
Considerando agora a estrutura FIR em cascata aplicada a um problema de estimao de

sinal, adaptando ambos os filtros temos a situao ilustrada na Figura 4.2. Nessa figura,
w a (n) e w b (n) representam as verses variantes no tempo de w a e w b da Figura 4.1,
d (n) denota o sinal a ser estimado (sinal desejado) e e(n) representa o sinal de erro, dado
por
e(n) = d (n) y (n).
(4.9)
Os demais sinais da Figura 4.2 so os mesmos da Figura 4.1. Substituindo (4.8) em (4.9) e
considerando que agora os coeficientes de ambos os filtros so variantes no tempo,
obtm-se
e(n) = d (n) w Ta (n) WbT (n)x ab (n)
= d (n) w Tb (n) WaT (n)x ab (n)
(4.10)
onde Wa (n) e Wb (n) so as verses variantes no tempo de (4.4) e (4.5), respectivamente.
x( n )
w a ( n)
ya ( n )
w b ( n)
y( n)
d ( n)
+
e( n )
algoritmo adaptativo
Figura 4.2. Diagrama de blocos da estrutura FIR em cascata inteiramente adaptativa.
4.1.1 Algoritmo LMS aplicado a Filtros FIR em Cascata

A funo custo utilizada para o desenvolvimento do algoritmo LMS a estimativa
instantnea do erro quadrtico mdio [1], dada por
JMSE (n) = e 2 (n) .
(4.11)
93
Considerando o esquema da Figura 4.2, os coeficientes de cada um dos filtros so

adaptados usando o gradiente da funo custo (4.11) conforme descrito em [2]. Assim,
para o filtro de entrada w a (n), a adaptao realizada da seguinte maneira:
w a (n + 1) = w a (n) a wa e 2 (n)
(4.12)
com a representando o passo de adaptao. Aplicando a regra da cadeia, o vetor gradiente

de (4.12) pode ser escrito como
e 2 (n) e 2 (n) e(n)
wa e (n) =
=
.
w a (n) e(n) w a (n)
2
(4.13)
Dessa maneira, a partir de (4.10), os termos de (4.13) so dados por
e 2 (n)
= 2e ( n )
e(n)
(4.14)
e(n)
= WbT (n)xab (n).
w a (n)
(4.15)
Assim, a equao de adaptao para o filtro de entrada dada por

w a (n + 1) = w a (n) + 2 a e(n) WbT (n)x ab (n).
(4.16)
Considerando o filtro de sada e usando tambm a regra do gradiente, tem-se

w b (n + 1) = w b (n) b w b e 2 (n)
(4.17)
onde b o passo de adaptao do filtro de sada. De forma anloga a (4.13), obtm-se

e2 (n) e 2 (n) e(n)
w b e (n) =
=
w b (n) e(n) w b (n)
(4.18)
e(n)
= WaT (n)xab (n).
w b (n)
(4.19)
resultando em (4.14) e
Finalmente, a equao de adaptao para os coeficientes do filtro de sada dada por

w b (n + 1) = w b (n) + 2 b e(n) WaT (n)x ab (n).
(4.20)
4.1.2 Filtros FIR em Cascata Adaptados pelo Algoritmo NLMS

As expresses para adaptao da estrutura em cascata usando o algoritmo NLMS
so obtidas de maneira anloga ao procedimento realizado em [2] para obteno do
algoritmo NLMS para um filtro FIR convencional. Assim, considerando o filtro de entrada
94
da estrutura em cascata, a equao de adaptao obtida minimizando a norma euclidiana

de
w a (n + 1) = w a (n + 1) w a (n)
(4.21)
w Ta (n + 1) WbT (n)xab (n) = d (n).
(4.22)
sujeita seguinte restrio:
importante ressaltar que a expresso de restrio (4.22) ligeiramente diferente da

apresentada em [2] devido s caractersticas particulares da estrutura em cascata.
Aplicando o mtodo dos multiplicadores de Lagrange [2] a (4.21) e (4.22), a funo custo
pode ser escrita como
J wa (n) = w a (n + 1) + a (n) d (n) w Ta (n + 1) WbT (n)x ab (n)
2
(4.23)
onde a (n) um multiplicador de Lagrange escalar com valor real. Diferenciando (4.23)
com respeito a w a (n + 1), obtm-se
J wa (n)
w a (n + 1)
= 2 [ w a (n + 1) w a (n) ] a (n) WbT (n)x ab (n).
(4.24)
Fazendo (4.24) igual a zero, tem-se

1
w a (n + 1) = w a (n) + a (n) WbT (n)x ab (n).
2
(4.25)
A substituio de (4.25) em (4.22) resulta em

T
d (n) = w a (n) + a (n) WbT (n)x ab (n) WbT (n)x ab (n)

2
2
1
= w Ta (n) WbT (n)x ab (n) + a (n) WbT (n)x ab (n) .
2
(4.26)
Agora, resolvendo (4.26) para a (n), obtm-se

a ( n ) =
2 d (n) w Ta (n) WbT (n)xab (n)

WbT (n)xab (n)
2e(n)
WbT (n)xab (n)
(4.27)
Finalmente, substituindo (4.27) em (4.25), e adicionando as constantes positivas a e a

para controlar o processo adaptativo e prevenir a diviso por zero [2], a equao de
adaptao dos coeficientes do filtro de entrada
w a (n + 1) = w a (n) +
a
2
W (n)x ab (n) + a
T
b
e(n) WbT (n)x ab (n)
(4.28)
95
De forma similar a (4.21) e (4.22), para o filtro de sada, necessrio minimizar a norma
euclidiana de
w b (n + 1) = w b (n + 1) w b (n)
(4.29)
w Tb (n + 1) WaT (n)x ab (n) = d (n).
(4.30)
submetida restrio
Novamente, aplicando o mtodo dos multiplicadores de Lagrange [2], obtm-se

J w b (n) = w b (n + 1) + b (n) d (n) w Tb (n + 1) WaT (n)x ab (n) .
2
(4.31)
Note que (4.31) tem a mesma forma de (4.23). Assim, atravs de um procedimento similar
ao realizado para se obter (4.28), a seguinte equao de adaptao obtida:
w b (n + 1) = w b (n) +
b
2
W (n)x ab (n) + b
T
a
e(n) WaT (n)x ab (n)
(4.32)
onde b e b so constantes positivas utilizadas para controlar o processo adaptativo e

prevenir a diviso por zero [2].
4.1.3 Particularidades do Processo Adaptativo dos Filtros FIR em Cascata

A partir da anlise das expresses para adaptao de filtros FIR em cascata
apresentadas nas Sees 4.1.1 e 4.1.2, algumas situaes particulares resultando em
problemas para a implementao so observados. Dentre eles, destacam-se:
i) Inicializao dos coeficientes. No caso da inicializao de ambos os vetores de
coeficientes [w a (n) e w b (n)] com valores iguais a zero, o que comumente realizado, o
processo adaptativo no inicia. Tal caracterstica, tambm destacada em [61] para o caso
dos filtros IFIR, pode ser facilmente verificada a partir de (4.16) e (4.20) (algoritmo LMS)
ou a partir de (4.28) e (4.32) (algoritmo NLMS).
ii) Complexidade computacional. Novamente a partir de (4.16) e (4.20) (algoritmo
LMS) ou a partir de (4.28) e (4.32) (algoritmo NLMS), observa-se que o clculo de dois
produtos de matrizes [ WbT (n)xab (n) e WaT (n)xab (n)] requerido a cada iterao,
implicando um alto custo computacional mesmo considerando que alguns dos elementos
de Wa (n) e Wb (n) so sempre iguais a zero.
iii) Estabilidade do algoritmo. No caso do algoritmo LMS, necessrio realizar uma
escolha apropriada dos valores dos dois passos de adaptao ( a e b ) de forma a garantir
a estabilidade do algoritmo. Contudo, a obteno de limites de estabilidade analticos no
uma tarefa trivial, sendo este um problema ainda sem soluo conhecida na literatura. Uma
96
possvel alternativa para lidar com tal problema usar um valor conservativo do passo de
adaptao idntico para ambos os filtros, o qual pode ser obtido e ajustado atravs de
simulaes.
iv) Convergncia do vetor de coeficientes equivalente. fcil verificar, a partir de
(4.6), que diferentes combinaes dos vetores de coeficientes w a e w b podem resultar em
um mesmo vetor de coeficientes equivalente w ab . Como exemplo, o uso de vetores de
coeficientes w a = kw a e w b = (1/ k )w b , o que implica Wa = kWa e Wb = (1/ k ) Wb com k
representando um escalar qualquer, produz o mesmo vetor de coeficientes equivalente que
w a e w b , ou seja,
1
w ab = Wa w b = Wa w b = ( kWa ) w b .
k
(4.33)
Considerando (4.33), observa-se que, para um valor suficientemente grande de k ,

possvel obter o vetor equivalente w ab a partir de um vetor w a = kw a com valores grandes
de coeficientes e um vetor w b = (1/ k )w b com valores pequenos. Tal caracterstica
indesejvel principalmente em implementaes usando processadores com aritmtica de
ponto fixo. Nesse caso, devido adoo de um nmero limitado de bits para representao
de cada coeficiente (palavra de dados de comprimento fixo), valores muito pequenos
implicam perda de preciso, enquanto valores muito grandes podem exceder o valor
mximo admitido pela representao adotada (overflow).
A considerao dos fatores descritos acima de fundamental importncia para uma
implementao eficiente de filtros FIR em cascata adaptativos e das estruturas adaptativas
derivadas de tal filtro, como, por exemplo, os filtros IFIR inteiramente adaptativos.
4.2 Filtros IFIR Inteiramente Adaptativos

A forma mais comum de se implementar filtros IFIR adaptativos atravs da
adaptao apenas do filtro esparso. No entanto, tal estratgia muitas vezes resulta em um
pobre desempenho, em termos do valor mnimo do erro quadrtico mdio, devido a uma
recriao de coeficientes ineficiente em conseqncia de uma escolha inapropriada dos
coeficientes do filtro interpolador. Uma soluo para tal problema o uso de uma estrutura
IFIR inteiramente adaptativa, na qual o interpolador tambm adaptativo. Tal classe de
estruturas foi originalmente proposta em [61]. Posteriormente, outras estruturas IFIR
97
inteiramente adaptativas foram tambm propostas em [57] e em [62]. De forma alternativa

s abordagens adotadas em [57], [61] e [62], as expresses para adaptao de filtros IFIR
inteiramente adaptativos so desenvolvidas, nesta seo, com base nas expresses
adaptativas para a estrutura FIR em cascata obtidas na Seo 4.1. A abordagem aqui
utilizada interessante por permitir observar algumas caractersticas do processo
adaptativo no discutidas nos trabalhos anteriores, como, por exemplo, certas
aproximaes adotadas com o objetivo de reduzir a complexidade computacional [60].
4.2.1 Adaptao usando o Algoritmo LMS

Considerando a estrutura IFIR, descrita nas Sees 3.2 e 3.4, aplicada a um
problema de estimao de sinal (Figura 4.2), possvel escrever o sinal de erro, de forma
anloga a (4.10), como
e(n) = d (n) w sT (n)G T (n)x e (n)
= d (n) g T (n) WsT (n)x e (n)
(4.34)
com xe (n) dado por (3.43). A partir de (4.34), realizando um procedimento similar ao
apresentado na Seo 4.1.1, a seguinte expresso para adaptao do filtro interpolador da
estrutura IFIR, usando algoritmo LMS, obtida:
g(n + 1) = g(n) + 21e(n) WsT (n)x e (n).
(4.35)
Para o caso do filtro esparso, necessrio, alm de considerar o procedimento da

Seo 4.1.1, levar em conta as restries, decorrentes da esparsidade, de maneira similar
apresentada na Seo 3.6. Assim, tais restries so descritas por
CT w s ( n) = f
(4.36)
onde C a matriz de restries, f o vetor de reposta com todos os elementos iguais a

zero e w s (n) o vetor de coeficientes do filtro esparso da estrutura IFIR. Adicionando tais
restries funo custo (4.11) atravs do mtodo dos multiplicadores de Lagrange [63],
obtm-se
J ws (n) = d 2 (n) 2d (n)w sT (n)G T (n)x e (n)
+ w sT (n)G T (n)xe (n)xeT (n)G (n)w s (n) + T (n)[CT w s (n) f ].
(4.37)
Realizando um desenvolvimento similar ao apresentado na Seo 3.6.2, a seguinte

expresso para adaptao do filtro esparso obtida:
w s (n + 1) = P w s (n) + 2 2 e(n)G T (n)xe (n)
(4.38)
98
onde P = I CCT . Note que, como o lado direito de (4.38) est pr-multiplicado por P,
(4.38) corresponde ao algoritmo LMS adaptando apenas os coeficientes de w s (n) que no
sofrem restrio de forma anloga a (3.117) [ou veja (3.119)]. importante ressaltar que
(4.35) e (4.38) so vlidas para a adaptao tanto da estrutura IFIR com interpolador na
entrada (Figura 3.1) quanto da estrutura IFIR com interpolador na sada (Figura 3.2).
De maneira similar ao que foi discutido na Seo 4.1.3 para a estrutura FIR em
cascata, a implementao de (4.35) e (4.38) implica um elevado custo computacional
devido aos produtos de matrizes envolvidos. Para contornar tal problema, possvel,
considerando uma condio de adaptao lenta, admitir algumas simplificaes de forma a
reduzir o custo computacional. Isso realizado levando-se em conta que o produto
x (n) = WsT (n)xe (n), dado por
x (n) = WsT (n)xe (n) = [w sT (n)xs (n) w sT (n)xs (n 1)
w sT (n)xs (n M + 1)]T (4.39)
pode ser aproximado por

x (n) = [w sT (n)xs (n) w sT (n 1)xs (n 1)
w sT (n M + 1)xs (n M + 1)]T
(4.40)
onde xs (n), de (4.39) e (4.40), dado por

xs (n) = [ x(n) x(n 1)
x(n N + 1) ] .
T
(4.41)
Para se obter os elementos de (4.39), o clculo de todos os M produtos internos vetoriais

presentes em tal expresso so necessrios a cada iterao. Por outro lado, para se obter
(4.40) a cada iterao, necessrio apenas o clculo do primeiro elemento w sT (n)xs (n) e
seu reuso nas iteraes seguintes. Uma aproximao similar realizada para calcular o
produto x(n) = G T (n)xe (n) de (4.38), resultando no vetor x(n). Assim, a partir de (4.35) e
(4.38), as equaes de adaptao simplificadas para o filtro IFIR inteiramente adaptativo
so dadas por
g(n + 1) = g(n) + 21e(n)x (n)
(4.42)
w s (n + 1) = P [ w s (n) + 2 2 e(n)x(n) ] .
(4.43)
As expresses (4.42) e (4.43) para adaptao dos filtros IFIR inteiramente adaptativos
usando o algoritmo LMS so iguais s apresentadas em [61] e [62]. No entanto, nesses
trabalhos os efeitos das hipteses simplificativas consideradas [uso das verses
aproximadas x(n) e x ( n )] no so destacados nem avaliados. importante mencionar
99
que, quando tais simplificaes so adotadas, um cuidado especial deve ser tomado para a
escolha dos passos de adaptao de forma a garantir a estabilidade do algoritmo.
Alm da adoo das aproximaes descritas anteriormente, outra maneira de
reduzir a complexidade computacional para implementao dos filtros IFIR inteiramente
adaptativos levar em conta a posio do interpolador na estrutura. Conforme descrito em
[64], os filtros IFIR adaptativos com interpolador fixo devem ser implementados com o
filtro interpolador na entrada uma vez que, com isso, um menor custo computacional
obtido. No caso dos filtros IFIR inteiramente adaptativos, a situao se modifica e uma
menor complexidade computacional obtida utilizando a estrutura IFIR com interpolador
na sada. Isso facilmente observado primeiramente verificando que em ambos os casos,
com o interpolador na entrada ou na sada, os vetores x (n) e x(n) ou suas verses
simplificadas x (n) e x(n) precisam ser calculados a cada interao para que a adaptao
dos filtros seja realizada. Adicionalmente, a sada da estrutura IFIR tambm precisa ser
calculada a cada iterao, o que resulta em y (n) = w sT (n)x(n) w sT (n)x(n) para o caso com
interpolador na entrada ou y (n) = g T (n)x (n) g T (n)x (n) para o caso com o interpolador
na sada. Como usualmente o interpolador apresenta um nmero de coeficientes muito
menor do que o filtro esparso, o clculo do sinal de sada para o caso com o interpolador na
sada apresenta um custo computacional menor. As diferenas de complexidade
computacional entre as diversas implementaes dos filtros IFIR adaptativos e
inteiramente adaptativos podem ser observadas mais claramente a partir das curvas do
nmero de operaes por amostra em funo do tamanho de memria, apresentadas na
Figura 4.3, considerando o fator de esparsidade L = 2 . Dessa figura, observa-se que a
implementao do filtro IFIR inteiramente adaptativo com simplificaes e interpolador na
sada apresenta complexidade computacional muito prxima daquela requerida para
implementao do filtro IFIR adaptativo com interpolador fixo. Alm disso, nota-se que o
uso das implementaes inteiramente adaptativas sem aproximaes no recomendado
uma vez que elas apresentam complexidade computacional maior do que a prpria
implementao do filtro FIR convencional (sem interpolao e esparsidade).
100
2500
FIR adaptativo
IFIR adaptativo (interp. fixo na entrada)
Operaes por amostra
2000
IFIR inteiramente adapt. (interp. na entrada)

IFIR int. adapt. simplificado (interp. na entrada)
IFIR inteiramente adapt. (interp. na sada)
1500
IFIR int. adapt. simplificado (interp. na sada)
1000
500
50
100
150
200
250
Memria
Figura 4.3. Nmero de operaes por amostra em funo do tamanho de memria

requerido para implementao, usando o algoritmo LMS, de um filtro FIR adaptativo e
de diferentes implementaes adaptativas do filtro IFIR com L = 2.
4.2.2 Adaptao usando o Algoritmo NLMS

De maneira similar ao que foi apresentado na Seo 4.1.2, a expresso para
adaptao do interpolador da estrutura IFIR usando o algoritmo NLMS obtida
minimizando a norma euclidiana de
g(n + 1) = g (n + 1) g(n)
(4.44)
g T (n + 1) WsT (n)xe (n) = d (n).
(4.45)
submetida seguinte restrio:
Adotando o mesmo procedimento da Seo 4.1.2, a expresso para adaptao do

interpolador
g(n + 1) = g (n) +
1
2
W (n)xe (n) + 1
T
s
e(n) WsT (n)xe (n)
(4.46)
onde 1 e 1 so parmetros de controle do algoritmo. Para o caso do filtro esparso da

estrutura interpolada, a obteno de sua expresso de adaptao usando o algoritmo NLMS
um problema mais complexo. Isso se deve ao fato de tal expresso ser obtida
minimizando a norma euclidiana de
w s (n + 1) = w s (n + 1) w s (n)
(4.47)
101
sujeita a duas restries, dadas por

w sT (n + 1)G T (n)xe (n) = d (n)
(4.48)
CT w s (n + 1) = f .
(4.49)
A restrio representada por (4.49) similar a (4.36), com C representando a matriz de

restries e f o vetor de reposta com todos os elementos iguais a zero. Assim, aplicando o
mtodo dos multiplicadores de Lagrange, a funo custo escrita como
J ws (n) = w s (n + 1) + 1 (n) d (n) w sT (n + 1)G T (n)xe (n) + T2 (n) CT w s (n + 1) f . (4.50)
2
onde 1 (n) um multiplicador de Lagrange escalar com valor real e 2 (n) um vetor de
multiplicadores de Lagrange. Diferenciando (4.50) em relao a w s (n + 1), igualando a
expresso resultante a zero e isolando w s (n + 1), obtm-se
1
1
w s (n + 1) = w s (n) + 1 (n)G T (n)xe (n) C2 (n).
2
2
(4.51)
Substituindo (4.51) em (4.49), considerando que CTC = I (matriz identidade) e isolando

2 (n), possvel obter
1
2 (n) = 2CT w s (n) + 1 (n)G T (n)xe (n) . .

2
(4.52)
Agora, substituindo (4.52) em (4.51) resulta em

1
w s (n + 1) = P w s (n) + 1 (n)G T (n)x e (n)

2
(4.53)
com P = I CCT dada por (3.118). Aplicando (4.53) em (4.48) e levando em conta que
P = P T , obtm-se
1 (n)xTe (n)G (n)PG T (n)x e (n) = 2 d (n) w sT (n)PG T (n)xe (n) .
(4.54)
Considerando a idempotncia de P, que implica P = PP, possvel escrever

2
xTe (n)G (n)PG T (n)xe (n) = xeT (n)G (n)PPG T (n)x e (n) = PG T (n)xe (n) .
(4.55)
Alm disso, fcil verificar que w sT (n)P = w sT (n) uma vez que o produto de w sT (n) com
P implica fixar em zero os coeficientes de w sT (n) que j so iguais a zero devido sua
natureza esparsa. Dessa forma, tem-se
w sT (n)PG T (n)xe (n) = w sT (n)G T (n)xe (n) = y (n).
(4.56)
102
Substituindo (4.55) e (4.56) em (4.54) e isolando 1 (n) na expresso resultante, obtm-se

1 (n) =
2 d (n) w sT (n)G T (n)x e (n)

PG T (n)xe (n)
2e(n)
PG T (n)xe (n)
(4.57)
Finalmente, substituindo (4.57) em (4.53) e adicionando os fatores de controle 2 e 2 , a

expresso para adaptao do filtro esparso da estrutura IFIR inteiramente adaptativa
usando o algoritmo NLMS
w s (n + 1) = Pw s (n) +
2
2
PG (n)x e (n) + 2
T
e(n)PG T (n)xe (n).
(4.58)
Levando-se em conta a estrutura da matriz P e analisando (4.58), observa-se que tal

expresso corresponde adaptao apenas dos coeficientes do filtro esparso que so
diferentes de zero e que, portanto, no sofrem restrio [ver (3.117) e (3.119)]. Outra
caracterstica importante que se pode observar a partir de (4.58), a forma do termo de
2
normalizao, dado por PG T (n)x e (n) . Em outros trabalhos [57], [62], tal termo de
normalizao no descrito de forma clara e sua derivao direta a partir das expresses
apresentadas na Seo 4.2.2, sem considerar as restries decorrentes da esparsidade, pode
levar a implementaes errneas do algoritmo.
Adotando as mesmas aproximaes utilizadas para obter (4.42) e (4.43), as
expresses simplificadas para adaptao usando o algoritmo NLMS so dadas por
g(n + 1) = g(n) +
x (n) + 1
2
e(n)x (n)
(4.59)
w s (n + 1) = Pw s (n) +
Px(n) + 2
2
e(n)Px(n) .
(4.60)
Tambm no caso do algoritmo NLMS aplicado s estruturas IFIR inteiramente

interpoladas, a implementao com interpolador na sada resulta em um menor custo
computacional. Adicionalmente, importante destacar que, conforme descrito para (4.42) e
(4.43), um cuidado especial deve ser tomado na escolha dos fatores de controle tambm de
(4.59) e (4.60) devido s aproximaes consideradas para o seu desenvolvimento.
103
4.2.3 Simulaes
Nesta seo, resultados de simulao considerando problemas de identificao de
sistemas [1] so apresentados com o objetivo de avaliar o desempenho das implementaes
inteiramente adaptativas dos filtros IFIR bem como o impacto das aproximaes adotadas.
As estruturas utilizadas nas simulaes so o filtro FIR adaptativo convencional (AFIR), o
filtro IFIR adaptativo com interpolador fixo (AIFIR), o filtro IFIR inteiramente adaptativo
implementado sem aproximaes [CFAIFIR, equaes (4.35) e (4.38) para o algoritmo
LMS e (4.46) e (4.58) para o NLMS] e o filtro IFIR inteiramente adaptativo implementado
considerando aproximaes [FAIFIR, equaes (4.42) e (4.43) para o LMS e (4.59) e
(4.60) para o NLMS]. As curvas do erro quadrtico mdio (EQM) obtidas com tais
estruturas so comparadas para avaliao de desempenho. Para todos os casos,
adicionado a d (n) um rudo de medio com varincia v2 = 106 (SNR = 60 dB). O fator
de interpolao utilizado para os filtros IFIR adaptativos e inteiramente adaptativos
L = 2 em todos os exemplos. O interpolador fixo do filtro AIFIR dado por

g = [0,5 1, 0 0,5]T e o interpolador varivel dos filtros CFAIFIR e FAIFIR inicializado
com esse mesmo vetor de coeficientes.
Exemplo 4.2.3.1: Neste exemplo, os filtros adaptativos so utilizados para modelar uma
planta cujo vetor de coeficientes dado por
w1o = [0,5 0,36 0,26 0,18 0,13 0,095 0,068 0,048 0,035 0,025 0,018]T .
O sinal de entrada branco e gaussiano com varincia unitria. O algoritmo utilizado o
LMS e o mesmo valor do passo de adaptao = max / 5 usado para todos os filtros,
onde max o valor mximo do passo de adaptao para o qual o algoritmo ainda converge
(determinado experimentalmente). No caso das estruturas IFIR inteiramente adaptativas, o
mesmo passo de adaptao utilizado para o filtro esparso e para o interpolador, de forma
a facilitar a obteno de um valor de max que assegure a estabilidade do algoritmo. Os
valores de max para esse exemplo so: max = 0, 06 para o AFIR, max = 0, 03 para o
AIFIR, 1max = 2 max = 0, 07 para o CFAIFIR, e 1max = 2 max = 0, 04 para o FAIFIR. As
curvas de EQM, obtidas a partir de simulaes de Monte Carlo (mdia de 100 realizaes
independentes), so apresentadas na Figura 4.4. A partir dessa figura, observa-se que as
estruturas IFIR inteiramente adaptativas apresentam melhor desempenho (termos do EQM
104
de regime permanente) do que aquele obtido com o filtro AIFIR. Alm disso, a
convergncia do filtro CFAIFIR sem simplificaes mais rpida do que aquela obtida
com o FAIFIR, com o mesmo valor de regime permanente. Isso se deve ao menor valor de
max obtido para o filtro FAIFIR, o que uma conseqncia direta do uso de aproximaes
para o desenvolvimento de suas expresses de adaptao. Adicionalmente, escolhendo o
passo de adaptao do filtro CFAIFIR igual ao do filtro FAIFIR ( = max / 5 com
1max = 2max = 0, 04) o mesmo desempenho para ambas as estruturas obtido, o que
observado na Figura 4.5. Assim, conclui-se que uma das principais conseqncias do uso
de aproximaes para implementao dos filtros IFIR inteiramente interpolados adaptados
pelo algoritmo LMS a reduo no limite mximo do passo de adaptao garantindo a sua
estabilidade.
20
FIR adaptativo (AFIR)
10
IFIR adaptativo (AIFIR)

IFIR inteiramente adaptativo (CFAIFIR)
IFIR int. adaptativo com aproximaes (FAIFIR)
EQM (dB)
-10
AIFIR
-20
FAIFIR
-30
-40
CFAIFIR
-50
AFIR
-60
-70
1000
2000
3000
4000
5000
6000
7000
Iteraes
100 realizaes).
20
10
105

0
EQM (dB)
-10
AIFIR
-20
FAIFIR
-30
-40
CFAIFIR
-50
AFIR
-60
-70
1000
2000
3000
4000
5000
6000
7000
Iteraes
100 realizaes).
Exemplo 4.2.3.2: Para este exemplo, a planta tem 25 coeficientes dados por
w o2 = [0, 01 0, 03 0, 07 0,12 0,16 0, 24 0, 28 0,37 0,39 0, 48 0, 46 0,54 0, 49
0,55 0, 46 0, 48 0,39 0,37 0, 28 0, 24 0,16 0,12 0, 07 0, 036 0, 013]T .
O sinal de entrada colorido e obtido a partir de um processo AR descrito por

unitria e = 0,5. Novamente, o algoritmo utilizado o LMS com valores de passo de
adaptao determinados de maneira similar ao Exemplo 4.2.3.1. Os valores obtidos para
max , nesse caso, so: max = 0, 01 para o filtro AFIR, max = 0, 009 para o AIFIR,
1max = 2 max = 0, 008 para o filtro CFAIFIR e 1max = 2 max = 0, 006 para o filtro FAIFIR.
As curvas de EQM obtidas so apresentadas na Figura 4.6, de onde novamente se observa
o melhor desempenho dos filtros CFAIFIR e FAIFIR em relao ao AIFIR. Outra vez, o
uso de passos de adaptao iguais para os filtros CFAIFIR e FAIFIR ( = max / 5 com
1max = 2max = 0, 006) leva a um desempenho bastante prximo para ambas as estruturas, o
que pode ser observado na Figura 4.7. Com isso, verifica-se que a implementao com
simplificaes do filtro IFIR inteiramente adaptativo (FAIFIR) a melhor opo em
aplicaes prticas em comparao com a implementao sem simplificaes (CFAIFIR)
106
tanto devido ao alto custo computacional desta ltima quanto ao desempenho similar entre
ambas.
10
0

-10
EQM (dB)
-20
-30
AIFIR
FAIFIR
-40
-50
AFIR
CFAIFIR
-60
-70
1000
2000
3000
4000
5000
6000
7000
8000
Iteraes
100 realizaes).
10
0

-10
EQM (dB)
-20
-30
CFAIFIR
AIFIR
-40
-50
FAIFIR
AFIR
-60
-70
1000
2000
3000
4000
5000
6000
7000
8000
Iteraes
100 realizaes).
107
Exemplo 4.2.3.3: A planta deste exemplo a mesma do Exemplo 4.2.3.1 e o sinal de

entrada branco e gaussiano com varincia unitria. Agora, o algoritmo utilizado o
NLMS com = 1 = 2 = 0,5 e = 1 = 2 = 106. Os resultados de simulao obtidos
esto mostrados na Figura 4.8. A partir desta figura observa-se que o desempenho dos
filtros CFAIFIR e FAIFIR foi novamente melhor do que o do filtro AIFIR. Ainda, o filtro
FAIFIR apresentou uma convergncia mais lenta do que o filtro CFAIFIR, o que
conseqncia das simplificaes adotadas. Um desempenho similar entre as estruturas
CFAIFIR e FAIFIR obtido modificando os parmetros de controle. Por exemplo, usando
= 1 = 2 = 0,5 e = 1 = 2 = 1, as curvas apresentadas na Figura 4.9 so obtidas.
Adicionalmente, modificando os parmetros para = 1 = 2 = 0, 25 e = 1 = 2 = 106
os resultados da Figura 4.10 so obtidos. A partir desses resultados, observa-se que existe a
necessidade de um maior cuidado na escolha dos parmetros para que a implementao
simplificada do filtro IFIR inteiramente adaptativo (FAIFIR) apresente um desempenho
similar ao da verso sem simplificaes (CFAIFIR), destacando-se ainda que o alto custo
em termos de complexidade computacional limita o uso da implementao sem
simplificaes em aplicaes prticas.
20
10

EQM (dB)
-10
-20
AIFIR
FAIFIR
-30
-40
CFAIFIR
-50
AFIR
-60
-70
200
400
600
800
1000
Iteraes
100 realizaes).
20
10
108

0
EQM (dB)
-10
AIFIR
-20
FAIFIR
-30
-40
CFAIFIR
-50
AFIR
-60
-70
200
400
600
800
1000
Iteraes
100 realizaes).
20
10

EQM (dB)
-10
AIFIR
-20
FAIFIR
-30
-40
CFAIFIR
-50
AFIR
-60
-70
200
400
600
800
1000
Iteraes
100 realizaes).
109
4.3 Filtros IFIR Inteiramente Adaptativos sem Efeito de Borda

A partir dos resultados apresentados na seo anterior, constata-se que os filtros
IFIR inteiramente adaptativos em geral apresentam um desempenho em regime
permanente superior ao dos filtros IFIR adaptativos com interpoladores fixos. No entanto,
fatores como o efeito de borda limitam o desempenho dos filtros IFIR inteiramente
adaptativos, restringindo assim a sua aplicao. Outros fatores que tambm dificultam a
aplicao de tais filtros so intrnsecos s estruturas FIR em cascata adaptativas: maior
complexidade computacional; necessidade de inicializao dos vetores de coeficientes com
valores diferentes de zero; e necessidade de monitoramento dos vetores de coeficientes
para evitar que um deles assuma valores muito pequenos e o outro valores muito grandes.
Nesse contexto, a implementao com a remoo do efeito de borda dos filtros IFIR
inteiramente adaptativos descrita nesta seo. Adicionalmente, explorando algumas
caractersticas particulares da implementao sem efeito de borda, uma estratgia para
eliminao de alguns problemas de implementao associadas adaptao da estrutura em
cascata apresentada. Dessa forma, novas e eficientes estratgias de implementao dos
filtros IFIR inteiramente adaptativos so discutidas [65]-[66].
4.3.1 Remoo do Efeito de Borda em Filtros IFIR Inteiramente Adaptativos

Levando-se em conta que, no caso dos filtros IFIR inteiramente adaptativos, o
algoritmo adaptativo realiza a otimizao dos coeficientes tanto do interpolador quanto do
filtro esparso com o objetivo de minimizar do erro quadrtico mdio, comum supor que
tal minimizao seja capaz de tratar automaticamente o efeito de borda. De fato, uma
reduo parcial de tal efeito observada, porm custa de certa perda de desempenho no
processo de recriao dos coeficientes. Nesse contexto, uma anlise cuidadosa dos vetores
de coeficientes equivalentes leva a concluses bastante promissoras. bem conhecido que
quanto maior a correlao entre coeficientes, melhor sero os resultados obtidos atravs do
processo de interpolao [5], [56]. Por outro lado, reescrevendo (3.14) como
w i = g 2 0 + g 0 w0 g1w0 g 2 w0 + g 0 w2 g1w2 g 2 w2 + g 0 w4 g1w4 g 2 w4 + g 0 0
(4.61)
torna-se evidente que os valores dos coeficientes relativos ao efeito de borda (sublinhados)
envolvem supostos coeficientes iguais a zero que antecedem e sucedem, respectivamente,
o primeiro e o ltimo coeficiente do filtro esparso. Essa caracterstica tambm verificada
em filtros interpolados com outros valores de fator de interpolao L , o que pode ser
110
observado, por exemplo, para L = 3 a partir de (3.17). Assim, temos um efeito

correspondente existncia de dois coeficientes iguais a zero que usualmente no so
correlacionados com os demais, resultando em uma degradao de desempenho devido ao
processo de interpolao. Tal problema eliminado removendo o efeito de borda conforme
descrito na Seo 3.5, o que resulta no seguinte vetor de coeficientes equivalente para o
caso de (4.61):
T
wi = g1w0 g 2 w0 + g 0 w2 g1w2 g 2 w2 + g 0 w4 g1w4 .
(4.62)
Outro aspecto importante, observado em (4.61) e (4.62), o papel do coeficiente central do

interpolador, que aparece no vetor equivalente como um fator multiplicativo em relao
aos coeficientes do filtro esparso. Assim, observa-se a sua funo de reproduzir os
coeficientes do filtro esparso no filtro equivalente, sem qualquer influncia nos demais
coeficientes recriados. Como conseqncia, possvel, por exemplo, fixar o valor desse
coeficiente igual a 1 sem qualquer perda de generalidade da estrutura equivalente. Tal
abordagem resolve alguns dos problemas associados ao processo adaptativo em cascata
uma vez que elimina a necessidade de inicializao dos coeficientes com valores diferentes
de zero e tambm o risco de o interpolador possuir coeficientes com valores muito grandes
e o filtro esparso coeficientes com valores pequenos ou vice-versa. No entanto, o uso de
um interpolador com o coeficiente central fixado em 1 no interessante no caso do filtro
IFIR convencional sem remoo do efeito de borda. Isso pode ser observado considerando
uma situao na qual o sistema a ser modelado por um filtro IFIR, cujo vetor de
coeficientes equivalente dado por (4.61), apresenta o primeiro coeficiente com um valor
maior do que o valor do segundo coeficiente. Nesse caso, o valor de w0 em (4.61) ser
aumentado durante o processo adaptativo para tentar se ajustar ao valor do primeiro
coeficiente e, como g1 = 1 , no ser possvel realizar uma compensao apropriada do
valor do segundo coeficiente. No caso da implementao com remoo do efeito de borda,
esse problema no ocorre e o uso do coeficiente central do interpolador igual a 1 torna-se
vantajoso. Por outro lado, a fixao do valor de um dos coeficientes do interpolador pode
afetar a convergncia, tornando-a geralmente mais lenta, visto que os graus de liberdade do
processo de otimizao realizado pelo algoritmo adaptativo so reduzidos.
111

Considerando o filtro IFIR implementado utilizando o procedimento de remoo do
efeito de borda, descrito na Seo 3.5, e a adaptao da estrutura FIR em cascata,
possvel reescrever (4.10) como
e(n) = d (n) w sT (n)G T (n)TT x(n)
= d (n) g T (n) WsT (n)TT x(n).
(4.63)
Realizando um procedimento similar ao da Seo 4.1.1, obtm-se as seguintes expresses

para adaptao do filtro IFIR com efeito de borda removido usando o algoritmo LMS:
g(n + 1) = g(n) + 21e(n) WsT (n)TT x(n)
(4.64)
w s (n + 1) = P w s (n) + 2 2 e(n)G T (n)TT x(n)
(4.65)
com a matriz P dada por (3.118). Adotando aproximaes anlogas s adotadas na seo
anterior, as seguintes expresses simplificadas so obtidas:
g(n + 1) = g(n) + 21e(n)x (n)
(4.66)
w s (n + 1) = Pw s (n) + 2 2 e(n)Px(n).
(4.67)
importante ressaltar que (4.66) e (4.67) so vlidas para adaptao tanto do filtro IFIR
com interpolador na entrada quanto com interpolador na sada, sendo que, conforme
descrito anteriormente, esta ltima implementao de maior interesse considerando o
custo computacional envolvido. Conforme mencionado anteriormente, a implementao do
filtro IFIR inteiramente adaptativo com o valor do coeficiente central do interpolador
fixado em 1 apresenta algumas vantagens prticas. Nesse caso, a expresso de adaptao
desenvolvida de forma similar a (4.38), porm considerando agora as restries descritas
por
ciT g (n + 1) = fi
(4.68)
com
ci = [0
L 1 elementos
0]T
(4.69)
L 1 elementos
e fi = 1 uma vez que o coeficiente que sofre restrio (coeficiente central do interpolador)
tem seu valor fixado em 1. Ento, efetuando um desenvolvimento similar ao realizado para
obteno de (3.117) e (4.38), a seguinte expresso para adaptao do interpolador obtida:
g(n + 1) = Pi g(n) + 21e(n)Pi WsT (n)TT x(n) + ci
112
(4.70)
com Pi = I ciciT de forma similar a (3.118). Adotando as aproximaes consideradas para

obteno de (4.66), obtm-se
g(n + 1) = Pi g(n) + 21e(n)Pi x (n) + ci .
(4.71)
Analisando (4.71) e considerando as estruturas de Pi e ci , observa-se que tal expresso

corresponde adaptao de todos os coeficientes de g(n) exceo do coeficiente central,
que tem seu valor fixado em 1.
4.3.3 Adaptao usando o Algoritmo NLMS

Para o caso do algoritmo NLMS, de forma anloga a (4.46) e (4.58) as seguintes
expresses so obtidas:
g(n + 1) = g(n) +
1
2
W (n)T x(n) + 1
T
s
e(n) WsT (n)TT x(n)
(4.72)
w s (n + 1) = Pw s (n) +
2
2
PG (n)T x(n) + 2
T
e(n)PG T (n)TT x(n).
(4.73)
Ainda, de forma anloga a (4.59) e (4.60), as seguintes expresses so obtidas

considerando as aproximaes descritas anteriormente:
g(n + 1) = g(n) +
x (n) + 1
2
e(n)x (n)
(4.74)
w s (n + 1) = Pw s (n) +
Px(n) + 2
2
e(n)Px(n).
(4.75)
A expresso para adaptao do interpolador com coeficiente central fixado em 1 obtida

de forma anloga a (4.58) e (4.73), ou seja, minimizando a norma euclidiana de
g(n + 1) = g (n + 1) g(n)
(4.76)
g(n + 1) WsT (n)TT x(n) = d (n)
(4.77)
sujeito s restries descritas por
e (4.68). Assim, a funo custo dada por

J i (n) = g (n + 1) + 1i (n) d (n) g (n + 1) WsT (n)TT x(n) + 2i (n) ciT g (n + 1) fi . (4.78)
2
113
com 1i (n) e 2i (n) representando multiplicadores de Lagrange escalares. Calculando o

gradiente de (4.78) com respeito a g( n + 1), igualando a expresso resultante a zero e
isolando g(n + 1), obtm-se
1
1
g(n + 1) = g(n) + 1i (n) WsT (n)TT x(n) 2i (n)ci .
2
2
(4.79)
Substituindo (4.79) em (4.68), considerando ciT ci = 1 e isolando 2i (n), obtm-se

1
2i (n) = 2ciT g(n) + 1i (n) WsT (n)TT x(n) + ci .

2
(4.80)
Agora, substituindo (4.80) em (4.79), aplicando a expresso resultante em (4.77) e isolando

1i (n), obtm-se
1i (n) =
2 d (n) g T (n)Pi WsT (n)TT x(n) ciT WsT (n)TT x(n)
Pi WsT (n)TT x(n)
(4.81)
Note que, nesse caso, g T (n + 1) no igual a g T (n + 1)Pi pois esse produto resulta em zerar
o coeficiente central de g(n + 1), sendo que o valor de tal coeficiente igual a 1. No
entanto, tem-se g T (n + 1) = g T (n + 1)Pi + ci visto que ci um vetor com o elemento
correspondente ao coeficiente central de g (n + 1) igual a 1. Assim, (4.81) pode ser escrita
como
1i (n) =
2 d (n) g T (n) WsT (n)TT x(n)
Pi WsT (n)TT x(n)
2e(n)
Pi WsT (n)TT x(n)
(4.82)
Agora, substituindo (4.80) e (4.82) em (4.79), a seguinte expresso para adaptao do

interpolador com coeficiente central fixado em 1 obtida. Assim,
g(n + 1) = Pi g(n) +
1
2
Pi WsT (n)TT x(n) + 1
e(n)Pi WsT (n)TT x(n) + ci .
(4.83)
Adotando as aproximaes previamente discutidas, a partir de (4.83), a seguinte expresso

obtida:
g(n + 1) = Pi g(n) +
Pi x (n) + 1
2
e(n)Pi x (n) + ci .
(4.84)
importante ressaltar que as expresses acima so vlidas para adaptao tanto do

filtro IFIR com interpolador na entrada quanto o filtro IFIR com interpolador na sada.
Com vistas complexidade computacional, as caractersticas descritas na seo anterior
114
tambm so vlidas para os filtros IFIR com remoo do efeito de borda. Assim, a
estrutura inteiramente adaptativa de menor complexidade obtida utilizando a estrutura
IFIR com interpolador na sada.
4.3.4 Simulaes
Com o objetivo de avaliar o desempenho dos filtros IFIR inteiramente adaptativos
sem efeito de borda, alguns resultados de simulao so apresentados nesta seo. Todas as
implementaes de filtros IFIR inteiramente adaptativos utilizadas so realizadas com as
expresses simplificadas, visto que tais implementaes so as mais indicadas para
aplicaes prticas. So considerados problemas de identificao de sistemas [1] e o
desempenho dos diferentes filtros so avaliados em funo do erro quadrtico mdio
(EQM). Os filtros adaptativos utilizados nas simulaes so os seguintes: FIR adaptativo
convencional (AFIR); IFIR adaptativo com interpolador fixo (AIFIR); IFIR adaptativo sem
efeito de borda (ABIFIR); IFIR inteiramente adaptativo [FAIFIR, equaes (4.42) e (4.43)
para o LMS e (4.59) e (4.60) para o NLMS]; IFIR inteiramente adaptativo sem efeito de
borda [FABIFIR, equaes (4.66) e (4.67) para o LMS e (4.74) e (4.75) para o NLMS]; e
IFIR inteiramente adaptativo sem efeito de borda modificado com coeficiente central do
interpolador fixado em 1 [MFABIFIR, equaes (4.71) e (4.67) para o LMS e (4.84) e
(4.75) para o NLMS]. importante ressaltar que as duas diferentes implementaes do
filtro IFIR inteiramente adaptativo sem efeito de borda (FABIFIR e MFABIFIR) so
consideradas nas simulaes para comparao de desempenho. Para todos os casos, o rudo
de medio gaussiano, adicionado a d (n) , apresenta varincia v2 = 108 (SNR = 80 dB) .
O fator de interpolao utilizado para os filtros IFIR adaptativos e inteiramente adaptativos
L = 2 em todos os exemplos, com o interpolador fixo do filtro AIFIR dado por
g = [0,5 1, 0 0,5]T e o interpolador varivel dos filtros FAIFIR, FABIFIR e MFABIFIR

inicializado com g(0) = [0 1 0]T .
Exemplo 4.3.4.1: A planta a ser identificada neste exemplo apresenta uma resposta ao
impulso exponencial decrescente e tamanho de memria N = 11 , conforme ilustrado na
Figura 4.11. O sinal de entrada branco gaussiano com varincia unitria. Os filtros
adaptativos so adaptados usando o algoritmo LMS com = 1 = 2 = 0,5 max , onde max
o valor mximo de para o qual o algoritmo ainda estvel (obtido
experimentalmente). Os resultados obtidos so apresentados na Figura 4.12, a partir da
115
qual se verifica o excelente desempenho em regime permanente (EQM idntico ao nvel do

rudo) dos filtros FABIFIR e MFABIFIR. Ainda, importante observar que o filtro
MFABIFIR apresenta uma melhor taxa de convergncia do que o FABIFIR, ilustrando a
efetividade da implementao com o valor do coeficiente central do interpolador fixado em
1.
1
wp ( n)
0.8
0.6
0.4
0.2
0
10
Figura 4.11. Resposta ao impulso da planta para o Exemplo 4.3.4.1.
10
AIFIR
0
-10
EQM (dB)
-20
ABIFIR
-30
-40
FAIFIR
MFABIFIR
-50
FABIFIR
-60
-70
AFIR
-80
-90
500
1000
1500
2000
2500
Iteraes
100 realizaes).
Exemplo 4.3.4.2: Para este exemplo, a planta a ser identificada apresenta novamente uma
resposta ao impulso exponencial decrescente, porm com tamanho de memria N = 101 ,
conforme ilustrado na Figura 4.13. O sinal de entrada branco gaussiano com varincia
unitria e os filtros adaptativos so novamente adaptados usando o algoritmo LMS com o
116
passo de adaptao escolhido de maneira similar ao exemplo anterior. Na Figura 4.14, os

resultados obtidos so apresentados. A partir dessa figura, novamente se observa o
excelente desempenho dos filtros FABIFIR e MFABIFIR tanto com relao ao valor do
EQM de regime permanente quanto taxa de convergncia. Ainda, importante ressaltar
que, nesse caso, o filtro FABIFIR o que apresenta a melhor taxa de convergncia.
wp ( n)
0.8
0.6
0.4
0.2
0
20
40
60
80
100
10
AIFIR
0
-10
EQM (dB)
-20
-30
ABIFIR
-40
-50
FABIFIR
-60
FAIFIR
AFIR
-70
MFABIFIR
-80
-90
15000
30000
Iteraes
100 realizaes).
117
Exemplo 4.3.4.3: Neste exemplo, a planta apresenta tamanho de memria N = 71 e a

resposta ao impulso ilustrada na Figura 4.15. O sinal de entrada branco gaussiano com
varincia unitria. Os filtros adaptativos so adaptados usando o algoritmo NLMS. Os
resultados obtidos com os parmetros do NLMS = 1 = 2 = 0,5 e = 1 = 2 = 1 so
mostrados na Figura 4.12. A partir dessa figura, novamente verifica-se o excelente
desempenho dos filtros IFIR inteiramente adaptativos sem efeito de borda (FABIFIR e
MFABIFIR). Ainda, observa-se que, devido ao valor elevado do passo de adaptao tanto
o filtro FABIFIR quanto o FAIFIR apresentam uma maior oscilao na fase transitria,
enquanto o filtro MFABIFIR mostra um melhor desempenho. Dessa forma, verifica-se a
efetividade da implementao com o valor do coeficiente central do interpolador fixado em
1, agora, para o caso do algoritmo NLMS. Modificando os parmetros do algoritmo NLMS
para = 1 = 2 = 0, 25 e = 1 = 2 = 1 , observa-se um comportamento na fase
transitria menos instvel dos filtros FAIFIR e FABIFIR, e novamente o excelente
desempenho do filtro MFABIFIR.
wp ( n )
0.5
-0.5
10
20
30
40
50
60
70
118
10
0
-10
-20
FAIFIR
EQM (dB)
ABIFIR
AIFIR
-30
-40
-50
AFIR
-60
FABIFIR
-70
MFABIFIR
-80
-90
1000
2000
3000
4000
5000
6000
Iteraes
100 realizaes) com = 1 = 2 = 0,5 e = 1 = 2 = 1.
10
AIFIR
0
-10
EQM (dB)
-20
FAIFIR
ABIFIR
-30
-40
-50
-60
FABIFIR
-70
MFABIFIR
AFIR
-80
0
2000
4000
6000
8000
10000
Iteraes
100 realizaes) com = 1 = 2 = 0, 25 e = 1 = 2 = 1.
119
Exemplo 4.3.4.4: A planta deste exemplo a mesma do exemplo anterior. O sinal de

entrada
colorido
obtido
partir
de
um
processo
AR
dado
por

unitria e = 0,5. O algoritmo adaptativo utilizado o NLMS com 1 = 0, 25, 2 = 0,5 e
1 = 2 = 1 para os filtros FAIFIR, FABIFIR e MFABIFIR; ainda, = 0,5 e = 1 para
os demais filtros. Os resultados obtidos esto apresentados na Figura 4.18, de onde se
observa novamente o excelente desempenho das implementaes inteiramente adaptativas
sem efeito de borda (FABIFIR e MFABIFIR), com ligeira vantagem para a implementao
com coeficiente central do interpolador com valor fixado em 1 (MFABIFIR).
10
AIFIR
0
-10
EQM (dB)
-20
-30
ABIFIR
FAIFIR
-40
-50
AFIR
-60
FABIFIR
MFABIFIR
-70
-80
-90
10000
20000
Iteraes
100 realizaes).
Exemplo 4.3.4.5: Para este exemplo, a planta apresenta a resposta ao impulso ilustrada na
Figura 4.19 ( N = 101) . Observe que agora os coeficientes da borda da planta so iguais a
zero. O sinal de entrada branco gaussiano com varincia unitria. O algoritmo adaptativo
o NLMS com 1 = 0,1, 2 = 0,5 e 1 = 2 = 10 para os filtros FAIFIR, FABIFIR e
MFABIFIR e = 0,5 e = 1 para os filtros AIFIR e ABIFIR. Os resultados obtidos so
mostrados na Figura 4.20, de onde se observa que, mesmo nesse caso em que o efeito de
borda no importante, o desempenho os filtros FABIFIR e MFABIFIR so os que
apresentam o melhor desempenho.
120
wp ( n)
1
0.5
0
-0.5
20
40
60
80
100
10
5
0
EQM (dB)
-5
-10
-15
-20
AIFIR
ABIFIR
FAIFIR
-25
-30
MFABIFIR
-35
-40
FABIFIR
500
1000
1500
2000
2500
3000
3500
4000
Iteraes
100 realizaes).
4.4 Filtros Volterra Interpolados Inteiramente Adaptativos

De forma anloga aos filtros IFIR adaptativos, uma escolha inapropriada dos
coeficientes do interpolador em filtros Volterra interpolados adaptativos tambm pode
levar a considerveis perdas de desempenho. Nesse contexto, o uso de estratgias
inteiramente adaptativas para implementao de tais filtros torna-se bastante interessante.
No entanto, as dificuldades para implementao dos filtros Volterra inteiramente
adaptativos so maiores por se tratarem de estruturas em cascata no-lineares em que o
desenvolvimento das expresses de atualizao torna-se mais complexo. Com o objetivo
121
de lidar com tais dificuldades, na primeira parte desta seo uma nova abordagem para
descrever a relao de entrada e sada do filtro Volterra interpolado apresentada. Tal
abordagem torna possvel o desenvolvimento da expresso de atualizao para os
coeficientes do interpolador, permitindo, com isso, a derivao do algoritmo LMS para a
adaptao completa do filtro Volterra interpolado [67]. Adicionalmente, uma estratgia
mista, usando o algoritmo LMS para adaptao do interpolador e o NLMS para adaptao
do filtro esparso, proposta, visando obter um algoritmo com melhor taxa de convergncia
como tambm baixo custo computacional [68]. Finalmente, implementaes com remoo
do efeito de borda so discutidas e resultados de simulao so apresentados para verificar
o desempenho dos algoritmos propostos.
4.4.1 Sobre a Relao de Entrada e Sada do Filtro Volterra Interpolado

Considerando a estrutura do filtro Volterra interpolado apresentada na Figura 3.3, o
sinal de sada do interpolador pode ser escrito como
x(n) = xTM (n)g
(4.85)
com
x M (n) = [ x(n) x(n 1) x(n 2)
x(n M + 1) ] .
T
(4.86)
A partir de (4.85) e (4.86) e definindo a matriz de entrada de primeira ordem como
X1 (n) = [x M (n) x M (n 1)
x M (n N + 1)]
(4.87)
o vetor de entrada interpolado de primeira ordem do filtro Volterra interpolado [equao

(3.21)] obtido da seguinte maneira:
x1 (n) = X1T (n)g .
(4.88)
Assim, a sada do bloco esparso de primeira ordem [equao (3.23)] pode ser reescrita
como
y1 (n) = x1T (n)h1s = g T X1 (n)h1s .
(4.89)
Conforme apresentado na Seo 3.3.1, os vetores de entrada para os demais blocos so

obtidos recursivamente fazendo
x p (n) = x1 (n) x p 1 (n) .
(4.90)
Considerando (4.88), (4.90) e a regra do produto cruzado de Kronecker (mixed-product
rule [6]), o vetor de entrada interpolado do bloco esparso de segunda ordem pode ser ento
escrito como
x 2 (n) = X1T (n)g X1T (n)g = X1T (n) X1T (n) [ g g ] = XT2 (n)g 2
122
(4.91)
com g 2 = g g e X 2 (n) = X1 (n) X1 (n). A partir de (4.91), a sada do bloco de segunda

ordem [Equao (3.28)] pode ser expressa como
y 2 (n) = g T2 X 2 (n)h 2s .
(4.92)
Generalizando, a sada do bloco esparso de ordem p da estrutura interpolada dada por

y p (n) = g Tp X p (n)h ps
(4.93)
g p = g g p1
(4.94)
X p (n) = X1 (n) X p 1 (n).
(4.95)
com
Assim, possvel reescrever (3.18) como
x V (n) = [g T X1 (n) g T2 X 2 (n)
g TP X P (n)]T
(4.96)
e considerando que o vetor de coeficientes
h Vs = [h1sT h T2s
h TPs ]T
(4.97)
a sada do filtro Volterra interpolado dada por

P
y (n) = y p (n) = x TV (n)h Vs .
(4.98)
p =1
importante observar que (4.98) corresponde representao convencional da relao de

entrada e sada do filtro Volterra (Seo 2.2.2). No caso da representao triangular,
comumente utilizada para fins de implementao, tem-se a relao de entrada e sada dada
por
y (n) = xVT (n)h Vs
(4.99)
sendo, devido equivalncia entre as representaes, possvel escrever

P
y (n) = y p (n) = x TV (n)h Vs = xVT (n)h Vs .
(4.100)
p =1
Adicionalmente, conforme apresentado na Seo 3.3.2.2, o filtro Volterra interpolado pode

ser implementado na forma parcialmente interpolada na qual a esparsidade e interpolao
so utilizadas apenas nos blocos no-lineares. Para esse caso, a sada do filtro dada por
P
T
(n)h VPs
y (n) = y1 (n) + y p (n) = xVP
p=2
(4.101)
123
onde
y1 (n) = x1T (n)h1
(4.102)
a sada do bloco de primeira ordem convencional sem interpolao e h VPs e xVP (n) so
dados por (3.33) e (3.34), respectivamente.

A partir de (4.98), o sinal de erro do algoritmo LMS para o filtro Volterra
interpolado inteiramente adaptativo escrito como
P
e(n) = d (n) y (n) = d (n) y p (n) = d (n) xVT (n)h Vs
(4.103)
p =1
onde d (n) representa o sinal a ser estimado pelo filtro adaptativo. A equao para
adaptao do filtro esparso obtida de maneira similar apresentada na Seo 3.6.2.
Assim, a funo custo dada por
JhVs (n) = e 2 (n) + T (n)[CT h Vs (n) f ]
(4.104)
o que resulta na seguinte equao de adaptao:

h Vs (n + 1) = P [ h Vs (n) + 2 V e(n) xV (n) ]
(4.105)
com a matriz P dada por (3.118). Note que, de forma anloga ao clculo de x (n) e x(n)
descrito na Seo 4.2.1, o vetor xV (n) deve ser completamente calculado a cada iterao
devido natureza agora variante no tempo do interpolador. Isso implica, por exemplo, a
impossibilidade da implementao do clculo do vetor x1 (n) como uma linha de atrasos, o
que comumente realizado. No entanto, assumindo uma variao lenta dos coeficientes e
adotando aproximaes similares s descritas na Seo 4.2 para os filtros IFIR
inteiramente adaptativos [ver (4.39), (4.40) e (4.41)], uma verso aproximada de xV (n) ,
denotada por xV (n) , pode ser obtida com substancial reduo de custo computacional.
Assim, a seguinte expresso para adaptao do filtro esparso determinada:
h Vs (n + 1) = P h Vs (n) + 2 V e(n) xV (n) .
(4.106)
Fazendo um desenvolvimento anlogo ao realizado para obteno de (4.106), a seguinte

expresso para a adaptao do filtro Volterra parcialmente interpolado usando o algoritmo
LMS determinada:
h VPs (n + 1) = P h VPs (n) + 2 V e(n) xPV (n)
(4.107)
124
onde xPV (n) a verso de xPV (n) implementada com aproximaes. importante
ressaltar ainda que existem diferenas na estrutura da matriz P em (4.106) e (4.107)
devido s diferenas existentes entre os vetores esparsos e, conseqentemente, entre as
matrizes de restries dos filtros interpolado e parcialmente interpolado.
De forma similar ao desenvolvimento apresentado na Seo 4.1.1, a adaptao do
filtro interpolador realizada da seguinte maneira:
g (n + 1) = g (n) i g e 2 (n)
(4.108)
onde i o passo de adaptao. A partir de (4.103) e considerando a regra da cadeia para

o clculo de derivadas, obtm-se
e 2 (n) e 2 (n) e(n)
.
g e ( n) =
=
g (n)
e(n) g (n)
2
(4.109)
O clculo do primeiro termo do lado direito de (4.109) resulta em

e 2 (n)
= 2e ( n )
e(n)
(4.110)
enquanto o segundo termo pode ser escrito como

P y
(n)
e(n)
y (n)
=
= p
.
g(n)
g(n)
p =1 g ( n)
(4.111)
O primeiro elemento do somatrio em (4.111) obtido considerando (4.89) e as regras de

diferenciao vetorial descritas em [23]. Assim,
y1 (n) g T (n)
X1 (n)h1s (n) = X1 (n)h1s (n).
=
g (n)
g (n)
(4.112)
De maneira geral, considerando [23], a partir de (4.93) e (4.94), obtm-se

y p (n)
g(n)
g Tp (n)
g (n)
X p (n)h ps (n)
(4.113)
com
g Tp (n)
g(n)
= IM g
T
p 1
( n) + g ( n)
T
g Tp 1 (n)
g(n)
(4.114)
onde I M uma matriz identidade com dimenso M M . Considerando agora (4.95),

(4.114) e a regra do produto cruzado de Kronecker [6], (4.113) pode ser reescrita como
g T (n)
= X1 (n) x Tp 1 (n) + x1T (n) p 1 X p 1 (n) h ps (n).
g(n)
g (n)
y p (n)
(4.115)
125
A partir de (4.115), o gradiente do sinal de sada do bloco de segunda ordem com respeito
a g ( n)
y 2 (n)
= [ X1 (n) x1T (n) + x1T (n) X1 (n)]h 2s (n).
g (n)
(4.116)
Devido caracterstica de simetria de h 2s [ h2 ( j , k ) = h2 (k , j ) para qualquer valor de j e k

em (3.27)], verifica-se que [ X1 (n) x1T (n)] h 2s (n) = [x1T (n) X1 (n)] h 2s (n) e tambm que
(4.116) pode ser reescrita como
y 2 (n)
= 2[ X1 (n) x1T (n)]h 2s (n).
g (n)
(4.117)
A caracterstica de simetria tambm observada nos outros blocos no lineares, resultando

em expresses similares. Assim, a expresso generalizada para o gradiente do sinal de
sada de um bloco de ordem p em relao a g(n) dada por
y p (n)
g (n)
= p[ X1 (n) x Tp 1 (n)]h ps (n)
(4.118)
o que permite reescrever (4.111) como

P
e(n)
= p[ X1 (n) x Tp 1 (n)]h ps (n).
g (n)
p =1
(4.119)
Finalmente, a partir de (4.108), (4.109), (4.110) e (4.119), a seguinte expresso para

adaptao dos coeficientes do interpolador da estrutura Volterra interpolada obtida:
P
g (n + 1) = g (n) + 2i e(n) p[ X1 (n) x Tp 1 (n)]h ps (n)
(4.120)
p =1
com x 0 = 1. Note que, uma vez que o interpolador variante no tempo, x p 1 (n) deve ser
inteiramente determinado a cada iterao, resultando em um alto custo computacional [por
exemplo, x1 (n) no pode ser implementado como uma linha de atrasos]. No entanto, para
reduzir a complexidade computacional, uma aproximao similar adotada para calcular
xV (n) em (4.106) aqui considerada, resultando em

P
g (n + 1) = g (n) + 2i e(n) p[ X1 (n) x Tp 1 (n)]h ps (n).
(4.121)
p =1
Para o caso da implementao parcialmente interpolada, tem-se a relao de entrada e

sada dada por (4.101) e como
y1 (n) x1T (n)h1
=
=0
g (n)
g (n)
(4.122)
126
a expresso para adaptao do interpolador se torna

P
g (n + 1) = g (n) + 2i e(n) p[ X1 (n) x Tp 1 (n)]h ps (n).
(4.123)
p =2
Uma caracterstica importante das equaes de atualizao dos coeficientes

desenvolvidas nesta seo o fato de a expresso para adaptao dos coeficientes do
interpolador [(4.121) ou (4.123)] apresentar o vetor de entrada interpolado e o vetor de
coeficientes esparso na representao Volterra convencional (Seo 2.2.2), enquanto tais
vetores na expresso para adaptao do filtro esparso [(4.106) ou (4.107)] so os da
representao triangular (Seo 2.2.5). Essa caracterstica exige alguns cuidados para fins
de implementao, no implicando, contudo, um aumento significativo de complexidade
computacional.
4.4.3 Algoritmo LMS-NLMS

Uma outra forma de implementar filtros Volterra interpolados inteiramente
adaptativos usando o algoritmo NLMS para adaptao do filtro esparso e o LMS para
adaptao do interpolador. Dessa forma, possvel obter algoritmos de fcil
implementao, com carga computacional relativamente baixa e, ainda, apresentando taxas
de convergncia substancialmente melhores do que as obtidas usando apenas o algoritmo
LMS. Assim, (4.121) a expresso utilizada para a adaptao dos coeficientes do
interpolador no caso da implementao interpolada enquanto (4.123) a utilizada para o
caso da implementao parcialmente interpolada. A expresso para a adaptao do filtro
esparso, usando o algoritmo NLMS, obtida a partir da otimizao da norma euclidiana de
h Vs (n + 1) = h Vs (n + 1) h Vs (n)
(4.124)
sujeita s seguintes restries:
xVT (n)h Vs (n) = d (n)
(4.125)
CT h Vs (n + 1) = f .
(4.126)
Adotando um procedimento similar ao apresentado na Seo 4.2.2 para os filtros IFIR

inteiramente adaptativos, obtm-se
h Vs (n + 1) = Ph Vs (n) +
PxV (n) + V
2
e(n)PxV (n)
(4.127)
127
onde V e V so as constantes de controle do algoritmo NLMS. Considerando

aproximaes similares s adotadas para o desenvolvimento de (4.106), a seguinte equao
de atualizao dos coeficientes do filtro esparso obtida:
h Vs (n + 1) = Ph Vs (n) +
V
2
PxV (n) + V
e(n)PxV (n).
(4.128)
De forma anloga, para a implementao parcialmente interpolada tem-se
h VPs (n + 1) = Ph VPs (n) +
V
2
PxVP (n) + V
e(n)PxVP (n).
(4.129)
4.4.4 Remoo do Efeito de Borda

A implementao de filtros Volterra interpolados adotando o procedimento de
remoo do efeito de borda produz considerveis ganhos de desempenho conforme
discutido na Seo 3.5 deste trabalho. Tal procedimento implementado substituindo o
vetor de entrada do filtro Volterra esparso da estrutura Volterra interpolada por sua verso
modificada obtida a partir de (3.95). Assim, as expresses para adaptao do filtro esparso
podem ser derivadas diretamente a partir dos resultados das sees anteriores com
modificao apenas no vetor de entrada do filtro esparso. Portanto, temos, para adaptao
do filtro esparso da estrutura Volterra interpolada, a expresso do algoritmo LMS dada por
h Vs (n + 1) = P h Vs (n) + 2 V e(n) xV (n)
(4.130)
e a expresso do algoritmo NLMS por
h Vs (n + 1) = Ph Vs (n) +
V
2
PxV (n) + V
e(n)PxV (n).
(4.131)
Para o caso da estrutura parcialmente interpolada, tem-se

(n)
h VPs (n + 1) = P h VPs (n) + 2 V e(n) xVP
(4.132)
para o LMS e
h VPs (n + 1) = Ph VPs (n) +
V
2
( n) + V
PxVP
( n)
e(n)PxVP
(4.133)
para o NLMS.
O desenvolvimento da expresso de adaptao para o interpolador mais complexo
e feito de forma similar ao que foi apresentado na Seo 4.4.2. Assim, preciso obter uma
representao da relao de entrada e sada de cada bloco do filtro Volterra interpolado
128
sem efeito de borda anloga a (4.93). Analisando (3.81), observa-se que tal expresso pode
ser reescrita como
x1 (n) = X1T (n)g
(4.134)
onde X1 (n) uma matriz de Hankel no-quadrada [21] com dimenso M N , primeira
coluna dada por
X1T (n)
= [0
primeira coluna
0 x(n) x(n 1)
x(n M + L)]T
(4.135)
L 1
e ltima linha dada por
X1T (n)
= [ x(n M + L)
x(n N + 1) 0
0] .
(4.136)
L 1
ltima linha
Os vetores (4.135) e (4.136) definem completamente X1 (n), visto que uma matriz de
Hankel uma matriz com elementos iguais ao longo de qualquer diagonal com inclinao
de sudoeste para nordeste [21]. Exemplificando, para um caso onde L = 2, M = 3 e
N = 5, tem-se
x ( n)
x( n 1) x(n 2) x(n 3)
0
x(n 1) x(n 2) x(n 3) x(n 4) .

X1 (n) = x(n)
x( n 1) x( n 2) x(n 3) x(n 4)
0
(4.137)
A partir de (4.134), o sinal de sada do bloco de primeira ordem de um filtro Volterra

interpolado sem efeito de borda dado por
y1 (n) = g T X1 (n)h1s .
(4.138)
Considerando (3.86) e (3.89), o sinal de sada do bloco de segunda ordem pode ser escrito
como
y 2 (n) = x2T (n)h 2s = [g T X1 (n) g T X1 (n)] h 2s
= (g T g T ) [ X1 (n) X1 (n) ] h 2s = g T2 X2 (n)h 2s

com g 2 = g g e X2 (n) = X1 (n) X1 (n) . Generalizando, tem-se
com
(4.139)
y p (n) = g Tp Xp (n)h ps
(4.140)
g p = g g p1
(4.141)
Xp (n) = X1 (n) Xp 1 (n).
(4.142)
129
Considerando as definies acima, um desenvolvimento similar ao da Seo 4.4.2 pode ser

obtido, resultando na expresso para adaptao dos coeficientes do interpolador do filtro
Volterra interpolado sem efeito de borda. Assim,
P
g (n + 1) = g (n) + 2i e(n) p[ X1 (n) xpT1 (n)]h ps (n).
(4.143)
p =1
No caso do filtro Volterra parcialmente interpolado, a adaptao do interpolador dada por

P
g (n + 1) = g (n) + 2i e(n) p[ X1 (n) xpT1 (n)]h ps (n).
(4.144)
p =2
Os filtros Volterra interpolados inteiramente adaptativos tambm podem ser

implementados com o valor do coeficiente central do interpolador fixado em 1 de maneira
similar ao procedimento apresentado na Seo 4.3 para os filtros IFIR inteiramente
adaptativos. O desenvolvimento da expresso adaptativa nesse caso feita a partir da
seguinte funo custo:
J i (n) = e 2 (n) + iT (n) ciT g(n) f i
(4.145)
com ci dado por (4.69) e fi = 1. Fazendo um desenvolvimento similar aos apresentados

nas Sees 4.3 e 4.4.2, a seguinte expresso obtida para adaptao do interpolador do
filtro Volterra interpolado:
P
g (n + 1) = Pi g (n) + 2i e(n) p Pi [ X1 (n) x Tp 1 (n)]h ps (n) + ci
(4.146)
p =1
com Pi = I M ciciT . Ainda, para o caso do filtro Volterra parcialmente interpolado, (4.146)
torna-se
P
g (n + 1) = Pi g (n) + 2i e(n) p Pi [ X1 (n) x Tp 1 (n)]h ps (n) + ci .
(4.147)
p =2
4.4.5 Algoritmos e Complexidade Computacional

Os diversos algoritmos para implementao de filtros Volterra interpolados
inteiramente adaptativos descritos nas Sees 4.4.2, 4.4.3 e 4.4.4 esto enumerados na
Tabela 4-1. De maneira geral, o algoritmo que possui as melhores caractersticas dentre os
indicados em tal tabela a implementao parcialmente interpolada sem efeito de borda
com coeficiente central do interpolador fixado em 1, identificada por XII na tabela. Isso
ocorre visto que tal implementao incorpora a maioria dos aperfeioamentos descritos nas
sees anteriores. No entanto, por se tratar de uma implementao usando os algoritmos
130
LMS e NLMS, o seu custo computacional um tanto mais alto do que o das
implementaes usando o algoritmo LMS e tambm mais alto do que o das
implementaes interpoladas adaptativas com interpolador fixo. Para efeito de
comparao, a Figura 4.21 apresenta curvas do nmero de operaes por amostra em
funo do tamanho de memria requerido para implementao de verses de 2 ordem com
L = 2 dos algoritmos indicados por I e XII na Tabela 4-1, como tambm para
implementaes do filtro Volterra convencional adaptadas pelos algoritmos LMS e NLMS
e, ainda, para o filtro Volterra interpolado adaptado pelo LMS (Seo 3.3). A
complexidade computacional das demais implementaes inteiramente adaptativas
prxima das implementaes I e XII cujas curvas esto apresentadas na Figura 4.21.
Nessa figura, observa-se que o custo computacional das abordagens inteiramente
adaptativas maior do que o da abordagem com interpolador fixo. Porm, tal custo ainda
muito menor do que o custo das implementaes convencionais do filtro Volterra.
Tabela 4-1. Algoritmos para a implementao de

filtros Volterra interpolados inteiramente adaptativos apresentados na Seo 4.4
Expresses de Atualizao
Estruturas Inteiramente Adaptativas
Filtro Esparso
Interpolador
Algoritmo LMS
I
Filtro Volterra interpolado
(4.106)
(4.121)
II
Filtro Volterra interpolado sem efeito de borda
(4.130)
(4.143)
III
Filtro Volterra interpolado sem efeito de borda modificado
(4.130)
(4.146)
IV
Filtro Volterra parcialmente interpolado
(4.107)
(4.123)
Filtro Volterra parc. interpolado sem efeito de borda
(4.131)
(4.144)
(4.131)
(4.147)
VI
Filtro Volterra parc. interp. sem efeito de borda modificado

Algoritmo LMS-NLMS
VII
Filtro Volterra interpolado
(4.128)
(4.121)
VIII
Filtro Volterra interpolado sem efeito de borda
(4.131)
(4.143)
IX
Filtro Volterra interpolado sem efeito de borda modificado
(4.131)
(4.146)
Filtro Volterra parcialmente interpolado
(4.129)
(4.123)
XI
Filtro Volterra parc. interpolado sem efeito de borda
(4.133)
(4.144)
(4.133)
(4.147)
XII
1
Filtro Volterra parc. interp. sem efeito de borda modificado
implementaes com coeficiente central do interpolador fixado em 1.
x 10
Operaes por Amostra
131
Volterra NLM S
5
Volterra LM S
4
XII
3
I
2
Volterra Interpolado LM S
1
0
50
100
150
Tamanho da Memria
Figura 4.21. Complexidade computacional para diferentes implementaes adaptativas

de filtros Volterra.
4.4.6 Simulaes
Nesta seo, resultados de simulao so apresentados com o objetivo de verificar o
desempenho e as caractersticas das implementaes inteiramente adaptativas dos filtros
Volterra interpolados. Nos exemplos descritos a seguir, problemas de identificao de
sistemas [1] so considerados e o desempenho dos diferentes algoritmos avaliado em
funo das curvas do erro quadrtico mdio (EQM) obtidas por simulao de Monte Carlo
(mdia de 100 realizaes). Os filtros adaptativos utilizados nas simulaes so filtro
Volterra adaptado pelo algoritmo LMS (Volterra-LMS), filtro Volterra adaptado pelo
NLMS (Volterra-NLMS), filtro Volterra parcialmente interpolado adaptado pelo LMS
(APIV-LMS, Seo 3.3) e, ainda, as implementaes dos filtros Volterra parcialmente
interpoladas e inteiramente adaptativas indicadas na Tabela 4-1 por IV, V, VI, X, XII e
XII. So consideradas apenas implementaes parcialmente interpoladas devido ao seu
melhor desempenho em comparao com as abordagens inteiramente interpoladas. Para
todos os casos, o rudo de medio gaussiano, adicionado a d (n) , apresenta varincia
v2 = 106 (SNR = 60 dB) . O fator de interpolao utilizado para todos os filtros
interpolados L = 2 , com o interpolador fixo do filtro APIV-LMS dado por
g = [0,5 1, 0 0,5]T e o interpolador varivel dos demais filtros interpolados inicializado

com g(0) = [0,5 1, 0 0,5]T . Para os filtros Volterra-LMS e APIV-LMS, o passo de
132
adaptao escolhido = max / 2 ( max o valor mximo do passo de adaptao que

ainda garante a convergncia do algoritmo, obtido experimentalmente). Para o filtro
Volterra-NLMS os parmetros de controle so
= 0,5
= 106.
Para as
implementaes interpoladas inteiramente adaptativas que usam o algoritmo LMS (I, II e

III) adota-se V = i = max / 2 ( max obtido experimentalmente com ambos os passos de
adaptao iguais), enquanto para as implementaes usando a combinao LMS-NLMS
tem-se V = 0,5 , V = 10 e i = max / 2 ( max obtido experimentalmente).
Exemplo 4.4.6.1: Neste exemplo, a planta de segunda ordem com tamanho de memria
N = 11 e coeficientes representados pelas curvas da Figura 3.9. Na Figura 4.22 so
apresentadas as curvas de EQM obtidas com as implementaes adaptadas pelo algoritmo

LMS submetidas a um sinal branco gaussiano de entrada com varincia unitria. Dessa
figura, observa-se o excelente desempenho das implementaes interpoladas inteiramente
adaptativas, com destaque para as implementaes sem efeito de borda (V e VI). Na Figura
4.23 esto apresentados resultados tambm obtidos com sinal de entrada branco gaussiano
com varincia unitria, porm para as implementaes que utilizam os algoritmos NLMS e
LMS-NLMS (Volterra-NLMS, X, XI e XII). Novamente o excelente desempenho das
estruturas inteiramente adaptativas parcialmente interpoladas sem efeito de borda
verificado, sendo que agora tem-se uma convergncia mais rpida do que a do filtro
Volterra convencional adaptado pelo algoritmo NLMS com um custo computacional bem
mais reduzido (veja Figura 4.21). Ainda, resultados obtidos com um sinal de entrada
colorido e as implementaes adaptadas pelo NLMS esto apresentados na Figura 4.24. O
sinal
colorido
obtido
partir
de
um
processo
AR
descrito
por
x(n) = x(n 1) + 1 2 u (n), onde u (n) um sinal branco gaussiano com varincia
unitria e = 0,5. Novamente timos resultados so obtidos especialmente pelas
implementaes inteiramente adaptativas sem efeito de borda.
133
0
-10
APIV-LM S
EQM (dB)
-20
IV
-30
-40
V
-50
-60
VI
Volterra-LM S
0
10000
20000
Iteraes
branco de entrada (mdia de 100 realizaes).
0
-10
EQM (dB)
-20
X
-30
XII
-40
-50
Volterra-NLM S
XI
-60
0
2500
5000
Iteraes
134
0
X
-10
EQM (dB)
-20
-30
XII
-40
Volterra-NLM S
-50
-60
XI
-70
0
3000
6000
Iteraes
colorido de entrada (mdia de 100 realizaes).
Exemplo 4.4.6.2: A planta para este exemplo a apresentada na Figura 3.15. Os resultados
obtidos com um sinal branco gaussiano de varincia unitria e as implementaes que
usam o algoritmo LMS esto apresentados na Figura 4.25. Observe que agora as
implementaes interpoladas inteiramente adaptativas apresentam um desempenho em
regime permanente mais prximo do desempenho do filtro APIV-LMS, que possui um
interpolador fixo. A razo disso a caracterstica da planta, que possui coeficientes
pequenos nas bordas e compatibilidade com uma implementao interpolada com
interpolador linear g = [0,5 1, 0 0,5]T . Como regra geral, as implementaes interpoladas
inteiramente adaptativas apresentam um desempenho em regime permanente pelo menos
igual ao das implementaes interpoladas adaptativas com interpoladores fixos, sendo mais
prximos do desempenho dos filtros Volterra convencionais em funo das caractersticas
da planta. Na Figura 4.26 esto apresentados os resultados das implementaes que
utilizam o algoritmo NLMS para um sinal de entrada branco gaussiano com varincia
unitria, enquanto na Figura 4.27 tem-se os resultados das mesmas implementaes para
um sinal de entrada colorido obtido de forma similar ao sinal colorido do exemplo anterior.
Novamente o bom desempenho dos algoritmos propostos verificado, com destaque para a
implementao XII sem efeito de borda modificada.
135
5
0
-5
-10
EQM (dB)
IV
-15
APIV-LM S
-20
-25
-30
VI
-35
-40
-45
Volterra-LM S
0
4000
8000
Iteraes
5
0
-5
-10
EQM (dB)
-15
-20
-25
-30
-35
-40
XI
XII
Volterra-NLM S
-45
-50
2500
5000
Iteraes
136
0
-10
X
XI
EQM (dB)
-20
-30
-40
XII
Volterra-NLM S
-50
-60
0
3000
6000
Iteraes
colorido de entrada (mdia de 100 realizaes).
4.5 Consideraes
Este captulo foi dedicado implementao inteiramente adaptativa dos filtros IFIR
e Volterra interpolados. O objetivo foi desenvolver implementaes interpoladas mais
eficientes nas quais a escolha dos coeficientes do interpolador no tenha grande influncia
no desempenho em regime permanente do filtro. Como resultado, foram apresentadas
diversas abordagens originais para implementao dos filtros interpolados inteiramente
adaptativos aliando baixo custo computacional com importantes ganhos de desempenho
[59]-[60], [65]-[68]. Resultados de simulao permitiram verificar o bom desempenho das
estruturas interpoladas inteiramente adaptativas, atestando assim o seu grande potencial de
aplicao.
CAPTULO
5
Aplicaes em Cancelamento de Eco de Linha
Um problema recorrente em comunicaes atravs de linhas telefnicas a

presena de sinais de eco que, no caso de comunicao de voz em grandes distncias
(comunicao via satlite, por exemplo), podem resultar em desconforto e prejuzos para a
fluncia das conversaes. Alm disso, o eco tem um impacto bastante negativo no
desempenho de sistemas de voz sobre IP (VoIP) [69] como tambm em sistemas que
recorrem de tecnologia de reconhecimento de fala [70], os quais tm se popularizado
significativamente nos ltimos anos. Alm das comunicaes via voz, as transmisses de
dados atravs de linhas telefnicas tambm so afetadas pela presena de eco [71]. Tal
problema ganhou maior importncia nas ltimas dcadas com a difuso dos sistemas DSL
(digital subscriber line [72]) e a conseqente transmisso de dados a taxas elevadas pela
rede telefnica. Nesse contexto, a utilizao de sistemas de cancelamento de eco torna-se
indispensvel para garantir comunicaes confiveis e de boa qualidade.
Os ecos encontrados em sistemas telefnicos so classificados como eco de linha e
eco acstico. O primeiro oriundo principalmente do descasamento de impedncia na
converso de quatro para dois fios realizada pela hbrida [1], enquanto o segundo tem
origem em sistemas de viva-voz, produzindo um indesejvel acoplamento acstico entre o
alto-falante e o microfone do aparelho telefnico [1]. Cada tipo de eco possui
caractersticas especficas, causando diferentes impactos sobre as comunicaes
telefnicas. Em comum, ambos apresentam respostas relativamente longas [1] e, com certa
freqncia, constatada a presena de elementos no-lineares (alto-falantes ou hbridas,
por exemplo) provocando distores no caminho do eco [53], [71], [73]. Considerando que
os sistemas de cancelamento de eco constituem-se de filtros que devem se ajustar s
condies do sistema, clara a necessidade de se utilizar filtros adaptativos lineares e
no-lineares exibindo um grande nmero de coeficientes que dificulta sobremaneira sua
implementao.
Neste captulo, o problema de cancelamento de eco de linha em comunicaes
telefnicas abordado. De maneira geral, canceladores de eco baseados em
Captulo 5 Aplicaes em Cancelamento de Eco de Linha
138
implementaes interpoladas de filtros FIR e filtros Volterra so aqui desenvolvidos

visando obter solues com bom desempenho e baixo custo computacional. Assim, o
problema de cancelamento de eco de linha em sistemas DSL inicialmente tratado,
seguido pelo cancelamento de eco de linha linear e no-linear em comunicaes de voz.
5.1 Filtros FIR-IFIR sem Efeito de Borda para o Cancelamento de Eco

de Linha em Sistemas DSL
A reposta ao impulso de eco tpica encontrada em sistemas DSL possui uma poro
inicial curta e com variaes rpidas e uma parte final longa e que varia lentamente
denominada cauda [74]-[75]. Um exemplo de resposta desse tipo ilustrado na Figura 5.1.
Geralmente, filtros FIR adaptativos so utilizados para cancelamento de eco em sistemas
DSL. Porm, como as respostas ao impulso de eco so usualmente muito longas, o filtro
FIR utilizado para o cancelamento de eco possui tipicamente centenas de coeficientes [75].
Dessa forma, a complexidade computacional do cancelador de eco torna-se muito elevada,
podendo inviabilizar sua implementao.
he ( n)
Figura 5.1. Resposta ao impulso de eco tpica de uma hbrida em sistemas DSL.
Para reduzir a carga computacional dos canceladores de eco em sistemas DSL,
abordagens baseadas em estruturas hbridas FIR-IFIR vm sendo consideradas com
sucesso [74]-[75]. A proposta, em tais abordagens, usar um filtro FIR adaptativo para o
cancelamento do eco associado parte inicial da resposta ao impulso de eco e um filtro
IFIR adaptativo para o cancelamento do eco associado parte final. Trata-se de uma
estratgia interessante, visto que a parte final da resposta ao impulso de eco tpica de
sistemas DSL apresenta variaes lentas, conforme mostrado na Figura 5.1. Essa
caracterstica particular implica um maior grau de correlao entre amostras prximas e/ou
vizinhas, permitindo uma modelagem eficiente com o uso de um filtro IFIR. O diagrama
139
de blocos de uma estrutura FIR-IFIR mostrado na Figura 5.2, onde w h representa um

filtro FIR, w t , um filtro IFIR e z D , um atraso de D amostras.
x( n )
wh
zD
y( n)
+
wt
Figura 5.2. Estrutura de blocos do cancelador de eco FIR-IFIR.

A abordagem FIR-IFIR foi originalmente proposta em [74], sendo que, em tal
trabalho, apenas o cancelamento do eco relacionado parte final da resposta ao impulso de
eco, realizado pelo filtro IFIR, discutido. No entanto, as dificuldades decorrentes da
associao dos filtros FIR e IFIR em paralelo para a sntese do cancelador de eco no so
discutidas em [74]. A principal dificuldade est relacionada ao efeito de borda oriundo da
operao de convoluo entre o interpolador e o filtro esparso que compem a estrutura de
um filtro IFIR. Conforme descrito anteriormente, os valores dos coeficientes da estrutura
equivalente de um filtro IFIR correspondentes ao efeito de borda so funes dos valores
do primeiro ou do ltimo coeficiente do filtro esparso e dos coeficientes do interpolador
[ver (4.61)]. Assim, quando interpoladores lineares so utilizados, a resposta ao impulso
equivalente de um filtro IFIR apresenta uma forma de rampa em seu incio e seu final [75].
Como conseqncia, a associao do filtro FIR com o filtro IFIR, conforme sugerido em
[74], conduzir a uma resposta ao impulso na forma ilustrada na Figura 5.3. Nessa figura,
observa-se uma importante diferena entre a resposta ao impulso de eco a ser modelada
(curva em cinza) e a obtida com os filtros FIR (linha pontilhada) e IFIR (linha tracejada), o
que leva a uma significativa degradao de desempenho do cancelador de eco FIR-IFIR.
he (n)
FIR
IFIR
Figura 5.3. Resposta ao impulso do filtro FIR-IFIR proposto em [74].

Uma estratgia para mitigar o impacto da distoro causada pelo efeito de borda no
desempenho do filtro FIR-IFIR proposta em [75]. Tal estratgia, ilustrada na Figura 5.4,
140
consiste em aumentar o tamanho de memria do filtro FIR e impor uma superposio de

parte de sua resposta ao impulso com a parte inicial da resposta do filtro IFIR
correspondente ao efeito de borda. Assim, alguns coeficientes do filtro FIR so utilizados
com o objetivo de compensar a distoro causada pelo efeito de borda do filtro IFIR.
Apesar do bom desempenho obtido com a superposio das respostas ao impulso dos
filtros FIR e IFIR, um aumento de complexidade computacional verificado em
conseqncia do aumento no tamanho de memria do filtro FIR. Alm disso, observa-se, a
partir dos resultados apresentados em [75], o uso de interpoladores com tamanhos de
memria estendido de forma a garantir um desempenho satisfatrio do algoritmo. Por
exemplo, para os casos apresentados em [75], nos quais o fator de interpolao L = 4,
um interpolador com 23 coeficientes foi utilizado, enquanto usualmente 7 coeficientes
seriam necessrios [ver (3.15)]. Esse aumento do tamanho de memria do interpolador
tambm implica aumento de carga computacional. Adicionalmente, em [75], menciona-se
que uma reduo na velocidade de convergncia do algoritmo adaptativo verificada em
conseqncia da superposio das respostas ao impulso dos filtros FIR e IFIR. Tal reduo
amenizada fixando em zero alguns dos coeficientes do filtro FIR na regio de sua
resposta ao impulso onde ocorre a superposio com a resposta do filtro IFIR [75].
he ( n)
FIR
IFIR
Figura 5.4. Resposta ao impulso do filtro FIR-IFIR proposto em [75].

Contribuindo neste contexto, uma nova abordagem para o cancelamento de eco em
sistemas DSL apresentada a seguir. A idia central aqui implementar o filtro IFIR da
estrutura FIR-IFIR usando a implementao IFIR com remoo de efeito de borda (BIFIR
- Seo 3.5). Tal abordagem, denominada FIR-BIFIR, permite eliminar a distoro causada
pelo efeito de borda sem a necessidade da superposio dos coeficientes dos filtros FIR e
IFIR, conforme ilustrado na Figura 5.5. Como conseqncia, obtm-se um cancelador de
eco para sistemas DSL com menor custo computacional e tambm com melhor
desempenho.
141
he (n)
FIR
IFIR sem borda
Figura 5.5. Resposta ao impulso da abordagem FIR-BIFIR proposta neste trabalho.
5.1.1 Abordagem FIR-BIFIR

O diagrama de blocos do filtro FIR-BIFIR idntico ao do filtro FIR-IFIR
mostrado na Figura 5.2. O filtro FIR w h possui tamanho de memria igual ao atraso de D
amostras. Assim, seu vetor de coeficientes dado por
w h = [ wh (0) wh (1) wh (2)
wh ( D 1)]T
(5.1)
e o vetor de entrada correspondente por
x h (n) = [ x(n) x(n 1) x(n 2)
x(n D + 1)]T
(5.2)
o que resulta na seguinte relao de entrada e sada:
yh (n) = w Th x h (n).
(5.3)
Conforme mencionado anteriormente, a principal diferena entre as estruturas FIR-IFIR e

FIR-BIFIR est na forma de implementao do filtro IFIR w t . No caso da abordagem
FIR-BIFIR, w t implementado com a remoo do efeito de borda proposta na Seo 3.5.
Assim, o vetor de coeficientes esparso escrito como
w t = {wt (0) 0
wt ( L) 0
wt (2 L) 0
wt [( N ts 1) L] 0
0}T
(5.4)
onde N ts = [( N D 1) L] + 1 denota o nmero de coeficientes diferentes de zero em (5.4)

e L , o fator de interpolao (ou esparsidade). O vetor de entrada interpolado do filtro
esparso ento dado por
xt (n) = G T TT x t (n).
(5.5)
Em (5.5), G e T so, respectivamente, as matrizes de interpolao e de transformao

definidas no Captulo 3 e o vetor de entrada x t (n) dado por
x t (n) = [ x(n D) x(n D 1) x(n D 2)
x(n N + 1)]T .
(5.6)
142
Assim, a relao de entrada e sada do filtro BIFIR pode ser escrita como
yt (n) = w Tt xt (n).
(5.7)
Finalmente, considerando o algoritmo LMS para adaptao dos coeficientes, tem-se
w h (n) = w h (n 1) + 2 h e(n)x h (n)
(5.8)
w t (n) = P [ w t (n 1) + 2 t e(n)xt (n) ]
(5.9)
onde h e t so os passos de adaptao, P uma matriz de projeo similar a (3.118), e
e ( n ) = d ( n ) y ( n ) = d ( n ) yh ( n ) y t ( n )
(5.10)
o sinal de erro.

A complexidade computacional requerida para implementao do filtro FIR-BIFIR
adaptado pelo algoritmo LMS, descrita em termos do nmero de operaes por amostra,
apresentada na Tabela 5-1. Com o objetivo de comparar a carga computacional da
abordagem FIR-BIFIR com quela requerida pela estrutura FIR-IFIR de [75], a
implementao utilizada para obter os resultados de simulao apresentados em [75] aqui
considerada. Assim, tem-se uma estrutura FIR-IFIR com N = 250, L = 4, D = 31, um
filtro FIR com 50 coeficientes e um interpolador com 23 coeficientes. No caso da estrutura
FIR-BIFIR, tem-se N = 250, L = 4 e D = 31, o que resulta em um filtro FIR com D
coeficientes e um interpolador com M = 7 coeficientes. A Tabela 5-2 apresenta, para o
caso descrito, uma comparao da carga computacional requerida para o filtro FIR
convencional, o filtro FIR-IFIR de [74], o filtro FIR-IFIR de [75] e o FIR-BIFIR proposto.
A partir dessa tabela, observa-se que as abordagens FIR-IFIR e FIR-BIFIR apresentam
complexidade computacional muito inferior do filtro FIR adaptativo. Adicionalmente,
constata-se que a abordagem FIR-BIFIR proposta exibe complexidade computacional
similar do FIR-IFIR de [74] e uma reduo de 18,5 % de complexidade em relao do
filtro FIR-IFIR de [75].
143
Tabela 5-1. Nmero de operaes por amostra

requerido para implementao do filtro FIR-BIFIR
Multiplicaes
Somas
Filtro FIR
Filtragem Adaptao
D
D
D 1
Filtro BIFIR
Filtragem
Adaptao
M + N ts + L 1
N ts
M + N ts + L 3
N ts
Tabela 5-2. Comparao de complexidade computacional entre diferentes

implementaes de filtros FIR, FIR-IFIR e FIR-BIFIR com N = 250, L = 4 e D = 31
FIR convencional
FIR-IFIR [74]
FIR-IFIR [75]
FIR-BIFIR (proposto)
Operaes por
amostra
999
355
443
361
Percentuais
relativos
100%
35,5%
44,3%
36,1%
100%
81,5%
5.1.3 Resultados de Simulao

Com o objetivo de avaliar o desempenho do filtro FIR-BIFIR em comparao com
outras implementaes FIR-IFIR, nesta seo, so apresentados alguns resultados de
simulao. Os diferentes filtros so aplicados a um problema de cancelamento de eco cuja
resposta ao impulso, ilustrada na Figura 5.6, possui caractersticas similares s respostas
consideradas em [75]. Os tamanhos de memria, fatores de esparsidade e valores de atraso
considerados so os mesmos utilizados para a comparao de complexidade descrita na
seo anterior. O desempenho avaliado em termos da medida ERLE (echo return loss
enhancement) definida como

ERLE = 10 log10
E[d 2 (n)]
E[e 2 (n)]
(5.11)
onde d ( n ) o sinal de retorno com eco e e(n), o sinal com o eco cancelado. As curvas de
ERLE foram obtidas por simulao de Monte Carlo (mdia de 100 realizaes). De forma
similar a [75], o sinal de entrada um sinal codificado em 16-PAM com distribuio
uniforme de probabilidade entre seus diferentes nveis de sinal.
144
0.1
wp (k )
0.05
0
-0.05
-0.1
-0.15
0
50
100
150
200
250
Figura 5.6. Resposta ao impulso de eco tpica de um sistema de comunicao DSL.
Os resultados de simulao obtidos so apresentados na Figura 5.7. A Figura 5.7(a)

mostra os resultados obtidos com as trs implementaes consideradas utilizando a
estratgia descrita em [75] para escolha do passo de adaptao. Dessa forma, o intervalo
total de adaptao de 12.000 amostras dividido em cinco estgios e a cada estgio o
passo de adaptao reduzido metade, sendo o valor inicial de tal passo igual a um valor
crtico crit que garante a estabilidade do algoritmo (obtido experimentalmente). Ainda, a
Figura 5.7(b) apresenta os resultados de simulao obtidos mantendo os passos de
adaptao iguais a crit ao longo de todo o processo adaptativo, enquanto a Figura 5.7(c)
apresenta os resultados obtidos usando um valor de passo para o filtro FIR e outro valor
diferente para o filtro interpolado das estruturas FIR-IFIR e FIR-BIFIR. A partir desses
resultados, observa-se que, independente da estratgia de escolha do passo de adaptao
utilizada, o algoritmo FIR-BIFIR proposto apresenta um desempenho superior ao das
demais implementaes FIR-IFIR tanto com vistas ao valor mximo de ERLE quanto em
relao taxa de convergncia.
145
80
ERLE
60
FIR-BIFIR
40
FIR-IFIR [75]
20
FIR-IFIR [74]
0
2000
4000
6000
8000
10000
12000
Iteraes
(a)
80
FIR-BIFIR
ERLE
60
FIR-IFIR [75]
40
20
FIR-IFIR [74]
0
10000
20000
Iteraes
(b)
80
FIR-BIFIR
ERLE
60
FIR-IFIR [75]
40
20
FIR-IFIR [74]
0
2000
4000
6000
8000
10000
12000
Iteraes
(c)
Figura 5.7. Curvas de ERLE (mdia de 100 realizaes).
5.2 Cancelamento de Eco Linear de Linha em Comunicaes de Voz

De acordo com a recomendao G.168 da International Telecommunication Union
(ITU) [76], a forma mais comum encontrada de resposta ao impulso de eco em redes
telefnicas da Amrica do Norte a resposta m 5 (k ) ilustrada na Figura 5.8. Observa-se,
nessa figura, que m 5 (k ) apresenta uma parte inicial (indicada por A) onde a resposta
praticamente nula (atraso do eco), seguida de uma parte com variaes rpidas (indicada
por B) e uma parte final (indicada por C) na qual a resposta varia suavemente. Uma
146
resposta desse tipo tambm verificada em uma simulao com sinais adquiridos por um
adaptador de telefonia analgica (ATA) para redes VoIP. A resposta, apresentada na
Figura 5.9, mostra um comprimento do atraso inicial de eco praticamente nulo como
principal diferena com relao resposta apresentada na Figura 5.8. Essa caracterstica
bastante comum em aplicaes envolvendo dispositivos ATA devido ao menor
comprimento das linhas de transmisso envolvidas. Como conseqncia, os filtros
FIR-BIFIR podem ser uma boa opo para implementao de canceladores de eco em tais
aplicaes, uma vez que as caractersticas das respostas ao impulso so similares s
encontradas em sistemas DSL (descritas na Seo 5.1). Por outro lado, ao contrrio dos
casos envolvendo transmisses de dados nos quais o sinal de entrada praticamente
estacionrio e existe uma fase de treinamento para o cancelador de eco [75], nos casos de
comunicaes de voz so requeridos algoritmos adaptativos mais robustos a variaes das
estatsticas e da potncia do sinal de entrada. Assim, para esses casos, o algoritmo NLMS
uma melhor opo do que o algoritmo LMS.
A aplicao do filtro FIR-BIFIR ao problema de cancelamento de eco de linha em
comunicaes de voz avaliada nesta seo. Com esse objetivo, a implementao de tal
filtro usando o NLMS como algoritmo adaptativo inicialmente discutida, sendo sua
aplicao focada ao cancelamento de eco em ATAs para redes VoIP, a qual avaliada a
seguir atravs de simulaes realizadas com sinais obtidos atravs de aquisies reais.
x 10
m5 (k )
2
0
-2
-4
20
40
60
80
Figura 5.8. Resposta ao impulso de eco tpica de redes telefnicas de acordo com a
recomendao G.168 da ITU [76].
147
hp ( k )
0.2
0
-0.2
-0.4
20
40
60
80
Figura 5.9. Resposta ao impulso de eco obtida em uma simulao com sinais reais.
5.2.1 Adaptao do Filtro FIR-BIFIR usando o Algoritmo NLMS

As expresses para a adaptao da estrutura FIR-BIFIR (Seo 5.1.1) usando o
algoritmo NLMS so obtidas adotando uma abordagem similar apresentada na
Seo 4.2.2. Assim, obtm-se
w h (n) = w h (n 1) +
x h (n) + Pxt (n) +

2
e( n ) x h ( n )
(5.12)
e(n)Pxt (n)
(5.13)
w t (n) = Pw t (n 1) +
x h (n) + Pxt (n) +

2
onde e so os parmetros de controle do algoritmo NLMS, P uma matriz de

projeo similar a (3.118) e e(n), o sinal de erro dado por (5.10).
A complexidade computacional requerida para implementao do filtro FIR-BIFIR
adaptado pelo algoritmo NLMS igual complexidade requerida para implementao
usando o algoritmo LMS (Tabela 5-1) acrescida da complexidade necessria para o clculo
do termo de normalizao x h (n) + Pxt (n) + . A comparao de tal complexidade
2
com a de um filtro FIR convencional e a de um filtro IFIR apresentada na prxima seo

no contexto de um problema real de cancelamento de eco de linha em comunicaes de
voz.
5.2.2 Resultados de Simulao com Sinais de Aquisies Reais

Para avaliar o desempenho do filtro FIR-BIFIR aplicado a um problema real de
cancelamento de eco, so apresentados, nesta seo, alguns resultados de simulao
considerando 3 aquisies de conversas telefnicas em um dispositivo ATA. Tais
148
aquisies no envolvem situaes de double-talk [77]. Os parmetros do filtro FIR-BIFIR

usados
em
todas
as
simulaes
g = [0, 25 0,5 0, 75 1 0, 75 0,5 0, 25]T .
so
N = 101,
D = 15,
L=4
Para efeito de comparao, tambm so
considerados nas simulaes os seguintes filtros adaptativos: IFIR com tamanho de

memria N = 101 e L = 2; FIR convencional com 101 coeficientes; e FIR convencional
com 15 coeficientes. Este ltimo filtro igual ao filtro FIR da estrutura FIR-BIFIR com
D = 15, o qual includo nas simulaes com o objetivo de verificar o ganho de

desempenho proporcionado pelo filtro BIFIR da estrutura FIR-BIFIR. A comparao entre
os diferentes filtros realizada em termos da medida de ERLE, definida em (5.11). Os
parmetros do algoritmo NLMS utilizados para adaptao de todos os filtros so = 0,5 e
= 0,1. A complexidade computacional requerida para implementao de cada um dos

filtros aqui considerados, exceo do filtro FIR com 15 coeficientes, apresentada na
Tabela 5-3 em termos do nmero de operaes por amostra. A partir dessa tabela
constata-se uma grande reduo de carga computacional obtida com o filtro FIR-BIFIR,
especialmente quando comparada do filtro FIR convencional.
Tabela 5-3. Complexidade computacional requerida em diferentes
implementaes de filtros FIR, FIR-IFIR e FIR-BIFIR com N = 101
FIR convencional
IFIR
FIR-BIFIR (proposto)
Operaes por
amostra
605
310
194
Percentuais
relativos
100%
51,2%
32,1%
100%
62,6%
A Figura 5.10 mostra os resultados obtidos usando os sinais de uma primeira

aquisio de pouco mais de 9 segundos de durao. A partir dessa figura, observa-se que o
filtro FIR-BIFIR apresenta um desempenho muito prximo ao obtido com o filtro FIR
convencional e superior ao do filtro IFIR. Os resultados obtidos com sinais de uma
segunda aquisio, com a mesma durao da primeira, so mostrados na Figura 5.11.
Novamente o desempenho do filtro FIR-BIFIR bastante prximo ao obtido com o filtro
FIR. Ainda, observa-se que no houve diferena substancial entre o desempenho do filtro
FIR-BIFIR e o do filtro IFIR nesse caso. No entanto, importante notar que o filtro IFIR
aqui considerado ( L = 2) possui complexidade computacional superior ao do filtro
FIR-BIFIR. Para efeito de comparao, resultados de simulao considerando o filtro IFIR
com L = 4 so mostrados na Figura 5.12, onde um melhor desempenho do filtro
149
FIR-BIFIR observado. Os resultados obtidos considerando sinais de uma terceira

aquisio, agora de pouco menos de 5 segundos, so mostrados na Figura 5.13.
Novamente, verifica-se que o desempenho do filtro FIR-BIFIR bastante prximo ao do
filtro FIR, sendo ainda superior ao do filtro IFIR. No caso das duas primeiras aquisies, o
nvel de ERLE mximo obtido para todos os filtros aproximadamente 30 dB, enquanto
para a terceira aquisio o nvel de ERLE mximo cerca de 20 dB. Uma anlise mais
minuciosa revelou que essa diferena de desempenho causada pela presena de
distores no-lineares na resposta de eco do ATA utilizado na terceira aquisio. Assim,
verifica-se que, em alguns casos, necessrio utilizar filtros adaptativos no-lineares para
o cancelamento de eco de linha em comunicaes de voz.
FIR
FIR (15 coef.)
IFIR
FIR-BIFIR
30
20
ERLE (dB)
10
0
0
18750
37500
56250
75000
30
20
10
0
37500
Iteraes
Figura 5.10. Curvas de ERLE obtidas usando sinais da primeira aquisio considerada
na Seo 5.2.2.
FIR
FIR (15 coef.)
IFIR
150
FIR-BIFIR
30
20
ERLE (dB)
10
0
0
18750
37500
56250
75000
30
20
10
0
37500
Iteraes
Figura 5.11. Curvas de ERLE obtidas usando sinais da segunda aquisio considerada
na Seo 5.2.2. Filtro IFIR com L = 2.
FIR
FIR (15 coef.)
IFIR
FIR-BIFIR
30
20
ERLE (dB)
10
0
0
18750
37500
56250
75000
30
20
10
0
37500
Iteraes
na Seo 5.2.2. Filtro IFIR com L = 4.
FIR
FIR (15 coef.)
IFIR
151
FIR-BIFIR
30
20
ERLE (dB)
10
0
0
9750
19500
29250
39000
30
20
10
0
19500
Iteraes
Figura 5.13. Curvas de ERLE obtidas usando sinais da terceira aquisio considerada na
Seo 5.2.2.
5.3 Cancelamento de Eco No-Linear de Linha em Comunicaes de

Voz
Em muitos problemas de cancelamento de eco, o uso de canceladores lineares no
suficiente para atender aos requisitos de desempenho devido presena de distores
no-lineares no caminho do eco. Para resolver esse problema, implementaes do filtro
Volterra adaptativo vm sendo utilizadas com sucesso [53], [71], [73]. No entanto, tais
implementaes sofrem importantes restries de aplicao devido ao seu alto custo
computacional. Como conseqncia, diversas estruturas de implementao com
complexidade reduzida vm sendo propostas e aplicadas a problemas de cancelamento de
eco [53], [73]. Nesse contexto, filtros Volterra interpolados surgem como uma alternativa
interessante devido sua reduzida complexidade computacional. Nesta seo,
implementaes adaptativas e inteiramente adaptativas dos filtros Volterra interpolados so
aplicadas ao problema de cancelamento de eco de linha. Adicionalmente, um novo
algoritmo incorporando o filtro FIR-BIFIR estrutura Volterra interpolada inteiramente
adaptativa proposta e avaliada.
152
5.3.1 Uso de Filtros FIR-BIFIR em Estruturas Volterra Interpoladas

Inteiramente Adaptativas
Conforme descrito na Seo 3.3.2.2, uma maneira de melhorar o desempenho de
um filtro Volterra interpolado utilizar a sua implementao parcialmente interpolada, na
qual o bloco de primeira ordem implementado sem o uso de esparsidade e interpolao.
Com isso, o custo computacional de implementao do filtro Volterra interpolado pouco
alterado. No entanto, em algumas aplicaes a diferena de custo computacional entre as
implementaes interpolada e parcialmente interpolada do filtro Volterra pode ser
significativa. Por exemplo, o cancelamento de eco de linha apresentado em [53] realizado
usando um filtro Volterra cujo bloco de primeira ordem possui tamanho de memria
N1 = 100, enquanto o bloco de segunda ordem apresenta tamanho de memria N 2 = 54.

Nesse caso, o uso de uma abordagem interpolada (457 coeficientes) em comparao com o
uso de uma abordagem parcialmente interpolada (506 coeficientes) implica uma diferena
de cerca de 10% no nmero de coeficientes. Uma soluo intermediria entre a abordagem
interpolada e a parcialmente interpolada obtida implementando o bloco de primeira
ordem do filtro Volterra usando o filtro FIR-BIFIR proposto na Seo 5.1.1. Considerando,
ainda, a abordagem Volterra interpolada inteiramente adaptativa (FAIV) para realizao
dos blocos no-lineares, obtm-se a estrutura FIR-BIFIR-FAIV cuja implementao de
segunda ordem mostrada na Figura 5.14.
Bloco de 1 ordem
x( n )
FIR-BIFIR
y( n)
+
Bloco de 2 ordem
FAIV
Figura 5.14. Diagrama de blocos da abordagem FIR-BIFIR-FAIV proposta.
A adaptao do filtro FIR-BIFIR-FAIV feita com base nas expresses
apresentadas na Seo 5.2.1 para o filtro FIR-BIFIR adaptado pelo algoritmo NLMS e nas
expresses para adaptao do filtro Volterra interpolado usando o algoritmo LMS-NLMS
(Seo 4.4.3). Assim, as seguintes expresses so consideradas:
w h (n) = w h (n 1) +
w t (n) = P1w t (n 1) +
e( n ) x h ( n )
q ( n) +
(5.14)
e(n)P1xt (n)
q ( n) +
(5.15)
153
h 2s (n + 1) = P2h 2s (n) +
e(n)P2 x2 (n)
q ( n) +
(5.16)
com o termo de normalizao dado por

2
q (n) = x h (n) + P1xt (n) + P2 x2 (n) .

2
(5.17)
Em (5.14)-(5.16), e so parmetros de controle e P1 e P2 , matrizes de projeo

anlogas a (3.118). Alm destas expresses, tem-se o interpolador da parte FAIV do filtro
FIR-BIFIR-FAIV adaptado usando (4.123). A complexidade computacional requerida para
implementao do filtro FIR-BIFIR-FAIV pode variar bastante em funo dos parmetros
utilizados para sua implementao (fatores de esparsidade, atraso do filtro FIR-BIFIR,
dentre outros). Assim, o clculo de complexidade deve ser realizado para cada caso
especfico considerando o custo computacional de implementao do filtro FIR-BIFIR e do
filtro Volterra interpolado inteiramente adaptativo. A comparao de complexidade entre o
filtro FIR-BIFIR-FAIV e outras implementaes do filtro Volterra discutida na prxima
seo, onde resultados de simulao com sinais reais so apresentados.
5.3.2 Resultados de Simulao com Sinais Reais

Nesta seo, resultados de simulao so apresentados com o objetivo de avaliar o
desempenho de diferentes implementaes interpoladas do filtro Volterra aplicadas ao
cancelamento de eco. De forma similar Seo 5.2.2, os resultados aqui apresentados so
obtidos usando sinais de aquisies reais de conversao telefnica em dispositivos ATA
sem a ocorrncia de situaes de double-talk [76]. Os seguintes filtros adaptativos so
considerados nas simulaes: filtro FIR convencional com N = 101; filtro Volterra
convencional (V) com N1 = 101 (tamanho de memria do bloco de primeira ordem) e
N 2 = 21 (tamanho de memria do bloco de segunda ordem); filtro Volterra parcialmente

interpolado adaptativo (APIV) com N1 = 101 , N 2 = 21 , L = 2 e g = [0,5 1 0,5]T ; filtro
Volterra parcialmente interpolado inteiramente adaptativo (FAPIV) com N1 = 101,
N 2 = 21, L = 2 e g(0) = [0,5 1 0,5]T ; e filtro FIR-BIFIR-FAIV possuindo um bloco de

primeira
ordem
FIR-BIFIR
com
N1 = 101,
D = 15,
L1 = 4
g1 = [0, 25 0,5 0, 75 1 0, 75 0,5 0, 25]T e, ainda, um bloco de segunda ordem FAIV com
154
N 2 = 21, L2 = 2 e g 2 (0) = [0,5 1 0,5]T . Os parmetros do algoritmo NLMS usados para

adaptao dos diferentes filtros so = 0,5 e = 0,1. Alm disso, para o algoritmo LMS
usado na adaptao do interpolador adaptativo dos filtros FAPIV e FIR-BIFIR-FAIV, um
passo de adaptao i = 0,5 utilizado. A complexidade computacional dos diferentes
filtros aqui considerados, em termos do nmero de operaes por amostra, apresentada
na Tabela 5-4. Observa-se, a partir dessa tabela, a importante reduo de complexidade
obtida com o uso do filtro FIR-BIFIR-FAIV, sendo que tal complexidade bastante
inferior requerida pelo filtro Volterra convencional.
Tabela 5-4. Complexidade computacional requerida para implementao dos filtros

utilizados para obter os resultados de simulao apresentados na Seo 5.3.2
Volterra convencional adaptativo (V)

Volterra parc. interpolado adaptativo (APIV)
inteiramente adaptativo (FAPIV)
FIR-BIFIR-FAIV
FIR
Operaes por
amostra
2018
1028
Percentuais
relativos
1207
59,8%
795
609
39,4%
30,2%
100%
50,9%
Os resultados obtidos com sinais de uma primeira aquisio, de pouco mais de 6

segundos, so mostrados na Figura 5.15, onde se observa o bom desempenho tanto do
filtro FAPIV (proposto na Seo 4.4) quando do filtro FIR-BIFIR-FAIV (proposto na
Seo 5.3.1). Em ambos os casos, o desempenho bastante prximo ao do filtro Volterra
convencional, requerendo um custo computacional consideravelmente reduzido conforme
indicado na Tabela 5-4. Na comparao entre o filtro FAPIV e o FIR-BIFIR-FAIV,
observa-se uma pequena vantagem, em termos do desempenho, a favor do filtro FAPIV.
Os resultados obtidos com sinais de uma segunda aquisio, agora de pouco mais de 3
segundos de durao, esto mostrados na Figura 5.16. Novamente, observa-se o bom
desempenho dos filtros FAPIV e FIR-BIFIR-FAIV, sendo que tal desempenho muito
prximo do obtido com o filtro Volterra convencional. Tais resultados atestam a
efetividade e a aplicabilidade das abordagens interpoladas para implementao de filtros
Volterra adaptativos.
FIR
APIV
FAPIV
155
FIR-BIFIR-FAIV
30
20
ERLE (dB)
10
0
0
12500
25000
0
25000
37500
50000
30
20
10
Iteraes
Figura 5.15. Curvas de ERLE obtidas usando sinais da primeira aquisio considerada
na Seo 5.3.2.
FIR
APIV
FAPIV
FIR-BIFIR-FAIV
30
20
ERLE (dB)
10
0
0
6250
12500
18750
25000
30
20
10
0
12500
Iteraes
na Seo 5.3.2.
156
5.4 Consideraes
Neste captulo, o problema de cancelamento de eco de linha para comunicaes de
voz e dados foi discutido. Para tal, abordagens interpoladas para implementao de filtros
FIR e filtros Volterra adaptativos com complexidade reduzida foram consideradas. Como
resultado, observou-se o grande potencial de tais abordagens para a implementao eficaz
de canceladores de eco com complexidade menor do que a de outras estruturas
concorrentes.
CAPTULO
6
Concluses Finais
Neste captulo, as concluses finais deste trabalho de tese so apresentadas.

Inicialmente, uma discusso dos resultados obtidos de cada captulo considerada,
seguindo algumas sugestes para trabalhos futuros e as consideraes finais.
6.1 Sumrio e Discusso dos Resultados

O Captulo 1 deste trabalho dedicado a uma breve apresentao dos filtros
adaptativos e descrio do papel de tais filtros no contexto do processamento digital de
sinais. Adicionalmente, as caractersticas que diferenciam os filtros adaptativos lineares
dos no-lineares so brevemente descritas. O Captulo 1 apresenta, ainda, os objetivos e as
motivaes para o desenvolvimento deste trabalho de pesquisa.
O Captulo 2 iniciado com uma breve descrio histrica do processo de
desenvolvimento do filtro Volterra at suas primeiras aplicaes no contexto adaptativo.
Em seguida, tal filtro apresentado destacando as suas principais caractersticas. Ainda no
Captulo 2, uma anlise estatstica do filtro Volterra adaptado pelo algoritmo LMS
apresentada. Como resultado dessa anlise, expresses de modelagem do vetor de
coeficientes timo, comportamento dos momentos de primeira e segunda ordens, curva de
aprendizagem e desajuste do algoritmo so obtidas. Adicionalmente, uma descrio
detalhada acerca da influncia da matriz de autocorrelao de entrada no comportamento
do filtro apresentada. O modelo obtido a partir de tal anlise a primeira contribuio
original deste trabalho, tendo ainda a vantagem de sua aplicao no sofrer restries
quanto ordem do filtro nem quanto ao modelo probabilstico do sinal de entrada.
O Captulo 3 trata dos filtros Volterra interpolados e das suas implementaes
adaptativas realizadas usando interpoladores fixos e filtros Volterra esparsos adaptativos.
Nesse contexto, os filtros Volterra interpolados so inicialmente apresentados, sua
implementao adaptativa descrita e a complexidade computacional requerida
discutida. Em seguida, como outra contribuio original deste trabalho, uma descrio dos
filtros Volterra interpolados apresentada, permitindo verificar, por exemplo, a maneira
Captulo 6 Concluses Finais
158
como os coeficientes so recriados atravs do processo de interpolao. Outra

caracterstica dos filtros Volterra interpolados, evidenciada a partir de sua descrio
matemtica, o efeito de borda. Tal efeito pode produzir, em muitos casos, uma
importante degradao de desempenho. Para eliminar esse problema, um procedimento
para implementao de filtros Volterra interpolados com remoo do efeito de borda
proposto no Captulo 3. Como resultado, novas implementaes adaptativas de filtros IFIR
e filtros Volterra interpolados so obtidas, apresentando desempenho notavelmente
superior ao das implementaes interpoladas usuais. O Captulo 3 apresenta ainda uma
anlise estatstica dos filtros Volterra interpolados adaptados pelo algoritmo LMS baseada
em uma abordagem com restries. Esse procedimento possibilita o uso do modelo obtido
tambm para a anlise de implementaes esparsas do filtro Volterra. Adicionalmente, tal
modelo no tem sua aplicao limitada pela ordem do filtro nem pelo modelo
probabilstico do sinal de entrada.
O tema central do Captulo 4 so as implementaes inteiramente adaptativas dos
filtros FIR e Volterra interpolados. Em tais implementaes, os filtros dispostos em cascata
que compem a estrutura interpolada (interpolador e filtro esparso) so ambos adaptativos.
A primeira contribuio apresentada no Captulo 4 o desenvolvimento, a partir de uma
abordagem original, de expresses para adaptao de filtros FIR em cascata usando os
algoritmos LMS e NLMS. A abordagem utilizada interessante por facilitar o
desenvolvimento de novas implementaes inteiramente adaptativas dos filtros IFIR como
tambm dos filtros Volterra interpolados. Assim, ainda no Captulo 4, expresses para
adaptao dos filtros IFIR so desenvolvidas associando uma abordagem com restries
com as expresses obtidas para adaptao dos filtros FIR em cascata. Como resultado,
torna-se possvel, a partir do equacionamento obtido, verificar caractersticas do processo
de filtragem IFIR inteiramente adaptativo no descritas em trabalhos anteriores. Outra
importante contribuio apresentada no Captulo 4 o desenvolvimento de
implementaes de filtros IFIR inteiramente adaptativos com remoo do efeito de borda.
Em tais implementaes, os principais problemas que afetam o desempenho dos filtros
IFIR em aplicaes adaptativas so superados, produzindo assim solues com muito bom
desempenho e baixo custo computacional. A parte final do Captulo 4 dedicada s
implementaes
inteiramente
adaptativas
de
filtros
Volterra
interpolados.
desenvolvimento dessas estruturas tornou-se possvel da base terica desenvolvida ao

longo deste trabalho: partindo do estudo e anlise do filtro Volterra adaptativo, passando
159
pela descrio matemtica e remoo do efeito de borda dos filtros Volterra interpolados e
chegando s novas abordagens para implementao inteiramente adaptativa dos filtros FIR
em cascata e filtros IFIR. Como conseqncia de todo esse processo, as implementaes
inteiramente adaptativas de filtros Volterra interpolados obtidas apresentam um custo
computacional de implementao baixo em comparao com o dos filtros Volterra
convencionais aliada a um muito bom desempenho. Assim, tais implementaes
apresentam-se como alternativas interessantes aos filtros Volterra convencionais para
muitas das aplicaes em que limitaes de custo computacional so enfrentadas.
No Captulo 5, as abordagens interpoladas desenvolvidas neste trabalho so
aplicadas a problemas de cancelamento de eco de linha em comunicaes de dados e voz.
O primeiro problema considerado o cancelamento de eco em comunicaes de dados em
sistemas DSL. Para tal, uma nova estrutura FIR-IFIR desenvolvida tendo como base a
implementao com remoo do efeito de borda do filtro IFIR adaptado pelo algoritmo
LMS, que est apresentada no Captulo 3. Essa nova estrutura, denominada FIR-BIFIR,
exibe um desempenho superior ao das demais estruturas FIR-IFIR disponveis na literatura
bem como um custo computacional praticamente igual ao da implementao concorrente
de menor complexidade. Tambm no Captulo 5, a aplicao da abordagem FIR-BIFIR a
um problema de cancelamento de eco de linha em comunicaes de voz considerada.
Para esse caso, expresses para adaptao de filtros FIR-BIFIR usando o algoritmo NLMS
so apresentadas e o desempenho do algoritmo desenvolvido avaliado em simulaes
realizadas usando sinais obtidos em aquisies reais. Os resultados de simulao mostrados
atestam o alto potencial de aplicao do algoritmo proposto, sendo seu desempenho
bastante prximo ao do obtido com filtros FIR convencionais, porm, a um custo
computacional bem inferior. Ainda no Captulo 5, uma nova abordagem hbrida, usando
filtros FIR-BIFIR em estruturas Volterra interpoladas inteiramente adaptativas, proposta
e aplicada para um problema de cancelamento de eco de linha no-linear em comunicaes
de voz. Como resultado, um algoritmo com desempenho satisfatrio e baixo custo
computacional de implementao obtido, sendo sua aplicabilidade verificada a partir de
simulaes realizadas com sinais obtidos em aquisies reais.
160
6.2 Sugestes para Trabalhos Futuros

Para trabalhos futuros, sugere-se:
O uso das estruturas adaptativas interpoladas em outras aplicaes como, por
exemplo, o cancelamento acstico e o controle ativo de rudo e vibraes.
Aplicao de outros algoritmos para adaptao dos filtros interpolados como,
por exemplo, o algoritmo de projees afins (AP) e o RLS.
Estudo da caracterstica de posto reduzido dos filtros interpolados.
Desenvolvimento de uma anlise estatstica de filtros interpolados inteiramente
adaptativos quando adaptados pelo algoritmo LMS.
Desenvolvimento de uma anlise estatstica dos filtros interpolados adaptativos e
inteiramente adaptativos usando outros algoritmos adaptativos.
Desenvolvimento de novas estratgias para melhorar o desempenho de filtros
interpolados implicando uma considervel reduo de custos computacionais para
a implementao convencional.
6.3 Consideraes Finais

Neste trabalho foram apresentados diversos estudos relacionados aos filtros
Volterra adaptativos. O objetivo principal foi aumentar a aplicabilidade de tais filtros
atravs do aperfeioamento de sua base terica bem como do desenvolvimento de
estruturas e algoritmos eficientes do ponto de vista da complexidade computacional. Nesse
contexto, um importante nmero de contribuies originais foi obtido e apresentado, sendo
elas envolvendo tanto filtros Volterra quanto filtros FIR lineares adaptativos.
Adicionalmente, os resultados tericos obtidos foram, em geral, apresentados em conjunto
com resultados de simulao para comprovar a efetividade e a aplicabilidade das estruturas
e modelos desenvolvidos. Assim, acredita-se que o objetivo inicial foi atingido bem como
novos caminhos para a obteno de avanos nesta rea foram abertos.
Referncias Bibliogrficas
[1]
B. Farhang-Boroujeny, Adaptive Filters Theory and Applications, John Wiley &

Sons Ltd., 1999.
[2]
S. Haykin, Adaptive Filter Theory, 4th ed., Upper Saddle River, NJ:
Prentice-Hall, 2002.
[3]
IEEE
History
Center
Biographies,
Bernard
Widrow,
Internet:
http://www.ieee.org/web/aboutus/history_center/biography/widrow.html,
[Aug. 13,
2009].
[4]
A. V. Oppenheim and A. S. Willsky, Signals & Systems, Prentice Hall, 1997.
[5]
Y. Neuvo, C. Y. Dong, and S. K. Mitra, Interpolated finite impulse response digital

filters, IEEE Trans. Acoust., Speech, Signal Process., vol. 32, no. 3, pp. 563-570,
June 1984.
[6]
V. J. Mathews and G. L. Sicuranza, Polynomial Signal Processing, John Wiley &

Sons Inc., 2000.
[7]
L. Tan and J. Jiang, Adaptive Volterra filters for active control of nonlinear noise
processes, IEEE Trans. Signal Process., vol. 49, no. 8, pp. 1667-1676, Aug. 2001.
[8]
E. L. O. Batista, O. J. Tobias, and R. Seara, A mathematical framework to describe

interpolated adaptive Volterra filters, in Proc. IEEE Int. Telecomm. Symp.,
Fortaleza, Brazil, Sept. 2006, pp. 144-149.
[9]
E. L. O. Batista, O. J. Tobias, and Rui Seara, Anlise Estatstica de Filtros Volterra

Adaptados pelo Algoritmo LMS, in Anais do XXI Simpsio Brasileiro de
Telecomunicaes, Belm-PA, Brazil, CD-ROM, Sept. 2004.

[10] E. L. O. Batista, O. J. Tobias, and R. Seara, Stochastic model of the LMS Volterra
filter, in Proc. European Signal Processing Conf. (EUSIPCO), Poznan, Poland,
Sept. 2007, pp. 1721-1725.
[11] V. Volterra, Theory of Functionals and of Integral and Integro-Differential
Equations, Dover Publications Inc., 1959.
162
[12] N. Wiener, Response of a Nonlinear Device to Noise, Radiation Laboratory, MIT,

Cambridge, Massachusetts, Report. No. 129, Apr. 1942.
[13] N. Wiener, Nonlinear Problems in Random Theory, The MIT Press, Cambridge,
Massachusetts, 1966.
[14] A. Alper, A consideration of the discrete Volterra series, IEEE Trans. Automatic
Control, vol. 10, no. 3, pp. 322-327, July 1965.

[15] M. J. Coker and D. N. Simkins, A nonlinear adaptive noise canceller, in Proc.
IEEE Int. Conf. Acoustics, Speech, Signal Processing (ICASSP), Denver, USA, Apr.
1980, pp. 470-473.
[16] A. Stenger, L. Trautmann, and R. Rabenstein, Nonlinear acoustic echo cancellation
with second order adaptive Volterra filters, in Proc. IEEE Int. Conf. Acoust.,
Speech, Signal Process., Phoenix, AZ, USA, vol. 2, Mar. 1999, pp. 877-880.
[17] M. Zeller and W. Kellermann, Iterated Coefficient Updates of Partitioned Block
Frequency Domain Second-Order Volterra Filters for Nonlinear AEC, in Proc.
IEEE Int. Conf. Acoustics, Speech, Signal Processing (ICASSP), Honolulu, USA,
vol. 3, Apr. 2007, pp. 1425-1428.
[18] A. Gutierrez and W. E. Ryan, Performance of adaptive Volterra equalizers on
nonlinear satellite channels, in Proc. IEEE Int. Conf. Communications, Seattle, WA,
USA, vol. 1, June 1995, pp. 488-492.
[19] M. Tsujikawa, T. Shiozaki, Y. Kajikawa, and Y. Nomura, Identification and
elimination of second-order nonlinear distortion of loudspeaker systems using
Volterra filters, in Proc. IEEE Int. Symp. Circ. and Systems, Geneva, Switzerland,
vol. 5, May 2000, pp. 249-252.
[20] J. Li and J. Ilow, Adaptive Volterra Predistorters for Compensation of Non-linear
Effects with Memory in OFDM Transmitters, in Proc. of the 4th Annual Commun.
Networks and Services Research Conference, Moncton, Canada, May 2006.

[21] T. K. Moon and W. C. Stirling, Mathematical Methods and Algorithms for Signal
Processing, Prentice-Hall, 2000.

[22] Wikipedia,
Euclidean
space,
Internet:
http://en.wikipedia.org/wiki/Euclidean_space, [Aug. 13, 2009].

[23] J. W. Brewer, Kronecker Products and Matrix Calculus in System Theory, IEEE
Trans. on Circuits and Systems, vol. CAS-25, no. 9, pp. 772-781, Sept. 1978.
163
[24] G. V. Raz and B. V. Veen, Baseband Volterra filters for implementing carrier based
nonlinearities, IEEE Trans. Signal Processing, vol. 46, no. 1, pp.103-114,
Jan. 1998.
[25] A. Fermo; A. Carini, and G. L. Sicuranza, Simplified Volterra filters for acoustic
echo cancellation in GSM receivers, in Proc. European Signal Processing Conf.
(EUSIPCO), Tampere, Finland, Sept. 2000.

[26] T. Koh and E. Powers, Second-order Volterra filtering and its application to
nonlinear system identification, IEEE Trans. Acoust., Speech, Signal Process., vol.
33, no. 6, pp. 1445-1455, Dec. 1985.
[27] P. M. Clarkson and M. V. Dokic, Stability and convergence behavior of second
order LMS Volterra filter, Electronics Letters, vol. 27, no. 5, pp. 441-443, Feb.
1991.
[28] M. V. Dokic and P. M. Clarkson, On the performance of a second-order adaptive
Volterra filter, IEEE Trans. Signal Process., vol. 41, no. 5, pp. 1944-1947, May
1993.
[29] J. Chao and A. Inomata, A convergence analysis of Volterra adaptive filters, in
Proc. IEEE Int. Symp. Circuits Syst. (ISCAS), Hong Kong, vol. 4, June 1997, pp.
2477-2480.
[30] T. Ogunfunmi and S. L. Chang, Second order adaptive Volterra system
identification based on discrete nonlinear Wiener model, IEE Proc. - Vision, Image,
Signal Process., vol. 148, no. 1, pp. 21-29, Feb. 2001.

[31] E. L. O. Batista, Filtro Volterra adaptativo: anlise estatstica e algoritmos
simplificados, Masters Thesis, Universidade Federal de Santa Catarina,
Florianpolis, SC, Brazil, 2004.
[32] D. W. Griffith and G. R. Arce, Partially Decoupled Volterra Filters: Formulation
and LMS Adaptation, IEEE Trans. Signal Process., vol. 45, no. 6, pp. 1485-1494,
June 1997.
[33] E. L. O. Batista, O. J. Tobias, and Rui Seara, Filtros Volterra adaptativos:
interpolado e parcialmente interpolado, in Anais do XXI Simpsio Brasileiro de
Telecomunicaes, Belm-PA, Brazil, CD-ROM, Sept. 2004.

[34] E. L. O. Batista, O. J. Tobias, and R. Seara, Fully and partially interpolated adaptive
Volterra filters, in Proc. European Signal Processing Conf., Antalya, Turkey,
CD-ROM, paper no. 1507, Sept. 2005, pp. 1-4.
164
[35] E. L. O. Batista, O. J. Tobias, and R. Seara, A Sparse-Interpolated Scheme for

Implementing Adaptive Volterra Filters, IEEE Trans. on Signal Processing, vol. 58,
no. 4, pp. 2022-2035, Apr. 2010.
[36] E. L. O. Batista, O. J. Tobias, and R. Seara, Border effect removal for IFIR and
interpolated Volterra filters, in Proc. IEEE Int. Conf. Acoustics, Speech, Signal
Processing (ICASSP), Honolulu, USA, vol. 3, Apr. 2007, pp. 1329-1332.

[37] D. Mansour and A. Gray Jr., Frequency domain non-linear adaptive filter, in Proc.
IEEE Int. Conf. Acoust., Speech, Signal Process., Atlanta, USA, vol. 6, Apr. 1981,
pp. 550-553.
[38] M. Morhac, A fast algorithm of nonlinear Volterra filtering, IEEE Trans. Signal
Processing, vol. 39, no. 10, pp. 2353-2356, Oct. 1991.

[39] S. Im and E. J. Powers, A Fast Method of Discrete Third-Order Volterra Filtering,
IEEE Trans. Signal Processing, vol. 44, no. 9, pp. 2195-2208, Sept. 1996.
[40] M. J. Reed and M. O. J. Hawksford, Efficient implementation of the Volterra filter,
IEE Proc.-Vis. Image Signal Processing, vol. 147, no. 2, pp. 109-114, Apr. 2000.
[41] S. Im, A Normalized Block LMS Algorithm for Frequency-Domain Volterra
Filters, in Proc. IEEE Signal Process. Workshop on Higher-Order Statistics, Banff,
Canada, July 1997, pp. 152-156.
[42] S. Im and E. J. Powers, A Block LMS Algorithm for Third-Order FrequencyDomain Volterra Filters, IEEE Signal Process. Letters, vol. 4, no. 3, pp. 75-78,
Mar. 1997.
[43] F. Kuech and W. Kellermann, Partitioned Block Frequency-Domain Adaptive
Second-Order Volterra Filter, IEEE Trans. Signal Processing, vol. 53, no. 2,
pp. 564-575, Feb. 2005.
[44] T. M. Panicker
and
V. J. Matthews,
Parallel-cascade
realizations
and
approximations of truncated Volterra systems, IEEE Trans. Signal Process., vol. 46,
no. 10, pp. 2829-2832, Oct. 1998.
[45] H. H. Chang, C. L. Nikias, and A. N. Venetsanopoulos, Efficient implementations
of quadratic filters, IEEE Trans. Acoust., Speech, Signal Processing, vol. ASSP-34,
pp. 15111528, Dec. 1986.
[46] T. M. Panicker, V. J. Matthews, and G. L. Sicuranza, Adaptive parallel-cascade
truncated Volterra filters, IEEE Trans. Signal Process., vol. 46, no. 10, pp. 26642673, Oct. 1998.
165
[47] L. Li and V. J. Matthews, Efficient block-adaptive parallel-cascade quadratic

filters, IEEE Trans. Circ. and Syst. II-Analog and Digital Signal Processing,
vol. 46, no. 4, pp. 468-472, Apr. 1999.
[48] L. Yao, W. A. Sethares and Y.-H. Hu, Identification of a nonlinear system modeled
by a sparse Volterra series, in Proc. IEEE Int. Conf. System Engineering, Kobe,
Japan, Sept. 1992, pp. 624-627.
[49] S. Im and M. J. Bae, Nonlinear modeling of speech signals using a sparse Volterra
model, in Proc. 4th Int. Symp. Signal Process. and Its Applications, Gold Coast,
Australia, vol. 2, Aug. 1996, pp. 760-763.
[50] L. Yao, Genetic algorithm based identification of nonlinear systems by sparse
Volterra filters, IEEE Trans. Signal Process., vol. 47, no. 12, pp. 3433-3435,
Dec. 1999.
[51] L. Tan and J. Jiang, An adaptive technique for modeling second-order Volterra
systems with sparse kernels, IEEE Trans. Circuits Syst. II, Analog Digit. Signal
Process., vol. 45, no. 12, pp. 1610-1615, Dec. 1998.

[52] W. A. Frank, An efficient approximation to the quadratic Volterra filter and its
application in real-time loudspeaker linearization, Signal Process., vol. 45, no. 1,
pp. 97-113, July 1995.
[53] F. Kuech and W. Kellermann, Nonlinear line echo cancellation using a simplified
second order Volterra filter, in Proc. IEEE Int. Conf. Acoust., Speech, Signal
Process. (ICASSP), Orlando, USA, vol. 2, May 2002, pp. 1117-1120.

[54] F. Kuech, A. Mitnacht and W. Kellermann, Nonlinear acoustic echo cancellation
using adaptive orthogonalized power filters, in Proc. IEEE Int. Conf. Acoust.,
Speech, Signal Process. (ICASSP), Philadelphia, PA, USA, vol. 3, Mar. 2005,
pp. 105-108.
[55] F. Kuech and W. Kellermann, A novel multidelay adaptive algorithm for Volterra
filters in diagonal coordinate representation, in Proc. IEEE Int. Conf. Acoust.,
Speech, Signal Process. (ICASSP),
Montreal,
Canada,
vol. 2,
May 2004,
pp. 869-872.
[56] O. J. Tobias and R. Seara, Analytical model for the first and second moments of an
adaptive interpolated FIR filter using the constrained filtered-X LMS algorithm,
IEE Proc. Vision, Image, Signal Process., vol. 148, no. 5, pp. 337-347, Oct. 2001.
166
[57] R. C. de Lamare and R. Sampaio-Neto, Adaptive reduced-rank MMSE filtering

with interpolated FIR filters and adaptive interpolators, IEEE Signal Process.
Letters, vol. 12, no. 3, pp. 177-180, Mar. 2005.

[58] O. L. Frost III, An algorithm for linearly constrained adaptive array processing,
Proc. IEEE, v. 60, n. 8, p. 926-935, Aug. 1972.

[59] E. L. O. Batista, O. J. Tobias, and Rui Seara, Filtros FIR adaptativos em cascata:
aplicao em filtros IFIR adaptativos, in Anais do XXV Simpsio Brasileiro de

[60] E. L. O. Batista, O. J. Tobias, and R. Seara, New insights in adaptive cascaded FIR
structure: application to fully adaptive interpolated FIR structures, in Proc.
European Signal Processing Conf. (EUSIPCO), Poznan, Poland, Sept. 2007,

pp. 370-374.
[61] M. D. Grosen, New FIR structures for fixed and adaptive digital filters, Ph.D.
Dissertation, University of California, Santa Barbara, CA, United States, 1987.
[62] R. C. Bilcu, P. Kuosmanen, and K. Egiazarian, On adaptive interpolated FIR
filters, in Proc. IEEE Int. Conf. Acoustics, Speech, Signal Processing (ICASSP),
Montreal, Canada, vol. 2, May 2004, pp. 665-668.
[63] R. Fletcher, Practical Methods of Optimization, John Wiley & Sons Ltd., 1987.
[64] R. Seara, J. C. M. Bermudez, and E. Beck, A new technique for the implementation
of adaptive IFIR filters, in Proc. Int. Symp. Signals, Systems, Electronics (ISSSE),
Paris, France, vol. 2, Sept. 1992, pp. 644-647.
[65] E. L. O. Batista, O. J. Tobias, and Rui Seara, Filtros IFIR Inteiramente Adaptativos
sem Efeito de Borda, in Anais do XXV Simpsio Brasileiro de Telecomunicaes,
Recife-CE, Brazil, CD-ROM, Sept. 2007.
[66] E. L. O. Batista, O. J. Tobias, and R. Seara, A fully adaptive IFIR filter with
removed border effect, in Proc. IEEE Int. Conf. Acoust., Speech, Signal Process.,
Las Vegas, NV, Apr. 2008, pp. 3821-3824.
[67] E. L. O. Batista, O. J. Tobias, and R. Seara, A fully LMS adaptive interpolated
Volterra structure, in Proc. IEEE Int. Conf. Acoust., Speech, Signal Process., Las
Vegas, NV, Apr. 2008, pp. 3613-3616.
[68] E. L. O. Batista, O. J. Tobias, and R. Seara, Fully adaptive LMS/NLMS interpolated
Volterra filters with removed boundary effect, in Proc. European Signal Processing
Conf. (EUSIPCO), Glasgow, Scotland, Aug. 2009, pp. 1725-1729.
167
[69] J. H. James, B. Chen, and L. Garrison, Implementing VoIP: a voice transmission

performance progress report, IEEE Commun. Mag., vol. 42, no. 7, pp. 36-41,
July 2004.
[70] X. Huang, A. Acero, and H. W. Hon, Spoken Language Processing: A Guide to
Theory,
Algorithm
and
System
Development,
Upper
Saddle
River,
Prentice-Hall, 2001.
[71] O. Agazzi and D. G. Messerschmitt, Nonlinear echo cancellation of data signals,
IEEE Trans. on Communications, vol. 30, no. 11, pp. 2421-2433, Nov. 1982.
[72] K. Maxwell, Asymmetric digital subscriber line: interim technology for the
nextforty years, IEEE Commun. Mag., vol. 34, no. 10, pp. 100-106, Oct. 1996.
[73] A. Guerin, G. Faucon, and R. Le Bouquin-Jeannes, Nonlinear acoustic echo
cancellation based on Volterra filters, IEEE Trans. on Speech and Audio Process.,
vol. 11, no. 6, pp.672-684, Nov. 2003.
[74] A. Abousaada, T. Aboulnasr, and W. Steenaart, An echo tail canceller based on
adaptive interpolated FIR filtering, IEEE Trans. Circuits Syst. II, Analog Digit.
Signal Process., vol. 39, no. 7, pp. 409-416, July 1992.

[75] S.-S. Lin and W.-R. Wu, A low-complexity adaptive echo canceller for xDSL
Applications, IEEE Trans. Signal Process., vol. 52, no. 5, pp. 1461-1465,
May 2004.
[76] ITU-T Recommendation G.168, Digital Network Echo Cancellers, June 2002.
[77] E. Hansler and G. Schmidt, Acoustic Echo and Noise Control: A Practical Approach,
John Wiley & Sons Ltd., 2004.

2012 Filtros Volterra Adaptativos TeseUFSC

Caricato da

Informazioni sul documento

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

2012 Filtros Volterra Adaptativos TeseUFSC

Caricato da

Copyright:

Formati disponibili

EDUARDO LUIZ ORTIZ BATISTA

FILTROS VOLTERRA ADAPTATIVOS:

UNIVERSIDADE FEDERAL DE SANTA CATARINA

FILTROS VOLTERRA ADAPTATIVOS:

EDUARDO LUIZ ORTIZ BATISTA

Florianpolis, Outubro de 2009.

FILTROS VOLTERRA ADAPTATIVOS: ESTRUTURAS

Orientador: Prof. Rui Seara, Dr.

Abstract of Thesis presented to Federal University of Santa Catarina as a partial fulfillment

ADAPTIVE VOLTERRA FILTERS: INTERPOLATED

Advisor: Prof. Rui Seara, Dr.

2 Filtro Volterra Adaptativo _______________________________________________ 8

2.4 Consideraes _________________________________________________________40

3 Filtros Volterra Interpolados Adaptativos _________________________________ 41

3.2 Definies Bsicas de Filtros FIR Interpolados ______________________________44

3.4 Descrio de Filtros Volterra Interpolados _________________________________55

3.7 Consideraes _________________________________________________________89

4 Filtros Volterra Interpolados Inteiramente Adaptativos ______________________ 90

4.2 Filtros IFIR Inteiramente Adaptativos _____________________________________96

4.3 Filtros IFIR Inteiramente Adaptativos sem Efeito de Borda __________________109

4.4 Filtros Volterra Interpolados Inteiramente Adaptativos _____________________120

4.4.2 Adaptao usando o Algoritmo LMS _________________________________________ 123

4.5 Consideraes ________________________________________________________136

5 Aplicaes em Cancelamento de Eco de Linha ____________________________ 137

5.2 Cancelamento de Eco Linear de Linha em Comunicaes de Voz______________145

5.3 Cancelamento de Eco No-Linear de Linha em Comunicaes de Voz _________151

5.4 Consideraes ________________________________________________________156

6 Concluses Finais ___________________________________________________ 157

Referncias Bibliogrficas _______________________________________________ 161

coeficientes do filtro esparso indicados por marcadores circulares em preto e com os

Figura 3.26. Exemplo 3.6.5.3. Modelagem em regime permanente das implementaes

Figura 4.21. Complexidade computacional para diferentes implementaes adaptativas de

Tabela 5-3. Complexidade computacional requerida em diferentes implementaes de

adaptive boundaryless interpolated finite impulse response

adaptive finite impulse response

adaptive interpolated finite impulse response

adaptive partially interpolated Volterra

adaptador de telefonia analgica

boundaryless interpolated finite impulse response

complete fully adaptive interpolated finite impulse response

digital subscriber line

digital signal processor

erro quadrtico mdio

echo return loss enhancement

fully adaptive boundaryless interpolated finite impulse response

fully adaptive interpolated finite impulse response

fully adaptive interpolated Volterra

fully adaptive partially interpolated Volterra

fast Fourier transform

finite impulse response

Institute of Electrical and Electronics Engineers

interpolated finite impulse response

infinite impulse response

International Telecommunication Union

modified fully adaptive boundaryless interpolated finite impulse response

Massachusetts Institute of Technology

orthogonal frequency-division multiplexing

pulse amplitude modulation

voice over internet protocol

A filtragem adaptativa um tpico de processamento digital de sinais com diversas

1.1 Filtros Adaptativos

Na Figura 1.1, apresentado um diagrama tpico de um filtro adaptativo aplicado a

Figura 1.1. Diagrama de blocos de um filtro adaptativo no contexto de um problema de

1.2 Filtros Adaptativos Lineares