Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
FLORIANPOLIS
2009
Tese submetida
Universidade Federal de Santa Catarina
como parte dos requisitos para a
obteno do grau de Doutor em Engenharia Eltrica.
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.
iv
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
2.3 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
vi
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
vii
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)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e (2.78).
______________________________________________________________________ 34
Figura 2.12. Exemplo 2.2. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e (2.78).
______________________________________________________________________ 34
Figura 2.13. Exemplo 2.3. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e (2.78).
______________________________________________________________________ 35
Figura 2.14. Exemplo 2.3. Evoluo de ( n ) usando = crit / 3. (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e (2.78).
______________________________________________________________________ 36
ix
Figura 2.15. Exemplo 2.4. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e (2.78).
______________________________________________________________________ 36
Figura 2.16. Exemplo 2.5. 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).
______________________________________________________________________ 37
Figura 2.17. Exemplo 2.6. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e (2.78).
______________________________________________________________________ 38
Figura 2.18. Exemplo 2.7. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e (2.78).
______________________________________________________________________ 38
Figura 2.19. Exemplo 2.8. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e (2.78).
______________________________________________________________________ 39
Figura 2.20. Exemplo 2.8. Evoluo de ( n ) usando = crit / 3. (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e (2.78).
______________________________________________________________________ 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
xi
xii
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
xiv
LISTA DE ABREVIATURAS
ABIFIR
AFIR
AIFIR
AP
affine projection
APIV
AR
autoregressive
ATA
BIFIR
CFAIFIR
DSL
DSP
EQM
ERLE
FABIFIR
FAIFIR
FAIV
FAPIV
FFT
FIR
IEEE
IFIR
IIR
IP
internet protocol
ITU
LMS
least-mean-square
MFABIFIR
MIT
NLMS
normalized least-mean-square
OFDM
PAM
RLS
recursive least-squares
VoIP
xv
CAPTULO
1
Introduo
Captulo 1 Introduo
x( n )
sinal de entrada
Filtro
Adaptativo
y( n)
sinal de sada
e( n )
sinal de erro
Algoritmo
Adaptativo
Captulo 1 Introduo
(1.1)
i =0
(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
Sistemas Homomrficos
Filtros Morfolgicos
Redes Neurais
Filtros Polinomiais
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.
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.
Captulo 1 Introduo
CAPTULO
2
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].
Volterra
LMS
1960-70
XIX
Vito Volterra
Norbert Wiener
Srie de Volterra
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
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 )
, mp )
, hP (m1 ,
10
Filtro Volterra
x( n )
Bloco de 1a ordem
+ +
Bloco de 2a ordem
+ +
Bloco de ordem P
y( n)
como segue:
P
y ( n) = y p ( n)
(2.2)
p =1
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
(2.4)
x(n N + 1)]T
(2.5)
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)
(2.9)
o que resulta em
h2 ( N 1, N 1)]T
(2.10)
(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)
xTP (n)]T
(2.13)
h TP ]T
(2.14)
(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
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)
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)
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)
DV ( N , P) = N k =
k =1
N P +1 N
.
N 1
(2.19)
14
mesmo
produto
x(n m1 ) x(n m2 )
de
amostras
do
sinal
de
entrada,
dado
por
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
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
(2.22)
()
N 1
m1 = 0
N 1
m p = m p 1
hp (m1 ,
, m p ) x(n m1 )
x(n m p ).
(2.23)
0
0
h2 (0, N 1)
h2 (1, N 1)
.
h2 ( N 1, N 1)
(2.24)
h 2 = [ h2 (0, 0) h2 (0,1)
h2 (0, N 1) h2 (1,1)
h2 ( N 1, N 1)]T
(2.25)
x(n) x(n N + 1) x 2 (n 1)
x 2 (n N + 1)]T
(2.26)
16
(2.27)
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)
(2.29)
h V = [h1T h 2T h TP ]T
(2.30)
e o vetor de coeficientes
(2.31)
( N + p 1)!
( N 1)! p !
(2.32)
DV ( N , P) =
( N + P )!
1.
N !P!
(2.33)
17
_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)
18
Nmero de coeficientes
10000
Repr. Convencional
8000
Repr. Triangular
6000
4000
2000
0
20
40
60
80
100
80
100
Memria
(a)
Nmero de coeficientes
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.
(2.34)
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)
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
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].
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 )
(2.37)
onde
os
valores
esperados
(2.38)
so,
(2.39)
22
(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)
(2.42)
(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)
(2.46)
(2.47)
(2.48)
(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
(2.51)
(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)
(2.54)
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)
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)
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
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
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)
28
+ tr[R PP ]
(2.66)
(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)
(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.
(2.70)
T
eo (n) = d (n) + z (n) h Vo
xV ( n)
(2.71)
onde
29
(2.72)
(2.73)
(2.74)
(2.75)
30
(2.76)
(2.77)
(2.78)
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
(2.80)
(2.81)
(2.82)
32
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)
simulao Monte Carlo. (Linhas cinzas pontilhadas) modelo proposto, obtido a partir de
(2.49).
(n )
10
10
10
33
-3
-6
4000
8000
Iteraes
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).
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)
simulao Monte Carlo. (Linhas cinzas pontilhadas) modelo proposto, obtido a partir de
(2.49).
(n )
10
10
10
34
-3
-6
6000
12000
Iteraes
( n )
10
10
10
-3
-6
40000
80000
Iteraes
Figura 2.12. Exemplo 2.2. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e
(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
Figura 2.13. Exemplo 2.3. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e
(2.78).
( n )
10
10
10
36
-3
-6
2000
4000
Iteraes
( n )
10
10
10
-2
-4
-6
60000
120000
Iteraes
Figura 2.15. Exemplo 2.4. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e
(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
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
Figura 2.17. Exemplo 2.6. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e
(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
Figura 2.18. Exemplo 2.7. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e
(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
Figura 2.19. Exemplo 2.8. Evoluo de ( n ) usando = crit . (Linha irregular escura)
simulao Monte Carlo. (Linha cinza) modelo proposto, obtido a partir de (2.73) e
(2.78).
( n )
10
10
10
40
-3
-6
60000
120000
Iteraes
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
42
43
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.
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)
x(n) = g ( j ) x(n j ).
(3.4)
j =0
w( L) 0
w(2 L) 0
w[( N s 1) L] 0
0} .
T
(3.5)
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)
(3.8)
x( n )
46
y( n)
x( n )
x( n )
ws
y ( n )
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
(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
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)
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].
x V ( n ) = [ x1 ( n ) x 2 ( n )
49
x P ( n )]
(3.18)
h Ps ]
(3.19)
(3.20)
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)
x[ n N + 1]}T
(3.21)
h1 ( L) 0
h1[( N s 1) L] 0
0}
(3.22)
(3.23)
(3.24)
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)
(3.27)
(3.28)
(3.29)
x p ( n ) = x1 ( n ) x p 1 ( n )
(3.30)
com
51
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)
h Vs (n + 1) = h Vs (n) +
e( n ) x V ( n )
x ( n ) xV ( n) +
T
V
(3.32)
52
x1 ( n )
x( n )
h1 ( n ) +
+
y ( n )
d (n)
+
e( n )
LMS
g
x 2 (n)
h 2s ( n )
LMS
h Ps ]
(3.33)
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).
(3.35)
53
(3.36)
Novamente destaca-se que outros algoritmos adaptativos tambm podem ser utilizados.
( N s + P)!
1.
Ns ! P !
(3.37)
( N s + P)!
1 + N Ns .
Ns ! P !
(3.38)
54
Tipo de implementao
20
40
60
80
100
420
1640
3660
6480
10100
230
860
1890
3320
5150
Volterra interpolado
65
230
495
860
1325
75
250
525
900
1375
Tamanho de memria
20
40
60
80
100
8420
65640
1770
12340
39710
91880
176850
Volterra interpolado
285
1770
5455
12340
23425
295
1790
5485
12380
23475
55
Nmero de coeficientes
12000
Volterra repr. convencional
10000
8000
20
40
60
80
100
60
80
100
Memria
(a)
Nmero de coeficientes
12
x 10
10
Volterra interpolado
Volterra parc. interpolado
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.
56
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)
g ( M 1)]T .
(3.40)
0
0
ws
0
ws
0
0
0
ws
(3.41)
(3.42)
x( n N M + 2)]
(3.43)
57
x( n) = G T x e ( n)
(3.44)
(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)
(3.47)
(3.48)
(3.49)
(3.50)
(3.51)
(3.52)
(3.53)
(3.54)
58
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)
0,5h2 (0, 2)
h2 (0, 0)
h2 (0, 2)
0,5h2 (0, 0) +
0,5h2 (2, 0)
0,5h2 (0, 2) +
0,5h2 (2, 2)
h2 (2, 0)
0,5h2 (2, 0)
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)
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)
(3.57)
(3.58)
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
h 3 (2,0,0)
h 3 (0,2,0)
1/2[h (0,2,2)+h (2,2,2)]
3
3
h 3 (2,0,2)
h 3 (0,0,0)
1/2[h (0,0,2)+h (2,0,2)]
3
3
h 3 (0,2,2)
h 3 (0,0,2)
h 3 (2,2,2)
1/2[h (2,2,0)+h (2,2,2)]
3
3
h 3 (2,2,0)
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)
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)
(3.68)
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.
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
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
0
g (1)h2 (2, 2)
0
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
(3.73)
63
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)
(3.75)
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
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)
(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)
(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,
g T x m ( n)
x(n) = G T TT x(n) =
g T x m (n 1)
T
g x m (n 2)
(3.84)
com
x m (n) = [ x(n) x(n 1)
x(n M + 1)]T .
(3.85)
65
somas para a filtragem padro do filtro IFIR. Assim, observa-se um incremento de apenas
= G T x ( n ) G T x ( n )
(3.86)
= G T x(n) G T x(n).
T
(3.87)
o que resulta em
x2 (n) = G T2 T2T x 2 (n)
(3.88)
(3.89)
(3.90)
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)
resultando em
x3 (n) = G 3T T3T x3 (n) = G 3T x3 (n)
(3.93)
(3.94)
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
3.5.3 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
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
10
69
EQM
PI
10
L
IB
-2
Linear (L)
Volterra (V)
10
PIB
Interpolado (I)
Interpolado sem borda (IB)
-4
10000
20000
Iteraes
Figura 3.10. Curvas de erro quadrtico mdio obtidas para o Exemplo 3.5.3.1 (mdia de
200 realizaes).
1.2
1
h 1 ( m1 )
0.8
0.6
0.4
0.2
0
-0.2
10
12
m1
70
h 1 ( m1 )
0.6
0.5
0.4
0.3
0.2
0.1
0
10
m1
71
h 1 ( m1 )
0.4
0.3
0.2
0.1
0
10
m1
72
10
PI
I
-2
EQM
10
IB
Linear (L)
Volterra (V)
10
Interpolado (I)
Interpolado sem borda (IB)
-4
PIB
10000
20000
Iteraes
Figura 3.16. Curvas de erro quadrtico mdio obtidas para o Exemplo 3.5.3.2 (mdia de
200 realizaes).
0.6
0.5
h 1 ( m1 )
0.4
0.3
0.2
0.1
0
-0.1
10
12
m1
73
h 1 ( m1 )
0.4
0.3
0.2
0.1
0
-0.1
10
m1
74
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
-6
25000
50000
Iteraes
Figura 3.22. Curvas de erro quadrtico mdio obtidas para o Exemplo 3.5.3.3 (mdia de
200 realizaes).
76
(3.99)
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
(3.101)
(3.102)
(3.103)
(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)
(3.107)
1
1
= 2 CT R VV
C CT R VV
pV .
(3.108)
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)
(3.111)
(3.112)
(3.113)
(3.114)
(3.115)
(3.116)
(3.117)
P = I CCT .
(3.118)
onde
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
0
0
h1 (4, n)
x(n 4)
(3.119)
(3.120)
(3.121)
(3.122)
obtm-se
(3.123)
T
eo (n) = d (n) + z (n) h Vso
xV (n).
(3.124)
com
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
(3.128)
T
V
(3.129)
(3.130)
(3.131)
81
(3.132)
(3.133)
(3.134)
(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.
82
(3.137)
(3.138)
(3.139)
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
(3.140)
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)
(3.142)
83
(3.143)
e
T
1 0 0 0 0
Cc = 0 0 1 0 0 .
0 0 0 0 1
(3.144)
(3.145)
(3.146)
CcT p V .
(3.147)
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
(3.149)
(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)
(3.152)
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)
(3.157)
(3.158)
p TPeG P ]T .
(3.159)
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.
87
10
10
-1
EQM
PI
10
10
-2
IB
Interpolado (I)
-3
10
PIB
-4
10000
20000
Iteraes
10
10
-1
EQM
10
PI
-2
IB
10
-3
Interpolado (I)
Interpolado sem borda (IB)
10
-4
PIB
10000
20000
Iteraes
88
10
PI
EQM
10
-2
min-P I
10
PIB
min-P IB
-4
10
-6
25000
50000
Iteraes
10
89
PI
EQM
10
-2
min-P I
10
PIB
min-P IB
-4
10
-6
25000
50000
Iteraes
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
wa ( N a 1)]T
(4.1)
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
(4.6)
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:
(4.8)
d (n) denota o sinal a ser estimado (sinal desejado) e e(n) representa o sinal de erro, dado
por
(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)
(4.10)
x( n )
w a ( n)
ya ( n )
w b ( n)
y( n)
d ( n)
+
e( n )
algoritmo adaptativo
(4.11)
93
(4.12)
(4.13)
e 2 (n)
= 2e ( n )
e(n)
(4.14)
e(n)
= WbT (n)xab (n).
w a (n)
(4.15)
(4.16)
(4.17)
(4.18)
e(n)
= WaT (n)xab (n).
w b (n)
(4.19)
resultando em (4.14) e
(4.20)
94
(4.21)
(4.22)
(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)
(4.24)
(4.25)
2
1
= w Ta (n) WbT (n)x ab (n) + a (n) WbT (n)x ab (n) .
2
(4.26)
2e(n)
WbT (n)xab (n)
(4.27)
a
2
W (n)x ab (n) + a
T
b
(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)
(4.30)
submetida restrio
(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
(4.32)
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)
97
(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)
(4.36)
(4.37)
(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 M + 1)xs (n M + 1)]T
(4.40)
x(n N + 1) ] .
T
(4.41)
(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)
2000
1500
1000
500
50
100
150
200
250
Memria
(4.44)
(4.45)
1
2
W (n)xe (n) + 1
T
s
(4.46)
(4.47)
101
(4.48)
CT w s (n + 1) = f .
(4.49)
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)
(4.52)
(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)
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
2e(n)
PG T (n)xe (n)
(4.57)
2
2
PG (n)x e (n) + 2
T
(4.58)
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)
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
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
10
EQM (dB)
-10
AIFIR
-20
FAIFIR
-30
-40
CFAIFIR
-50
AFIR
-60
-70
1000
2000
3000
4000
5000
6000
7000
Iteraes
Figura 4.4. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.2.3.1 (mdia de
100 realizaes).
20
10
105
EQM (dB)
-10
AIFIR
-20
FAIFIR
-30
-40
CFAIFIR
-50
AFIR
-60
-70
1000
2000
3000
4000
5000
6000
7000
Iteraes
Figura 4.5. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.2.3.1 (mdia de
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 .
106
tanto devido ao alto custo computacional desta ltima quanto ao desempenho similar entre
ambas.
10
FIR adaptativo (AFIR)
0
-10
EQM (dB)
-20
-30
AIFIR
FAIFIR
-40
-50
AFIR
CFAIFIR
-60
-70
1000
2000
3000
4000
5000
6000
7000
8000
Iteraes
Figura 4.6. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.2.3.2 (mdia de
100 realizaes).
10
FIR adaptativo (AFIR)
0
-10
EQM (dB)
-20
-30
CFAIFIR
AIFIR
-40
-50
FAIFIR
AFIR
-60
-70
1000
2000
3000
4000
5000
6000
7000
8000
Iteraes
Figura 4.7. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.2.3.2 (mdia de
100 realizaes).
107
20
10
EQM (dB)
-10
-20
AIFIR
FAIFIR
-30
-40
CFAIFIR
-50
AFIR
-60
-70
200
400
600
800
1000
Iteraes
Figura 4.8. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.2.3.3 (mdia de
100 realizaes).
20
10
108
EQM (dB)
-10
AIFIR
-20
FAIFIR
-30
-40
CFAIFIR
-50
AFIR
-60
-70
200
400
600
800
1000
Iteraes
Figura 4.9. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.2.3.3 (mdia de
100 realizaes).
20
10
EQM (dB)
-10
AIFIR
-20
FAIFIR
-30
-40
CFAIFIR
-50
AFIR
-60
-70
200
400
600
800
1000
Iteraes
Figura 4.10. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.2.3.3 (mdia de
100 realizaes).
109
(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
(4.62)
111
(4.63)
(4.64)
(4.65)
com a matriz P dada por (3.118). Adotando aproximaes anlogas s adotadas na seo
anterior, as seguintes expresses simplificadas so obtidas:
(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:
112
(4.70)
(4.71)
g(n + 1) = g(n) +
1
2
W (n)T x(n) + 1
T
s
(4.72)
w s (n + 1) = Pw s (n) +
2
2
PG (n)T x(n) + 2
T
(4.73)
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)
(4.76)
(4.77)
113
(4.79)
(4.80)
(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) =
2e(n)
(4.82)
g(n + 1) = Pi g(n) +
1
2
(4.83)
g(n + 1) = Pi g(n) +
Pi x (n) + 1
2
e(n)Pi x (n) + ci .
(4.84)
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
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
wp ( n)
0.8
0.6
0.4
0.2
0
10
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
Figura 4.12. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.3.4.1 (mdia de
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
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
Figura 4.14. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.3.4.2 (mdia de
100 realizaes).
117
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
Figura 4.16. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.3.4.3 (mdia de
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
Figura 4.17. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.3.4.3 (mdia de
100 realizaes) com = 1 = 2 = 0, 25 e = 1 = 2 = 1.
119
colorido
obtido
partir
de
um
processo
AR
dado
por
0
-10
EQM (dB)
-20
-30
ABIFIR
FAIFIR
-40
-50
AFIR
-60
FABIFIR
MFABIFIR
-70
-80
-90
10000
20000
Iteraes
Figura 4.18. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.3.4.4 (mdia de
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
Figura 4.20. Curvas de erro quadrtico mdio obtidas para o Exemplo 4.3.4.5 (mdia de
100 realizaes).
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.
(4.85)
com
x(n M + 1) ] .
T
(4.86)
X1 (n) = [x M (n) x M (n 1)
x M (n N + 1)]
(4.87)
(4.88)
Assim, a sada do bloco esparso de primeira ordem [equao (3.23)] pode ser reescrita
como
(4.89)
(4.90)
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)
y 2 (n) = g T2 X 2 (n)h 2s .
(4.92)
(4.93)
g p = g g p1
(4.94)
(4.95)
com
g TP X P (n)]T
(4.96)
h Vs = [h1sT h T2s
h TPs ]T
(4.97)
(4.98)
p =1
(4.99)
(4.100)
p =1
T
(n)h VPs
y (n) = y1 (n) + y p (n) = xVP
p=2
(4.101)
123
onde
(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.
(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
(4.104)
(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:
(4.106)
(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)
(4.109)
(4.110)
(4.111)
(4.112)
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)
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)
(4.117)
(4.118)
(4.119)
(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
(4.121)
p =1
(4.122)
126
(4.123)
p =2
(4.124)
(4.125)
CT h Vs (n + 1) = f .
(4.126)
h Vs (n + 1) = Ph Vs (n) +
PxV (n) + V
2
e(n)PxV (n)
(4.127)
127
h Vs (n + 1) = Ph Vs (n) +
V
2
PxV (n) + V
e(n)PxV (n).
(4.128)
V
2
PxVP (n) + V
e(n)PxVP (n).
(4.129)
(4.130)
h Vs (n + 1) = Ph Vs (n) +
V
2
PxV (n) + V
e(n)PxV (n).
(4.131)
(4.132)
para o LMS e
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
(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
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
(4.137)
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
com
(4.139)
y p (n) = g Tp Xp (n)h ps
(4.140)
g p = g g p1
(4.141)
(4.142)
129
(4.143)
p =1
(4.144)
p =2
(4.145)
(4.146)
p =1
com Pi = I M ciciT . Ainda, para o caso do filtro Volterra parcialmente interpolado, (4.146)
torna-se
P
(4.147)
p =2
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.
Filtro Esparso
Interpolador
Algoritmo LMS
I
(4.106)
(4.121)
II
(4.130)
(4.143)
III
(4.130)
(4.146)
IV
(4.107)
(4.123)
(4.131)
(4.144)
(4.131)
(4.147)
VI
VII
(4.128)
(4.121)
VIII
(4.131)
(4.143)
IX
(4.131)
(4.146)
(4.129)
(4.123)
XI
(4.133)
(4.144)
(4.133)
(4.147)
XII
1
x 10
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
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
132
= 0,5
= 106.
Para as
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
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
Figura 4.22. Exemplo 4.4.6.1. Curvas de erro quadrtico mdio obtidas com um sinal
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
Figura 4.23. Exemplo 4.4.6.1. Curvas de erro quadrtico mdio obtidas com um sinal
branco de entrada (mdia de 100 realizaes).
134
0
X
-10
EQM (dB)
-20
-30
XII
-40
Volterra-NLM S
-50
-60
XI
-70
0
3000
6000
Iteraes
Figura 4.24. Exemplo 4.4.6.1. Curvas de erro quadrtico mdio obtidas com um sinal
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
Figura 4.25. Exemplo 4.4.6.2. Curvas de erro quadrtico mdio obtidas com um sinal
branco de entrada (mdia de 100 realizaes).
5
0
-5
-10
EQM (dB)
-15
-20
-25
-30
-35
-40
XI
XII
Volterra-NLM S
-45
-50
2500
5000
Iteraes
Figura 4.26. Exemplo 4.4.6.2. Curvas de erro quadrtico mdio obtidas com um sinal
branco de entrada (mdia de 100 realizaes).
136
0
-10
X
XI
EQM (dB)
-20
-30
-40
XII
Volterra-NLM S
-50
-60
0
3000
6000
Iteraes
Figura 4.27. Exemplo 4.4.6.2. Curvas de erro quadrtico mdio obtidas com um sinal
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
138
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
x( n )
wh
zD
y( n)
+
wt
he (n)
FIR
IFIR
140
he ( n)
FIR
IFIR
141
he (n)
FIR
IFIR sem borda
wh ( D 1)]T
(5.1)
x(n D + 1)]T
(5.2)
yh (n) = w Th x h (n).
(5.3)
w t = {wt (0) 0
wt ( L) 0
wt (2 L) 0
wt [( N ts 1) L] 0
0}T
(5.4)
xt (n) = G T TT x t (n).
(5.5)
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)
(5.8)
(5.9)
e ( n ) = d ( n ) y ( n ) = d ( n ) yh ( n ) y t ( n )
(5.10)
o sinal de erro.
143
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
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%
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
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)
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.
w h (n) = w h (n 1) +
e( n ) x h ( n )
(5.12)
e(n)Pxt (n)
(5.13)
w t (n) = Pw t (n 1) +
148
em
todas
as
simulaes
so
N = 101,
D = 15,
L=4
FIR convencional
IFIR
FIR-BIFIR (proposto)
Operaes por
amostra
605
310
194
Percentuais
relativos
100%
51,2%
32,1%
100%
62,6%
149
FIR
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
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
IFIR
FIR-BIFIR
30
20
ERLE (dB)
10
0
0
18750
37500
56250
75000
30
20
10
0
37500
Iteraes
Figura 5.12. Curvas de ERLE obtidas usando sinais da segunda aquisio considerada
na Seo 5.2.2. Filtro IFIR com L = 4.
FIR
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.
152
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)
(5.17)
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
Operaes por
amostra
2018
1028
Percentuais
relativos
1207
59,8%
795
609
39,4%
30,2%
100%
50,9%
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
Figura 5.16. Curvas de ERLE obtidas usando sinais da segunda aquisio considerada
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
158
inteiramente
adaptativas
de
filtros
Volterra
interpolados.
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
Referncias Bibliogrficas
[1]
[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]
[5]
[6]
[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]
[9]
Referncias Bibliogrficas
162
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.
Euclidean
space,
Internet:
Trans. on Circuits and Systems, vol. CAS-25, no. 9, pp. 772-781, Sept. 1978.
Referncias Bibliogrficas
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.
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,
Referncias Bibliogrficas
164
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
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.
Referncias Bibliogrficas
165
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.,
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.
Referncias Bibliogrficas
166
Referncias Bibliogrficas
167
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.