Sistemas Adaptativos

Sistemas Adaptativos
Los sistemas o filtros adaptativos son sistemas variante temporales de forma que se adaptan a
cambios en su entorno, optimizando su funcionamiento de acuerdo a una serie de algoritmos
conocidos como algoritmos adaptativos. La finalidad del algoritmo adaptativo es modificar los
parmetros que definen el funcionamiento del sistema adaptativo de forma que la seal de error
sea mnima.

Fig. 1 Esquema de un sistema Adaptativo

En el esquema x(n) es la secuencia de entrada al sistema adaptativo e y(n) es la secuencia de salida

que ser comparada con la seal deseada d(n) para producir una seal de error e(n). Esta se
emplea para ajustar los coeficientes del sistema adaptativo mediante un determinado algoritmo
adaptativo.

Aplicaciones de los sistemas adaptativos

Los sistemas adaptativos se pueden utilizar en una serie de estructuras.

Estructura directa
En la estructura inversa se consigue minimizar el valor del error cuadrtico medio u otra
funcin montona creciente del error cuando la seal de salida del filtro adaptativo sea
igual a la seal de salida del sistema desconocido. Como los dos sistemas tienen la misma
entrada y presentan la mima salida tenemos identificado el sistema desconocido; la
funcin de transferencia del sistema desconocido es la del sistema adaptativo para dichas
entradas.

Fig. 2 Estructura directa de un sistema adaptativo.

Estructura inversa
La minimizacin del error cometido por dicho sistema ocurrir cuando la seal de salida
del filtro adaptativo y(n) sea igual a la seal deseada que, en esta estructura, es igual a
x(n). El objetivo del sistema adaptativo es deshacer lo que hace el sistema desconocido.
Una aplicacin tpica de esta estructura se encuentra en la ecualizacin de canales.

En cualquier comunicacin se tiene un emisor, canal, receptor y, por supuesto, un

mensaje. El mensaje se vera distorsionado por el canal de transmisin, y por tanto, el
receptor tendr que eliminar la actuacin del canal sobre dicho mensaje para obtener el
mensaje original. Por las caractersticas de muchos canales de transmisin esa funcin de
transferencia cambia con el tiempo y, por tanto, se necesita un sistema que se adapte a
dichos cambios. Un sistema adaptativo es ideal en este tipo de situaciones.

Fig. 3 Estructura inversa de un sistema adaptativo.

Predictor
Esta estructura se utiliza en modelos de prediccin

Fig. 4 Esquema de un sistema adaptativo usado como predictor

La salida del filtro adaptativo utiliza las muestras anteriores de la seal x(n) para
determinar la salida y(n). Esto es:
() = (( ), ( 1), )
El objetivo del sistema adaptativo es hacer que () = () por lo que se tendr
entonces:
() = (( ), ( 1), ).
Se trata de realizar una prediccin del valor futuro, 0 de la seal (0 ) en funcin de las
muestras anteriores de dicha seal x(n) con < 0.
Esta estructura tiene un uso directo en el diseo de sistemas de control debido q al tener
la capacidad de predecir la magnitud a controlar se podr modificarla para que muestre
una serie de caractersticas deseadas.

Cancelador activo de ruido

Los pasos a seguir a la hora de filtrar una seal contaminada con ruido aditivo son siempre
los mismos. La seal que se tiene a nivel temporal, que es la suma de la seal que se
quiere obtener y el ruido que la interfiere, se transforma de dominio. Se abandona el
terreno temporal y se traslada la informacin a otro dominio, por ejemplo el frecuencial.
En dicho dominio la seal y el ruido estn separados y se puede aplicar un filtro quedando
el ruido eliminado. Finalmente se vuelve al terreno temporal donde ahora solo se tiene la
seal de inters. Este proceso tiene un problema: que ocurre si el contenido espectral del
ruido y de la seal que se quiere obtener estn solapados. En este caso la aplicacin de
filtros selectivos en frecuencia para eliminar el ruido no puede ser aplicado.

Fig. 5 Esquema de un filtrado selectivo en frecuencia.

Una de las alternativas para ser utilizadas en este caso es el cancelador activo de ruido
(ANC)

Fig. 6 Esquema bsico de un cancelador activo de ruido.

Aqu s(n) es la seal deseada, 0 es el ruido que afecta a dicha seal y 1 es un ruido
correlacionado con el anterior.
De esta forma, el error cuadrtico en el instante n cometido por el sistema adaptativo:
2

2 () = (() ()) = (() + 0 () (1 ()))

Donde (1 ()) es la salida del filtro adaptativo. Dada la nula correlacin entre s(n) y
1 (), se puede decir que el sistema modela la seal de ruido 0 () una vez minimizado
este error cuadrtico. En este caso, la seal de error es s(n) que es la seal que se quiere
obtener.

Algoritmos adaptativos. Algoritmo LMS

Entre los algoritmos adaptativos ms extendidos se encuentra la de mnimos cuadrados, LMS
(Least Mean Square). Estos algoritmos se obtienen usando la regla delta para la minimizacin
iterativa de funciones. El funcionamiento de esta regla es muy intuitivo; se parte de unos valores
de los parmetros de la funcin y, a partir de dichos valores, los parmetros del sistema se acercan
a los ptimos correspondientes al mnimo de la funcin. El problema consiste en determinar la
direccin de dicho mnimo. Para ello se echa mano de clculo vectorial, donde la direccin del
mnimo coincide con la opuesta del gradiente de la funcin. La razn estriba en que la direccin
del gradiente apunta al mximo de la funcin. Segn todo lo dicho, la regla delta para el ajuste de
los parmetros del filtro a vendr dada por la expresin
+1 =

Donde J es la funcin que define el comportamiento del sistema adaptativo, es un nmero real
positivo, conocido como constante de adaptacin, que controla el incremento de los parmetros
en cada iteracin del ajuste n. Lgicamente, si la constante es alta, el incremento seria alto y
la velocidad de convergencia del sistema adaptativo hacia el sistema optimo aumentara. El
problema radica en que un aumento en el valor de la constante de adaptacin puede conllevar
que el sistema se vuelva inestable. En el caso de la familia de algoritmos adaptativos LMS la
funcin a minimizar es el error instantneo al cuadrado, es decir:
= 2 ()
Donde e(n) es el error cometido en el instante n y se define como la diferencia entre la seal
deseada, d(n), y la salida del filtro adaptativo en el instante n, y(n), es decir:
= (() ())

Fig. 7 Esquema del descenso por gradiente sobre la superficie de la funcin de error

Las ecuaciones de actualizacin de un filtro adaptativo de tipo FIR. La salida del filtro adaptativo se
determina convolucionando la respuesta impulsional del filtro adaptativo con la entrada:
1

() = ()( )
=0

Siendo () el coeficiente k de la respuesta impulsional en el instante n y x(n) la entrada en

dicho instante. Para mayor sencillez en las ecuaciones que se van a determinar se definen los
vectores de pesos y entradas de la siguiente forma:
= [ (0), (1), , ( 1)] = [(0), (1), , ( 1)]
Donde el superndice T indica trasposicin. De esta forma la salida del filtro queda definida:
() = .
La funcin de coste desarrollada sera
1

{ 2 ()}

= {(()

. )2 }

= {(() ()( )) }
=0

Para la actualizacin de los parmetros hay que aplicar la regla delta definida en este caso
particular como:
+1 =

Se debe determinar en primer lugar el trmino de gradiente

{ 2 ()}
()
=
= 2()
()

Teniendo en cuenta que

() {() 1
=0 ()( )}
=
= ( )

()
Se llega a

{ 2 ()}
=
) 2()( )

()
Sustituyendo ahora en la expresin que define la regla delta, se tiene la regla de actualizacin de
los coeficientes del filtro adaptativo regido por el LMS:
+1 () = () + 2()( ), 0 1
Utilizando notacin vectorial se llega a:
+1 = + 2()
As pues, un filtro adaptativo de tipo FIR basado en el LMS tendra las siguientes etapas en su
funcionamiento:
1.
2.
3.
4.

Inicializacin de los coeficientes del filtro adaptativo.

Determinacin de la salida del filtro: () = .
Determinacin del error del sistema:
() = () ()
Actualizacin de los coeficientes del filtro
+1 = + ()

Donde se ha englobado el parmetro 2 en el parmetro. El procedimiento desarrollado, regla

delta, es totalmente general de forma que se puede utilizar en cualquier estructura donde se
defina un ndice de funcionamiento del sistema. [1]

Algoritmos estocsticos de gradiente

En la literatura tcnica se han propuesto diversas variantes del algoritmo de mnimos cuadrados
(LMS) bsico y se han implementado en aplicaciones de filtrado adaptativo. Una de estas variantes
se obtiene promediando los vectores gradiente en varias iteraciones al ajustar los coeficientes del
filtro.
La operacin de promediado reduce el ruido en el estimado del vector gradiente.
Un mtodo alternativo consiste en filtrar los vectores gradiente mediante un filtro paso bajo y
utilizar la salida del filtro como un estimado del vector gradiente.

Algoritmos adaptativos. Algoritmo RLS

La principal ventaja del algoritmo LMS est en su simplicidad de clculo. Sin embargo, el precio que
hay que pagar por esta simplicidad es una lenta convergencia, especialmente cuando los
autovalores de la matriz de auto correlacin presentan una dispersin grande, es decir, cuando
max
min

El algoritmo LMS slo tiene un parmetro ajustable para controlar la velocidad de convergencia .
Puesto que est limitado con propsitos de estabilidad para ser menor que el lmite superior, los
modos correspondientes a los autovalores menores convergen muy lentamente.

Algoritmos de factorizacin LDU y de raz cuadrada

El algoritmo recursivo de mnimos cuadrados es muy sensible al ruido de redondeo de una
implementacin del algoritmo cuando se emplea aritmtica de precisin finita.
Para remediar este problema, podemos realizar una descomposicin de la matriz de correlacin o
de su inversa.
Los algoritmos RLS obtenidos a partir de una descomposicin LDU de RM(n) o de PM(n) se conocen
como algoritmos RLS de raz cuadrada.[2]

Bibliografa
[1] E. Soria, M. Martnez, J. V. Francs y G. Camps, Tratamiento digital de seales. Problemas y
ejercicios resueltos, Valencia: SinObraDerivada, 2003, pp. 425-431.
[2] J. Proakis y D. Manolakis, Tratamiento digital de seales, Cuarta ed., Madrid: PEARSON
EDUCACIN S.A, 2007, pp. 785-815.