1
Estabilidad de algoritmos FxLMS y MFxLMS
usados en Controladores Activos de Ruido
F. A. Gonzlez, R. Rossi, G. R. Molina y G. Parlanti
ResumenEste trabajo presenta una comparacin de la
estabilidad de los algoritmos FxLMS y MFxLMS aplicados al
Control Activo de Ruido (CAR) de banda angosta de baja
frecuencia. El trabajo se enfoca en el estudio del camino
secundario presente en un auricular, y el efecto que su variacin
tiene en la estabilidad del sistema. El anlisis presentado se
completa con simulaciones que avalan las conclusiones.
Palabras claves CAR, FxLMS, MFxLMS, Controlador
Adaptativo.
Abstract This paper presents a comparison of the stability of
the MFxLMS and FxLMS algorithms, applied to the low
frequency narrowband Active Noise Control (ANC). This work
focuses on the study of the secondary path in a headset, and the
effect of its variations in the systems stability. The analysis is
completed with simulations that support the conclusions.
Keywords ANC, FxLMS, MFxLMS, Adaptive Controller.
I. INTRODUCCIN
E L ruido dentro de la cavidad del auricular puede variar en
el tiempo, ya sea porque la fuente de ruido ha variado, o
porque la transferencia acstica del auricular ha cambiado, por
ejemplo por movimientos del mismo en la cabeza del usuario.
El Controlador Activo de Ruido (CAR) debe ser capaz de
adaptarse a estas variaciones, generando en cada momento una
seal opuesta al ruido remanente dentro del auricular, llamada
antirruido, en la denominada zona de quietud, normalmente
cerca del odo del usuario. El CAR debe entonces ser
adaptativo, es decir, debe aprender de sus errores y modificar
la seal antiruido hasta que el error remanente sea pequeo. El
proceso de aprendizaje requiere que una seal de referencia
sea censada por un micrfono externo al auricular, o bien sea
sintetizada por el propio CAR. Cuando se censa la seal de
referencia, el CAR se denomina prealimentado y en este
caso tiene la ventaja de cancelar cualquier tipo de ruido
externo. En contrapartida, el CAR debe ser lo suficientemente
F. A. Gonzlez, Universidad Nacional de Crdoba, Crdoba, Argentina,
fer.gonzalez.vergara@gmail.com.
R. Rossi, Universidad Nacional de Crdoba, Crdoba, Argentina,
rrossi@efn.uncor.edu.
G. R. Molina, Universidad Nacional de Crdoba, Crdoba, Argentina,
rmolina@efn.uncor.edu.
G. Parlanti, Universidad Nacional de Crdoba, Crdoba, Argentina,
gustavo.parlanti@gmail.com.
rpido para procesar la referencia, el error, y generar el
antirruido antes que la seal a cancelar cubra la distancia entre
el micrfono de referencia y la zona de quietud. Cuando la
seal de referencia se sintetiza en lugar de censarse, el sistema
se denomina realimentado y solo puede cancelar ruidos
peridicos o de banda angosta, ya que la seal de referencia y
por consecuencia el antirruido generado, se basan en muestras
tomadas en perodos anteriores. Este trabajo se basa en el
modelo realimentado, que, como veremos, introduce una
nueva fuente de inestabilidad.
Es deseable utilizar seales digitales para realizar el
procesamiento adaptativo que permite compensar las
variaciones del ruido de entrada. Como el antirruido debe
aplicarse en el plano acstico, la seal de error debe ser
transferida del entorno acstico al elctrico mediante un
micrfono, y luego convertirla a digital mediante un conversor
analgico/digital. Luego de procesarse digitalmente, la seal
antirruido debe convertirse nuevamente a analgica mediante
un conversor digital/analgico y transferida al entorno acstico
mediante un parlante. El efecto de los circuitos que realizan
todas las funcionalidades descriptas anteriormente se suele
agrupar en una sola funcin de transferencia llamada camino
secundario. Esto condiciona la seleccin del algoritmo de
adaptacin, ya que la zona de quietud donde debe aplicarse el
antirruido no es observable directamente desde el entorno
digital, sino a travs del camino secundario. Algoritmos
eficientes y robustos como el Least Mean Square (LMS) [1]
pueden volverse inestables fcilmente por esta razn. Se han
desarrollado, entre otras, dos variantes muy usadas del
algoritmo LMS llamadas Algoritmo LMS de referencia
filtrada, FxLMS (Filtered X LMS) [2], y FxLMS modificado,
MFxLMS (Modified Filtered X LMS) [3].
Tanto la necesidad de sintetizar la seal de referencia en un
sistema realimentado, como la presencia del camino
secundario ofrecen desafos para la estabilidad de los
algoritmos adaptativos. En este trabajo se presenta una
comparacin de los algoritmos mencionados, y se simulan
situaciones que ayudan a comprender las diferencias.
II. FACTORES QUE AFECTAN LA ESTABILIDAD
Comenzaremos analizando los factores principales que
afectan la estabilidad de un CAR adaptativo.
 2

Fig. 2. Diagrama en bloques del CAR realimentado digital.

Fig. 1. CAR realimentado digital aplicado a un auricular.

A. Identificacin del camino secundario

Uno de los factores principales de inestabilidad est
relacionado con presencia del camino secundario. Lo primero
que haremos ser estudiar en detalle las partes que componen Fig. 3. Diagrama en bloques elctrico del CAR realimentado digital.
la funcin de transferencia de ese camino secundario. La Fig. 1
muestra en detalle los bloques intervinientes.
Para realizar ese sistema digitalmente es necesario un
conversor A/D (analgico a digital) para convertir las seales
del micrfono sensor del error a seales digitales, y un
conversor D/A (digital a analgico) para convertir las seales
de salida del DSP a seales analgicas, a fin de ser aplicadas
al parlante. Tambin es necesario el uso de un preamplificador
para acondicionar el bajo nivel de la seal del micrfono al Fig. 4. Diagrama en bloques discreto del CAR realimentado digital.
nivel requerido por el conversor A/D, y un amplificador de
potencia para excitar el parlante. En ambos caminos se debe La seal deseada d(t) (ver Fig. 3) es el ruido acstico en la
incluir un filtro pasa bajos LPF (Low-Pass Filter) de forma elctrica que se desea cancelar. La Fig. 4 muestra cmo
reconstruccin de la seal y antialiasing. El factor -1 se a travs de un retentor de orden cero se llega a un diagrama en
introduce para desfasar 180 el antirruido generado, de tal bloques discreto equivalente del sistema donde se ve que la
manera de que se produzca una interferencia destructiva en la funcin de transferencia entre la seal de error e(n) y la seal
cavidad del auricular. H(z) es la funcin de transferencia del deseada d(n) es:
controlador. La Fig. 2 muestra un diagrama en bloques del
sistema. La funcin de transferencia continua Sp(s) representa E z 1
(1)
el camino desde la salida del conversor D/A hasta el lugar D z 1 S z H z
donde se produce la interferencia destructiva acstica del
antirruido con el ruido a cancelar, dentro de la cavidad del
auricular. Dicha funcin de transferencia Sp(s) incluye las En un sistema realimentado, como se muestra en la Fig. 5,
funciones de transferencia del filtro de reconstruccin, dentro de la funcin de transferencia H(z), se debe sintetizar la
amplificador de potencia, parlante y la funcin de seal de referencia x(n) para que el filtro adaptativo de control
transferencia acstica que hay entre el parlante y el lugar de la W(z) la utilice en su proceso de aprendizaje y en la generacin
interferencia. La funcin de transferencia continua Sm(s) del antirruido.
representa el camino que va desde el lugar de la interferencia La Fig. 5 muestra el llamado modelo interno o IMC
destructiva acstica hasta la entrada del conversor A/D. La (Internal Model Control) [4]. Como S(z) es desconocida, se la
misma incluye la funcin de transferencia acstica que hay debe estimar de alguna otra forma, resultando en la
entre el lugar de la interferencia y el micrfono y las funciones transferencia S(z). Se observa el retardo de un perodo de
de transferencia del micrfono, preamplificador y filtro muestreo, inherente en todo procesamiento digital de seal en
antialiasing. El conversor D/A esta representado por el retentor tiempo real del tipo muestra por muestra. Introduciendo este
de orden cero y el conversor A/D por el interruptor que abre y nuevo lazo (1) queda ahora:
cierra a la velocidad de la frecuencia de muestreo.
La Fig. 3 muestra otro diagrama equivalente en el que la E z 1 z 1W z S z (2)

sumatoria acstica se reemplaza por una sumatoria elctrica, y D z 1 z 1W z S z S z

aparece el camino secundario completo S(s) por donde se
transmite el antirruido.

Fig. 5. Sntesis de la seal de referencia.
Fig. 6. Segundo lazo de realimentacin.
En (2) queda de manifiesto a travs del denominador el
efecto de una estimacin incorrecta del camino secundario. La
Fig. 6 explicita el lazo de aprendizaje del controlador W(z), y
muestra grficamente como esta incorrecta estimacin del
camino secundario agrega un segundo lazo de realimentacin,
con consecuencias en la estabilidad del sistema.
El sistema entonces tiene dos lazos que determinan su
estabilidad: el lazo formado por el controlador W(z) y el
camino secundario S(z), y el lazo formado por el error de
estimacin S(z)-S(z).
Es comn estimar el camino secundario mediante el modelo
conocido como identificacin de planta, mostrado en la
Fig 7. Se trata de un sistema adaptativo adicional que aprende
la transferencia S(z) mediante el algoritmo LMS y una seal de
modelado v(n) que suele ser ruido blanco. El error f(n) est
compuesto por el error del controlador e(n) ms el propio error
de la identificacin de planta. Ambos sistemas convergen
simultneamente, gracias a la independencia estadstica de sus
seales de aprendizaje.
Una vez identificada la transferencia del camino secundario,
se coloca v(n) = 0 para que no disturbe la zona de quietud, y el
proceso de identificacin se detiene. La transferencia S(z) se
copia para ser usada en el IMC. Si posteriormente S(z) vara
por ejemplo al mover el auricular, el efecto del error S(z)-S(z)
se pone de manifiesto en (2). Este efecto es propio del sistema
realimentado, y aporta en forma similar a la inestabilidad de
los algoritmos FxLMS y MFxLMS, ya que es independiente
del algoritmo utilizado, como se muestra en la Fig. 6.
B. Aprendizaje del algoritmo FxLMS
Nos concentraremos ahora en el lazo de realimentacin
generado por el controlador W(z) en la Fig. 6, cuando se utiliza
3
Fig. 7. Identificacin del camino secundario.
Fig. 8. CAR realimentado usando el algoritmo FxLMS.
el algoritmo FxLMS. En este algoritmo se utiliza una vez ms
la estimacin de la transferencia del camino secundario S(z)
para filtrar la referencia sintetizada mediante el modelo IMC,
tal como se muestra en la Fig. 8.
El efecto del camino secundario sobre la estabilidad del
controlador se pone de manifiesto principalmente en la
velocidad mxima de aprendizaje del algoritmo FxLMS que
adapta W(z), determinada en este caso por [5]:
1
max 2 Px ' L 2 1 (3)
siendo Px es la potencia de la seal de referencia filtrada
x(n-1), L es la cantidad de coeficientes del filtro FIR que
realiza W(z) y es el retardo del camino secundario S(z).
En (3) queda claro que adems del efecto del lazo generado
por el modelo IMC mostrado en la Fig. 6, el algoritmo FxLMS
sufre el efecto del retardo introducido a la seal de
referencia por el camino secundario. Esto limita su mxima
velocidad de aprendizaje.
C. Aprendizaje del algoritmo MFxLMS
Analizando ahora el lazo de realimentacin generado por el
controlador W(z) en la Fig. 6, con el algoritmo MFxLMS. La
modificacin introducida al algoritmo FxLMS permite la
convergencia del controlador W(z) por separado del lazo IMC.
Como se observa en la Fig. 9, el aprendizaje de W(z) ocurre
ahora fuera del lazo, incorporndose una copia de W(z) en el
lazo principal. Esto permite invertir el orden de los bloques en
cascada S(z) y W(z). Entonces, el retardo del camino
secundario estimado S(z) afecta por igual al controlador

Fig. 9. CAR realimentado usando el algoritmo MFxLMS.
adaptativo y al algoritmo de aprendizaje. Por lo tanto, el
proceso de aprendizaje de W(z) es el de un algoritmo LMS
tradicional, y la mxima velocidad de aprendizaje queda
determinada por
max 2 / Px ' L (4)
en donde las variables tienen el mismo significado que en (3).
Es importante notar que (2) es vlida para el caso del
FxLMS y del MFxLMS, ya que se refiere a un W(z) adaptativo
en general. El numerador de (2) indica que el error resultar
pequeo en la medida que el controlador converja al valor
ptimo W*(z) definido como:
1 impulso mostrada en la Fig. 10. El proceso de aprendizaje se
W * z z (5)
S z
De (5) es posible advertir que una mala identificacin de
S(z) no ser determinante en la calidad del lazo generado por
el algoritmo adaptativo, ya que solo bastar que W(z) la
compense. Por otro lado de comparar (3) y (4) queda de
manifiesto la ventaja del algoritmo MFxLMS en cuanto a la
velocidad de adaptacin mxima relativa al retraso del camino
secundario. En [6] se analizan los lmites tericos de la
diferencia entre S(z) y S(z) en cuanto a la amplitud y fase para
ambos modelos.
III. SIMULACIONES
Para simular y analizar las diferencias de estabilidad de los
algoritmos FxLMS y MFxLMS se construy un modelo en
MATLAB, el cual permite variar los principales parmetros
del sistema. El camino secundario empleado para las
simulaciones, se dise de tal manera de aproximar la
magnitud de su respuesta en frecuencia a la de un auricular
circumaural activo (auricular circumaural con micrfonos de
error), fijado a la cabeza de una persona. De esta manera los
resultados obtenidos en las simulaciones se aproximen a los
4
Fig. 10. S(z) utilizada en las simulaciones.
resultados que se obtendrn en la prctica cuando se
implemente el sistema. Dicho diseo se bas en las
caractersticas de un auricular circumaural activo mostrados en
[7] en principio dominadas por la dinmica de resonancia
mecnica del parlante del auricular en las bajas frecuencias
(aproximadamente 200Hz). La respuesta al impulso obtenida
es:
0,8923 z 1 2,1140 z 21, 2218
S z z 40
(6)
1 z 11,8593 z 2 0,8824
cuya respuesta al impulso se muestra en la Fig. 10.
Para la identificacin del camino secundario se utilizaron
120 coeficientes, los que cubren la mayora de respuesta al
realiz con ruido blanco como seal v(n). La potencia del
ruido blanco fue Pv = 0.1 por lo que la mxima velocidad de
adaptacin qued determinada por max = 0.17. Se eligi un
valor de = 0.04.
El desempeo de ambos algoritmos se prob con una seal
d(n) compuesta por un tpico ruido de maquina [8], generado
en MATLAB. El mismo est formado por 12 componentes
mltiplos de 60Hz de distinta amplitud, con la mayor potencia
concentrada en las componentes de 240, 300, 360, 420 y
480Hz. Se eligi una amplitud tal que resulte en una potencia
filtrada Px = 0.1. Para ambos algoritmos se utiliz un
controlador W(z) de 150 coeficientes.
Como se ve en (6) S(z) tiene un retraso = 40. Con estos
valores (3) arroja un max = 0.0016 para el FxLMS y (4) un
valor de max = 0.13 para el MFxLMS. Para ambos algoritmos
se utiliz un = 0.001.
La simulacin se dividi en 3 fases. En la primera fase
ambos procesos adaptativos, W(z) y S(z) convergen
simultneamente. Esta fase termina luego de 300000 muestras.
La frecuencia de muestreo fue de 8kHz. Una vez convergidos,
en la segunda fase, se detiene el proceso de adaptacin de S(z)
y se hace v(n) = 0. Esta fase va de la muestra 300000 a la
600000. En la tercer fase, que comienza en la muestra 600000
se simula un cambio en la posicin del auricular, produciendo
 5

10
-1 caso en particular las perturbaciones ocurren en la funcin de
transferencia del camino secundario, producto de mover el
auricular cuando el sistema ya ha convergido. De las
-2
10 simulaciones realizadas se pueden extraer las siguientes
conclusiones:
10
-3
- El algoritmo FxLMS es ms sensible a las perturbaciones
de la funcin de transferencia, pudiendo, en algunos casos,
MSE

-4
perder estabilidad y nunca recobrarla.
10
- El algoritmo MFxLMS es ms estable, soportando las
perturbaciones gracias a su menor dependencia de las
-5
10 variaciones del camino secundario. Su aprendizaje es
similar al del algoritmo LMS tradicional.
10
-6 - Por el resto de las caractersticas ambos algoritmos se
0 100 200 300 400 500 600 700 800 900 comportan de manera muy similar.
Promedio cada 1000 muestras
Las direcciones futuras sern el anlisis, diseo e
Fig. 11. Curva de aprendizaje del algoritmo FxLMS. implementacin con componentes disponibles comercialmente
-1
de un CAR aplicado a un auricular con el algoritmo MFxLMS,
10
intentando obtener el mximo de atenuacin posible.

-2
10
AGRADECIEMEINTOS

-3 A la Secretaria de Ciencia y Tecnologa de la Universidad

10
Nacional de Crdoba, a la empresa Freescale Semiconductor,
MSE

Inc.
-4
10

-5
10
-6
10
0 100 200 300 400 500 600
Promedio cada 1000 muestras
Fig. 12. Curva de aprendizaje del algoritmo MFxLMS.
un S(z) cuya respuesta al impulso cae a la mitad de la
mostrada en la Fig. 10, y cuyo retardo se incrementa en 2
muestras, resultando en = 42. Como la identificacin de S(z)
se ha detenido en la fase 2, la diferencia de S(z)-S(z) genera
ahora una perturbacin en el sistema, tal como lo muestra la
Fig. 6.
La Fig. 11 muestra las tres fases del ciclo de aprendizaje
para el algoritmo FxLMS, graficando el error cuadrtico
medio (MSE) calculado a partir de la seal e(n) en la Fig. 8.
La Fig. 12 muestra lo mismo para el algoritmo MFxLMS,
calculando el MSE a partir de la seal e(n) en la Fig. 9. Dichos
resultados se obtuvieron, utilizando los parmetros
previamente indicados.
La diferencia en el efecto de mover el auricular es evidente.
El algoritmo MFxLMS soporta la perturbacin, mientras que
el algoritmo FxLMS no.
REFERENCIAS
[1] B. Widrow and S. Stearns, Adaptive Signal Processing, 1st ed.,
Englewood Cliffs,NJ:Prentice-Hall, 1985, pp.396.
[2] B. Widrow and E Walach, Adaptive Inverse Control: A Signal
700 800 900 Processing Approach, Reissue Edition., IEEE Press Series on Power
Engineering. New Jersey: Wiley-IEEE Press, 2008, pp 160-165 .
[3] M. Rupp and A. Sayed, Modified FxLMS Algorithms with Improved
Convergence Performance, 29th Asilomar Conf. Signals, Systems,
Computers, vol 2. Los Alamitos, CA, 1995, pp. 1255-1259.
[4] S. Eliott, Signal Processing for Active Control, Signal Processing and its
Applications. London: Academic Press, 2001, pp. 289-290.
[5] L. Vicente and E. Masgrau Novel FxLMS Convergence Condition
With Deterministic Reference in IEEE Transactions on Signal
processing, Vol. 54 No.10, 2006, pp. 3768-3774.
[6] P. Lopez and M. Piedade The behavior of the modified FX-LMS
algorithm with secondary path modelling errors in Signal Processing
Letters, Vol. 11 No. 2, 2004, pp. 148-151.
[7] P. Wheeler, Voice communications in the cockpit noise environment -
the role of active noise reduction. Doctoral Thesis. University of
Southampton, Institute of Sound and Vibration Research., 1986
[8] MathWorks. Filter design toolbox. Active Noise Control Using a
Filtered-X LMS FIR Adaptive Filter. [Online]. Available:
http://www.mathworks.com/products/filterdesign/demos.html?file=/pro
ducts/demos/shipping/filterdesign/adaptfxlmsdemo.html.

IV. CONCLUSIONES
Las conocidas diferencias de estabilidad de los algoritmos
FxLMS y MFxLMS se ponen de manifiesto al aplicar ambos
algoritmos al control activo de ruido en un auricular. En este
 6

Fernando A. Gonzlez, received the Electronic

Engineering degree from Universidad Nacional de
Crdoba, Crdoba, Argentina, in 2011. His current
research interests are applications of adaptive ANC
system and DSP devices.

Roberto Rossi, received the Electronic Engineer degree

from Mar del Plata University, Mar del Plata, Argentina
in 1984. He competed in a nationwide contest and was
awarded a fellowship from Philips International Institute.
Under this fellowship, he completed the Master of
Electronic Engineer from the NUFFIC (Netherlands
Universities Foundation For International Cooperation),
Eindhoven, The Netherlands in 1987. He is currently a
Professor at Universidad Nacional de Crdoba. His main interests and
activities are in adaptive digital filtering field. He lead in DSP ASIC VLSI
design teams for GSM and ISDN markets in Austria Microsysteme
International GmbH. Graz, Austria and Philips Netherlands B.V. Eindhoven,
The Netherlands. He is author of two patents.

Germn Rodrigo Molina, received the Electronic

Engineering degree from Universidad Nacional de
Crdoba, Crdoba, Argentina, in 2003, and the PhD in
Engineering Sciences in the same university, in 2010. He
was awarded a fellowship from CONICET, Argentina.
He is Associate Professor at Universidad Nacional de
Crdoba. It also conducts research and development in
the Geotechnical Laboratory and DSP Laboratory at the
university. His professional experience focuses on the development of
electronic devices in geotechnical and structural engineering, NDT and
geophysical survey methods, digital signal processing, imaging processing,
numerical modeling and programming.

Gustavo Parlanti, received the Electronic Engineering

degree from Universidad Nacional de Crdoba,
Crdoba, Argentina, in 1994. He is Professor in Digital
Signal Processing at the university. He was project
leader in software development in Motorola INC.,
Argentina, from 2001 to 2011. He is Designer Engineer
of Software and Hardware of Embedded and DSP
system meanly oriented to real experience in wireless,
automotive and biomedical applications. Nowadays activities are related to
senior software development and project management activities in ClariPhy
Argentina S.A.