procesamiento digital de señales semana 11. filtros...
TRANSCRIPT
Dra. María del Pilar Gómez Gil Otoño 2017
Coordinación de computación INAOE
Procesamiento digital de señales Semana 11.
Filtros Adaptivos LMS
1 (c) P.Gómez Gil, INAOE 2017
Versión: 31 de Octubre 2017
Tema Filtros adaptivos LMS
Parte del material de esta presentación fue tomado de: Li Tan. Digital Signal processing. Fundamentals
and applications. Elsevier Inc, 2008, Amsterdam. (tarea: leer el capítulo 10 de este libro)
(c) P.Gómez Gil, INAOE 2017 2
• Los filtros digitales adaptivos son muy utilizados actualmente
• Ejemplo de aplicaciones: eco en las llamadas telefónicas, cancelación de ruido, mejora de señales biológicas y sistemas de control adaptivo
• Se usan en ambientes donde las señales están cambiando con el tiempo, ya que en ese tipo de señales, los filtros con coeficientes fijos no funcionan
• Aquí solo platicaremos de un tipo de filtro FIR basado en el algoritmo de “least mean square” (LMS)
Introducción (1/2)
3
• Recordemos que un filtro FIR se puede definir como: Donde m representa el orden del filtro. Desglosando la ecuación tenemos: 𝑦 𝑛 = 𝑏0𝑥 𝑛 + 𝑏1𝑥 𝑛 − 1 + 𝑏2𝑥 𝑛 − 2 … • Un filtro adaptivo busca hallar los valores de los
coeficientes 𝑏𝑚 mas adecuados para los valores de las señales de entrada x(n), que están siendo recibidos en el momento.
Introducción (2/2)
4
m
m mnxbny )()(
Un sistema para cancelar ruido
5
(Tan 2008)
Ruido original
Filtro de grado 1 : 𝑦 𝑛 = 𝑏0𝑥 𝑛 Como es adaptivo, 𝑏0 puede valer diferente en el tiempo
• s(n) – señal original en el 1º. canal (señal deseada) • n(n) – ruido en el 1º. canal • d(n) – señal capturada en el 1º. Canal • x(n) – ruido original capturado en el 2º. Canal
• Notar que:
– n(n) (ruido en 1º. Canal) no está correlacionado con s(n) (señal original en el primer canal), entonces se pueden separar
– x(n) (ruido puro, 2º. canal) sí está correlacionado con n(n) (ruido capturado en el 1º. canal).
– x(n) no está correlacionado a s(n)
Señales involucradas
6
• El objetivo del filtro es estimar un aproximado del ruido real, para poder restarlo de la señal capturada en el 1º. canal y así tener un aproximado de la señal deseada
• El ejemplo muestra un filtro FIR de orden 1 (un solo retraso) 𝑦 𝑛 = 𝑤𝑛𝑥 𝑛
• Cuando y(n)≈n(n), la señal de error e(n)= s(n)+y(n)-n(n) ≈ ŝ(n), es decir, la señal limpia deseada
Calculo del único coeficiente del filtro (1/2)
8
• La fórmula de ajuste del filtro del ejemplo está dada por: 𝑤𝑛+1 = 𝑤𝑛 + 0.01 ∙ 𝑥 𝑛 ∙ 𝑒 𝑛
• De la filmina anterior, recordamos que:
𝑦 𝑛 = 𝑤𝑛𝑥 𝑛 𝑒 𝑛 = 𝑑 𝑛 − 𝑦(𝑛)
(Tan 2008)
Calculo del único coeficiente del filtro (1/2)
9
Filtrado adaptivo: idea general
12
d(n) – función deseada e(n) – error generado Y(n)- salida del filtro X(n)- entrada al filtro
El “filtro” deberá, después de un tiempo, generar la salida especificada por la función d(n)
[Tan, 2008]
Least-Mean-Square (LMS) Algorithm
• Desarrollado por Widrow y Woff (Widrow &Woff, 1960) • Procesos básicos
– Proceso de Filtrado • Calcule la salida del filtro FIR convolucionando la entrada con los
coeficientes • Estime el error
– Proceso de adaptación • Ajuste los pesos
• El objetivo es obtener el valor de w que minimice el error J, para lo cual se busca el mínimo del error, obteniendo la derivada de la función de error con respecto al peso e igualando a cero:
Valor del peso “ideal”
15
PRR
Pw
wRP
wRPw
J
1
022
Cálculo iterativo de los pesos Algoritmo LMS Least-mean square
[Tan, 2008]
un solo peso dos pesos
Función del error cuadrático medio
• El nuevo “w” deberá ser el “w” anterior menos/mas algún porcentaje de incremento que “lleve” a la función al mínimo valor de J
Actualización del peso (1/2)
[Tan, 2008]
• Suponiendo que x(n)={3,3,3,3….} y se desea que y(n)={8,8,8,8….}, cuanto debe valer 𝑤𝑛?
𝑦 𝑛 = 𝑤𝑛𝑥 𝑛
𝑤𝑛 =8
3= 2.66666
• La estimación de 𝑤𝑛 usando LSM sería: (ver siguiente filmina)
Ejemplo muy simple de cálculo de w
20
• el archivo excel que
• calcula esta tabla
21
Convergencia del coeficiente del ejemplo
22
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
w(n
)
iteración (n)
Convergencia de w
• Reproducir en Matlab, sin usar el toolbox de procesamiento de señales, la figura 10.3 de (Tan,2008)
Tarea
26
Aplicaciones de filtos adaptivos: identificación
• Modelado de un sistema
Parameters
– u=input of adaptive filter=input to plant – y=output of adaptive filter – d=desired response=output of plant – e=d-y=estimation error
[Tan, 2008]
• Parameters – u=input of adaptive filter=delayed version of random signal – y=output of adaptive filter – d=desired response=random signal – e=d-y=estimation error=system output
• Applications: – Linear predictive coding
Aplicaciones de sistemas adaptivos: predicción