Тема 11. Адаптивная фильтрация цифровых данных пусть они постараются подчинить себе обстоятельства, а не подчиняются им сами (стр. 1 из 7)
ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ
Digital signals processing
Тема 11. АДАПТИВНАЯ ФИЛЬТРАЦИЯ ЦИФРОВЫХ ДАННЫХ
Пусть они постараются подчинить себе обстоятельства, а не подчиняются им сами.
Гораций. Послания. Римский поэт, I в.д.н.э.
Если в этой теории Вы не увидите смысла, тем лучше. Можно пропустить объяснения и сразу приступить к ее практическому использованию.
Валентин Ровинский. Теория карточных игр.
Киевский геофизик Уральской школы, ХХ в.
Содержание
Введение.
1. Общие сведения об адаптивной цифровой фильтрации. Основные области применения. Адаптивный шумоподавитель. Адаптивный фильтр Винера. Адаптивный алгоритм наименьших квадратов Уидроу-Хопфа. Рекурсивные схемы наименьших квадратов.
2. Основы статистической группировки информации. Предпосылки метода. Задача статистической группировки. Использование априорных данных. Эффективность метода.
3. Статистическая регуляризация данных. Проверка теоретических положений метода. Оценка сохранения разрешающей способности. Статистическая оценка регуляризации данных. Результаты моделирования. Частотное представление. Пример практического использования.
4. Статистическая группировка полезной информации. Сущность аппаратной реализации. Особенности аппаратной реализации. Реализация систем группировки информации. Пример исполнения системы группировки информации.
Введение
В традиционных методах обработки данных информация извлекается из входных сигналов линейными системами с постоянными параметрами алгоритмов преобразования данных. Системы могут иметь как конечную, так и бесконечную импульсную характеристику, но передаточная функция систем не зависит от параметров входных сигналов и их изменения во времени.
Адаптивные устройства обработки данных отличаются наличием определенной связи параметров передаточной функции с параметрами входных, выходных, ожидаемых, прогнозируемых и прочих дополнительных сигналов или с параметрами их статистических соотношений, что позволяет самонастраиваться на оптимальную обработку сигналов. В простейшем случае, адаптивное устройство содержит программируемый фильтр обработки данных и блок (алгоритм) адаптации, который на основании определенной программы анализа входных, выходных и прочих дополнительных данных вырабатывает сигнал управления параметрами программируемого фильтра. Импульсная характеристика адаптивных систем также может иметь как конечный, так и бесконечный характер.
Как правило, адаптивные устройства выполняются узкоцелевого функционального назначения под определенные типы сигналов. Внутренняя структура адаптивных систем и алгоритм адаптации практически полностью регламентируются функциональным назначением и определенным минимальным объемом исходной априорной информации о характере входных данных и их статистических и информационных параметрах. Это порождает многообразие подходов при разработке систем, существенно затрудняет их классификацию и разработку общих теоретических положений /л38/. Но можно отметить, что наибольшее применение при разработке систем для адаптивной обработки сигналов находят два подхода: на основе схемы наименьших квадратов (СНК) и рекурсивной схемы наименьших квадратов (РСНК).
11.1. ОБЩИЕ СВЕДЕНИЯ ОБ АДАПТИВНОЙ ЦИФРОВОЙ ФИЛЬТРАЦИИ [38, 43].
Основные области применения адаптивной фильтрации – очистка данных от нестабильных мешающих сигналов и шумов, перекрывающихся по спектру со спектром полезных сигналов, или когда полоса мешающих частот неизвестна, переменна и не может быть задана априорно для расчета параметрических фильтров. Так, например, в цифровой связи сильная активная помеха может интерферировать с полезным сигналом, а при передаче цифровой информации по каналам с плохими частотными характеристиками может наблюдаться межсимвольная интерференция цифровых кодов. Эффективное решение этих проблем возможно только адаптивными фильтрами.
Частотная характеристика адаптивных фильтров автоматически регулируется или модифицируется в соответствии с определенным критерием, позволяющем фильтру адаптироваться к изменениям характеристик входного сигнала. Они достаточно широко используются в радио- и гидролокации, в системах навигации, в выделении биомедицинских сигналов, и многих других отраслях техники. В качестве примера рассмотрим наиболее распространенные схемы адаптивной фильтрации сигналов.
Адаптивный шумоподавитель. Блок-схема фильтра приведена на рис. 11.1.1.
 Рис. 11.1.1. |
Фильтр состоит из блока цифрового фильтра с регулируемыми коэффициентами и адаптивного алгоритма для настройки и изменения коэффициентов фильтра. На фильтр одновременно подаются входные сигналы y(k) и x(k). Сигнал y(k) содержит полезный сигнал s(k) и некоррелированный с ним загрязняющий сигнал g(k). Сигнал x(k) какого-либо источника шума, коррелированный с g(k), который используется для формирования оценки сигнала ğ(k). Полезный сигнал оценивается по разности:
š(k) = y(k) – ğ(k) = s(k) + g(k) – ğ(k). (11.1.1)
Возводим уравнение в квадрат и получаем:
š2(k) = s2(k) + (g(k) – ğ(k))2 + 2.s(k) (g(k) – ğ(k)). (11.1.2)
Вычислим математическое ожидание левой и правой части этого уравнения:
M[š2(k)] = M[s2(k)] + M[(g(k) – ğ(k))2] + 2M[s(k) (g(k) – ğ(k))]. (11.1.3)
Последнее слагаемое в выражении равно нулю, поскольку сигнал s(k) не коррелирует с сигналами g(k) и ğ(k).
M[š2(k)] = M[s2(k)] + M[(g(k) – ğ(k))2]. (11.1.4)
В этом выражении M[s2(k)] = W(s(k)) – мощность сигнала s(k), M[š2(k)] = W(š(k)) – оценка мощности сигнала s(k) и общая выходная мощность, M[(g(k) – ğ(k))2] = W(eg) - остаточная мощность шума, который может содержаться в выходном сигнале. При настройке адаптивного фильтра к оптимальному положению минимизируется мощность остаточного шума, а, следовательно, и мощность выходного сигнала:
min W(š(k)) = W(s(k)) + min W(eg). (11.1.5)
На мощность полезного сигнала настройка не влияет, поскольку сигнал не коррелирован с шумом. Эффект минимизации общей выходной мощности будет выражаться в максимизации выходного отношения сигнал/шум. Если настройка фильтра обеспечивает равенство ğ(k) = g(k), то при этом š(k) = s(k). Если сигнал не содержит шума, адаптивный алгоритм должен устанавливать нулевые значения всем коэффициентам цифрового фильтра.
 Рис. 11.1.2. |
Адаптивный фильтр Винера. Входной сигнал y(k) фильтра, приведенного на рис. 11.1.2, включает компоненту, коррелированную с со вторым сигналом x(k), и полезную компоненту, некоррелированную с x(k). Фильтр формирует из x(t) сигнал ğ(k) - оптимальную оценку той части у(k), которая коррелированна с x(k), и вычитает ее из сигнала y(k). Выходной сигнал:
e(k) = y(k) - ğ(k) = y(k) - HTXk = y(k) -
h(n) x(k-n),где HT и Xk – векторы весовых коэффициентов фильтра и его входного сигнала.
Аналогично предыдущему методу, возводим в квадрат левую и правую части уравнения, находим математические ожидания обеих частей и получаем уравнение оптимизации e выходного сигнала:
e = s2 + 2PTH + HTRH, (11.1.6)
где s2 = M[y2(k)] – дисперсия y(k), P = M[y(k)Xk] – вектор взаимной корреляции, R = M[XkXkT] – автокорреляционная матрица.
 Рис. 11.1.3. |
В стационарной среде график зависимости e от коэффициентов H представляет собой чашеобразную поверхность адаптации (рис. 11.1.3). Градиент поверхности:
D = de / dH = -2P + 2RH.
Каждому набору коэффициентов h(n) на этой поверхности соответствует определенная точка. В точке минимума градиент равен нулю и вектор весовых коэффициентов фильтра является оптимальным:
Hopt = R-1P. (11.1.7)
Эта формула называется уравнением Винера-Хопфа. Задачей алгоритма автоматической настройки является подбор таких весовых коэффициентов фильтра, которые обеспечивают работу в оптимальной точке поверхности адаптации.
Однако практическое применение фильтра затрудняется использованием корреляционных матриц R и P, априори неизвестных, и которые могут изменяться со временем для нестационарных сигналов.
Адаптивный алгоритм наименьших квадратов Уидроу-Хопфа. По существу, это модификация фильтра Винера, в которой вместо вычисления коэффициентов (11.1.7) за один шаг используется алгоритм последовательного спуска в оптимальную точку при обработке каждой выборки:
Hk+1 = Hk - mekXk, (11.1.8)
ek = yk - HTXk. (11.1.9)
Условие сходимости к оптимуму:
0 < m > 1/lmax, (11.1.10)
где m - параметр скорости спуска, lmax – максимальное собственное значение ковариационной матрицы данных. Блок-схема алгоритма приведена на рис. 11.1.4.
Рис. 11.1.4. Алгоритм адаптации методом наименьших квадратов.