FILTRO LMS

INTRODUCCION- FILTRO DE WIENER

Es un sistema al que le llegan dos seales:

x(n) y e(n). A los coeficientes del filtro se les
llama w(n), que son los que multiplican a la
entrada x(n) para obtener la salida.
y(n)=w(n)x(n)
e(n)=d(n)-y(n)

CARACTERSTICAS:

El objetivo del filtrado de Wiener es

determinar la respuesta impulsional h*(n),
de longitud Q muestras, de modo que la
salida y(n) sea lo mas parecida posible a
la seal d(n). Se puede tomar, como
medida de parecido, el error cuadrtico
medio entre la salida y la referencia.
= E{|d(n) y(n)|2 }

La respuesta impulsiva del filtro de Wiener se

obtiene encontrando una expresin para el
error cuadrtico medio y minimizndola con
respecto a la respuesta al impulso.

Siendo mm la auto correlacin y mn

correlacin cruzada de dos seales m y n.

la

El valor mnimo del error determina los

coeficientes ptimos del filtro, es decir su
mejor diseo.
La ecuacin que nos permite encontrar los
coeficientes (W), del filtro es:

Rxw=rdx
Donde

Rx Matriz de Autocorrelacin
rdx Vector de Correlacin Cruzada
W Vector de coeficientes.

TIPOS DE FILTROS WIENER

Existen diversas estructuras para el filtro
de wiener. Comenzaremos con el caso en
q el filtro puede ser no causal y de
duracin infinita, el filtro IIR no causal .
Posteriormente aadiremos la restriccin
de causalidad para obtener un filtro IIR
causal. Por ultimo, la restriccin de
longitud finita nos conducir al filtro FIR.

Filtro de Wiener IIR

Nuestro propsito es disear un filtro h(n) que produzca una salida:
y(n) = x(n) * h(n)
Tan cercana como sea posible, en sentido cuadrtico-medio, a la
respuesta deseada, d(n).
El enunciado del problema es idntico para filtros FIR y para IIR, pero
existe una gran diferencia que cambia la solucin.
Para el filtro FIR, existe un nmero finito de posibles coeficientes del
filtro, mientras que con el filtro IIR, el nmero de incgnitas, es decir,
de valores de h(n) para todo n, es infinito.
Vamos a considerar dos situaciones:

Primero el caso en que no aplicamos restricciones a la solucin.

Obtendremos que el filtro ptimo es, en general, no causal, y por
tanto, irrealizable: Filtro Wiener IIR no causal.
Posteriormente, aplicaremos la condicin de causalidad, y para ello
forzaremos h(n) a cero para valores de ndice n negativos: Filtro
Wiener IIR causal.

FILTRO DE WIENER IIR NO CAUSAL

Para un filtro de Wiener IIR no causal (sin restricciones), debemos determinar la respuesta
impulsional, h(n),

que minimice el error cuadrtico medio

donde e(n) es la diferencia entre la respuesta deseada d(n) y la salida del filtro de Wiener,

Para encontrar la respuesta derivamos x respecto a h*(k) para todo k e igualamos las derivadas a
cero. As, obtenemos

Esta ecuacin se conoce como principio de ortogonalidad, y establece que x es mnimo y los
coeficientes del filtro asumen sus valores ptimos cuando e(n) est incorrelado con cada muestra
de entrada x(n) que es utilizada para el clculo de la estimacin. Como consecuencia, el error
tambin es ortogonal a la salida del filtro. Este principio establece una condicin suficiente y
necesaria para la optimizacin.

Ordenando trminos llegamos a

Observamos que el valor medio esperado en la

izquierda es la autocorrelacin de x(n), y que el
trmino de la derecha es la correlacin cruzada
entre x(n) y d(n). Por tanto, podemos escribir la
ecuacin anterior como

ecuaciones de Wiener-Hopf para el filtro de Wiener IIR no causal.

Filtro de Wiener IIR causal

En esta seccin vamos a aplicar la restriccin de causalidad al filtro de Wiener. La
respuesta impulsional, por tanto, ser cero para valores de n menores de cero,
y la estimacin de d(n) tomar la forma

Debemos encontrar los coeficientes que minimizan el error cuadrtico medio, y

para ello, derivamos x respecto a h*(k) con k = 0 e igualamos las derivadas a
cero. As obtenemos las ecuaciones de Wiener-Hopf para el filtro de Wiener IIR
causal:

APLICACIONES

Otra aplicacin de inters del filtrado de Wiener esta en los

denominados canceladores de ruido. En esta ocasin, se supone que
la seal deseada s(t) (habitualmente voz o audio) se ve afectada por
un ruido aditivo h(t)*w(t), donde h(t) es el canal de propagacin del
ruido hasta el micrfono. Si dicho ruido puede captarse (muy
importante) libre de seal deseada, va otro micrfono (o un galga
extensiomtrica si se trata de una superficie vibrante, caso de ruido
de baja frecuencia), entonces puede usarse de referencia para
cancelar este a la salida . Lo que se espera del filtro de Wiener es que
sea capaz de lograr una copia adecuada del canal h(t).
Bajo un diseo ptimo del filtro, el error ser precisamente la seal
deseada libre de ruido. Esto ocurrir cuando el filtro copie
perfectamente el canal de propagacin del ruido. Es crucial que el
canal, denominado de datos en la figura, no contenga seal deseada
s(n), de otro modo se producira la cancelacin de sta. Por esta razn
es recomendable el usar sensores de vibracin en paneles vibrantes o
micrfonos direccionales con un nulo en la direccin donde se recoge
la seal deseada. Para comprobar el correcto funcionamiento del filtro
se calculara la coherencia espectral de los datos con la referencia.

El filtro de Wiener como cancelador de ecos. Por falta de aislamiento en

el transformador hbrido cercano al origen de la conversacin 2, la conversacin
de 1 vuelve despus de atravesar el hbrido (modelado como un canal lineal). El
cancelador debe generar una rplica de dicho canal para eliminar el eco.

CANCELADOR DE RUIDO UTILIZANDO UN FILTRO

ADAPTIVO NLMS

Como forma de solucionar este problema se realiza lo

siguiente, se coloca otro micrfono cerca del martillo
neumtico, y mediante un filtro adaptivo, se busca estimar el
"ruido" que se suma a mi seal, para luego restarlo y as
obtener la voz del orador nicamente.
Nuestro objetivo es realizar el filtro FIR, cuyos coeficientes se
adapten mediante el algoritmo NLMS (Normlaized Least Mean
Square) para cancelar el ruido

CANCELACIN ADAPTIVA DE RUIDO

Una de las tcnicas de procesamiento adaptivo de

seales mas simples y efectivas es la cancelacin de
ruido adaptiva. Como se muestra en la figura, la entrada
primaria u(n) contiene la seal mas el ruido, donde v2(n)
es la referencia del ruido, un filtro adaptivo es usado para
estimar el ruido de u(n) y el ruido estimado y(n) se resta
del canal primario. La salida del cancelador de ruido es
entonces e(n).

FILTRO DE WEINER ADAPTIVO (COEFICIENTES

ADAPTADOS POR LMS)

La implementacin ms comn de un filtro

adaptivo es la estructura transversal. La seal
de salida del filtro y(n) es

donde:

Algoritmo de adaptacin:
El algoritmo de adaptacin usa la seal de error:

e(n) = u(n) y(n)

Donde y(n) es la salida del filtro. El vector de
entradas v2(n) y e(n) son utilizados para
actualizar los coeficientes del filtro adaptivo de
acuerdo al criterio que se quiera minimizar. El
criterio que utilizamos nosotros es el de
minimizar el error cuadrtico medio:

Ya habamos visto que

Donde
La solucin ptima
se obtiene resolviendo la ecuacin:

, que minimiza el error cuadrtico medio,

Donde llegbamos a la solucin:

Un algoritmo LMS ampliamente usado es un algoritmo que
adapta los coeficientes en cada muestra. Este mtodo puede
evitar el complicado clculo de R-1 y p, este algoritmo es un
mtodo prctico para encontrar soluciones aproximadas a la
ecuacin anterior.
(8)

Donde b es el paso de adaptacin que controla la estabilidad y

la velocidad de convergencia. Para el algoritmo LMS, el
gradiente en la n-sima iteracin
, es estimado asumiendo
el error al cuadrado como un estimador del error cuadrtico
medio. As, la expresin para el estimador del gradiente puede
ser simplificada a:

Al sustituir este estimador instantneo del gradiente en la

ecuacin (8) conduce al algoritmo LMS de Widrow-Hoff:

donde 2 es usualmente reemplazado por en la

implementacin prctica .

Si comenzamos con un w(0) cualquiera, el vector de coeficientes

converger a su solucin ptima w*, si se cumple que:

donde max es el mayor valor propio de la matriz R. max puede ser

acotado por:

donde Tr[R] es la traza de R y r(0) = E{v22(n)} es la potencia promedio

de la entrada. Para aplicaciones de procesamiento de seales, la
consideracin prctica ms importante es la velocidad de
convergencia, que determina la habilidad del filtro de seguir seales
no estacionarias. Hablando generalmente, la convergencia del vector
de coeficientes est garantizada slo cuando el coeficiente ms
lento ha convergido. La constante de tiempo del modo ms lento es:

Esto indica que la constante de tiempo para la convergencia

de los coeficientes es inversamente proporcional a by
adems depende de los valores propios de la matriz de
autocorrelacin de la entrada. Con valores propios muy
eparados i.e. max min, el tiempo de establecimiento est
limitado por el modo ms lento, min. La adaptacin basada
en un estimador del gradiente resulta en ruido en el vector
de coeficientes, y por lo tanto una prdida de performance.
Este ruido en el proceso adaptivo causa que el vector de
coeficientes en rgimen vare aleatoriamente alrededor del
vector de coeficientes ptimos.
Todo esto nos lleva a ver el compromiso entre la velocidad
de convergencia y el error en rgimen, si queremos obtener
una velocidad de convergencia buena, entonces el
paso b debe ser grande, pero en este caso la performance
en rgimen del filtro no sera muy buena, y viceversa si
queremos obtener buena performance en rgimen, entonces
debemos hacer que b sea chico, pero esto limita la
velocidad de convergencia.

GRACIAS