Адаптивная фильтрация

Адаптивная фильтрация — это класс методов цифровой обработки сигналов, в котором параметры фильтра автоматически изменяются во времени в соответствии с изменяющимися характеристиками входного сигнала или окружающей среды. В отличие от фильтров с постоянными коэффициентами (стационарных), адаптивные фильтры способны подстраиваться под неизвестные или нестационарные условия, что делает их незаменимыми в системах связи, радиолокации, эхоподавлении, активном шумоподавлении и биомедицинской обработке сигналов.

Основные принципы

Адаптивный фильтр представляет собой устройство, которое на основе входного сигнала \( x(n) \) и желаемого (эталонного) сигнала \( d(n) \) формирует выходной сигнал \( y(n) \), стремясь минимизировать ошибку \( e(n) = d(n) - y(n) \). Ключевой элемент — алгоритм адаптации, который на каждом шаге (или через определённые интервалы) корректирует коэффициенты фильтра \( w(n) \) так, чтобы ошибка стремилась к нулю по заданному критерию (чаще всего — по среднеквадратическому).

Структура

Типичная структура адаптивного фильтра включает:

• Цифровой фильтр (обычно КИХ-фильтр с конечной импульсной характеристикой), выход которого вычисляется как свёртка входного сигнала с текущими коэффициентами.
• Блок вычисления ошибки — сравнивает выход фильтра с желаемым сигналом.
• Алгоритм адаптации — обновляет коэффициенты фильтра, используя информацию об ошибке и входном сигнале.

Классификация алгоритмов адаптации

Алгоритмы адаптации делятся на несколько групп по принципу обновления коэффициентов.

Градиентные алгоритмы

Основаны на методе наискорейшего спуска по поверхности функции ошибки. Наиболее распространённый представитель — алгоритм наименьших средних квадратов (LMS, Least Mean Squares). Он прост в реализации, не требует вычисления корреляционных матриц и работает в реальном времени. Обновление коэффициентов происходит по формуле:

\[ w(n+1) = w(n) + \mu \cdot e(n) \cdot x(n) \]

где \( \mu \) — шаг сходимости (скорость адаптации). Недостаток LMS — медленная сходимость при разбросе собственных значений корреляционной матрицы входного сигнала.

Разновидности LMS:

• Нормализованный LMS (NLMS) — шаг адаптации нормируется по энергии входного сигнала, что улучшает устойчивость.
• Знаковый LMS (Sign LMS) — использует только знак ошибки, упрощая вычисления.
• LMS с переменным шагом (VSLMS) — динамически меняет \( \mu \) для ускорения сходимости и уменьшения флуктуаций.

Рекурсивные алгоритмы наименьших квадратов (RLS)

Алгоритмы рекурсивного метода наименьших квадратов (RLS, Recursive Least Squares) обеспечивают значительно более быструю сходимость, чем LMS, за счёт точной оценки корреляционной матрицы входного сигнала. Они используют рекуррентное обновление обратной корреляционной матрицы, что требует больше вычислительных ресурсов (порядка \( O(N^2) \) операций на шаг против \( O(N) \) у LMS). RLS предпочтительны в задачах, где важна скорость адаптации, например, в эхокомпенсаторах.

Субоптимальные и адаптивные алгоритмы

К этой группе относятся методы, основанные на фильтрации Калмана, аффинных проекциях, а также алгоритмы с переменной длиной фильтра. Они занимают промежуточное положение по сложности и скорости сходимости между LMS и RLS.

Применение

Эхоподавление в телекоммуникациях

Одно из самых массовых применений — подавление акустического и электрического эха в телефонных линиях и системах громкой связи. Адаптивный фильтр моделирует акустический путь от громкоговорителя до микрофона и вычитает эхо-сигнал из передаваемого сигнала. Алгоритмы NLMS и RLS используются в большинстве современных VoIP-устройств и телефонных станций.

Активное шумоподавление (ANC)

В наушниках и системах подавления шума адаптивный фильтр генерирует противофазу шума, измеряемого опорным микрофоном. Алгоритм адаптируется к изменению спектра шума (например, шум двигателя самолёта или уличного движения). Для повышения эффективности применяются многосенсорные схемы и фильтры с обратной связью.

Системы связи и радиолокация

Адаптивные фильтры используются для выравнивания канала (эквалайзеры), подавления межсимвольной интерференции, а также в адаптивных антенных решётках (beamforming) для подавления помех и улучшения отношения сигнал/шум. В радиолокации — для подавления отражений от стационарных объектов (режекторные фильтры).

Биомедицинская обработка сигналов

Применяются для удаления артефактов из электроэнцефалограммы (ЭЭГ) и электрокардиограммы (ЭКГ), например, для устранения наводок от сети 50 Гц или мышечных помех. Адаптивный фильтр настраивается на опорный сигнал помехи и вычитает его из основного сигнала.

Обработка изображений и видео

В задачах улучшения изображений, подавления шума и восстановления размытых изображений используются двумерные адаптивные фильтры (например, фильтр Винера с адаптивной оценкой локальной дисперсии).

Преимущества и недостатки

Преимущества:

• Способность работать в нестационарных условиях без априорной информации о сигнале.
• Возможность реализации в реальном времени на цифровых сигнальных процессорах (DSP) и FPGA.
• Высокая эффективность в задачах подавления помех и эха.

Недостатки:

• Возможность расходимости (неустойчивости) при неправильном выборе параметров (например, слишком большом шаге сходимости).
• Зависимость производительности от статистических свойств входного сигнала (например, LMS медленно сходится при сильно коррелированных сигналах).
• Вычислительная сложность RLS-алгоритмов ограничивает их применение в системах с большим числом коэффициентов.

История развития

Первые работы по адаптивной фильтрации относятся к 1950-м годам, когда Бернард Видроу (Bernard Widrow) и его коллеги из Стэнфордского университета разработали алгоритм LMS. В 1960-е годы появились рекурсивные методы наименьших квадратов, а в 1970-е — теория адаптивных антенных решёток. С развитием микроэлектроники в 1980-е годы адаптивные фильтры стали широко внедряться в коммерческие устройства (эхокомпенсаторы, модемы). В XXI веке развитие получили нейросетевые подходы к адаптивной фильтрации, а также методы на основе глубокого обучения для обработки сложных нелинейных сигналов.

Источники

• Widrow B., Stearns S. D. Adaptive Signal Processing. — Prentice-Hall, 1985.
• Haykin S. Adaptive Filter Theory. — 5th ed. — Pearson, 2014.
• Sayed A. H. Adaptive Filters. — Wiley, 2008.
• Diniz P. S. R. Adaptive Filtering: Algorithms and Practical Implementation. — 5th ed. — Springer, 2020.
• Proakis J. G., Manolakis D. G. Digital Signal Processing: Principles, Algorithms, and Applications. — 4th ed. — Pearson, 2007.