Адаптивный фильтр

Адаптивный фильтр — это цифровой фильтр, который автоматически подстраивает свои параметры (коэффициенты передаточной функции) в процессе работы в соответствии с изменяющимися характеристиками входного сигнала или среды распространения. В отличие от стационарных фильтров с фиксированными параметрами, адаптивные фильтры способны оптимизировать свою работу в реальном времени, минимизируя заданную ошибку между выходным сигналом и эталонным (желаемым) сигналом. Основная область применения адаптивных фильтров — обработка сигналов, где требуется подавление помех, эхоподавление, идентификация систем, предсказание сигналов и адаптивное выравнивание каналов связи.

Принцип работы

Адаптивный фильтр представляет собой замкнутую систему, состоящую из двух основных блоков: собственно фильтра с перестраиваемой структурой и алгоритма адаптации, который обновляет коэффициенты фильтра на основе сигнала ошибки.

Базовая структура

На вход фильтра подаётся входной сигнал \( x(n) \). Фильтр формирует выходной сигнал \( y(n) \), который сравнивается с желаемым сигналом \( d(n) \). Разность между ними образует сигнал ошибки \( e(n) = d(n) - y(n) \). Алгоритм адаптации использует сигнал ошибки \( e(n) \) и, возможно, входной сигнал \( x(n) \), чтобы вычислить новые коэффициенты фильтра, стремясь минимизировать некоторую функцию стоимости (например, средний квадрат ошибки).

Алгоритмы адаптации

Наиболее распространённые алгоритмы адаптации делятся на две основные группы:

• Алгоритм наименьших средних квадратов (LMS, Least Mean Squares): Простой и вычислительно эффективный алгоритм, основанный на методе градиентного спуска. Коэффициенты фильтра обновляются на каждом шаге пропорционально градиенту квадрата мгновенной ошибки. Основные варианты: базовый LMS, нормализованный LMS (NLMS), знаковый LMS.
• Рекурсивный метод наименьших квадратов (RLS, Recursive Least Squares): Более сложный алгоритм, который минимизирует взвешенную сумму квадратов ошибок за всё время работы. RLS обеспечивает значительно более быструю сходимость, чем LMS, но требует существенно больших вычислительных ресурсов и памяти.

Также существуют гибридные и специализированные алгоритмы, такие как аффинная проекция (AP), алгоритмы на основе фильтра Калмана и методы на основе градиента второго порядка (Ньютона).

Классификация

Адаптивные фильтры классифицируются по нескольким признакам.

По типу структуры

• КИХ-фильтры (конечная импульсная характеристика): Наиболее распространённый тип. Их выходной сигнал является взвешенной суммой конечного числа последних отсчётов входного сигнала. КИХ-фильтры всегда устойчивы и просты в реализации. Для адаптации используются, как правило, LMS или RLS алгоритмы.
• БИХ-фильтры (бесконечная импульсная характеристика): Имеют обратную связь, что позволяет достичь более высокой избирательности при меньшем порядке, чем у КИХ-фильтров. Однако они могут быть неустойчивыми, и их адаптация сложнее из-за нелинейности функции стоимости.

По типу адаптации

• Линейная адаптация: Коэффициенты фильтра изменяются линейно относительно сигнала ошибки (характерно для LMS и RLS).
• Нелинейная адаптация: Используется в нейронных сетях, фильтрах на основе вейвлет-преобразований и других нелинейных структурах.

По области применения

• Фильтры для идентификации систем: Настраиваются так, чтобы их передаточная функция совпадала с передаточной функцией неизвестной системы.
• Фильтры для подавления помех: Используются для выделения полезного сигнала на фоне аддитивного шума.
• Фильтры для эхоподавления: Применяются в телекоммуникациях для устранения акустического и электрического эха.
• Фильтры-предсказатели: Оценивают будущие значения сигнала на основе его прошлых значений.

История

Первые теоретические основы адаптивной фильтрации были заложены в 1950-х годах в работах Норберта Винера (теория оптимальной линейной фильтрации) и Рудольфа Калмана (фильтр Калмана). Однако практическое развитие началось в 1960-х годах с появлением цифровых вычислительных машин.

В 1960 году Бернард Уидроу и его коллеги из Стэнфордского университета разработали алгоритм LMS, который стал одним из самых популярных благодаря своей простоте. В 1967 году был предложен рекурсивный метод наименьших квадратов (RLS). В 1970-х годах адаптивные фильтры начали активно применяться в системах связи, радиолокации и гидроакустике. С развитием микроэлектроники и цифровых сигнальных процессоров (DSP) в 1980–1990-х годах адаптивные фильтры стали неотъемлемой частью многих бытовых устройств, включая модемы, телефоны и аудиосистемы.

Применение

Адаптивные фильтры находят широкое применение в различных областях науки и техники.

Эхоподавление в телекоммуникациях

Одно из наиболее массовых применений. В телефонных сетях и системах громкой связи (например, в гарнитурах и конференц-связи) возникает акустическое эхо — отражение звука от стен комнаты, и электрическое эхо — из-за несогласованности импедансов в линиях связи. Адаптивный фильтр моделирует путь распространения эха и вычитает его из принимаемого сигнала, оставляя только чистый голос собеседника.

Подавление шума

В системах активного шумоподавления (наушники, автомобильные салоны) адаптивный фильтр генерирует противофазную звуковую волну, которая гасит нежелательный шум. Микрофон, расположенный рядом с источником шума, подаёт сигнал на адаптивный фильтр, который подстраивается под изменяющийся спектр шума.

Идентификация систем

В задачах управления и диагностики адаптивные фильтры используются для определения параметров неизвестной системы (например, механизма, электрической цепи или биологического объекта) по её входным и выходным сигналам. Это позволяет строить математические модели для последующего управления или прогнозирования.

Адаптивное выравнивание в модемах

В цифровых системах связи (DSL, кабельные модемы) сигнал искажается из-за многолучевого распространения и частотных искажений канала. Адаптивный фильтр (эквалайзер) на приёмной стороне подстраивается под характеристики канала, восстанавливая форму сигнала и снижая межсимвольную интерференцию.

Обработка биомедицинских сигналов

В электрокардиографии (ЭКГ) и электроэнцефалографии (ЭЭГ) адаптивные фильтры используются для удаления артефактов, вызванных движением пациента, мышечной активностью или наводками от сети 50 Гц. Например, фильтр может подавлять помеху от дыхания, используя сигнал с датчика дыхания в качестве опорного.

Преимущества и недостатки

Преимущества

• Способность работать в нестационарных условиях: Адаптивные фильтры автоматически подстраиваются под изменения сигнала или среды.
• Отсутствие необходимости в априорной информации: Для работы не требуется точное знание статистических характеристик сигнала и помехи.
• Высокая эффективность в задачах подавления помех: В ряде случаев адаптивные фильтры превосходят по качеству стационарные фильтры.

Недостатки

• Вычислительная сложность: Особенно для алгоритмов RLS и при больших порядках фильтра.
• Время сходимости: Алгоритму требуется время для настройки, что может быть критично в быстро меняющихся условиях.
• Чувствительность к выбору параметров: Неправильный выбор шага сходимости (для LMS) или порядка фильтра может привести к неустойчивости или плохой сходимости.
• Возможность расходимости: При нарушении условий адаптации (например, из-за резкого изменения сигнала) фильтр может перестать корректно работать.

См. также

• Цифровая обработка сигналов
• Фильтр Калмана
• Винеровский фильтр
• Эхоподавление
• Активное шумоподавление

Источники

• Уидроу Б., Стирнз С. «Адаптивная обработка сигналов» — Москва: Радио и связь, 1989.
• Хейкин С. «Адаптивные фильтры» — Москва: Вильямс, 2008.
• Солонина А. И., Улахович Д. А. и др. «Основы цифровой обработки сигналов» — Санкт-Петербург: БХВ-Петербург, 2005.
• Oppenheim A. V., Schafer R. W. «Discrete-Time Signal Processing» — Pearson, 2010.