⚡ electrical engineering

Optimum and Adaptive Complex-Valued Bilinear Filters

Diese Arbeit untersucht die Erweiterung reellwertiger bilinearer Filter auf komplexwertige Domänen durch deren Ableitung aus reellwertigen Gegenstücken und führt neuartige voll komplexwertige adaptive Filter (einschließlich Wiener-, Least-Squares- und rekursiver Varianten) zur Identifizierung komplexwertiger nichtlinearer Systeme wie MISO- und Hammerstein-Modelle ein.

Ursprüngliche Autoren: Bernhard Plaimer, Matthias Wagner, Oliver Lang, Mario Huemer

Veröffentlicht 2026-07-15

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Bernhard Plaimer, Matthias Wagner, Oliver Lang, Mario Huemer

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein Radio abzustimmen, um ein Lied von einem fernen Sender zu empfangen. Normalerweise ist das Radio eine einfache Maschine: Sie drehen an einem Knopf und der Klang wird klarer. In der Welt der Signalverarbeitung ist das wie die Verwendung eines linearen Filters. Es funktioniert großartig, wenn die Welt vorhersehbar und geradlinig ist. Aber die reale Welt ist chaotisch! Manchmal wird das Signal verdreht, verzerrt oder auf komplizierte Weise „verbogen“. Hier kommen nichtlineare Systeme ins Spiel.

Um diese verdrehten Signale zu korrigieren, verwenden Ingenieure bilineare Filter. Betrachten Sie einen bilinearer Filter nicht als einen einzelnen Knopf, sondern als ein Team aus zwei Personen, die zusammenarbeiten. Eine Person (nennen wir sie Vektor H) hält eine Karte der Vergangenheit, und die andere (Vektor G) hält eine Karte der aktuellen Situation. Um das richtige Ergebnis zu erhalten, müssen sie ihre Karten miteinander multiplizieren. Wenn sie es richtig machen, kommt das Lied kristallklar durch.

Lange Zeit sprach dieses Team nur Real. Sie befassten sich mit einfachen Zahlen wie 1, 2 oder -5. Aber in der Hightech-Welt des Radars und der modernen Kommunikation sind Signale nicht nur einfache Zahlen; sie sind komplex. Sie haben einen „reellen“ Teil und einen „imaginären“ Teil (das ist ein bisschen so, als hätte man sowohl einen Lautstärkeregler als auch einen Phasenregler). Das Problem? Das alte „Reale“ Team wusste nicht, wie es mit dieser doppelseitigen Komplexität umgehen sollte.

Der alte Weg: Das Team aufteilen

Die Arbeit untersucht zunächst, wie Menschen versuchten, dies zu lösen, indem sie das komplexe Signal in zwei separate Teams aufteilten: eines für den „reellen“ Teil und eines für den „imaginären“ Teil.

Das 2R-Team: Sie verwenden zwei separate reelle Filter. Das ist einfach, aber es ist, als würde man versuchen, mit einem Partner zu tanzen, während man vom Partner wegsieht. Wenn der reelle und der imaginäre Teil des Signals miteinander verbunden (korreliert) sind, stolpert dieses Team. Sie können das Gesamtbild nicht sehen.
Das 4R-Team: Um das Stolpern zu beheben, fügten sie zwei weitere Filter hinzu, was ein Team aus vier Personen ergab. Jetzt können sie die Verbindung zwischen dem reellen und dem imaginären Teil des Signals sehen. Es funktioniert besser, aber es ist ungeschickt. Es ist, als würde man vier separate Taschenrechner benutzen, um eine einzige mathematische Aufgabe zu lösen. Es erledigt den Job, aber es ist langsam und verbraucht viel Energie.

Der neue Weg: Das vollkommen komplexe Super-Team

Die Autoren dieser Arbeit sagen: „Warum das Team aufteilen? Geben wir jedem ein vollständiges Set an komplexen Werkzeugen.“ Sie führen vollständig komplexe bilinearwertige Filter ein.

Stellen Sie sich ein neues, super-intelligentes Team vor, in dem jedes Mitglied die Sprache von „Komplex“ (reell + imaginär) fließend beherrscht. Anstatt das Signal aufzuteilen, behandeln sie alles auf einmal. Die Arbeit stellt fünf neue Arten dieses Super-Teams vor:

C-BWF (Der Wiener-Filter): Der „perfekte Planer“, der die Statistiken des Signals im Voraus kennt.
C-BLS (Der Least-Squares-Filter): Der „Daten-Cruncher“, der aus einem großen Stapel vergangener Beispiele lernt.
C-BLMS (Der Least-Mean-Squares-Filter): Der „adaptive Lerner“, der seine Einstellungen Stück für Stück anpasst, während das Signal eintrifft.
C-BNLMS (Der normalisierte LMS): Der „schlaue Lerner“, der seine Lerngeschwindigkeit automatisch anpasst, damit er durch laute oder leise Signale nicht verwirrt wird.
C-BRLS (Der Recursive-Least-Squares-Filter): Der „schnelle Tracker“, der sein Gedächtnis sofort aktualisiert, sobald neue Daten eintreffen.

Warum ist das eine große Sache?

Die Arbeit führt Simulationen (Computerexperimente) durch, um zu sehen, wie diese neuen Filter abschneiden. Hier ist, was sie herausgefunden haben:

Geschwindigkeit und Effizienz: Der neue C-BLMS-Filter ist ein Champion der Effizienz. Während das alte „4R“-Team eine enorme Menge an Mathematik (Multiplikationen) benötigte, um die Aufgabe zu erledigen, benötigt das neue komplexe Team weniger Schritte. Wenn das Signal beispielsweise eine bestimmte Größe hat, benötigt der neue Filter etwa 9LM + 6M + 3L + 4 reelle mathematische Schritte, während die alte 4R-Methode 12LM + 4L + 8M + 8 benötigte. Das ist eine signifikante Ersparnis an Energie und Zeit.
Bessere Leistung: Die Arbeit legt nahe, dass die neuen Filter nicht nur Energie sparen, sondern auch schneller lernen. Die alten linearen Methoden (die die bilineare Natur ignorieren) brauchen vielleicht ewig, um zur Ruhe zu kommen, aber die neuen bilinearen Filter zoomen zur richtigen Antwort.
Umgang mit dem „Nicht-Modellierbaren“: Die Autoren weisen auf einen kritischen Fehler der alten „4R“-Methode hin. Einige komplexe Systeme sind so seltsam, dass man sie buchstäblich nicht mit vier separaten reellen Filtern beschreiben kann. Die neuen vollständig komplexen Filter sind die einzigen, die diese kniffligen Systeme korrekt modellieren können.

Wogegen die Arbeit „Nein“ sagt

Die Arbeit ist sehr deutlich darüber, was nicht funktioniert oder nicht der Fokus ist:

Nein zu „Nur Linear“: Man kann nicht einfach einen Standard-Linearen-Filter auf diese komplexen bilinearen Systeme anwenden. Es ist, als würde man versuchen, einen verdrehten Schlauch zu reparieren, indem man einfach das Wasser stärker aufdreht. Es mag bei einem einfachen System funktionieren, aber für diese spezifischen komplexen Systeme scheitert es daran, das wahre Verhalten zu erfassen.
Nein zu „Aufteilen ist perfekt“: Obwohl die „4R“-Methode (die Aufteilung in vier reelle Filter) besser als die „2R“-Methode ist, argumentiert die Arbeit, dass dies immer noch nicht die beste Lösung ist. Sie ist zu schwerfällig und in einigen Fällen mathematisch unmöglich, um das System exakt darzustellen.

Wie sicher sind sie sich?

Die Autoren sind zuversichtlich in ihre Mathematik. Sie haben die Gleichungen, wie sich diese Filter selbst aktualisieren, bewiesen. Sie haben auch bewiesen, dass ihre neuen Filter konvergieren (das heißt, dass sie schließlich die richtige Antwort finden und aufhören, sich zu verändern) für die Wiener- und LMS-Versionen.

Wenn es jedoch um den C-BRLS (den schnellen Tracker) geht, ist die Arbeit etwas vorsichtiger. Da sie einige kluge Annäherungen vornehmen mussten, um die Mathematik zum Laufen zu bringen, haben sie keinen strengen mathematischen Beweis geschrieben, dass er immer konvergiert. Stattdessen sagen sie: „Schauen Sie auf unsere Simulationen; sie zeigen, dass er in der Praxis sehr gut funktioniert.“ Während die Theorie für die meisten Fälle solide ist, wird die schnellste Version eher durch starke Computerexperimente als durch einen 100 % eisenharten Beweis gestützt.

Das Fazament

Diese Arbeit ist wie das Überreichen eines komplexen, doppelseitigen Puzzles an ein neues Team von Lösern, die beide Seiten gleichzeitig sehen können. Das alte Team musste das Puzzle in Teile zerlegen und sie separat lösen, was langsam und manchmal unmöglich war. Das neue vollständig komplexwertige bilineare Filter-System löst das Puzzle zusammen, schneller, mit weniger Energie, und es kann sogar die seltsamen Teile bewältigen, die das alte Team nicht anfassen konnte. Es ist ein Schritt nach vorn für jeden, der versucht, ein klares Signal in einer verrauschten, komplexen Welt zu empfangen.

Technische Zusammenfassung: Optimale und adaptive komplexwertige bilineare Filter

Problemstellung
Die Identifikation nichtlinearer Systeme ist eine grundlegende Aufgabe in der digitalen Signalverarbeitung. Während lineare Modelle (z. B. Wiener-, LMS-, RLS-Filter) gut etabliert sind, weisen viele reale Anwendungen in der Kommunikation und im Radar ausgeprägte nichtlineare Verhaltensweisen auf, die nichtlineare Modelle erfordern. Insbesondere können viele Systeme durch bilineare Modelle approximiert werden. Die bisherige Forschung zu bilateralen Filtern hat sich jedoch primär auf reellwertige Systeme konzentriert. In vielen praktischen Szenarien, wie etwa bei In-Phase- und Quadratur-Phasen-Imbalancen (IQ-Imbalance) oder nichtlinearen Leistungsverstärkern, sind die Systeme und Signale inhärent komplexwertig.

Es besteht eine kritische Lücke, da die in dieser Arbeit verwendete Definition der Bilinearität die Multiplikation der Systemparameter (Koeffizienten) betrifft und nicht die Multiplikation von Eingangs- und Ausgangssignalen. Folglich können bestehende komplexwertige nichtlineare adaptive Filter (z. B. komplexe Volterra-Filter oder komplexe neuronale Netze), die typischerweise Nichtlinearität in Bezug auf das Eingangssignal adressieren, nicht direkt auf allgemeine komplexwertige bilineare Systeme angewendet werden. Zudem kann die Strategie, komplexe Signale in ihre Real- und Imaginärteile aufzuspalten (Split-Complex-Ansatz), scheitern, wenn sie Korrelationen zwischen den Real- und Imaginärkomponenten nicht erfassen kann oder bestimmte vollständig komplexwertige bilineare Systeme nicht modellieren kann.

Methodik
Die Arbeit untersucht die Erweiterung reellwertiger bilinearer Filter auf den komplexen Bereich durch vier verschiedene strukturelle Ansätze:

Split-Complex-Ansätze (2R und 4R):
- 2R-Struktur: Das Eingangssignal wird in Real- und Imaginärteile aufgeteilt, durch zwei separate reellwertige bilineare Filter verarbeitet und wieder kombiniert. Dies ist eine direkte Erweiterung des reellwertigen BLMS-bilinearen Filters, schließt jedoch die Kreuzterme zwischen den Real- und Imaginärkomponenten aus.
- 4R-Struktur: Dieser Ansatz nutzt vier reellwertige bilineare Filter zur Verarbeitung der Real- und Imaginärteile des Inputs und des Outputs, einschließlich der Kreuzterme. Dies ermöglicht es der Struktur, Korrelationen zwischen den Real- und Imaginärteilen des Signals zu handhaben, was die 2R-Struktur nicht leisten kann.
Vollständig komplexwertige Strukturen:
Die Autoren leiten neuartige Filter unter Verwendung tatsächlicher komplexwertiger Koeffizientenvektoren und der Wirtinger-Kalkül ab, um die Differentiation reellwertiger Kostenfunktionen in Bezug auf komplexe Variablen zu handhaben. Zu den vorgeschlagenen Filtern gehören:
- Komplexwertiger bilinearer Wiener-Filter (C-BWF): Ein optimaler Filter, der mittels Minimierung des mittleren quadratischen Fehlers (MSE) für stationäre Signale (WSS) abgeleitet wurde. Er verwendet einen alternierenden iterativen Ansatz, um die zwei Parametervektoren ( $\hat{h}$ und $\hat{g}$ ) zu lösen.
- Komplexwertiger bilinearer Least Squares (C-BLS): Ein Batch-Verarbeitungsfilter, der die Summe der quadrierten Fehler minimiert, ohne vorheriges statistisches Wissen zu erfordern, ebenfalls gelöst über alternierende Updates.
- Komplexwertiger bilinearer LMS (C-BLMS): Ein adaptiver Filter, der mittels Gradientenabstieg des instantanen quadrierten Fehlers abgeleitet wurde.
- Komplexwertiger bilinearer Normalisierter LMS (C-BNLMS): Eine adaptive Variante, die die Schrittweite normalisiert, um die Konvergenzgeschwindigkeit und Stabilität zu verbessern.
- Komplexwertiger bilinearer Recursive Least Squares (C-BRLS): Ein adaptiver Filter, der einen Vergessensfaktor und rekursive Updates nutzt, um eine schnellere Konvergenz in zeitvarianten Umgebungen zu erreichen.
Gemischte Strukturen:
Das Paper leitet zudem Update-Gleichungen für gemischte komplexwertige-reellwertige bilineare Filter ab, bei denen ein Koeffizientenvektor als reellwertig beschränkt ist.

Wesentliche Beiträge

Erweiterung auf den komplexen Bereich: Die Arbeit erweitert systematisch etablierte reellwertige bilineare Filter (WF, LS, LMS, NLMS, RLS) auf den komplexen Bereich.
Neuartige Filterableitungen: Sie führt die ersten vollständig komplexwertigen bilateralen Filter ein (C-BWF, C-BLS, C-BLMS, C-BNLMS, C-BRLS) sowie gemischte komplexe Filter.
Theoretische Analyse: Das Paper liefert Konvergenzanalysen für die C-BWF- und C-BLMS-basierten Filter und legt Stabilitätsgrenzen für die Schrittweiten fest.
Komplexitätsvergleich: Eine detaillierte Analyse der Rechenkomplexität wird präsentiert, die die Anzahl der benötigten reellen Skalarmultiplikationen der 2R-, 4R- und vollständig komplexwertigen Strukturen vergleicht.
Anwendungsmodellierung: Die Filter werden zur Identifikation komplexwertiger MISO-Systeme (Multiple-Input-Single-Output) und komplexwertiger Hammerstein-Modelle angewendet, was deren Nutzen für spezifische Systemidentifikationsaufgaben demonstriert.

Ergebnisse und Leistung
Das Paper präsentiert Simulationsergebnisse (detailliert in Abschnitt IV des Volltextes), welche die Anwendbarkeit der vorgeschlagenen Filter unterstützen. Wichtige Erkenntnisse sind:

Modellierungsfähigkeit: Die vollständig komplexwertigen Strukturen können allgemeine bilineare Systeme modellieren, die aufgrund der Unfähigkeit der 2R- oder 4R-Strukturen, alle inhärenten Kreuzterme der komplexen Multiplikation zu erfassen, nicht dargestellt werden können.
Recheneffizienz: Während die Big-O-Komplexitätsordnung ($O(LM)$) über die LMS-basierten Filter hinweg ähnlich ist, benötigt der vollständig komplexwertige C-BLMS weniger reelle Skalarmultiplikationen als die 4R-Struktur.
Konvergenz: Der C-BLMS-Filter erreicht typischerweise den gleichen stationären Fehler in weniger Iterationen als ein komplexwertiger linearer LMS-Filter (C-LLMS), der auf die linearisierte Version des bilateralen Modells angewendet wird. Für LS- und WF-basierte Algorithmen skaliert der lineare Ansatz jedoch signifikant schlechter ( $O(L^3M^3)$ ) im Vergleich zum bilateralen Ansatz ( $O(L^3 + M^3)$ ), bedingt durch die Anforderungen der Matrixinversion.
Korrelationsbehandlung: Es zeigt sich, dass die 4R- und die vollständig komplexwertigen Strukturen der 2R-Struktur überlegen sind, wenn die Real- und Imaginärteile der Signale korreliert sind.

Bedeutung
Das Paper behauptet, dass seine primäre Bedeutung darin liegt, einen umfassenden Rahmen für die Identifikation komplexwertiger bilinearer Systeme bereitzustellen – eine Aufgabe, für die es zuvor keine direkten Lösungen in der Literatur gab. Durch die Ableitung vollständig komplexwertiger Filter bietet die Arbeit eine mathematisch kompakte und recheneffiziente Alternative zur Aufspaltung von Signalen in Real- und Imaginärteile. Die Arbeit schließt die Lücke zwischen der reellwertigen bilateralen Systemidentifikation und den komplexwertigen Anforderungen moderner Kommunikations- und Radarsysteme, indem sie sowohl theoretische Konvergenzgarantien als auch praktische adaptive Algorithmen bietet. Die Ergebnisse legen nahe, dass vollständig komplexwertige bilineare Filter nicht nur theoretisch fundiert sind, sondern auch praktische Vorteile hinsichtlich Modellierungsgenauigkeit und Recheneffizienz für spezifische Klassen von Systemen bieten.