A Double Proportionate Sparse Adaptive Filter for Impulsive Noise Environments

Technisches Resümee: Double Proportionate Sparse Adaptive Filter (DP-SAF)

Problemstellung
Adaptive Filter sind essenziell für die Systemidentifikation, Kanalschätzung und akustische Echokompensation. Bestehende Algorithmen stehen jedoch vor einem Kompromiss (Trade-off), wenn sie mit Systemen zu tun haben, die sowohl dünnbesetzt (sparse – mit wenigen aktiven Koeffizienten) als auch impulsiven Rauschen ausgesetzt sind.

1. Dünnbesetztheit (Sparsity): Standardmäßige Least-Mean-Square-Algorithmen (LMS) weisen allen Koeffizienten den gleichen Gewinn zu, was bei dünnbesetzten Systemen ineffizient ist, da die Adaptationsenergie auf die aktiven Taps konzentriert werden sollte. Der Proportionate Normalized LMS (PNLMS) adressiert dies, weist jedoch eine mangelnde Robustheit gegenüber impulsivem Rauschen auf.
2. Impulsives Rauschen: Algorithmen, die robust gegenüber impulsivem Rauschen sind (z. B. solche, die Signum-Fehler-Updates oder M-Schätzer verwenden), versäumnen es oft, die Dünnbesetztheit auszunutzen, oder ihnen fehlt ein Mechanismus zur aktiven Unterdrückung inaktiver Koeffizienten.
3. Die Lücke: Kein existierender Algorithmus integriert gleichzeitig unabhängige proportionale Adaptation für aktive Taps, Zero-Attraction-Strafen für inaktive Taps und Robustheit gegenüber impulsivem Rauschen innerhalb eines einzigen Updates mit linearer Komplexität $O(M)$.

Methodik
Das Paper schlägt den Double Proportionate Sparse Adaptive Filter (DP-SAF) vor, der den Gewichtungsvektor $w(n)$ unter Verwendung zweier unabhängiger diagonaler Gewinnmatrizen, $G_1$ und $G_2$, sowie eines Signum-Fehler-Updates aktualisiert. Die Update-Gleichung lautet:
$$w(n + 1) = w(n) + \mu G_1(n) x(n) \text{sgn}(e(n)) - \rho G_2(n) \text{sgn}(w(n))$$

• Signum-Fehler-Update: Das Ersetzen des rohen Fehlers $e(n)$ durch $\text{sgn}(e(n))$ begrenzt den Einfluss großer Ausreißer und bietet Robustheit gegenüber impulsiven Störungen.
• Gewinnmatrix $G_1$ (Proportionale Adaptation): Diese Matrix skaliert den Gradientenschritt basierend auf den Koeffizientenbeträgen. Sie ist darauf ausgelegt, die Konvergenz für aktive Taps (große Koeffizienten) zu beschleunigen, während sie für inaktive Taps einen Nicht-Null-Basiswert beibehält. Sie wird als normalisierte proportionale Form abgeleitet:
  $$g_{1,k}(n) = \frac{\max(\delta, |w_k(n)|)}{\frac{1}{M}\sum_{j=1}^M \max(\delta, |w_j(n)|)}$$
• Gewinnmatrix $G_2$ (Zero-Attraction): Diese Matrix wendet eine Strafe an, um Koeffizienten in Richtung Null zu ziehen. Im Gegensatz zu $G_1$ ist sie so konzipiert, dass sie für kleine (wahrscheinlich inaktive) Koeffizienten am stärksten und für große (aktive) Koeffizienten am schwächsten wirkt, um die Unterdrückung aktiver Taps zu verhindern. Sie folgt einer betragsabhängigen Reduktion:
  $$g_{2,k}(n) = \frac{1}{1 + \varepsilon |w_k(n)|}$$
• Ableitung: Beide Gewinnmatrizen werden aus einem Minimum-Norm-Optimierungsrahmen abgeleitet, der eine Kostenfunktion minimiert, welche den stationären Schätzfehler und die Gewichtungsperturbation ausbalanciert. Das Design stellt sicher, dass $G_1$ und $G_2$ komplementär statt antagonistisch zusammenwirken.
• Komplexität: Der Algorithmus behält eine Komplexität von $O(M)$ pro Iteration bei, was identisch mit LMS ist, indem er durch seine diagonale Struktur auf Matrixinversionen verzichtet.

Wesentliche Beiträge

1. Dualer proportionaler Mechanismus: DP-SAF ist der erste Algorithmus, der eine unabhängige proportionale Gewichtung sowohl auf den Gradientenschritt ($G_1$) als auch auf den Zero-Attraction-Term ($G_2$) in einem einzigen Update anwendet.
2. Optimierungsbasiertes Design: Die Gewinnmatrizen werden aus einem Minimum-Norm-Rahmen abgeleitet, wodurch sichergestellt wird, dass sie ihrer Konstruktion nach entgegengesetzte Proportionalitätsregeln folgen (die eine verstärkt große Koeffizienten, die andere unterdrückt kleine).
3. Robustheit und Effizienz: Das Signum-Fehler-Update begrenzt den Einfluss von impulsivem Rauschen, während die diagonale Struktur sicherstellt, dass der Algorithmus für Echtzeit- und Embedded-Implementierungen geeignet ist, ohne die Konvergenzgeschwindigkeit zugunsten der Robustheit zu opfern.

Simulationsergebnisse
Die Autoren evaluierten DP-SAF gegen sieben konkurrierende Algorithmen (LMS, PNLMS, RZA-LMS, VSS-RZA-LMM, GMN, GCMPN, LCMN) unter Verwendung eines dünnbesetzten FIR-Filters ($M=32$, 10 % aktive Taps) unter einem Bernoulli-Impulsrauschmodell ($p=0,2$, hohe Amplitude).

• Stationäre Genauigkeit: In Experiment 1 erreichte DP-SAF die niedrigste stationäre Mean Square Deviation (MSD) Bodenrate aller Wettbewerber, was zeigt, dass das duale Gewinn-Design die Genauigkeit verbessert, ohne den Kompromiss mit der Konvergenzgeschwindigkeit einzugehen.
• Konvergenzgeschwindigkeit: In Experiment 2, als allen Algorithmen erlaubt wurde, dieselbe stationäre MSD zu erreichen, erreichte DP-SAF diesen Wert signifikant schneller als die anderen.
• Schlussfolgerung aus den Daten: Die Ergebnisse bestätigen, dass die duale Gewinnstruktur sowohl die transiente Geschwindigkeit als auch die stationäre Genauigkeit gleichzeitig verbessert und somit die typischen Trade-offs anderer Methoden vermeidet.

Bedeutung und Behauptungen
Das Paper behauptet, dass DP-SAF eine kritische Lücke in der adaptiven Filterung schließt, indem es die Nutzung von Dünnbesetztheit, Zero-Attraction-Regularisierung und Robustheit gegenüber impulsivem Rauschen vereinigt. Die Autoren betonen, dass der Algorithmus dies erreicht, ohne die Rechenkomplexität über das Niveau des Standard-LMS hinaus zu erhöhen. Die Bedeutung liegt in der „konstruktionsbedingt komplementären“ Natur der beiden Gewinnmatrizen, die sich gegenseitig verstärken, anstatt miteinander zu konkurrieren, was es dem Filter ermöglicht, dünnbesetzte, zeitvariable Systeme in rauen Rauschumgebungen effektiv zu handhaben. Das Paper schließt mit dem Hinweis, dass die Erweiterung von DP-SAF auf komplexwertige Systeme und Eingänge mit starker Spektralfärbung eine offene Richtung für zukünftige Arbeiten darstellt.