⚡ electrical engineering

Optimum and Adaptive Complex-Valued Bilinear Filters

Este artículo investiga la extensión de los filtros bilineales de valores reales a dominios de valores complejos mediante su derivación a partir de sus contrapartes de valores reales y la introducción de nuevos filtros adaptativos totalmente de valores complejos (que incluyen variantes de Wiener, de mínimos cuadrados y recursivas) para la identificación de sistemas no lineales de valores complejos, tales como modelos MISO y de Hammerstein.

Autores originales: Bernhard Plaimer, Matthias Wagner, Oliver Lang, Mario Huemer

Publicado 2026-07-15

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bernhard Plaimer, Matthias Wagner, Oliver Lang, Mario Huemer

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando sintonizar una radio para captar una canción de una estación distante. Normalmente, la radio es una máquina simple: giras un mando y el sonido se vuelve más claro. En el mundo del procesamiento de señales, esto es como usar un filtro lineal. Funciona de maravilla cuando el mundo es predecible y recto. ¡Pero el mundo real es caótico! A veces, la señal se retuerce, se distorsiona o se "dobla" de formas complicadas. Aquí es donde entran en juego los sistemas no lineales.

Para arreglar estas señales retorcidas, los ingenieros utilizan filtros bilineales. Piensa en un filtro bilinear no como un solo mando, sino como un equipo de dos personas trabajando juntas. Una persona (llamémosla Vector H) sostiene un mapa del pasado, y la otra (Vector G) sostiene un mapa de la situación actual. Para obtener la respuesta correcta, tienen que multiplicar sus mapas. Si lo hacen bien, la canción se escucha con total claridad.

Durante mucho tiempo, este equipo solo hablaba Real. Trataban con números simples como 1, 2 o -5. Pero en el mundo de alta tecnología del radar y las comunicaciones modernas, las señales no son solo números simples; son complejas. Tienen una parte "real" y una parte "imaginaria" (algo así como tener tanto un control de volumen como un control de fase). ¿El problema? El viejo equipo "Real" no sabía cómo manejar esta complejidad de doble cara.

La vieja forma: Dividir el equipo

El artículo primero analiza cómo la gente intentó resolver esto dividiendo la señal compleja en dos equipos separados: uno para la parte "Real" y otro para la parte "Imaginaria".

El Equipo 2R: Utilizan dos filtros reales separados. Es sencillo, pero es como intentar bailar con una pareja mientras miras hacia otro lado. Si las partes Real e Imaginaria de la señal están conectadas (correlacionadas), este equipo tropieza. No pueden ver la imagen completa.
El Equipo 4R: Para solucionar los tropiezos, añadieron dos filtros más, formando un equipo de cuatro. Ahora pueden ver la conexión entre las partes Real e Imaginaria. Funciona mejor, pero es torpe. Es como usar cuatro calculadoras separadas para hacer un solo problema matemático. Cumple su función, pero es lento y consume mucha energía.

La nueva forma: El Súper-Equipo Totalmente Complejo

Los autores de este artículo dicen: "¿Por qué dividir el equipo? Démosle a todos un juego completo de herramientas complejas". Introducen los Filtros Bilineales Totalmente Complejos de Valor Complejo.

Imagina un nuevo equipo súper inteligente donde cada miembro habla con fluidez el lenguaje completo de lo "Complejo" (Real + Imaginario). En lugar de dividir la señal, la gestionan toda a la vez. El artículo presenta cinco nuevos tipos de este súper-equipo:

C-BWF (El Filtro de Wiener): El "planificador perfecto" que conoce las estadísticas de la señal de antemano.
C-BLS (El Filtro de Mínimos Cuadrados): El "procesador de datos" que aprende de una gran pila de ejemplos pasados.
C-BLMS (El Filtro de Mínimos Cuadrados de Signo Medio): El "aprendiz adaptativo" que ajusta sus configuraciones poco a poco a medida que llega la señal.
C-BNLMS (El LMS Normalizado): El "aprendiz inteligente" que ajusta su velocidad de aprendizaje automáticamente para no confundirse con señales fuertes o débiles.
C-BRLS (El Filtro de Mínimos Cuadrados Recursivos): El "rastreador rápido" que actualiza su memoria instantáneamente a medida que llegan nuevos datos.

¿Por qué es esto importante?

El artículo realiza simulaciones (experimentos por ordenador) para ver cómo se desempeñan estos nuevos filtros. Esto es lo que encontraron:

Velocidad y Eficiencia: El nuevo filtro C-BLMS es un campeón de la eficiencia. Mientras que el antiguo equipo "4R" necesitaba una cantidad masiva de matemáticas (multiplicaciones) para hacer el trabajo, el nuevo equipo complejo lo hace con menos pasos. Por ejemplo, si la señal tiene un cierto tamaño, el nuevo filtro podría necesitar alrededor de 9LM + 6M + 3L + 4 pasos matemáticos reales, mientras que el antiguo método 4R necesitaba 12LM + 4L + 8M + 8. Es un ahorro significativo de energía y tiempo.
Mejor Rendimiento: El artículo sugiere que los nuevos filtros no solo ahorran energía, sino que también aprenden más rápido. Los antiguos métodos lineales (que ignoran la naturaleza bilinear) pueden tardar una eternidad en estabilizarse, pero los nuevos métodos bilineales llegan rápidamente a la respuesta correcta.
Manejo de lo "Inmodelable": Los autores señalan un fallo crítico en el antiguo método "4R". Algunos sistemas complejos son tan extraños que literalmente no puedes describirlos usando cuatro filtros reales separados. Los nuevos filtros totalmente complejos son los únicos que pueden modelar estos sistemas complicados correctamente.

A lo que el artículo dice "No"

El artículo es muy claro sobre lo que no funciona o no es el foco:

No a "Solo Lineal": No puedes usar simplemente un filtro lineal estándar en estos sistemas bilineales complejos. Es como intentar arreglar una manguera retorcida simplemente apretando más el grifo. Puede funcionar para un sistema simple, pero para estos sistemas complejos específicos, falla al no capturar el comportamiento real.
No a "Dividir es Perfecto": Aunque el método "4R" (dividir en cuatro filtros reales) es mejor que el método "2R", el artículo argumenta que sigue sin ser la mejor solución. Es demasiado pesado y, en algunos casos, matemáticamente imposible representar el sistema con exactitud.

¿Qué tan seguros están?

Los autores confían en sus matemáticas. Han demostrado las ecuaciones de cómo estos filtros se actualizan a sí mismos. También han demostrado que sus nuevos filtros convergen (es decir, que eventualmente encontrarán la respuesta correcta y dejarán de cambiar) para las versiones de Wiener y LMS.

Sin embargo, cuando se trata del C-BRLS (el rastreador rápido), el artículo es un poco más cauteloso. Debido a que tuvieron que hacer algunas aproximaciones inteligentes para que las matemáticas funcionaran, no han escrito una prueba matemática estricta de que siempre converja. En su lugar, dicen: "Miren nuestras simulaciones; muestran que funciona muy bien en la práctica". Así que, aunque la teoría es sólida para la mayoría, la versión más rápida está respaldada por experimentos informáticos robustos en lugar de una prueba de hierro del 100%.

La conclusión

Este artículo es como entregar un rompecabezas complejo y de doble cara a un nuevo equipo de resolutores que pueden ver ambos lados a la vez. El viejo equipo tenía que dividir el rompecabezas en piezas y resolverlas por separado, lo cual era lento y a veces imposible. Los nuevos Filtros Bilineales de Valor Totalmente Complejo resuelven el rompecabezas juntos, más rápido, con menos energía, e incluso pueden manejar las piezas extrañas que el viejo equipo no podía tocar. Es un paso adelante para cualquiera que intente sintonizar una señal clara en un mundo ruidoso y complejo.

Resumen Técnico: Filtros Bilineales Complejos Óptimos y Adaptativos

Planteamiento del Problema
La identificación de sistemas no lineales es una tarea fundamental en el procesamiento digital de señales. Si bien los modelos lineales (por ejemplo, filtros Wiener, LMS, RLS) están bien establecidos, muchas aplicaciones del mundo real en comunicaciones y radar exhiben comportamientos no lineales distintos que requieren modelos no lineales. Específicamente, numerosos sistemas pueden aproximarse mediante modelos bilineales. Sin embargo, la investigación existente sobre filtros bilineales se ha centrado principalmente en sistemas de valor real. En muchos escenarios prácticos, como los que involucran desequilibrio de fase en fase (IQ) o amplificadores de potencia no lineales, los sistemas y las señales son inherentemente de valor complejo.

Existe una brecha crítica debido a que la definición de bilinealidad utilizada en este trabajo se refiere a la multiplicación de los parámetros del sistema (coeficientes), en lugar de la multiplicación de las señales de entrada y salida. En consecuencia, los filtros adaptativos no lineales de valor complejo existentes (por ejemplo, filtros de Volterra complejos o redes neuronales complejas), que típicamente abordan la no linealidad con respecto a la señal de entrada, no pueden aplicarse directamente a sistemas bilineales de valor complejo general. Además, aunque dividir las señales complejas en partes reales e imaginarias (enfoque de números complejos divididos o split-complex) es una estrategia común, puede fallar al no capturar las correlaciones entre los componentes reales e imaginarios o puede no ser capaz de modelar ciertos sistemas bilineales totalmente complejos.

Metodología
El artículo investiga la extensión de los filtros bilineales de valor real al dominio complejo a través de cuatro enfoques estructurales distintos:

Enfoques de Números Complejos Divididos (2R y 4R):
- Estructura 2R: La señal de entrada se divide en partes real e imaginaria, se procesa mediante dos filtros bilineales de valor real independientes y se recombina. Esta es una extensión directa de los filtros bilinares BLMS de valor real, pero excluye los términos cruzados entre los componentes real e imaginario.
- Estructura 4R: Este enfoque utiliza cuatro filtros bilineales de valor real para procesar las partes real e imaginaria de la entrada y la salida, incluyendo términos cruzados. Esto permite que la estructura maneje las correlaciones entre las partes reales e imaginarias de la señal, algo que la estructura 2R no puede hacer.
Estructuras de Valor Complejo Total:
Los autores derivan nuevos filtros utilizando vectores de coeficientes de valor complejo real y el cálculo de Wirtinger para manejar la diferenciación de funciones de costo de valor real con respecto a variables complejas. Los filtros propuestos incluyen:
- Filtro Wiener Bilineal de Valor Complejo (C-BWF): Un filtro óptimo derivado mediante la minimización del error cuadrático medio (MSE) para señales estacionarias en sentido amplio (WSS). Emplea un enfoque iterativo alternante para resolver los dos vectores de parámetros ( $\hat{h}$ y $\hat{g}$ ).
- Mínimos Cuadrados Bilineales de Valor Complejo (C-BLS): Un filtro de procesamiento por lotes (batch) que minimiza la suma de los errores al cuadrado sin requerir conocimiento estadístico previo, también resuelto mediante actualizaciones alternantes.
- LMS Bilineal de Valor Complejo (C-BLMS): Un filtro adaptativo derivado mediante el descenso de gradiente sobre el error cuadrático instantáneo.
- NLMS Bilineal de Valor Complejo (C-BNLMS): Una variante adaptativa que normaliza el tamaño del paso para mejorar la velocidad de convergencia y la estabilidad.
- RLS Bilineal de Valor Complejo (C-BRLS): Un filtro adaptativo que utiliza un factor de olvido y actualizaciones recursivas para una convergencia más rápida en entornos que varían en el tiempo.
Estructuras Mixtas:
El artículo también deriva ecuaciones de actualización para filtros bilineales mixtos de valor complejo-real, donde un vector de coeficientes está restringido a ser de valor real.

Contribuciones Clave

Extensión al Dominio Complejo: El trabajo extiende sistemáticamente los filtros bilineales de valor real establecidos (WF, LS, LMS, NLMS, RLS) al dominio complejo.
Derivación de Nuevos Filtros: Introduce los primeros filtros bilineales de valor complejo total (C-BWF, C-BLS, C-BLMS, C-BNLMS, C-BRLS) y filtros mixtos complejos.
Análisis Teórico: El artículo proporciona análisis de convergencia para los filtros basados en C-BWF y C-BLMS, estableciendo límites de estabilidad para los tamaños de paso.
Comparación de Complejidad: Se presenta un análisis detallado de la complejidad computacional, comparando el número de multiplicaciones escalares reales requeridas por las estructuras 2R, 4R y de valor complejo total.
Modelado de Aplicaciones: Los filtros se aplican para identificar sistemas MISO de valor complejo y modelos Hammerstein de valor complejo, demostrando su utilidad en tareas específicas de identificación de sistemas.

Resultados y Desempeño
El artículo presenta resultados de simulación (detallados en la Sección IV del texto completo) que respaldan la aplicabilidad de los filtros propuestos. Los hallazgos clave incluyen:

Capacidad de Modelado: Las estructuras de valor complejo total pueden modelar sistemas bilineales generales que no pueden representarse mediante las estructuras 2R o 4R debido a la incapacidad de estas últimas para capturar todos los términos cruzados inherentes a la multiplicación compleja.
Eficiencia Computacional: Aunque el orden de complejidad Big-O ($O(LM)$) es similar entre los filtros basados en LMS, el C-BLMS de valor complejo total requiere menos multiplicaciones escalares reales que la estructura 4R.
Convergencia: El filtro C-BLMS típicamente logra el mismo error de estado estacionario en menos iteraciones en comparación con un filtro C-LLMS de valor complejo aplicado a la versión linealizada del modelo bilineal. Sin embargo, para los algoritmos basados en LS y WF, el enfoque lineal escala significativamente peor ( $O(L^3M^3)$ ) en comparación con el enfoque bilineal ( $O(L^3 + M^3)$ ) debido a los requisitos de inversión de matrices.
Manejo de Correlación: Se demuestra que las estructuras 4R y de valor complejo total son superiores a la estructura 2R cuando las partes reales e imaginarias de las señales están correlacionadas.

Significancia
El artículo afirma que su principal significancia radica en proporcionar un marco integral para la identificación de sistemas bilineales de valor complejo, una tarea para la cual no existían soluciones directas previamente en la literatura. Al derivar filtros de valor complejo total, los autores ofrecen una alternativa matemáticamente compacta y computacionalmente eficiente a la división de señales en partes reales e imaginarias. El trabajo cierra la brecha entre la identificación de sistemas bilineales de valor real y los requisitos de valor complejo de los sistemas modernos de comunicación y radar, ofreciendo tanto garantías teóricas de convergencia como algoritmos adaptativos prácticos. Los resultados sugieren que los filtros bilineales de valor complejo total no solo son teóricamente sólidos, sino que también ofrecen ventajas prácticas en términos de precisión de modelado y eficiencia computacional para clases específicas de sistemas.