A Double Proportionate Sparse Adaptive Filter for Impulsive Noise Environments

Resumen Técnico: Filtro Adaptativo de Doble Proporcionalidad Dispersa (DP-SAF)

Planteamiento del Problema
Los filtros adaptativos son esenciales para la identificación de sistemas, la estimación de canales y la cancelación de eco acústico. Sin embargo, los algoritmos existentes enfrentan una brecha de compromiso al tratar con sistemas que son tanto dispersos (con pocos coeficientes activos) como sujetos a ruido impulsivo.

1. Dispersión (Sparsity): Los algoritmos estándar de Mínimo Medio Cuadrático (LMS) asignan una ganancia igual a todos los coeficientes, lo cual es ineficiente para sistemas dispersos donde la energía de adaptación debería centrarse en los taps activos. El LMS Normalizado Proporcional (PNLMS) aborda esto, pero carece de robustez frente al ruido impulsivo.
2. Ruido Impulsivo: Los algoritmos robustos al ruido impulsivo (por ejemplo, aquellos que utilizan actualizaciones de signo de error o estimadores M) a menudo fallan al explotar la dispersión o carecen de mecanismos para suprimir activamente los coeficientes inactivos.
3. La Brecha: Ningún algoritmo existente integra simultáneamente la adaptación proporcional independiente para los taps activos, las penalizaciones de atracción hacia cero para los taps inactivos y la robustez al ruido impulsivo dentro de un único paso de actualización de complejidad lineal $O(M)$.

Metodología
El artículo propone el Filtro Adaptativo de Doble Proporcionalidad Dispersa (DP-SAF), el cual actualiza el vector de pesos $w(n)$ utilizando dos matrices de ganancia diagonal independientes, $G_1$ y $G_2$, junto con una actualización de signo de error. La ecuación de actualización es:
$$w(n + 1) = w(n) + \mu G_1(n) x(n) \text{sgn}(e(n)) - \rho G_2(n) \text{sgn}(w(n))$$

• Actualización de Signo de Error: Reemplazar el error bruto $e(n)$ por $\text{sgn}(e(n))$ limita la influencia de los valores atípicos (outliers) de gran magnitud, proporcionando robustez contra corrupciones impulsivas.
• Matriz de Ganancia $G_1$ (Adaptación Proporcional): Esta matriz escala el paso del gradiente basado en las magnitudes de los coeficientes. Está diseñada para acelerar la convergencia de los taps activos (coeficientes grandes) mientras mantiene una base no nula para los inactivos. Se deriva como una forma proporcional normalizada:
  $$g_{1,k}(n) = \frac{\max(\delta, |w_k(n)|)}{\frac{1}{M}\sum_{j=1}^M \max(\delta, |w_j(n)|)}$$
• Matriz de Ganancia $G_2$ (Atracción a Cero): Esta matriz aplica una penalización para atraer los coeficientes hacia cero. A diferencia de $G_1$, está diseñada para ser más fuerte para los coeficientes pequeños (probablemente inactivos) y más débil para los grandes (activos), evitando la supresión de los taps activos. Sigue una reducción dependiente de la magnitud:
  $$g_{2,k}(n) = \frac{1}{1 + \varepsilon |w_k(n)|}$$
• Derivación: Ambas matrices de ganancia se derivan de un marco de optimización de norma mínima que minimiza una función de costo que equilibra el error de estimación en estado estacionario y la perturbación de los pesos. El diseño asegura que $G_1$ y $G_2$ trabajen de manera complementaria en lugar de antagónica.
• Complejidad: El algoritmo mantiene una complejidad de $O(M)$ por iteración, idéntica a la de LMS, al evitar inversiones de matrices gracias a su estructura diagonal.

Contribuciones Clave

1. Mecanismo de Doble Proporcionalidad: El DP-SAF es el primer algoritmo en aplicar un pesaje proporcional independiente tanto al paso del gradiente ($G_1$) como al término de atracción a cero ($G_2$) en una única actualización.
2. Diseño Basado en Optimización: Las matrices de ganancia se derivan de un marco de norma mínima, asegurando que sigan reglas de proporcionalidad opuestas por diseño (una amplifica los coeficientes grandes, la otra suprime los pequeños).
3. Robustez y Eficiencia: La actualización del signo de error limita el impacto del ruido impulsivo, mientras que la estructura diagonal asegura que el algoritmo sea apto para implementaciones en tiempo real y sistemas embebidos sin sacrificar la velocidad de convergencia por la robustez.

Resultados de Simulación
Los autores evaluaron el DP-SAF frente a siete algoritmos competidores (LMS, PNLMS, RZA-LMS, VSS-RZA-LMM, GMN, GCMPN, LCMN) utilizando un filtro FIR disperso ($M=32$, 10% de taps activos) bajo un modelo de ruido impulsivo de Bernoulli ($p=0.2$, amplitud alta).

• Precisión en Estado Estacionario: En el Experimento 1, el DP-SAF logró el piso de Desviación del Error Cuadrático Medio (MSD) más bajo entre todos los competidores, demostrando que el diseño de doble ganancia mejora la precisión sin sacrificar la velocidad de convergencia.
• Velocidad de Convergencia: En el Experimento 2, cuando se permitió que todos los algoritmos convergieran al mismo MSD de estado estacionario, el DP-SAF alcanzó ese nivel significativamente más rápido que los demás.
• Conclusión de los Datos: Los resultados confirman que la estructura de doble ganancia mejora simultáneamente tanto la velocidad transitoria como la precisión en estado estacionario, evitando los compromisos típicos observados en otros métodos.

Significancia y Reivindicaciones
El artículo afirma que el DP-SAF llena una brecha crítica en el filtrado adaptativo al unificar la explotación de la dispersión, la regularización de atracción a cero y la robustez al ruido impulsivo. Los autores enfatizan que el algoritmo logra esto sin aumentar la complejidad computacional más allá del nivel estándar de LMS. La significancia reside en la naturaleza "complementaria por construcción" de las dos matrices de ganancia, que se refuerzan entre sí en lugar de competir, permitiendo que el filtro maneje sistemas dispersos y variables en el tiempo en entornos de ruido severos de manera efectiva. El documento concluye señalando que extender el DP-SAF a sistemas de valores complejos y entradas con fuerte coloración espectral sigue siendo una dirección abierta para trabajos futuros.