⚡ electrical engineering

Optimum and Adaptive Complex-Valued Bilinear Filters

Cet article étudie l'extension des filtres bilinéaires à valeurs réelles vers les domaines à valeurs complexes en les dérivant de leurs homologues réels et en introduisant de nouveaux filtres adaptatifs entièrement à valeurs complexes (incluant les variantes de Wiener, de moindres carrés et récursives) pour identifier des systèmes non linéaires à valeurs complexes tels que les modèles MISO et Hammerstein.

Auteurs originaux : Bernhard Plaimer, Matthias Wagner, Oliver Lang, Mario Huemer

Publié 2026-07-15

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Bernhard Plaimer, Matthias Wagner, Oliver Lang, Mario Huemer

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de régler une radio pour capter une chanson d'une station lointaine. Habituellement, la radio est une machine simple : vous tournez un bouton et le son devient plus clair. Dans le monde du traitement du signal, cela revient à utiliser un filtre linéaire. Cela fonctionne très bien lorsque le monde est prévisible et droit. Mais le monde réel est désordonné ! Parfois, le signal est tordu, déformé ou « courbé » de manières compliquées. C'est là qu'interviennent les systèmes non linéaires.

Pour réparer ces signaux tordus, les ingénieurs utilisent des filtres bilinéaires. Imaginez un filtre bilinéaire non pas comme un seul bouton, mais comme une équipe de deux personnes travaillant ensemble. L'un (appelons-le Vecteur H) détient une carte du passé, et l'autre (Vecteur G) détient une carte de la situation actuelle. Pour obtenir la bonne réponse, ils doivent multiplier leurs cartes ensemble. S'ils réussissent, la chanson passe de manière cristalline.

Pendant longtemps, cette équipe ne parlait que le Réel. Ils traitaient des nombres simples comme 1, 2 ou -5. Mais dans le monde de haute technologie de la radar et des communications modernes, les signaux ne sont pas seulement des nombres simples ; ils sont complexes. Ils ont une partie « réelle » et une partie « imaginaire » (un peu comme si l'on avait à la fois un bouton de volume et un bouton de phase). Le problème ? L'ancienne équipe « Réelle » ne savait pas comment gérer cette complexité à double face.

L'ancienne méthode : Diviser l'équipe

L'article examine d'abord comment les gens ont essayé de résoudre cela en divisant le signal complexe en deux équipes distinctes : une pour la partie « Réelle » et une pour la partie « Imaginaire ».

L'équipe 2R : Ils utilisent deux filtres réels séparés. C'est simple, mais c'est comme essayer de danser avec un partenaire tout en regardant ailleurs. Si les parties Réelle et Imaginaire du signal sont connectées (corrélées), cette équipe trébuche. Ils ne peuvent pas voir l'image complète.
L'équipe 4R : Pour corriger ces trébuchements, ils ont ajouté deux filtres supplémentaires, créant une équipe de quatre. Maintenant, ils peuvent voir la connexion entre les parties Réelle et Imaginaire. Cela fonctionne mieux, mais c'est maladroit. C'est comme utiliser quatre calculatrices séparées pour faire un seul problème mathématique. Cela fait le travail, mais c'est lent et cela consomme beaucoup d'énergie.

La nouvelle méthode : La super-équipe entièrement complexe

Les auteurs de cet article disent : « Pourquoi diviser l'équipe ? Donnons à chacun un ensemble complet d'outils complexes. » Ils introduisent les Filtres Bilinéaires Entièrement Complexes.

Imaginez une nouvelle équipe super intelligente où chaque membre parle couramment le langage complet du « Complexe » (Réel + Imaginaire). Au lieu de diviser le signal, ils gèrent tout à la fois. L'article présente cinq nouveaux types de cette super-équipe :

C-BWF (Le filtre de Wiener) : Le « planificateur parfait » qui connaît les statistiques du signal à l'avance.
C-BLS (Le filtre des moindres carrés) : Le « broyeur de données » qui apprend à partir d'une grande pile d'exemples passés.
C-BLMS (Le filtre LMS - Moindres Carrés à Moyenne Mobile) : L'« apprenant adaptatif » qui ajuste ses paramètres petit à petit à mesure que le signal arrive.
C-BNLMS (Le LMS normalisé) : L'« apprenant intelligent » qui ajuste automatiquement sa vitesse d'apprentissage pour ne pas être perturbé par des signaux forts ou faibles.
C-BRLS (Le filtre des moindres carrés récursifs) : Le « traqueur rapide » qui met à jour sa mémoire instantanément à mesure que de nouvelles données arrivent.

Pourquoi est-ce important ?

L'article fait passer des simulations (expériences informatiques) pour voir comment ces nouveaux filtres performent. Voici ce qu'ils ont trouvé :

Vitesse et efficacité : Le nouveau filtre C-BLMS est un champion de l'efficacité. Alors que l'ancienne équipe « 4R » avait besoin d'une quantité massive de mathématiques (multiplications) pour faire le travail, la nouvelle équipe complexe le fait en moins d'étapes. Par exemple, si le signal a une certaine taille, le nouveau filtre pourrait nécessiter environ 9LM + 6M + 3L + 4 étapes mathématiques réelles, alors que l'ancienne méthode 4R en nécessitait 12LM + 4L + 8M + 8. C'est une économie significative d'énergie et de temps.
Meilleure performance : L'article suggère que les nouveaux filtres ne font pas que gagner de l'énergie ; ils apprennent aussi plus vite. Les anciennes méthodes linéaires (qui ignorent la nature bilinéaire) peuvent mettre une éternité à se stabiliser, mais les nouveaux filtres bilinéaires convergent rapidement vers la bonne réponse.
Gérer l'« inmodélisable » : Les auteurs soulignent une faille critique de l'ancienne méthode « 4R ». Certains systèmes complexes sont si étranges que vous ne pouvez littéralement pas les décrire à l'aide de quatre filtres réels distincts. Les nouveaux filtres entièrement complexes sont les seuls capables de modéliser correctement ces systèmes délicats.

Ce à quoi l'article dit « Non »

L'article est très clair sur ce qui ne fonctionne pas ou n'est pas l'objet de l'étude :

Non au « Juste Linéaire » : Vous ne pouvez pas simplement utiliser un filtre linéaire standard sur ces systèmes bilinéaires complexes. C'est comme essayer de réparer un tuyau tordu en tournant simplement l'eau plus fort. Cela peut fonctionner pour un système simple, mais pour ces systèmes complexes spécifiques, cela échoue à capturer le comportement réel.
Non au « Diviser est parfait » : Bien que la méthode « 4R » (diviser en quatre filtres réels) soit meilleure que la méthode « 2R », l'article soutient qu'elle n'est toujours pas la meilleure solution. Elle est trop lourde et, dans certains cas, mathématiquement impossible pour représenter le système avec précision.

À quel point sont-ils sûrs d'eux ?

Les auteurs sont confiants dans leurs mathématiques. Ils ont prouvé les équations de la façon dont ces filtres se mettent à jour eux-mêmes. Ils ont également prouvé que leurs nouveaux filtres convergent (ce qui signifie qu'ils finiront par trouver la bonne réponse et s'arrêter de changer) pour les versions Wiener et LMS.

Cependant, en ce qui concerne le C-BRLS (le traqueur rapide), l'article est un peu plus prudent. Parce qu'ils ont dû faire certaines approximations intelligentes pour que les mathématiques fonctionnent, ils n'ont pas écrit de preuve mathématique stricte que cela converge toujours. Au lieu de cela, ils disent : « Regardez nos simulations ; elles montrent que cela fonctionne très bien en pratique. » Ainsi, bien que la théorie soit solide pour la plupart, la version la plus rapide est soutenue par des expériences informatiques robustes plutôt que par une preuve 100 % infaillible.

L'essentiel

Cet article est comme si l'on remettait un puzzle complexe à double face à une nouvelle équipe de solveurs capables de voir les deux côtés à la fois. L'ancienne équipe devait diviser le puzzle en morceaux et les résoudre séparément, ce qui était lent et parfois impossible. La nouvelle équipe de Filtres Bilinéaires Entièrement Complexes résout le puzzle ensemble, plus vite, avec moins d'énergie, et ils peuvent même gérer les pièces bizarres que l'ancienne équipe ne pouvait pas toucher. C'est une avancée pour quiconque cherche à capter un signal clair dans un monde bruyant et complexe.

Résumé technique : Filtres bilinéaires complexes optimaux et adaptatifs

Énoncé du problème
L'identification de systèmes non linéaires est une tâche fondamentale dans le traitement numérique du signal. Bien que les modèles linéaires (par exemple, les filtres de Wiener, LMS, RLS) soient bien établis, de nombreuses applications réelles dans les communications et le radar présentent des comportements non linéaires distincts qui nécessitent des modèles non linéaires. Plus précisément, de nombreux systèmes peuvent être approximés par des modèles bilinéaires. Cependant, les recherches existantes sur les filtres bilinéaires se sont principalement concentrées sur les systèmes à valeurs réelles. Dans de nombreux scénarios pratiques, tels que ceux impliquant un déséquilibre d'in-phase et de quadrature (IQ) ou des amplificateurs de puissance non linéaires, les systèmes et les signaux sont intrinsèquement à valeurs complexes.

Un écart critique existe car la définition de la bilinéarité utilisée dans ce travail concerne la multiplication des paramètres du système (coefficients), plutôt que la multiplication des signaux d'entrée et de sortie. Par conséquent, les filtres adaptatifs non linéaires à valeurs complexes existants (par exemple, les filtres de Volterra complexes ou les réseaux de neurones complexes), qui traitent généralement la non-linéarité par rapport au signal d'entrée, ne peuvent pas être directement appliqués aux systèmes bilinéaires complexes généraux. De plus, bien que la séparation des signaux complexes en parties réelles et imaginaires (approche split-complex) soit une stratégie courante, elle peut échouer à capturer les corrélations entre les composantes réelles et imaginaires ou peut ne pas être capable de modéliser certains systèmes bilinéaires entièrement complexes.

Méthodologie
Le document étudie l'extension des filtres bilinéaires à valeurs réelles vers le domaine complexe à travers quatre approches structurelles distinctes :

Approches Split-Complex (2R et 4R) :
- Structure 2R : Le signal d'entrée est divisé en parties réelle et imaginaire, traité par deux filtres bilinéaires réels distincts, puis recombiné. Il s'agit d'une extension directe des filtres BLMS (Bilinear LMS) réels, mais elle exclut les termes croisés entre les composantes réelles et imaginaires.
- Structure 4R : Cette approche utilise quatre filtres bilinéaires réels pour traiter les parties réelles et imaginaires de l'entrée et de la sortie, incluant les termes croisés. Cela permet à la structure de gérer les corrélations entre les parties réelles et imaginaires du signal, ce que la structure 2R ne peut pas faire.
Structures entièrement complexes :
Les auteurs dérivent de nouveaux filtres en utilisant de véritables vecteurs de coefficients complexes et le calcul de Wirtinger pour gérer la différenciation de fonctions de coût réelles par rapport à des variables complexes. Les filtres proposés incluent :
- Filtre de Wiener bilinéaire à valeurs complexes (C-BWF) : Un filtre optimal dérivé par la minimisation de l'erreur quadratique moyenne (MSE) pour des signaux stationnaires au sens large (WSS). Il emploie une approche itérative alternée pour résoudre les deux vecteurs de paramètres ( $\hat{h}$ et $\hat{g}$ ).
- Moindres carrés bilinéaires à valeurs complexes (C-BLS) : Un filtre de traitement par lots qui minimise la somme des erreurs au carré sans nécessiter de connaissances statistiques préalables, également résolu via des mises à jour alternées.
- LMS bilinéaire à valeurs complexes (C-BLMS) : Un filtre adaptatif dérivé par descente de gradient sur l'erreur quadratique instantanée.
- NLMS bilinéaire normalisé à valeurs complexes (C-BNLMS) : Une variante adaptative qui normalise le pas pour améliorer la vitesse de convergence et la stabilité.
- RLS récursif bilinéaire à valeurs complexes (C-BRLS) : Un filtre adaptatif utilisant un facteur d'oubli et des mises à jour récursives pour une convergence plus rapide dans les environnements variant dans le temps.
Structures mixtes :
Le document dérive également des équations de mise à jour pour des filtres bilinéaires mixtes complexes-réels, où l'un des vecteurs de coefficients est contraint d'être à valeurs réelles.

Contributions clés

Extension au domaine complexe : Ce travail étend systématiquement les filtres bilinéaires à valeurs réelles établis (WF, LS, LMS, NLMS, RLS) au domaine complexe.
Nouvelles dérivations de filtres : Il introduit les premiers filtres bilinéaires entièrement complexes (C-BWF, C-BLS, C-BLMS, C-BNLMS, C-BRLS) et les filtres mixtes.
Analyse théorique : Le document fournit des analyses de convergence pour les filtres basés sur le C-BWF et le C-BLMS, établissant les limites de stabilité pour les pas de calcul.
Comparaison de complexité : Une analyse détaillée de la complexité computationnelle est présentée, comparant le nombre de multiplications scalaires réelles requises par les structures 2R, 4R et les structures entièrement complexes.
Modélisation d'applications : Les filtres sont appliqués pour identifier des systèmes MISO (Multiple-Input-Single-Output) à valeurs complexes et des modèles de Hammerstein à valeurs complexes, démontrant leur utilité dans des tâches spécifiques d'identification de systèmes.

Résultats et performances
Le document présente des résultats de simulation (détaillés dans la Section IV du texte intégral) soutenant l'applicabilité des filtres proposés. Les principales conclusions incluent :

Capacité de modélisation : Les structures entièrement complexes peuvent modéliser des systèmes bilinéaires généraux qui ne peuvent pas être représentés par les structures 2R ou 4R en raison de l'incapacité de ces dernières à capturer tous les termes croisés inhérents à la multiplication complexe.
Efficacité computationnelle : Bien que l'ordre de complexité Big-O ($O(LM)$) soit similaire pour les filtres de type LMS, le C-BLMS entièrement complexe nécessite moins de multiplications scalaires réelles que la structure 4R.
Convergence : Le filtre C-BLMS atteint généralement le même erreur en régime permanent en moins d'itérations qu'un filtre LMS linéaire à valeurs complexes (C-LLMS) appliqué à la version linéarisée du modèle bilinéaire. Cependant, pour les algorithmes basés sur LS et WF, l'approche linéaire passe nettement moins bien à l'échelle ( $O(L^3M^3)$ ) par rapport à l'approche bilinéaire ( $O(L^3 + M^3)$ ) en raison des exigences d'inversion de matrice.
Gestion de la corrélation : Les structures 4R et entièrement complexes s'avèrent supérieures à la structure 2R lorsque les parties réelles et imaginaires des signaux sont corrélées.

Signification
Le document affirme que sa principale importance réside dans la fourniture d'un cadre complet pour l'identification de systèmes bilinéaires à valeurs complexes, une tâche pour laquelle aucune solution directe n'existait auparavant dans la littérature. En dérivant des filtres entièrement complexes, les auteurs offrent une alternative mathématiquement compacte et efficacement calculable à la séparation des signaux en parties réelles et imaginaires. Ce travail comble le fossé entre l'identification de systèmes bilinéaires à valeurs réelles et les exigences de valeurs complexes des systèmes modernes de communication et de radar, offrant à la fois des garanties théoriques de convergence et des algorithmes adaptatifs pratiques. Les résultats suggèrent que les filtres bilinéaires entièrement complexes sont non seulement théoriquement fondés, mais offrent également des avantages pratiques en termes de précision de modélisation et d'efficacité de calcul pour des classes de systèmes spécifiques.