A Double Proportionate Sparse Adaptive Filter for Impulsive Noise Environments

Résumé Technique : Filtre Adaptatif à Double Proportionnalité et à Parcimonie (DP-SAF)

Énoncé du Problème
Les filtres adaptatifs sont essentiels pour l'identification de systèmes, l'estimation de canaux et l'annulation de l'écho acoustique. Cependant, les algorithmes existants font face à un écart de compromis lorsqu'ils traitent des systèmes qui sont à la fois parcimonieux (possédant peu de coefficients actifs) et soumis à un bruit impulsif.

1. Parcimonie : Les algorithmes standard de type Moindres Carrés Moyens (LMS) attribuent un gain égal à tous les coefficients, ce qui est inefficace pour les systèmes parcimonieux où l'énergie d'adaptation devrait se concentrer sur les taps actifs. Le PNLMS (LMS Normalisé Proportionnel) traite cela, mais manque de robustesse contre le bruit impulsif.
2. Bruit Impulsif : Les algorithmes robustes au bruit impulsif (par exemple, ceux utilisant des mises à jour par signe d'erreur ou des estimateurs M) échouent souvent à exploiter la parcimonie ou manquent de mécanismes pour supprimer activement les coefficients inactifs.
3. L'Écart : Aucun algorithme existant n'intègre simultanément une adaptation proportionnelle indépendante pour les taps actifs, des pénalités d'attraction vers zéro pour les taps inactifs, et une robustesse au bruit impulsif au sein d'une seule étape de mise à jour de complexité linéaire $O(M)$.

Méthodologie
Le document propose le Filtre Adaptatif à Double Proportionnalité et à Parcimonie (DP-SAF), qui met à jour le vecteur de poids $w(n)$ en utilisant deux matrices de gain diagonales indépendantes, $G_1$ et $G_2$, parallèlement à une mise à jour par signe d'erreur. L'équation de mise à jour est :
$$w(n + 1) = w(n) + \mu G_1(n) x(n) \text{sgn}(e(n)) - \rho G_2(n) \text{sgn}(w(n))$$

• Mise à jour par Signe d'Erreur : Le remplacement de l'erreur brute $e(n)$ par $\text{sgn}(e(n))$ limite l'influence des valeurs aberrantes importantes, offrant ainsi une robustesse contre les corruptions impulsives.
• Matrice de Gain $G_1$ (Adaptation Proportionnelle) : Cette matrice ajuste l'étape de gradient en fonction des magnitudes des coefficients. Elle est conçue pour accélérer la convergence des taps actifs (coefficients larges) tout en maintenant une base non nulle pour les inactifs. Elle est dérivée d'une forme proportionnelle normalisée :
  $$g_{1,k}(n) = \frac{\max(\delta, |w_k(n)|)}{\frac{1}{M}\sum_{j=1}^M \max(\delta, |w_j(n)|)}$$
• Matrice de Gain $G_2$ (Attraction vers Zéro) : Cette matrice applique une pénalité pour attirer les coefficients vers zéro. Contra à $G_1$, elle est conçue pour être la plus forte pour les petits coefficients (probablement inactifs) et la plus faible pour les grands (actifs), évitant ainsi la suppression des taps actifs. Elle suit une réduction dépendante de la magnitude :
  $$g_{2,k}(n) = \frac{1}{1 + \varepsilon |w_k(n)|}$$
• Dérivation : Les deux matrices de gain sont dérivées d'un cadre d'optimisation à norme minimale qui minimise une fonction de coût équilibrant l'erreur d'estimation en régime permanent et la perturbation des poids. La conception garantit que $G_1$ et $G_2$ travaillent de manière complémentaire plutôt qu'antagoniste.
• Complexité : L'algorithme maintient une complexité de $O(M)$ par itération, identique au LMS, en évitant les inversions de matrices grâce à sa structure diagonale.

Contributions Clés

1. Mécanisme de Double Proportionnalité : Le DP-SAF est le premier algorithme à appliquer une pondération proportionnelle indépendante à la fois pour l'étape de gradient ($G_1$) et pour le terme d'attraction vers zéro ($G_2$) dans une mise à jour unique.
2. Conception Basée sur l'Optimisation : Les matrices de gain sont dérivées d'un cadre à norme minimale, garantissant qu'elles suivent des règles de proportionnalité opposées par conception (l'une amplifie les grands coefficients, l'autre supprime les petits).
3. Robustesse et Efficacité : La mise à jour par signe d'erreur limite l'impact du bruit impulsif, tandis que la structure diagonale garantit que l'algorithme est adapté aux implémentations en temps réel et embarquées sans sacrifier la vitesse de convergence pour la robustesse.

Résultats de Simulation
Les auteurs ont évalué le DP-SAF par rapport à sept algorithmes concurrents (LMS, PNLMS, RZA-LMS, VSS-RZA-LMM, GMN, GCMPN, LCMN) en utilisant un filtre FIR parcimonieux ($M=32$, 10 % de taps actifs) sous un modèle de bruit impulsif de Bernoulli ($p=0,2$, amplitude élevée).

• Précision en Régime Permanent : Dans l'Expérience 1, le DP-SAF a atteint le plancher de l'écart quadratique moyen (MSD) le plus bas parmi tous les concurrents, démontrant que la conception à double gain améliore la précision sans sacrifier la vitesse de convergence.
• Vitesse de Convergence : Dans l'Expérience 2, lorsque tous les algorithmes ont été autorisés à converger vers le même MSD en régime permanent, le DP-SAF a atteint ce niveau nettement plus rapidement que les autres.
• Conclusion des Données : Les résultats confirment que la structure à double gain améliore simultanément la vitesse transitoire et la précision en régime permanent, évitant les compromis typiques observés dans d'autres méthodes.

Signification et Revendications
L'article affirme que le DP-SAF comble une lacune critique dans le filtrage adaptatif en unifiant l'exploitation de la parcimonie, la régularisation par attraction vers zéro et la robustesse au bruit impulsif. Les auteurs soulignent que l'algorithme atteint cet objectif sans augmenter la complexité de calcul au-delà du niveau standard du LMS. La signification réside dans la nature « complémentaire par construction » des deux matrices de gain, qui se renforcent mutuellement plutôt que de s'opposer, permettant au filtre de gérer efficacement des systèmes parcimonieux et variables dans le temps dans des environnements de bruit sévères. L'article conclut en notant que l'extension du DP-SAF aux systèmes à valeurs complexes et aux entrées avec un fort colorage spectral reste une direction ouverte pour les travaux futurs.