⚡ electrical engineering

A Double Proportionate Sparse Adaptive Filter for Impulsive Noise Environments

यह शोध पत्र डबल प्रोपोर्शनेट स्पार्स एडेप्टिव फ़िल्टर (DP-SAF) का प्रस्ताव करता है, जो एक सुदृढ़ एल्गोरिदम है जो इम्पल्सिव नॉइज़ परिवेश में उच्च अभिसरण गति और उत्कृष्ट स्थिर-अवस्था प्रदर्शन को एक साथ प्राप्त करने के लिए प्रोपोर्शनेट एडेप्टेशन और ज़ीरो-अट्रैक्शन तंत्र को एकीकृत करता है।

मूल लेखक: Mohammad Salman, Falah Ibrahim Al Hassan, Hadi Zayyani, Felipe A. P. de Figueiredo, Hasan Abu Hilal

प्रकाशित 2026-06-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohammad Salman, Falah Ibrahim Al Hassan, Hadi Zayyani, Felipe A. P. de Figueiredo, Hasan Abu Hilal

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशिष्ट गाने से पूरी तरह मेल खाने के लिए 32 नॉब्स (गुणांकों/coefficients) वाले एक विशाल साउंडबोर्ड को ट्यून करने की कोशिश कर रहे हैं। अधिकांश समय, केवल 3 या 4 नॉब्स को ही घुमाने की आवश्यकता होती है; बाकी 28 को शून्य पर ही रहना चाहिए। इंजीनियर इसे एक "स्पार्स सिस्टम" (sparse system) कहते हैं।

अब, कल्पना कीजिए कि जब आप साउंडबोर्ड को ट्यून कर रहे होते हैं, तो कोई लगातार आपके साउंडबोर्ड पर गीले स्पंज फेंक रहा है। ये गीले स्पंज इम्पल्सिव नॉइज़ (impulsive noise) हैं—अचानक, तेज़ और अस्त-व्यस्त त्रुटियाँ जो आपकी ट्यूनिंग को पूरी तरह से बिगाड़ सकती हैं।

यह पेपर एक नया टूल पेश करता है जिसे DP-SAF (डबल प्रोपोर्शनल स्पार्स एडेप्टिव फ़िल्टर) कहा जाता है, जो इस विशिष्ट समस्या को हल करता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

पुराने टूल्स के साथ समस्या

पिछले टूल्स की दो मुख्य कमियाँ थीं:

"समान व्यवहार" की गलती: मानक टूल्स (जैसे LMS) हर नॉब के साथ एक जैसा व्यवहार करते थे। यदि आपके पास 28 शांत नॉब्स और 4 तेज़ नॉब्स थे, तो टूल शांत नॉब्स को भी एडजस्ट करने में ऊर्जा बर्बाद कर देता था, जिससे प्रक्रिया धीमी हो जाती थी।
"स्पंज" के प्रति संवेदनशीलता: यदि एक गीला स्पंज बोर्ड पर लगा, तो मानक टूल्स घबरा जाते थे और अत्यधिक सुधार (over-correct) करने लगते थे, जिससे पूरी ट्यूनिंग खराब हो जाती थी।

DP-SAF समाधान: दो विशेष टीमें

लेखकों ने एक ऐसा सिस्टम बनाया है जो साउंडबोर्ड को ठीक करने के लिए दो स्वतंत्र टीमों (जिन्हें गेन मैट्रिसेस/gain matrices कहा जाता है) का उपयोग करता है, साथ ही गीले स्पंजों को संभालने के लिए एक विशेष नियम भी है।

टीम 1: "एक्टिव" एक्सेलेरेटर (G1)

रूपक (Metaphor): कल्पना कीजिए कि एक कोच जो केवल उन्हीं खिलाड़ियों को दौड़ने के लिए प्रेरित करता है जो पहले से ही मैदान पर हैं।
यह कैसे काम करता है: यह टीम नॉब्स को देखती है। यदि कोई नॉब पहले से ही हिल रहा है (सक्रिय है), तो यह टीम उसे सही जगह तक तेज़ी से पहुँचाने के लिए एक बड़ा बूस्ट देती है। यदि कोई नॉब शांत है, तो यह टीम उसे अकेला छोड़ देती है। यह ट्यूनिंग की प्रक्रिया को काफी तेज़ कर देता है।

टीम 2: "साइलेंट" वैक्यूम (G2)

रूपक (Metaphor): कल्पना कीजिए कि एक वैक्यूम क्लीनर जो केवल फर्श पर मौजूद धूल को सोखता है, लेकिन फर्नीचर को अनदेखा कर देता है।
यह कैसे काम करता है: यह टीम 1 के विपरीत काम करती है। यह उन नॉब्स को ढूंढती है जो लगभग शून्य हैं (शांत नॉब्स) और उन्हें धीरे से शून्य की ओर खींचती है। यह सक्रिय, तेज़ नॉब्स को छेड़ता नहीं है ताकि वे खराब न हों। यह सुनिश्चित करता है कि "शांत" नॉब्स शांत रहें, जो एक साफ सिग्नल के लिए महत्वपूर्ण है।

"साइन" नियम: स्पंज शील्ड

रूपक (Metaphor): यह मापने के बजाय कि गीले स्पंज ने कितनी ज़ोर से प्रहार किया, आप बस यह नोट करते हैं कि "कुछ टकराया है।"
यह कैसे काम करता है: जब एक बहुत बड़ी त्रुटि (गीला स्पंज) होती है, तो मानक टूल्स त्रुटि के सटीक आकार की गणना करने की कोशिश करते हैं और अत्यधिक प्रतिक्रिया (over-react) करते हैं। DP-SAF त्रुटि के आकार को अनदेखा करता है और केवल उसकी दिशा (धनात्मक या ऋणात्मक) को देखता है। यह एक ढाल की तरह काम करता है, जो एक एकल बुरे क्षण को पूरी ट्यूनिंग प्रक्रिया को बर्बाद करने से रोकता है।

यह एक बड़ी बात क्यों है

पेपर का दावा है कि इन तीनों चीजों (टीम 1, टीम 2, और स्पंज शील्ड) को एक सिस्टम में मिलाने से, उन्हें सबसे अच्छा परिणाम मिलता है:

तेज़ ट्यूनिंग: यह अन्य तरीकों की तुलना में सही सेटिंग्स जल्दी खोज लेता है।
साफ परिणाम: यह अधिक सटीक सेटिंग (कम "मीन स्क्वायर डेविएशन") प्राप्त करता है क्योंकि यह शांत नॉब्स को शांत रखता है।
मजबूती (Robustness): जब "गीले स्पंज" (इम्पल्सिव नॉइज़) टकराते हैं, तो यह टूटता नहीं है।
दक्षता (Efficiency): इतना सारा जटिल काम करने के बावजूद, यह कम्प्यूटेशनल रूप से सस्ता है। यह सरल टूल्स की तरह ही तेज़ चलता है, जो इसे रीयल-टाइम डिवाइसों के लिए आदर्श बनाता है।

प्रमाण

लेखकों ने इसका परीक्षण एक सिमुलेशन में किया जो एक कठोर वातावरण (जैसे अंडरवॉटर एकोस्टिक्स या पावर लाइन कम्युनिकेशंस) की नकल करता है जहाँ शोर बार-बार और तेज़ होता है।

प्रयोग 1: जब सभी टूल्स को समान समय दिया गया, तो DP-SAF ने सबसे साफ सिग्नल दिया।
प्रयोग 2: जब सभी टूल्स को समान लक्ष्य सटीकता दी गई, तो DP-SAF अन्य तरीकों की तुलना में बहुत तेज़ी से वहां पहुँचा।

संक्षेप में, DP-SAF एक स्मार्ट, कुशल फ़िल्टर है जो जानता है कि किन नॉब्स को ज़ोर से धकेलना है, किन्हें वापस खींचना है, और अचानक होने वाले शोर के शोर-शराबे को कैसे अनदेखा करना है, और यह सब एक सरल, तेज़ इंजन पर चलता है।

तकनीकी सारांश: डबल प्रोपोर्शननेट स्पार्स एडेप्टिव फ़िल्टर (DP-SAF)

समस्या विवरण
सिस्टम आइडेंटिफिकेशन, चैनल एस्टीमेशन और एकोस्टिक इको कैंसलेशन के लिए एडेप्टिव फ़िल्टर्स आवश्यक हैं। हालाँकि, मौजूदा एल्गोरिदम उन प्रणालियों के साथ काम करते समय एक ट्रेड-ऑफ गैप (संतुलन अंतराल) का सामना करते हैं जो स्पार्स (जिनमें कुछ ही सक्रिय गुणांक होते हैं) भी हैं और इम्पल्सिव नॉइज़ (आवेगी शोर) के अधीन भी हैं।

स्पर्सिटी (Sparsity): मानक लीस्ट मीन स्क्वायर (LMS) एल्गोरिदम सभी गुणांकों को समान गेन (लाभ) प्रदान करते हैं, जो स्पार्स सिस्टम के लिए अक्षम है जहाँ अनुकूलन ऊर्जा को सक्रिय टैप्स पर केंद्रित किया जाना चाहिए। प्रोपोर्शननेट नॉर्मलाइज्ड LMS (PNLMS) इसे संबोधित करता है, लेकिन इसमें इम्पल्सिव नॉइज़ के विरुद्ध मजबूती की कमी है।
इम्पल्सिव नॉइज़ (Impulsive Noise): इम्पल्सिव नॉइज़ के प्रति मजबूत एल्गोरिदम (जैसे कि साइन-एरर अपडेट या M-एस्टिमेटर्स का उपयोग करने वाले) अक्सर स्पर्सिटी का लाभ उठाने में विफल रहते हैं या निष्क्रिय गुणांकों को सक्रिय रूप से दबाने के तंत्र की कमी रखते हैं।
द गैप (The Gap): कोई भी मौजूदा एल्गोरिदम एक ही अपडेट स्टेप के भीतर स्वतंत्र प्रोपोर्शननेट अनुकूलन, ज़ीरो-अट्रैक्शन पेनल्टी और इम्पल्सिव नॉइज़ मजबूती को $O(M)$ की रैखिक जटिलता के साथ एकीकृत नहीं करता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र डबल प्रोपोर्शननेट स्पार्स एडेप्टिव फ़िल्टर (DP-SAF) का प्रस्ताव करता है, जो दो स्वतंत्र डायगोनल गेन मैट्रिसेस, $G_1$ और $G_2$ , के साथ साइन-एरर अपडेट का उपयोग करके वेट वेक्टर $w(n)$ को अपडेट करता है। अपडेट समीकरण है:
$w(n + 1) = w(n) + \mu G_1(n) x(n) \text{sgn}(e(n)) - \rho G_2(n) \text{sgn}(w(n))$

साइन-एरर अपडेट (Sign-Error Update): कच्चे एरर $e(n)$ को $\text{sgn}(e(n))$ से बदलने से बड़े आउटलेर्स का प्रभाव सीमित हो जाता है, जो इम्पल्सिव करप्शन के विरुद्ध मजबूती प्रदान करता है।
गेन मैट्रिक्स $G_1$ (प्रोपोर्शननेट अनुकूलन): यह मैट्रिक्स गुणांकों के परिमाण के आधार पर ग्रेडिएंट स्टेप को स्केल करता है। इसे सक्रिय टैप्स (बड़े गुणांकों) के लिए अभिसरण (convergence) को तेज करने के लिए डिज़ाइन किया गया है, जबकि निष्क्रिय टैप्स के लिए एक गैर-शून्य बेसलाइन बनाए रखता है। इसे एक नॉर्मलाइज्ड प्रोपोर्शननेट रूप के रूप में प्राप्त किया गया है:
$g_{1,k}(n) = \frac{\max(\delta, |w_k(n)|)}{\frac{1}{M}\sum_{j=1}^M \max(\delta, |w_j(n)|)}$
गेन मैट्रिक्स $G_2$ (ज़ीरो-अट्रैक्शन): यह मैट्रिक्स गुणांकों को शून्य की ओर खींचने के लिए एक दंड (penalty) लागू करता है। $G_1$ के विपरीत, इसे छोटे (संभावित रूप से निष्क्रिय) गुणांकों के लिए सबसे मजबूत और बड़े (सक्रिय) गुणांकों के लिए सबसे कमजोर होने के लिए डिज़ाइन किया गया है, ताकि सक्रिय टैप्स के दमन को रोका जा सके। यह एक परिमाण-निर्भर कमी का अनुसरण करता है:
$g_{2,k}(n) = \frac{1}{1 + \varepsilon |w_k(n)|}$
व्युत्पत्ति (Derivation): दोनों गेन मैट्रिसेस को एक मिनिमम-नॉर्म ऑप्टिमाइज़ेशन फ्रेमवर्क से प्राप्त किया गया है जो स्टेडी-स्टेट एस्टीमेशन एरर और वेट परटर्बेशन के बीच संतुलन बनाने वाले कॉस्ट फंक्शन को कम करता है। डिज़ाइन यह सुनिश्चित करता है कि $G_1$ और $G_2$ एक-दूसरे के विरोधी होने के बजाय पूरक रूप से कार्य करें।
जटिलता (Complexity): यह एल्गोरिदम अपने डायगोनल स्ट्रक्चर के माध्यम से मैट्रिक्स इनवर्जन से बचकर, प्रति इटरेशन $O(M)$ जटिलता बनाए रखता है, जो कि LMS के समान है।

प्रमुख योगदान

दोहरी प्रोपोर्शननेट प्रक्रिया (Dual Proportionate Mechanism): DP-SAF पहला ऐसा एल्गोरिदम है जो एकल अपडेट में ग्रेडिएंट स्टेप ( $G_1$ ) और ज़ीरो-अट्रैक्शन टर्म ( $G_2$ ) दोनों के लिए स्वतंत्र प्रोपोर्शननेट वेटिंग लागू करता है।
ऑप्टिमाइज़ेशन-आधारित डिज़ाइन: गेन मैट्रिसेस को मिनिमम-नॉर्म फ्रेमवर्क से प्राप्त किया गया है, जो यह सुनिश्चित करता है कि वे डिज़ाइन द्वारा विपरीत प्रोपोर्शनलिटी नियमों का पालन करें (एक बड़े गुणांकों को बढ़ाता है, दूसरा छोटे गुणांकों को दबाता है)।
मजबूती और दक्षता: साइन-एरर अपडेट इम्पल्सिव नॉइज़ के प्रभाव को सीमित करता है, जबकि डायगोनल स्ट्रक्चर यह सुनिश्चित करता है कि एल्गोरिदम मजबूती के लिए अभिसरण गति से समझौता किए बिना वास्तविक समय और एम्बेडेड कार्यान्वयन के लिए उपयुक्त है।

सिमुलेशन परिणाम
लेखकों ने एक स्पार्स FIR फ़िल्टर ( $M=32$ , 10% सक्रिय टैप्स) और बर्नौली इम्पल्सिव नॉइज़ मॉडल ( $p=0.2$ , उच्च आयाम) का उपयोग करके सात प्रतिस्पर्धी एल्गोरिदम (LMS, PNLMS, RZA-LMS, VSS-RZA-LMM, GMN, GCMP, LCMN) के विरुद्ध DP-SAF का मूल्यांकन किया।

स्टेडी-स्टेट सटीकता: प्रयोग 1 में, DP-SAF ने सभी प्रतिस्पर्धियों में सबसे कम स्टेडी-स्टेट मीन स्क्वायर डेविएशन (MSD) फ्लोर प्राप्त किया, जिससे सिद्ध होता है कि दोहरे-गेन डिज़ाइन से अभिसरण गति से समझौता किए बिना सटीकता में सुधार होता है।
अभिसरण गति (Convergence Speed): प्रयोग 2 में, जब सभी एल्गोरिदम को एक ही स्टेडी-स्टेट MSD तक पहुँचने की अनुमति दी गई, तो DP-SAF अन्य की तुलना में काफी तेजी से उस स्तर पर पहुँच गया।
डेटा से निष्कर्ष: परिणाम पुष्टि करते हैं कि दोहरा-गेन स्ट्रक्चर एक साथ ट्रांजिएंट स्पीड और स्टेडी-स्टेट सटीकता दोनों में सुधार करता है, जिससे अन्य विधियों में देखे जाने वाले विशिष्ट ट्रेड-ऑफ से बचा जा सकता है।

महत्व और दावे
शोध पत्र का दावा है कि DP-SAF स्पर्सिटी एक्सप्लोइटेशन, ज़ीरो-अट्रैक्शन रेगुलराइजेशन और इम्पल्सिव नॉइज़ मजबूती को एकीकृत करके एक महत्वपूर्ण अंतर को भरता है। लेखक इस बात पर जोर देते हैं कि यह एल्गोरिदम मानक LMS स्तर से कम्प्यूटेशनल जटिलता बढ़ाए बिना यह हासिल करता है। इसका महत्व दो गेन मैट्रिसेस की "निर्माण द्वारा पूरक" (complementary by construction) प्रकृति में निहित है, जो एक-दूसरे को सुदृढ़ करते हैं, जिससे फ़िल्टर को कठोर शोर वातावरण में स्पार्स, समय-परिवर्तनीय सिस्टम को प्रभावी ढंग से संभालने की अनुमति मिलती है। पेपर यह नोट करते हुए समाप्त होता है कि DP-SAF को कॉम्प्लेक्स-वैल्यूड सिस्टम और मजबूत स्पेक्ट्रल कलरिंग वाले इनपुट्स तक विस्तारित करना भविष्य के कार्य के लिए एक खुला दिशा है।

पुराने टूल्स के साथ समस्या

DP-SAF समाधान: दो विशेष टीमें

यह एक बड़ी बात क्यों है

प्रमाण

तकनीकी सारांश: डबल प्रोपोर्शननेट स्पार्स एडेप्टिव फ़िल्टर (DP-SAF)

इसी तरह के और पेपर