A Double Proportionate Sparse Adaptive Filter for Impulsive Noise Environments

Sintesi Tecnica: Filtro Adattivo Sparso a Doppia Proporzionalità (DP-SAF)

Problema
I filtri adattivi sono essenziali per l'identificazione del sistema, la stima del canale e la cancellazione dell'eco acustico. Tuttavia, gli algoritmi esistenti affrontano un divario di compromesso quando si occupano di sistemi che sono sia sparsi (con pochi coefficienti attivi) sia soggetti a rumore impulsivo.

1. Sparsità: Gli algoritmi Standard Least Mean Square (LMS) assegnano un guadagno uguale a tutti i coefficienti, il che è inefficiente per i sistemi sparsi dove l'energia di adattamento dovrebbe concentrarsi sui tap attivi. Il Proportionate Normalized LMS (PNLMS) affronta questo problema, ma manca di robustezza contro il rumore impulsivo.
2. Rumore Impulsivo: Gli algoritmi robusti al rumore impulsivo (ad esempio, quelli che utilizzano aggiornamenti del segno dell'errore o stimatori M) spesso falliscono nell'esprimere la sparsità o mancano di meccanismi per sopprimere attivamente i coefficienti inattivi.
3. Il Divario: Nessun algoritmo esistente integra simultaneamente l'adattamento proporzionale indipendente per i tap attivi, le penalità di attrazione verso lo zero per i tap inattivi e la robustezza al rumore impulsivo all'interno di un singolo step di aggiornamento a complessità lineare $O(M)$.

Metodologia
Il documento propone il Double Proportionate Sparse Adaptive Filter (DP-SAF), che aggiorna il vettore dei pesi $w(n)$ utilizzando due matrici di guadagno diagonali indipendenti, $G_1$ e $G_2$, insieme a un aggiornamento del segno dell'errore. L'equazione di aggiornamento è:
$$w(n + 1) = w(n) + \mu G_1(n) x(n) \text{sgn}(e(n)) - \rho G_2(n) \text{sgn}(w(n))$$

• Aggiornamento del Segno dell'Errore: Sostituire l'errore grezzo $e(n)$ con $\text{sgn}(e(n))$ limita l'influenza dei grandi outlier, fornendo robustezza contro le corruzioni impulsive.
• Matrice di Guadagno $G_1$ (Adattamento Proporzionale): Questa matrice scala il passo del gradiente in base alle magnitudo dei coefficienti. È progettata per accelerare la convergenza per i tap attivi (coefficienti grandi) mantenendo al contempo una linea di base non nulla per quelli inattivi. È derivata come una forma proporzionale normalizzata:
  $$g_{1,k}(n) = \frac{\max(\delta, |w_k(n)|)}{\frac{1}{M}\sum_{j=1}^M \max(\delta, |w_j(n)|)}$$
• Matrice di Guadagno $G_2$ (Attrazione verso lo Zero): Questa matrice applica una penalità per attirare i coefficienti verso lo zero. A differenza di $G_1$, è progettata per essere più forte per i coefficienti piccoli (probabilmente inattivi) e più debole per quelli grandi (attivi), evitando la soppressione dei tap attivi. Segue una riduzione dipendente dalla magnitudo:
  $$g_{2,k}(n) = \frac{1}{1 + \varepsilon |w_k(n)|}$$
• Derivazione: Entrambe le matrici di guadagno sono derivate da un framework di ottimizzazione a norma minima che minimizza una funzione di costo bilanciando l'errore di stima a regime e la perturbazione dei pesi. Il design assicura che $G_1$ e $G_2$ lavorino in modo complementare piuttosto che antagonista.
• Complessità: L'algoritmo mantiene una complessità $O(M)$ per iterazione, identica all'LMS, evitando inversioni di matrice grazie alla sua struttura diagonale.

Contributi Chiave

1. Meccanismo a Doppia Proporzionalità: DP-SAF è il primo algoritmo ad applicare una ponderazione proporzionale indipendente sia al passo del gradiente ($G_1$) che al termine di attrazione verso lo zero ($G_2$) in un singolo aggiornamento.
2. Design Basato sull'Ottimizzazione: Le matrici di guadagno sono derivate da un framework a norma minima, garantendo che seguano regole di proporzionalità opposte per design (una amplifica i coefficienti grandi, l'altra sopprime quelli piccoli).
3. Robustezza ed Efficienza: L'aggiornamento del segno dell'errore limita l'impatto del rumore impulsivo, mentre la struttura diagonale assicura che l'algoritmo sia adatto per implementazioni in tempo reale ed embedded senza sacrificare la velocità di convergenza per la robustezza.

Risultati delle Simulazioni
Gli autori hanno valutato il DP-SAF contro sette algoritmi concorrenti (LMS, PNLMS, RZA-LMS, VSS-RZA-LMM, GMN, GCMPN, LCMN) utilizzando un filtro FIR sparso ($M=32$, 10% di tap attivi) sotto un modello di rumore impulsivo di Bernoulli ($p=0.2$, ampiezza elevata).

• Accuratezza a Regime: Nell'Esperimento 1, il DP-SAF ha ottenuto il valore minimo di soglia della Mean Square Deviation (MSD) rispetto a tutti i concorrenti, dimostrando che il design a doppio guadagno migliora l'accuratezza senza scambiarla con la velocità di convergenza.
• Velocità di Convergenza: Nell'Esperimento 2, quando tutti gli algoritmi sono stati lasciati convergere allo stesso MSD a regime, il DP-SAF ha raggiunto tale livello significativamente più velocemente degli altri.
• Conclusione dai Dati: I risultati confermano che la struttura a doppio guadagno migliora simultaneamente sia la velocità transitoria che l'accuratezza a regime, evitando i tipici compromessi osservati in altri metodi.

Significatività e Rivendicazioni
Il documento sostiene che il DP-SAF colma un vuoto critico nell'elaborazione dei segnali adattivi unificando l'esfiltrazione della sparsità, la regolarizzazione dell'attrazione verso lo zero e la robustezza al rumore impulsivo. Gli autori sottolineano che l'algoritmo raggiunge questo obiettivo senza aumentare la complessità computazionale oltre il livello dello standard LMS. La significatività risiede nella natura "complementare per costruzione" delle due matrici di guadagno, che si rinforzano a vicenda invece di competere, permettendo al filtro di gestire sistemi sparsi e variabili nel tempo in ambienti con rumore ostile. Il documento conclude notando che l'estensione del DP-SAF a sistemi a valori complessi e input con forte colorazione spettrale rimane una direzione aperta per il lavoro futuro.