⚡ electrical engineering

Optimum and Adaptive Complex-Valued Bilinear Filters

Dit artikel onderzoekt de uitbreiding van reële bilaterale filters naar complexe domeinen door deze af te leiden van reële tegenhangers en door nieuwe volledig complexe adaptieve filters (inclusief Wiener-, kleinste kwadraten- en recursieve varianten) te introduceren voor het identificeren van complexe nietlineaire systemen zoals MISO- en Hammerstein-modellen.

Oorspronkelijke auteurs: Bernhard Plaimer, Matthias Wagner, Oliver Lang, Mario Huemer

Gepubliceerd 2026-07-15

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bernhard Plaimer, Matthias Wagner, Oliver Lang, Mario Huemer

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een radio probeert af te stemmen om een liedje van een verre zender op te vangen. Normaal gesproken is een radio een simpel apparaat: je draait aan een knop en het geluid wordt duidelijker. In de wereld van signaalverwerking is dit als het gebruik van een lineair filter. Het werkt geweldig wanneer de wereld voorspelbaar en recht is. Maar de echte wereld is rommelig! Soms wordt het signaal verdraaid, vervormd of op ingewikkelde manieren "gebogen". Hier komen nietlineaire systemen kijken.

Om deze verdraaide signalen te repareren, gebruiken ingenieurs bilineaire filters. Denk aan een bilinair filter niet als één enkele knop, maar als een team van twee mensen die samenwerken. Eén persoon (laten we ze Vector H noemen) houdt een kaart van het verleden vast, en de andere (Vector G) houdt een kaart van de huidige situatie vast. Om het juiste antwoord te krijgen, moeten ze hun kaarten met elkaar vermenigvuldigen. Als ze het goed doen, komt het liedje kristalhelder door.

Lange tijd sprak dit team alleen Reëel. Ze werkten met eenvoudige getallen zoals 1, 2 of -5. Maar in de hightechwereld van radar en moderne communicatie zijn signalen niet alleen eenvoudige getallen; ze zijn complex. Ze hebben een "reëel" deel en een "imaginair" deel (een beetje alsof je zowel een volumeknop als een faseknop hebt). Het probleem? Het oude "Reële" team wist niet hoe ze met deze dubbelzijdige complexiteit om moesten gaan.

De Oude Manier: Het Team Splitsen

Het paper kijkt eerst naar hoe mensen probeerden dit op te lossen door het complexe signaal op te splitsen in twee aparte teams: één voor het "Reële" deel en één voor het "Imaginaire" deel.

Het 2R-Team: Zij gebruiken twee aparte reële filters. Het is simpel, maar het is alsof je met een partner danst terwijl je de andere kant op kijkt. Als de Reële en Imaginaire delen van het signaal verbonden zijn (gecorreleerd), struikelt dit team. Ze kunnen het hele plaatje niet zien.
Het 4R-Team: Om het struikelen te voorkomen, voegden ze twee extra filters toe, waardoor ze een team van vier werden. Nu kunnen ze de verbinding tussen het Reële en het Imaginaire deel zien. Het werkt beter, maar het is onhandig. Het is alsof je vier aparte rekenmachines gebruikt voor één wiskundig probleem. Het krijgt de klus wel geklaard, maar het is traag en verbruikt veel energie.

De Nieuwe Manier: Het Volledig Complexe Super-Team

De auteurs van dit paper zeggen: "Waarom het team splitsen? Laten we iedereen een volledige set complexe instrumenten geven." Ze introduceren Volledig Complexe-Waardige Bilineaire Filters.

Stel je een nieuw, superintelligent team voor waarbij elk lid de volledige taal van "Complex" (Reëel + Imaginair) vloeiend spreekt. In plaats van het signaal te splitsen, behandelen ze alles in één keer. Het paper introduceert vijf nieuwe soorten van dit super-team:

C-BWF (De Wiener Filter): De "perfecte planner" die de statistieken van het signaal vooraf kent.
C-BLS (De Least Squares Filter): De "data-cruncher" die leert van een grote berg eerdere voorbeelden.
C-BLMS (De Least Mean Squares Filter): De "adaptieve leerling" die zijn instellingen stapje voor stapje aanpast terwijl het signaal binnenkomt.
C-BNLMS (De Normalized LMS): De "slimme leerling" die zijn leersnelheid automatisch aanpast zodat hij niet in de war raakt door harde of zachte signalen.
C-BRLS (De Recursive Least Squares Filter): De "snelle tracker" die zijn geheugen direct bijwerkt zodra er nieuwe data arriveert.

Waarom is dit een grote zaak?

Het paper voert simulaties (computerexperimenten) uit om te zien hoe deze nieuwe filters presteren. Dit is wat zij vonden:

Snelheid en Efficiëntie: Het nieuwe C-BLMS filter is een kampioen in efficiëntie. Terwijl het oude "4R"-team een enorme hoeveelheid wiskunde (vermenigvuldigingen) nodig had om de klus te klaren, doet het nieuwe complexe team het met minder stappen. Bijvoorbeeld, als het signaal een bepaalde grootte heeft, heeft het nieuwe filter ongeveer 9LM + 6M + 3L + 4 reële wiskundige stappen nodig, terwijl de oude 4R-methode 12LM + 4L + 8M + 8 nodig had. Dat is een aanzienlijke besparing in energie en tijd.
Betere Prestaties: Het paper suggereert dat de nieuwe filters niet alleen energie besparen, maar ook sneller leren. De oude lineaire methoden (die de bilineaire aard negeren) doen er misschien eeuwig over om tot rust te komen, maar de nieuwe bilineaire filters schieten razendsnel naar het juiste antwoord.
Het Omgaan met het "Onmodelbare": De auteurs wijzen op een kritiek gebrek in de oude "4R"-methode. Sommige complexe systemen zijn zo vreemd dat je ze letterlijk niet kunt beschrijven met vier afzonderlijke reële filters. De nieuwe volledig complexe filters zijn de enigen die deze lastige systemen correct kunnen modelleren.

Waar het Paper "Nee" Tegen Zegt

Het paper is heel duidelijk over wat niet werkt of waar de focus niet op ligt:

Nee tegen "Gewoon Lineair": Je kunt niet zomaar een standaard lineair filter gebruiken op deze complexe bilineaire systemen. Het is alsof je probeert een verdraaide slang te repareren door alleen maar harder het water aan te zetten. Het werkt misschien voor een simpel systeem, maar voor deze specifieke complexe systemen faalt het omdat het de ware gedragingen niet vangt.
Nee tegen "Splitsen is Perfect": Hoewel de "4R"-methode (het splitsen in vier reële filters) beter is dan de "2R"-methode, betoogt het paper dat dit nog steeds niet de beste oplossing is. Het is te zwaar en, in sommige gevallen, wiskundig onmogelijk om het systeem accuraat weer te geven.

Hoe Zeker Zijn Ze?

De auteurs zijn zelfverzekerd over hun wiskunde. Ze hebben de vergelijkingen bewezen waarmee deze filters zichzelf bijwerken. Ze hebben ook bewezen dat hun nieuwe filters convergeren (wat betekent dat ze uiteindelijk het juiste antwoord zullen vinden en stoppen met veranderen) voor de Wiener- en LMS-versies.

Echter, wat betreft de C-BRLS (de snelle tracker), is het paper iets voorzichtiger. Omdat ze een paar slimme benaderingen moesten maken om de wiskunde werkbaar te maken, hebben ze geen strikt wiskundig bewijs geleverd dat het altijd convergeert. In plaats daarvan zeggen ze: "Kijk naar onze simulaties; ze laten zien dat het in de praktijk heel goed werkt." Dus terwijl de theorie solide is voor de meeste gevallen, wordt de snelste versie ondersteund door sterke computerexperimenten in plaats van een 100% ijzersterk bewijs.

De Kernboodschap

Dit paper is alsof je een complexe, dubbelzijdige puzzel overhandigt aan een nieuw team van oplossers die beide kanten tegelijk kunnen zien. Het oude team moest de puzzel in stukken splitsen en ze apart oplossen, wat traag was en soms zelfs onmogelijk. Het nieuwe Volledig Complexe-Waardige Bilineaire Filters team lost de puzzel samen op, sneller, met minder energie, en ze kunnen zelfs de vreemde stukken aan die het oude team niet eens kon aanraken. Het is een stap voorwaarts voor iedereen die probeert een helder signaal op te vangen in een luidruchtige, complexe wereld.

Technische Samenvatting: Optimale en Adaptieve Complexe Bilineaire Filters

Probleemstelling
De identificatie van nietlineaire systemen is een fundamentele taak in de digitale signaalverwerking. Hoewel lineaire modellen (bijv. Wiener-, LMS-, RLS-filters) goed gevestigd zijn, vertonen veel realistische toepassingen in communicatie en radar duidelijke nietlineaire gedrages die nietlineaire modellen vereisen. Veel systemen kunnen worden benaderd door bilineaire modellen. Echter, bestaand onderzoek naar bilineaire filters heeft zich primair gericht op real-waardige systemen. In veel praktische scenario's, zoals bij in-fase en kwadratuur-fase (IQ) onbalans of nietlineaire vermogensversterkers, zijn systemen en signalen inherent complex-waardig.

Er bestaat een kritische kloof omdat de definitie van bilineariteit in dit werk betrekking heeft op de vermenigvuldiging van de systeemparameters (coëfficiënten), en niet op de vermenigvuldiging van input- en outputsignalen. Bijgevolg kunnen bestaande complexe nietlineaire adaptieve filters (bijv. complexe Volterra-filters of complexe neurale netwerken), die doorgaans de nietlineariteit met betrekking tot het inputsignaal aanpakken, niet direct worden toegepast op algemene complexe-waardige bilineaire systemen. Bovendien kan het splitsen van complexe signalen in reële en imaginaire delen (de split-complex benadering) een gebruikelijke strategie zijn, maar dit kan er niet in slagen de correlaties tussen de reële en imaginaire componenten te vangen of is mogelijk niet in staat om bepaalde volledig complexe-waardige bilineaire systemen te modelleren.

Methodologie
Het artikel onderzoekt de uitbreiding van real-waardige bilineaire filters naar het complexe domein via vier verschillende structurele benaderingen:

Split-Complex Benaderingen (2R en 4R):
- 2R Structuur: Het ingangssignaal wordt gesplitst in reële en imaginaire delen, verwerkt door twee afzonderlijke real-waardige bilineaire filters, en weer samengevoegd. Dit is een directe uitbreiding van de real-waardige bilineaire LMS (BLMS) filters, maar sluit kruistermen tussen de reële en imaginaire componenten uit.
- 4R Structuur: Deze benadering maakt gebruik van vier real-waardige bilineaire filters om de reële en imaginaire delen van de input en output te verwerken, inclusief kruistermen. Dit stelt de structuur in staat om correlaties tussen de reële en imaginaire signaaldelen te behandelen, wat de 2R-structuur niet kan.
Volledig Complexe-waardige Structuren:
De auteurs leiden nieuwe filters af met behulp van werkelijke complexe-waardige coëfficiëntvectoren en de calculus van Wirtinger om de differentiatie van real-waardige kostenfuncties met betrekking tot complexe variabelen af te handelen. De voorgestelde filters omvatten:
- Complex-Valued Bilinear Wiener Filter (C-BWF): Een optimaal filter afgeleid via MSE-minimalisatie (gemiddelde kwadratische fout) voor breed-sensitiviteit stationaire (WSS) signalen. Het maakt gebruik van een iteratieve afwisselende methode om de twee parametervectoren ( $\hat{h}$ en $\hat{g}$ ) op te lossen.
- Complex-Valued Bilinear Least Squares (C-BLS): Een batch-verwerkingsfilter dat de som van de gekwadrateerde fouten minimaliseert zonder voorafgaande statistische kennis, eveneens opgelost via afwisselende updates.
- Complex-Valued Bilinear LMS (C-BLMS): Een adaptief filter afgeleid via gradiëntafdaling op de instantane gekwadrateerde fout.
- Complex-Valued Bilinear Normalized LMS (C-BNLMS): Een adaptieve variant die de stapgrootte normaliseert om de convergentiesnelheid en stabiliteit te verbeteren.
- Complex-Valued Bilinear Recursive Least Squares (C-BRLS): Een adaptief filter dat een vergetingsfactor en recursieve updates gebruikt voor snellere convergentie in tijdvariërende omgevingen.
Gemengde Structuren:
Het artikel leidt ook update-vergelijkingen af voor gemengde complexe-waardige real-waardige bilineaire filters, waarbij één coëfficiëntvector beperkt is tot een real-waardige waarde.

Kernbijdragen

Uitbreiding naar het Complexe Domein: Het werk breidt gevestigde real-waardige bilineaire filters (WF, LS, LMS, NLMS, RLS) systematisch uit naar het complexe domein.
Nieuwe Filterafleidingen: Het introduceert de eerste volledig complexe-waardige bilineaire filters (C-BWF, C-BLS, C-BLMS, C-BNLMS, C-BRLS) en gemengde complexe filters.
Theoretische Analyse: Het artikel biedt convergentieanalyses voor de C-BWF en C-BLMS-gebaseerde filters, waarbij de stabiliteitsgrenzen voor stapgroottes worden vastgesteld.
Complexiteitsvergelijking: Een gedetailleerde analyse van de computationele complexiteit wordt gepresenteerd, waarbij het aantal real-waardige scalaire vermenigvuldigingen wordt vergeleken tussen de 2R, 4R en volledig complexe-waardige structuren.
Modellering van Toepassingen: De filters worden toegepast op het identificeren van complexe-waardige Multiple-Input-Single-Output (MISO) systemen en complexe-waardige Hammerstein-modellen, wat hun nut bij specifieke systeemidentificatietaken aantoont.

Resultaten en Prestaties
Het artikel presenteert simulatieresultaten (gedetailleerd in Sectie IV van de volledige tekst) die de toepasbaarheid van de voorgestelde filters ondersteunen. Belangrijkste bevindingen zijn:

Modelleringsvermogen: De volledig complexe-waardige structuren kunnen algemene bilineaire systemen modelleren die niet door 2R- of 4R-structuren gerepresenteerd kunnen worden vanwege het onvermogen van de laatste om alle inherente kruistermen in complexe vermenigvuldiging te vangen.
Computationele Efficiëntie: Hoewel de Big-O complexiteitsorde ($O(LM)$) vergelijkbaar is voor de meeste LMS-gebaseerde filters, vereist de volledig complexe-waardige C-BLMS minder real-waardige scalaire vermenigvuldigingen dan de 4R-structuur.
Convergentie: De C-BLMS filter bereikt doorgaans met minder iteraties dezelfde steady-state fout als een complexe-waardige lineaire LMS (C-LLMS) filter toegepast op de gelineariseerde versie van het bilineaire model. Echter, voor LS-gebaseerde en WF-gebaseerde algoritmen schaalt de lineaire benadering aanzienlijk slechter ( $O(L^3M^3)$ ) vergeleken met de bilineaire benadering ( $O(L^3 + M^3)$ ) vanwege de vereisten voor matrixinversie.
Afhandeling van Correlatie: De 4R- en volledig complexe-waardige structuren blijken superieur te zijn aan de 2R-structuur wanneer de reële en imaginaire delen van de signalen gecorreleerd zijn.

Betekenis
Het artikel stelt dat de primaire betekenis ligt in het bieden van een uitgebreid kader voor de identificatie van complexe-waardige bilineaire systemen, een taak waarvoor voorheen geen directe oplossingen in de literatuur bestonden. Door volledig complexe-waardige filters af te leiden, bieden de auteurs een wiskundig compact en computationeel efficiënt alternatief voor het splitsen van signalen in reële en imaginaire delen. Het werk overbrugt de kloof tussen real-waardige bilineaire systeemidentificatie en de complexe-waardige vereisten van moderne communicatie- en radarsystemen, waarbij zowel theoretische convergentiegaranties als praktische adaptieve algoritmen worden geboden. De resultaten suggereren dat volledig complexe-waardige bilineaire filters niet alleen theoretisch solide zijn, maar ook praktische voordelen bieden in termen van modelleringsnauwkeurigheid en computationele efficiëntie voor specifieke klassen systemen.