A Double Proportionate Sparse Adaptive Filter for Impulsive Noise Environments

Technische Samenvatting: Double Proportionate Sparse Adaptive Filter (DP-SAF)

Probleemstelling
Adaptieve filters zijn essentieel voor systeemidentificatie, kanaalschatting en akoestische echoverdamping. Bestaande algoritmen kampen echter met een trade-off gap wanneer ze te maken hebben met systemen die zowel ijl (sparse) zijn (weinig actieve coëfficiënten hebben) als onderhevig zijn aan impulsieve ruis.

1. IJlheid (Sparsity): Standaard Least Mean Square (LMS) algoritmen kennen een gelijke winst toe aan alle coëfficiënten, wat inefficiënt is voor ijle systemen waarbij de adaptieve energie zich op actieve taps moet concentreren. Proportionate Normalized LMS (PNLMS) pakt dit aan, maar mist robuustheid tegen impulsieve ruis.
2. Impulsieve Ruis: Algoritmen die robuust zijn tegen impulsieve ruis (bijv. die gebruikmaken van sign-error updates of M-schatters) falen vaak in het exploiteren van ijlheid of missen mechanismen om inactieve coëfficiënten actief te onderdrukken.
3. De Gap: Geen enkel bestaand algoritme integreert simultaan onafhankelijke proportionele adaptatie voor actieve taps, zero-attraction straffen voor inactieve taps en robuustheid tegen impulsieve ruis binnen een enkele update stap met een lineaire complexiteit van $O(M)$.

Methodologie
Het artikel stelt de Double Proportionate Sparse Adaptive Filter (DP-SAF) voor, die de gewichtsvector $w(n)$ bijwerkt met behulp van twee onafhankelijke diagonale winstmatrices, $G_1$ en $G_2$, naast een sign-error update. De update-vergelijking is:
$$w(n + 1) = w(n) + \mu G_1(n) x(n) \text{sgn}(e(n)) - \rho G_2(n) \text{sgn}(w(n))$$

• Sign-Error Update: Het vervangen van de ruwe fout $e(n)$ door $\text{sgn}(e(n))$ beperkt de invloed van grote uitschieters, wat robuustheid biedt tegen impulsieve verstoringen.
• Winstmatrix $G_1$ (Proportionele Adaptatie): Deze matrix schaalt de gradiëntstap op basis van de grootte van de coëfficiënten. Het is ontworpen om de convergentie voor actieve taps (grote coëfficiënten) te versnellen, terwijl een niet-nul basislijn voor inactieve taps wordt behouden. Het is afgeleid als een genormaliseerde proportionele vorm:
  $$g_{1,k}(n) = \frac{\max(\delta, |w_k(n)|)}{\frac{1}{M}\sum_{j=1}^M \max(\delta, |w_j(n)|)}$$
• Winstmatrix $G_2$ (Zero-Attraction): Deze matrix past een straf toe om coëfficiënten naar nul te trekken. In tegenstelling tot $G_1$ is deze ontworpen om het sterkst te zijn voor kleine (waarschijnlijk inactieve) coëfficiënten en het zwakst voor grote (actieve) coëfficiënten, om onderdrukking van actieve taps te voorkomen. Het volgt een magnitude-afhankelijke reductie:
  $$g_{2,k}(n) = \frac{1}{1 + \varepsilon |w_k(n)|}$$
• Afleiding: Beide winstmatrices zijn afgeleid van een minimum-norm optimalisatiekader dat een kostenfunctie minimaliseert die de balans zoekt tussen de steady-state schattingsfout en gewichtverstoring. Het ontwerp zorgt ervoor dat $G_1$ en $G_2$ complementair werken in plaats van antagonistisch.
• Complexiteit: Het algoritme behoudt een $O(M)$ complexiteit per iteratie, identiek aan LMS, door matrixinversies te vermijden dankzij de diagonale structuur.

Belangrijkste Bijdragen

1. Dual Proportionate Mechanisme: DP-SAF is het eerste algoritme dat onafhankelijke proportionele weging toepast op zowel de gradiëntstap ($G_1$) als de zero-attraction term ($G_2$) in een enkele update.
2. Optimalisatie-gebaseerd Ontwerp: De winstmatrices zijn afgeleid van een minimum-norm kader, wat garandeert dat ze volgens tegengestelde proportionaliteitsregels werken (de ene versterkt grote coëfficiënten, de andere onderdrukt kleine coëfficiënten).
3. Robuustheid en Efficiëntie: De sign-error update begrenst de impact van impulsieve ruis, terwijl de diagonale structuur ervoor zorgt dat het algoritme geschikt is voor real-time en embedded implementaties zonder de convergentiesnelheid voor robuustheid op te offeren.

Simulatie-resultaten
De auteurs hebben DP-SAF geëvalueerd tegen zeven concurrerende algoritmen (LMS, PNLMS, RZA-LMS, VSS-RZA-LMM, GMN, GCMPN, LCMN) met behulp van een ijle FIR-filter ($M=32$, 10% actieve taps) onder een Bernoulli impulsief ruismodel ($p=0.2$, hoge amplitude).

• Steady-State Nauwkeurigheid: In Experiment 1 behaalde DP-SAF de laagste steady-state Mean Square Deviation (MSD) vloer van alle concurrenten, wat aantoont dat het dual-gain ontwerp de nauwkeurigheid verbetert zonder de convergentiesnelheid op te offeren.
• Convergentiesnelheid: In Experiment 2, wanneer alle algoritmen de kans kregen om te convergeren naar dezelfde steady-state MSD, bereikte DP-SAF dit niveau aanzienlijk sneller dan de anderen.
• Conclusie uit de Data: De resultaten bevestigen dat de dual-gain structuur zowel de transiënte snelheid als de steady-state nauwkeurigheid simultaan verbetert, waardoor de typische trade-offs die bij andere methoden worden gezien, worden vermeden.

Betekenis en Claims
Het artikel beweert dat DP-SAF een kritieke kloof in adaptieve filtering vult door de exploitatie van ijlheid, zero-attraction regularisatie en robuustheid tegen impulsieve ruis te verenigen. De auteurs benadrukken dat het algoritme dit bereikt zonder de computationele complexiteit boven het niveau van de standaard LMS te verhogen. De betekenis ligt in het "complementair door constructie" karakter van de twee winstmatrices, die elkaar versterken in plaats van met elkaar te concurreren, waardoor het filter effectief ijle, tijdvariërende systemen in zware ruisomgevingen kan afhandelen. Het artikel concludeert door te merken dat het uitbreiden van DP-SAF naar complex-waardige systemen en inputs met sterke spectrale kleuring een openstaande richting is voor toekomstig werk.