A Double Proportionate Sparse Adaptive Filter for Impulsive Noise Environments

Resumo Técnico: Filtro Adaptativo Esparso de Dupla Proporcionalidade (DP-SAF)

Definição do Problema
Filtros adaptativos são essenciais para identificação de sistemas, estimativa de canal e cancelamento de eco acústico. No entanto, os algoritmos existentes enfrentam um gap de compensação (trade-off) ao lidar com sistemas que são simultaneamente esparsos (possuindo poucos coeficientes ativos) e sujeitos a ruído impulsivo.

1. Esparsidade: Algoritmos padrão de Menor Quadrado Médio (LMS) atribuem ganho igual a todos os coeficientes, o que é ineficiente para sistemas esparsos onde a energia de adaptação deveria focar nos taps ativos. O PNLMS (LMS Normalizado Proporcional) aborda isso, mas carece de robustez contra ruído impulsivo.
2. Ruído Impulsivo: Algoritmos robustos ao ruído impulsivo (por exemplo, aqueles que utilizam atualizações de sinal de erro ou estimadores M) frequentemente falham em explorar a esparsidade ou carecem de mecanismos para suprimir ativamente coeficientes inativos.
3. O Gap: Nenhum algoritmo existente integra simultaneamente a adaptação proporcional independente para taps ativos, penalidades de atração ao zero para taps inativos e robustez ao ruído impulsivo dentro de um único passo de atualização de complexidade linear $O(M)$.

Metodologia
O artigo propõe o Filtro Adaptativo Esparso de Dupla Proporcionalidade (DP-SAF), que atualiza o vetor de pesos $w(n)$ usando dois vetores de ganho diagonais independentes, $G_1$ e $G_2$, juntamente com uma atualização de sinal de erro. A equação de atualização é:
$$w(n + 1) = w(n) + \mu G_1(n) x(n) \text{sgn}(e(n)) - \rho G_2(n) \text{sgn}(w(n))$$

• Atualização de Sinal de Erro: Substituir o erro bruto $e(n)$ por $\text{sgn}(e(n))$ limita a influência de grandes outliers, proporcionando robustez contra corrupções impulsivas.
• Matriz de Ganho $G_1$ (Adaptação Proporcional): Esta matriz escala o passo do gradiente com base nas magnitudes dos coeficientes. Ela é projetada para acelerar a convergência para taps ativos (coeficientes grandes) enquanto mantém uma linha de base não nula para os inativos. É derivada como uma forma proporcional normalizada:
  $$g_{1,k}(n) = \frac{\max(\delta, |w_k(n)|)}{\frac{1}{M}\sum_{j=1}^M \max(\delta, |w_j(n)|)}$$
• Matriz de Ganho $G_2$ (Atração ao Zero): Esta matriz aplica uma penalidade para puxar os coeficientes em direção ao zero. Diferente de $G_1$, ela é projetada para ser mais forte para coeficientes pequenos (provavelmente inativos) e mais fraca para coeficientes grandes (ativos), evitando a supressão de taps ativos. Ela segue uma redução dependente da magnitude:
  $$g_{2,k}(n) = \frac{1}{1 + \varepsilon |w_k(n)|}$$
• Derivação: Ambas as matrizes de ganho são derivadas de um framework de otimização de norma mínima que minimiza uma função de custo equilibrando o erro de estimativa em estado estacionário e a perturbação do peso. O design garante que $G_1$ e $G_2$ trabalhem de forma complementar, em vez de antagônica.
• Complexidade: O algoritmo mantém a complexidade $O(M)$ por iteração, idêntica ao LMS, evitando inversões de matriz através de sua estrutura diagonal.

Principais Contribuições

1. Mecanismo de Dupla Proporcionalidade: O DP-SAF é o primeiro algoritmo a aplicar ponderação proporcional independente tanto para o passo do gradiente ($G_1$) quanto para o termo de atração ao zero ($G_2$) em uma única atualização.
2. Design Baseado em Otimização: As matrizes de ganho são derivadas de um framework de norma mínima, garantindo que sigam regras de proporcionalidade opostas por design (uma amplifica coeficientes grandes, a outra suprime coeficientes pequenos).
3. Robustez e Eficiência: A atualização de sinal de erro limita o impacto do ruído impulsivo, enquanto a estrutura diagonal garante que o algoritmo seja adequado para implementações em tempo real e embarcadas sem sacrificar a velocidade de convergência pela robustez.

Resultados de Simulação
Os autores avaliaram o DP-SAF contra sete algoritmos concorrentes (LMS, PNLMS, RZA-LMS, VSS-RZA-LMM, GMN, GCMPN, LCMN) usando um filtro FIR esparso ($M=32$, 10% de taps ativos) sob um modelo de ruído impulsivo de Bernoulli ($p=0.2$, amplitude alta).

• Precisão de Estado Estacionário: No Experimento 1, o DP-SAF alcançou o menor piso de Desvio Quadrático Médio (MSD) de estado estacionário entre todos os concorrentes, demonstrando que o design de ganho duplo melhora a precisão sem sacrificar a velocidade de convergência.
• Velocidade de Convergência: No Experimento 2, quando todos os algoritmos foram permitidos para convergir para o mesmo MSD de estado estacionário, o DP-SAF atingiu esse nível significativamente mais rápido que os outros.
• Conclusão dos Dados: Os resultados confirmam que a estrutura de ganho duplo melhora simultaneamente a velocidade transiente e a precisão de estado estacionário, evitando os trade-offs típicos vistos em outros métodos.

Significância e Alegações
O artigo afirma que o DP-SAF preenche um gap crítico no filtragem adaptativa ao unificar a exploração de esparsidade, regularização de atração ao zero e robustez ao ruído impulsivo. Os autores enfatizam que o algoritmo alcança isso sem aumentar a complexidade computacional além do nível do LMS padrão. A significância reside na natureza "complementar por construção" das duas matrizes de ganho, que se reforçam mutuamente em vez de competirem, permitindo que o filtro lide com sistemas esparsos e variantes no tempo em ambientes de ruído severos de forma eficaz. O artigo conclui observando que estender o DP-SAF para sistemas de valores complexos e entradas com forte coloração espectral permanece como uma direção aberta para trabalhos futuros.