A Double Proportionate Sparse Adaptive Filter for Impulsive Noise Environments

技术摘要：双比例稀疏自适应滤波器 (DP-SAF)

问题陈述
自适应滤波器在系统辨识、信道估计和声回声消除中至关重要。然而，现有的算法在处理既具有稀疏性（仅有少量活跃系数）又受脉冲噪声影响的系统时，面临着权衡差距。

1. 稀疏性： 标准最小均方 (LMS) 算法对所有系数分配相等的增益，这对于应将自适应能量集中在活跃抽头上的稀疏系统而言是低效的。比例归一化最小均方 (PNLMS) 解决了这一问题，但缺乏对脉冲噪声的鲁棒性。
2. 脉冲噪声： 对脉冲噪声具有鲁棒性的算法（例如使用符号误差更新或 M-估计器的算法）通常无法利用稀疏性，或者缺乏主动抑制不活跃系数的机制。
3. 差距： 目前尚无算法能在单次更新步骤内，以 $O(M)$ 的线性复杂度同时集成独立的比例自适应（针对活跃抽头）、零吸引惩罚（针对不活跃抽头）以及脉冲噪声鲁棒性。

方法论
本文提出了双比例稀疏自适应滤波器 (DP-SAF)，该滤波器通过两个独立的对角增益矩阵 $G_1$ 和 $G_2$ 以及符号误差更新来更新权重向量 $w(n)$。其更新方程为：
$$w(n + 1) = w(n) + \mu G_1(n) x(n) \text{sgn}(e(n)) - \rho G_2(n) \text{sgn}(w(n))$$

• 符号误差更新： 用 $\text{sgn}(e(n))$ 代替原始误差 $e(n)$，限制了大离群值的的影响，从而提供了对脉冲干扰的鲁棒性。
• 增益矩阵 $G_1$（比例自适应）： 该矩阵根据系数幅度对梯度步进行缩放。它的设计旨在加速活跃抽头（大系数）的收敛，同时为不活跃抽头保持非零基准。它被推导为一种归一化比例形式：
  $$g_{1,k}(n) = \frac{\max(\delta, |w_k(n)|)}{\frac{1}{M}\sum_{j=1}^M \max(\delta, |w_j(n)|)}$$
• 增益矩阵 $G_2$（零吸引）： 该矩阵施加一种惩罚，将系数拉向零。与 $G_1$ 不同，它的设计在小系数（可能是不活跃的）处最强，而在大系数（活跃的）处最弱，从而防止抑制活跃抽头。它遵循基于幅度的递减规律：
  $$g_{2,k}(n) = \frac{1}{1 + \varepsilon |w_k(n)|}$$
• 推导： 这两个增益矩阵均通过最小范数优化框架推导得出，该框架旨在最小化平衡稳态估计误差和权重扰动的代价函数。这种设计确保了 $G_1$ 和 $G_2$ 是互补而非对抗的。
• 复杂度： 通过其对角结构避免了矩阵求逆，该算法保持了与 LMS 相同的 $O(M)$ 每迭代复杂度。

核心贡献

1. 双比例机制： DP-SAF 是首个在单次更新中对梯度步（$G_1$）和零吸引项（$G_2$）同时应用独立比例加权的算法。
2. 基于优化的设计： 增益矩阵源自最小范数框架，确保它们在设计上遵循相反的比例规则（一个放大大系数，另一个抑制小系数）。
3. 鲁棒性与效率： 符号误差更新限制了脉冲噪声的影响，而其对角结构确保了算法适用于实时和嵌入式实现，且不会牺牲鲁棒性带来的收敛速度。

仿真结果
作者将 DP-SAF 与七种竞争算法（LMS, PNLMS, RZA-LMS, VSS-RZA-LMM, GMN, GCMPN, LCMN）进行了对比，测试环境为稀疏 FIR 滤波器（$M=32$，10% 活跃抽头），并采用伯努利脉冲噪声模型（$p=0.2$，高振幅）。

• 稳态精度： 在实验 1 中，DP-SAF 在所有竞争算法中实现了最低的稳态均方偏差 (MSD) 底限，证明了双增益设计在不牺牲收敛速度的情况下提高了精度。
• 收敛速度： 在实验 2 中，当允许所有算法收敛到相同的稳态 MSD 时，DP-SAF 比其他算法更快地达到了该水平。
• 数据结论： 结果证实，双增益结构能同时提高瞬态速度和稳态精度，避免了其他方法中常见的权衡现象。

意义与主张
论文声称 DP-SAF 通过统一稀疏性利用、零吸引正则化和脉冲噪声鲁棒性，填补了自适应滤波领域的一个关键空白。作者强调，该算法在不增加超过标准 LMS 水平的计算复杂度的前提下实现了这些目标。其意义在于两个增益矩阵“按构造即互补”的特性，它们相互增强而非相互竞争，使得滤波器能够有效地处理恶劣噪声环境下的稀疏、时变系统。论文最后指出，将 DP-SAF 扩展到复数值系统以及具有强谱着色输入的系统仍是未来的研究方向。