Улучшения в алгоритмах управления активным фильтром для адаптации сигналов в режиме реального времени

Активные фильтры стали незаменимыми в современных системах обработки сигналов, обеспечивая возможность подавления нежелательных шумов, помех и искажений в режиме реального времени. Их производительность зависит от алгоритмов управления, которые регулируют корректировки параметров в ответ на изменение условий сигнала. За последнее десятилетие значительные достижения в разработке алгоритмов значительно улучшили скорость, точность и надежность этих фильтров, что позволило использовать их в постоянно расширяющемся спектре приложений, от беспроводной связи до медицинской диагностики. В этой статье представлен комплексный анализ состояния современных алгоритмов управления активными фильтрами, обсуждаются их преимущества и компромиссы и исследуются будущие направления, которые обещают еще большую адаптивность и интеллект.

Обзор алгоритмов управления активным фильтром

Активный фильтр обычно использует операционные усилители, коммутируемые конденсаторы или цифровые сигнальные процессоры для реализации функций передачи, которые могут быть настроены в режиме реального времени. Алгоритм управления непрерывно оценивает характеристики входного сигнала и настраивает коэффициенты фильтра для удовлетворения критерия производительности - чаще всего минимизируя ошибку среднего квадрата между желаемым и фактическим выходом. Ранние реализации полагались на фиксированные фильтры или настроенные вручную конструкции, которые были адекватными только тогда, когда среда сигнала была статической или медленно менялась. По мере того, как системы связи, обработка звука и сенсорные сети перемещались в динамические условия, необходимость автоматической и быстрой адаптации стала критической.

По сути, алгоритмы активного управления фильтрами делятся на две широкие категории: адаптивные алгоритмы, обновляющие весы фильтров на основе стохастического градиента поверхности ошибки, и алгоритмы на основе моделей, использующие явные системные модели для прогнозирования оптимальных настроек. Наиболее широко используемые адаптивные методы — это наименее средние квадраты (LMS) и рекурсивные наименьшие квадраты (RLS), в то время как фильтрация Калмана и фильтры частиц представляют собой сторону модели. На практике многие современные системы используют гибридные подходы, которые сочетают сильные стороны обоих семейств.

Последние разработки в области алгоритмического проектирования

Недавние исследования позволили создать несколько инновационных классов алгоритмов активного управления фильтрами. Эти достижения касаются давних ограничений, таких как медленная конвергенция, высокая вычислительная нагрузка и чувствительность к шуму. В следующих подразделах подробно описаны наиболее эффективные разработки.

Улучшенные адаптивные алгоритмы: варианты LMS и RLS

Классический алгоритм LMS обновляет веса фильтров w, используя мгновенную ошибку en и вектор ввода nnwex.В то время как простая и надежная, скорость её конвергенции ограничена размером шага μ и собственным значением матрицы корреляции входа.Последние улучшения включают нормализованный размер шага по мощности ввода и алгоритмы LMS переменного размера, которые динамически адаптируют μ для ускорения конвергенции при сохранении низкой непостоянной регулировки.

С другой стороны, алгоритмы RLS обеспечивают гораздо более быструю конвергенцию путем рекурсивного обновления обратной корреляционной матрицы. Классический RLS имеет сложность O(]N²) на итерацию (]N, которая является запрещающей для фильтров большого порядка. Более новые версии, такие как RLS с раздвижным окном и дихотомический спуск координат RLS, снижают сложность до уровня около O(]N) без ущерба для производительности. Например, улучшенное раздвижное окно RLS поддерживает постоянное окно прошлых данных и использует эффективные формулы обновления матриц, что делает его подходящим для высокоскоростных систем реального времени, таких как акустическое отмену эха.

Машинное обучение и интеграция глубокого обучения

Основным сдвигом парадигмы является включение моделей машинного обучения (ML) в активное управление фильтрами. Вместо того, чтобы полагаться на фиксированные математические модели, алгоритмы на основе ML изучают статистическую структуру сигнала из данных. Например, глубокие нейронные сети (DNN) могут прогнозировать будущие образцы нестационарных помех, позволяя фильтру превентивно корректировать свои коэффициенты. Рекуррентные нейронные сети (RNN) и сети с длинной кратковременной памятью (LSTM) успешно применяются для адаптивного шумоподавления в улучшении речи, где помехи сильно изменяются во времени.

Обучение с подкреплением (RL) также нашло свой путь в управлении фильтром. В этой схеме фильтр является агентом, который выбирает обновления коэффициентов на основе сигнала вознаграждения (например, улучшение соотношения сигнал-шум). Агент RL изучает оптимальную политику посредством взаимодействия проб и ошибок с окружающей средой. Хотя вычислительно интенсивное управление на основе RL показало замечательную производительность в сценариях, где динамика сигнала неизвестна и нестационарна, например, в адаптивном формировании луча для радиолокационных систем.

Гибридные схемы управления

Признавая, что ни один алгоритм не превосходит при всех условиях, исследователи разработали гибридные схемы, которые объединяют элементы адаптивных, модельных и ML-методов. Типичная гибридная архитектура использует алгоритм на основе модели (например, фильтр Калмана) для обеспечения высокой пропускной способности, но, возможно, предвзятой оценки оптимальных коэффициентов, в то время как адаптивный алгоритм (например, NLMS) корректирует остаточную ошибку. Другим мощным гибридным подходом является выпуклая комбинация фильтров: два адаптивных фильтра с различными размерами шагов запускаются параллельно, и их выходы смешиваются с использованием параметра смешивания, который сам адаптирован. Это дает как быструю начальную конвергенцию (из фильтра большого шага), так и низкую ошибку устойчивого состояния (из фильтра малого шага).

Преимущества новых алгоритмов

Последние алгоритмы активного управления фильтрами дают ощутимые преимущества перед предшественниками.В следующих пунктах суммируются наиболее существенные преимущества, каждое из которых было продемонстрировано как в имитационных, так и в аппаратных реализациях.

• Быстрый отклик и конвергенция:] Используя методы переменных шагов или обновления типа RLS, современные алгоритмы могут сходиться к оптимальному решению за долю времени, требуемого LMS фиксированного шага. Для приложений, таких как отмена помех линии электропередач в биомедицинских датчиках, это означает, что фильтр может отслеживать внезапные базовые сдвиги в течение миллисекунд, предотвращая потерю критической диагностической информации.
• Усиление стабильности: Многие новые алгоритмы включают явные проверки стабильности или используют нормализованные обновления, которые гарантируют ограниченность коэффициентов. Например, алгоритм аффинной проекции (APA) и его варианты поддерживают стабильность даже при сильно коррелированных входах, где традиционные LMS могут расходиться. Это особенно важно в таких приложениях, как активное управление шумом в автомобильных кабинах, где акустическая среда сильно реверберирует и фильтр должен оставаться стабильным в течение длительных периодов.
• Более высокая точность и пониженная некорректность:] Улучшенная конвергенция не происходит за счет стабильной производительности. Алгоритмы, такие как пропорциональная LMS и ее варианты, выделяют больше энергии адаптации для активных кранов, что приводит к снижению некорректности и лучшему отслеживанию скудных импульсных реакций. В сетевых эхо-отменителях это приводит к более четким голосовым вызовам с меньшим остаточным эхом.
• Растучесть шума и несоответствия моделей:] Гибридные алгоритмы, которые включают фильтрацию Калмана или надежную статистику, могут выдерживать значительные шумы измерений и неопределенности в модели системы. Например, адаптивный фильтр, который использует функцию потерь Huber вместо обычной квадратичной потери, менее чувствителен к импульсивным помехам, распространенным в промышленных средах.

Кроме того, интеграция моделей машинного обучения позволяет фильтру адаптироваться к шаблонам, которые нелегко захватываются линейными или нелинейными моделями низкого порядка. Это приводит к превосходной производительности в приложениях со сложными, нестационарными помехами, такими как пассивное усиление сигнала гидролокатора.

Применение Advanced Filter Control

Активные фильтры с расширенными алгоритмами управления нашли широкое применение во многих областях. Ниже мы рассмотрим несколько ключевых областей применения, подчеркнув, как новые алгоритмы решают конкретные проблемы и улучшают производительность системы.

Беспроводные коммуникации

В современных беспроводных системах, таких как 5G и Wi-Fi 6, активные фильтры используются для выравнивания каналов, отмены помех и формирования луча. Быстро угасающий характер мобильных каналов требует адаптивных алгоритмов, которые могут отслеживать изменения, происходящие в течение миллисекунд. Рекурсивные варианты наименьших квадратов (например, RLS на основе QR-декомпозиции) развернуты в процессорах базовой полосы для выравнивания многолучевых каналов с сотнями кранов. Кроме того, алгоритмы на основе машинного обучения были применены к адаптивному лучевому формированию в массивных системах MIMO (многократного ввода нескольких выходов), где они изучают пространственную подпись пользователей и помехи, повышая спектральную эффективность и уменьшая помехи.

Еще одним критическим применением является линеаризация усилителя мощности в передатчиках. Цифровое преискажение (DPD) использует адаптивный фильтр для моделирования нелинейности усилителя и пре-искажения входного сигнала. Современные системы DPD используют адаптивные алгоритмы с полиномами памяти или нейронными сетями для компенсации как слабых, так и сильных нелинейностей, достигая соотношений мощности соседних каналов выше 55 дБ.

Аудио обработка сигналов

Аудиоприложения были одними из первых, кто принял адаптивные фильтры. Сегодня передовые алгоритмы управления приводят в движение активные шумоподавляющие наушники, акустические эхо-отменители и выравнивающие устройства. Например, алгоритм фильтрованного X LMS (FxLMS) широко используется в активном шумоподавлении для учета вторичного пути между отменяющим громкоговорителем и микрофоном ошибки. Недавние улучшения включают FxLMS переменного размера шага, который регулирует размер шага на основе предполагаемой акустической обратной связи, что приводит к более быстрой конвергенции и более стабильной отмене низкочастотного шума.

В слуховых аппаратах адаптивные аннуляторы обратной связи используют модифицированные алгоритмы LMS с обработкой поддиапазона и получают контроль для предотвращения воя при сохранении разборчивости речи. Внедрение глубоко изученных предикторов еще больше улучшило производительность, предвосхищая среду прослушивания пользователя (тихая комната, шумное кафе, ветер) и соответствующим образом настраивая параметры фильтра.

Медицинская визуализация и биомедицинская обработка сигналов

Биомедицинские сигналы, такие как ЭКГ, ЭЭГ и ЭМГ, часто загрязнены помехами линии электропередачи, артефактами движения и другими источниками шума. Активные фильтры с адаптивными характеристиками выемки или полосы пропускания имеют решающее значение для устранения таких помех без повреждения основной физиологической информации. Например, адаптивный фильтр выемки с использованием алгоритма LMS может отслеживать точную частоту гула линии электропередач (который может незначительно варьироваться) и подавлять его с узкой полосой остановки, которая оставляет соседние частотные компоненты неповрежденными.

В функциональной реконструкции МРТ (fMRI) изображения адаптивные фильтры используются для отмены физиологического шума, вызванного сердечными и дыхательными циклами. Алгоритмы на основе моделей, которые включают фильтр Калмана для оценки состояния, показали превосходную производительность по сравнению со статическими фильтрами, особенно в высокопольной МРТ, где отношение сигнал-шум ниже, а артефакты движения более выражены.

Сейсмический анализ данных

Алгоритмы активного управления фильтрами играют жизненно важную роль в обработке сейсмических сигналов, где цель состоит в том, чтобы извлекать слабые отражения из глубоких геологических структур при подавлении поверхностных волн, множественных отражений и окружающего шума. Для удаления наземного рулона (тип когерентного шума) из сейсмических записей используются адаптивные нейтрализаторы помех на основе алгоритма RLS. Алгоритм адаптируется к изменяющимся характеристикам распространения волн вдоль массива приемника, обеспечивая превосходное затухание шума по сравнению с обычными фильтрами f-k.

Кроме того, классификаторы машинного обучения, обученные на выходе адаптивного фильтра, могут автоматически обнаруживать микросейсмические события в мониторинге гидроразрыва пласта, что позволяет в режиме реального времени оценивать рост трещин. Эти системы сочетают адаптивную фильтрацию с глубоким обучением для различения шумовых всплесков и подлинных сейсмических событий, значительно снижая ложные тревоги.

Будущие направления

Эволюция алгоритмов активного управления фильтрами далека от завершения. Несколько перспективных направлений исследований готовы изменить область в ближайшие годы.

Интеграция искусственного интеллекта и Edge Computing

Современные подходы к машинному обучению часто требуют высокопроизводительных графических процессоров или облачных серверов, что непрактично для многих систем с низким энергопотреблением в реальном времени. Будущая работа будет сосредоточена на сжатии нейронных сетей и их реализации на FPGA или нейроморфных чипах, которые могут выполнять вывод с потреблением энергии микроватт. Это позволит использовать интеллектуальные адаптивные фильтры для носимых устройств с батарейным питанием, датчиков IoT и автономных беспилотников.

Био-вдохновленные и основанные на мозге алгоритмы

Исследователи черпают вдохновение из биологических нейронных систем, таких как слуховая кора человека, которая выполняет фильтрацию в реальном времени с замечательной эффективностью и надежностью. Алгоритмы, основанные на пиковых нейронных сетях (SNN) и обработке, управляемой событиями, потенциально могут предлагать очень низкую задержку и энергоэффективность. Ранние прототипы нейроморфных адаптивных фильтров продемонстрировали механизмы, зависящие от импульсного напряжения, которые имитируют синаптическое обновление веса, показывая многообещающие результаты в задачах шумоподавления.

Квантовая оптимизация для настройки фильтра

Квантовые вычисления могут в конечном итоге использоваться для решения задач оптимизации, лежащих в основе обновлений коэффициента фильтрации в доли классического времени. В ближайшем будущем квантовые алгоритмы, которые работают на классическом оборудовании, такие как адиабатическая оптимизация и тензорные сети, изучаются для адаптивного управления. Эти методы могут обеспечить одновременную оптимизацию десятков параметров фильтра по нескольким каналам, открывая новые возможности для фильтрации MIMO высокого порядка.

Алгоритмы, осознающие энергию и самообслуживание

Для долгосрочных автономных систем (например, океанографических буев, космических приборов) стоимость энергии вычислений является основной проблемой. Будущие активные контроллеры фильтров будут включать адаптивные методы, которые динамически масштабируют их алгоритмическую сложность на основе имеющегося уровня батареи и срочности задачи фильтрации. Самоходные фильтры, которые собирают энергию из самого сигнала (например, с использованием пьезоэлектрических материалов), также находятся на горизонте, хотя они остаются на стадии доказательства концепции.

Заключение

Алгоритмы активного управления фильтрами значительно продвинулись от простых конструкций с фиксированными параметрами прошлого. Сегодняшние алгоритмы, охватывающие усовершенствованные варианты LMS и RLS, интеграцию машинного обучения и гибридные схемы, предлагают более быструю конвергенцию, улучшенную стабильность и более высокую точность в широком спектре приложений в реальном времени. Поскольку беспроводная связь, аудиосистемы, медицинская визуализация и сейсмический анализ продолжают требовать все более строгих характеристик, роль интеллектуальной адаптивной фильтрации будет только расти. Текущие разработки в нейроморфных вычислениях, квантовой оптимизации и энерго-осознанной конструкции обещают предоставить еще более способные и автономные решения фильтрации в ближайшем будущем.

Для дальнейшего чтения по конкретным алгоритмам см. LMS фильтр и RLS фильтр страницы, а также IEEE Транзакции по обработке сигналов для передовых исследований. Всесторонний обзор сравнений алгоритмов адаптивного фильтра можно найти в этой статье от обработки сигналов.