Адаптивный БИХ-фильтр на базе штрафного сплайна

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Целью данной работы является развитие технологии сплайн-адаптивных фильтров (САФ) для реализации в реальном времени. Предложенный в работе P-САФ на базе рекуррентного штрафного P-сплайна по аналогии с классическим САФ состоит из линейной динамической и нелинейной статической компонентов. Для адаптации P-САФ разработаны вычислительные схемы с различной топологией, что одновременно определяет способ адаптации узлов и вычисления коэффициентов сплайна. Это позволило повысить эффективность P-САФ по сравнению с классическим САФ и сократить вычислительные затраты. Показатель эффективности MSE [dB] для P-САФ при анализе модельных и реальных временных рядов оказался на уровне и выше классического САФ.

Полный текст

Доступ закрыт

Об авторах

Е. А. Кочегурова

Национальный исследовательский Томский политехнический университет

Автор, ответственный за переписку.
Email: kocheg@mail.ru
Россия, 634050 Томск, пр. Ленина, д. 30

Ю. А. Мартынова

Национальный исследовательский Томский политехнический университет

Email: martynova@tpu.ru
Россия, 634050 Томск, пр. Ленина, д. 30

Список литературы

  1. Haykin S.S. Adaptive Filter Theory. 5th ed., Pearson Education, 2014. 912 p. ISBN: 9780132671453.
  2. Comminiello D., Príncipe J.C. Adaptive learning methods for nonlinear system modeling. Oxford: Butterworth-Heinemann, 2018. 388 p. ISBN: 9780128129777.
  3. Shcherbakov М.А., Panov A.P. Nonlinear filtering with adaptation to local properties of the image. Computer Optics. 2014. V. 38. № 4. P. 818–824. https://doi.org/10.18287/0134-2452-2014-38-4-818-824
  4. Wang Y.R., Cheng C.M. Volterra series identification and its applications in structural identification of nonlinear block-oriented systems. International Journal of Systems Science. 2020. V. 51. № 11. P. 1959–1968.
  5. Solovyeva E.B. Behavioural nonlinear system models specified by various types of neural networks. Journal of Physics: Conference Series. IOP Publishing. 2018. V. 1015(3). P. 032139.
  6. Fallahi K., Raoufi R., Khoshbin H. An application of chen system for secure chaotic communication based on extended Kalman filter and multi-shift cipher algorithm. Commun. Nonlinear Sci. Numer. Simul. 2008. V. 13. № 4. P. 763–781.
  7. Liu W., Principe J.C., Haykin S. Kernel Adaptive Filtering: A Comprehensive Introduction. Wiley, 2011. ISBN: 9780470447536.
  8. Comminiello D., Scarpiniti M., Azpicueta-Ruiz L.A., Arenas-Garcia J., Uncini A. Functional link adaptive filters for nonlinear acoustic echo cancellation. EEE Trans. Audio Speech Lang. Process. 2013. V. 21. № 7. P. 1502–1512.
  9. Scarpiniti M., Comminiello D., Parisi F., Uncini A. Nonlinear spline adaptive filtering. Signal Processing. 2013. V. 93. № 4. P. 772–783.
  10. Yang L., Liu J., Sun R. et al. Spline adaptive filters based on real-time over-sampling strategy for nonlinear system identification. Nonlinear Dyn. 2021. V. 103. P. 657–675. https://doi.org/10.1007/s11071-020-05899-7
  11. Guan S., Biswal B. Spline adaptive filtering algorithm based on different iterative gradients: Performance analysis and comparison. Journal of Automation and Intelligence. 2023. V. 2. № 1. P. 1–13.
  12. Cheng S., Wei Y., Sheng D., Wang Y. Identification for Hammerstein nonlinear systems based on universal spline fractional order LMS algorithm. Commun. Nonlinear Sci. Numer. Simul. 2019. V. 79. P. 104901.
  13. Scarpiniti M., Comminiello D., Parisi R., Uncini A. Nonlinear system identification using IIR Spline Adaptive Filters. Signal Processing. 2015. V. 108. P. 30–35.
  14. Wang Y., Ding F., Xu L. Some new results of designing an IIR filter with colored noise for signal processing. Digital Signal Processing. 2018. V. 72. P. 44–58.
  15. Patel V., George N.V. Multi-channel spline adaptive filters for non-linear active noise control. Applied Acoustics. 2020. V. 161. P. 107142.
  16. Liu C., Zhang Z., Tang X. Sign-normalized IIR spline adaptive filtering algorithms for impulsive noise environments. Circu. Syst. Signal Process. 2019. V. 38. № 2. P. 891–903.
  17. Guo W., Zhi Y. Nonlinear Spline Adaptive Filtering Against Non-Gaussian Noise. Circuits, Systems, and Signal Processing. 2022. V. 41. P. 579–596. https://doi.org/10.1007/s00034-021-01798-3
  18. Tao Y., Wenqi L., Yi Y., Rodrigo C.L. Robust spline adaptive filtering based on accelerated gradient learning: Design and performance analysis. Signal Processing. 2021. V. 183. P. 107965.
  19. Gao Y., Zhao H., Zhu Y., Lou J. The q-gradient LMS spline adaptive filtering algorithm and its variable step-size variant. Information Sciences. 2023. V. 658. P. 119983. https://doi.org/10.1016/j.ins.2023.119983
  20. Zhao H., Chen B. Spline Adaptive Filter. In Book: Efficient Nonlinear Adaptive Filters. Chap. Springer: Cham. 2023. P. 163–208. https://doi.org/10.1007/978-3-031-20818-8_4
  21. Sharif S., Kamal S. Comparison of Significant Approaches of Penalized Spline Regression (P-splines). Pakistan Journal of Statistics and Operation Research. 2018. V. XIV (2). P. 289–303.
  22. Lenz D., Yeh R., Mahadevan V., Grindeanu I., Peterka T. Customizable adaptive regularization techniques for B-spline modeling. Journal of Computational Science. 2023. V. 71. P. 102037. https://doi.org/10.1016/j.jocs.2023.102037
  23. Budakçı G., Dişibüyük Ç., Goldman R., Oruç H. Extending fundamental formulas from classical B-splines to quantum B-splines. Journal of Computational and Applied Mathematics. 2015. V. 282. P. 17–33.
  24. Goepp V., Bouaziz O., Nuel G. Spline Regression with Automatic Knot Selection. arXiv: Applications. 2018. hal-01853459. P. 26.
  25. Tan L., Jiang J. Digital Signal Processing. 3rd ed. Academic Press, 2019. 816 p. ISBN: 978-0-12-374090-8.
  26. Kochegurova E.A, Gorokhova E.S. Current Derivative Estimation of Non-stationary Processes Based on Metrical Information. Lecture Notes in Computer Science. 2015. V. 9330. P. 512–519.
  27. Rozhenko A.I. A new method for finding an optimal smoothing parameter of the abstract smoothing spline. J. Approx. Theory. 2010. V. 162. P. 1117–1127. https://doi.org/10.1016/j.jat.2009.08.002
  28. Sameni R. Online filtering using piecewise smoothness priors: Application to normal and abnormal electrocardiogram denoising. Signal Processing. 2017. V. 133. P. 52–63.
  29. Kochegurova E.A., Kochegurov A.I., Rozhkova N.E. Frequency Analysis of Recurrence Variational P-Splines. Optoelectronics, Instrumentation and Data Processing. 2017. V. 53. № 6. P. 591–598.
  30. Kochegurova E.A., Wu D. Realization of a recursive digital filter based on penalized splines. Computer Optics 2018. V. 42. № 6. P. 1083–1092.
  31. Bhattacharjee S.S., Patel V., George N.V. Nonlinear Spline Adaptive Filters based on a Low Rank Approximation. Signal Processing. 2022. V. 201. P. 108726.
  32. Agrawal N., Kumar A., Bajaj V., Singh G.K. Design of digital IIR filter: A research survey. Applied Acoustics 2021. V. 172. P. 107669. https://doi.org/10.1016/j.apacoust.2020.107669
  33. Rathod M., Patel V., George N.V. Generalized spline nonlinear adaptive filters. Expert Systems with Applications. 2017. V. 83. № 15. P. 122–130.
  34. Воскобойников Ю.Е., Колкер А.Б. Аппроксимация изолиний изображений сглаживающими сплайнами. Автометрия. 2003. Т. 39. № 4. С. 3–12.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Структура сплайн-адаптивного фильтра.

Скачать (14KB)
Метаданные
3. Рис. 2. Топология вычислительных схем Р-САФ.

Скачать (35KB)
Метаданные
4. Рис. 3. Структурная схема рекуррентного P-САФ.

Скачать (12KB)
Метаданные
5. Рис. 4. Области устойчивости P-САФ.

Скачать (17KB)
Метаданные
6. Рис. 5. Аппаратная функция P-САФ.

Скачать (35KB)
Метаданные
7. Рис. 6. Эффективность алгоритма P-САФ в условиях гауссовского случайного процесса.

Скачать (40KB)
Метаданные
8. Рис. 7. Эффективность алгоритма P-САФ для Доплеровской функции.

Скачать (37KB)
Метаданные
9. Рис. 8. Эффективность алгоритма P-САФ для набора данных № 96-008 DaISy.

Скачать (33KB)
Метаданные
10. Рис. 9. Эффективность алгоритма P-САФ для набора данных № 96-004 DaISy.

Скачать (35KB)
Метаданные

© Российская академия наук, 2024