Sie sind auf Seite 1von 28

192 6 ADAPTIONSALGORITHMEN: ZUSAMMENFASSUNG

~ bO i:i Cill >:: 0 , ;:l , "Z 0 ol S '" 'ijJ
~
bO
i:i
Cill
>::
0
,
;:l
,
"Z
0
ol
S
'"
'ijJ
~
S
-lC
~
a;
'a
;:l
bO
0
N
~I
bO
::;­
>::
>::
>::
1
\.)
.~
ol
Cl)
0
bO
~
.S
,
>::
bO
~
~
Cl)
C'l
>::
:ol
~I
ol
bO
00
~
~
c.,
V
,
>::
Cl)
;rl
~
::E
~ :ol
cn
cn
>::
'"
ol
bO
:1
::I
+
::E
::E
N
~
ß
0
I
rJ:J
§
~ E--l
~
Cl)
Cl)
~
::l
;:l
ö
Ö
~
0
0
0'
I~'"
~
~
S
~I
Cl)
11
'ijJ
,
Cl)
<l::
.D
d
"0
·s
11
~
11
-+->
;rl
';:i
cn
~
~
l-<
::E
o
+
,
l?
b.O
-lC
i
0
<
0
~I
----.
I
00.
.i.i
::E
>::
Cl)
~~
.S
,
~
I-.::l
0
'" '"
~-<
VI
Hf
ol
~
bO
VI
~
~
11
-lC
~
"'0
-I
0
v
iE
0
-I
~
~
Q
>::
,
,
Cl)
Cl)
,
0
::l
~
00
~
~
.~
~
::I
I
0:::
~ +
-1
,
>::
Ci::
;Ei'"
bO
Cl)
00.
~
'-'
, :
bO
I
lj'"
~
I-.::l
Cl)
;:l
~
'"
0:::
~
"0
S
:::
0"'"
~
;31
'-'
~
11
(/)
11
~
0
~
00
11
g;
:I
I
0
00.
0"'"
::l
,
S
·z
;31
~
Cl)
>::
00
::E
0
00
0
~
'ä)
I-.::l
Cl)
~
rJ:J
'ä)
bO
~
bO
>::
0
>::
"'0
bO
;:l
" ;:l
,
~"~
-lC
Cl)
b.O
'a
~
-<-<
HI
~ 'ijJ'"
-
Q
"iii
c:
.S
,
-
-lC
10
,
1I
::l
v
'"
"'~
§
~
@'
"~
::l
re,
>::
~
+
bO
e
0
-+->
"
>::
><
00
~
~
rJ:J
~
~
::E
~
>::
I
l-<
Cf)
"§i
~
Cl)
~
0 >
::I
0
"0
;;E
c
~
11
11
>::
ci
:l
:::l
'"
0
-ci
::1j",
>
00
Q
~
Q)
+
Ei
11
bO
pf
"Cl
~
::l
"b.o
-lC
00
.a:;
>::
~
~
"§i
V
::E
0
S
Cl
0:::
>
gj
::l
~
.D
:::
c:
ol
Q)
,
bO .­
t;
,
bO
'"
Q)
"0
Cl)
'"
bO
"0
,
]
>::
>::
~-
0
,
Cl)
,.';,
ol
o<t:
;:l
bO
>::
>::
bO
>::
.~
~
Cl)
~ch
Cl)
~J
~
,
>
bO
~
;:l
, ,
>::
~
~
'"
eil
.~
,
>::
'"
I1
>::
~
'':
~
]
'(ij
Cl)
0:::
S~
ol
0:::
0
.~
::a
~
;E
'-'
'-'
'-'
'.,3
~
(/)
~
Cl)
Cl)
'"
;:l
~
r:r;
~
o
<:
l?
~
*

A Aufgaben und Anleitung

zu den Simulationen

Die hier aufgeführten Aufgaben l und die Simulationen sollen zur Veranschauli­ chung und weiteren Vertiefung der Theorie beitragen.

Die Aufgaben beziehen sich auf die in Kapitel 2 behandelten Grundlagen adap­

tiver Filter: Unitäre Ähnlichkeitstransformation, Eigenschaften der Eigenwerte

und -vektoren der Autokorrelationsmatrix R, Wiener-Filter-Theorie, Orthogona­

litätsprinzip. Ferner wird eine Anwendung adaptiver Filter, die Störgeräuschun­

terdrückung (u.a. durch einen einfachen adaptiven Beamformer) behandelt.

Die Simulationen ermöglichen es, die Eigenschaften des LMS-, RLS- und FLMS­

, Algorithmus experimentell zu untersuchen und die Aussagen zum Konvergenz­

verhalten aus den vorhergehenden Kapiteln zu überprüfen. Parameter, wie die Schrittweite {.L, die Anzahl adaptiver Gewichte N u.a., können mittels einer Ein­ gabemaske variiert und die Auswirkungen auf die Lernkurve, den MSE, die Fehl­ einstellung M, die Konvergenzzeit etc. beobachtet werden (siehe Figuren A.3­

A.~).

A.l

Aufgaben

1. Unitäre Ähnlichkeitstransformation

a) Lineare Abbildungen

Lineare Abbildungen können in Matrixschreibweise ausgedrückt werden:

Der reelle Vektor ;[. soll in ein neues Koordinatensystem transformiert wer­

den. Der neue Vektor ;[.' resultiert aus einer Multiplikation mit einer Matrix

Q-l: ;[.' = Q-l;[ Die Basisvektoren des neuen Koordinatensystems, jeweils

in alten Koordinaten angegeben, bilden die Spalten der Transformations­ matrix Q

1Lösungen

unter A.2.

194 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

Wir betrachten den zweidimensionalen Fall:

X2

X~ x~ ~ "\ /7 / /\/ a \ / / \ \ .; I,
X~
x~
~ "\
/7
/ /\/
a
\
/
/
\
\
.;
I,
\
\
\
\
\
\

Xl

Das neue Koordinatensystem (X~,x~) besitze ebenfalls Basisvektoren der Länge 1, die senkrecht aufeinander stehen (d.h. die Basis sei ort ho normal) und sei um den Winkel a gegen das alte System (Xl, X2) verdreht.

a1) Berechnen Sie die Matrix Q(a).

a2) Es kann auch ein Gleichungssystem abgebildet werden. Zeigen Sie, dass die Gleichung lL = R;r. zu lL' = Q-1 lL = Q-1 RQ;r.' wird.

a3) Zeigen Sie, dass Q unitär ist: Q-1 = Qt.

b) Eigenwerte und Eigenvektoren

b1) Gegeben sei eine symmetrische 2 x 2 Matrix R:

R=

[

5 -3]

-3

5

Berechnen Sie die Eigenwerte Al, A2 und Eigenvektoren 9. ,9. trix.

1

2

der Ma­

b2) Überprüfen Sie die in Abschnitt 2.3.6 beschriebenen Eigenschaften für die Eigenwerte und Eigenvektoren aus b1) :

i) Alle Eigenwerte sind reell. ii) Zu verschiedenen Eigenwerten gehörende Eigenvektoren stehen senk­

recht aufeinander.

iii) Die Eigenvektoren bilden eine orthonormale Basis (9.

1 ,

iv) Es existiert eine unitäre (orthogonale) Matrix Q, die R lisiert:

R

=

Q. diag(Al,

, An) . Qt

 

QAQt

, 9.N)·

diagona­

A.I AUFGABEN

195

c) Quadratische Form Nun folgt eine Anwendung der Teilaufgaben a) und b):

Betrachten Sie die Gleichung

5xi - 6X1X2 + 5x~ = 8

die als quadratische Form (C.14) bezeichnet wird und eine Ellipse be­ schreibt. Diese Gleichung soll nun in den Hauptachsenkoordinaten ange­ geben werden.

cl) Stellen Sie die obige Gleichung als Vektor-Matrixgleichung dar:

c2)

[Xl

X2]·

[

~~

]

=

8

R muss dabei symmetrisch sein.

Berechnen Sie die Eigenwerte und Eigenvektoren der Matrix R. Wählen Sie die Eigenvektoren so, dass diese die Länge 1 besitzen.

c3) Transformieren Sie die quadratische Form in das neue Koordinaten­ system, das die Eigenvektoren der Matrix R als Basis besitzt.

[X~ X~]'A'[~~]=C

c4) Sie haben die quadratische Form in ihr Hauptachsensystem transfor­ miert. Multiplizieren Sie nun die Vektor-Matrixgleichung wieder aus. Der Term X1X2 muss dabei wegfallen:

a

. X~2+ b . X~2 = C

Zeichnen Sie die Ellipse in beiden Koordinatensystemen auf.

c5) Führen Sie die gleiche Rechnung durch, indem Sie die Matrix R der quadratischen Form asymmetrisch wählen. Achtung: kein Element soll dabei null werden! Beobachten Sie, was passiert. Erklären Sie damit, warum die Matrix R symmetrisch sein muss, damit die Eigenwerte mit den Hauptachsen zusammenfallen.

196 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

2. Wiener-Filter und Orthogonalitätsprinzip

In dieser Aufgabe soll ein FIR-Filter 1. Ordnung zur linearen MMSE-Schätzung eines Nutzsignals aus einer verrauschten Beobachtung entworfen werden (siehe Figur A.1). Das Nutzsignal ist dabei das erwünschte Signal d[k] der Schätzung.

x[k]

ist dabei das erwünschte Signal d[k] der Schätzung. x[k] x[k -1] Wl\ X W2l X +)

x[k -1]

das erwünschte Signal d[k] der Schätzung. x[k] x[k -1] Wl\ X W2l X +) d[k] •

Wl\

X

W2l

X

Signal d[k] der Schätzung. x[k] x[k -1] Wl\ X W2l X +) d[k] • e[k] Figur

+)

d[k]

e[k]

Figur A.l: FIR-Filter 1. Ordnung

Die Beobachtung, die an den Filtereingang x[k] gelegt wird, besteht aus dem durch v[k] verrauschten Nutzsignal:

x[k] = d[k] + v[k] ,

wobei d[k] und v[k] zwei unabhängige Prozesse sind. v[k] sei weisses (mittel­

wertfreies) Rauschen mit rv[k] = Autokorrelationsfunktion:

~<5[k] und d[k] sei schwach stationär mit der

rd[i] = ~<5[i]+ <5[i -

1] + <5[i + 1]

(Die Kronecker-Deltafunktion <5[i] ist null, ausser für i = 0: <5[0] =

1.)

a) Berechnen Sie die Auto- und Kreuzkorrelationsfunktionen

rx[i] = E{x[k]x[k - i]} und rdx[i] = E{d[k]x[k - i]}.

b) Geben Sie den Fehler e[k] in Funktion von Wi, x[k], x[k-1] und d[k] an. Stel­ len Sie nun die beiden Orthogonalitätsgleichungen (Orthogonalitätsprinzip,

(2.61)) E{x[k] e[k]) = 0 und E{x[k - 1] e[k]} = 0 auf und bringen Sie die

Gleichungen auf folgende Matrixform (Wiener-Hopf-Gleichung): R1Qo = E:

Wie lautet der optimale Koeffizientenvektor 1QO?

c) Wie gut ist die Schätzung, d.h. wie gross ist J min ?

I

~:

~'

d.h. wie gross ist J m i n ? I ~ : ~' A.l AUFGABEN 197

A.l AUFGABEN

197

3. Unterdrückung eines 50 Hz Netzbrumms

Diese Aufgabe bezieht sich auf das Beispiel aus Abschnitt 1.3.2, in dem die Un­ terdrückung eines 50 Hz Netzbrumms n[k], der einem Sensorsignal s[k] überlagert ist, beschrieben wird. Zur Unterdrückung der Störung wird wieder das Filter aus Figur A.1 verwendet, jedoch mit folgender Zuordnung:

• Filtereingang x[k]: Referenzsignal für die Störung, d.h. eine Sinusschwin­ gung mit der Frequenz der Störung (z.B. von der Steckdose).

• Erwünschtes Signal d[k]: gestörtes Sensorsignal d[k] = s[k] + n[k].

Ziel: entstörtes Sensorsignal als Fehlersignal e[k] zur weiteren Verwendung.

Die Daten:

• Abtastfrequenz: I. = 500 Hz, mit T = 1/1. ; Netz-Frequenz: 10 = 50 Hz.

• Sensorsignal s[k]: weisses Rauschen (mittelwertfrei) mit der Leistung

a; = 1.

• Referenzsignal: x[k] = cos(27rlnk + <1».

• Die Netzstörung n[k] sei zum Signal x[k] um 7r /3 phasenverschoben:

n[k] = cos(27rlnk + i + <1».

• Gemeinsame Phase <1>: Zufallsgrösse mit einer gleichverteilten Dichte zwi­ schen 0 und 27r.

a) Wählen Sie die normierte Frequenz In so, dass x[k] und n[k] einer 50 Hz Netzschwingung entsprechen (bei I. = 500 Hz).

b) Berechnen Sie die Autokorrelationsfunktion von x[k] und daraus die Auto­ korrelationsmatrix R. Wie gross ist die Leistung von x[k]?

c) Berechnen Sie die Kreuzkorrelationsfunktion rdx[i] von d[k] und x[k] und daraus den Vektor E:

d) Berechnen Sie die Wiener-Lösung 1Qo.

e) Berechnen Sie J min = E{e 2 [k]} und vergleichen Sie mit der Leistung a; des Sensorsignals. War der Ansatz erfolgreich?

198 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

4. Störgeräuschunterdrückung durch einen Beamformer

j[k]

0:::v

0)

s[k]

M2

0.5

d[k]

~

0.5

x[k]

x AF

I d[k]

+

~~

.

e[k]

Ausgang

:

Wie Aufgabe 3 verdeutlicht, kann eine additive Störung erfolgreich unterdrückt werden, wenn ein geeignetes Referenzstörsignal an den Eingang x[k] des Filters und das gestörte Nutzsignal als erwünschtes Signal d[k] angelegt wird. Mit Hilfe von sog. Beamformern [8], die aus einer Anordnung von mehreren Mikrophonen bestehen, kann gleichzeitig ein Referenzsignal und das gestörte Nutzsignal gewon­ nen und die Störung unterdrückt werden. In dieser Aufgabe wird ein einfacher Beamformer mit zwei Mikrophonen betrachtet. Ziel: Das Nutzsignal s[k], welches in gleichem Abstand von den beiden Mikrophonen entfernt liegt, soll ungehin­ dert durchgelassen werden; hingegen soll das seitlich einstreuende Störsignal j[k] (eng!. jammer) unterdrückt werden. Dazu nützt man die Laufzeitdifferenz des Störsignals zwischen den 2 Mikrophonen MI und M2 aus: Am Mikrophon MI wird die Sequenz s[k] + j[k] und am Mikrophon M2 die Sequenz s[k] + j[k - 1] gemessen. Das Störsignal erscheint also um eine Zeiteinheit verschoben am Mi­ krophon M2. Weiterhin werden für das Nutzsignal s[k] und das Störsignal j[k] folgende Annahmen getroffen:

• j[k] sei ein weisser stationärer stochastischer Prozess mit Leistung o}

• s[k] habe die Leistung 0'; und sei unabhängig von j[k]

s[k] und j[k] seien mittelwertfrei.

a) Berechnen Sie d[k] und x[k], ausgedrückt durch die Sequenzen s[.] und j[.].

Aus dem Referenzsignal x[k], welches nur aus Werten des Störsignals j[.] be­ steht, soll nun durch ein FIR-Wiener-Filter 1. Ordnung (N = 2) das Signal d[k] geschätzt werden, das aus Werten des Störsignals j[k] und des Nutzsignals s[k] besteht. Da x[k] jedoch keine Information über s[k] enthält, kann das Filter aus­ schliesslich den Störsignalanteil von d[k] schätzen, nicht aber den Nutzsignalan­ teil. Somit erscheint das Nutzsignal (wie gewünscht) ungefiltert am Ausgang des Beamformers.

(wie gewünscht) ungefiltert am Ausgang des Beamformers. A.l AUFGABEN 199 b) Berechnen Sie e[k] und J('Jll.)

A.l AUFGABEN

199

b) Berechnen Sie e[k] und J('Jll.) = E{e 2 [k]} ausgedrückt durch:!Q = [Wl,W2]t,

c)

d[k] und ~[k] = [x[k], x[k -

Substituieren

b). Sie sollten nun den Ausdruck (2.18) für J(:!Q) erhalten haben. Berechnen

Sie anschliessend den Gradienten \7 :!!!.{J(:!Q)} und setzen Sie ihn gleich Q. Auf diese Weise haben Sie die Wiener-Hopf-Gleichung (2.51) hergeleitet.

Leistung des Stör- und

Sie R = Ebjk]~t[k]}, pt = E{d[k]~t[k]} und O'~ = E{d 2 [k]} in

1]JI.

Berechnen Sie O'~ = E{d 2 [k]} ausgedrückt durch die Nutzsignals.

d) Berechnen Sie Rund p. ausgedrückt durch 0'; und 0';' Dabei gilt : r[i] =

E{x[k]x[k - i]} und rdx[i] = E{d[k]x[k - i]}. Verwenden Sie dazu die Re­

sultate aus a).

e) Berechnen Sie den optimalen Filterkoeffizientenvektor :!Q0, der J(:!Q) mini­ miert.

f) Berechnen Sie

J min = J(:!Q0). Das Fehlersignal ist der Systemausgang. Um

welchen Faktor (in dB) verbessert sich das SNR ('signal-to-noise ratio') im Fehlersignal verglichen mit dem Systemeingang (z.B. das SNR im Mikro­

phon MI)?

g) Das Störsignal wurde nur teilweise unterdrückt, weil die Filterlänge N zu klein ist. Bestimmen Sie mit Hilfe der z-Transformation das Filter H(z) = ~gl, welches durch Filterung von x[k] eine perfekte Schätzung des Störsi­ gnalanteils d'[k] in d[k] liefert und somit j[k] im Fehlersignal e[k] vollständig unterdrückt. Um was für einen Filtertyp handelt es sich? Worin liegt das Problem dieses Filters?

h) Wir begnügen uns mit der für N = 2 erreichbaren Störgeräuschunter­ drückung. Die in e) analytisch berechnete Wiener-Lösung soll nun durch ein adaptives Filter, das durch den iterativen LMS-Algorithmus adaptiert wird, gefunden werden. Geben Sie die LMS-Gleichungen in Funktion der

Mikrophonsignale MIlk] und M

einen Wert für die Schrittweite J

2

l.

[k] an. Wählen Sie mit Hilfe von (3.81)

Es gelte hierbei: 0'; =

1.

200 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

A.2

Lösungen zu den Aufgaben

1. Unitäre Ähnlichkeitstransformation

a1) Aus der Zeichnung sehen wir sofort:

X2

-1

L

cosa

I
I

-sma

a

I

r-

I

I

I

I

cosa

sin a

~

Xl

Die neuen Basisvektoren ergeben sich in alten Koordinaten zu

9.1

=

(

cos a

sin a

)

und

9.2

Für Q(a) ergibt sich:

a2) Wir gehen aus von

=

(

-

sin a

cos a

)

.

Q (a) =

[ C?Sa

sma

u= 14:

-

sin a

cosa

]

Die linke Seite in den neuen Koordinaten:

u' = Q-lU

Mit ;f = Q;f' folgt für die rechte Seite:

Damit gilt:

14: ----t Q- l l4: = Q-lRQ;f'

u' = Q-lU = Q-lRQ;f'

a3) Dazu berechnen wir die Inverse von Q(a):

Q(a)-l = [

co~a

sin a

]

-sma

cosa

Es gilt: Q(a)-l = Q(af

co~ a sin a ] -sma cosa Es gilt: Q(a)-l = Q(af A.2 LÖSUNGEN ZU DEN

A.2 LÖSUNGEN ZU DEN AUFGABEN

b1) Charakteristisches Polynom:

det [

5 -

-3

A

-3]

5 -

A

=}

Al

=

 

=

A 2 _

lOA + 16 =

2,

A2 =

8

0

201

Die Eigenvektoren findet man jeweils durch die Gleichungen:

~l =

~2 =

Al9. l

A29. 2

9.l=V;[~]

q

-2

= J2 [ ~1 ]

2

b2)

i) Al und A2 sind reell.

ii) Kontrolle: 9.~9.2 = O.

iii) Die Länge von 9.1 und 9. 2 ist frei wählbar und wurde auf die Länge 1

normiert (mit ii) ----t orthonormale Basis).

iv) Die gesuchte Matrix Q besitzt

9. 1 und 9. 2 als Spalten:

J2 [1 -1]

1

1

Q=""2

J2[ 1 1]

-1

1

[~

~]

=} Q-l =""2

=} Q-lRQ =

cl) R= [5

-3

Beweis:

-3]

5

[Xl X2

]

.

[

5

-3

-3]

5

.

[Xl]

X2

=

2

5x l

-

2

6XlX2 + 5X2

c2) siehe b1).

c3) Die Transformation wurde bereits in b2) durchgeführt.

A=[~ ~]----t[X~ x~].[~ ~]'[~~]=8

202 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

Die Konstante rechts bleibt unverändert.

2x

/2

l

t2

+ 8X2

=

8 ---+

x?

4

t2

+ X 2

= 1

X2

/

Xl

x~ I 2 1
x~
I
2
1

,.-f

x~ J , ;1( I;'
x~
J ,
;1(
I;'

(

)

Xl

X~

c4)

Die Ellipse ist im ursprünglichen Koordinatensystem um 45° gedreht. (Ver­ . gleichen Sie die Matrix Q aus Aufgabe b2) mit der Matrix Q(a) aus al)

c5) Ist R nicht symmetrisch, so stehen die Eigenvektoren nicht senkrecht auf­ einander. Damit können unmöglich die beiden Eigenvektoren in Richtung der Hauptachsen liegen: Hauptachsen von Ellipsen stehen immer senkrecht aufeinander.

2. Wiener-Filter und Orthogonalitätsprinzip

a) Kreuzkorrelation und Autokorrelation:

rdx[i]

rx[i]

E{d[k] . x[k - in

E{d[k] . (d[k -

E{d[k] . d[k - in + E{d[k]· v[k - in

E{d[k]· d[k - in + E{d[kn . E{v[k - in

E{d[k] . d[k - in

i] + v[k -

i])}

.!:- rd[i] = ~c5[k]+ c5[k -

1] + c5[k + 1]

(*: da v[k] und d[k] unabhängig und v[k] mittelwertfrei)

E{x[i]· x[k - in E{(d[i] + v[i]) . (d[k - i] + v[k - i])} E{d[i]· d[k - in + E{v[i] . v[k - in rd[i] + rv[i]

3c5[k] 10 + c5[k - 1] + c5[k + 1]

A.2 LÖSUNGEN ZU DEN AUFGABEN

b) Fehler und Orthogonalitätsgleichungen:

e[k]

E{x[k]e[kn

E{x[k ­ l]e[kn

d[k] -

d[k]

d[k] -

(wlx[k] - w2x[k ­

1])

E{d[k]x[k]- wlx[k]x[k] - w2x[k]x[k ­ rdx[O] - WlrX[O] - w2rx[l]

5

- -

2

10

-Wl ­

3

W2 =

0

In

E{d[k]x[k ­ 1] - wlx[k ­ l]x[k]- w2x[k ­

rdx[I]- wlr x [-I]- W2 r x[0]

1- Wl

-

10

-W2 =

3

0

203

l]x[k ­ In

Beide Gleichungen in Vektor-Matrix Form geschrieben:

I ("

.

! /;

':

,>

Wiener-Lösung:

c)

[1 4](:~) (I)

1Q0

J min

R·1Q

R- l . P =

-

(

WO

)

2

(52

d

_

ptwo

)

p.

=

(

9166

182

)

rd[O] - wlrdx[O] - w2rdx[l]

5

66

5

15

55

---·---·1=­

2

91

2

182

91

J min ist nicht null, d.h. die Schätzung ist nicht perfekt. Wenn das Nutzsi­ gnal d[k] und die Störung v[k] den gleichen Frequenzbereich belegen, kann nicht durch Filterung des Summensignals x[k] der Anteil v[k] unterdrückt werden, ohne dabei d[k] anzutasten. Das Wiener-Filter findet einen Kom­

promiss im MSE-Sinn. Die Zuordnung (gestörtes Nutzsignal als Eingangssi­

gnal x[k] und Nutzsignal als erwünschtes Signal d[k]) ist deshalb ungeeignet zur Unterdrückung einer additiven Störung. Der Ansatz der Aufgabe 3 mit der Zuordnung (gestörtes Nutzsignal als erwünschtes Signal d[k] und einem Referenzstörsignal als Filtereingang x[k]) ist erfolgreicher.

204 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

3. Unterdrückung eines 50 Hz Netzbrumms

a)

b)

Aus dem Vergleich des abgetasteten Signals x(kT) = cos(21rfot + <I»lt=kT =

cos(21rfokT+<I» mit x[k] = cos(21rfnk+<I» folgt für die normierte Frequenz fn:

fn

x[k]

n[k]

foT =

j: =

11 0

cos (

21rk

10

+ <I>

)

cos (

21rk

10 +"3 + <I>

1r

)

Tx[i]

=

E{x[k]· x[k - i]}

E

{

cos

(

21rk

10 + <I>

)

cos

(21r(k - i)

10

+ <I>

)}

Mit

sich für Tx[i]:

dem Additionstheorem cos Cl! • cos ß = ~(cos( Cl! -

ß) + cos( Cl! + ß)) ergibt

Tx[i] = E { "2 I cos

(21ri)}

10

+ E {I

"2 cos

(21r(2k-i)

10

+ 2<I> )}

(A.1)

Der Erwartungswert wird über k ausgewertet. Der zweite Summand fällt weg, weil eine Sinusfunktion mittelwertfrei ist, und der erste Summand ist konstant (nicht von k abhängig). Es folgt:

1

===} Tx[i] = "2 cos

(21ri)

10

(A.2)

Die Autokorrelationsfunktion Tx[i] kann auch direkt durch folgende Überle­ gung erhalten werden: Zum einen muss Tx[i] die gleiche Frequenz besitzen wie x[k], zum anderen beträgt die Leistung der Sinusfunktion (Tx[O] = 0.5). Ferner ist die Phase von Tx[i] null, da eine AKF symmetrisch ist. Mit Tx[i] können wir die Autokorrelationsmatrix R bestimmen:

R = ~[COSO

cos i

]

=

[

0.5

0.4045 ]

2

cos i

cos 0

0.4045

0.5

c)

Tdx[i]

E{d[k] . x[k ­ i]} E{(s[k] + n[k]) . x[k ­ i]} E{s[k] . x[k ­ i]} + E{n[kj· x[k ­ i]} E{n[k] . x[k ­ i]}

A.2 LÖSUNGEN ZU DEN AUFGABEN

205

Der Erwartungswert E{s[k]· x[k - i]} ist null, da s[k] und x[k] unkorreliert und jeweils mittelwertfrei sind.

Den Erwartungswert E{n[k] ·x[k-i]} erhalten wir analog zu Teilaufgabe b):

I·'

,.'

erhalten wir analog zu Teilaufgabe b): I·' ,.' Für l!. ergibt sich somit: 1 21ri Td

Für l!. ergibt sich somit:

1

21ri

Td [i] = -cos(- +-)

x

2

10

3

1r

_

l!. -

(

~cos ~ ~ cos(i + ~)

)

_

-

(

0.25

-0.05226

)

d)

Wiener-Lösung:

 

WO =

(

Wl

)

= R-1

-

W2

e)

MMSE:

l!.

=

(

1.69198

-1.47337

)

J min = E{d 2 [k]} -l!.t'1Q0

Wir berechnen zuerst den Erwartungswert E{d 2 [k]}:

E{d 2 [k]} = E{S2[k]} + 2E{s[kjn[k]} + E{n 2 [k]}

Der Term E{s[k]n[k]} wird null (Begründung wie in Teilaufgabe c)), somit erhalten wir:

(A.3)

.

E{ d2[~]} = Ts[O] + Tn[O] =

1

1 + "2 = 1.5

Dazu folgende Erklärung:

Ts[O] = 1, gemäss Aufgabenstellung. Tn[O] = ~, weil n[kj und x[k] bis auf eine Verschiebung gleich sind und folglich dieselbe AKF haben. Mit l!.t . '1Q0 = ~ erhalten wir:

J min = E{ e 2 [kJ} = 1

J min , die Leistung des Fehlersignals, entspricht also der Leistung des Sen­

sorsignals Ts[O] =

1. Die Netzstörung wurde erfolgreich entfernt und das

(A.4)

entstörte Sensorsignal steht als Fehlersignal zur weiteren Verwendung zur Verfügung.

4. Adaptive Störunterdrückung durch einen Beamformer

a) Eingangs- und erwünschtes Signal:

d[k] = 0.5(s[kj + j[k] + s[kj + j[k -

x[k] = 0.5(s[kj + j[k] - s[k] - j[k -

1

1]) = s[k] + "2(j[kj + j[k -

1

1]) = "2(j[kj- j[k -

1])

1])

206 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

b) Fehlersignal und MSE:

e[k] =

d[k] -

d[k] =

d[k] -

1Qt~[k]

J(1Q)

=

E{e 2 [k]} = E{(d[k] -1Qt~[k])(d[k] _1Qt~[k])t}

=

E{d 2 [k] - d[k]~t[k]1Q-1Qt~[k]d[k] + 1Qt~[kl~t[k]1Q}

=

E{d 2 [k]} - 2E{d[kk t [k]}1Q

+ 1QtE{~[kkt[k]}1Q

c) Aus E{s[k]j[k]} = 0 und E{j[k]j[k - I]} = 0 folgt:

Leistung des erwünschten Signals:

(Jd = E{d

2

2[

k]} = (J. + 4((Jj + (Jj) = (J. + 2(Jj

2

1

2

2

2

1

2

Fehlerfunktion:

IJ (1Q) = (J~- 2'!l1Q + 1QtR1QI

(2.11)

Gradient und Wiener-Hopf-Gleichung:

\7 !!L {J (1Q)} =

\7 !!L{J(1Q)} = Q = 2R1Qo - 2E

- 2E + R1Q + R t 1Q = 2R1Q -

=>

2E

I-R-1Q---:Co-=-E-1

d) Autokorrelationsmatrix:

t

R = E{~[k]~[k]} = E

2

{[ x [k] x[k _ l]x[k]

x[k]x[k - x 2 [k _ 1]

1] ]}

_

-

Weil j[k] weiss ist, gilt allg.:

E{j[k]j[k - i]} = 0

Vi -I 0

Daraus folgt:

r[O]

= E{x 2 [k]} = E{~(j[k]- j[k - I]?} = ~(J;

r[l] =

4E{(j[k] 1 - j[k - 1]) (j[k -

1]- j[k - 2])}

1

= 4E{j[k]j[k -

1] -

j[k]j[k - 2]- j2[k -

1] + j[k -

1

= 4E

{

.2

-J

[k -

I]} = -4(Jj

1

2

IR=~[_~-;]1

[

r[O]

r[-I]

r[I]]

r[O]

l]j[k - 2]}

!

"

.)

,'" l.

.~ {

.

".

ti

:t".

A.2 LÖSUNGEN ZU DEN AUFGABEN

207

Weil E{j[k]s[k - i]} = 0 Vi folgt für die Kreuzkorrelation:

p = E{d[k]x[k]} = E {( -

-

d[k]x[k]

d[k]x[k -

1]

)} = ( rdx[O] ) rdx[l]

rdx[O] = E{d[k]x[k]} = E{(s[k] + 2(j[k] + j[k - 1]))2(j[k]- j[k - I])}

1

1

1

= 4E{l[k] - j[k]j[k - 1] + j[k - 1]j[k]- j2[k - I]}

= ~(E{l[k]}- E{l[k - I]}) = ~((J;- (J;) = 0

rdx[l] = E{d[k]x[k - I]}

= E{(s[k] + ~(j[k]+ j[k - 1]))~(j[k- 1] - j[k - 2])}

1

= 4E{j[k - l]j[k] + l[k -

1

1

= 4 E {l[k - I]} = 4(J;

1] -

j[k -

2]j[k] - j[k -

2]j[k -

e) Wiener-Hopf-Gleichung:

R1Qo =E

(J2 (0) I E= 1 2-1]. ° = (J} (0) (J} [ => 4 -1
(J2 (0)
I
E=
1
2-1]. ° = (J} (0)
(J}
[
=>
4
-1
2
1Q
4
1

=>1Qo=R- 1 E= ~ [~ ~]. G) =

(1) = 1Qo

f) MMSE:

J

. = J(WO) = (J2 - 2 p t w o+ wotRwo

mln

_

d

_

_

=

(J~-

= (J~-

E t 1Qo

EtR-1E

= (J~- ~(J;(0 1) (1)

=

2

(Jd -

(tj = (J. + 2(JJ -

2

2

2

1

1

1

6(JJ =

2

1

(J. + 3(Jj

2

2

I]}

Eingang:

Ausgang:

( ~)

(~

)

em

_

aus =

10 lOglO ((J~)

(JJ

10 lOglO ((J];3) = 10 lOgIO(3) + 10 loglQ (:j)

4.77 dB + (~).

em

208 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

Die Störgeräuschunterdrückung des Beamformers beträgt somit 4.77

dB.

g) Berechnung der z- Transformationen [16][17] des Eingangs und des Störan­

teils d[kl' = d[k]ls[kl=o:

x[k] =

1

2(j[k] - j[k -

1

1])

~

d[k]' = d[kJls[kJ=O = 2(j[k] + j[k - 1])

~

z

z

1

X(z) = 2J (z)(I- Z-l)

1

D'(z) = 2J (z)(1 + Z-l)

Das Filter zur perfekten Schätzung von d'[k] aus x[k] (D'(z) = H(z)X(z)):

H(z) = D'(z) X(z)

=

1 + Z-l 1- Z-l

Es besitzt die Impulsantwort (rechtseitig, kausal entwickelt):

h[i] =

I

{ 2

(i=O)

(i

~

1)

(A.5)

(A.6)

Das Nutzsignal s[kJ wird vom Filter unbeeinflusst im Ausgang e[k] erschei­ nen. H(z) ist ein UR-Filter. Das Filter ist nicht BIEO-stabil ('bounded­ input bounded-output' [16]), weil der Pol von H(z) bei zp = 1 liegt und die ROC ('region of convergence') den Einheitskreis Izl = 1 nicht enthält.

Kommentar: Das FIR-Wiener-Filter kann für beliebige Filterlängen N be­ rechnet werden. Es gilt:

2

-1

-1

2

-1

0

a 2

I

-1

2

-1

R=---.2

·

4

 

I

 

-1

2

-1

und

0 -1

P =

2

l .(0

a

1

0

t

0)

2

Daraus folgt für die Wiener-Lösung y,l:

wf=

1-

{ 2.

2

N+l

(1-

a

2

Jmin(N) = a s

2 + N + J

N~l)

1

(i = 1)

(2 ::; i

::; N)

A.2 LÖSUNGEN ZU DEN AUFGABEN

209

Für N = 2 erhalten wir die aus d)-e) bekannte Lösung. Mit wachsender Filterlänge N nähert sich Jmin(N) dem Wert a;, d.h. die Störgeräuschun­ terdrückung im Fehlersignal wird zunehmend besser. Nun interessiert uns der Übergang N ----> 00:

WO =

J min =

{I

2

2

a s

(i = 1)

(i

2)

~

r w k entspricht nun gerade der Impulsantwort 2 h[iJ (A.5) des Filters H(z), das eine vollständige Unterdrückung der Störung bewirkt. Für N ----> 00 ist w k natürlich nicht mehr ein FIR-, sondern ein UR-Filter, das wie H(z) nicht BIBO-stabil ist.

h) Eingangssignal: x[k] Erwünschtes Signal:

= MdkJ - M 2 [k]. d[k] = Mdk] + M 2 [k].

Iterationsvorschrift LMS-Algorithmus:

d[k] =

wtx[k] = w t (

--

-

e[k] = d[k] -

d[k]

x[k]

x[k-l]

)

1Q[k + IJ = 1Q[k] + J.Le[k]~[k]

Zur Bestimmung der oberen Grenze der Schrittweite wird die mittlere Ein­ gangsleistung des adaptiven Filters benötigt:

~;

E{x[k]2} = E{(0.5(j[k] - j[k - I]?}

Mit N

=

= ~(E{l[k]}+ E{l[k - I]})

2 und a; =

=

1

2

-a·

2

J

1 folgt aus (3.81):

2

----=-:-----:--;--:-, = 2

J.Lmax2 = N. (mittlere Eingangsleistung)

2Beachten Sie die Indizierung Wi = w[i -

1] =

h[i -

1].

210 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

A.3

Anleitung zu den Simulationen

In den vorliegenden MATLAB-Simulationen werden die Eigenschaften der behan­ delten Adaptionsalgorithmen untersucht, indem ein vorgegebenes, dem Algorith­ mus unbekanntes und durch ein Messrauschen verrauschtes System identifiziert wird.

Die einzelnen Simulationen (SI-S5) haben folgende Schwerpunkte:

SI : Darstellung der Fehlerfläche im 1Q-, Q- und Q'-Koordinatensystem, Rolle der Eigenwerte von R, Konditionierung X(R).

S2 : Eigenwerte und Rang einer positiv semidefiniten Autokorrelations­ matrix R.

S3 : LMS-Algorithmus.

S4 : RLS-Algorithmus.

S5 : FLMS-Algorithmus, Anwendung: Echokompensation.

Bei jeder Simulation werden wichtige Parameter wie z.B. N, J-l, die Messrausch­ leistung a; und die Konditionierung des Eingangs mittels einer Eingabemaske eingegeben. Zur Beurteilung der Leistungsfähigkeit der jeweiligen Algorithmen werden Grössen wie der MSE nach Adaptionsende, die Fehleinstellung M, das System-Fehler-Mass ßWdB (A.18), Jminund 1Qo angegeben. Ferner werden u.a. die Lernkurven, der zeitliche Verlauf der Gewichte bei der Adaption, das System­ und das adaptive Filter im Zeit- und Frequenzbereich und der Verlauf der Ad­ aption unterschiedlicher Algorithmen auf der Fehlerfläche graphisch dargestellt. (Figuren A.3-A.7).

Die benötigten MATLAB Skript-Files befinden sich auf der beigelegten CD-ROM.

Bitte beachten Sie neben den folgenden Anleitungen auch die zusätzlichen Hinwei­ se und Kommentare in den Textdateien im Verzeichnis der jeweiligen Simulation.

A.3.1

Vorbereitende Überlegungen und Definitionen:

MSE, J milll wo, System-Fehler-Mass ßW dB und ERLE im Kontext der Systemidentifikation

In diesem Abschnitt werden die allgemeinen Beziehungen für den MSE, J min und die Wiener-Lösung gemäss (6.3), (6.4) und (6.5) im Kontext der Systemidentifika­ tion betrachtet. Bei einem weissen Eingangssignal können diese Grössen direkt in Funktion der Systemimpulsantwort und des Gewichtsvektors angegeben werden. Weil aus dem MSE bei einem farbigen Eingang nur bedingt auf die Genauigkeit

J

t~::

,~. '.,

~':

.'~

v'

: : , ~ . ' . , ~ ' : . ' ~ v '

A.3 ANLEITUNG ZU DEN SIMULATIONEN

211

der Systemidentifikation geschlossen werden kann, wird das sog. System-Fehler­ Mass ßW dB definiert. Ein weiteres Mass (ERLE: 'echo-return loss enhancement') gibt die erzielte Echounterdrückung bei der Anwendung der Systemidentifikation zur Echokompensation an.

unbekanntes .-----1·1 System h x[k] . . adaptives ~ FIR-Filter W
unbekanntes
.-----1·1
System h
x[k]
.
.
adaptives
~
FIR-Filter W

\

Figur A.2: Identifikation eines unbekannten Systems mit einer (kausalen) FIR- oder !IR­ Impulsantwort h[.] durch ein adaptives FIR-Filter

FIR- oder UR­

Impulsantwort h[.] charakterisiert. Analog zu (2.2) und (2.4) wird der Gewichts­ vektor 11 der Länge N h definiert (bei UR: N h --> 00), dessen i-tes Element h i durch

(A.7)

Das unbekannte System (Figur A.2) sei durch eine (kausale)

h i

=

h[i -

1]

i

= 1,

, N h

gegeben ist. Um die Wiener-Lösung und den MSE zu ermitteln, betrachten wir zunächst eine FIR-Systemimpulsantwort (N h endlich):

Fall N

?: N h :

Wenn die Anzahl adaptiver Gewichte 1Q die Anzahl der Gewichte der FIR­

Systemimpulsantwort übersteigt, N ?:

1Qo = 11. Dann ist nämlich y[k] = d'[k], e[k] = n[k] und J min = a;. (das Messrauschen n[k] ist unkorreliert zu x[k] und bleibt deshalb in e[k] erhal­ ten.) Bei einer Abweichung ß1Q = 1Q - 1Qo = 1Q - 11 von der Systemimpul­

santwort wächst der MSE gemäss (2.85) an:

N h , gilt für die Wiener-Lösung:

J

=

t

J min + ß1Q Rß1Q = a~ + ß1Q

t

Rß1Q

(A.8)

Bei einem weissen Eingangssignal (R = a;I) vereinfacht sich der Ausdruck zu

Nh

J a~ + a; L

i=l

I ßW il 2

(A.9)

212 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

d.h. jede Komponente/::;.wi der Abweichung /::;.:!Q von der Systemimpulsant­ wort trägt gleichgewichtig zur Vergrösserung des MSE bei. Bei einem allgemeinen farbigen Eingangssignal betrachten wir die entkop­ pelte MSE-Gleichung (2.144)

J

=

Nh

a~ + L

i=1

.Ai!/::;'w:1 2

(A.1O)

wobei /::;.:!Q' der Abweichungsvektor in Hauptachsenkoordinaten ist: /::;.:!Q' = QH /::;.:!Q. Zur anschaulichen Erklärung dieser Beziehung ersetzen wir die unitäre Modalmatrix Q durch die DFT-Matrix F H , die gemäss den Aus­ führungen von Abschnitt 5.1.4 ebenfalls eine unitäre Matrix ist und die Autokorrelationsmatrix (näherungsweise) diagonalisiert, und somit (A.8) entkoppelt. (A.8) bzw. (A.lO) wird dann zu

J

~

N h

a~ + LPxJ/::;.WiI2

i=1

(A.ll)

wobei /::;.W die DFT von /::;.:!Q ist, (/::;'W = F/::;.:!Q) und der Eigenwert .Ai wegen (5.44) durch die Leistung des Eingangs bei der i-ten Frequenz ersetzt wurde. Aus (A.ll) ist ersichtlich, dass sich eine Abweichung /::;,W i = Wi-H i von der Systemübertragungsfunktion H bei der i-ten Frequenz jeweils entsprechend der Gewichtung durch die Leistung P Xi des Eingangs bei dieser Frequenz auf den MSE auswirkt.

• Fall N< N h :

Wenn die Anzahl adaptiver Gewichte kleiner als die Anzahl der Gewichte der FIR-Systemimpulsantwort ist (N < N h ), kann lJ. nicht direkt nachgebil­ det werden. :!Q0 stellt dann die im MSE-Sinn optimale Approximation von lJ. dar. Mit der Erweiterung des Gewichtsvektors :!Q um (N h - N) Nullen auf die Länge N h

:!Q = [W1' W2,""

WN, 0,

,0]

(A.12)

ergibt sich bei einem weissen Eingangssignal für den MSE mit (A.9):

J

=

-

N h

a~ + a; L

i=1

N

IWi -

2

h i l

N h

a~+a;Llwi-hiI2+a; L

I W i- h il 2

i=1

i=N+1

N

Nh

a~+a;Llwi-hiI2+a; L

10-hi 1 2

i=1

i=N+1

Nh

a~ + a; L

N

Ih i l 2 + a; L

IWi ­

hil 2

i=N+1

i=1

 

(A.13)

(A.14)

A.3 ANLEITUNG ZU DEN SIMULATIONEN

 

213

Damit gilt bei einem weissen Eingangssignal für den MSE:

 

J

N

= Jmin(N) + a; L

/Wi -

hi l 2

(A.15)

i=1

i:

Der MSE wird minimal, wenn die N Gewichte Wi den ersten N Werten der

Die ersten

beiden Summanden in (A.14) sind durch :!Q nicht beeinflussbar und stellen

den minimalen MSE dar:

Systemimpulsantwort h entsprechen: w? =

h i

für

1 ::;

i

::;

N.

N

h

Jmin(N) = a~ + a; L

i=N+1

Ih i l 2

(A.16)

Jmin(N) nimmt mit wachsendem N ab und erreicht die untere Schranke a~

für N

Ist das Eingangssignal nicht weiss, wird J min durch die allgemein gültige Beziehung (2.58)

(A.17)

und der MSE durch (2.85) bzw. (A.ll) berechnet. Die N Gewichte Wi sind optimal (:!Q0 = R- 1 p), wenn die Summe der quadrierten Abweichungen

Systemimpulsantwort im Frequenzbereich I/::;.W i I 2 , jeweils gewich­

tet mit der Leistung P Xi , minimal wird. Wegen der Gewichtung mit P Xi bei der Optimierung kann :!Q0 im Zeitbereich von lJ. verschieden sein. Liegt beispielsweise am Eingang eine Sinusschwingung an, wird das System nur bei der Frequenz der Schwingung identifiziert. Betrag und Phase des Sy­ stems sind bei dieser Frequenz durch zwei Filtergewichte exakt bestimmt, so dass hier die untere Schranke a; des MSE bereits für N 2:: 2 erreicht wird:

von der

=

N h .

J min =

-

P.t:!Q0

a~

Jmin(N 2:: 2) = a;. Ein kleiner MSE-Wert bedeutet also lediglich, dass das System bei den dominierenden Frequenzen des Eingangssignals gut nach­ gebildet wurde. Um eine Systemidentifikation mit gleicher Genauigkeit bei :\~r allen Frequenzen zu erreichen, ist deshalb ein Eingangssignal mit möglichst flachem Spektrum erforderlich.

Zusammengefasst: Für den Fall N 2:: N h gilt: :!Q0 = lJ., J min = a; und der MSE ist durch (A.9) für ein weisses und durch (A.ll) für eine allgemeines Eingangs­ signal gegeben. Falls N < N h , entspricht bei einem weissen Eingangssignal :!Q0 den ersten N Werten der Systemimpulsantwort. Der MSE ist durch (A.15) und Jmin durch (A.16) gegeben. Bei einem allgemeinen Eingangssignal kann :!Q0 von lJ. verschieden sein, weil das System vor allem bei den dominierenden Frequenzen des Eingangssignals nachgebildet wird.

Die Überlegungen für den Fall N < N h gelten auch für IIR-Systemimpulsantwor­ ten (N h -> 00). Weil IIR-Systemimpulsantworten einen zeitlich abklingenden

214 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

Verlauf aufweisen, reicht es in der Praxis aus, nur einen endlichen Abschnitt zu betrachten.

Aus der Fehlersignalleistung und den daraus abgeleiteten Grössen, dem MSE, dem Überschussfehler J ex und der Fehleinstellung M kann nur bedingt (nämlich nur bei einem weissen Eingangssignal durch (A.15)) auf die Qualität der Syste­ midentifikation geschlossen werden. Ein geeignetes Mass hierfür ist das System­ Fehler-Mass.

System-Fehler-Mass:

Das System-Fehler-Mass (eng!. system error norm) beschreibt - normiert auf die Energie der Systemimpulsantwort - die Genauigkeit der Systemidentifikation:

ßW dB = 10 10glO (

""Nh

L

-,-1

Iw

'

-

L:;:;\ Ih

hil2 )

i l 2

(A.18)

Aufschlussreich ist auch das System-Fehler-Mass im Frequenzbereich. Es be­ schreibt die Genauigkeit der Systemidentifikation bei der i-ten Frequenz:

ßWdB(i) = 101og 1o (

IWi IH l2

-

H;i2)

i

(A.19)

Echounterdrückung ERLE (engl. echo-return loss enhancement)

Bei Anwendung der Systemidentifikation zur Echokompensation (siehe Figur 1.27) ist das Ausrnass der Echounterdrückung ERLE (eng!. echo-return loss enhance­ ment) von Interesse. Die Echounterdrückung ist als Verhältnis der Echoleistung zur Restecholeistung definiert [1]. Sie kann während Sprachpausen des lokalen Sprechers (Sprecher 2 in Figur 1.27, d.h. n[k] = 0) als Verhältnis der Mikrophon­ leistung zur Fehlersignalleistung berechnet werden

ERLE = 1010g lO (

E{d E{e 2

2

[k]})

[k]}

= 1010g lO

J

(a~)

(A.20)

wobei E{e 2 [k]} = E{ (d[k] - d[k]?}. Ein Wert von ERLE = 30 dB bedeutet beispielsweise, dass die Echoleistung durch den Einsatz des adaptiven Filters um 30 dB gesunken ist.

Zusammenhang MSE, ßW dB und ERLE für weisse Eingangssignale

Bei einem weissen Eingangssignal kann ein einfacher Zusammenhang zwischen

dem MSE und ßW

meinheit nehmen wir

bzw. ERLE angegeben werden. Ohne Verlust der Allge­ an, dass a; = 1 und L:;:\ Ih i l 2 = 1. Weil für ein weisses

dB

und L:;:\ Ih i l 2 = 1. Weil für ein weisses dB A.3 ANLEITUNG ZU

A.3 ANLEITUNG ZU DEN SIMULATIONEN

Signal (R = a;l) gilt

a~,

=

E{ d '2 [k]} = E{h/,'f[k],'ft[k]l!<} = l!<tRl!<

N h

a; 2: Ih i l 2

i=1

215

(A.21)

(A.22)

bedeutet dies auch, dass: a~, = 1.

Daraus folgt mit (A.13) und (A.18) für den MSE:

J - a~ + lO~~gB

(A.23)

Insbesondere gilt bei einer kleinen Messrauschleistung a~ ;:::,j 0 für den MSE (in dB):

 

J dB

;:::,j

ßW dB =

10 log1o (~ IWi -

hil2)

Und für J min

(in dB):

J min dB

;:::,j

ßWdBI!!!=!!!O =

101og 1o (t

i=N+1

Ihil2)

(A.24)

(A.25)

Weil die Echounterdrückung für a~ =

bestimmt wird, gilt a~ = d, + a~ = 1 und es folgt somit aus (A.20) und (A.23):

0 (Sprachpausen des lokalen Sprechers)

ERLE = -J dB = -ßW dB = -1010g 1o (~IWi-

h il2 )

(A.26)

Die erzielte Echounterdrückung hängt wie erwartet von der Genauigkeit der Iden­ tifikation des Systems (hier der LRMI) ab.

A.3.2

Simulationsbeschreibung

Zur Simulation des unbekannten Systems h gemäss Figur A.2 wird einerseits ein UR-Filter erster Ordnung (in S3 und S4) und anderseits ein FIR-Filter mit 1500 Koeffizienten (in S5), das als LRMI in einem Seminarraum gemessen worden ist, verwendet.

Als Eingangssignale dienen neben einem weissen Rauschsignal zwei Signaltypen:

Typ A (in S3 und S4):

x[k] = ~[U[k]+ ~cos(21l"fnk)]

1 + a~

(A.27)

216 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

ulk] ist ein weisses Rauschsignal. Durch Addition der Kosinusschwingung kann die Konditionszahl X(R), entsprechend der Gewichtung durch (J~,vergrössert werden. Die Leistung des Eingangssignals ist auf (J~= 1 normiert.

Typ B (in S5):

Da bei vielen Anwendungen Sprachsignale im Mittelpunkt stehen, wird ein Ein­ gangssignal verwendet, das ein sprachtypisches Spektrum aufweist, ein sog. auto­ regressiver (AR) Prozess 16. Ordnung: x[k] entsteht durch Filterung eines weissen Rauschsignals ulk] mit einem Allpol-Filter (16 Pole). Es handelt sich hierbei um das Synthesefilter H(z) aus Figur 1.12, dessen Koeffizienten durch LPC-Analyse eines Sprachausschnitts (Laut oe', Figur 1.11) ermittelt wurden. Es gilt wiederum

(J~ = 1.

Der Systemausgang d'[k] entsteht durch Filterung von x[k] mit dem Systemfilter h. Ohne Verlust der Allgemeinheit wird das Systemfilter derart skaliert, dass (J~, = 1 gilt. Bei einem normierten weissen Eingangssignal bedeutet dies nach (A.21): L:~l Ih;j2 = 1. In S4 c) wird das Systemfilter nach Filterung des ersten Viertels von x[k] negiert (!J. ---+ -!J.), um das Nachführverhalten ('tracking') der Algorithmen bei einer Systemänderung zu untersuchen.

Dem Systemausgang d'[k] wird anschliessend ein weisses Messrauschsignal mit der Leistung (J~ überlagert um das erwünschte Signal d[k] zu erhalten:

d[k] = d'[k] + n[k]

(A.28)

Das System wird nun durch ein adaptives FIR-Filter mit N Gewichten identi­ fiziert. Mittels einer Eingabemaske (Figur A.3) können wichtige Parameter wie z.B. N, p" (J~, die Konditionierung des Eingangs u.a. variiert werden und deren Einfluss auf den entsprechenden Adaptionsalgorithmus beobachtet werden.

In den Simulationen S3 a) und S4 a) wird der Rekursionverlauf verschiedener Adaptionsalgorithmen auf der Fehlerfläche dargestellt (Figur A.8).

Um Ensemblemittelwerte, wie die Lernkurve, den MSE nach Adaptionsende (k e )

J[keJ, den Überschussfehler J ex , und die Fehleinstellung M abzuschätzen, werden jeweils mehrere Realisationen der Adaption durchgeführt und gemittelt. Weil das Eingangssignal künstlich erzeugt wurde, ist die Statistik bekannt, so dass

auch die Wiener-Lösung und J min berechnet werden

kann. J min wird als untere

Schranke der Lernkurve zusammen mit dem MSE nach Adaptionsende J[keJ, der durch Mittelung der letzten Werte der Lernkurve ermittelt wird, eingezeichnet (Figur A.4).

Die adaptiven Gewichte werden nach Adaptionsende k e mit der Systemimpulsant­ wort und der Wiener-Lösung verglichen und das System-Fehler-Mass ßW dB nach (A.18) angegeben (Figur A.5). Die Darstellung der Filter und des System-Fehler­ Masses im Frequenzbereich ßWdB(i) (A.19) soll den Grund der Abhängigkeit des LMS-Algorithmus von der Konditionierung verdeutlichen: ungleichmässige Kon­

A.3 ANLEITUNG ZU DEN SIMULATIONEN

~~.

1ft

l'

~

~;,i.

.r;

~,}

l.i '

.~~

\. \ ~'.

;;.'1':

'",\,

\.

'~r:.

\. \ ~'. ;;.'1': '",\, \. '~r: . Figur A.3: Ein- und Ausgabemaske für 85

Figur A.3: Ein- und Ausgabemaske für 85 (FLM8-Algorithmus)

217

218 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

218 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN Figur A.4: Lernkurven, J[keJ, J m i n

Figur A.4: Lernkurven, J[keJ, J min , M und ERLE beim LMS- und FLMS- Algorithmus (bei einem weissen Eingangssignal)

A.3 ANLEITUNG ZU DEN SIMULATIONEN

219

Figur A.5: Vergleich der Filter mit der Systemimpulsantwort, System-Fehler-Mass t.WdB

220 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

W LM5 und W FLMS 1500 2000 2500 3000 3500 4000 Hz ehler-Mass Im Frequenzbereich
W LM5
und W FLMS
1500
2000
2500
3000
3500
4000
Hz
ehler-Mass Im Frequenzbereich
OW dB
CD
:2.
-100 I
i
i
i
i
i
i
I
I
I
I
o
500
1000
1500
2000
2500
3000
3500
4000
Hz

Figur A.6: System, Filter und System-Fehler-Mass ~WdB im Frequenzbereich

FigUf@No ngureN,

FigUf@No

ngureN,

FigUf@No ngureN,
FigUf@No ngureN,
~WdB im Frequenzbereich FigUf@No ngureN, F i g u r A . 7 : Z e

Figur A.7: Zeitliche Entwicklung der deterministischen Autokorrelationsmatrix 'Rk

A.3 ANLEITUNG ZU DEN SIMULATIONEN

221

U D E N S I M U L A T I O N E N
- LMS - E(LMS) (Ensemblem~teQ ., - Gradient - Newton 11 - Newton-LMS -RLS ,
-
LMS
- E(LMS) (Ensemblem~teQ
.,
-
Gradient
-
Newton
11
- Newton-LMS
-RLS
, I
ce
W 2
O~
w,

Figur A.8: Rekursionsverlauf verschiedener Adaptionsalgorithmen auf der Fehlerfläche

222 A AUFGABEN UND ANLEITUNG ZU DEN SIMULATIONEN

vergenzgeschwindigkeiten der Modi (hier Gewichte im Frequenzbereich) bei der Adaption.

Neben dem zeitlichen Verlauf der Filterkoeffizienten bei der Adaption kann in S4 b) die zeitliche Entwicklung der deterministischen Autokorrelationsmatrix 'R k verfolgt werden (Figur A.7), die bei schwacher Stationarität eine Schätzung der Autokorrelationsmatrix Rist.

SI: Analyse der Fehlerfläche bei einer Sinusschwingung als Eingangssignal

Thema: Darstellung der Fehlerfiäche im Mh :!L- und :!L'-Koordinatensystem, Rolle der Eigenwerte von R, Konditionierung des Eingangs.

MATLAB-File: siml.m. Ergänzende Hinweise: README1.ps bzw. README1.pdj

Diese Simulation bezieht sich auf Aufgabe 3, wo es um die Unterdrückung eines 50 Hz Netzbrummes ging. Es wurden dort Rund E. berechnet:

R

= ~. [

2

1

cos (27rin)

cos (27rin) ]

1

und

1

E. = '2 .

(

cos(i)

cos (27rin + i)

)

(A.29)

Es soll nun die Fehlerfläche im !!!.-, :!L- und 1!.'-Koordinatensystem dargestellt und der Zusammenhang zu den Eigenwerten von R verdeutlicht werden.

a) Führen Sie das MATLAB-Skriptfile siml.m aus. Neben einer Darstellung der Fehlerfläche gemäss (2.155), (2.157) und (2.160) werden die Schnitt­ parabeln längs der Hauptachsen gezeichnet. Wie ist der Zusammenhang zwischen den Eigenwerten bzw. der Konditionszahl und der Form der Feh­ lerfläche? Überprüfen Sie auch Gleichung (2.154).

b) kann die Konditionszahl durch Variation der Abtastfrequenz Issverändert

Wie

Da R (in diesem Beispiel) von der normierten Frequenz in =

Testen Sie is = 200 Hz und weitere Werte 200

~

is

!sl abhängt,

~ 2000.

werden.

verändert sich die Konditionszahl und die Form der Fehlerfläche?

c) Das Filter schätzt das Signal n[k] = cos (27rink + i) (siehe Aufgabe 3 und Figur A.l) durch Linearkombination des Referenzsignals zur Zeit k, x[k] = cos (27rink) und zur Zeit (k -1), x[k -1] = cos (27rin(k - 1)). Zeichnen Sie n[k], x[k] und x[k - 1] für unterschiedliche in in einem Zeigerdiagramm auf und erklären Sie, warum die Konditionierung für in = ~ am besten ist.

A.3 ANLEITUNG ZU DEN SIMULATIONEN

Kommentare zu SI

223

a,b) Die Eigenwerte sind proportional zur 2. Ableitung der Fehlerfunktion längs der Hauptachsen. Bei einer Konditionszahl von X(R) = ~:7: = 1 (bei in = 0.25) ist die Fehlerfläche rotationssymmetrisch. Die Fläche nimmt mit wachsender Konditionszahl die Form einer 'Rinne' an.

c) Zeigerdiagramm von n[k], x[k] und x[k - 1] für in = ~/fö/l~O (die Zeiger haben nichts mit den Eigenvektoren zu tun):

(

x[k -

I] = cos(. -

~) = sin(.)

Eigenvektoren zu tun): ( x[k - I] = cos(. - ~) = sin(.) x[k - I]

x[k -

I] =

cos(. -

fn = ~)

x[k] = cos(.)

_

l~ x[k] = cos(.)

(f n - .0\

n[k] = cos(. + ~)

n[k] = cos(. + ~)

~)

x[k -

I] =

cos(. -

fo)

_

l~ x[k] = cos(.)

(rn - 100)

n[k] = cos(. +~)

x[k] = cos(21rfnk) n[k] = cos(21rfnk + ~) x[k - I] = cos(21rfnk - 21rfn)

Der Vektor n[k] ist eine Linearkombination der Vektoren xJk] und x[k - 1] Das Vektorpaar rechts benötigt dazu grössere Koeffizienten als jenes in der Mitte. Ideal ist die Linearkombination eines Sinus und eines Kosinus. Für die Konditionszahl gilt X(R) = 1, falls Reine Diagonalmatrix ist, d.h. wenn E{x[k]x[k - I]} = 0 ist. Ein Sinus ist orthogonal zu einem Kosi­ nus. Deshalb wird X(R) = 1 erreicht, wenn die Phasenverschiebung nach dem Verzögerungsglied gerade ~ entspricht, also für in = ~. Wird nun die Abtastrate erhöht, steigt die Abhängigkeit von x[k] und x[k - 1], und die Konditionierung verschlechtert sich.

S2: Rang von R bei einer Summe von K Sinusschwingungen als Eingangssignal

Thema: Eigenwerte und Rang einer positiv semidefiniten Autokorrelationsmatrix.

MATLAB-File: sim2.m. Ergänzende Hinweise: