2004 Filtro Volterra Adaptativo DissertacaoUFSC

EDUARDO LUIZ ORTIZ BATISTA
FILTRO VOLTERRA ADAPTATIVO:

ANLISE ESTATSTICA E
ALGORITMOS SIMPLIFICADOS
FLORIANPOLIS
2004
UNIVERSIDADE FEDERAL DE SANTA CATARINA

PROGRAMA DE PS-GRADUAO
EM ENGENHARIA ELTRICA
FILTRO VOLTERRA ADAPTATIVO:

ANLISE ESTATSTICA E
ALGORITMOS SIMPLIFICADOS
Dissertao submetida
Universidade Federal de Santa Catarina
como parte dos requisitos para a
obteno do grau de Mestre em Engenharia Eltrica.
EDUARDO LUIZ ORTIZ BATISTA
Florianpolis, Julho de 2004.
AGRADECIMENTOS
Ao meu orientador, Prof. Rui Seara, e ao meu co-orientador, Prof. Orlando J. Tobias,
por todos os ensinamentos, confiana, apoio e excelente relacionamento.
Aos membros da banca examinadora, por todas as crticas e sugestes que resultaram
em aperfeioamentos no trabalho final.
Aos meus pais, por todo amor, incentivo e por tudo o que me ensinaram e continuam
ensinando.
Ao meu irmo, pela amizade e companheirismo.
Fran, por todo amor, carinho e compreenso.
A todos colegas do LINSE e da UFSC, em especial ao Elton Fonto.
CAPES, pelo apoio financeiro.
Resumo da Dissertao apresentada UFSC como parte dos requisitos necessrios para
obteno do grau de Mestre em Engenharia Eltrica.
FILTRO VOLTERRA ADAPTATIVO: ANLISE

ESTATSTICA E ALGORITMOS SIMPLIFICADOS
Eduardo Luiz Ortiz Batista
Julho/2004
Orientador: Prof. Rui Seara, Dr.
Co-orientador: Prof. Orlando J. Tobias, Dr.
rea de Concentrao: Comunicaes e Processamento de Sinais
Palavras-chave: Filtragem adaptativa, filtros no-lineares, filtros Volterra.
Nmero de pginas: 72
RESUMO: Esta dissertao aborda o problema de filtragem adaptativa no-linear,
visando uma classe particular de filtros que a dos Volterra adaptativos. O emprego dessas
estruturas de filtragem tem crescido muito devido grande demanda por solues
especficas para problemas no-lineares em sistemas adaptativos. O filtro Volterra uma
opo interessante, visto que sua operao de filtragem pode ser representada pelo produto
interno de dois vetores: um contendo os coeficientes do filtro e o outro, os produtos
cruzados das amostras do sinal de entrada. Tal procedimento anlogo ao dos filtros
lineares, permitindo a utilizao de ferramentas similares s j desenvolvidas para estes
ltimos. Os estudos aqui apresentados tm por objetivo tratar dois problemas ainda
existentes em filtragem adaptativa no-linear, considerando-se os filtros Volterra: a
escassez de ferramentas de anlise e a alta complexidade computacional exigida por tais
filtros. Assim, uma anlise estatstica desses filtros adaptados pelo algoritmo LMS
desenvolvida. Tal anlise fundamentada na linearidade existente entre os coeficientes e o
sinal de sada do filtro adaptativo. Em relao complexidade computacional, duas
estruturas simplificadas so propostas. Tais estruturas constituem-se de um filtro
interpolador de entrada seguido por um filtro Volterra adaptativo esparso. Algumas
caractersticas especficas dessa classe de estruturas so exploradas com o objetivo de
melhorar seu desempenho. Finalmente, uma modelagem estatstica dos filtros Volterra
adaptativos de complexidade reduzida apresentada, utilizando-se uma abordagem via
restries.
ii
Abstract of Dissertation presented to UFSC as a partial fulfillment of the

requirements for the degree of Master in Electrical Engineering.
ADAPTIVE VOLTERRA FILTER: STATISTICAL

ANALYSIS AND SIMPLIFIED ALGORITHMS
Eduardo Luiz Ortiz Batista
July/2004
Advisor: Prof. Rui Seara, Dr.

Co-advisor: Prof. Orlando J. Tobias, Dr.
Concentration area: Communications and Signal Processing.
Keywords: Adaptive filtering, nonlinear filters, Volterra filters.
Number of pages: 72
ABSTRACT: This dissertation addresses the nonlinear adaptive filtering problem,
focusing on a particular class of filters called the adaptive Volterra filters. There are a large
number of engineering applications requiring the use of these filtering structures. The
Volterra filter is an interesting option, since its filtering operation can be represented by the
inner product of two vectors: one containing the filter coefficients and the other, the cross
products of the input signal. Such an operation is analogous to the one performed in linear
adaptive filters, permitting the use of similar tools as those already developed for the latter
filters. The use of Volterra structures in adaptive filtering applications has two major
drawbacks: the insufficiency of existing analysis tools and the computational burden for its
implementation. Regarding the former, a statistical analysis concerning the referred filter is
presented. Such an analysis is based on the linearity between the filter coefficients and the
corresponding output signal. Secondly, two simplified structures are proposed. Such
structures are based on interpolated FIR filters, which consist of an interpolator along with
a sparse adaptive Volterra filter. Some particular features of this adaptive structure are also
exploited to improve its performance. Finally, a statistical modeling of the reduced
complexity adaptive Volterra filters is presented, by using a constrained approach.
iii
SUMRIO
1
Introduo _________________________________________________________ 1
1.1
Filtros Adaptativos _______________________________________________________ 1
1.2
Filtros Adaptativos Lineares _______________________________________________ 2
1.2.1
Soluo de Wiener ____________________________________________________________ 3
1.2.2
Mtodo Steepest Descent _______________________________________________________ 4
1.2.3
Algoritmo LMS_______________________________________________________________ 5
1.3
Filtros Adaptativos No-Lineares ___________________________________________ 6
1.4
Organizao da Dissertao________________________________________________ 7
Filtro Volterra ______________________________________________________ 8

2.1
Filtro Volterra como um Operador Pseudolinear ______________________________ 8
2.2
Diviso em Blocos _______________________________________________________ 10
2.3
Nmero de Coeficientes e Complexidade Computacional ______________________ 10
2.4
Consideraes __________________________________________________________ 11
Anlise Estatstica do Filtro Volterra Adaptado pelo Algoritmo LMS _________ 12

3.1
Vetor de Coeficientes timo ______________________________________________ 12
3.2
Comportamento Mdio dos Pesos __________________________________________ 13
3.3
Vetor de Erro dos Pesos __________________________________________________ 15
3.4
Estrutura da Matriz de Autocorrelao de Entrada ___________________________ 15
3.5
Erro Quadrtico Mdio __________________________________________________ 18
3.6
Aproximao para o Momento de Segunda Ordem ___________________________ 19
3.7
Simulaes _____________________________________________________________ 21
3.8
Consideraes __________________________________________________________ 28
Filtros Volterra Adaptativos Interpolado e Parcialmente Interpolado _________ 29

4.1
Filtro Volterra Adaptativo Interpolado _____________________________________ 29
4.2
Filtro Volterra Adaptativo Parcialmente Interpolado _________________________ 32
4.3
Simulaes _____________________________________________________________ 33
4.4
Consideraes __________________________________________________________ 40
Anlise Estatstica com Restrio nos Coeficientes de Filtros Volterra Adaptados
pelo Algoritmo LMS e sua Aplicao a Filtros Interpolados e com Atraso __________ 41
iv
5.1
Vetor de Coeficientes timo com Restries _________________________________ 41
5.2
Equao de Atualizao dos Pesos com Restries ____________________________ 43
5.3
Comportamento Mdio dos Pesos __________________________________________ 44
5.4
Vetor de Erro dos Pesos __________________________________________________ 45
5.5
Erro Quadrtico Mdio __________________________________________________ 45
5.6
Aproximao para o Momento de Segunda Ordem ___________________________ 45
5.7
Aplicaes da Anlise com Restries nos Pesos ______________________________ 46
5.7.1
Filtro Volterra Adaptativo Interpolado __________________________________________ 47
5.7.2
Filtro Volterra Adaptativo Parcialmente Interpolado ______________________________ 48
5.7.3
Filtro Volterra Adaptativo com Atraso __________________________________________ 49
5.7.4
Filtro Volterra Adaptativo Simplificado _________________________________________ 50
5.8
Simulaes _____________________________________________________________ 50
5.9
Consideraes __________________________________________________________ 63
Discusses e Concluses _____________________________________________ 64

6.1
Sumrio e Discusso dos Resultados ________________________________________ 64
6.2
Contribuies __________________________________________________________ 65
6.3
Propostas para Trabalhos Futuros _________________________________________ 66
Apndice A - Princpio da Ortogonalidade____________________________________ 67

Referncias Bibliogrficas ________________________________________________ 69
LISTA DE FIGURAS
Figura 1.1 Diagrama de blocos de um filtro adaptativo no contexto de estimao de um

sinal desejado a partir de um sinal de entrada. _______________________________ 2
Figura 2.1 Decomposio do filtro Volterra em uma estrutura de blocos. ___________ 10
Figura 3.1 Diagrama em blocos de um filtro Volterra aplicado a um problema de
estimao de sinal. ___________________________________________________ 12
Figura 3.2 Diagrama em blocos de um filtro Volterra adaptativo aplicado a um problema
de estimao de sinal. _________________________________________________ 14
Figura 3.3. Exemplo 3.1. Evoluo de E[h V (n)] com = 0,5 max . (Linha pontilhada com
marcadores) simulao (mdia de 100 realizaes); (Linha slida) modelo dado por
(3.12). _____________________________________________________________ 22
Figura 3.4. Exemplo 3.1. Evoluo de (n) com = 0,5 max . (Linha slida) simulao
(mdia de 100 realizaes); (Linha pontilhada) modelo dado por (3.35) e (3.44). __ 23
Figura 3.5. Exemplo 3.2. Evoluo de E[h V (n)] , com = 0, 2 max . (Linha pontilhada com
marcadores) simulao (mdia de 100 realizaes); (linha slida) modelo dado por
(3.12). _____________________________________________________________ 24
Figura 3.6. Exemplo 3.2. Evoluo de (n) , com = 0, 2 max . (Linha slida) simulao
Figura 3.7. Exemplo 3.3. Evoluo de E[h V (n)] , com = 0,5 max . (Linha pontilhada com
marcadores) simulao (mdia de 100 realizaes); (Linha slida) modelo dado por
(3.12). _____________________________________________________________ 25
Figura 3.8. Exemplo 3.3. Evoluo de (n) , com = 0,5 max . (Linha slida)
simulao(mdia de 100 realizaes); (Linha pontilhada) modelo dado por (3.35) e
(3.44). _____________________________________________________________ 26
Figura 3.9. Exemplo 3.4. Evoluo de E[h V (n)] , com = 0, 25 max . (Linha pontilhada com
marcadores) simulao(mdia de 100 realizaes); (Linha slida) modelo dado por
(3.12). _____________________________________________________________ 27
vi
Figura 3.10. Exemplo 3.4. Evoluo de (n) , com = 0, 25 max . (Linha slida) simulao
Figura 4.1 Diagrama de blocos do filtro Volterra adaptativo interpolado. ___________ 31
Figura 4.2 Diagrama de blocos de um filtro Volterra adaptativo parcialmente interpolado
de segunda ordem. ___________________________________________________ 32
Figura 4.3. Exemplo 4.1. Evoluo do erro quadrtico mdio (mdia de 200 realizaes). 36
Figura 4.7. Exemplo 4.3. Evoluo do erro quadrtico mdio (mdia de 200 realizaes).
(a) Comparao com o filtro Volterra interpolado. (b) Comparao com o filtro
Volterra parcialmente interpolado. _______________________________________ 39
Figura 5.1 Diagrama de blocos do filtro Volterra adaptativo interpolado. ___________ 47
Figura 5.2 Diagrama de blocos do filtro Volterra adaptativo com atraso aplicado a um
problema de estimao de sinal. _________________________________________ 49
Figura 5.3. Exemplo 5.1. Evoluo de E[h V (n)] com = 0,5 max . (Linha slida)
simulao (mdia de 100 realizaes); (Linha pontilhada com marcadores) modelo
dado por (5.22). _____________________________________________________ 52
Figura 5.4. Exemplo 5.1. Simulao (mdia de 100 realizaes) usando = 0,5 max . (Linha
slida) E[x V (n)xTV (n)]E[h V (n)] ; (Linha pontilhada) E[x V (n)x TV (n)h V (n)] ._______ 52
Figura 5.5. Exemplo 5.1. Evoluo de E[h V (n)] com = 0, 25 max . (Linha slida)
dado por (5.22). _____________________________________________________ 53
Figura 5.6. Exemplo 5.1. Simulao (mdia de 100 realizaes) usando = 0, 25 max .
(Linha slida) E[x V (n)x TV (n)]E[h V (n)] ; (Linha pontilhada) E[x V (n)xTV (n)h V (n)] . _ 53
Figura 5.7. Exemplo 5.1. Evoluo de E[h V (n)] com = 0, 05 max . (Linha slida)
dado por (5.22). _____________________________________________________ 54
vii
Figura 5.8. Exemplo 5.1. Simulao (mdia de 100 realizaes) usando = 0, 05 max .
(Linha slida) E[x V (n)x TV (n)]E[h V (n)] ; (Linha pontilhada) E[x V (n)xTV (n)h V (n)] . _ 54
Figura 5.9. Exemplo 5.1. Evoluo de (n) com = 0,5 max . (Linha preta) simulao
(mdia de 500 realizaes); (Linha branca) modelo dado por (5.27) e (5.31). _____ 55
Figura 5.10. Exemplo 5.1. Evoluo de (n) com = 0, 25 max . (Linha preta)
simulao(mdia de 500 realizaes); (Linha branca) modelo dado por (5.27) e (5.31).
__________________________________________________________________ 55
Figura 5.11. Exemplo 5.1. Evoluo de (n) com = 0, 05 max . (Linha preta) simulao
dado por (5.22). _____________________________________________________ 57
Figura 5.14. Exemplo 5.3. Evoluo de E[h V (n)] com = 0, 2 max e sinal branco de
entrada. (Linha slida) simulao (mdia de 100 realizaes); (Linha pontilhada com
marcadores) modelo dado por (5.22)._____________________________________ 59
Figura 5.15. Exemplo 5.3. Evoluo de (n) com = 0, 2 max e sinal branco de entrada.
(Linha preta) simulao (mdia de 500 realizaes); (Linha branca) modelo dado por
(5.27) e (5.31). ______________________________________________________ 59
Figura 5.16. Exemplo 5.3. Evoluo de E[h V (n)] com = 0,1 max e sinal branco de
Figura 5.17. Exemplo 5.3. Evoluo de (n) com = 0,1 max e sinal branco de entrada.
(5.27) e (5.31). ______________________________________________________ 60
Figura 5.18. Exemplo 5.3. Evoluo de E[h V (n)] , com = 0,1 max e sinal colorido de
viii
Figura 5.19. Exemplo 5.3. Evoluo de (n) com = 0,1 max e sinal colorido de entrada.
(5.27) e (5.31). ______________________________________________________ 61
dado por (5.22). _____________________________________________________ 62
ix
LISTA DE TABELAS
Tabela 4.1 Complexidade: Filtro Volterra adaptativo comparado com sua verso
interpolada _________________________________________________________ 31
Tabela 4.2 Nmero de coeficientes para as diferentes estruturas com L = 2 _________ 33
CAPTULO
1
Introduo
Desde os primeiros trabalhos de pesquisa desenvolvidos por Bernard Widrow [1],

que deram origem ao algoritmo least mean square (LMS), at os dias de hoje, o uso de
filtros adaptativos para resolver os mais diversos problemas em processamento digital de
sinais evoluiu muito. A necessidade de lidar com aplicaes nas quais a resposta requerida
no conhecida a priori, ou ainda quando ela variante no tempo, levou ao
desenvolvimento destes filtros, que possuem a habilidade de acompanhar variaes do
sistema ao longo do tempo. Outros fatores tambm contriburam para a sua difuso, como
por exemplo, o grande interesse no desenvolvimento de pesquisas na rea de filtragem
adaptativa e o surgimento de novos processadores digitais de sinais de alto desempenho.
Atualmente os filtros adaptativos so utilizados com sucesso nas mais diversas reas do
processamento digital de sinais. Alguns exemplos so: identificao de sistemas [2],
equalizao de canais [2], cancelamento de interferncias [2], cancelamento de eco acstico
[3] e controle ativo de rudo/vibrao [4].
1.1 Filtros Adaptativos
Em sentido geral, o adjetivo adaptativo pode ser compreendido considerando um

sistema que procura se ajustar a algum fenmeno que ocorre em suas redondezas, ou seja, o
sistema procura acomodar seus parmetros para atingir um objetivo previamente
estabelecido que depende tanto do seu prprio estado quanto do fenmeno em si, realizando
assim uma adaptao. J o termo filtro, relativo ao sistema que realiza o processo de
adaptao. No contexto do processamento de sinais, filtros podem ser entendidos como
dispositivos que removem componentes indesejados de um sinal. Dessa forma, podemos
entender os filtros adaptativos como sistemas capazes de remover alguns componentes de
um sinal de entrada, possuindo ainda a habilidade de se adaptar para satisfazer certos prrequisitos de desempenho.
Captulo 1 Introduo
A Figura 1.1 mostra um diagrama tpico de filtragem adaptativa. Nesse caso, o filtro
empregado para estimar o sinal desejado a partir de um sinal de entrada, assumindo que
existe alguma correlao entre eles. O processo de adaptao ou de obteno dos
parmetros (coeficientes) do filtro, geralmente realizado atravs da otimizao de uma
funo de desempenho ou funo custo previamente definida. Para esse caso, o que se
pretende que o sinal de sada seja o mais prximo possvel do sinal desejado, com
relao a algum dado critrio.
d(n) sinal
desejado
x(n)
sinal de entrada
y(n)
Filtro
Adaptativo
sinal de sada
e(n)
sinal de erro
Figura 1.1 Diagrama de blocos de um filtro adaptativo no contexto de

estimao de um sinal desejado a partir de um sinal de entrada.
1.2 Filtros Adaptativos Lineares
Os filtros adaptativos lineares so sistemas amplamente utilizados para resolver os

mais diversos problemas em procesamento digital de sinais. Sua simplicidade matemtica
aliada a uma base terica muito bem fundamentada tornam relativamente simples o seu
projeto e implementao. Alm disso, os filtros adaptativos lineares oferecem desempenho
satisfatrio em diversas aplicaes, como pode ser verificado por alguns exemplos de
aplicaes discutidos em [5] e [6].
Um sistema considerado linear se ele satisfaz o princpio da superposio [7].
Essa propriedade leva a resultados interessantes na teoria de sistemas lineares, como o fato
de um sistema linear ser completamente caracterizado por sua resposta ao impulso.
A estrutura mais comumente utilizada para a implementao de filtros adaptativos
lineares a estrutura transversal [5]. Trata-se de um filtro linear com resposta ao impulso
finita (FIR), com relao entrada e sada dada por
N 1
y (n) = wi (n) x(n i ) ,

i =0
(1.1)
Captulo 1 Introduo
onde x(n) e y (n) caracterizam a entrada e a sada do filtro, respectivamente; e wi (n) , para
i = 0,1, , N 1 , representa os coeficientes do filtro correspondente. Essa relao pode
ainda ser escrita na forma vetorial, resultando em
y ( n) = w T ( n) x( n) ,
com
w (n) = [ w0 (n) w1 (n)
wN 1 (n)]T
x(n) = [ x(n) x(n 1)
(1.2)
x(n N + 1)]T .
Existem ainda filtros lineares adaptativos recursivos, ou com resposta ao impulso infinita
(IIR), porm devido s dificuldades envolvidas em seu processo de adaptao, sua
aplicao em filtragem adaptativa bastante restrita [5].
1.2.1 Soluo de Wiener

Considere-se agora o emprego do filtro transversal descrito por (1.2) usando o
diagrama ilustrado na Figura 1.1, com sinal de entrada x(n) real e estacionrio e sinal
desejado, denotado por d (n) , tambm real e estacionrio. Utilizando um vetor de pesos
fixo dado por w e denotando o sinal de erro por e(n) , podemos escrever o erro instantneo
como
e( n ) = d ( n ) y ( n ) = d ( n ) w T x( n ) .
(1.3)
O filtro de Wiener utiliza o erro quadrtico mdio = E[e 2 (n)] como a funo custo a ser
minimizada [5]. Tal funo escolhida por sua simplicidade matemtica e ainda por
apresentar um nico mnimo global sob algumas condies, como por exemplo, para o caso
em que filtros FIR lineares so considerados. Assim, elevando-se (1.3) ao quadrado e
tomando-se seu valor esperado, obtm-se
= E[d 2 (n)] 2 E[w T x(n)d (n)] + E[w T x(n)xT (n)w ] .
(1.4)
Levando-se em conta aqui que w no um vetor aleatrio, possvel retir-lo do operador

esperana. Alm disso, com x(n) e d (n) estacionrios, podemos definir a matriz de
autocorrelao do sinal de entrada R = E[x(n)xT (n)] , e ainda a matriz de correlao entre o
sinal de entrada e o sinal desejado p = E[d (n)x(n)] . Dessa forma, (1.4) pode ser reescrita
como
= E[d 2 (n)] 2w T p + w T Rw .
(1.5)
Captulo 1 Introduo
Para se obter o valor de w que minimize a correspondente funo custo, faz-se o seu
gradiente em relao aos coeficientes igual a zero, isto = 0 . Assim,
= 2Rw 2p = 0 .
(1.6)
Denotando-se o vetor de coeficientes que minimiza a funo custo por w o , a partir de (1.6)
possvel obter a equao de Wiener-Hopf, dada por
Rw o = p .
(1.7)
w o = R 1p ,
(1.8)
Esta equao possui a seguinte soluo
assumindo-se que exista a matriz inversa de R .
1.2.2 Mtodo Steepest Descent

Uma alternativa para se encontrar o vetor timo de coeficientes que minimize a
funo custo o uso de um algoritmo que, sendo iniciado com um vetor arbitrrio de
coeficientes, progressivamente realize uma adaptao em direo ao vetor timo. O mtodo
steepest descent um dos mtodos que realizam tal tarefa. Partindo do princpio que a
funo custo convexa, pequenos passos so dados na direo em que essa funo decresce
mais rapidamente, ou seja, no sentido contrrio ao seu gradiente. Assim, de forma iterativa
o vetor de coeficientes timo pode ser determinado. O steepest descent formalmente
descrito atravs da seguinte equao recursiva:
w (n + 1) = w (n) n ,
(1.9)
onde o passo de adaptao do algoritmo e n denota o vetor gradiente calculado

no ponto w = w (n) . Para o caso do filtro transversal descrito por (1.2), temos o gradiente
da funo custo dado por (1.6). Substituindo-se ento (1.6) em (1.9) e isolando-se w (n) do
lado direito da equao, obtm-se
w (n + 1) = (I 2R )w (n) + 2p .
(1.10)
Assim, a partir de (1.10) possvel obter o vetor timo de pesos iterativamente.

Como podemos notar em (1.10), a principal desvantagem do mtodo steepest
descent a necessidade de conhecer a priori a matriz R de autocorrelao do sinal de
entrada e o vetor p de correlao cruzada entre o sinal desejado e o sinal de entrada, o que
Captulo 1 Introduo
dificilmente dispe-se em aplicaes prticas. Assim, uma soluo interessante e mais

conveniente o uso do algoritmo least mean square (LMS).
1.2.3 Algoritmo LMS

O algoritmo least mean square (LMS), ou algoritmo do menor valor quadrtico
mdio, o algoritmo mais comumente utilizado em aplicaes de filtragem adaptativa. Isso
se deve ao fato de se tratar de um algoritmo relativamente simples de implementar e
robusto. Alm disso, muitos pesquisadores nas ltimas dcadas tm se dedicado
firmemente ao estudo do algoritmo LMS, resultando em aperfeioamentos e modificaes
que permitem o seu emprego nas mais diversas situaes [5].
O algoritmo LMS convencional uma implementao estocstica do mtodo
steepest descent [5]. Isso feito atravs da substituio da funo custo = E[e 2 (n)] por
sua estimativa instantnea (n) = e 2 (n) . Assim, para o filtro FIR linear, substitui-se por
(n) em (1.9), obtendo-se

w (n + 1) = w (n) e 2 (n) .
(1.11)
Como o operador gradiente definido pelo vetor

=
w0
w1

,
wN 1
(1.12)
tem-se o i-simo elemento do vetor e 2 (n) dado por

e 2 (n)
e(n)
= 2e(n)
.
wi
wi
(1.13)
Substituindo-se (1.3) no lado direito de (1.13), obtm-se

e 2 (n)
= 2e(n) x(n i ) .
wi
(1.14)
Assim, tem-se o vetor e 2 (n) dado por

e 2 (n) = 2e(n)x(n) .
(1.15)
Finalmente, substituindo-se (1.15) em (1.11), a equao recursiva do algoritmo LMS

obtida. Portanto,
w (n + 1) = w (n) + 2e(n)x(n) .
(1.16)
Captulo 1 Introduo
Como pode ser observado, a mais inconteste caracterstica do algoritmo LMS sua
simplicidade. Para a sua implementao so requeridas N + 1 multiplicaes para calcular a
sada do filtro e obter 2e(n) , e ainda outras N multiplicaes para obter 2e(n)x(n) ,
resultando em um total de 2 N + 1 multiplicaes por amostra, somadas s 2N adies
tambm necessrias. Alm disso, esse algoritmo tambm relativamente robusto, o que
significa dizer que pequenas incertezas do modelo e perturbaes com pouca energia
resultam apenas em pequenos erros de estimao. Por outro lado, a principal desvantagem
do algoritmo LMS sua convergncia lenta quando o sinal de entrada fortemente
autocorrelacionado [5], o que pode algumas vezes prejudicar sua aplicao.
1.3 Filtros Adaptativos No-Lineares
Como visto na Seo 1.2, os filtros adaptativos lineares so bastante simples do

ponto de vista de implementao e por isso sua aplicao bastante difundida e estudada.
No entanto, muitas das aplicaes que requerem o uso de filtros adaptativos possuem
elementos no-lineares em seu ambiente. Um bom exemplo so aplicaes que envolvem
situaes de saturao. Para esse tipo de aplicao um filtro adaptativo no-linear passa a
ser uma soluo muito mais atraente ou mesmo indispensvel dependendo dos
pr-requisitos de desempenho adotados.
Do ponto de vista prtico, a procura pelos parmetros que otimizem a funo custo
de um filtro adaptativo no-linear geralmente lenta e difcil. Isso ocorre pois uma soluo
analtica simples geralmente no possvel, ao contrrio do que acontece com os filtros
adaptativos lineares. Assim, as implementaes de filtros adaptativos no-lineares
normalmente requerem uma alta carga computacional. Com o aumento da capacidade de
processamento dos DSPs (digital signal processors) ocorrido nas ltimas dcadas,
tornou-se possvel a aplicao de filtragem adaptativa no-linear em maior escala. Alguns
exemplos podem ser encontrados em [8], [9], [10] e [11].
No entanto, muitos filtros adaptativos no-lineares tm sua complexidade
exponencialmente dependente do tamanho da memria de tal forma que, mesmo com uma
necessidade de memria relativamente pequena, uma quantidade muito grande de
operaes por amostra requerida. Um exemplo de filtros que enfrentam tal problema so
os filtros Volterra adaptativos [8] [12]. Outro problema defrontado pelos filtros adaptativos
Captulo 1 Introduo
no-lineares a escassez de ferramentas de anlise e sntese. Para resolver completamente

tais problemas muito esforo de pesquisa ainda deve ser feito. O desenvolvimento de
implementaes de complexidade reduzida, algoritmos com melhor desempenho de
convergncia e anlise terica do comportamento dos filtros adaptativos no-lineares so
bons exemplos do que pode ser feito para prover pesquisadores e engenheiros de
ferramentas comparveis s existentes para filtros lineares.
1.4 Organizao da Dissertao
Nesta dissertao de mestrado, alguns estudos, desenvolvidos com o objetivo de

atenuar os problemas existentes no emprego de filtros Volterra adaptativos, so
apresentados. No Captulo 2 o filtro Volterra descrito procurando enfatizar suas
vantagens, desvantagens e particularidades. O Captulo 3 apresenta uma anlise estatstica
do filtro Volterra adaptado com o algoritmo LMS para sinais de entrada Gaussianos. No
Captulo 4 dois algoritmos simplificados para a implementao subtima de filtros Volterra
adaptativos so desenvolvidos. Esses algoritmos procuram explorar uma estrutura
semelhante a dos j conhecidos filtros lineares adaptativos interpolados [13], em conjunto
com as particularidades do filtro Volterra. O Captulo 5 apresenta uma anlise estatstica
com restrio nos coeficientes do filtro Volterra adaptativo. Essa anlise pode ser aplicada
tanto para os algoritmos propostos no Captulo 4, quanto para outras implementaes do
filtro Volterra adaptado pelo algoritmo LMS que possuam restries nos pesos, como os
filtros Volterra adaptativos com atraso [14] e os filtros Volterra simplificados [15].
Resultados obtidos atravs de simulaes tambm so apresentados no decorrer do trabalho
para comprovar a validade das expresses e dos algoritmos propostos. Finalmente, no
Captulo 6 as concluses desta dissertao e as propostas para trabalhos futuros so
apresentadas.
CAPTULO
2
Filtro Volterra
O primeiro problema enfrentado para lidar com sistemas no-lineares em filtragem

adaptativa como especificar e caracterizar esses sistemas. Nesse contexto, o filtro Volterra
representa uma das mais interessantes opes. O matemtico Vito Volterra foi quem
primeiramente introduziu o que hoje conhecido como srie de Volterra [16], e suas
primeiras aplicaes para anlise de sistemas no-lineares foram realizadas por Norbert
Wiener [17] no Massachussets Institute of Technology (MIT). A linearidade entre o sinal de
sada de tal filtro e seus coeficientes permite o emprego de algoritmos adaptativos j
conhecidos e consagrados em seu processo adaptativo. Com isso, torna-se direta sua
utilizao em diversas aplicaes, como, por exemplo, no cancelamento de eco acstico
[18], controle ativo de processos [12], e equalizao de canais de satlite [19]. Neste
captulo o filtro Volterra apresentado ressaltando-se suas principais caractersticas.
2.1 Filtro Volterra como um Operador Pseudolinear
Um filtro Volterra causal discreto pode ser considerado como um filtro linear
acrescido de blocos no-lineares. Essa caracterstica fica evidenciada a partir de sua relao
de entrada e sada [8], dada por
y ( n) =
h (m ) x(n m )
1
m1 = 0
N
h (m , m ) x(n m ) x(n m ) +
m1 = 0 m2 = m1
N
m1 = 0
mP = mP 1
hP (m1 ,
, mP ) x(n m1 )
(2.1)
x(n mP ),
onde x(n) e y (n) representam respectivamente o sinal de entrada e o sinal de sada;

hp (m1 ,
, m p ) representa os coeficientes de ordem p ; N o tamanho da memria; e P
a ordem do filtro. importante ressaltar que os elementos redundantes, sem perda de

generalidade [12], so removidos de (2.1). Tem-se, ento, um filtro composto por um bloco
Captulo 2 O Filtro Volterra
de primeira ordem (linear), cujos coeficientes so representados por h1 , seguido de blocos

no-lineares ( h2 , h3 , , hp ). Denotando-se a sada do bloco de ordem p por y p (n) ,
podemos reescrever (2.1) como segue:
P
y ( n) = y p ( n) ,
(2.2)
p =1
com y p (n) dado por

y p ( n) =
N 1 N 1
m1 = 0 m2 = m1
N 1
m p = m p 1
hp (m1 , m2 , , m p ) x(n mk ) .
(2.3)
k =1
A sada de cada um dos blocos do filtro Volterra pode ser escrita na forma vetorial.
Essa abordagem bem conhecida para o bloco de primeira ordem (teoria de filtros
lineares), resultando em
y1 (n) = h1T x1 (n) ,
(2.4)
onde x1 (n) representa o vetor de entrada de primeira ordem e h1 o vetor de coeficientes.

Para os demais blocos, um procedimento anlogo possvel realizando-se uma operao
vetorial pseudolinear. Por exemplo, para um bloco de segunda ordem, pode-se escrever o
vetor de entrada e o de coeficientes como
x 2 (n) = [ x 2 (n) x(n) x(n 1)

h 2 = [h2 (0, 0) h2 (0,1)
x(n) x(n N + 1) x 2 (n 1)
h2 (0, N 1) h2 (1,1)
x 2 (n N + 1)]T , (2.5)
h2 ( N 1, N 1)]T ,
(2.6)
resultando em uma relao entrada/sada dada por

y2 (n) = h T2 x 2 (n) .
(2.7)
A mesma operao pode ser realizada para os outros blocos no-lineares do filtro Volterra,
resultando na seguinte relao, agora para um bloco de ordem p qualquer,
y p (n) = h Tp x p (n) .
(2.8)
Definindo-se ento o vetor de entrada do filtro Volterra como
x V (n) = [x1T (n) xT2 (n) xTP (n)]T ,
(2.9)
h V = [h1T h T2 h TP ]T ,
(2.10)
e o vetor de coeficientes por
temos a relao entrada/sada do filtro Volterra (2.1), reescrita da seguinte forma:
10
y (n) = h TV x V (n) .
(2.11)
Em (2.11) tem-se a operao de filtragem do filtro Volterra escrita de maneira

pseudolinear como o produto interno entre dois vetores. Essa caracterstica muito
importante, permitindo o desenvolvimento das expresses para os momentos de primeira e
segunda ordens do filtro Volterra, discutidas a seguir. Alm disso, pode-se notar, nesta
expresso, a caracterstica linear entre o sinal de sada e os coeficientes do filtro. Tal
propriedade permite a aplicao direta de algoritmos adaptativos, usualmente empregados
em filtros lineares, tambm para os filtros Volterra.
2.2 Diviso em Blocos
Outra caracterstica tambm muito importante a possibilidade de decomposio do

filtro Volterra em uma estrutura paralela de blocos, o que pode ser notado a partir de (2.2).
Essa decomposio est ilustrada pela Figura 2.1, onde cada um dos blocos corresponde a
um filtro de ordem p . Tal condio bastante vantajosa do ponto de vista prtico uma vez
que, em algumas aplicaes, certos blocos podem ser desconsiderados, ou, ainda,
estratgias de reduo de complexidade podem ser aplicadas a blocos que demandem um
maior nmero de coeficientes.
x(n)
h1
y(n)
+
+
x(n)
hV
y(n)
h2
+
+
hP
Figura 2.1 Decomposio do filtro Volterra em uma estrutura de blocos.
2.3 Nmero de Coeficientes e Complexidade Computacional
Com respeito complexidade computacional requerida, o filtro Volterra apresenta

um srio problema. O nmero de coeficientes cresce exponencialmente com o aumento do
tamanho da memria. Como bem conhecido, a complexidade computacional necessria
11
implementao de um filtro ou de sua verso adaptativa est intimamente relacionada com

o nmero total de coeficientes desse filtro. Pode-se ento notar, a partir de (2.5) e (2.6), que
o bloco de segunda ordem de um filtro Volterra apresenta um coeficiente para cada um dos
produtos cruzados de segunda ordem das amostras do sinal de entrada, resultando em uma
quantidade de coeficientes bastante superior quela requerida pelo bloco de primeira
ordem. Para blocos de ordens superiores a situao se torna ainda mais crtica, pois ser
necessria uma quantidade de coeficientes proporcional s combinaes de ordem p das
amostras do sinal de entrada, com p representando a ordem do bloco em questo. Assim,
algumas vezes o tamanho de memria e a ordem requeridos para um determinado problema
podem dificultar ou mesmo inviabilizar o uso de um filtro Volterra. Esse nmero elevado
de coeficientes dificulta tambm o uso de algoritmos adaptativos de maior complexidade,
tais como o algoritmo RLS (recursive least-squares) [5] e o algoritmo de projees afins
(AP).
Agora, denotando por D p ( N ) o nmero de coeficientes de cada bloco de ordem p
de um filtro Volterra com tamanho de memria N , tem-se [12]
Dp ( N ) =
( N + p 1)!
.
( N 1)! p !
(2.12)
Conseqentemente, o nmero total de coeficientes de um filtro Volterra de ordem P e

tamanho de memria N dado pelo somatrio dos coeficientes de cada um dos blocos.
Assim, denotando-se tal nmero por DV ( N , P) , temos
P
DV ( N , P) = D p ( N ) ,
(2.13)
p =1
o que resulta em
DV ( N , P) =
( N + P )!
1 .
N !P!
(2.14)
2.4 Consideraes
Neste captulo, as principais caractersticas do filtro Volterra foram apresentadas.

Nos prximos captulos essas caractersticas sero exploradas no desenvolvimento de
modelos matemticos para o comportamento do filtro Volterra adaptativo e de algoritmos
de complexidade reduzida.
CAPTULO
3
Anlise Estatstica do Filtro Volterra Adaptado pelo

Algoritmo LMS
Na literatura, so encontrados diversos trabalhos dedicados anlise do filtro

Volterra adaptativo. A maioria deles orientada a problemas de convergncia e
estabilidade do algoritmo [20] [21], sendo de grande interesse para avaliar seu desempenho
e suas limitaes. Outros trabalhos so focados especificamente em filtros que empregam
procedimentos de ortogonalizao do sinal de entrada [22] ou mesmo filtros com restrio
de ordem [20]. Entretanto, nenhum deles apresenta uma anlise dos momentos de primeira
e segunda ordens para os filtros Volterra adaptados pelo algoritmo LMS.
Neste captulo, modelos analticos para os momentos de primeira e segunda ordens
do vetor de coeficientes do filtro Volterra adaptado pelo algoritmo LMS so desenvolvidos.
Resultados de simulao so apresentados, atestando a validade e a preciso das expresses
analticas obtidas.
3.1 Vetor de Coeficientes timo
A Figura 3.1 apresenta o diagrama em blocos de um filtro Volterra no contexto da

estimao de um sinal d (n) estacionrio, baseado na excitao x(n) tambm estacionria e
correlacionada com d (n) . O sinal de sada do filtro representado por y (n) e o sinal de
erro por e(n) . Este esquema semelhante ao da Figura 1.1.
d(n)
x(n)
hV
y(n)
e(n)
Figura 3.1 Diagrama em blocos de um filtro Volterra aplicado a um problema

de estimao de sinal.
Captulo 3 Anlise Estatstica do Filtro Volterra Adaptado pelo Algoritmo LMS
13
A inteno obter o vetor de coeficientes que minimize o erro quadrtico mdio

(funo custo). Assim, a partir da relao entrada/sada do filtro Volterra escrita na forma
vetorial (2.11), temos o erro instantneo dado por
e(n) = d (n) y (n) = d (n) h TV x V (n) .
(3.1)
Elevando-se (3.1) ao quadrado e tomando-se seu valor esperado, obtm-se

= E[e 2 (n)] = E[d 2 (n)] 2 E[d (n)xTV (n)]h V + h TV E[x V (n)xTV (n)]h V .
(3.2)
Em (3.2) o vetor h V foi retirado do operador esperana por no se tratar aqui de uma
varivel estatstica. Como realizado na Seo 1.2.1, para se obter o vetor timo de
coeficientes que minimize o erro quadrtico mdio, faz-se o gradiente da funo custo em
relao aos coeficientes igual a zero, obtendo-se
= 2 E[d (n)x V (n)] + 2 E[x V (n)xTV (n)]h V = 0 .
(3.3)
Definindo-se a matriz R VV = E[x V (n)x TV (n)] e o vetor p V = E[d (n)x V (n)] , possvel
reescrever (3.3) como
2p V + 2R VV h V = 0 ,
(3.4)
que resulta em uma expresso semelhante de Wiener-Hopf para o filtro Volterra, dada por
R VV h Vo = p V ,
(3.5)
com h Vo denotando o vetor de coeficientes timo. Resolvendo (3.5), obtm-se
h Vo = R -1VV p V .
(3.6)
Esta soluo semelhante quela obtida para filtros lineares mostrada na Seo 1.2.1. No
entanto, importante ressaltar uma principal diferena existente em tal representao. O
vetor de entrada x V (n) , como pode ser observado em (2.9), distinto daquele para o caso
do filtro linear.
3.2 Comportamento Mdio dos Pesos
Como mencionado anteriormente, a linearidade entre o sinal de sada e os

coeficientes do filtro Volterra permite a aplicao direta do algoritmo LMS para efetuar a
adaptao de seus pesos (coeficientes). Assim, a equao de atualizao dos pesos pode ser
expressa como
h V (n + 1) = h V (n) + 2e(n)x V (n) .
(3.7)
14
A Figura 3.2 apresenta um diagrama em blocos semelhante ao da Figura 3.1, porm

agora temos um filtro Volterra adaptativo aplicado a um problema de estimao de um sinal
d (n) adicionado a um rudo branco z (n) de mdia zero e descorrelacionado dos demais
sinais do sistema.
d(n)+z(n)
x(n)
hV(n)
y(n)
e(n)
Figura 3.2 Diagrama em blocos de um filtro Volterra adaptativo aplicado a

um problema de estimao de sinal.
Com base na Figura 3.2, tem-se o sinal de erro instantneo dado por
e(n) = d (n) + z (n) y (n) = d (n) + z (n) h TV (n)x V (n) .
(3.8)
Para obter o momento de primeira ordem dos coeficientes do filtro, substitui-se em (3.7) o
valor instantneo do erro dado por (3.8). A seguir, tomando-se o valor esperado, obtm-se
E[h V (n + 1)] = E[h V (n)] + 2E[d (n)x V (n)]
+2E[ z (n)x V (n)] 2E[x V (n)h TV (n)x V (n)].
(3.9)
Como demonstrado em [5], podemos assumir que a correlao entre vetores de entrada
mais importante do que a correlao entre o vetor de coeficientes e o vetor de entrada. Essa
aproximao, conhecida como hiptese da independncia (independence assumption), parte
do pressuposto que as amostras atuais dos sinais observados x(n), d (n) so independentes
de suas amostras anteriores x(n 1) , d (n 1) , x(n 2) , d (n 2) . Dessa forma, possvel
argumentar que h V (n) depende apenas das amostras anteriores, podendo ser considerado
independente de x V (n) (amostra atual). Atravs de uma anlise mais minuciosa nota-se que
em muitos casos prticos a hiptese de independncia questionvel. Porm, a experincia
com o algoritmo LMS tem demonstrado que as predies realizadas usando tal
considerao se encaixam nos resultados de simulao do algoritmo LMS, principalmente
quando pequenos valores de so utilizados (condio de adaptao lenta). Ento,
admitindo-se essa fraca dependncia entre x V (n) e h V (n) possvel escrever
E[x V (n)h TV (n)x V (n)] E[x V (n)xTV (n)]E[h V (n)] .
(3.10)
15
Assumindo-se, ainda, o sinal de rudo com mdia zero e descorrelacionado dos demais
sinais do sistema, substitui-se (3.10) em (3.9) para obter
E[h V (n + 1)] = E[h V (n)] + 2E[d (n)x V (n)] 2E[x V (n)x TV (n)]E[h V (n)] .
(3.11)
Usando-se agora R VV = E[x V (n)x TV (n)] e p V = E[d (n)x V (n)] em (3.11), podemos obter a
expresso que descreve o comportamento mdio dos pesos de um filtro Volterra adaptado
pelo algoritmo LMS. Assim,
E[h V (n + 1)] = (I 2R VV ) E[h V (n)] + 2p V ,
(3.12)
onde I a matriz identidade.

3.3 Vetor de Erro dos Pesos
Definindo o vetor de erro dos pesos como a diferena entre o vetor de pesos e o
vetor timo de pesos, temos
v (n) = h V (n) h Vo .
(3.13)
A substituio de (3.13) em (3.12) resulta em

E[ v (n + 1)] + h Vo = (I 2R VV ) E[ v(n)] + h Vo 2R VV h Vo + 2p V .
(3.14)
Utilizando-se (3.5) (equao de Wiener-Hopf para o filtro Volterra) e manipulando (3.14),

obtm-se a equao do comportamento do vetor de erro dos pesos, dada por
E[ v (n + 1)] = (I 2R VV ) E[ v (n)] .
(3.15)
3.4 Estrutura da Matriz de Autocorrelao de Entrada
Como mencionado anteriormente, a matriz de autocorrelao do sinal de entrada do

filtro Volterra adaptativo definida por
R VV = E[x V (n)x TV (n)] .
(3.16)
A partir do vetor de entrada do filtro Volterra de ordem P , dado por (2.9), pode-se escrever
R VV da seguinte forma:
R VV
R11
R
= 21
R P1
R12
R 22
R P2
R1 P
R 2 P
,
R PP
(3.17)
16
onde
R p1 p2 = R Tp2 p1 = E[x p1 (n)x Tp2 (n)] .
(3.18)
Em (3.18), x p1 (n) e x p2 (n) representam vetores de entrada dos blocos de ordem p1 e p2 ,

respectivamente.
A matriz R11 correspondente matriz de autocorrelao de entrada de um filtro
FIR linear, pois se trata da matriz de autocorrelao de entrada de um bloco de primeira
ordem do filtro Volterra. Tem-se ento a matriz R11 escrita como
E[ x( n) x( n)]
E[ x(n) x(n 1)]
E[ x(n 1) x(n)]
E[ x( n 1) x(n 1)]
R11 =
E[ x( n N + 1) x(n)] E[ x(n N + 1) x( n 1)]
E[ x(n) x(n N + 1)]

E[ x( n 1) x( n N + 1)]
.(3.19)
E[ x(n N + 1) x(n N + 1)]
Para um sinal de entrada branco Gaussiano com varincia 2x e mdia zero, a matriz R11
dada por
2x
0
R11 =
2
x
0
.
2x
(3.20)
Analisando a expresso do comportamento mdio dos pesos, podemos observar que, para
filtros lineares com sinal de entrada branco, o comportamento de cada um dos pesos
independente do comportamento dos demais pesos. Isso pode ser constatado escrevendo-se
o comportamento mdio do i -simo peso do filtro a partir de (3.12) e (3.20). Assim,
E[hi (n + 1)] = (1 2 2x ) E[hi (n)] + 2E[d (n) x(n i + 1)] .
(3.21)
Para um filtro Volterra de segunda ordem, ainda devem ser consideradas as matrizes R12 e
R 22 na composio total da matriz de autocorrelao do sinal de entrada. Obtendo-se essas

matrizes para um sinal de entrada branco Gaussiano com varincia 2x e mdia zero, tem-se
R12 = RT21 = 0
e
(3.22)

3 2x
0
R 22 = 2
x
0
2x
2x
2x
2x
2x
2x
2x
0
.
2x
3 2x
0
2
x
17
(3.23)
Como exemplo, usando-se (3.20), (3.22) e (3.23), tem-se a matriz de autocorrelao do

sinal de entrada de um filtro Volterra de segunda ordem com tamanho de memria igual 3 e
rudo branco gaussiano de entrada. Assim,
R VV
2x
0
0
0
=0
0
0
2x
32x
2x
2
x
2
x
0
0
0
0
0
0
0
2x
0
0
0
0
2x
3 2x
2x
2x
2x
0
0
2x
0 .
0
2x
3 2x
(3.24)
Portanto, podemos verificar que existem elementos tambm fora da diagonal principal da
matriz de autocorrelao do sinal de entrada, mesmo considerando-se um sinal de entrada
branco Gaussiano. Isso implica um comportamento no independente dos pesos, existindo,
assim, um acoplamento entre eles. Outra conseqncia desse fato um espalhamento maior
dos autovalores desta matriz, degradando sobremaneira a velocidade de convergncia do
algoritmo LMS [5]. Ainda, podemos observar que, como a matriz R12 nula, existe um
desacoplamento total entre o bloco de primeira e o de segunda ordem. Assim, podemos
encontrar limites de estabilidade independentes, levando escolha de diferentes passos de
adaptao para cada bloco, uma vez que tais parmetros dependem da matriz de
autocorrelao do sinal de entrada [5].
Analisando-se filtros Volterra de ordens superiores, podemos observar que a
condio de independncia entre blocos de diferentes ordens, para sinal branco Gaussiano
18
de entrada, no mais ocorre. Como exemplo, um filtro Volterra adaptativo de terceira

ordem com tamanho de memria igual a 3 e sinal de entrada branco Gaussiano, com
varincia 2x , apresenta as seguintes matrizes adicionais na construo da matriz de
autocorrelao de entrada:
32x
R13 = 0
0
0
2x
0
0
2x
0
2
x
0 2x
0 0
0
0
32x
0
0
0
2x
2
x
0 ,
3 2x
R 23 = R T32 = 0 ,
(3.25)
(3.26)
e
15 2x
0
0
2
3 x
0
R 33 = 2
3 x
0
0
0
32x
32x
3 2x
3 2x
2x
3 2x
2x
0
3 2x
0
2x
0
2x
0
15 2x
0
32x
0
2x
0
2
x
2
x
0
32x
0
2x
0
3 2x
0
3 2x
0
32x
0
32x
0
32x
0
0
3 2x
0
0
,
0
0
3 2x
0
15 2x
(3.27)
o que resulta em um acoplamento entre os blocos de primeira e terceira ordens em tal filtro.
3.5 Erro Quadrtico Mdio
Para determinar uma expresso analtica para a curva de aprendizagem do

algoritmo, deve-se inicialmente substituir a definio do vetor de erro dos pesos (3.13) em
(3.8), obtendo-se
e(n) = d (n) + z (n) v T (n)x V (n) h TVo x V (n) .
(3.28)
Definindo o sinal de erro instantneo timo por

eo (n) = d (n) + z (n) h TVo x V (n)
(3.29)
pode-se reescrever (3.28) como

e(n) = eo (n) v T (n)x V (n) .
Elevando-se (3.30) ao quadrado e tomando seu valor esperado, obtm-se
(3.30)

E[e 2 (n)] = E[eo2 (n)] E[eo (n) v T (n)x V (n)] + E{[ v T (n)x V (n)]2 } .
19
(3.31)
De [5], tem-se o princpio da ortogonalidade que estabelece que o erro de estimao timo
descorrelacionado do sinal de entrada, ou seja, E[x V (n)eo (n)] = 0 . Uma breve
demonstrao desse princpio apresentada no Apndice A. Usando-se tal princpio em
conjunto com a hiptese da independncia, dada por (3.10) e vlida tambm para o vetor de
erro dos pesos, tem-se
E[eo (n) v T (n)x V (n)] = E[ v T (n)]E[eo (n)x V (n)] = 0 .
(3.32)
Novamente utilizando-se a hiptese da independncia (3.10), possvel escrever o ltimo

termo de (3.31) como
E{[ v T (n)x V (n)]2 } = E[ v T (n)x V (n)x TV (n) v (n)]
= E { v T (n) E[x V (n)x TV (n)]v (n)}
(3.33)
= E[ v T (n)R VV v (n)].
Dado que E[ v T (n)R VV v(n)] dimensionalmente um escalar, o resultado de (3.33) pode ser
reescrito por
E[ v T (n)R VV v (n)] = tr { E[ v T (n)R VV v (n)]}
= E {tr[ v T (n)R VV v (n)]}
= E {tr[ v T (n) v (n)R VV ]}
(3.34)
= tr { E[ v T ( n) v( n)]R VV } ,
onde tr{}
representa o operador trao da matriz. Denotando-se agora o erro quadrtico
mdio por (n) = E[e 2 (n)] , o seu valor mnimo por min = E[eo2 (n)] , e definindo-se a matriz
de autocorrelao do vetor de erro dos pesos por K (n) = E[ v(n) v T (n)] , a expresso para a
curva de aprendizagem reescrita como
(n) = min + tr {K (n)R VV } .
(3.35)
3.6 Aproximao para o Momento de Segunda Ordem
Para possibilitar a obteno da curva de aprendizagem, uma expresso recursiva

para o momento de segunda ordem dos pesos [matriz K ( n) ] requerida. Para tal, atravs
da substituio de (3.13) em (3.7), obtm-se

v (n + 1) = v (n) + 2e(n)x V (n) .
20
(3.36)
Substituindo-se agora (3.30) em (3.36), tem-se

v (n + 1) = v (n) + 2x V (n)eo (n) 2x V (n)x TV (n) v(n) .
(3.37)
Multiplicando-se o vetor v (n + 1) por sua verso transposta e tomando-se o seu valor

esperado, obtm-se
E[ v (n + 1) v T (n + 1)] =
E[ v(n) v T (n)]
+ 2E[ v(n)eo (n)xTV (n)]

2E[ v(n) v T (n)x V (n)xTV (n)]
+ 2E[eo (n)x V (n) v T (n)]
+ 4 2 E[x V (n)eo (n)eo (n)xTV (n)]
(3.38)
4 2 E[eo (n)x V (n) v T (n)x V (n)xTV (n)]

2E[x V (n)xTV (n) v(n) v T (n)]
4 2 E[x V (n)xTV (n) v (n)eo (n)xTV (n)]
+ 4 2 E[x V (n)xTV (n) v (n) v T (n)x V (n)xTV (n)].
A resoluo de (3.38) consiste em um trabalho matemtico considervel, especialmente
devido existncia de elementos dependentes de momentos de ordem elevada do vetor de
entrada. No entanto, uma aproximao satisfatria pode ser obtida desconsiderando os
termos dependentes de 2 , visto que para uma condio de adaptao lenta comum em
casos prticos, tal valor torna-se muito pequeno. Dessa forma, preservam-se os elementos
dominantes em (3.38) como tambm facilita-se o tratamento matemtico. Levando-se em
conta a hiptese da independncia e o princpio da ortogonalidade, temos os termos de
(3.38) no dependentes de 2 dados por
E[ v (n) v T (n)] = K (n) ,
(3.39)
2E[ v(n)eo (n)xTV (n)] = 2E[ v(n)]E[eo (n)xTV (n)] = 0 ,
(3.40)
2E[ v(n) v T (n)x V (n)xTV (n)] = 2K (n)R VV ,
(3.41)
2E[eo (n)x V (n) v T (n)] = 0 ,
(3.42)
2E[x V (n)xTV (n) v(n) v T (n)] = 2R VV K (n) ,
(3.43)
21
Com isso, obtm-se uma aproximao para expresso recursiva do momento de segunda
ordem, dada por
K (n + 1) = K (n) 2(K (n)R VV + R VV K (n)).
(3.44)
Utilizando-se (3.44) em conjunto com (3.35), pode-se obter o comportamento aproximado

do erro quadrtico mdio do filtro Volterra adaptado pelo algoritmo LMS.
3.7 Simulaes
Para verificar a preciso das expresses obtidas, alguns resultados de simulao so

apresentados. Os exemplos desenvolvidos consideram um problema de identificao de
sistemas usando sinais de entrada Gaussianos branco e colorido. O rudo de medio z ( n)
usado descorrelacionado dos demais sinais do sistema, tendo uma varincia 2z = 0, 001 .
Os resultados so apresentados para diferentes valores do passo de adaptao, todos
relacionados ao valor mximo de ( max ) determinado experimentalmente, para o qual o
algoritmo ainda converge. Isso permite verificar as aproximaes efetuadas, levando-se em
conta diferentes velocidades de convergncia.
Exemplo 3.1: Neste exemplo, um filtro Volterra de segunda ordem e tamanho de memria
igual a 7 usado para identificar uma planta com a seguinte relao entrada/sada:
d (n) = x(n) + 0,5 x(n 1) + 0,1x(n 2) 0, 2 x(n 3) 0,3x(n 4)
0,1x(n 5) + 0, 08 x(n 6) + 0, 7 x 2 (n) + 0,3 x(n) x(n 1)
0,1x(n) x(n 3) + 0, 05 x(n) x(n 6) + 0,5 x 2 (n 1)
+ 0, 2 x(n 1) x(n 2) 0, 2 x(n 1) x(n 5) 0,35 x 2 (n 2)
0, 05 x(n 2) x( n 4) + 0, 02 x( n 2) x(n 5) 0, 2 x 2 (n 3)
+ 0, 05 x(n 3) x(n 5) + 0,1x 2 (n 4) + 0, 05 x(n 4) x(n 5)
+ 0, 02 x(n 4) x(n 6) 0,1x 2 (n 5) + 0, 05 x 2 (n 6) .
O sinal de entrada branco Gaussiano e com varincia unitria. O passo de adaptao

igual a 0,5 max , com max = 0, 005 . A Figura 3.3 apresenta o comportamento mdio de
alguns dos coeficientes obtido por simulao Monte Carlo (mdia de 100 realizaes)
comparado com o resultado obtido por (3.12). Atravs desta figura, podemos constatar a
muito boa preciso do modelo obtido, exceto por uma pequena diferena existente na fase
22
transitria. Tal diferena devido aproximao considerada em (3.10) (hiptese da

independncia). A Figura 3.4 apresenta a curva de aprendizagem obtida com (3.35) e (3.44)
comparada com a obtida por simulao (mdia de 100 realizaes). Neste caso, uma maior
discrepncia verificada devido aproximao usada na obteno do momento de segunda
ordem. Com a reduo do valor do passo de adaptao (condio de adaptao lenta) ambas
as diferenas diminuem, como ser observado nos prximos exemplos.
0.8
E[hV (n)]
0.6
0.4
0.2
-0.2
-0.4
750
iterao
1500
Figura 3.3. Exemplo 3.1. Evoluo de E[h V (n)] com = 0,5 max . (Linha
pontilhada com marcadores) simulao (mdia de 100 realizaes); (Linha
slida) modelo dado por (3.12).
23
10
10
-1
(n)
10
-2
10
-3
10
-4
10
500
1000
1500
2000
2500 3000
iterao
3500
4000
4500
5000
Figura 3.4. Exemplo 3.1. Evoluo de (n) com = 0,5 max . (Linha slida)
simulao (mdia de 100 realizaes); (Linha pontilhada) modelo dado por
(3.35) e (3.44).
Exemplo 3.2: O mesmo filtro do Exemplo 3.1 considerado, modificando-se apenas o valor
do passo de adaptao para 0, 2 max . A Figura 3.5 mostra os resultados de maneira similar
aos da Figura 3.3, enquanto a Figura 3.6 ilustra o comportamento do erro quadrtico mdio
seguindo o mesmo padro da Figura 3.4. Neste exemplo, podemos constatar a excelente
preciso da modelagem desenvolvida, o que pode ser verificado atravs da similaridade
entre as curvas obtidas para uma condio de adaptao lenta.
0.8
E[hV (n)]
0.6
0.4
0.2
-0.2
-0.4
1500
iterao
3000
Figura 3.5. Exemplo 3.2. Evoluo de E[h V (n)] , com = 0, 2 max . (Linha
pontilhada com marcadores) simulao (mdia de 100 realizaes); (linha
2
10
10
(n)
10
-1
10
-2
10
-3
10
-4
10
2500
iterao
5000
Figura 3.6. Exemplo 3.2. Evoluo de (n) , com = 0, 2 max . (Linha slida)
(3.35) e (3.44).
24
25
Exemplo 3.3: Novamente, o filtro do Exemplo 3.1 considerado. Agora, o sinal de entrada
um sinal colorido obtido a partir de um processo auto-regressivo dado por

x(n) = x(n 1) + 1 2 u (n) , onde u (n) um rudo branco Gaussiano com varincia
unitria e = 0,5 . O passo de adaptao 0,5 max com max = 0, 0015 . Os resultados do
comportamento mdio dos coeficientes so mostrados na Figura 3.7, enquanto a curva de
aprendizagem ilustrada na Figura 3.8. Novamente, timos resultados so obtidos,
comprovando tanto a validade das expresses analticas desenvolvidas quanto as
aproximaes consideradas.
1.2
1
0.8
E[hV (n)]
0.6
0.4
0.2
0
-0.2
-0.4
1000
2000
3000
4000
5000 6000
iterao
7000
8000
9000 10000
Figura 3.7. Exemplo 3.3. Evoluo de E[h V (n)] , com = 0,5 max . (Linha
26
10
10
(n)
10
-1
10
-2
10
-3
10
-4
10
9000
iterao
18000
Figura 3.8. Exemplo 3.3. Evoluo de (n) , com = 0,5 max . (Linha slida)
simulao(mdia de 100 realizaes); (Linha pontilhada) modelo dado por
(3.35) e (3.44).
Exemplo 3.4: Neste exemplo, uma planta Volterra de terceira ordem e tamanho de memria
igual a 4 considerada, possuindo os seguintes vetores de coeficientes:

h1 = [0, 75 0,3 0,1 0,3]T ;
h 2 = [0,37 0,33 0, 28 0, 23 0, 04 0, 07 0, 09 0,13 0, 07 0, 06]T ;
h3 = [0, 27 0,16 0, 06 0, 01 0, 22 0,14 0.02 0, 25 0,17 0, 03
0, 2 0,11 0,15 0, 04 0, 2 0,19 0, 04 0,17 0,19 0, 06]T .
Esta planta identificada usando um filtro Volterra adaptativo tambm de terceira ordem e
com tamanho de memria igual a 4. O valor do passo de adaptao 0, 25 max com
max = 0, 001 , e o sinal de entrada branco Gaussiano com varincia unitria. As Figuras
3.9 e 3.10 mostram os resultados de simulao obtidos usando o mtodo de Monte Carlo
(mdia de 100 realizaes) e atravs das expresses analticas desenvolvidas. Novamente,
observa-se uma concordncia muito boa entre os resultados de simulao e os
correspondentes aos modelos.
0.6
E[hV (n)]
0.4
0.2
-0.2
-0.4
0
25000
iterao
50000
Figura 3.9. Exemplo 3.4. Evoluo de E[h V (n)] , com = 0, 25 max . (Linha
1
10
10
-1
(n)
10
-2
10
-3
10
-4
10
25000
iterao
50000
Figura 3.10. Exemplo 3.4. Evoluo de (n) , com = 0, 25 max . (Linha slida)
(3.35) e (3.44).
27
28
3.8 Consideraes
Neste Captulo, uma anlise estatstica do filtro Volterra adaptado pelo algoritmo
LMS foi apresentada. O modelo pseudolinear da operao de filtragem Volterra
explorado, permitindo a derivao de expresses analticas para o seu comportamento.
Atravs dos resultados de simulao, foi possvel comprovar a validade da modelagem
analtica proposta. O resultado obtido neste captulo deu origem a uma publicao [23].
CAPTULO
4
Filtros Volterra Adaptativos Interpolado e Parcialmente

Interpolado
Apesar do sucesso obtido com o uso de filtros Volterra adaptativos em diversas

aplicaes, a alta complexidade computacional requerida, mesmo quando tamanhos de
memria relativamente pequenos so considerados, ainda um fator que impede a
expanso de sua utilizao. Como comentado na Seo 2.3, a complexidade computacional
necessria para implementao de um filtro Volterra adaptativo cresce exponencialmente
com o aumento do tamanho da memria do filtro, restringindo severamente sua aplicao
uma vez que os recursos computacionais disponveis so na maioria das vezes limitados.
Algumas alternativas tm sido propostas para sobrepujar tal problema. Como exemplos de
implementao que apresentam complexidade reduzida, tem-se: filtros Volterra no domnio
da freqncia [24], filtros Volterra com atraso [14], e filtros Volterra simplificados [15].
Neste captulo, duas estruturas para implementao subtima do filtro Volterra
adaptativo so discutidas. A idia utilizar um filtro Volterra esparso adaptativo em
conjunto com um interpolador de tal forma que esse conjunto se comporte como um filtro
adaptativo completo. Essa abordagem tem sido aplicada com sucesso a filtros lineares [25],
[26], [27], [28], [29]. Aqui, tal princpio usado tanto para o filtro em sua totalidade quanto
apenas para os blocos de ordem superior, considerando que esses ltimos so os principais
responsveis pelo aumento exponencial no nmero global de coeficientes. Essas estruturas
so denominadas filtro Volterra adaptativo interpolado e filtro Volterra adaptativo
parcialmente interpolado, respectivamente.
4.1 Filtro Volterra Adaptativo Interpolado
A partir da Seo 2.3, nota-se que com a reduo do tamanho da memria de um

filtro Volterra, podemos obter uma diminuio substancial no seu nmero de coeficientes.
Uma maneira de fazer essa reduo utilizando filtros esparsos. Como em [28], podemos
Captulo 4 Filtros Volterra Adaptativos Interpolados e Parcialmente Interpolados
30
denotar o fator de interpolao por L e considerar que o vetor de entrada esparso de

primeira ordem x1s ( n ) obtido removendo ( L 1) amostras de cada L amostras
consecutivas do sinal de entrada original. Assim temos
x1s ( n ) = { x( n ) x( n L) x( n 2 L)
x[ n ( N s 1) L]}
(4.1)
com N s denotando o tamanho de memria do filtro esparso, dado por
N 1
Ns =
+1,
L
(4.2)
onde i denota a operao de truncamento. O vetor de coeficientes esparso de primeira

ordem correspondente fica assim dado por
h1s = {h1 (0) h1 ( L) h1 (2 L)
h1[( N s 1) L]}T .
(4.3)
Os demais vetores de entrada e de coeficientes de ordem superior so obtidos a partir dos

de primeira ordem como apresentado na Seo 2.1.
Entretando, usando um filtro esparso estamos considerando uma estrutura sub-tima
com significante perda de desempenho. Um filtro interpolador de entrada pode ento ser
utilizado para reduzir o efeito dos coeficientes removidos. Esse procedimento leva ao filtro
Volterra interpolado, demonstrado na Figura 4.1. Nesta figura, h Vi representa o filtro
Volterra adaptativo esparso, enquanto o interpolador representado por um filtro FIR
I = [i0 i1
iM 1 ]T , com M coeficientes. O sinal de entrada e o sinal de entrada interpolado
so denotados por x(n) e xi (n) , respectivamente, onde

M 1
xi (n) = i j x(n j ) .
(4.4)
j =0
O sinal a ser estimado d (n) somado a um rudo de medio z (n) de mdia zero e
descorrelacionado dos demais sinais do sistema. Os sinais y (n) e e(n) representam o sinal
de sada do filtro esparso e o sinal de erro, respectivamente. Assim, o vetor de entrada de
primeira ordem para o filtro Volterra interpolado fica dado por
x1i ( n ) = { xi ( n ) xi ( n L) xi ( n 2 L)
xi [ n ( N s 1) L]}T . .
(4.5)
Gerando-se os vetores de entrada de ordens superiores a partir de (4.5), o vetor de entrada

completo, denotado por x Vi ( n ) , construdo de maneira similar (2.9).
x ( n)
xi(n)
hVi
y ( n) _
31
d(n)+z(n)
+
e(n)
Figura 4.1 Diagrama de blocos do filtro Volterra interpolado.

A estrutura total do filtro Volterra interpolado pode ser entendida como um filtro
Volterra completo com restries nos coeficientes. Considerando esse fato no contexto
adaptativo, temos um filtro Volterra com restries necessitando apenas realizar a
adaptao dos coeficientes do filtro esparso, o que muito interessante dada a alta
complexidade computacional requerida para adaptao de um filtro Volterra. O algoritmo
adaptativo efetua ento o ajuste dos coeficientes na direo dos seus valores timos. Assim,
a equao de adaptao dos coeficientes para o filtro Volterra adaptado pelo algoritmo
LMS dada por
h Vi (n + 1) = h Vi (n) + 2e(n)x Vi (n) ,
(4.6)
onde h Vi ( n ) o vetor de coeficientes correspondente ao vetor de entrada interpolado

x Vi ( n ) . A Tabela 4.1 compara o nmero de coeficientes necessrio tanto para o filtro
Volterra adaptativo convencional quanto para sua verso interpolada, destacando a

diferena de complexidade entre as estruturas consideradas.
Tabela 4.1 Complexidade: Filtro Volterra adaptativo
comparado com sua verso interpolada
N
3
10
25
15
30
30
P
2
2
2
3
3
3
L
2
2
2
2
2
4
Ns
DV ( N , P)
DV ( N s , P )
2
5
13
8
15
8
9
65
350
815
5455
5455
5
20
104
164
815
164
Reduo (%)
44,44%
69,23%
70,29%
79,88%
85,06%
96,99%
Entretanto, bem conhecido que filtros interpolados no apresentam bom

desempenho para a modelagem de plantas com baixo grau de similaridade entre
coeficientes [29]. Para tal caso, uma soluo mais apropriada pode ser o uso de um filtro
Volterra adaptativo parcialmente interpolado, descrito na prxima seo.
32
4.2 Filtro Volterra Adaptativo Parcialmente Interpolado
Uma segunda verso simplificada do filtro Volterra adaptativo obtida atravs do

uso da interpolao apenas nos blocos de maior ordem. Fazendo-se isso, possvel obter
uma reduo de complexidade bem prxima do filtro interpolado, uma vez que esses
blocos so os que possuem o maior nmero de coeficientes. A Figura 4.2 mostra a estrutura
de um filtro Volterra adaptativo parcialmente interpolado de segunda ordem. Nesta figura,
h1 e h 2i representam o bloco de primeira ordem e o bloco esparso de segunda ordem,
respectivamente, com y1 (n) e y2 (n) representando seus sinais de sada. Os demais sinais
da Figura 4.2 so equivalentes aos da Figura 4.1.
d(n)+z(n)
x ( n)
h1
y ( n) _ +
y1(n) +
e(n)
+
I
xi(n)
h2i
y 2( n )
Figura 4.2 Diagrama de blocos de um filtro Volterra adaptativo parcialmente

interpolado de segunda ordem.
Para a estrutura da Figura 4.2, os coeficientes so atualizados da seguinte forma:
h1 (n + 1) = h1 (n) + 21e(n)x1 (n)
h 2i (n + 1) = h 2i (n) + 2 2 e(n)x 2i (n),
(4.7)
onde x1 ( n) o vetor de entrada de primeira ordem; e x 2i (n) o vetor de entrada esparso de

segunda ordem, obtido a partir do vetor x1i (n) (4.5). Os passos de atualizao do algoritmo
adaptativo para o bloco de primeira ordem e para o bloco esparso de segunda ordem so
dados por 1 e 2 , respectivamente.
O nmero total de coeficientes para este filtro determinado somando o nmero de
coeficientes para cada um dos blocos, obtido atravs de (2.12). importante lembrar que o
tamanho de memria dos blocos interpolados reduzido de acordo com (4.2). Na Tabela
4.2, as diferentes estruturas so comparadas em nmero requerido de coeficientes. Podemos
observar, a partir desta tabela, que o nmero de coeficientes obtido com a abordagem
parcialmente interpolada bem prximo daquele alcanado com uma estrutura empregando
interpolao total.
33
Tabela 4.2 Nmero de coeficientes para as diferentes estruturas com L = 2

Memria
Ordem
3
10
25
50
10
25
2
2
2
2
3
3
Volterra
9
65
350
1325
285
3275
Nmero de coeficientes
Interpolado
Parc. Interpolado
5
6
20
25
104
116
350
375
55
60
559
571
Alm da reduo de complexidade computacional obtida, o filtro Volterra

parcialmente interpolado menos sensvel a plantas com baixo grau de similaridade entre
coeficientes do que a verso totalmente interpolada. A estrutura da Figura 4.2, formada por
um filtro linear adaptativo no-interpolado em paralelo com blocos de ordem superior
interpolados, em geral, apresenta um desempenho melhor ou, no mnimo, igual ao obtido
por uma soluo puramente linear.
4.3 Simulaes
Para ilustrar o desempenho das estruturas propostas, so apresentados resultados de

simulao considerando um problema de identificao de sistema. Atravs de exemplos, o
filtro Volterra adaptativo interpolado e o parcialmente interpolado so comparados, em
relao ao comportamento do erro quadrtico mdio, com filtros Volterra adaptativos
convencionais e filtros FIR lineares adaptativos. Nos exemplos que apresentam filtros de
segunda ordem, tambm so realizadas comparaes com implementaes do filtro
Volterra adaptativo simplificado [15]. Esse ltimo consiste de uma implementao esparsa
do filtro Volterra adaptativo de segunda ordem que despreza os coeficientes de segunda
ordem mais distantes da diagonal principal, uma vez que esses coeficientes, em muitas
aplicaes prticas, so de menor importncia [15]. Isso pode ser mais bem observado
considerando-se a relao entrada/sada do bloco de segunda ordem, dada por
K N k 1
y2 ( n ) =
k =0 m=0
h2 (m, m + k ) x(n m) x(n m k ) ,
(4.8)
onde y2 (n) o sinal de sada do bloco de segunda ordem; x( n) denota o sinal de entrada;
h2 (m, m + k ) representa os coeficientes de segunda ordem; e N o tamanho de memria
do filtro. Em (4.8) tem-se ainda o fator K que determina a quantidade de coeficientes do
34
filtro Volterra que desprezada na implementao simplificada. Escolhendo K = N 1

tem-se a implementao de um filtro Volterra completo. Reduzindo-se esse valor estaremos
desprezando os coeficientes mais afastados da diagonal principal [15]. O passo de
adaptao usado para as diferentes estruturas est indicado em cada um dos exemplos
considerados. O fator de interpolao utilizado L = 2 e a resposta ao impulso do
interpolador dada por I = [0,5 1 0,5]T . A varincia do rudo z ( n) 2z = 0, 001 .
Exemplo 4.1: Para este exemplo, a planta um filtro linear com resposta ao impulso dada
por
[0, 05 0,1 0 0,15 0,32 0, 4 0,32 0,15 0 0,1 0, 05]T
seguido
por
uma
no-linearidade sem memria, de tal forma que o sinal desejado obtido atravs de
d (n) = yf (n) + 0,3 yf2 (n) , onde yf (n) a sada do filtro linear. O sinal de entrada branco e
Gaussiano, com varincia unitria. A escolha do passo de adaptao feita levando-se em
considerao um limite superior, denotado aqui por max , dado por [5]
max =
1
,
3tr[R ]
(4.9)
onde R a matriz de autocorrelao do sinal de entrada e tr[] corresponde ao operador

trao da matriz. Apesar de (4.9) ser obtida de forma aproximada [5], esse limite bastante
prximo daquele obtido na prtica. Tambm so consideradas as particularidades das
matrizes de correlao do sinal de entrada para cada caso. Com isso, os valores do passo de
adaptao usados e as dimenses de cada um dos filtros so: 0, 2 max com max = 0, 03
para o filtro linear de 11 coeficientes; 0, 2 max com max = 0, 0033 para o filtro Volterra
convencional de 77 coeficientes; 0, 2 max com max = 0, 05 para o filtro Volterra
interpolado de 27 coeficientes; 0, 2 max
com max = 0, 04 para o filtro Volterra
parcialmente interpolado de 32 coeficientes; 0, 2 max com max = 0, 006 para o filtro

Volterra simplificado com K = 2 e 32 coeficientes; 0, 2 max com max = 0, 005 para o filtro
Volterra simplificado com K = 3 e 41 coeficientes; 0, 2 max com max = 0, 0046 para o
filtro Volterra simplificado com K = 4 e 49 coeficientes. As curvas do erro quadrtico
mdio foram obtidas atravs de simulao Monte Carlo (mdia de 200 realizaes). A
Figura 4.3 mostra uma comparao entre o filtro linear adaptativo, o filtro Volterra
35
adaptativo convencional e as estruturas propostas neste trabalho. Levando-se em conta a

reduo de complexidade, as abordagens interpoladas apresentaram um desempenho
comparvel ao do filtro Volterra convencional, especialmente o do filtro Volterra
adaptativo parcialmente interpolado. A Figura 4.4 mostra uma comparao entre as
implementaes do filtro Volterra adaptativo simplificado [15] e o filtro parcialmente
interpolado. Podemos observar que, para este exemplo, o filtro simplificado tem um
desempenho inferior ao do filtro parcialmente interpolado, mesmo usando um nmero
maior de coeficientes (49 contra 32).
Exemplo 4.2: Para este exemplo, a planta usada semelhante do exemplo anterior, com
diferena apenas na parte linear, que possui uma resposta ao impulso dada por
[0, 4 0, 2 0,1 0,15 -0, 05 -0,1 0 0, 2 0,3 0,25 0, 02]T . possvel notar que tal planta
possui baixo grau de similaridade entre as amostras, afetando sobremaneira o desempenho
de uma abordagem interpolada. A no-linearidade sem memria e o sinal de entrada so os
mesmos do Exemplo 4.1. O nmero de coeficientes e os valores do passo de adaptao so
tambm idnticos aos do Exemplo 4.1, exceto para os filtros Volterra simplificados que
apresentam: 0, 2 max com max = 0, 005 para o filtro Volterra simplificado com K = 7 e 67
coeficientes; 0, 2 max com max = 0, 0034 para o filtro Volterra simplificado com K = 9 e
74 coeficientes. A Figura 4.5 ilustra os resultados obtidos atravs de simulao Monte
Carlo (mdia de 200 realizaes). Como esperado, o filtro Volterra adaptativo interpolado
apresenta pior desempenho do que o filtro linear adaptativo, devido s caractersticas da
planta utilizada. Por outro lado, o filtro Volterra adaptativo parcialmente interpolado tem
desempenho um pouco melhor do que o filtro linear, confirmando as suposies
apresentadas na Seo 4.2. Atravs da comparao com o filtro Volterra simplificado [15]
da Figura 4.6, podemos notar que o desempenho do filtro parcialmente interpolado (32
coeficientes alm de 3 coeficientes do interpolador) bem prximo ao do filtro Volterra
simplificado de 67 coeficientes.
Exemplo
4.3:
Neste
exemplo,
no-linearidade
sem
memria
dada
por
d (n) = 2 tanh[2,5 yf (n)] , onde yf (n) a sada de uma planta linear com coeficientes
36
[0,1 0,3 0,32 0,3 0,1]T . Agora, os filtros Volterra adaptativos possuem blocos de primeira
e de terceira ordens devido ao tipo de no-linearidade da planta usada. O tamanho de
memria dos filtros adaptativos igual a 5 e o sinal de entrada branco Gaussiano com
varincia 2x = 0,5 . Os valores do passo de adaptao so determinados experimentalmente
levando-se em conta o limite de estabilidade do algoritmo. Os passos de adaptao e o
nmero de coeficientes para cada estrutura simulada so: = 0, 0067 para o filtro linear de
5 coeficientes; = 0, 0005 para o filtro Volterra convencional de 40 coeficientes;
= 0, 0001 para o filtro Volterra interpolado de 13 coeficientes; = 0, 00015 para o filtro
Volterra parcialmente interpolado de 15 coeficientes. A Figura 4.7 apresenta a comparao
das curvas do erro quadrtico mdio do filtro linear adaptativo e do filtro Volterra
adaptativo com o filtro Volterra adaptativo interpolado (a) e com o parcialmente
interpolado (b). Novamente, possvel verificar o bom desempenho das estruturas
propostas, especialmente o do filtro Volterra adaptativo parcialmente interpolado, que
apresenta resultados muito bons para este caso.
10
linear (L)
Volterra (V)
interpolado (proposto) (VI)
parc. interpolado (proposto) (VPI)
-1
erro quadrtico mdio
10
L
VI
-2
10
VPI
-3
10
-4
10
500
1000
1500
2000
2500 3000
iterao
3500
4000
4500
5000
Figura 4.3. Exemplo 4.1. Evoluo do erro quadrtico mdio (mdia de 200
realizaes).
10
erro quadrtico mdio
simplificado [15] com 32 coef. (S32)

parc. interpolado (proposto) com 32 coef. (VPI)
-1
10
S32
-2
10
S41
S49
VPI
-3
10
500
1000
1500
2000
2500 3000
iterao
3500
4000
4500
5000
realizaes).
1
10
linear (L)
Volterra (V)
10
erro quadrtico mdio
VI
-1
10
L
VPI
-2
10
-3
10
-4
10
500
1000
1500
2000
2500 3000
iterao
3500
4000
4500
5000
realizaes).
37
10
Volterra (V)
parc. interpolado (proposto) com 32 coef. (VPI)
-1
erro quadrtico mdio
10
VPI
S67
-2
10
S74
-3
10
-4
10
500
1000
1500
2000
2500 3000
iterao
3500
4000
4500
5000
realizaes).
38
10
erro mdio quadrtico
linear (L)
Volterra (V)
10
-1
10
VI
V
-2
10
50000
iterao
100000
(a)
10
erro mdio quadrtico
linear (L)
Volterra (V)
10
-1
10
VPI
V
-2
10
50000
iterao
100000
(b)
realizaes). (a) Comparao com o filtro Volterra interpolado. (b) Comparao
com o filtro Volterra parcialmente interpolado.
39
40
4.4 Consideraes
Neste captulo, foram apresentadas estruturas simplificadas para a implementao

de filtros Volterra adaptativos. O uso de uma abordagem interpolada permitiu a
implementao de solues subtimas com considervel reduo de complexidade
computacional. Atravs de simulaes, foi possvel verificar o desempenho e a
aplicabilidade
dos
algoritmos
propostos,
particularmente,
quando
restries
de
complexidade so consideradas. Tais resultados tambm originaram uma publicao [30],

considerando as estruturas propostas.
CAPTULO
5
Anlise Estatstica com Restrio nos Coeficientes de

Filtros Volterra Adaptados pelo Algoritmo LMS e sua
Aplicao a Filtros Interpolados e com Atraso
Neste captulo apresenta-se uma anlise estatstica do filtro Volterra adaptativo com
restrio nos pesos. O objetivo tratar dos filtros Volterra adaptativos interpolados e
parcialmente interpolados (Captulo 4), dos filtros Volterra adaptativos com atraso [14], e
ainda dos filtros Volterra adaptativos simplificados [15]. Expresses para o vetor timo dos
pesos e os momentos de primeira e segunda ordem so desenvolvidas levando-se em conta
as restries nos coeficientes apresentadas por esses filtros devido sua topologia esparsa.
Resultados de simulaes so apresentados para verificar a preciso das expresses obtidas.
5.1 Vetor de Coeficientes timo com Restries
O interesse aqui lidar com filtros Volterra adaptativos com restries nos pesos,
que apresentam algum tipo de esparsidade. Como em [31] e [28], as restries impostas ao
filtro podem ento ser expressas da seguinte forma:
CT h V = f ,
(5.1)
onde C a matriz de restrio, f o vetor de resposta e h V o vetor de coeficientes do filtro

Volterra. Temos agora um problema de otimizao definido pela minimizao do erro
quadrtico mdio submetido s restries dadas por (5.1), ou seja,
minimizar E[e 2 (n)]
submetido a CT h V = f .
Supe-se agora um filtro Volterra adaptativo no contexto da estimao de um sinal

desejado d (n) baseado em um sinal de excitao x(n) . Esse esquema est ilustrado na
Figura 3.1. Temos a partir dessa figura que o sinal de erro instantneo e(n) dado por
e(n) = d (n) y (n) = d (n) h TV x V (n) ,
(5.2)
Captulo 5 Anlise Estatstica com Restrio nos Coeficientes
42
onde y (n) o sinal de sada do filtro Volterra adaptativo, x V (n) o vetor de entrada do
filtro Volterra e h V o vetor de coeficientes. Elevando-se (5.2) ao quadrado e tomando-se
seu valor esperado, obtm-se
E[e2 (n)] = E[d 2 (n)] 2 E[d (n)xTV (n)]h V + h TV E[x V (n)xTV (n)]h V .
(5.3)
Substituindo-se p = E[d (n)x V (n)] e R VV = E[x V (n)x TV (n)] em (5.3), a seguinte expresso
para o erro quadrtico mdio obtida:
(n) = E[e2 (n)] = E[d 2 (n)] 2p TV h V + h TV R VV h V .
(5.4)
Para incluir as restries na funo custo (erro quadrtico mdio), o mtodo dos
multiplicadores de Lagrange utilizado [32] [31] [29]. Assim, adicionando-se a (5.4) o
vetor de multiplicadores de Lagrange , obtm-se a seguinte funo custo:
J = E[e 2 (n)] + T (CT h V f )
= E[d 2 (n)] 2p TV h V + h TV R VV h V + T (CT h V f ).
(5.5)
Para obter o valor de h V com restries que minimize o erro quadrtico mdio, faz-se
hV J = 0 . Assim,
hV J = 2p V + 2R VV h V + C = 0 ,
(5.6)
de onde se obtm o valor timo com restries dos pesos em funo de , dado por
h Vo =
1 1
R VV (2p V C) .
2
(5.7)
Como (5.7) deve tambm satisfazer s restries dadas por (5.1), podemos escrever
1
1
CT h Vo = f = CT R VV
(2p V C) .
2
(5.8)
Isolando-se em (5.8), obtm-se o vetor dos multiplicadores de Lagrange, que dado por
1
1
1
= 2 CT R VV
C (f CT R VV
pV ) .
(5.9)
Finalmente, atravs da substituio de (5.9) em (5.7), o vetor de pesos timo com restries
obtido. Assim,
1
1
1
h Vo = R VV
p V + R VV
C ( CT R VV
C)
(f C R
T
1
VV
pV ) .
(5.10)
Para os filtros Volterra interpolados, com atraso e simplificados, o vetor de resposta f um

vetor de zeros. Isso ocorre pois os coeficientes que sofrem restries so anulados, ou seja,
fixados em zero. Com isso, possvel reescrever (5.10) como

1
1
1
1
h Vo = I R VV
C ( CT R VV
C ) CT R VV
pV ,
43
(5.11)
onde I a matriz identidade com dimenso idntica R VV .

5.2 Equao de Atualizao dos Pesos com Restries
Como descrito na Seo 1.2.3, o algoritmo LMS uma implementao estocstica

do mtodo steepest descent obtida atravs da substituio da funo custo por sua
estimativa instantnea. Do algoritmo steepest descent (Seo 1.2.2), temos ainda que a
atualizao dos pesos feita na direo oposta ao gradiente da funo custo.
Considerando-se a funo custo com restries, a atualizao dos pesos realizada como
segue:
h V (n + 1) = h V (n) hV J .
(5.12)
Escrevendo-se o valor instantneo da funo custo (5.5) como

J (n) = d 2 (n) 2d (n)x V (n)h V (n)
+h TV (n)x V (n)x TV (n)h V (n) + T (CT h V (n) f ),
(5.13)
temos seu gradiente instantneo dado por

hV J (n) = 2d (n)x V (n) 2 z (n)x V (n) + 2x V (n)x TV (n)h V (n) + C (n) .
(5.14)
Substituindo-se agora (5.14) em (5.12) e ainda com e(n) = d (n) x TV (n)h V (n) , obtm-se
h V (n + 1) = h V (n) + 2e(n)x V (n) C (n) .
(5.15)
Os multiplicadores de Lagrange so obtidos impondo a restrio de (5.1) a (5.15),

resultando em
f = CT h V (n + 1) = CT h V (n) + 2CT e(n)x V (n) CT C (n) .
(5.16)
Como CT C = I (matriz identidade), isolamos (n) em (5.16), obtendo-se

( n) =
1
f CT h V (n) 2CT e(n)x V (n) .
(5.17)
Finalmente, substituindo-se (5.17) em (5.15), obtm-se a equao de atualizao dos

coeficientes com restries, dada por
h V (n + 1) = P [h V (n) + 2e(n)x V (n) ] + Cf ,
onde P = I CCT .
(5.18)
44
Analisando-se a matriz P , possvel constatar que ela possui elementos apenas na

diagonal principal e, ainda, que esses elementos so iguais a um quando correspondentes
aos pesos onde no h restrio e zero quando correspondentes aos pesos onde so impostas
as restries. Assim, como o vetor f um vetor de zeros para as implementaes aqui
consideradas, podemos observar que a equao de atualizao (5.18) nada mais do que a
aplicao do algoritmo LMS apenas aos pesos no-restritos.
5.3 Comportamento Mdio dos Pesos
Para obter uma expresso recursiva para o comportamento mdio dos pesos,
considera-se primeiramente um sinal de rudo descorrelacionado, com mdia zero,
adicionado ao sinal de erro instantneo de (5.2). Com isso, tem-se
e(n) = d (n) + z (n) h TV (n)x V (n) .
(5.19)
Substituindo-se (5.19) na equao de atualizao dos pesos com restries, dada por (5.18),
e tomando-se seu valor esperado, obtm-se
E[h V (n + 1)] = P{E[h V (n)] + 2E[d (n)x V (n)]
+2E[ z (n)x V (n)] 2E[x V (n)x TV (n)h V (n)]} + Cf .
(5.20)
O problema para prosseguir com esta anlise a resoluo de E[x V (n)x TV (n)h V (n)] . Como
considerado na Seo 3.2, possvel assumir uma fraca dependncia entre o vetor de pesos
e o vetor de entrada para pequenos valores do passo de atualizao [5] [28], resultando em
(3.10). Como o rudo z (n) descorrelacionado dos demais sinais do sistema e possui
mdia
zero,
temos
E[ z (n)x V (n)] = 0 .
Fazendo-se
p V = E[d (n)x V (n)] ,
R VV = E[x V (n)x TV (n)] e substituindo-se (3.10) em (5.20), obtm-se a expresso para o
comportamento mdio dos pesos, dada por

E[h V (n + 1)] = P(I 2R VV ) E[h V (n)] + 2Pp V + Cf .
(5.21)
Para os casos j comentados onde f um vetor nulo, possvel reescrever (5.21) como
E[h V (n + 1)] = P (I 2R VV ) E[h V (n)] + 2Pp V .
(5.22)
45
5.4 Vetor de Erro dos Pesos
Com o vetor de erro dos pesos, definido por v(n) = h V (n) h Vo , manipulamos
(5.21) para obter
E[ v(n + 1)] + h Vo = P(I 2R VV ) E[ v(n)]
+ Ph Vo 2PR VV h Vo + 2Pp V + Cf .
(5.23)
Podemos verificar que h Vo = Ph Vo , visto que, multiplicando-se o vetor de pesos timo pela
matriz P , apenas so multiplicados por zero os elementos nulos desse vetor e por um os
demais elementos. Tambm temos que PR VV h Vo = Pp V . Isso ocorre pois as diferenas
entre os vetores R VV h Vo e p V esto justamente nos elementos que so anulados quando
tais elementos so multiplicados pela matriz P . Com essas consideraes e manipulando-se
a expresso (5.23), obtm-se a expresso recursiva para o comportamento do vetor de erro
dos pesos, dada por
E[ v (n + 1)] = P(I 2R VV ) E[ v(n)] .
(5.24)
5.5 Erro Quadrtico Mdio
A expresso para o erro quadrtico mdio obtida de maneira similar ao que foi
realizado na Seo 3.5. Primeiramente o erro instantneo escrito como
e(n) = eo (n) v T (n)x V (n) .
(5.25)
Elevando-se (5.25) ao quadrado e tomando-se seu valor esperado, obtm-se

E[e2 (n)] = E[eo2 (n)] 2 E[eo (n) v T (n)x V (n)] + E[ v T (n)x V (n)xTV (n) v(n)] .
(5.26)
Realizando-se o mesmo procedimento da Seo 3.5, a expresso para curva de

aprendizagem obtida. Assim,
(n) = min + tr {K (n)R VV } .
(5.27)
5.6 Aproximao para o Momento de Segunda Ordem
De maneira similar Seo 3.6, substituindo-se v (n) = h V (n) h Vo em (5.18),

obtm-se
v (n + 1) + h Vo = P [ v (n) + h Vo + 2e(n)x V (n) ] + Cf .
(5.28)
46
Como mencionado anteriormente, Cf uma matriz nula para os filtros interpolados, os

filtros com atraso e os filtros simplificados. Assim, considerando-se Ph Vo = h Vo e
e(n) = eo (n) v T (n)x V (n) , possvel reescrever (5.28) como
v (n + 1) = P v(n) + 2eo (n)x V (n) 2x V (n)xTV (n) v (n) .
(5.29)
Levando-se em conta que P = P T , multiplicando-se (5.29) por sua verso transposta,

obtm-se
v (n + 1) v T (n + 1) =
Pv (n) v T (n)P
+ 2Pv(n)eo (n)xTV (n)P
2Pv(n) v T (n)x V (n)xTV (n)P
+ 2Peo (n)x V (n) v T (n)P
+ 4 2 Px V (n)eo (n)eo (n)xTV (n)P
(5.30)
4 2 Peo (n)x V (n) v T (n)x V (n)xTV (n)P

2Px V (n)xTV (n) v(n) v T (n)P
4 2 Px V (n)xTV (n) v(n)eo (n)xTV (n)P
+ 4 2 Px V (n)xTV (n) v(n) vT (n)x V (n)xTV (n)P.
Por razes de tratabilidade matemtica e simplicidade de resultados, adotamos aqui

novamente a aproximao considerada na Seo 3.6. Assim, desprezando-se os termos
dependentes de 2 em (5.30) e tomando-se seu valor esperado, uma expresso recursiva
aproximada para K ( n) obtida. Portanto,
K (n + 1) = P[K (n) 2K (n)R VV + 2R VV K (n)]P .
(5.31)
Finalmente, com (5.31) e (5.27) possvel obter a curva de aprendizagem do filtro Volterra
adaptativo com restries nos pesos.
5.7 Aplicaes da Anlise com Restries nos Pesos
Como comentado no incio deste captulo, a anlise com restries aqui apresentada
permite verificar o comportamento dos momentos de primeira e segunda ordens de filtros
Volterra adaptados pelo algoritmo LMS considerando-se restries nos pesos. Nesta seo,
a aplicao da anlise com restries nos pesos descrita para as implementaes do filtro
Volterra adaptativo mencionadas anteriormente.
47
5.7.1 Filtro Volterra Adaptativo Interpolado
A Figura 5.1 apresenta a estrutura em blocos de um filtro Volterra interpolado

adaptativo considerando-se um esquema de identificao de um sinal baseado na excitao
x(n) . Tal estrutura consiste de um filtro interpolador de entrada seguido por um filtro
Volterra adaptativo esparso, como descrito no Captulo 4. Na Figura 5.1, I representa o

interpolador, xi (n) o sinal de entrada interpolado e h Vi o filtro Volterra adaptativo esparso.
Os demais elementos so os mesmos considerados na Figura 3.2.
d(n)+z(n)
x(n)
xi(n)
hVi(n)
y(n)
e(n)
LMS
Figura 5.1 Diagrama de blocos do filtro Volterra adaptativo interpolado.

Para realizar a anlise deste filtro, precisamos inicialmente montar a matriz de
restries C levando-se em conta quais pesos do filtro vo sofrer restrio. Para
exemplificar o procedimento, feita a anlise de um filtro Volterra adaptativo de segunda
ordem com tamanho de memria igual a trs. Para esse filtro, o vetor de entrada dado por
x V (n) = [ x(n) x(n 1) x(n 2) x 2 (n) x(n) x(n 1)
x(n) x(n 2) x 2 (n 1) x(n 1) x(n 2) x 2 (n 2)].
(5.32)
A verso interpolada do filtro Volterra adaptativo com fator de interpolao L = 2 ,

apresenta um vetor de entrada gerado a partir do sinal de entrada interpolado xi (n) . As
restries so impostas aos elementos dependentes de x(n 1) para este caso. Com isso,
tem-se o vetor de entrada
x V (n) = [ xi (n) xi (n 1) xi (n 2) xi2 (n) xi (n) xi (n 1)
xi (n) xi (n 2) xi2 (n 1) xi (n 1) xi (n 2) xi2 (n 2)],
(5.33)
onde os elementos que sofrem as restries esto sublinhados. Podemos observar que
quatro restries so impostas, no segundo, quinto, stimo e oitavo elementos do vetor de
48
entrada e, conseqentemente, do vetor de coeficientes do filtro. A matriz de restrio e o

vetor de resposta so ento dados por
0
0
CT =
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
e f = .
0
0

0
0
(5.34)
importante ressaltar que o sinal de entrada para o filtro Volterra adaptativo sujeito a tal
anlise xi (n) ; portanto, a matriz de correlao de entrada R VV e o vetor p V devem ser
gerados a partir desse sinal e de (5.33). A anlise do comportamento do filtro Volterra
adaptativo interpolado ento realizada aplicando-se as expresses desenvolvidas nas
sees anteriores deste captulo.
5.7.2 Filtro Volterra Adaptativo Parcialmente Interpolado
Como descrito na Seo 4.2, o filtro Volterra adaptativo parcialmente interpolado

uma verso do filtro Volterra adaptativo interpolado que emprega interpolao e
esparsidade apenas nos blocos, e conseqentemente nos pesos, de ordem superior do filtro
Volterra. Assim, o vetor de entrada de um filtro de 2a ordem e com tamanho de memria
igual trs
x V (n) = [ x(n) x(n 1) x(n 2) xi2 (n) xi (n) xi (n 1)
xi (n) xi (n 2) xi2 (n 1) xi (n 1) xi (n 2) xi2 (n 2)].
(5.35)
Podemos observar que o bloco de segunda ordem do filtro emprega interpolao e

esparsidade, resultando em restries nos elementos sublinhados do vetor. J o bloco de
primeira ordem no utiliza o sinal interpolado e tambm no possui restries. Com as trs
restries indicadas em (5.35), temos a seguinte matriz de restries e vetor de resposta:
0 0 0 0 1 0 0 0 0
0
CT = 0 0 0 0 0 0 1 0 0 e f = 0 .
0 0 0 0 0 0 0 1 0
0
(5.36)
A anlise ento realizada usando-se as expresses desenvolvidas nas sees anteriores,

sempre tomando-se o cuidado de montar a matriz R VV e o vetor p V a partir do vetor
definido por (5.35).
49
5.7.3 Filtro Volterra Adaptativo com Atraso
A Figura 5.2 mostra o diagrama em blocos de um filtro Volterra adaptativo com

atraso. Esse filtro est descrito em detalhes em [14] e consiste de um bloco de atraso na
entrada ( z d1 ) seguido por um filtro Volterra adaptativo. A primeira vista, a anlise de seu
comportamento pode ser obtida usando-se apropriadamente uma anlise sem restries,
como quela discutida no captulo 4. Porm, como descrito em [14], muitas vezes vrios
desses filtros so utilizados em paralelo, resultando em um filtro com restries
determinadas pelos atrasos e tamanhos de memria de cada um deles. Para tal situao, a
anlise com restries se torna bastante vantajosa.
d(n)+z(n)
x(n)
z
-d 1
y(n)
hV(n)
e(n)
Figura 5.2 Diagrama de blocos do filtro Volterra adaptativo com atraso

aplicado a um problema de estimao de sinal.
Para ilustrar o emprego da anlise com restries, um exemplo simples mostrado.
Assim, a partir do vetor de entrada de um filtro Volterra de segunda ordem com tamanho de
memria igual a trs (5.32), temos o vetor de entrada de um filtro Volterra adaptativo com
atraso de uma amostra na entrada dado por
x(n) x(n 2) x 2 (n 1) x(n 1) x(n 2) x 2 (n 2)],
(5.37)
onde os elementos sublinhados so os que sofrem restrio. Assim, temos a matriz de

restrio e o vetor de resposta dados por
1
0
CT =
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
e f = .
0
0

0
0
(5.38)
Com C , f e as expresses obtidas neste captulo, podemos obter o comportamento dos

momentos de primeira e segunda ordens dos coeficientes deste filtro.
50
5.7.4 Filtro Volterra Adaptativo Simplificado
Como comentado na Seo 4.3, o filtro Volterra adaptativo simplificado consiste de

uma implementao esparsa do filtro Volterra adaptativo de segunda ordem que apresenta
restrio nos coeficientes mais afastados da diagonal principal [15]. Sua relao
entrada/sada descrita por (4.8). Para exemplificar a anlise do seu comportamento,
consideramos um filtro Volterra adaptativo simplificado com tamanho de memria igual a
trs e K = 1 . O vetor de entrada ento dado por
x(n) x(n 2) x 2 (n 1) x(n 1) x(n 2) x 2 (n 2)],
com os elementos que sofrem restrio sublinhados. De forma similar s sees anteriores,
a matriz de restrio e o vetor de respostas so dados por
0 0 0 0 1 0 0 0 0
0
C = 0 0 0 0 0 1 0 0 0 e f = 0
0 0 0 0 0 0 0 1 0
0
T
Com isso basta usar as expresses desenvolvidas para avaliar o comportamento do filtro
adaptativo.
5.8 Simulaes
Nesta seo so apresentados resultados obtidos por simulao com o objetivo de

comprovar a validade da anlise com restrio nos pesos. Nessas simulaes, os resultados
obtidos atravs das expresses desenvolvidas so comparados com aqueles obtidos atravs
do mtodo de Monte Carlo. Os valores do passo de adaptao usados so relacionados ao
valor mximo do passo max determinado experimentalmente. Para todos os casos, o rudo
aditivo z (n) possui varincia 2z = 0, 001 .
Exemplo 5.1: O filtro a ser avaliado nesse exemplo um filtro Volterra adaptativo
interpolado de segunda ordem com tamanho de memria igual 3 e fator de interpolao

L = 2 . A planta a ser modelada pelo filtro adaptativo possui relao entrada/sada dada por
51
d (n) = x(n) + 0,5 x(n 1) + 0, 2 x(n 2) +

+ 0,5 x 2 (n) + 0,3 x(n) x(n 1) + 0, 05 x(n) x(n 2)
0,1x 2 (n 1) 0, 2 x(n 1) x(n 2) 0, 05 x 2 (n 2).
O sinal de entrada branco Gaussiano com varincia unitria. Neste exemplo, o filtro foi
simulado para trs valores de , dados por max / 2 , max / 4 e max / 20 , com max = 0, 02 .
Tambm foram obtidos por simulao os valores de
E[x V (n)xTV (n)h V (n)]
E[x V (n)x TV (n)]E[h V (n)] com a finalidade de verificar a aproximao adotada atravs de
(3.10) (hiptese da independncia). A Figura 5.3 apresenta o comportamento mdio de
alguns dos pesos obtido atravs de (3.12) em comparao com o resultado obtido atravs do
mtodo de Monte Carlo (mdia de 100 realizaes). Nesta figura podemos notar que existe
uma pequena diferena entre a simulao e o resultado do modelo. Isto ocorre, pois para
valores grandes do passo de adaptao, a aproximao considerada em (3.10) no apresenta
bons resultados. Na Figura 5.4 temos os valores dos vetores E[x V (n)x TV (n)h V (n)] e
E[x V (n)x TV (n)]E[h V (n)] obtidos por simulao comprovando tal diferena para o valor do
passo de adaptao usado. Com a reduo do passo de adaptao para max / 4 , resultados
melhores so obtidos, o que pode ser constatado atravs das Figuras 5.5 e 5.6, seguindo o
mesmo padro das Figuras 5.3 e 5.4. Reduzindo ainda mais o passo de adaptao
( max / 20 ) as diferenas praticamente desaparecem, como podemos verificar atravs das
Figuras 5.7 e 5.8. Nas Figuras 5.9, 5.10 e 5.11 esto apresentadas as curvas de
aprendizagem para os diferentes valores de . Novamente os resultados tericos so
comparados com resultados de simulao (mdia de 500 realizaes). Para o maior valor do
passo de adaptao ( max / 2 ), uma diferena muito pequena pode ser notada. Para os outros
casos, podemos observar um casamento muito bom nos resultados obtidos, confirmando as
conjecturas previamente apontadas.
52
1.6
1.4
1.2
1
E[hV (n)]
0.8
0.6
0.4
0.2
0
-0.2
-0.4
500
1000
1500
iterao
2000
2500
3000
slida) simulao (mdia de 100 realizaes); (Linha pontilhada com
marcadores) modelo dado por (5.22).
0.6
0.5
0.4
0.3
0.2
0.1
-0.1
5
n
Figura 5.4. Exemplo 5.1. Simulao (mdia de 100 realizaes) usando

= 0,5 max . (Linha slida) E[x V (n)xTV (n)]E[h V (n)] ; (Linha pontilhada)
E[x V (n)xTV (n)h V (n)] .
53
1.6
1.4
1.2
1
E[hV (n)]
0.8
0.6
0.4
0.2
0
-0.2
-0.4
500
1000
1500
2000
2500 3000
iterao
3500
4000
4500
5000
Figura 5.5. Exemplo 5.1. Evoluo de E[h V (n)] com = 0, 25 max . (Linha
0.6
0.5
0.4
0.3
0.2
0.1
-0.1
5
n

= 0, 25 max . (Linha slida) E[x V (n)xTV (n)]E[h V (n)] ; (Linha pontilhada)
54
1.6
1.4
1.2
1
E[hV (n)]
0.8
0.6
0.4
0.2
0
-0.2
-0.4
10000
iterao
20000
Figura 5.7. Exemplo 5.1. Evoluo de E[h V (n)] com = 0, 05 max . (Linha
0.7
0.6
0.5
0.4
0.3
0.2
0.1
5
n

= 0, 05 max . (Linha slida) E[x V (n)xTV (n)]E[h V (n)] ; (Linha pontilhada)
55
(n)
10
10
-1
10
500
1000
1500
iterao
Figura 5.9. Exemplo 5.1. Evoluo de (n) com = 0,5 max . (Linha preta)
simulao (mdia de 500 realizaes); (Linha branca) modelo dado por (5.27) e
(5.31).
1
(n)
10
10
-1
10
500
1000
1500
2000
iterao
2500
3000
3500
4000
simulao(mdia de 500 realizaes); (Linha branca) modelo dado por (5.27) e
(5.31).
56
(n)
10
10
-1
10
5000
iterao
10000
(5.31).
Exemplo 5.2: O filtro adaptativo deste exemplo um filtro Volterra parcialmente
interpolado (Seo 4.2) com tamanho de memria igual a 5, possuindo um bloco de
primeira ordem e um bloco esparso de terceira ordem. Esse filtro usado para modelar uma
planta Volterra, tambm com tamanho de memria 5, possuindo os seguintes vetores de
coeficientes:
h1 = [0,12 0,3 0, 41 0,3 0,12],
h3 = [0,135 0, 08 0, 0300 0, 005 0,11 0, 07 0, 01 0,125 0, 0850
0, 015 0, 0300 0, 07 0,1 0, 055 0.075 0.02 0,1 0, 095 0, 02
0, 085 0, 095 0, 03 0, 065 0,1 0, 07 0, 06 0, 06 0, 02
0,04 0,055 0,085 0,045 0,01 0,075 0,005].
O sinal de entrada branco Gaussiano com varincia unitria e o valor do passo de

adaptao utilizado max / 8 com max = 0, 008 . A Figura 5.12 apresenta o comportamento
mdio de alguns dos pesos obtidos pelo modelo proposto, comparando os resultados com
aqueles obtidos por simulao (mdia de 100 realizaes). J a Figura 5.13 mostra a curva
de aprendizagem terica em comparao com a simulao (mdia de 500 realizaes).
Novamente, podemos constatar a eficincia da modelagem desenvolvida.
57
0.7
0.6
0.5
0.4
E[hV (n)]
0.3
0.2
0.1
0
-0.1
-0.2
25000
iterao
50000
1
10
(n)
10
-1
10
-2
10
3750
iterao
7500
(5.31).
58
Exemplo 5.3: Neste exemplo o filtro adaptativo utilizado um filtro Volterra adaptativo de
segunda ordem com atraso [14] e tamanho de memria igual a 11. Para esse caso, foi
empregado um filtro com um atraso de duas amostras na entrada seguido de um bloco com
tamanho de memria igual a 4, seguido ainda de mais um atraso de duas amostras e outro
bloco com tamanho de memria igual a 3. Isso resulta em restries nos pesos dependentes
de x(n) , x(n 1) , x(n 6) e x(n 7) , como discutido na Seo 5.7.3. A planta possui os
seguintes vetores de coeficientes:
h1 = [0,1 0,15 0,35 0,5 0,37 0, 28 0, 2 0,1 0, 2 0, 4 0,3],
h 2 =[ - 0,13 0, 025 0, 22 - 0, 08 0, 08 - 0, 05 0, 06 0,1 - 0, 05 - 0, 04 0, 08
0,17 - 0, 06 - 0, 04 0, 05 0, 03 0,11 0, 006 0,14 - 0, 005 - 0,16 0,10
0, 25 0,15 0,10 0 - 0, 2 0, 082 - 0, 07 - 0,18 0, 03 0,17 0, 09 0, 25
0, 231 - 0, 221 - 0, 07 0, 025 - 0,12 0, 05 - 0, 23 0, 03 0,10 0, 23 0,13
0,12 - 0, 034 0, 07 0,15 - 0, 21 0, 22 0, 21 0, 05 - 0,12 0,18 0 0,11
- 0, 04 0, 23 - 0, 21 0, 03 - 0,10 0,18 - 0, 08 0, 09 - 0, 03].
Foram realizadas simulaes para diferentes valores do passo de adaptao e tambm com
sinais Guassianos branco e colorido na entrada. O sinal colorido foi obtido atravs de um
processo AR dado por x(n) = x(n 1) + 1 2 u (n) , onde u (n) um rudo branco
Gaussiano com varincia unitria e = 0,5 . Os valores de utilizados so max / 5 e
max /10 com max = 0, 005 para o filtro com rudo branco na entrada e max /10 com
max = 0, 001 para o filtro com rudo colorido de entrada. A Figura 5.14 mostra o
comportamento mdio de alguns dos pesos e a Figura 5.15 a curva de aprendizagem do
filtro com sinal branco de entrada e passo de adaptao max / 5 . Como podemos observar,
os resultados obtidos so satisfatrios, apenas uma pequena diferena na curva de
aprendizagem pode ser notada. Reduzindo-se o passo de adaptao para max /10 tal
diferena tende a desaparecer, como podemos constatar nas Figuras 5.16 e 5.17. Nas
Figuras 5.18 e 5.19 temos os resultados do filtro com sinal colorido na entrada e passo de
adaptao max /10 . Muito bons resultados so obtidos, confirmando a validade das
expresses desenvolvidas tambm para filtros com sinal colorido de entrada.
59
0.6
0.5
0.4
E[hV (n)]
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
6000
iterao
12000
Figura 5.14. Exemplo 5.3. Evoluo de E[h V (n)] com = 0, 2 max e sinal
branco de entrada. (Linha slida) simulao (mdia de 100 realizaes); (Linha
pontilhada com marcadores) modelo dado por (5.22).
1
(n)
10
10
-1
10
1000
2000
3000
4000
iterao
5000
6000
7000
Figura 5.15. Exemplo 5.3. Evoluo de (n) com = 0, 2 max e sinal branco de
entrada. (Linha preta) simulao (mdia de 500 realizaes); (Linha branca)
modelo dado por (5.27) e (5.31).
60
0.6
0.5
0.4
E[hV (n)]
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
6000
iterao
12000
Figura 5.16. Exemplo 5.3. Evoluo de E[h V (n)] com = 0,1 max e sinal
branco de entrada. (Linha slida) simulao (mdia de 100 realizaes); (Linha
pontilhada com marcadores) modelo dado por (5.22).
1
(n)
10
10
-1
10
1000
2000
3000
4000
5000 6000
iterao
7000
8000
9000 10000
Figura 5.17. Exemplo 5.3. Evoluo de (n) com = 0,1 max e sinal branco de
entrada. (Linha preta) simulao (mdia de 500 realizaes); (Linha branca)
61
0.6
0.5
0.4
E[hV (n)]
0.3
0.2
0.1
0
-0.1
-0.2
0
20000
iterao
40000
Figura 5.18. Exemplo 5.3. Evoluo de E[h V (n)] , com = 0,1 max e sinal
colorido de entrada. (Linha slida) simulao (mdia de 100 realizaes);
(Linha pontilhada com marcadores) modelo dado por (5.22).
1
10
(n)
10
-1
10
-2
10
15000
iterao
30000
Figura 5.19. Exemplo 5.3. Evoluo de (n) com = 0,1 max e sinal colorido
de entrada. (Linha preta) simulao (mdia de 500 realizaes); (Linha branca)
62
Exemplo 5.4: Neste exemplo o filtro a ser analisado um filtro Volterra adaptativo
simplificado [15], com tamanho de memria igual a 5 e K = 2 . Temos ainda uma planta
Volterra, tambm com tamanho de memria igual a 5, com os vetores de coeficientes dados
por
h1 = [1 0,7 0,4 0,1 0.1],
h 2 = [0, 4 0,3 0, 05 0, 02 0, 04 0, 25 0,3 0, 05
0, 03 0,1 0, 05 0, 01 0, 06 0, 05 0, 03].
O sinal de entrada branco Gaussiano com varincia unitria e o valor do passo de

adaptao max /10 com max = 0, 01 . A Figura 5.20 apresenta o comportamento mdio de
alguns dos pesos comparando o resultado obtido por simulao (mdia de 100 realizaes)
com o obtido das expresses desenvolvidas. Na Figura 5.21 temos a comparao da curva
de aprendizagem obtida por simulao (mdia de 500 realizaes) com os resultados
tericos. Os resultados apresentados novamente comprovam a eficincia das expresses
aqui desenvolvidas.
1.2
1
0.8
E[hV (n)]
0.6
0.4
0.2
0
-0.2
-0.4
500
1000
1500
2000
iterao
2500
3000
3500
63
10
(n)
10
-1
10
-2
10
-3
10
500
1000
1500
2000
iterao
2500
3000
3500
(5.31).
5.9 Consideraes
Uma modelagem estatstica do comportamento do filtro Volterra adaptativo com

restrio nos pesos foi apresentada neste captulo. A sua aplicao est relacionada s
implementaes de complexidade reduzida do filtro Volterra adaptativo que apresentam
esparsidade em sua estrutura. Exemplos foram descritos e simulaes foram realizadas para
demonstrar a efetividade da modelagem aqui desenvolvida.
CAPTULO
6
Discusses e Concluses
Neste trabalho, um estudo detalhado do filtro Volterra adaptativo foi apresentado.

Os principais resultados obtidos so discutidos, neste captulo, destacando tambm as
contribuies alcanadas. Finalmente, algumas propostas de trabalhos futuros so
elencadas.
6.1 Sumrio e Discusso dos Resultados
Aps uma breve discusso introdutria sobre a base terica da teoria de filtragem
adaptativa, as principais caractersticas do filtro Volterra so discutidas no Captulo 2. A
primeira caracterstica destacada a linearidade entre os coeficientes e o sinal de sada
deste filtro. Observando isso, possvel escrever a relao entrada/sada do filtro Volterra
atravs de uma operao pseudolinear, permitindo, assim, tratar matematicamente o
processo de filtragem com maior elegncia e simplicidade. A segunda caracterstica
realada a possibilidade de decomposio em blocos do filtro Volterra. Do ponto de vista
de implementao, grandes vantagens podem ser extradas de tal caracterstica. Uma delas
a possibilidade de eliminar blocos eventualmente desnecessrios para algumas aplicaes,
com conseqente reduo de complexidade computacional. Ainda no Captulo 2,
consideraes sobre complexidade computacional e nmero de coeficientes so discutidas.
No Captulo 3, uma anlise estatstica do comportamento do filtro Volterra adaptado
pelo algoritmo LMS apresentada. A anlise se baseia no princpio da pseudolinearidade
da operao de filtragem do filtro Volterra, discutida no Captulo 2. Essa caracterstica
permite a obteno de expresses para o comportamento dos momentos de primeira e
segunda ordens dos coeficientes do filtro bem como sua curva de aprendizagem. As
aproximaes consideradas para o desenvolvimento de tais expresses so tambm
destacadas. Os resultados obtidos so validados, comparando-se as curvas obtidas atravs
da teoria desenvolvida com as obtidas por simulaes.
Captulo 6 Discusses e Concluses
65
Como discutido no Captulo 2, o filtro Volterra adaptativo requer uma grande

quantidade de coeficientes mesmo para implementaes com tamanho de memria
relativamente pequeno. Assim, no Captulo 4, so discutidas estruturas simplificadas para
implementao do filtro Volterra adaptativo. Com isso, algumas solues subtimas,
levando a uma considervel reduo no nmero de coeficientes, so obtidas. A primeira
estrutura apresentada fundamentada nos filtros adaptativos interpolados lineares [28].
Tais filtros envolvem um filtro adaptativo esparso em conjunto com um filtro interpolador
de entrada. J a segunda estrutura explora a decomposio em blocos do filtro Volterra.
Assim, possvel obter uma estrutura com melhor desempenho e maior tolerncia a plantas
com baixa similaridade entre os coeficientes, alm de possibilitar uma reduo de
complexidade bastante prxima obtida com a primeira estrutura proposta. Resultados de
simulao so apresentados, comparando o desempenho das estruturas propostas com a
implementao convencional do filtro Volterra adaptativo. O desempenho das novas
estruturas tambm comparado com o filtro Volterra adaptativo simplificado [15]. Os
resultados obtidos so bastante promissores do ponto de vista prtico, principalmente
quando limitaes de complexidade so consideradas.
No Captulo 5, uma anlise do filtro Volterra adaptado pelo algoritmo LMS com
restrio nos pesos apresentada. O foco dessa anlise lidar com filtros de topologia
esparsa, como o caso das estruturas baseadas em filtros Volterra interpolados e
parcialmente interpolados, filtros Volterra com atraso [14] e, ainda, filtros Volterra
simplificados [15]. Expresses para os momentos de primeira e segunda ordens so
apresentadas e sua utilizao descrita. De maneira similar ao Captulo 3, a validade do
modelo obtido verificada atravs de simulao.
6.2 Contribuies
O trabalho desenvolvido inclui, como primeira contribuio, uma anlise estatstica

do filtro Volterra adaptado pelo algoritmo LMS. O modelo desenvolvido descreve o
comportamento dos momentos de primeira e segunda ordens, considerando o uso de
algumas aproximaes matemticas. Tambm so apresentadas duas estruturas para
implementao do filtro Volterra adaptativo com reduo no nmero de coeficientes.
Esforos nesse sentido so relevantes, visto que a alta complexidade computacional
Captulo 6 Discusses e Concluses
66
requerida um dos principais problemas enfrentados na implementao de filtros Volterra

adaptativos. Apesar de existirem outras iniciativas nesse sentido, nenhuma delas utiliza a
abordagem aqui adotada, nem apresenta resultados to promissores. Alm dessas
contribuies, uma anlise estatstica do filtro Volterra adaptado pelo algoritmo LMS com
restrio nos pesos desenvolvida, com o objetivo de proporcionar mais uma ferramenta
para lidar com tais estruturas de filtragem.
6.3 Propostas para Trabalhos Futuros
Muitos trabalhos de pesquisa ainda podem ser desenvolvidos sobre este tema com o
objetivo de aperfeioar a base terica e proporcionar novos algoritmos para implementao
de filtros adaptativos no-lineares, como o caso do filtro Volterra. Como exemplos,
podemos citar:
Aprimoramento dos modelos que descrevem o comportamento mdio dos pesos e o

erro quadrtico mdio, com o objetivo de lidar com filtros que empreguem passos
de adaptao maiores;
Estudo de outras estruturas que usam interpolao e esparsidade para reduo de

complexidade computacional, como por exemplo, o caso de um arranjo semelhante
ao filtro Volterra adaptativo X-filtrado [4];
Busca de novas estratgias para reduo da complexidade computacional do filtro

Volterra adaptativo;
Estudo do emprego de outros algoritmos adaptativos associados ao filtro Volterra;
Estudo de outras estruturas adaptativas no-lineares.
APNDICE
Princpio da Ortogonalidade
Neste apndice, uma breve demonstrao do princpio da ortogonalidade

apresentada. Tal princpio estabelece que o vetor de entrada e o sinal de erro, quando os
coeficientes atingem seu valor timo, so descorrelacionados. Assim,
E[x V (n)eo (n)] = 0 .
(A.1)
Da mesma forma como foi mostrado na Seo 3.5, definimos o sinal de erro timo
de um filtro Volterra adaptativo, aplicado estimao de um sinal (ver Figura 3.1), por
eo (n) = d (n) + z (n) h TVo x V (n) ,
(A.2)
onde d (n) o sinal a ser estimado, x V (n) o vetor de entrada do filtro Volterra, h Vo o vetor
de coeficientes timo e z (n) um rudo aditivo descorrelacionado dos demais sinais do
sistema. Multiplicando-se por x V (n) os dois lados de (A.2) e aplicando-se o operador
esperana, obtemos
E[x V (n)eo (n)] = E[x V (n)d (n)] + E[x V (n) z (n)] E[x V (n)h TVo x V (n)] .
(A.3)
O primeiro elemento do lado direito de (A.3) corresponde ao vetor de correlao cruzada

entre o vetor de entrada e o sinal desejado, definido por
p V = E[x V (n)d (n)] .
(A.4)
O segundo elemento resolvido assumindo-se que o sinal de rudo possua mdia zero e
descorrelacionado dos demais sinais do sistema, resultando em
E[x V (n) z (n)] = 0 .
(A.5)
Manipulando-se o terceiro elemento do lado direito de (A.3) e aplicando-se a definio da

matriz de autocorrelao de entrada R VV = E[x V (n)x TV (n)] , obtemos
E[x V (n)h TVo x V (n)] = E[x V (n)x TV (n)]h Vo = R VV h Vo .
(A.6)
Com os resultados de (A.4), (A.5) e (A.6), podemos reescrever (A.3) como segue:
E[x V (n)eo (n)] = p V R VV h Vo .
(A.7)
Apndice A Princpio da Ortogonalidade
68
De (3.5), equao de Wiener-Hopf para o filtro Volterra, obtm-se
p V = R VV h Vo .
(A.8)
Atravs da substituio de (A.8) em (A.7) tem-se, ento, a equao que define o princpio
da ortogonalidade, dada por
E[x V (n)eo (n)] = 0 .
(A.9)
Podemos encontrar ainda em [5], uma outra maneira de representar o princpio da

ortogonalidade.
Referncias Bibliogrficas
[1]
IEEE
History
Center.
Legacies:
Bernard
Widrow.
Disponvel
<http://www.ieee.org/organizations/history_center/legacies/widrow.html>.
em
Acesso
em 24 mar. 2004.
[2]
Widrow B.; Stearns, S. D. Adaptive Signal Processing. Prentice-Hall, 1985.
[3]
Brening, C. et al. Acoustic Echo Control An Application of Very-High-Order

Adaptive Filters. IEEE Signal Processing Magazine, v. 16, n. 4, p. 42-69, Jul.
1999.
[4]
Kuo, S. M.; Morgan, D. R. Active Noise Control Systems: Algorithms and DSP
Implementations. John Wiley & Sons, 1996.

[5]
Farhang-Boroujeny, B. Adaptive Filters Theory and Applications. John Wiley &

Sons Ltd., 1999.
[6]
Haykin, S. Adaptive Filter Theory. Prentice Hall, 2001.
[7]
Oppenheim, A. V.; Willsky, A. S. Signals & Systems. Prentice Hall, 1997.
[8]
Mathews, V. J. Adaptive polynomial filters. IEEE Signal Processing Magazine,

v. 8, p. 10-26, Jul. 1991.
[9]
Goh, S. L.; Mandic, D. P.; Bozic M. A neural nonlinear adaptive filter with a
trainable activation function. In: 6TH SEMINAR ON NEURAL NETWORK
APPLICATIONS IN ELECTRICAL ENGINEERING. Sep. 2002. Proceedings... p.
7-10.
70
[10] Hegde, V.; et. Al. Series-cascade nonlinear adaptive filters. In: 45TH MIDWEST
SYMPOSIUM ON CIRCUITS AND SYSTEMS. Aug 2002. Proceedings... v. 3,
p. 219-222.
[11] Gurin, A.; Faucon, G.; Bouquin-Jeanns, R. L. Nonlinear acoustic echo cancellation
based on Volterra filters. IEEE Transactions on Speech and Audio Processing,
v. 11, n. 6, Nov. 2003.
[12] Tan, L.; Jiang, J. Adaptive Volterra filters for active control of nonlinear noise
processes. IEEE Transactions on Signal Processing, v. 49, n. 8, p. 1667-1676,
Aug. 2001.
[13] Neuvo, Y.; Dong, C. Y.; Mitra, S. K. Interpolated finite impulse response digital
filters. IEEE Transactions on Acoustics, Speech, Signal Processing, v. ASSP-32,
p. 563-570, Jun. 1984.
[14] Tan, L.; Jiang, J. System modeling using a second-order Volterra delay filter. In:
IEEE 39TH MIDWEST SYMPOSIUM ON CIRCUITS AND SYSTEMS. Aug 1996.
Proceedings... v. 3, p. 18-21.
[15] Fermo, A.; Carini, A.; Sicuranza, G. L. Simplified Volterra Filters for Acoustic Echo
Cancellation in GSM Receivers. In: EUROPEAN SIGNAL PROCESSING
CONFERENCE. Sep. 2000. Proceedings...
[16] Volterra, V. Theory of Functionals. Dover Publications Inc., 1959.
[17] Wiener, N. Response of a Non-Linear Device to Noise. Report no. 129, Radiation
Laboratory, M.I.T., Cambridge - MA, Apr. 1942.
[18] Stenger, A.; Trautmann, L.; Rabenstein, R. Nonlinear acoustic echo cancellation with
second order adaptive Volterra filters. In: IEEE INTERNATIONAL CONFERENCE
ON
ACOUSTICS,
SPEECH
AND
SIGNAL
PROCESSING.
Mar.
1999.
71
[19] Gutierrez, A.; Ryan, W. E. Performance of adaptive Volterra equalizers on nonlinear

satellite
channels.
In:
IEEE
INTERNATIONAL
CONFERENCE
ON
COMMUNICATIONS. Jun. 1995. Proceedings... v. 1, p. 19-22.

[20] Clarkson, P. M.; Dokic, M. V. Stability and convergence behavior of second order
LMS Volterra filter. Electronic Letters, v. 27, n. 5, p. 441-443, Feb. 1991.
[21] Chao, J.; Inomata, A. A convergence analysis of Volterra adaptive filters. In: IEEE
INTERNATIONAL SYMPOSIUM ON CIRCUITS AND SYSTEMS. Jun. 1997.
[22] Ogunfunmi, T.; Chang, S. L. Second order adaptive Volterra system identification
based on discrete nonlinear Wiener model. IEE Proceedings - Vision, Image and
Signal Processing, v. 148, n. 1, p. 21-29, Feb. 2001.

[23] Batista, E.L.O.; Tobias, O.J.; Seara, R. Anlise estatstica de filtros Volterra
adaptados
pelo
algoritmo
LMS.
In:
SIMPSIO
BRASILEIRO
DE
TELECOMUNICAES. Set. 2004. Aceito para publicao.

[24] Reed, M. J.; Hawksford, M. O. J. Efficient implementation of the Volterra filter. IEE
Proceedings - Vision, Image and Signal Processing, v. 147, n. 2, p. 109-114, Apr.

2000.
[25] Beck, E.; Seara, R. Estudo sobre a viabilidade de utilizao de estruturas IFIR em
filtros adaptveis. In: 8 CONGRESSO BRASILEIRO DE AUTOMTICA. Set.
1990. Anais... v. 2, p. 1130-1135.
[26] Seara, R.; Bermudez, J.C.M.; Beck, E. A new technique for the implementation of
adaptive IFIR filters. In: INTERNATIONAL SYMPOSIUM ON SIGNALS,
SYSTEMS AND ELETRONICS. Set. 1992. Proceedings... v. 2, p. 644-647.
[27] Abousaada, A.; Aboulnasr, T.; Steenaart, W. An echo tail canceller based on adaptive
interpolated FIR filtering. IEEE Transactions on Circuits and Systems - II, v. 39,
p. 409-416, Jul. 1992.
72
[28] Tobias, O. J.; Seara, R. Analytical Model for the Mean Weight Behavior of Adaptive
Interpolated-FIR Filters using the Constrained Filtered LMS Algorithm. The IEEE
2000 AS-SPCC, p. 272-277, Oct. 2000.

[29] Tobias, O. J.; Seara, R. Analytical Model for the First and Second Moments of an
Adaptive Interpolated FIR Filter using the Constrained Filtered-X LMS Algorithm.
IEE Proceedings Vision, Image and Signal Processing, v. 148, n. 5, p. 337-347,

Oct. 2001.
[30] Batista, E.L.O.; Tobias, O.J.; Seara, R. Filtros Volterra adaptativos: interpolado e
parcialmente
interpolado.
In:
SIMPSIO
BRASILEIRO
DE
TELECOMUNICAES. Set. 2004. Aceito para publicao.

[31] Frost III, O.L. An Algorithm for Linearly Constrained Adaptive Array Processing.
Proceedings of the IEEE, v. 60, n. 8, p. 926-935, Aug. 1972.

[32] Wah, B. W.; Wu, Z. The Theory of Discrete Lagrange Multipliers for Nonlinear
Discrete
Optimization.
Disponvel
em
<http://www.manip.crhc.uiuc.edu/Wah/papers/C124/C124.ps.gz>. Acesso em 24
Mar. 2004.

2004 Filtro Volterra Adaptativo DissertacaoUFSC

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

2004 Filtro Volterra Adaptativo DissertacaoUFSC

Enviado por

Direitos autorais:

Formatos disponíveis

EDUARDO LUIZ ORTIZ BATISTA

FILTRO VOLTERRA ADAPTATIVO:

UNIVERSIDADE FEDERAL DE SANTA CATARINA

FILTRO VOLTERRA ADAPTATIVO:

EDUARDO LUIZ ORTIZ BATISTA

Florianpolis, Julho de 2004.

FILTRO VOLTERRA ADAPTATIVO: ANLISE

Abstract of Dissertation presented to UFSC as a partial fulfillment of the

ADAPTIVE VOLTERRA FILTER: STATISTICAL

Advisor: Prof. Rui Seara, Dr.

Filtros Adaptativos _______________________________________________________ 1

Filtros Adaptativos Lineares _______________________________________________ 2

Soluo de Wiener ____________________________________________________________ 3

Mtodo Steepest Descent _______________________________________________________ 4

Filtros Adaptativos No-Lineares ___________________________________________ 6

Filtro Volterra ______________________________________________________ 8

Filtro Volterra como um Operador Pseudolinear ______________________________ 8

Diviso em Blocos _______________________________________________________ 10

Nmero de Coeficientes e Complexidade Computacional ______________________ 10

Anlise Estatstica do Filtro Volterra Adaptado pelo Algoritmo LMS _________ 12

Vetor de Coeficientes timo ______________________________________________ 12

Comportamento Mdio dos Pesos __________________________________________ 13

Vetor de Erro dos Pesos __________________________________________________ 15

Estrutura da Matriz de Autocorrelao de Entrada ___________________________ 15

Erro Quadrtico Mdio __________________________________________________ 18

Aproximao para o Momento de Segunda Ordem ___________________________ 19

Filtros Volterra Adaptativos Interpolado e Parcialmente Interpolado _________ 29

Filtro Volterra Adaptativo Interpolado _____________________________________ 29

Filtro Volterra Adaptativo Parcialmente Interpolado _________________________ 32

Anlise Estatstica com Restrio nos Coeficientes de Filtros Volterra Adaptados

Vetor de Coeficientes timo com Restries _________________________________ 41

Equao de Atualizao dos Pesos com Restries ____________________________ 43

Comportamento Mdio dos Pesos __________________________________________ 44

Vetor de Erro dos Pesos __________________________________________________ 45

Erro Quadrtico Mdio __________________________________________________ 45

Aproximao para o Momento de Segunda Ordem ___________________________ 45

Aplicaes da Anlise com Restries nos Pesos ______________________________ 46

Filtro Volterra Adaptativo Interpolado __________________________________________ 47

Filtro Volterra Adaptativo Parcialmente Interpolado ______________________________ 48

Filtro Volterra Adaptativo com Atraso __________________________________________ 49

Filtro Volterra Adaptativo Simplificado _________________________________________ 50

Discusses e Concluses _____________________________________________ 64

Sumrio e Discusso dos Resultados ________________________________________ 64

Propostas para Trabalhos Futuros _________________________________________ 66

Apndice A - Princpio da Ortogonalidade____________________________________ 67

Figura 1.1 Diagrama de blocos de um filtro adaptativo no contexto de estimao de um

Desde os primeiros trabalhos de pesquisa desenvolvidos por Bernard Widrow [1],

Em sentido geral, o adjetivo adaptativo pode ser compreendido considerando um

Figura 1.1 Diagrama de blocos de um filtro adaptativo no contexto de

1.2 Filtros Adaptativos Lineares

Os filtros adaptativos lineares so sistemas amplamente utilizados para resolver os

y (n) = wi (n) x(n i ) ,

w (n) = [ w0 (n) w1 (n)

x(n) = [ x(n) x(n 1)

1.2.1 Soluo de Wiener

= E[d 2 (n)] 2 E[w T x(n)d (n)] + E[w T x(n)xT (n)w ] .

Levando-se em conta aqui que w no um vetor aleatrio, possvel retir-lo do operador

Esta equao possui a seguinte soluo

assumindo-se que exista a matriz inversa de R .

1.2.2 Mtodo Steepest Descent

onde o passo de adaptao do algoritmo e n denota o vetor gradiente calculado

Assim, a partir de (1.10) possvel obter o vetor timo de pesos iterativamente.

dificilmente dispe-se em aplicaes prticas. Assim, uma soluo interessante e mais

1.2.3 Algoritmo LMS