Electrónica Geral

Autor: José Gerald

MEAer: 4º ano, 1º semestre

MEFT: 3º ano, 1º semestre

2020/2021

Capítulo 7
Filtros Digitais
Versão 1.00
 EG – Filtros Digitais
Introdução
Filtros digitais:
- Têm as vantagens do processamento digital de sinal (“Digital Signal
Processing” – DSP): não variam com a temperatura, humidade, idade,
etc.
- Usualmente implementados em software (via DSPs, FPGAs) o que lhes
confere a capacidade de serem programáveis.
- Têm as desvantagens do processamento digital de sinal: erros de
quantificação na conversão A/D e D/A e no processamento digital
(precisão finita das amostras e dos registos), sinais de relógio (clock
feedthrough), rapidez dos dispositivos de implementação (DSPs, etc.)
- Podem ser de 2 tipos: (i) IIR (“Infinite Impulse Response”), sempre
recursivos e (ii) FIR (“Finite Impulse Response), quase todos não
recursivos.

2020-2021 J. Gerald VII - 2

 EG – Filtros Digitais
Amostragem de sinais
Sinal de v vo Sinal de
Entrada i S&H A/D Filtro D/A LPF Saída
Analógico Analógico
vS&H (01101...) (11010...) vD/A
vi
vo
vD/A
Ssample

vS&H

2020-2021 J. Gerald VII - 3

 EG – Filtros Digitais
Amostragem de sinais (Cont.)
Na frequência:

No tempo:
+
1 +
xs (t ) = xc (t ) s (t ) =  x (nt ) (t − nT )
n =−
c X s ( j) =  X c [ j ( − n s )]
T n =−
2020-2021 J. Gerald VII - 4
 EG – Filtros Digitais
Amostragem de sinais (Cont.)
Teorema da Amostragem: Se a frequência de amostragem (Ωs) for
maior que 2 vezes a frequência máxima do sinal amostrado (ΩN) é
possível reconstituir o sinal original a partir do sinal amostrado
usando um filtro passa-baixo.
Caso contrário há sobreposição de bandas (soma vectorial de sinais)
designada por “aliasing”.
|Xs(jΩ)|

ΩN

-Ωs Ωs Ω
aliasing aliasing
2020-2021 J. Gerald VII - 5
 EG – Filtros Digitais
Amostragem de sinais (Cont.)
Amostragem Impulsiva e Transformada Z
Sinal (x(t)) amostrado por sequência de impulsos de Dirac (δ(t)):
x δ(t)=x(t) δ(t)+x(t) δ(t-T)+x(t) δ(t-2T)+...=x(0) δ (t)+x(T) δ(t-T)+x(2 T) δ(t-2T)+...
=x0 δ(t)+x1 δ(t-T)+x2 δ(t-2T)+...

A transformada de Laplace é:
Xδ(s)= x0+ x1 e-sT+x2e-s2T+...
Ou, introduzindo a variável z=esT (em que z-1=e-sT representa um atraso T)
+
X(z)= x0+ x1 z-1+x 2z-2+... =  n
x
n =0
z −n

Que representa a Transformada Z de xn

2020-2021 J. Gerald VII - 6

 EG – Filtros Digitais
Amostragem de sinais (Cont.)
Resposta em Frequência de Sistemas Amostrados

T ( s ) s = j = T ( z ) z =e jT = T ( z ) z =e j

 = ωT é designada frequência digital e vem em rad

e j


Resposta em frequência periódica!
-1 1

2020-2021 J. Gerald VII - 7

 EG – Filtros Digitais
Amostragem de sinais (Cont.)
Equação de Recorrência e Função de Sistema
Considerando o filtro digital linear, invariante no tempo e causal,
podemos representar o seu processamento de sinal no tempo, ou seja,
relacionar a saída yk com a entrada xk da forma:
N M
yn +  bk yn − k = ak xn − k Equação de Recorrência
k =1 k =0

Aplicando a Transformada Z a ambos os membros da equação

N M N M
Y ( z ) + Y ( z ) bk z −k
= X ( z )  ak z −k
ou seja Y ( z )(1 +  bk z ) = X ( z ) ak z − k
−k

k =1 k =0 k =1 k =0
M

Y ( z)
 k
a z −k
Todos bk=0 FIR
T (z) = = k =0
N Função de Sistema
1 +  bk z − k
X ( z) Algum bk≠0 IIR
k =1
2020-2021 J. Gerald VII - 8
 EG – Filtros Digitais
Amostragem de sinais (Cont.)
Função de Sistema e Estabilidade
M M

a z k
−k
 (1 − c z k
−1
) (1 − ck z −1 ) Zero em z=ck e pólo em zero
T ( z) = k =0
N
= k =1
N
1 +  bk z − k  (1 − d k z −1 ) (1 − d k z −1 ) Pólo em z=dk e zero em zero
k =1 k =1

Sistema Estável pólos têm que estar no interior da circunferência unitária.

1
Exp: T ( z ) = −1
→ hn = a nun
(1 − az )

Estabilidade  |h
n =−
n |

2020-2021 J. Gerald VII - 9

 EG – Filtros Digitais
Amostragem de sinais (Cont.)
Exemplo de Filtro IIR vs. FIR

2020-2021 J. Gerald VII - 10

 EG – Filtros Digitais
Filtros IIR (“Infinite Impulse Response”)
Introdução
- Maior selectividade ordens reduzidas (usualmente < 6)
- Desenhados a partir dos filtros analógicos
- Sempre recursivos
- Podem ser instáveis
- Fase não-linear M N

Eq. de Recorrência: yn =  ak xn − k −  bk yn − k M
k =0 k =1
a z k
−k

Função de Sistema: T ( z ) =
k =0
N
1 +  bk z − k
Obtenção de T(z) k =1

Ideal seria obter T(s) e fazer z=esT, ou seja, s=(1/T)ln(z)

função não racional em z-1!
Solução: usar outras transformações s z
2020-2021 J. Gerald VII - 11
 EG – Filtros Digitais
Filtros IIR (Cont.)
Transformação Bilinear
- Baseia-se na integração trapezoidal
- Aplicada ao filtro analógico mais elementar, integrador sem perdas de 1ª
ordem, T(s)=1/s resulta:
T Y ( z ) T 1 + z −1 1 2 1 − z −1
yn = yn −1 + ( xn −1 + xn ) = = s=
2 X ( z ) 2 1 − z −1 s T 1 + z −1
Transformada Z
xn
yn s z
xn-1 SPCE
-1 1

n-1 n
2020-2021 J. Gerald VII - 12
 EG – Filtros Digitais
Filtros IIR (Cont.)
Deformação na Frequência da Transformação Bilinear

γ=ωT
2 1 − z −1 T
s= 2
~

T 1 + z −1 = tan( )
T 2
~
2 T
s=jῶ z=ejωT = tan −1 ( )
T 2
ωT ῶ
A(γ)
A(ῶ)
π

ῶ
-π
ῶp ῶs ῶ
2020-2021 J. Gerald VII - 13
 EG – Filtros Digitais
2
( a + b)
Filtros IIR (Cont.) a' = T
2
( + c)
Exp: T
2
(b − a)
as + b a '+ b ' z −1 b' = T
T ( s) = T ( z) = 2
s+c 1 − c ' z −1 ( + c)
T
2 1 − z −1 2
( − c)
s=
T 1 + z −1 c' = T
2
( + c)
T
Resposta de Amplitude:
jT a '+ b ' e − jT a '+ b 'cos(T ) − jb ' sen(T ) [a '+ b 'cos(T )]2 + [b ' sen(T )]2
| T (e ) |= = =
1− c 'e − jT
1 − c 'cos(T ) + jc ' sen(T ) [1 − c 'cos(T )]2 + [c ' sen(T )]2
Resposta de Fase:
 a '+ b ' e − jT   b ' sen(T )   c ' sen(T ) 
arg T (e jT
) = arg   = − arctg   − arctg  
 1 − c ' e − jT
  a '+ b 'cos(T )  1 − c 'cos(T ) 
2020-2021 J. Gerald VII - 14
 EG – Filtros Digitais
M

Filtros IIR (Cont.) a z k

−k

T ( z) = k =0
Realização de Filtros IIR N
1 +  bk z − k
1 – DFS (3 operações apenas: adição, multiplicação e atraso) k =1
2 – Optimização de processamento M N
3 – Implementação na tecnologia desejada yn = a x
k =0
k n−k −  bk yn − k
k =1
Diagrama de Fluxo de Sinal (DFS)
Forma Directa I Forma Directa II (canónica)
a0 xn a0 yn
xn yn
-b1 z-1 a1
z-1 a1 -b1 z-1
-b2 z-1 a2
z-1 a2 -b2 z-1

yn Forma Directa II Transposta (canónica)

xn a0 a0
xn yn
-b1 z-1 z-1 a1
a1 z-1 -b1
-b2 z-1 z-1 a2 z-1 -b
a2 2

2020-2021 J. Gerald VII - 15

 EG – Filtros Digitais
Filtros FIR (“Finite Impulse Response”)
Introdução
- Podem ser desenhados para terem fase linear (tipo mais usado)
- Sempre estáveis
- Quase sempre não recursivos
- Ordem elevada (usualmente >30) pois têm baixa selectividade
- Desenho complexo (aconselhável o uso de meios computacionais)
N −1

Eq. de Recorrência: yn =  hk xn − k
k =0 N −1

Função de Sistema: T ( z ) =  hk z
−k

k =0
Obtenção de T(z)
Método mais usado é o método das janelas:
1) Trunca-se a resposta impulsional hn com uma janela (temporal) finita;
1a) Faz-se uma translacção dos coeficientes no tempo;
2) Aplica-se a Transformada Z à série resultante.
2020-2021 J. Gerald VII - 16
 EG – Filtros Digitais
Filtros FIR (Cont.)
Fase Linear
Há duas propriedades nos filtros FIR de fase linear:
1) Simetria (ou anti-simetria) na resposta impulsional
2) Se zi é um zero da função de sistema, então 1/zi também é.
hn hn hn hn
N ímpar N par N ímpar N par

Simetria Plano z Anti-Simetria

N
pólos
2020-2021 J. Gerald VII - 17
 EG – Filtros Digitais
Filtros FIR (Cont.) N −1
Fase Linear T (e ) =  hn e − jn
j

n =0
Verificação de condição necessária e suficiente:
( N −3) / 2 N −1
−j 
N ímpar j
T (e ) = n =0
hn e − jn
+e − j ( N −1− n ) 
 + hN −1e 2

−j
N −1
  ( N −3) / 2
 N −1 
=e 2
 N −1
h +  2 hn cos  ( n − )  

N
 2 n =0 2
−1
2
N par T (e j ) =  hn e − jn + e − j ( N −1− n ) 
n =0

N −1  N2 −1 
−j    N − 1 
=e 2
  2hn cos (n − )  
 n =0  2 
 
N −1 N −1
A fase (linear) vem:  ( ) = −  O atraso (constante) vem:  ( ) =
2 2
2020-2021 J. Gerald VII - 18
 EG – Filtros Digitais
Filtros FIR (Cont.)
Método das Janelas (“Windows”)
Resposta ideal (por exp LP) desejada
|Ť(ejγ)|
1 função periódica
...
-γp γp γ
_  1  _
j
T (e ) =  hˆn e − j n
= série de Fourier com coeficientes hˆn =  T (e j )e j n d 
n =−
2 −

Resposta impulsional ideal, não causal, de duração infinita!

Para obter o filtro FIR trunca-se ĥn, ou seja, a resposta do filtro fica hn= ĥnWn
Nota: Para aumentar a ordem do filtro (maior
 Wn  0, n=0,1,2,...,N-1 selectividade) e manter fase linear, aumenta-se a
Janela = 
Wn = 0, n<0 ou n  N
janela (centrada em zero) e faz-se translacção dos
coeficientes para que comecem em n=0.

2020-2021 J. Gerald VII - 19

 EG – Filtros Digitais
Filtros FIR (Cont.)
Fenómeno de Gibbs
- A truncatura da resposta impulsional ideal provoca ondulação não desejada
na resposta de amplitude! Minimização passa por utilizar janelas não
rectangulares.
- Produto ĥnWn resulta na convolução dos sinais no domínio da frequência.
- Exp. para janela rectangular:
Wn = 1, n=0,1,2,...,N-1

Wn = 0, n<0 ou n>N
N −1
1 − e − j N
W (e ) =  e
j − jn
= =
n =0 1 − e − j
−j
N −1
 sin( N )
=e 2 2 1  _
T (e j ) = − T (e )W e  d
j j (  − )
 N2 2
_ 
j
T (e ) =  hˆ e
n =−
n
− j n

2020-2021 J. Gerald VII - 20

 EG – Filtros Digitais
Filtros FIR (Cont.)
Fenómeno de Gibbs
- N grande conduz a lóbulos com largura menor e mesma área, ou seja,
ondulação mais rápida mas com a mesma amplitude.
- Usando lóbulos laterais com menor amplitude vem lóbulo principal mais
largo, logo menor ondulação mas banda de transição mais larga (menor
selectividade).
- A banda de transição (≈ largura do lóbulo principal) Δγ=A/N, A é uma
constante dependente da janela.

2020-2021 J. Gerald VII - 21

 EG – Filtros Digitais
Filtros FIR (Cont.)
Janelas Mais Usadas

2020-2021 J. Gerald VII - 22

 EG – Filtros Digitais
Filtros FIR (Cont.)
Exemplo: FIR LP de N=64, fs=8kHz, fp=2kHz, janelas
rectangular e Hamming.

2020-2021 J. Gerald VII - 23

 EG – Filtros Digitais
Filtros FIR (Cont.) N −1
T ( z ) =  hn z − n
Realização de Filtros FIR n =0
1 – DFS
2 – Optimização de processamento N −1
3 – Implementação na tecnologia desejada yn =  hk xn − k
k =0
Diagrama de Fluxo de Sinal (DFS)
Forma Directa I Forma Directa I Transposta
xn z-1 z-1 z-1 z-1 yn
h0 h1 hN-2 hN-1 xn hN-1 hN-2 h1 h0
yn
F.D. I para FIR de Fase Linear (N ímpar) F.D. I para FIR de Fase Linear (N par)
xn z-1 z-1 xn z-1 z-1

z-1
z-1 z-1 z-1 z-1

h0 h1 h(N-3)/2 h(N-1)/2 h0 h1 hN/2-2 hN/2-1

yn yn

2020-2021 J. Gerald VII - 24

 EG – Filtros Digitais
Realização de Filtros Digitais
Há dois métodos mais usuais na realização de filtros digitais:
1) Implementação em hardware (ROM, ASIC, etc.)
2) Implementação em software (DSP, FPGA)
1) Implementação em ROM com Aritmética Distribuída
N M

Eq. de Recorrência: yn +  bk yn − k = ak xn − k
k =1 k =0

Genericamente: ou seja

Definindo

2020-2021 J. Gerald VII - 25

 EG – Filtros Digitais
Realização de Filtros Digitais (cont.)
Exemplo para representação em complemento para 2 com 4 bits
yn = a0 xn + a1 xn −1 + a2 xn − 2 + a3 xn −3

= a0 (− xn0 + 2−1 x1n + 2−2 xn2 + 2−3 xn3 ) +

a1 (− xn0−1 + 2−1 x1n −1 + 2−2 xn2−1 + 2−3 xn3−1 ) +
a2 (− xn0− 2 + 2−1 x1n − 2 + 2−2 xn2− 2 + 2−3 xn3− 2 ) +
a3 (− xn0−3 + 2−1 x1n −3 + 2−2 xn2−3 + 2−3 xn3−3 )

F(x0) F(x1) F(x2) F(x3)

3
yn =  2 j F ( xnj , xnj−1 , xnj− 2 , xnj−3 ) , (-F) para j=0
j =0

2020-2021 J. Gerald VII - 26

 EG – Filtros Digitais
Realização de Filtros Digitais (cont.)
3
yn =  2 j F ( xnj , xnj−1 , xnj− 2 , xnj−3 ) , (-F) para j=0 K=4, B=4
j =0

2020-2021 J. Gerald VII - 27

 EG – Filtros Digitais
Realização de Filtros Digitais (cont.)
Arquitectura paralela – aumento de rapidez

Secção biquadrática

2020-2021 J. Gerald VII - 28

 EG – Filtros Digitais
Realização de Filtros Digitais (cont.)
2) Implementação em DSP
Aplicações dos DSPs (Fonte: Texas Instrument)

OMAP- Open Multimedia Applications Platform.

2020-2021 J. Gerald VII - 29
 EG – Filtros Digitais
Real. de Filt. Dig. (cont.)
TI 32010 (1983)
- 5 MIPS
- Instruction Cycle 200 ns
- Palavra de 16 bits
- ALU 16x16 bits vírgula fixa
- Relógio de 20 MHz
- Memória:
144 palavras RAM (2,3 kb)
1,5 k palavras ROM (24 kb, programa)
- 40 pins
- Alimentação +5V/0V

2020-2021 J. Gerald VII - 30

 EG – Filtros Digitais
Realização de FiltrosD igitais (cont.)
TMS320C25 TMS320C40 TMS320C62 TMS320C6748
Fins de 80 Meados de 90 Inícios de 2000 2014
Essencialmente vírgula Vírgula flutuante Vírgula flutuante Vírgula flutuante
fixa
Instruction cycle: 100 ns Instruction cycle: Vírgula flutuante: 2746 MFLOPS
→ 10 MIPS 40 ns → 275 MOPS 1800 MOPS (MFLOPS: Million
(≈ 4 operações por Vírgula fixa: Floating Point Operations
iteração) ≈ 40 MOPS 8000 MOPS per Second)
Principalmente Operações com 32 bits Operações com 32 bits Operações com 32 bits e
operações com 16 bits com 64 bits

1 ALU + 1 auxiliar ALU 1 ALU + 2 auxiliar ALUs 6 ALUs 6 ALUs

68 pinos 325 pinos 256 pinos 361 pinos

2020-2021 J. Gerald VII - 31

 EG – Filtros Digitais
Realização de Filtros Dig (cont.)
Freescale Semiconductor MSC8156 (multicore, 2013)

- 783 pins
- Relógio até 1GHz
- Palavra de 128 bits
- Memória: 2GB DDR3 RAM
- Alimentação -0,3V a 1,1V
- Um 3850 tem 8 ALU 16x16 bits
- 6 DSPs SC3850
Intelcore i7-6700k (2015)
- Quad-core - 1366 pins (saem do socket)
- 64 GB (máx) DDR4 - Alimentação 1,35 V
- 64 bits - Relógio de 4 GHz
2020-2021 J. Gerald VII - 32
 EG – Filtros Digitais
Filtros Adaptativos
1. Introdução
Sistemas (contínuos ou discretos cujos parâmetros variam no tempo e
apresentam as seguintes características:

• Adaptação automática
• Possibilidade de treino para filtragens específicas
• Não necessitam de procedimentos relativos à síntese (aproximação), pelo
contrário, desenham-se a si mesmos
• Podem identificar modelos, após um período de treino
• Em certa medida, podem reparar-se a si próprios
• Em geral, podem considerar-se sistemas não lineares de parâmetros
variáveis no tempo
• Em geral, são mais difíceis de analisar que os sistemas não adaptativos,
mas possibilitam um melhor desempenho quando o sinal de entrada tem
características desconhecidas ou variantes no tempo
2020-2021 J. Gerald VII - 33
 EG – Filtros Digitais
Filtros Adaptativos
2. Modos de Operação
Correção (modelação inversa, circuito aberto)

Ĥ opt (z)=H −1 ( z )

Identificação (modelação direta, circuito fechado)

Ĥ opt (z)=H( z )

2020-2021 J. Gerald VII - 34

 EG – Filtros Digitais
Filtros Adaptativos
3. Áreas de Aplicação

• Identificação de sistemas
• Igualização de canal
• Digitalização/síntese de voz
• Cancelamento de eco (dados e acústico)
• Branqueamento espectral

2020-2021 J. Gerald VII - 35

 EG – Filtros Digitais
Filtros Adaptativos
3. Áreas de Aplicação (Cont.)
Exemplos:
• Identificação de sistemas
ˆ ˆ 0 + cˆ 1 z −1 + cˆ 2 z −2 +
Função de sistema: H(z)=c + cˆ N z − N
ˆ
Resposta impulsional: h n =cˆ 0 , cˆ 1 , cˆ 2 , cˆ N

ˆ
Y(z)=E(z)-E(z)=X(z) ˆ
 H(z)-H(z) 
 

• Igualização Adaptativa – Decision Feedback Equaliser (DFE)

xk ^ +
^
ek ~
e
k X ( z) = H ( z)E( z)
H1(z)
-
ˆ X(z)  ˆ ( z ) − X(z) H ˆ ( z)  =
- + Y(z)=E(z)-E(z)= -  X(z)H1 2 
H( z )  H( z ) 
y
ˆ ( z)
1+H ˆ ( z)
k

= X(z)  2
−H 1 
^
H2(z)  H( z ) 
(ISI)
2020-2021 J. Gerald VII - 36
 EG – Filtros Digitais
Filtros Adaptativos
3. Áreas de Aplicação (Cont.)
• Cancelamento de Eco em
Transmissão de Voz
Eco remoto:
Grande atraso (satélite > 0,5 s) e pequena amplitude
Canal
+

Híbrid F. Adap. F. Adap. Híbrid

A o o B

Canal
+
Sinal
Eco emitido
1º Eco Remoto
2º Eco Remoto
2020-2021 J. Gerald VII - 37
 EG – Filtros Digitais
Filtros Adaptativos
3. Áreas de Aplicação (Cont.)

• Cancelamento de Eco em Transmissão de Dados

Eco local:
Pequeno atraso e grande amplitude (mais de -15 dB abaixo do sinal emitido)

2020-2021 J. Gerald VII - 38

 EG – Filtros Digitais
Filtros Adaptativos ek – Sinal de saída do sistema desconhecido
4. Sistema de Identificação (“Output Error Criterion”)
xk êk – Sinal de saída do filtro adaptativo
(estimativa de ek)
xk – Sinal de entrada
^
H(z) H(z) yk – Sinal de erro (e possível sinal de saída)
rk – Ruído aditivo
^e k
ruído
y
-
k
+ e k+r k

ˆ
Y(z)=E(z)+R(z)-E(z)=X(z) ˆ  +R(z)
 H(z)-H(z)
 
Minimização de E  y 2k  ˆ
H(z)=H( z)
Características:
• yk é geralmente adequado ao restante recetor
• Sistema de identificação mais utilizado
• Mas para filtros adaptativos recursivos conduz geralmente a superfícies de erro com mínimos locais
2020-2021 J. Gerald VII - 39
 EG – Filtros Digitais
Filtros Adaptativos
5. Formas de Erro (Funções de Custo)
Função do Função do Outras Funções
Erro Quadrtático Médio Módulo Exp: Não Linear com

2
Limiar
E[y k] |y | f{y }
k k

y y y
k k k

5.6 Estimadores Lineares Ótimos

• Não Recursivo – Filtro de Wiener, produz uma estimativa baseada numa soma pesada de
amostras em número finito.
• Recursivo – Filtro de Kalman, produz uma estimativa baseada num modelo recursivo (AR –
“Autoregressive”) continuamente otimizado a partir de cada nova amostra.

2020-2021 J. Gerald VII - 40

 EG – Filtros Digitais
Filtros Adaptativos N

7. Filtro de Wiener
eˆ k =  x k-i cˆ i =X Tk C=C
ˆ ˆ TX
k
i= 0

X k =  x k , x k-1 , , x k-N 
T

ˆ =  cˆ , cˆ ,
C , cˆ N 
T
0 1

MSE=E  yk2  =E  ek - C (
ˆ TX  )
2

 k 

Superfície de erro é um híper-paraboloide

invertido (mínimo global)
E  y 2k 
Mínimo → =0
Ĉ T
ĉ1
T ˆ
E e k X  = C T
E  X k X 
T
k otimo k

P R

Equação de Wiener-Hopf: Ĉotimo = R P

T -1
ĉ0 ĈOtimo
2020-2021 J. Gerald VII - 41
 EG – Filtros Digitais
Filtros Adaptativos
8. Algoritmos de Adaptação
Algoritmos de gradiente – baseados no filtro de Wiener, estimam o gradiente
das superfícies de nível. Bons para superfícies de erro “bem comportadas”.
Exp: LMS e derivados.
Algoritmos de mínimos quadrados – baseados no filtro de Kalman,
determinísticos, minimizam a soma dos quadrados dos erros. Não são
directamente afectados pelos mínimos locais. Geralmente apresentam maior
rapidez de convergência, maior complexidade e problemas de estabilidade.
Exp: RLS, Fast-Kalman e derivados.
8.1 Algoritmos de Gradiente
Algoritmo do gradiente determinístico
E 
 y 2
k
    
Gradiente =  k =
T
= T = ˆ -2P
= 2RC
ˆ ˆ
, , , 
C C  c0 c1
ˆ ˆ cˆ N 
T k

ˆ =C ˆ -μ m é o passo de adaptação, regula a estabilidade

Fazendo Tk = 0 vem C k+1 k k e rapidez de convergência
2020-2021 J. Gerald VII - 42
 EG – Filtros Digitais
Filtros Adaptativos
8.1 Algoritmos de Gradiente (Cont.)

Algoritmo do gradiente estocástico (LMS – “Least Mean Squares”)

2
Utiliza o valor instantâneo de y k como estimativa da média

ˆ y 2k  y 2k y 2k y 2k 
k = T =  , , ,  = −2y k x k
ˆ
C  cˆ 0 cˆ1 cˆ N 

ˆ =C
Algoritmo LMS: C ˆ +2μy x
k+1 k k k

(Variantes: algoritmos do sinal, LMS normalizado, etc)

8.2 Algoritmos de Mínimos Quadrados
k
Minimizam a soma J k =  yi
2

i=a

Exps: RLS (”Recursive Least Squares”, a=1), “Fast Kalman, etc.

2020-2021 J. Gerald VII - 43
 EG – Filtros Digitais
Filtros Adaptativos
8.3 Comparação da Complexidade (Peso Computacional)

Algoritmo Multi./Div. Somas/Sub Total Exp: N=30

.
LMS 2(N+1) 2(N+1) 4N+3 123
RLS 3N2+11N+8 2N2+6N+4 5N2+17N+1 5022
2
Fast 8N+5 7N+2 15N+7 457

N – Ordem do filtro (N+1 baixadas)

Estrutura transversal (usualmente designada por filtro FIR)
Estrutura Processamento do filtro também incluído

2020-2021 J. Gerald VII - 44

 EG – Filtros Digitais
Filtros Adaptativos
3º Trabalho de Laboratório: Cancelamento de eco em transmissão de dados

Algoritmo LMS: ci,k+1 = ci,k + 2 m yk xk-i

E ek2 
ERLE: ERLE =
E ( ek − eˆk )  dB
2
Arquitetura do filtro adaptativo  
xk
Baralhador de dados (scrambler)
z-1 z-1 z-1 … z-1
Y(t) Dados Aleatórios
c0 c1 c2 c3 cN-1 Conv. Nível
…
X(t) T T T T T
+
+
êk
yk
- ek xk +
+ H(z)
+
2020-2021 J. Gerald VII - 45