UNIVERSIDAD AUT

ONOMA METROPOLITANA
IZTAPALAPA
Propuesta y evaluaci on de un algoritmo de ltrado adaptable
Idonea Comunicacion de Resultados que para obtener el grado de:
Maestro en Ciencias
(Maestro en Ciencias y Tecnologas de la Informacion)
P R E S E N T A
Ing. Martn Garca Hernandez
Asesores:
Dr. Fausto Casco Sanchez
Dr. Miguel Lopez Guerrero
Mexico D.F. a 19 de agosto de 2008
ii
Resumen
Dentro de las Tecnologas de la Informacion y las comunicaciones existen sistemas que necesitan
procesar datos, voz e infomacion variada. Los ltros son un recurso para extraer la informacion que
se requiere en distintos sistemas y en muchas situaciones los ltros de coecientes constantes no son
sucientes para extraer esta informacion cuando las se nales se encuentran en ambientes contamina-
dos o estas son variables; es aqu cuando se recurre a los ltros adaptativos.
Los ltros adaptativos presentan muchas ventajas sobre los ltros de coecientes jos, pues estos se
dise nan especcamente para cierto tipo de frecuencia o de procesado digital que requiere coecientes
denidos limitandolos a procesar se nales conocidas e invariantes, sin embargo existen problemas de
ltrado con se nales cuyas propiedades varan en el tiempo y a las cuales un ltro digital de coe-
cientes jos sera incapaz de procesar correctamente.
Dentro del problema de ltrado adaptable se necesita de un ltro y un algoritmo que haga la
adaptacion. La funcion de los algoritmos adaptables es actualizar los coecientes del ltro adapta-
tivo. En el presente proyecto de investigacion se ha desarrollo una tecnica de ltrado basada en el
algoritmo Least Mean Square o LMS.
En los algoritmos de adaptativos el mas utilizado por su facil implementacion es el llamado VSS
que es un algoritmo que modica el paso con que converge el LMS durante su ejecucion logrando
con esto grandes velocidades de convergencia y una disminucion del error comparado con el LMS.
Presentamos aqu un algoritmo de paso variable que mejora el rendimiento logrado por el VSS y que
iii
esta enfocado a disminuir el error en la estimacion por medio de la desviacion estandar del mismo
error sin que esto signique una disminucion en la velocidad de su convergencia.
En este algoritmo incorporamos un parametro de compensacion que determinara el tama no del paso
tomando en cuenta la propia disminucion del error y un factor de memoria del paso anterior dado
por la derivada del error.
Los resultados arrojados por la evaluacion de desempe no a la que sometimos el algoritmo muestran
una amplia ventaja del mismo sobre el algoritmo VSS en cuanto a velocidad de convergencia y
disminucion del error.
iv
Agradecimientos
Mi agradecimiento la Universidad Autonoma Metropolitana por la beca que me otorgo durante la
duracion de la maestra.
Mi agradecimiento a los profesores de la Maestra en Ciencias y Tecnologas de la informacon.
A mis asesores de proyecto, el Dr. Miguel Lopez Guerrero y al Dr. Fausto Casco Sanchez.
v
vi

Indice
Resumen iii
Agradecimientos v

Indice vii

Indice de guras ix

Indice de tablas xi
Lista de smbolos xiii
1 Introduccion 1
1.1 Filtros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Filtros digitales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Filtro FIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Filtro IIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Filtrado adaptable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Aplicaciones de los ltros adaptables . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Identicacion de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.2 Cancelacion adaptativa de ruido . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.3 Cancelacion de eco telefonico . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Objetivos de investigacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Metodo de investigacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.7 Alcance de la investigacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
vii
1.8 Organizacion del documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Revision de algunos algoritmos basados en el LMS 15
2.1 El algoritmo LMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 El algoritmo NLMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 El algoritmo VSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 El algoritmo VS-SC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5 El algoritmo VSS-LMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3 Un nuevo algoritmo de ltrado adaptable 27
3.1 Formulacion del algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Analisis del algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Elementos para la evaluacion de desempe no . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.1 Medidas de desempe no . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.2 Relacion se nal a ruido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4 Evaluacion de desempe no . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.1 Parte 1: Identicacion de sistemas . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.2 Parte 2: Cancelador de ruido . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4.3 Parte 3: Cancelacion de eco en canales telefonicos . . . . . . . . . . . . . . . 46
3.5 Comentarios acerca del sobrepaso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4 Conclusiones y recomendaciones para trabajo futuro 51
A Convergencia de algoritmos LMS 55
Referencias 59
viii

Indice de guras
1.1 Representacion general de un ltro . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Estructura de un ltro FIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Estructura de un ltro IIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Estructura de un ltro adaptable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Identicacion de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Cancelador de ruido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7 Generacion de eco en convertidores de dos a cuatro hilos . . . . . . . . . . . . . . . . 10
1.8 Cancelador de eco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1 Error de identicacion LMS para distintos pasos . . . . . . . . . . . . . . . . . . . . 18
2.2 Error de identicacion NLMS para distintos pasos . . . . . . . . . . . . . . . . . . . 20
2.3 Error de identicacion VSS para distintas cotas . . . . . . . . . . . . . . . . . . . . . 21
2.4 Error de identicacion VS-SC para distintas cotas . . . . . . . . . . . . . . . . . . . 23
2.5 Error de identicacion VSS-LMS para distintas cotas . . . . . . . . . . . . . . . . . . 25
3.1 Filtro adaptable en conguracion de identicador de sistemas . . . . . . . . . . . . . 27
3.2 Desviacion estandar del error a distintas S/N . . . . . . . . . . . . . . . . . . . . . . 29
3.3 Desviacion estandar del error en VSS y el umbral . . . . . . . . . . . . . . . . . . . 30
3.4 Derivadas de la desviacion estandar del errorD

. . . . . . . . . . . . . . . . . . . . . 31
3.5 Filtro adaptable en conguracion de identicador de sistemas . . . . . . . . . . . . . 35
3.6 Error de identicacion VSS vs Propuesto . . . . . . . . . . . . . . . . . . . . . . . . 37
3.7 Error de estimacion VSS vs Propuesto . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.8 MSE para VSS vs Propuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
ix
3.9 Error de identicacion para cambio de respuesta VSS vs Propuesto . . . . . . . . . . 39
3.10 Respuesta al impulso: a) Real y estimada. b) Acercamiento . . . . . . . . . . . . . . 40
3.11 Distribuciones: a) Se nal de voz. b) Ruido blanco. . . . . . . . . . . . . . . . . . . . . 42
3.12 Error de identicacion experimento 1: Se nal de voz a) Error. b) Acercamiento. . . . 43
3.13 Filtro adaptable en conguracion de cancelador de ruido. . . . . . . . . . . . . . . . 44
3.14 Se nal de voz original . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.15 Se nal de voz contaminada con ruido blanco . . . . . . . . . . . . . . . . . . . . . . . 45
3.16 Se nal a la salida del cancelador de ruido mediante algoritmo propuesto . . . . . . . . 45
3.17 Se nal a la salida del cancelador de ruido mediante VSS . . . . . . . . . . . . . . . . . 46
3.18 Circuito telefonico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.19 Camino ideal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.20 Eco del hablante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.21 Eco del oyente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.22 Se nal de eco cancelada por VSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.23 Se nal de eco cancelada por algoritmo propuesto . . . . . . . . . . . . . . . . . . . . . 49
x

Indice de tablas
2.1 Condiciones de simulacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1 Parametros de las se nales para una se nal generada por computadora . . . . . . . . . 35
3.2 Parametros de S/N para una se nal generada por computadora . . . . . . . . . . . . 36
3.3 Parametros de las simulaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Parametros de S/N para muestras de voz . . . . . . . . . . . . . . . . . . . . . . . . 41
3.5 Parametros de las se nales para se nal de voz . . . . . . . . . . . . . . . . . . . . . . . 42
3.6 Parametros de las se nales para cancelacion de eco . . . . . . . . . . . . . . . . . . . . 48
3.7 Adaptaciones arriba del umbral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
xi
xii
Lista de smbolos
Smbolo Concepto
Tama no del paso en VS-SC
Tama no del paso en NLMS
Tama no del paso

max
Paso maximo para VSS y Propuesto

min
Paso mnimo para VSS y propuesto
Cota de referencia en la desviacion estandar del error
Parametro de ponderacion en el algoritmo propuesto
W(n) Coecientes del ltro
X(n) Se nal de entrada a estimar
r(n) Ruido blanco gaussiano
d(n) Se nal deseada a seguir por el ltro
y(n) Se nal estimada por el ltro adaptativo

max
Maximo valor propio de la matriz de autocorrelacion de la se nal de entrada
s
2
Potencia de la se nal de entrada

2
n
Varianza del ruido blanco

n
Desviacion estandar del ruido blanco
S/N Relacion se nal a ruido
R(n) Matriz de correlacion cruzada
P(n) Vector de correlacion entre se nal de entrada y coecientes
xiii
xiv
Captulo 1
Introduccion
En terminos generales, un ltro es una caja negra con un conjunto de entradas y un conjunto de
salidas. La caja realiza alguna forma de procesamiento establecido a priori que modicara de alguna
manera las entradas generando en la salida una se nal distinta. Esta relacion se ilustra en la gura
(1.1).
Figura 1.1: Representacion general de un ltro
El termino ltro es com unmente utilizado para describir un dispositivo en forma de una pieza fsica
de hardware o software aplicado a un conjunto de datos contaminados para extraer informacion ac-
erca de cantidades de interes preestablecidas.

Esta denicion de ltro la encontramos en Haykin[12].
Cuando hablamos de ltrado nos referimos entonces a un proceso dise nado para extraer carac-
tersticas utiles en una secuencia de datos. Los ltros utilizados en este proceso se dise nan de modo
que su respuesta en magnitud y fase satisfagan ciertas especicaciones tanto en el dominio de la
frecuencia como en el del tiempo.
1
1.1 Filtros
Los ltros analogicos dieren de los ltros digitales por la naturaleza de las se nales de entrada y
de salida. Un ltro analogico, por ejemplo, procesa entradas analogicas y genera salidas analogicas;
en tanto que un ltro digital procesa y genera datos digitales. Estas diferencias en las se nales de
entrada y de salida determinan, tambien, diferentes tecnicas de procesamiento; por ejemplo, los
ltros analogicos estan basados en la relacion de las operaciones matematicas de diferenciacion e
integracion; en tanto que los ltros digitales solo requieren de desarrollar operaciones de suma,
multiplicacion y retardo.
Centraremos ahora nuestro estudio en los ltros digitales por ser la estructura basica de los ltros
adaptativos, objeto de estudio de este proyecto de investigacion.
1.2 Filtros digitales
Todos los ltros digitales se pueden clasicar en una de dos formas: ltros digitales no recursivos y
ltros digitales recursivos, cualquiera de ellos pondera las entradas mediante un conjunto de cons-
tantes denominadas coecientes del ltro y son las que denen la operacion del ltro. En realidad,
el dise no de un ltro consiste justamente en determinar los valores de estos coecientes.
Un ltro digital LTI
1
puede describirse en el dominio del tiempo mediante la siguiente ecuacion de
diferencias con coecientes constantes [18],[12]
N

k=0
a
k
y(n k) =
M

k=0
b
k
x(n k). (1.1)
Esta ecuacion se puede reacomodar de manera que exprese de forma directa la salida en el tiempo
n en terminos de los valores previos de entrada y salida[18]
y(n) =
1
a
0
_
M

k=0
b
k
x(n k)
N

k=1
a
k
y(n k)
_
. (1.2)
1
Del ingles Lineal Time Invariant, lineal e invariante en el tiempo.
2
As, la salida y(n) puede determinarse a partir de los coecientes del ltro y la entrada x(n).
Aplicando la transformada z a (1.1) obtenemos [18]:
H(z) =
Y (z)
X(z)
=

N
k=0
b
k
z
k

M
k=0
a
k
z
k
. (1.3)
Donde Y (z) es la transformada z de la salida y(n) del ltro digital, X(z) es la transformada z de
la entrada x(n) al ltro digital y z es una variable compleja.
Existen dos tipos de estructura que son: respuesta al impulso nita (FIR, del ingles Finite Impulse
Response) y respuesta al impulso innita (IIR, Innite Impulse Response).
1.2.1 Filtro FIR
Un ltro FIR [18] es el resultado del caso cuando en la ecuacion (1.2) con a
k
= 0 para k =
{1, 2, ..M 1} y a
0
= 1, se ve reducida a
2
y(n) =
M1

k=0
b
k
x(n k). (1.4)
Aqu los b
k
con k = {0, 1, 2...M 1} son los coecientes del ltro y M 1 es su orden. No existe
recursion, la salida unicamente depende de los valores de la entrada y no de valores pasados de la
salida. Por lo tanto, la respuesta es una suma ponderada de los coecientes del ltro de valores
pasados y presentes de la entrada.
Desarrollando la ecuacion (1.4) podemos describir mediante una ecuacion de diferencias al ltro
FIR como:
y(n) = b
0
x(n) +b
1
x(n 1) +...b
M1
b(n M + 1) (1.5)
y no es mas que la suma de convolucion de los coecientes del ltro con la entrada x(n) produciendo
la salida y(n), su respuesta es de duracion nita, ya que si la entrada se mantiene en cero durante
M periodos consecutivos, la salida tambien sera cero.
2
El lmite superior de la sumatoria se cambio a M-1 con el n de describir un ltro realizable con una duracion al
impulso de M muestras.
3
Aplicando la transformada z a (1.4) tenemos:
H(z) =
Y (z)
X(z)
=
M1

k=0
b
k
z
k
, (1.6)
o bien:
H(z) =
Y (z)
X(z)
= b
0
+b
1
z
1
+... +b
M1
z
(M1)
. (1.7)
Esta funcion de transferencia tiene un numerador constante
3
y solo contiene ceros, por esta razon
el ltro es estable [18].
La gura (1.2) muestra el esquema general de un ltro FIR, el n umero de retardos es M 1 y como
ya dijimos tambien es el orden del ltro, cada elemento de retardo se identica con el operador
de retardo z
1
y por cada elemento de retardo existe un coeciente, en la gura mostrados como
b
k
con k = {0, 1, 2...M 1}.
Figura 1.2: Estructura de un ltro FIR
3
En el dominio de la frecuencia el ltro FIR tambien se puede ver como el caso cuando la ecuacion (1.3) tiene un
numerador constante.
4
1.2.2 Filtro IIR
Un ltro IIR de orden N 1 esta descrito por la ecuacion de diferencias:
y(n) = b
0
x(n)+b
1
x(n1)+...+b
N
x(nN+1)a
1
y(n1)a
2
y(n2)+...a
N1
y(nN+1). (1.8)
El ltro es recursivo, ya que la salida no depende unicamente de la entrada, sino que tambien de
valores pasados de la salida (ver gura 1.3). La respuesta al impulso es generalmente de duracion
innita, de ah su nombre. Aplicando la transformada z a (1.8) llegamos a la funcion de transferencia
H(z) para ltros recursivos la cual contiene polos y ceros.
H(z) =
b
0
+b
1
z
1
+... +b
N1
z
(N1)
1 a
1
z
1
a
2
z
2
... a
N1
z
(N1)
. (1.9)
Figura 1.3: Estructura de un ltro IIR
5
La gura (1.3) muestra el esquema general de la estructura de un ltro IIR de orden N 1, los
b
k
con k = {0, 1, 2...N 1} y los a
k
con k = {0, 1, 2...N 1}, son los coecientes del ltro al igual
que en la gura (1.2) los z
1
indican un retardo entre las muestras.
1.3 Filtrado adaptable
Para el dise no de ltros FIR, IIR o Wiener, es necesario conocer con anticipacion caractersticas
deseadas (en el caso de FIR e IIR) o en su caso informacion acerca de las estadsticas de los datos
a procesar (ltro optimo de Wiener). Esta informacion a priori acerca de los datos a procesar
no siempre la conocemos y hacer una estimacion de estos procesos es costoso tanto en tiempo de
procesamiento como en implementacion de hardware[13].
Cuando no es posible obtener los resultados esperados en frecuencia o en tiempo con el ltrado digital
convencional
4
existe la posibilidad de modicar los coecientes del ltro durante el procesamiento y
con ello distintos parametros que le caracterizan
5
, a este tipo de ltros se les llama ltros adaptables.
Los ltros adaptables estan constitudos por dos partes basicas: la estructura propia del ltro y el
tipo de algoritmo que va a hacer la adaptacion. Respecto a la estructura, esta puede ser la de un
ltro del tipo recursivo o bien no recursivo.
Figura 1.4: Estructura de un ltro adaptable
4
Le llamaremos ltrado convencional a los ltros digitales de coecientes constantes o jos.
5
Ancho de banda y respuesta en frecuencia principalmente.
6
El principio de un ltro adaptable se muestra en la gura (1.4). Una se nal de referencia d(n) menos
la salida de un ltro digital adaptable de coecientes variables y(n) produce una se nal de error
e(n). La se nal de error se usa en combinacion con los elementos de la se nal de entrada x(n), para
actualizar los coecientes del ltro [13], en base a alg un criterio.
Los ltros adaptables son capaces de procesar adecuadamente se nales de ltrado digital convencional
y se nales variantes en el tiempo.
1.4 Aplicaciones de los ltros adaptables
Dentro del ambito de las tecnologas de la informacion es imprescindible el procesamiento de se nales.
Gran parte de estas tecnologas estan basadas en dispositivos que necesitan procesar continuamente
alg un tipo de se nal digital. Algunas de las aplicaciones mas comunes de sistemas adaptativos son
las que enlistamos a continuacion.
Cancelacion adaptativa de ruido [13].
Cancelacion activa de ruido en protectores auditivos [1].
Cancelacion activa de ruido en aviones [3].
Control activo de ruido en el automovil [2].
Control de ruido en electrocardiogramas (ECG) [22].
Ecualizacion de canal [19].
Medicion instantanea de frecuencia [13].
Modelado e identicacion de sistemas [9].
Antenas adaptables para sistemas celulares [5].
Reduccion de eco telefonico [7].
Este trabajo esta enfocado a las tres aplicaciones de los ltros adaptables mas comunes: identi-
cacion de sistemas, cancelacion adaptativa de ruido y cancelacion de eco. A continuacion daremos
una breve descripcion de estos problemas.
7
1.4.1 Identicacion de sistemas
Un sistema adaptativo puede ser utilizado para determinar los coecientes de un ltro FIR que
mejor reproduzcan la respuesta en frecuencia de otro sistema cuya respuesta no conocemos a priori.
Figura 1.5: Identicaci on de sistemas
Cuando la salida de error e(n) es aproximadamente cero en la gura (1.5), los coecientes resul-
tantes del ltro FIR del proceso de adaptacion daran la misma salida (o al menos una muy buena
aproximacion) que el sistema desconocido para la misma entrada.
Al tener el ltro FIR que se adapte a la misma respuesta en que el sistema desconocido, estaremos en
la posibilidad de reproducir el comportamiento de este o diremos que el sistema ha sido identicado.
1.4.2 Cancelacion adaptativa de ruido
Cuando una se nal de voz ocurre en un ambiente muy ruidoso el ltrado digital convencional es
incapaz de limpiar la se nal de voz contaminada con ruido, pues tanto la se nal de voz como el
ruido son se nales que estan continuamente variando con el tiempo y para un ltrado de coecientes
es imposible procesar se nales variantes en el tiempo, es aqu donde el ltrado adaptativo es necesario.
Para utilizar el ltrado adaptable en la eliminacion de ruido, es necesario tener una se nal de refer-
encia del ruido y la se nal de voz contaminada, as como se ilustra en la gura (1.6). A la entrada
del sistema tenemos estas dos se nales mencionadas, la se nal de referencia de ruido alimenta direc-
tamente los coecientes del ltro adaptable mientras que la se nal de voz contaminada sirve para
hacer la aproximacion.
8
Figura 1.6: Cancelador de ruido
1.4.3 Cancelacion de eco telefonico
Una de las principales aplicaciones de los ltros adaptables es la cancelacion del eco telefonico,
los canceladores de eco sustituyeron a los supresores de eco utilizados con anterioridad, los cuales
atenuaban la se nal principal y causaban interferencia en la llamada telefonica.
En todos los sistemas telefonicos, la se nal del hablante al salir de la central telefonica se pasa por un
convertidor com unmente llamado bobina hbrida que se encarga de convertir de dos a cuatro hilos
la se nal de voz; generalmente se escribe: (2:4).
Generacion de eco
El eco ocurre cuando parte de la se nal transmitida regresa al transmisor en un convertidor (2:4),
debido a un desequilibrio en las impedancias entre los circuitos de dos y cuatro hilos. En la gura
(1.7), se aprecia que la comunicacion entre el usuario A y la central de telefona es a dos hilos.
Se ilustra tambien en la gura (1.7) la conversion de dos a cuatro hilos en las centrales A y B, que
tienen una impedancia Z. La comunicacion entre centrales telefonicas se efect ua a cuatro hilos, dos
hilos para ir y dos para recibir. La trayectoria punteada representa la se nal que dejan pasar los
convertidores (2:4), parte de la se nal que recibe es reejada debido al desequilibrio de impedancias
y regresa al punto donde se origino en forma de eco.
9
Figura 1.7: Generacion de eco en convertidores de dos a cuatro hilos
El grado del eco escuchado por el que habla depende de la magnitud de la se nal reejada y la
cantidad de retardo involucrado. En distancias cortas el retardo es mnimo y el eco es entonces
despreciable e imperceptible, sin embargo en comunicaciones de largo alcance (miles de kilometros)
el eco puede ser molesto.
Cancelador de eco
Un cancelador de eco simula el mecanismo de generacion del eco [16] [17] para substraer una copia
atenuada y retardada de la se nal transmitida, dicha copia se invierte y se suma con la se nal de eco
a n de eliminarla. El cancelador de eco requiere de un tiempo para aproximar las caractersticas
del eco.
Figura 1.8: Cancelador de eco
La gura (1.8) ilustra la comunicacion entre dos centrales telefonicas
6
, para cada una de ellas se
coloca un cancelador. Observemos la parte izquierda de la gura (1.8), en la central A x
B
(n) es la
se nal que se esta recibiendo de la central B, como ya hemos dicho, parte de la se nal regresa a la
6
Comunicaci on a 4 hilos entre la central A y la central B
10
central B (Se nal y
B
(n) a la salida de la bobina hbrida), cuando la central B la reciba, esta se nal
tendra un desfamiento y se escuchara en B como eco.
El cancelador de eco toma la se nal x
B
(n) como referencia para aproximar la salida de la bobina
hbrida llamada en la gura y
B
(n), dicha aproximacion se resta a la salida de eco y
B
(n) cuyo resul-
tado sera una se nal de error e(n) casi nula que ira hacia B. Entre mas se acerque a cero esa se nal,
mayor sera la eliminacion de eco.
Los ecos deben de ser cancelados cerca de la fuente donde se generan, as los retardos son minimiza-
dos. Existen varios algoritmos para hacer la adaptacion de la trayectoria del eco.
1.5 Objetivos de investigacion
El objetivo general de la presente investigacion es proponer un algoritmo para ltrado adaptable
que mejore la velocidad de convergencia y que a su vez disminuya el error; es decir que tenga una
mejor desempe no frente a algoritmos basados en el mnimo error cuadratico medio o MSE
7
.
Objetivos particulares:
Estudiar y evaluar una coleccion de algoritmos utilizados para la adaptacion.
Reportar el estado del conocimiento en la materia.
Proponer un algoritmo o mejora de alguno existente.
Analisis a traves de la teora de los ltros adaptables y experimentos a traves de simulacion
numerica.
Comparacion con otros algoritmos de ltrado adaptable.
7
Del ingles Mean Squared Error.
11
1.6 Metodo de investigaci on
El desarrollo de la presente investigacion se realizo a traves del siguiente metodo.
1. Creacion del protocolo de investigacion. Con la nalidad de planear la presente investigacion,
en esta etapa, se delimito el tema de investigacion as como sus alcances y metas Se propuso
un calendario de actividades en el cual se programo cada fase de la investigacion.
2. Revision de la literatura en el tema. Para conocer en que estado se encuentran investigaciones
relacionadas o en otras palabras, el estado del conocimiento de la materia.
3. Propuesta de algoritmo. Desarrollado a partir del analisis del problema.
4. Evaluacion por simulaciones numericas. Mediante una serie de simulaciones numericas pudi-
mos hacer una evaluacion del desempe no del algoritmo propuesto.
5. Comunicacion de resultados. Presentamos aqu la comunicacion de resultados en forma idonea.
1.7 Alcance de la investigaci on
El desarrollo de mejores algoritmos de adaptacion es un importante adelanto tecnologico debido a
la gran cantidad de aplicaciones que tienen los sistemas adaptativos, ademas, contribuira al proceso
de cambio y renovacion de la tecnologa empleada actualmente en estos sistemas, especcamente
en los canceladores de eco.
Se contribuye al desarrollo de nuevos dispositivos de telefona en general (centrales telefonicas y
telefona movil) puesto que al utilizar un cancelador de eco de este tipo, la implementacion a nivel
hardware es de baja complejidad.
Por ultimo, pero no por ello menos importante, este algoritmo adaptativo debido a su enfasis en
nuevos parametros, ofrece un nuevo modelo para el desarrollo de posteriores algoritmos.
12
1.8 Organizacion del documento
En este documento se presentan los resultados del proyecto de investigacion y esta organizado de la
siguiente forma:
El captulo 2 contiene una revision de las investigaciones en la materia. Aqu presentamos los
algoritmos basados en el algoritmo LMS que es la base de los algoritmos adaptables. Contiene
ademas un analisis de los algoritmos de ltrado adaptable.
El captulo 3 encontraremos la propuesta, analisis y evaluacion de desempe no del algoritmo
que estamos introduciendo.
Finalmente en el captulo 4 damos las conclusiones de esta investigacion y algunas ideas para
el trabajo futuro.
13
14
Captulo 2
Revision de algunos algoritmos
basados en el LMS
Dentro de la variedad de artculos referentes al ltrado adaptable encontramos algoritmos que asegu-
ran la convergencia basados en el LMS[25] (Least Mean Square) o en el NLMS[14] (Normalized Least
Mean Square) y sus variantes. Existen tambien muchas otras propuestas para problemas especcos.
El algoritmo LMS fue el primer algoritmo adaptable empleado por casi todas las aplicaciones de
ltrado hasta que Raymond introdujo una gran aportacion a los algoritmos adaptables: el algoritmo
de paso variable o VSS
1
[20].
A partir de entonces muchas investigaciones se han llevado a cabo para maximizar la velocidad
de convergencia del algoritmo y al mismo tiempo minimizar el error; y con ello se han propuesto
muchas modicaciones tales como los algoritmos NLMS-VS [26] y el VSS-SC [7] que son los mas
recientes.
En general los algoritmos de paso variable se han caracterizado por modicaciones al algoritmo
original de Raymond, entre ellas se han agregando criterios de readaptacion del paso del algoritmo,
factores de olvido, memoria y normalizaciones del mismo entre otras. En esta seccion presentamos
una revision de los algoritmos mas relacionados con el ltrado adaptable.
1
Del ingles Variable Step Size
15
2.1 El algoritmo LMS
El algoritmo LMS [25] ha sido extensamente utilizado en muchas aplicaciones por ser simple y
robusto. Con un solo parametro a variar, el tama no del paso, es suciente para estimar per-
tinentemente la se nal deseada.

Este algoritmo adapta los coecientes de un ltro FIR basandose en
el metodo de paso descendente[14]. Formularemos el algoritmo a partir del error cuadratico medio.
Sea X(n) un vector (columna) conteniendo las ultimas N muestras de la se nal de entrada
X
T
(n) = [X(n), X(n 1), ...X(n N + 1)] (2.1)
y W(n) el vector (columna) de N coecientes del ltro adaptable
W
T
(n) = [w(n), w(n 1), ...w(n N + 1)], (2.2)
estos son los valores que se encargara el algoritmo LMS de modicar en cada paso. Entonces el
error e(n) esta dado por:
e(n) = d(n) X
T
(n)W(n). (2.3)
Donde d(n) es la respuesta a seguir por el ltro adaptable
2
y X
T
(n)W(n) es la se nal estimada a la
salida del ltro y se denota como y(n).
La expresion mediante la cual se modican los coecientes del ltro adaptable es:
W(n + 1) = W(n) (n). (2.4)
Aqu (n) es la funcion costo a optimizar y es un parametro de ponderacion constante llamado
paso. En el LMS la funcion costo se elige como el error cuadratico medio obtenido a partir de la
ecuacion (2.3)
2
d(n) es llamada tambien: se nal deseada, pues es la se nal que se desea estimar.
16
E{e
2
(n)} = E{[d(n) y(n)]
2
}. (2.5)
Aplicando el operador al error cuadratico medio tenemos entonces:
(n) =

W
E[(d(n) y(n))
2
] =

W
E[e
2
(n)]. (2.6)
Una vez que tenemos el factor a optimizar como el error cuadratico, en la practica se utiliza el
gradiente instantaneo del MSE por lo que se asume que E[e
2
(n)]

= e
2
(n) [8],[13] y sustiyendo (2.6)
en (2.4) obtenemos lo que se conoce como el algoritmo LMS, de esta forma el nuevo coeciente
entonces es:
W(n + 1) = W(n)
e
2
(n)
W
. (2.7)
Escribiremos nuevamente la ecuacion (2.7) sustituyendo el valor del error dado en la ecuacion (2.3)
para desarrollar la derivada parcial.
W(n + 1) = W(n)
[d(n) X
T
(n)W(n)]
2
W
. (2.8)
Desarrollando la derivada parcial con respecto a el vector de coecientes W(n) obtenemos:
W(n + 1) = W(n) 2[d(n) X
T
(n)W(n)](X(n)), (2.9)
aqu el termino d(n) X
T
(n)W(n) corresponde al error dado en la ecuacion (2.3), sustituyendo
tenemos entonces:
W(n + 1) = W(n) 2e(n)(X(n)). (2.10)
Y nalmente se obtiene la ecuacion para la adaptacion del coeciente:
W(n + 1) = W(n) + 2e(n)X(n). (2.11)
17
La convergencia del algoritmo esta garantizada siempre y cuando se cumpla con la siguiente condicion
3
[10],[13]
0 < <
2

max
, (2.12)

max
es el maximo valor propio de la matriz de autocorrelacion de la se nal de entrada [24]. Como
depende de las caractersticas de la se nal de entrada no es com un conocer su valor en la practica.
A continuacion se ilustra el desempe no del algoritmo en una conguracion de identicacion de sis-
temas (ver gura (1.4)).
Figura 2.1: Error de identicacion LMS para distintos pasos
En la gura (2.1) se aprecia que a medida que aumentamos el tama no de paso (etiquetada como
mu) hay una disminucion en el error cuadratico medio y la velocidad de convergencia del algoritmo
permanece casi constante para los distintos pasos. A medida en que el tama no de paso dismin-
uye, el algoritmo hace un procesamiento mas no, toma mas tiempo de procesado pues hace mas
iteraciones consecutivas sin exito en la disminucion del error y tiempo de convergencia.
3
En el apendice A se presenta una demostracion a esta condicion.
18
Este algoritmo tiene una dependencia directa de la potencia de la se nal de entrada como se puede
inferir en la ecuacion (2.12).
En la tabla (2.1) enlistamos las condiciones de la simulacion que utilizaremos en esta seccion.
X(n) Ruido r(n) Orden del ltro Iteraciones S/N
Gaussiana Blanco Gaussiano 128 Taps 10,000 32 dB
Tabla 2.1: Condiciones de simulacion
Cuando el LMS se utiliza para adaptar los coecientes de un ltro transversal, requiere N multipli-
caciones para calcular la salida del ltro, la complejidad para este algoritmo es entonces del orden
de O(n).
2.2 El algoritmo NLMS
Como vimos anteriormente, la convergencia del algoritmo LMS depende directamente de la potencia
de la se nal de entrada, para eliminar esta dependencia una solucion inmediata es normalizarlo, lo
que origino la aparicion del algoritmo NLMS.
La ecuacion (2.11) entonces se transforma en:
W(n + 1) = W(n) + 2e(n)X(n), (2.13)
donde:
=

X
T
(n)X(n)
. (2.14)
En este caso es una constante, as que puede seleccionarse de manera independiente de las car-
actersticas de la se nal de entrada [21]. Cuando = 1 el algoritmo converge al nivel de ruido
4
, el
nivel de cancelacion obtenido mejora en forma inversamente proporcional al valor de .
4
El valor esperado es el mismo para el error e(n) que para el ruido r(n) [14]
19
En la gura (2.2) y bajo las mismas condiciones de simulacion que listadas en la tabla (2.1) notamos
una mayor velocidad de convergencia a medida que incrementamos (etiquetada como alfa). Se
aprecia tambien el amplio rango de valores a los que converge.
Figura 2.2: Error de identicacion NLMS para distintos pasos
La desventaja del algoritmo NLMS es el tener que seleccionar un en particular, si se selecciona
un grande, se tiene una rapida convergencia del algoritmo, pero el algoritmo puede quedarse
oscilando alrededor del mnimo, ahora bien, si se usa un peque na, el error de salida es grande y
la rapidez de convergencia es lenta.
Por lo anterior la seleccion del paso reeja un compromiso entre el error de salida en el algoritmo
y la rapidez de adaptacion [6].
2.3 El algoritmo VSS
Este algoritmo VSS - LMS [20] de Raymond esta basado en variar el tama no de paso que en el
algoritmo LMS es constante. Este valor va a ser determinado por el n umero de cambios de signo en
la supercie del gradiente del error. El ajuste del tama no del paso es:
20

(n + 1) = (n) +e
2
(n). (2.15)
Con 0 < < 1 Como factor de memoria del paso anterior y > 0 como memoria del error, ademas
esta acotado por:
(n + 1) =
_

max
si

(n + 1) >
max
,

min
si

(n + 1) <
min
,

(n + 1) otro caso.
(2.16)
Si el nuevo paso adaptado es mayor que
max
entonces el paso tomara el valor de
max
, lo mismo
sucedera para valores por debajo de
min
, aqu las cotas para
max
y
min
son valores seleccionados
de antemano y de ellos depende en gran medida la velocidad de convergencia y la disminucion del
error. El comportamiento del algoritmo se ilustra en la gura (2.3).
Figura 2.3: Error de identicacion VSS para distintas cotas
21
2.4 El algoritmo VS-SC
Casco en [7] introduce un eciente algoritmo de paso variable sobre el algoritmo NLMS llamado
VS-SC y utilizado para la adaptacion de coecientes de ltros adaptables especcamente para apli-
caciones de cancelacion de eco y de ruido.
En este algoritmo el ajuste del tama no del paso es controlado por el cuadrado de la correlacion entre
la salida del error y la salida del ltro adaptativo.
El algoritmo es el siguiente:
W(n + 1) = W(n) +e(n)X(n). (2.17)
Donde W(n +1) representa el nuevo vector de coecientes ya adaptado y W(n) el vector actual de
coecientes, la esta dada por la ecuacion (2.18) al igual que en el NLMS.
=

|X(n)|
2
(2.18)
y
e(n) = d(n) y(n) +r(n). (2.19)
Donde e(n) es la salida de error, y(n) = W(n)
T
X(n), X(n) es el vector de entrada, d(n) es la se nal
deseada y 0 < < 1 es un escalar que controla la estabilidad de |X(n)|
2
y que se estima por un
criterio de correlacion cruzada entre el error y la salida del ltro adaptable y(n) y r(n) es ruido
presente. Solo se considera el primer elemento de esta correlacion:
R
2
e y
(n) = {E|e(n) y(n +m)|
m=0
}
2
. (2.20)
La ecuacion para acotar el paso de es
22
(n + 1) =
_

max
si

(n + 1) >
max
,

min
si

(n + 1) <
min
,

(n + 1) otro caso.
(2.21)
donde:

(n + 1) =

R
2
ey
(n + 1)
x
2
(n + 1)
, (2.22)
con
x
2
(n + 1) = x
2
(n) +[x
2
(n)] (2.23)
y

R
2
ey
(n + 1) =

R
2
ey
(n) +[e(n) y(n)]
2
. (2.24)
La gura (2.4) ilustra el comportamiento de este algoritmo para distintos valores de paso mnimo y
maximo y bajo los mismos parametros de la tabla (2.1).
Figura 2.4: Error de identicacion VS-SC para distintas cotas
23
En la ultima ecuacion (2.24), si la correlacion entre e(n) y y(n) es grande, implica que el paso sea
grande (
max
1), cuando el algoritmo converge, la correlacion |R
e y
(0)| disminuye e implica un
peque na. Se asume que la se nal de entrada y el ruido aditivo no se correlacionan entre s [11], [24].
Los valores tpicos para y son: = 0.997 y = 0.00048 [7],[20].
2.5 El algoritmo VSS-LMS
El algoritmo VSS - LMS [26] propuesto por Li Yan, es un algoritmo que mejora el error a valores por
debajo de los expuestos anteriormente (VSS y VSS-SC) Este algoritmo se basa en la modicacion
de un parametro que hasta el momento haba permanecido jo: y con ello lograr una pronta
convergencia y al mismo tiempo un menor error. El algoritmo se describe a continuacion.
Para estimar el nuevo coeciente del ltro es:
W(n + 1) = W(n) +(n)X(n)e(n). (2.25)
El nuevo paso se estima de la siguiente forma:
(n + 1) = (n) +(n)(n). (2.26)
Aqu (n) es un parametro constante que puede tomar distintos valores y = 0.2.
Para el parametro se tiene la siguiente restriccion:
(n + 1) =
_
_
_
(n 1) si

(n + 1) >
max
,
(n 1) otro caso
(2.27)
Las condiciones para estimar el nuevo paso son:
(n + 1) =
_

max
si

(n + 1) >
max
,

min
si

(n + 1) <
min
,

(n + 1) otro caso.
(2.28)
24
La g ura (2.5) es la graca del error de identicacion para el algortmo VSS - LMS y esta bajo los
mismos parametros de la tabla (2.1).
Figura 2.5: Error de identicacion VSS-LMS para distintas cotas
Para este algoritmo las ecuaciones (2.26) y (2.27) son las que determinan el nuevo paso que va
directamente relacionado con el parametro .
Estudiamos en este capitulo los algoritmo de paso jo LMS y su version normalizada NLMS y
tambien estudiamos los algoritmos de paso variable VSS, VSS-SC y VSS-LMS como propuestas
existentes que superan por mucho al algoritmo LMS. Todos ellos estan basados en el algoritmo
propuesto por Widrow y solo con peque nas modicaciones a algunos parametros del LMS logran
velocidades de convergencia rapidas as como disminucion del error en las estimaciones hechas. Sin
embargo, en ocaciones la velocidad de convergencia sacrica la disminucion del error, principal
desventaja del algoritmo LMS.
Presentamos ahora una propuesta de algoritmo para hacer ltrado adaptable tambien basado en el
LMS teniendo como prioridad la disminucion del error y el aumento de la velocidad de convergencia.
25
26
Captulo 3
Un nuevo algoritmo de ltrado
adaptable
Consideremos la conguracion de identicacion de sistemas descrita en la gura (3.1). De acuerdo
al algoritmo de LMS [25] de ltrado adaptable el vector de los coecientes W(n) se actualizan de
acuerdo a la ecuacion (3.1).
W(n + 1) = W(n) +e(n)X(n) (3.1)
Como ya sabemos, es el parametro de ponderacion llamado paso que tiene que acotado como lo
indica la ecuacion (2.12) para asegurar la convergencia. Si la se nal de entrada X(n) se normaliza,
basta con que 0 < < 1. Tpicamente = 0.1 [20], [4].
Figura 3.1: Filtro adaptable en conguracion de identicador de sistemas
De acuerdo a la gura (3.1) el error e(n) esta dado por la siguiente ecuacion.
e(n) = d(n) y(n) (3.2)
27
Donde e(n) es el error de salida en la muestra n, d(n) es la se nal deseada y y(n) es la se nal estimada
dada por
y(n) = X
T
(n)W(n) +r(n). (3.3)
Aqu X
T
(n) es el vector de entrada, W(n) es el vector de coecientes del ltro que se estan adap-
tando y r(n) es el ruido presente en el canal.
El tama no del paso es jo para este algoritmo y para su version normalizada llamado NLMS. En
estos algoritmos de paso jo a medida que aumentamos el tama no de paso vemos aumentar la
velocidad de convergencia del algoritmo pero a un tenemos un error elevado, a medida que el tama no
de paso disminuye, el algoritmo hace un procesamiento mas no, toma mas tiempo de procesado
pues hace mas iteraciones pero el error permanece mas elevado que con el paso grande.
Por ello se propuso el algoritmo de paso variable VSS que ya detallamos en el captulo anterior y en
el cual se introduce un paso cambiante que es acotado por un paso maximo
max
y un paso mnimo

min
. Usualmente
max
es un valor cercano al paso de los algoritmos de paso jo LMS y NLMS.
La adecuada eleccion los pasos maximo y mnimo hara que el algoritmo sea convergente en muchos
casos, pero por medio de muchas simulaciones se puede encontrar que no siempre es as [26].
Haciendo un analisis de las ecuaciones (2.15), (2.24) y (2.26); la adaptacion del paso se hace tomando
en cuenta un factor que guarda una memoria del error llamado para el VSS y VSS-LMS y en
el caso del VSS-SC. El paso anterior tambien interviene mediante un parametro de ponderacion
llamado para el VSS y el VSS-SC y en el caso del VSS-SC.
Tenemos entonces que se guarda una memoria del paso anterior; pero se descuida el factor a min-
imizar: el error, ya que el valores tpicos para una buena convergencia de estos parametros son
= 7.65e 4 [20], [26] en el VSS y VSS-LMS , = 4.8e 4 para el VSS-SC [7] lo que signica
tomar en cuenta solo el 0.0765 % del error en los primeros casos y 0.048 % el el segundo.
28
3.1 Formulacion del algoritmo
En base a los analisis anteriores se propone un nuevo algoritmo que tiene por objeto minimizar
el error en la se nal estimada basandose en la desviacion estandar del mismo, pues es una medida
clara de la dispersion del error. La gura (3.2) muestra el comportamiento tpico de la desviacion
estandar del error a distintos valores de se nal a ruido (S/N)
1
durante el proceso de identicacion
de sistemas con los algoritmos de paso variable.
Figura 3.2: Desviacion estandar del error a distintas S/N
Proponemos una actualizacion del paso sin la dependencia de un parametro de estabilidad, en su
lugar se introduce un factor que aumenta el tama no de paso cuando el error es grande y que lo
disminuye cuando el algoritmo converge.
El parametro de ponderacion es 0 < < 1 y se aplica de acuerdo a la desviacion estandar de
la se nal de error. Tambien se mantiene una memoria del paso anterior mediante la derivada de la
desviacion estandar del error D

. El paso se actualiza entonces de la siguiente manera.

1
Para una expliacion detallada de S/N Ver seccion 3.3.2
29

(n + 1) =
_
_
_
(n)D

+
2
si < ,
(n)D

+

2

otro caso.
(3.4)
Para esto es necesario establecer un umbral a la desviacion estandar del error, la cota que determina
si esta desviacion estandar es elevada o es peque na es un termino propuesto aqu denotado por y
con un valor de = 0.25, con lo cual consideramos que es una desviacion estandar peque na si esta
por debajo de este valor y viceversa (3.3). La desviacion estandar del error esta normalizada.
Figura 3.3: Desviacion estandar del error en VSS y el umbral
Por otro lado, el paso se acota para evitar en un sobrepaso la perdida de la convergencia del
algoritmo, estos lmites los ja la ecuacion (3.5).
(n + 1) =
_

max
si

(n + 1) >
max
,

min
si

(n + 1) <
min
,

(n + 1) otro caso.
(3.5)
30
3.2 Analisis del algoritmo
En esta seccion haremos un analisis del algoritmo propuesto, comenzaremos haciendo dos suposi-
ciones:
El ruido r(n) es ruido blanco gaussiano con media 0 y varianza
2
y es independiente de la
se nal de entrada X(n)
El proceso estocastico X(n) es estacionario para ventanas de muestras peque nas T = 1
Para una = 0.10 el termino

2

equivale a aumentar en 10 el valor de

2
, esto da como resultado un
ligero aumento del paso que ocurre cuando la desviacion estandar esta por arriba del umbral > .
Con un paso grande al inicio garantizamos una rapida convergencia inicial, pues en presencia de un
error elevado son necesarios pasos grandes para la pronta convergencia.
Del mismo modo, cuando < el termino
2
es igual a disminuir en 10 el valor de la varianza
actual en esa iteracion, con ello se logra que el paso sea mas no, as al existir poco error en esta
parte del algoritmo, se necesita un paso cada vez mas peque no. La cota es impuesta sobre la graca
normalizada de la desviacion estandar del proceso como se muestra en la gura (3.3).
Figura 3.4: Derivadas de la desviacion estandar del errorD

31
La derivada de la desviacion estandar tambien es una medida de la convergencia del algoritmo, en
la gura (3.4) se hallan las derivadas para dos puntos especcos, uno con una pendiente elevada y
otro con pendiente casi cero, en general se comienza con una pendiente muy pronunciada cuando el
error es grande pero conforme el error disminuye, la pendiente tiende a cero, entonces se necesita
una menor dependencia del paso anterior, de esta forma la derivada de la desviacion estandar del
error D

se convierte en un termino para la actualizacion del paso es (n)D

pues permite dar un

peso al paso anterior si la derivada es grande o peque na.
3.3 Elementos para la evaluaci on de desempe no
La evaluacion esta dividida en 3 partes: la primera parte consiste en una conguracion de iden-
ticacion de sistemas, primero con una se nal de entrada generada en la computadora y despues
teniendo voz real en la se nal de entrada. En la segunda parte evaluamos el algoritmo como cance-
lador de ruido y por ultimo presentamos su desempe no en la cancelacion de eco telefonico. En esta
seccion se describen los elementos a tomar en cuenta durante la evaluacion.
3.3.1 Medidas de desempe no
Para medir la eciencia del algoritmo y vericar su rendimiento se tomaran las siguientes medidas
de desempe no: el error de identicacion, el error en la estimacion y el error cuadratico medio(MSE).
1. El error de identicacion consiste en una medida del error en la salida del sistema adaptable
con respecto a la salida deseada en presencia de ruido. Se dene por
error = 10log
10
_

N
n=1
(d(n) y(n))
2

N
n=1
(d(n) r(n))
2
_
[dB] (3.6)
Donde N es el n umero de iteraciones.
2. El error en la estimacion tambien es una medida de desempe no y como ya hemos venido
diciendo en secciones anteriores, esta dado por la diferencia entre la se nal deseada y la se nal
estimada. Se dene por
e(n) = d(n) y(n). (3.7)
32
3. El MSE es el error de estimacion en decibeles dado por la ecuacion (3.8).
MSE
dB
= 10log
10
(e(n)
2
)[dB] (3.8)
3.3.2 Relacion se nal a ruido
En sistemas de comunicacion una elemento importante a considerar es la cantidad de ruido que
se introduce al sistema. Como el ruido vara de forma impredecible de un instante al siguiente,
la manera en que se mide es en base a una potencia media del ruido, por tanto es conveniente
establecer una razon adimensional entre la potencia de la se nal y la potencia del ruido. A esta razon
se le conoce como relacion se nal a ruido[23]. Llamaremos S/N a esta relacion, entonces tenemos:
S/N = s
2
(t)/n
2
(t). (3.9)
Generalmente esta razon se expresa en decibeles.
[S/N]dB = 10log
10
_
s
2
(t)
n
2
(t)
_
. (3.10)
Ahora determinemos la potencia media del ruido n
2
(n) partiendo del segundo momento central de
la variable aleatoria.
E[(x m
x
)
2
] =
_

(x m
x
)
2
f
x
(x)dx (3.11)
Donde f
x
(x) es la funcion de densidad de probabilidad de x (pdf(x)). La potencia esta dada por:
Pot
AC
= E[(x m
x
)
2
], (3.12)
o bien
Pot
AC
= E[x
2
] m
2
x
. (3.13)
33
Que puede leerse como, la potencia total AC es igual al segundo momento menos la media al
cuadrado.
Una suposicion que se hizo en la seccion (3.2) sobre el ruido es que el proceso es estocastico de
media cero, por lo que cuando m
x
= 0 entonces en la ecuacion (3.13) tenemos que la potencia media
es igual al segundo momento de la variable aleatoria, es decir; la potencia es igual a la varianza de
del ruido y entonces podemos escribir
Pot
n
=
2
n
. (3.14)
Escribiendo de otra forma la ecuacion (3.10) obtenemos nalmente que
[S/N]dB = 10Log
10
_
s
2

2
n
_
, (3.15)
mediante la cual podemos calcular la relacion se nal a ruido de un sistema de comunicacion y que
utilizaremos para determinar la S/N en los distintos experimentos que a continuacion detallamos.
3.4 Evaluaci on de desempe no
De acuerdo a las medidas de desempe no detalladas anteriormente, presentamos a continuacion los
tres aspectos de esta evaluacion. Las comparaciones son entre el algoritmo propuesto y el algoritmo
VSS, pues este es el algoritmo que supera en desempe no al LMS y a otros algoritmos basados en el
mismo criterio y es el mas utilizado en aplicaciones de ltrado adaptable.
3.4.1 Parte 1: Identicacion de sistemas
Nos referimos aqu a la utilizacion de los sistemas adaptativos para encontrar la respuesta de un
sistema cuya respuesta no la conocemos pero que podemos tratar de aproximar a la salida del ltro
adaptativo. A mas coecientes del ltro tendremos una mejor aproximacion.
34
Evaluacion con entrada generada en la computadora.
El diagrama a bloques que describe el sistema es el que muestra la gura (3.5) y para estas evalua-
ciones utilizaremos los parametros de las se nales descritas en la tabla (3.1).
Figura 3.5: Filtro adaptable en conguracion de identicador de sistemas
La se nal de entrada x(n)entonces esta compuesta por 8,000 n umeros seudoaleatorios de distribucion
gaussiana con media cero y varianza
2
x
(simulando un proceso estocastico), el ruido agregado r(n)
es ruido del tipo ruido blanco gaussiano.
Se nal Distribucion Iteraciones Media Varianza
Entrada X(n) Gaussiana 8000 0
2
X
Ruido r(n) Blanco Gaussiano 8000 0
2
r
Tabla 3.1: Parametros de las se nales para una se nal generada por computadora
Relacion S/R: Entrada generada en la computadora
Con el resultado de la ecuacion (3.15) podemos ahora jar la relacion se nal a ruido, Si jamos la
potencia de la se nal s
2
= 1 podemos encontrar la desviacion estandar para generar el ruido y obtener
un valor de 32dB que es la S/N generalmente presente en los circuitos telefonicos [15]. Tenemos
que
10log
10
_
s
2
n
2
_
= 32dB, (3.16)
35
despejando para s
2
/n
2
obtenemos:
s
2
n
2
= 10
32
10
= 1584.89 (3.17)
y nalmente despejando para n
2
obtenemos un valor de la varianza
2
n
del ruido, lo cual nos ja
la potencia del ruido en un valor de
2
n
=6.309e-4. Tenemos entonces que para una relacion se nal
a ruido de 32dB necesitamos una potencia de entrada s
2
= 1 y una potencia media de ruido
n
2
= 6.309e 4, equivalente a una desviacion estandar de
n
= 0.025119.
Tenemos determinada la relacion se nal a ruido que en este caso corresponde a 32dB o bien
S
N
= 32dB
y las potencias
2
utilizadas para lograr esta relacion se muestran en la tabla (3.2).
Potencia
Se nal 1 W
Ruido 6.309e-4 W
Tabla 3.2: Parametros de S/N para una se nal generada por computadora
En las simulaciones vamos a comparar el rendimiento entre el algoritmo adaptativo propuesto y el
algoritmo de paso variable VSS. Los parametros de dichos algoritmos se encuentran descritos en la
tabla (3.3).
Parametro
max

min
Coecientes
VSS 0.1 0.01 0.97 7.65e-4 128
Propuesto 0.1 0.01 0.25 0.10 128
Tabla 3.3: Parametros de las simulaciones
La respuesta al impulso a identicar h(n) por los coecientes del ltro en todos los experimentos fue:
h(n) =
_
_
_
1 n = 0,
S
a
(n/c) n = 0
(3.18)
2

Unicamente especicadas por sus varianza

2
. Ver seccion (3.3.2)
36
El algoritmo propuesto inicia las iteraciones con el paso maximo permitido de acuerdo con la
ecuacion (3.5) y conforme avanza en el tiempo, el comportamiento del paso se va determinando
por la desviacion estandar que hara que al inicio tenga un paso grande y con ello una pronta con-
vergencia y al nal se termine con un paso relativamente peque no.
De acuerdo al error de identicacion, el algoritmo propuesto gana alrededor de 5dB en todos los
experimentos realizados, el VSS deja el error de identicacion hasta 12.054dB mientras que el
algoritmo propuesto logra bajarlo hasta 16.065dB. La gura (3.6) nos muestra las gracas de estas
comparaciones entre el algoritmo VSS y el algoritmo propuesto en donde se aprecian claramente los
mejores resultados logrados por el algoritmo propuesto.
Figura 3.6: Error de identicacion VSS vs Propuesto
El error en la estimacion tanto en el algoritmo VSS como en el algoritmo propuesto mide direc-
tamente la reduccion del error y con ello se puede identicar la velocidad de convergencia. En la
gura (3.7) observamos que el algoritmo propuesto no sacrica la velocidad de convergencia en la
disminucion del error, puesto que este converge alrededor de la iteracion 3000 y el VSS viene a
estabilizarse mucho despues de la iteracion 5000.
37
Figura 3.7: Error de estimacion VSS vs Propuesto
Por ultimo tambien consideramos el MSE dado por la ecuacion (3.8) el cual podemos observarlo en
la gura (3.8). Practicamente es la misma graca que el error de estimacion pero en dB. Aqu se
aprecia mejor la velocidad de la convergencia y la disminucion del error que hemos venido mencio-
nando.
Figura 3.8: MSE para VSS vs Propuesto
38
Ahora vamos a vericar la capacidad del algoritmo a adaptarse a cambios bruscos del sistema, para
esto cambiamos la respuesta del sistema a la mitad del proceso de la simulacion y con ello el error
y su desviacion estandar, de esta forma se evidenca que el algoritmo se adapta inmediatamente
despues de un cambio brusco de respuesta. Para generar una nueva respuesta se cambia durante la
simulacion el parametro c de la ecuacion (3.18) para modicar la frecuencia de la funcion Sampling
que esta dentro de nuestro sistema a identicar.
En la graca de la gura (3.9) se muestra la convergencia de los algoritmos VSS y el propuesto.
En el primer periodo I el algoritmo propuesto converge mucho mas rapido que el VSS que a un no
logra su convergencia cuando viene el cambio de periodo, el algoritmo propuesto muestra una clara
convergencia unas 1000 iteraciones antes del cambio de respuesta.
Figura 3.9: Error de identicacion para cambio de respuesta VSS vs Propuesto
Despues de varias iteraciones de la simulacion, la respuesta al impulso es cambiada y entonces ob-
servamos el periodo II. En este punto el algoritmo propuesto ya ha logrado su convergencia, lo cual
quiere decir que esta haciendo iteraciones con una peque na, sin embargo al llegar el cambio de
respuesta, el error incrementa bruscamente y esto se reeja en su desviacion estandar, con lo que el
algoritmo responde de inmediato y cambia a una grande de acuerdo a (3.4).
39
Como ya sabemos, el sistema a identicar es una Sampling dada por la ecuacion (3.18). En la gura
(3.10 a) presentamos la respuesta al impulso real y la respuesta al impulso estimada. Se aprecia
claramente que con 128 coecientes el algoritmo hace una excelente estimacion de la respuesta al
impulso. La gura (3.10 b) muestra un acercamiento a los ultimos 60 coecientes en donde se
aprecia mejor esta estimacion.
Figura 3.10: Respuesta al impulso: a) Real y estimada. b) Acercamiento
Evaluacion con muestras de una se nal de voz como entrada.
Ahora vamos a realizar la identicacion de sistemas teniendo como se nal de referencia voz muestreada
a 8 kHz y cuanticada a 256 niveles, es decir con 8 bits.
3
El ruido agregado es ruido blanco gaussiano
tal y como se muestra en la tabla (3.1).
Relacion S/R: Se nal con voz
La relacion entre la se nal de entrada y el ruido introducido en el sistema en la parte 1a fue de 32dB
por ser la relacion S/N que esta presente en los canales telefonicos convencionales, para el caso
anterior basto con jar la potencia de la entrada y determinar la potencia del ruido para obtener
los 32dB deseados.
3
Caso correspondiente a los sistemas PCM
40
De la misma forma que en la seccion anterior ahora jaremos la relacion S/R para este caso, aqu
el valor de la potencia que corresponde a voz tiene ya una potencia predenida por el volumen del
hablante,
4
entonces unicamente buscaremos el valor correspondiente a la potencia del ruido.
Partiremos ahora de la relacion (3.17) pues vamos a suponer los 32dB presentes en el canal telefonico.
s
2
n
2
= 10
32
10
= 1584.89
Tenemos una se nal de entrada de 5.9 segundos de voz, analizando estos datos vericamos que la
desviacion estandar corresponde a
x
= 0.0518, lo que signica que hay una varianza de
2
s
=2.683e-3
despejando para n
2
tenemos:
n
2
=
s
2
1584.89
(3.19)
Evaluando s
2
=2.683e-3 obtenemos el valor de la potencia para n
2
= 1.69301e 6, trasladando esto
a terminos de desviacion estandar tenemos que para generar una relacion se nal a ruido de 32dB
esta tiene que ser
n
= 0.00130.
Los parametros de las simulaciones siguen siendo los mismos que indica la tabla (3.3), las mismas
cotas de paso maximo y paso mnimo (
max
y
min
respectivamente) y el mismo n umero de coe-
cientes en los ltros. En la tabla (3.4) presentamos los parametros de la relacion S/N con que
se realizo esta simulacion para obtener los resultados presentados en la gura (3.12). El sistema a
identicar contin ua siendo el descrito en la ecuacion (3.18).
Potencia
Se nal 2.683e-3 W
Ruido 1.69301e-6 W
Tabla 3.4: Parametros de S/N para muestras de voz
4
Si bien el volumen del hablante no ja la potencia de entrada, se eligio dejar la se nal de entrada ntegra como fue
codicada.
41
Nuestra nalidad es mostrar el desempe no del algoritmo frente al algoritmo VSS con una se nal de
voz real, para esto mantendremos la conguracion de indenticacion de sistemas y limitaremos la
evaluacion a la primera medida de desempe no dada en la ecuacion (3.6). Los parametros de las
se nales entonces quedan como muestra la tabla (3.5).
Se nal Distribucion Muestras Media Varianza
Voz X(n) Distribucion de voz 47248 (5.9s) 0
2
X
Ruido r(n) Blanco Gaussiano 47248 (5.9s) 0
2
r
Tabla 3.5: Parametros de las se nales para se nal de voz
En la gura (3.11 a) mostramos la distribucion de los valores de la se nal de voz de referencia y en
la gura (3.11 b) la distribucion de los valores del ruido blanco gaussiano.
Figura 3.11: Distribuciones: a) Se nal de voz. b) Ruido blanco.
En la gura (3.12) mostramos entonces el error en la identicacion del sistema con una se nal de
entrada de voz.
42
Figura 3.12: Error de identicacion experimento 1: Se nal de voz a) Error. b) Acercamiento.
3.4.2 Parte 2: Cancelador de ruido
Cuando no es posible utilizar procedimientos clasicos para la eliminacion de ruido como por ejem-
plo ltros selectivos en frecuencia, se puede aplicar la cancelacion adaptativa de ruido
5
. Para las
siguientes aplicaciones ya se ha demostrado su ecacia.
Cancelacion activa de ruido en protectores auditivos [1].
Cancelacion activa de ruido en aviones [3].
Control activo de ruido en el automovil.[2]
Control de ruido en electrocardiogramas.[22]
En estos casos el ltrado adaptativo se vuelve muy util, pues la se nal de voz esta inmersa en un
ambiente muy ruidoso y no es posible ltrarla con ltros de coecientes jos.
El esquema a bloques en general es el que esta en la gura (3.13).
5
Tambien llamada cancelacion activa de ruido
43
Figura 3.13: Filtro adaptable en conguracion de cancelador de ruido.
Idealmente el sistema elimina el ruido por completo, pero, en la practica, solo es reducido consider-
ablemente.
El experimento consistio en contaminar una se nal de voz de 47,248 muestras
6
, agregando ruido
blanco gaussiano con una potencia de 0.1W.
En la gura (3.14) se aprecian los 5.9 segundos de la se nal original.
Figura 3.14: Se nal de voz original
En la siguiente gura (3.15) mostramos la se nal de voz ya contaminada con ruido blanco gaussiano
severo, esto es con una relacion se nal a ruido de S/N = 5.7dB.
6
Muestreada a 8000 Hz, equivalentes a 5.9 segundos de voz, es la misma se nal con la que hemos venido trabajando
44
Figura 3.15: Se nal de voz contaminada con ruido blanco
Vamos ahora a pasar esta se nal por el ltro adaptativo de la gura (3.13) y vericar su salida.
Conforme va avanzando el algoritmo, el ruido blanco es adaptado y por consiguiente cancelado,
como mencionamos anteriormente, no es posible limpiar la se nal totalmente, sin embargo tanto en
la gura (3.16) como al escuchar la se nal libre de ruido se aprecia la cancelacion de ruido.
Figura 3.16: Se nal a la salida del cancelador de ruido mediante algoritmo propuesto
Presentamos aqu el mismo resultado bajo las mismas condiciones pero para el algoritmo de adaptacion
VSS, en la gura (3.17) se aprecia en su salida la cancelacion de ruido. Es claro que es un poco mas
lenta la eliminacion y esto se comprueba en forma audible.
45
Figura 3.17: Se nal a la salida del cancelador de ruido mediante VSS
3.4.3 Parte 3: Cancelacion de eco en canales telefonicos
Supongamos dos abonados conectados a su central local correspondiente. La conexion telefonica
entre un abonado y la central local se realiza a dos hilos, realizandose la conversion a cuatro hilos
en la bobina hbrida de la central. En la gura (3.18) mostramos el diagrama de conexion de los
abonados a la central.
Figura 3.18: Circuito telefonico
Dado que la bobina hbrida no esta perfectamente equilibrada, existen varios caminos posibles para
la se nal que va de A hacia B.
Figura (3.19) Camino normal de A hacia B
Figura (3.20) Eco del hablante: la se nal que llega hasta la hbrida que esta cercana a B, rebota
en ella y as, parte de dicha se nal vuelve hacia A de nuevo, de modo que A vuelve a orse. Este
46
eco electrico
7
se debe a una insuciente atenuacion en la hbrida, y provoca que el hablante
oiga una version retardada y atenuada de s mismo.
Figura (3.21) Eco del oyente: la se nal que va de A hacia B, rebota en la hbrida cercana a B
y as,parte de ella vuelve hacia A, y al llegar a la hbrida cercana a A, parte de ella va hacia
A (que as vuelve a orse)y el resto vuelve hacia B, con lo que vuelve a llegar a B, aunque
atenuada y retardada.
Figura 3.19: Camino ideal
Figura 3.20: Eco del hablante
Figura 3.21: Eco del oyente
7
Electrico y no ac ustico porque va por cable y no por aire.
47
El cancelador se coloca en el camino a cuatro hilos mas proximo al origen del eco, esto es, para
cancelar el eco originado por el rebote en la hbrida de B, el cancelador se ha de colocar proximo
a dicha hbrida, porque es donde mas amplitud tiene el eco, ya que es ah donde se ha generado,
y si se colocase el cancelador en cualquier otro punto del camino a cuatro hilos, el eco estara mas
atenuado
8
y mas desfasado, lo que exigira el uso de un ltro de mas coecientes.
Se nal Tipo Muestras Media Varianza
EntradaVoz X(n) Voz con eco 47248 (5.9s) 0
2
X
Ruido r(n) Blanco Gaussiano 47248 (5.9s) 0
2
r
Tabla 3.6: Parametros de las se nales para cancelacion de eco
Para hacer la cancelacion de eco, se trata del mismo juego de ecuaciones a que nos conduca el
caso del modelador de un sistema desconocido. De hecho, en el fondo, aqu el ltro adaptativo
esta modelando la hbrida
9
, entonces se trata del mismo esquema por lo que tendremos los mismos
parametros de los algoritmos que el experimento 1, sin embargo nuestra se nal de entrada contiene
eco, la tabla (3.6) muestra los parametros de dichas se nales.
Figura 3.22: Se nal de eco cancelada por VSS
Presentamos ahora la salida del error en el ltro adaptable mediante el algoritmo VSS. Figura(3.22).
8
A mayor distancia mayor atenuacion, pues el cable aten ua la se nal
9
Modela la funcion de transferencia que genera el eco.
48
La relacion se nal a ruido en la cancelacion de eco es evidentemente la presente en los canales
telefonicos S/N = 32dB, como tenemos la misma se nal solo que con eco, tenemos los mismos val-
ores que la tabla (3.4) para determinar esta relacion.
Presentamos ahora en la gura(3.23) la salida del error en el ltro adaptable mediante el algoritmo
propuesto.
Figura 3.23: Se nal de eco cancelada por algoritmo propuesto
3.5 Comentarios acerca del sobrepaso
Como muestra la ecuacion (3.5), en caso de que haya un sobrepaso se limitara por las cotas de paso
mayor y paso menor, es decir, cuando el paso cae en estas condiciones quiere decir que el ajuste en
la adaptacion fue infructuosa.
Para el experimento 1, la tabla (3.7) contiene el n umero de veces que el paso fue adaptado de acuerdo
al primer criterio de ajuste cuando > o cuando la desviacion estandar es grande entonces el
paso se adapta de acuerdo a

2

del 10% al 23% de las iteraciones en las que el paso se adapto por
este camino.
De 8,000 iteraciones, en 2358 ocasiones el paso se adapto seg un: > >

en otras palabras de
acuerdo al criterio que esta por arriba del umbral de la desviacion estandar el paso aumento en
49
Iteraciones Adaptacion Sobre paso %
8 000 2358 363 15.4%
8 000 1097 446 41.33%
Tabla 3.7: Adaptaciones arriba del umbral
10 su valor en 2358 ocasiones, es decir un 15.5% de las iteraciones en que el paso resulto ser un
sobrepaso y solo un 3.36 % del total de las iteraciones en el mejor de los casos y un 4.46 % en el peor.
Con esto comprobamos una vez mas que la adaptacion del paso por medio de la desviacion estandar
es mucho mejor, ya que en analisis similares para el VSS el porcentaje de sobrepaso resulta hasta en
un 92.2 % lo cual signica que para 8,000 iteraciones mas de 7,376 adaptaciones de paso resultaron
in utiles.
50
Captulo 4
Conclusiones y recomendaciones para
trabajo futuro
Se analizaron cinco algoritmos de ltrado adaptativo basados en el MSE como criterio de mini-
mizacion del error, dos de ellos de paso jo y tres de paso variable. Se observo como la normalizacion
del LMS dio como resultado disminuir la dependencia que existe entre el algoritmo y la potencia
de la se nal de entrada, aunque la version normalizada llamada NLMS a un conserva un paso jo
obligando a establecer su valor a priori generando el compromiso entre la disminucion del error y la
velocidad de convergencia.
Estas desventajas del paso jo llevaran las investigaciones a al algoritmo de paso variable VSS y
con el una enorme velocidad de convergencia y disminucion del error que los presentados por el LMS
y NLMS.
A partir de entonces existen esfuerzos por mejorar los resuultados obtenidos por el VSS basados
en varios criterios: buscando la minimizacion del error a partir de la correlacion entre la entrada
al ltro y su salida (VSS-SC), minimizando el error a partir de restricciones y cotas impuestas al
paso (VSS-LMS) y otros esfuerzos menos prosperos para llegar a un algoritmo convergente y que
disminuya el error en un menor tiempo.
Se presento una propuesta y evaluacion de un nuevo algoritmo de ltrado adaptable basado en la
desviacion estandar del error generado durante el proceso de adaptacion. El resultado es un algo-
51
ritmo mas ecaz en cuanto a velocidad de convergencia y disminucion del error.
La desviacion estandar del error resulto ser muy buen criterio para saber en que estado se encuentra
el error y a partir de esa informacion realizar las manipulaciones pertinentes al paso sabiendo que
a mayor error mayor tama no de paso para pronta convergencia y a menor error un menor tama no
de paso para una buena disminucion de error.
Se demostro por medio de evaluaciones numericas y simulaciones la ventaja del algoritmo propuesto
con respecto a los algoritmos de paso variable, en especico del VSS y se valido que es viable la
utilizacion de la desviacion estandar del error como parametro a tomar en cuenta en la disminucion
del error y que esto presenta ventajas sobre la adaptacion en algoritmos basados en el VSS.
Las compraciones de decempe no fueron hechas respecto al algoritmo VSS en tres experimentos
distintos:
Identicacion de sistemas
Cancelacion adaptativa de ruido
Cancelacion de eco telefonico
Para cada una de ellas el algoritmo propuesto demostro mejores resultados sobre el VSS, en la iden-
ticacion de sistemas el algoritmo propuesta disminuyo en mas de 4dB el error de identicacion,
siendo este un valor muy signicativo respecto al VSS. Respecto a la velocidad de convergencia el
algoritmo propuesto supero por mucho al algoritmo VSS mostrando convergencias al rededor de las
3,000 iteraciones en cuanto que el VSS lo hacia dentro de las 5,000 iteraciones, siendo este tambien
un dato relevante en cuanto a la evaluacion del algoritmo.
Se probo tambien su capacidad para adaptarse a cambios bruscos en el sistema a identicar logrando
resultados similares a los ya descritos, demostrando nuevamente superioridad respecto al VSS.
Por otra parte se evaluo para una se nales mas reales (voz y ruido) en la cancelacion adaptativa de
ruido. El resultado aqu es audible pero tambien se puede apreciar en las gracas presentadas en la
52
seccion (3.4.3) en donde se ve una ligera ventaja del algoritmo propuesto en la disminusion del ruido.
Por ultimo, en cuanto a cancelacion de eco telefonico se hizo una simulacion del eco en un canal
telefonico a la misma S/R presentada en los canales de este tipo y el resultado fue positivo, nueva-
mente el algoritmo propuesto mostro una ligera ventaja en la cancelacion del eco.
Con estas tres evaluaciones cumplimos el objetivo y se da por concluido el presente trabajo con la
conclusion de tener una buena propuesta de algoritmo de paso variable para ltrado adaptativo que
mejora al VSS y que muestra buen desempe no en conguraciones importantes.
Finalmente, como trabajo futuro, se presentan las siguientes recomendaciones:
El algoritmo propuesto establece un umbral determinado a partir de simulaciones y es posible
encontrar el umbral adecuado de acuerdo a calculos matematicos.
Para saber el buen desempe no del algoritmo seria conveniente hacer una evaluacion en un
escenario real, ya sea en alg un dispositivo que cancele eco, que elimine ruido o identique
sistemas; dispositivos que en general utilizan el algoritmo VSS.
Seria conveniente trabajar con una normalizacion del presente algoritmo con el n de disminuir
su dependencia a se nales de entrada.
53
54
Apendice A
Convergencia de algoritmos LMS
La ecuacion de Wiener-Hopf [13] dene los coecientes del ltro optimo de acuerdo a las funciones
de correlacion para los ltros de Wiener. Esta ecuacion esta dada por:
R = W
0
P. (A.1)
Donde R es la matriz de correlacion de las entradas del ltro, W
0
es el vector optimo de coecientes
del ltro y P es el vector de correlacion cruzada entre la entrada del ltro y la se nal deseada.
La ecuacion se resuelve asumiendo que la matriz de correlacion cruzada es no singular
1
.
W
0
= R
1
P. (A.2)
Entonces solo es necesario encontrar el vector optimo (A.3) y para asegurar la convergencia del
algoritmo partiremos de dos ecuaciones, la ecuacion del error (2.3) en la ecuacion (2.11) que son los
coecientes del ltro LMS resultando.
W(n + 1) = W(n) + 2X(n)[d(n) X
T
(n)W(n)], (A.3)
W(n + 1) = W(n) + 2d(n)X(n) 2X
T
(n)W(n). (A.4)
Tomamos el valor esperado de W(n + 1), restamos R
1
P en ambos miembros de la ecuacion y
1
Det[R] = 0 para poder invertirla
55
suponemos que los coecientes W(n) no estan correlacionados con el vector de entrada.
E[W(n + 1)] R
1
P = E[W(n)] R
1
P + 2(P RE[W(n)]), (A.5)
E[W(n + 1)] R
1
P = E[W(n)] R
1
P + 2(RR
1
P RE[W(n)]), (A.6)
E[W(n + 1)] R
1
P = E[W(n)] R
1
P + 2R(R
1
P E[W(n)]). (A.7)
Tenemos entonces:
E[W(n + 1)] R
1
P = E[W(n)] R
1
P 2R(RE[W(n)] +R
1
P). (A.8)
Denimos:
(n + 1) = E[W(n + 1)] R
1
P (A.9)
y
(n) = E[W(n)] R
1
P. (A.10)
Ahora sustituyamos (A.9) y (A.10) en (A.8).
(n + 1) = (n) 2R(n). (A.11)
O bien:
(n + 1) = (1 2R)(n). (A.12)
Utilizaremos ahora la transformada de Karhunen-Loeve (KL)
56
R = K
T
L
K
L
. (A.13)
Aqu es la diagonal de valores propios de la matriz de correlacion del vector de entrada X(n)
= [
1
,
2
,
3
, . . .
N
], (A.14)
y
K
L
K
T
L
= I. (A.15)
Haciendo algunas operaciones:
K
L
R = K
T
L
K
L
K
L
(A.16)
Sustituyendo (A.13) y (A.15) en (A.12) obtenemos:
(n + 1) = [I 2K
T
L
K
L
]. (A.17)
(n + 1) = [K
L
K
T
L
2K
T
L
K
L
]. (A.18)
Denimos ahora:
(n + 1) = K
L
(n + 1). (A.19)
(n + 1) = K
L
K
T
L
(I 2)K
L
(n)). (A.20)
(n + 1) = (I 2)V (n). (A.21)
Escrita en forma matricial
57
_

0
(n + 1)

1
(n + 1)
.
.
.

N+1
(n + 1)
_

_
=
_

_
1 2
1

.
.
.

.
.
. 1 2
2
.
.
.
. . . 1 2
N
_

_
_

_
V
0
(n)
V
1
(n)
.
.
.
V
N+1
(n)
_

_
. (A.22)
Tenemos entonces:

i
(n + 1) = (1 2
i
)V
i
(n). (A.23)
Iterando la ecuacion (A.23) obtenemos:

i
(n + 1) = (1 2
i
)
n+1
V
i
(n). (A.24)
Entonces la convergencia del algoritmo LMS se garantiza bajo la condicion[13]:
|1 2
i
| < 1. (A.25)
Que resolviendo para resulta:
0 < <
2

min
. (A.26)
58
Referencias
[1] Mnguez A. Ingeniera avanzada para sistemas de control de ruido ac ustico mediante tecnicas
adaptativas. Ph. Thesis, ETSIT-UPM, Madrid, 1998.
[2] Recuero M.and Mnguez A. and Sancho J.L. Control activo de ruido en un automovil. Tec-
niac ustica-99, Avila (Spain), Octubre,1998.
[3] Recuero M.and Mnguez A. and Sancho J.L. Impacto ac ustico producido por una plataforma
de prueba de motores de avion. posibles soluciones. Tecniac ustica-98, Lisboa (Potugal), pages
121124, Septiembre,1998.
[4] Tyseer Aboulnasr. A robust variable step-size lms-type algorithm: Abalysis and simulations.
IEEE Transactions on signal processing, V. 45, N. 3:631639, 1997.
[5] Maurice G. Bellanger. Adaptative Digital Filters. Marcel Dekker, Inc, New York, second edition,
1987.
[6] N.J. Bershad. Analysis of the normalized lms algorithm with gaussian inputs. ,IEEE Trans.
Acoust. Speech Signal Process, ASSP-34:793806, 1986.
[7] F. Casco and M. Lopez-Guerrero. Vs-sc: a variable step size nlms algorithm. Proc. 20th IEEE
Canadian Conference in Electrical and Computer Engineering CCECE07, I:896899, 2007.
[8] Fausto Casco. Algoritmos lms de paso variable. Ph. Thesis, UAMI, Mexico, 1997.
[9] B. Friedlander. System identication techniques for adaptive signal processing. Circuits Systems
Signal Processing, vol. 1, No 1:341, 1982.
59
[10] William Gardner. Nonstationary learning characteristics of the lms algorithm. IEEE Transac-
tions on cuircuits and systems, V. CAS 34, N. 10:11991207, 1987.
[11] Simon Haykin. Adaptive Filter Theory. Prentice Hall, USA, second edition, 1991.
[12] Simon Haykin. Adaptive Filter Theory. Pearson Education, New Jersey, third edition, 1996.
[13] Simon Haykin. Adaptive Filter Theory. Pearson Education, New Jersey, fourth edition, 2002.
[14] Sudhakar Kalluri and Gonzalo R. Arce. A general class of nonlinear normalizad adaptive
ltering algorithms. IEEE transactions on signal processing, vol. 47, no. 8, Agosto,1999.
[15] George Kennedy. Electronic communication systems. McGraw-Hill International, Australia,
third edition, 1984.
[16] Sondhi M. Closed loop adaptive echo canceller using generalizad lter networks. proc. IEEE,
pages 499999, 1970.
[17] Sondhi M. and D.A. Silencing echoes in the telephone network. proc. IEEE, Berkley, 68:948
963, 1980.
[18] Alan S. Oppenheim, Alan V.and Willsky, Hamid Nawab, and with S. Hamid. Se nales y Sis-
temas. Pearson Education, Mexico,D.F., segunda edition, 1998.
[19] John G. Proakis. Digital communications. McGraw-Hill, Boston, fourth edition, 2001.
[20] H. Raymond, Kwong E., and W. Johnston. A variable step size lms algorithm. IEEE Trans-
actions on Signal Processing, vol.40 No.7:16331642, Julio,1992.
[21] V. Solo. The limiting behavior of lms. IEEE Trans. Acoust. Speech Signal Process, 37:1909
1922, 1989.
[22] E. Soria. Nuevo algoritmo recursivo para la obtencion del ecg fetal. Revista Brasileira de
Engenharia Biomedica, v.15,n.3:135139, 1976.
[23] Herbert Taub. Principles of comunications systems. McGraw-Hill, New York, second edition,
1986.
60
[24] B. Widrow and J.M. McCool. A comparison of adaptive algorithms based on the methods of
steepest descent and random search. IEEE trans, vol.AP-24,no 5:615637, Septiembre,1976.
[25] B. Widrow, J.M McCool, M. G. Larimore, and Jr.and C.R Johnson. Stationary and nonsta-
tionary learning characteristics of the lms adaptive lter. Proc. IEEE, 64:11511162, 1976.
[26] Li Yan and Wang Xinan. A modied vs lms algorithm. CACT2007 IEEE, pages 615618, 2007.
61