Departamento de Eléctrica y Electrónica

Comunicación y codificación digital

Tema:

Algoritmos QR

Docente: Ing. Carlos Paul Bernal Oñate

Nombre: Edwin Santiago Remache Males

NRC: 3560

Fecha: 3 de Agosto, 2018

Sangolquí – Ecuador
Tema: Algoritmos QR.
La aplicación de la descomposición QR para triangularizar la matriz de datos de entrada
da como resultado una alternativa método para la implementación del método recursivo
de mínimos cuadrados (RLS) previamente discutido. Las principales ventajas
producidas por el algoritmo recursivo de mínimos cuadrados basado en la
descomposición QR son sus comportamientos numéricos mejorando cuando los efectos
de cuantificación se tienen en cuenta. Estos algoritmos rápidos están relacionados con el
filtro FIR de línea de retardo interceptado realización del filtro adaptativo.
TRIANGULARIZACIÓN CON QR-DESCOMPOSICIÓN

El algoritmo RLS proporciona de forma recursiva los coeficientes del filtro adaptativo
que conducen a la minimización de la siguiente función de costo:

Donde:

es el vector de señal de entrada

es el vector de coeficientes en el instante k, ε (i) es el error a posteriori en el instante i, y

λ es el factor de olvido.
El mismo problema se puede reescribir como una función del aumento de matrices de
dimensión y vectores que contiene toda la información de señal ponderada disponible
hasta el momento para el filtro adaptativo. Estas matrices son redefinidas aquí por
conveniencia:
La solución óptima para el problema de mínimos cuadrados en un determinado
instante de tiempo k se puede encontrar resolviendo la siguiente ecuación:

El enfoque de descomposición QR evita soluciones inexactas al problema de RLS, y permite una

fácil monitoreo de la definición positiva de una matriz de información transformada en
situaciones mal condicionadas.

TRIANGULARIZACIÓN DE LA MATRIZ DE DATOS DE ENTRADA

La matriz X (N + 1) se puede triangularizar a través de un enfoque ortogonal tal como
rotaciones Givens, transformación de Householder o ortogonalización de Gram-Schmidt. Desde
aquí el interés es aplicar iterativamente el procedimiento de triangulación a cada nuevo vector
de datos agregado a X (k), la rotación de Givens parece ser el enfoque más apropiado:

Utilizando las rotaciones de Givens, tenemos una siguiente iteración:

Como se ve recibe una nueva fila que debe ser reemplazada por un vector cero a través de una
descomposición QR. En este paso, las matrices involucradas son las siguientes:

Para eliminar el nuevo vector de entrada mediante rotaciones con las filas correspondientes del
matriz triangular λ1 / 2U (N + 1), aplicamos la descomposición QR a la ecuación anterior de la
siguiente manera:

donde nuevamente U (N + 2) es una matriz triangular superior y Q (N + 2) es dada por:

Como cada matriz de rotación de Givens es ortogonal, puede demostrarse fácilmente que Q (k)
también es ortogonal (en realidad orto normal), es decir,

Además, a partir de las ecuaciones es fácil notar que:

Y de forma general se obtiene que la matriz Q(k) tiene la siguiente forma general:

donde * representa un elemento distinto de cero. Esta estructura de Q~ (k) es útil para
desarrollar algoritmos QR-RLS mas rápidos.

QR-DESCOMPOSICIÓN, ALGORITMO RLS

El procedimiento de triangulación descrito anteriormente se puede aplicar para generar el
algoritmo QR-RLS eso evita el cálculo de la matriz SD (k) del algoritmo RLS convencional. El
ponderado al vector de error posterior se puede escribir como una función de la matriz de datos
de entrada, es decir

Al pre multiplicar la ecuación anterior por Q (k), se deduce que

Luego, a partir de la definición de Q (k) en la ecuación, se obtiene la siguiente relación:

Esta relación muestra que el error de salida a posteriori se puede calcular sin el cálculo explícito
de w (k). La única información necesaria es los cosenos de rotación Givens. En aplicaciones
donde solo un error de salida a posteriori es de interés, el algoritmo de sustitución inversa
computacionalmente intensivo que puede aparecer en cada una de las operaciones, puede
desaparecer.

APLICACIÓN DEL ALGORITMO

En el presente ejemplo, nos preocupa principalmente probar el algoritmo implementado ya que
las características restantes (tales como: desajuste, velocidad de convergencia, etc.) debe seguir
el mismo patrón del algoritmo RLS convencional. Consideramos el caso donde la dispersión de
autovalores de la matriz de correlación de la señal de entrada es 20, con λ = 0,99. Los resultados
presentados se obtuvieron promediando los resultados de 200 carreras independientes.

La siguiente tabla resume los resultados,

Donde se puede notar que el MSE es comparable al caso del algoritmo RLS convencional. Por
otro lado, el error de cuantificación introducido por los cálculos para obtener w(k) es
considerable. Después de dejar el algoritmo en ejecución para una gran cantidad de iteraciones,
no encontró signos de divergencia.

BIBLIOGRAFÍA
Paulo S R Diniz. (2008). Adaptive filtering: algorithms and practical implementation
(págs. 365-384). Tercera edición.