[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

EP0848867A1 - Adaptive digital filtering process in the frequency domain - Google Patents

Adaptive digital filtering process in the frequency domain

Info

Publication number
EP0848867A1
EP0848867A1 EP96931093A EP96931093A EP0848867A1 EP 0848867 A1 EP0848867 A1 EP 0848867A1 EP 96931093 A EP96931093 A EP 96931093A EP 96931093 A EP96931093 A EP 96931093A EP 0848867 A1 EP0848867 A1 EP 0848867A1
Authority
EP
European Patent Office
Prior art keywords
signals
frequency domain
blocks
input
block
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
EP96931093A
Other languages
German (de)
French (fr)
Inventor
Constantinos Berberidis
Jacques Palicot
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Telediffusion de France ets Public de Diffusion
Orange SA
Original Assignee
Telediffusion de France ets Public de Diffusion
France Telecom SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Telediffusion de France ets Public de Diffusion, France Telecom SA filed Critical Telediffusion de France ets Public de Diffusion
Publication of EP0848867A1 publication Critical patent/EP0848867A1/en
Ceased legal-status Critical Current

Links

Classifications

    • HELECTRICITY
    • H03ELECTRONIC CIRCUITRY
    • H03HIMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00Adaptive networks
    • H03H21/0012Digital adaptive filters
    • H03H21/0025Particular filtering methods
    • H03H21/0027Particular filtering methods filtering in the frequency domain

Definitions

  • the invention relates to a method of adaptive digital filtering, in the frequency domain, of digital signals.
  • Such methods are implemented in signal processing, to adapt the reception devices to changes in a time-changing transmission channel.
  • Adaptive filters are therefore generally used in receivers, that is to say filters with weighting coefficients that vary over time.
  • the variations in time of the weighting coefficients are defined according to an optimization criterion and these coefficients are produced by devices (generally signal processing processors or DSPs) implementing an adaptation algorithm.
  • J (n) E ⁇
  • this matrix is the inverse of the autocorrelation matrix of the input signals, then we obtains the recursive least squares algorithm (or RLS, from English recursive least squares).
  • RLS recursive least squares algorithm
  • This algorithm presents a better convergence than the LMS algorithm (the input signals being taken into account), at the cost of a much greater complexity.
  • a problem with the implementation of this adaptation algorithm is the time necessary for carrying out the calculations of tf m -1 and G for each block of input signals.
  • An example of implementation of this algorithm is described in document US-A-4 658 426.
  • Another document IEEE, Acoustics Speech and Signal Processing Magazine, Vol. 34 No. 6 December 1986, New York, US, pages 1573-1582, entitled "Self orthogonalizing efficient block adaptive filters” proposes a block-type RLS algorithm in the time domain.
  • Adaptive filtering in the frequency domain has the advantage, compared to adaptive filtering in the time domain, of considerably reducing the complexity of the implementation of adaptation algorithms. This comes from the fact that the temporal convolution is replaced in the frequency domain by a multiplication and two Fourier transforms. Consequently, a calculation in the frequency domain makes it possible to reduce both the production times of the weighting coefficients and the size of the circuits calculating these coefficients.
  • the frequency domain adaptation algorithms implement adaptive block filtering, with a block dimension generally equal to the order of the filter, i.e. the number of filter weights.
  • Most of the existing algorithms are of the gradient algorithm type. Examples of implementation of LMS algorithms in the frequency domain are already known.
  • ER Ferrara "Frequency Domain Adaptive Filtering", Adaptive Filters, CFN Cowan and PM Grant, Eds, Englewood Cliffs, Prentice Hall, 1985, Chapter 6, pages 145-179 offers adaptive filters in the frequency domain. More particularly, figure 6.2 and the corresponding description present an adaptive filter of the LMS type in the frequency domain.
  • An object of the invention is to propose an adaptive filtering method, in the frequency domain, but having a higher convergence than LMS block filtering in the frequency domain. To do this, the invention proposes to modify the calculation method blocks of weighting coefficients by taking a Hessian estimate different from the identity (that is to say from producing the input signals a model of the input, which makes it possible to improve convergence), and which does not require the recursion processing inherent in the RLS type formulation.
  • the invention proposes to transpose into the frequency domain a simplified version of the method illustrated above by equation (2).
  • the invention is based on the assumption that the input autocorrelation matrix practically does not change during a time interval equivalent to at least m samples, that is to say that an estimate of the autocorrelation matrix of input which is exact at a time n will be exact for at least m to 2 m time intervals later (a time interval corresponding to the time distance between two successive input signals).
  • Many applications meet this hypothesis for much longer time intervals (for example the cancellation of echoes induced by a multipath propagation in the radio transmission).
  • R ⁇ n is constant for at least m or 2m time intervals, then R_ (n) will be also.
  • B m (k) is a matrix m * p defined by
  • c m l (k) [(X p * (k) .e m (k)) H: O m _ p H] H with X p * (k) a matrix p. m including the first p rows of X m * (k).
  • equation (6) the first corrective term of equation (6) is treated in a similar way to the LMS process. If we ignore the corrective term c m 2 (k) in equation (6), we find an equation of LMS type (with the only difference that the gradient constraint in the case of c m 1 (k) is different because only p elements of this vector are non-zero).
  • linear convolutions of equations (4) to produce the error block and (7) for the first corrective block can be easily implemented in the frequency domain using the technique of recovery of partial recovery called overlap-save, well known in the art. skilled in the art.
  • the basic idea is to treat linear convolutions by means of circular convolutions of double size, these convolutions being implemented using fast discrete Fourier transforms.
  • equation (8) If we look at the second corrective term of equation (6), we can verify from equation (8) that this term has a particular structure and can be written in the form of a succession of three linear convolutions. In frequency terms, we can bring back the following formulation:
  • B 2m (k) diag ⁇ FFT [b * p + 1/1 0 m _ p _ ⁇ b * p + l, p + l "* Vl, 2] T > with p + l, i the i-th element of the vector b * p + 1
  • equation (10) implies five additional Fourier transforms compared to the transposition of the LMS algorithm in the frequency domain, these transforms being used to implement temporal constraints in the frequency domain.
  • W 2m '(k + 1) W ? M (k) + 2 ⁇ C' 2ml (k) + 2 ⁇ C 2m 2 (k) (12) with
  • the invention relates to an adaptive filtering method of time input signals, in which the filtering is carried out on blocks of m successive signals, by multiplication in the frequency domain of the Fourier transform of blocks of input signals by blocks of weighting coefficients, these blocks of coefficients being computed recursively from blocks of previous coefficients and from first and second corrective terms obtained from output signals corresponding to the filtered input signals and from the transform of Fourier of an input model, characterized in that the input model is calculated by autocorrelation.
  • FIG. 1 schematically represents an adaptive filtering process in the frequency domain, according to the invention.
  • FIG. 1 schematically illustrates an example of implementation of the adaptive filtering method according to the invention.
  • An application of such a method is for example the cancellation of echoes in audioconference.
  • Another possible application is adaptive identification in general, and in particular the identification of channels disturbed by echoes during radio transmissions.
  • the order of the predictors as well as the stationarity conditions fall exactly within the hypotheses of the invention.
  • the input signals x (n) are processed in blocks of m successive signals (x (n), ..., x (n + m-l)), with m integer.
  • a block k of input signals (x (n), ..., x (n + ml)) will correspond to a block of m weighting coefficients (w n (k), ..., w n + m _ 1 (k)).
  • the method according to the invention proposes to carry out, in the frequency domain, the adaptation of the coefficients on the one hand from a block of errors produced from the output signals (analogously to the realization in the frequency domain of an LMS type method) and on the other hand from a predictor of input signals.
  • the input signals x (n) are grouped, by a series-parallel transformation 1, into signal blocks [x (km), ..., x (km + m-l)].
  • Each k-th block x m (k) is grouped by a concatenation 2, with the previous block x ⁇ n (kl), then the block of 2m signals obtained is transposed in the frequency domain, by a fast Fourier transform 3 (denoted FFT).
  • FFT fast Fourier transform
  • X 2m (k) diag ⁇ FFT [x (km-m) .... x (km + ml)] ⁇ ⁇ and
  • W 2m (k) a vector, of dimension 2m, of weighting coefficients.
  • the 2m direct Fourier transform operator The 2m direct Fourier transform operator.
  • W 2m (k + 1) W 2m (k) + 2 ⁇ C 2m 1 (k) + 2 ⁇ C 2m 2 (k) (12), with
  • E 2m (k) an error block vector in the frequency domain, of dimension 2m, X 2m H ( k ) a diagonal matrix of dimension 2m.2m obtained by Hermitian transposition 8 of X2m ( k ) '
  • I D identity matrix of dimension p 0 0 p integer less than m
  • B 2m (k) matrix of dimension 2m defined by:
  • the corrective term C 2 m 2 ( k ) corresponds to a modeling of the input signals.
  • the invention is based on the assumption that the input autocorrelation matrix practically does not change during a time interval equivalent to at least m samples, that is to say that an estimate of the autocorrelation matrix of entry which is exact at a time n will be exact for at least m to 2.
  • m later time intervals (a time interval corresponding to the duration between two successive input signals), or even more.
  • Many applications meet this hypothesis for number 1.
  • m much longer time intervals for example the cancellation of echoes induced by a multipath propagation in the hertzian transmission). Consequently, we consider groupings in a concatenator 16 of 1 successive blocks of input signals.
  • correlator 17 a known method known as autocorrelation is used in a correlator 17 (described for example in "Digital Spectral Analysis with Applications", by S.L. Marple, Prentice Hall, New Jersey, 1987).

Landscapes

  • Filters That Use Time-Delay Elements (AREA)

Abstract

The invention concerns an adaptive filtering process for time input signals (X(n)) in the frequency domain. Filtering is carried out on blocks (xm(k)) of m successive signals ((x(n)), ... x (n+m-1))), by multiplying the Fourier transform (X2m(k)) of the input signal blocks by blocks (W2m(k)) of weighting coefficients in the frequency domain, the coefficient blocks being calculated recursively from preceding coefficient blocks and from first and second corrective terms (C2m1(k), C¿2m?2(k)) obtained from output signals (y¿m?(k)) corresponding to the filtered input signals and from the Fourier transform of a model of the input (bp+1).

Description

Procédé de filtrage numérique adaptatif dans le domaine fréquentiel. Adaptive digital filtering process in the frequency domain.
L'invention concerne un procédé de filtrage numérique adaptatif, dans le domaine fréquentiel, de signaux numériques. De tel procédés sont mis en oeuvre en traitement du signal, pour adapter les dispositifs de réception aux évolutions d'un canal de transmission évoluant temporellement. Ainsi, par exemple, en transmission hertzienne, les caractéristiques de propagation des signaux évoluent en fonction des conditions météorologiques: elles sont différentes dans le temps et dans l'espace. On utilise donc généralement, dans les récepteurs, des filtres adaptatifs, c'est à dire des filtres à coefficients de pondération variables dans le temps. Les variations dans le temps des coefficients de pondération sont définies selon un critère d'optimisation et ces coefficients sont produits par des dispositifs (généralement des processeurs de traitement de signal ou DSP) mettant en oeuvre un algorithme d'adaptation.The invention relates to a method of adaptive digital filtering, in the frequency domain, of digital signals. Such methods are implemented in signal processing, to adapt the reception devices to changes in a time-changing transmission channel. Thus, for example, in hertzian transmission, the propagation characteristics of signals evolve according to weather conditions: they are different in time and in space. Adaptive filters are therefore generally used in receivers, that is to say filters with weighting coefficients that vary over time. The variations in time of the weighting coefficients are defined according to an optimization criterion and these coefficients are produced by devices (generally signal processing processors or DSPs) implementing an adaptation algorithm.
Des coefficients de pondération, calculés par des algorithmes d'adaptation généralement employés, peuvent, dans le domaine temporel, se mettre sous la forme itérative suivante (les indices représentant les dimensions de vecteur ou de matrice) : wm<n) = wm(n_:L) " ^m _1{J(n)} G{J(n)} (1) avec : n indice temporel, m l'ordre du filtre, μ le pas de convergence,Weighting coefficients, calculated by generally used adaptation algorithms, can, in the time domain, take the following iterative form (the indices representing the vector or matrix dimensions): w m < n ) = w m ( n_: L ) "^ m _1 {J (n)} G {J (n) } (1) with: n time index, m order of the filter, μ the convergence step,
J(n) = E{|d(n) - y(n) |2} (fonction de coût minimisée;) y(n) les signaux de sortie de filtre correspondants à des signaux d'entrée x(n) , d(n) les décisions produites par un organe de décision à partir des signaux de sortie,J (n) = E {| d (n) - y (n) | 2 } (minimized cost function;) y (n) the corresponding filter output signals to input signals x (n), d (n) the decisions produced by a decision-making body from the output signals,
H_-1{J(n) } une estimation de l'inverse de l'Hessian (H) de J(n) et est une matrice de dimension m x m, et G{J(n)} une estimation du gradient de J(n) et est un vecteur de dimension m.H_ -1 {J (n)} an estimate of the Hessian inverse (H) of J (n) and is a matrix of dimension mxm, and G {J (n)} an estimate of the gradient of J ( n) and is a vector of dimension m.
Cette formulation est très générale et est valable pour une très grande classe d'algorithmes échantillon par échantillon dans le domaine temporel. Les algorithmes correspondant à l'équation (1) sont dits de type quasi-Newton.This formulation is very general and is valid for a very large class of sample by sample algorithms in the time domain. The algorithms corresponding to equation (1) are said to be of the quasi-Newton type.
Un choix connu de G{J(n)} est :A known choice of G {J (n)} is:
G{J(n)} = - 2 xm*(n) e(n), avec xm(n) = [χ(n)'-*-' χ(n - m + 1) ]τ un vecteur formé des m dernier signaux successifs reçus au temps n, * étant le symbole de la conjugaison complexe, T étant une transposition ligne-colonne, et e(n) = d(n) - xm τ(n) wm(n - 1) un signal d'erreur. C'est le choix de #m _1{J(n)} qui caractérise principalement les différents algorithmes de quasi- Newton.G {J (n)} = - 2 x m * (n) e (n), with x m ( n ) = [ χ ( n ) '- * -' χ ( n - m + 1)] τ a vector formed of the last m successive signals received at time n, * being the symbol of the complex conjugation, T being a row-column transposition, and e (n) = d (n) - x m τ (n) w m (n - 1) an error signal. It is the choice of # m _1 {J (n)} which mainly characterizes the different quasi- Newton algorithms.
Si cette matrice est la matrice identité, on obtient l'algorithme des moindres carrés moyens (ou LMS, de l'anglais least mean squares). Cet algorithme, très utilisé, présente une complexité faible, au détriment d'une convergence lente également. Par exemple le document IEEE ACOUSTICS, SPEECH, AND SIGNAL PROCESSING MAGAZINE Vol. 34 N° , février 1986; New York, US, pages 105-117 intitulé "Block realization of multirate adaptative digital filters" propose une formulation en blocs de l'algorithme LMS dans le domaine temporel.If this matrix is the identity matrix, we obtain the least mean squares algorithm (or LMS). This algorithm, widely used, has low complexity, at the expense of slow convergence as well. For example, the document IEEE ACOUSTICS, SPEECH, AND SIGNAL PROCESSING MAGAZINE Vol. 34 No., February 1986; New York, US, pages 105-117 entitled "Block realization of multirate adaptive digital filters" proposes a block formulation of the LMS algorithm in the time domain.
Si cette matrice est l'inverse de la matrice d'autocorrélation des signaux d'entrée, alors on obtient l'algorithme des moindres carrés recursif (ou RLS, de l'anglais recursive least squares). Cet algorithme présente une convergence meilleure que l'algorithme LMS (les signaux d'entrée étant pris en compte), au prix d'une complexité beaucoup plus importante. Un problème de la mise en oeuvre de cet algorithme d'adaptation est le temps nécessaire à la réalisation du calculs de tfm -1 et G pour chaque bloc de signaux d'entrée. Un exemple de mise en oeuvre de cet algorithme est décrit dans le document US-A-4 658 426. Un autre document IEEE, Acoustics Speech and Signal Processing Magazine, Vol. 34 N° 6 décembre 1986, New York, US, pages 1573-1582, intitulé "Self orthogonalizing efficient block adaptative filters" propose un algorithme de type RLS par blocs dans le domaine temporel.If this matrix is the inverse of the autocorrelation matrix of the input signals, then we obtains the recursive least squares algorithm (or RLS, from English recursive least squares). This algorithm presents a better convergence than the LMS algorithm (the input signals being taken into account), at the cost of a much greater complexity. A problem with the implementation of this adaptation algorithm is the time necessary for carrying out the calculations of tf m -1 and G for each block of input signals. An example of implementation of this algorithm is described in document US-A-4 658 426. Another document IEEE, Acoustics Speech and Signal Processing Magazine, Vol. 34 No. 6 December 1986, New York, US, pages 1573-1582, entitled "Self orthogonalizing efficient block adaptive filters" proposes a block-type RLS algorithm in the time domain.
D'autres algorithmes de filtrage ont été proposés, dérivés du type RLS, basés sur une extrapolation min- max d'une matrice d'autocorrélation d'un ordre p + 1, inférieur à m, jusqu'à l'ordre m du filtre (G.V. Moustakides, S. Theodoridis, "Fast Quasi Newton Transversal Filters - A New Class of Adaptive Estimation Algorithms", IEEE Trans. on Signal Processing, vol. 39, pp 2184-2193, Oct. 1991). On utilise alors une estimée de l'inverse de la matrice Hessienne donnée par la formule suivante :Other filtering algorithms have been proposed, derived from the RLS type, based on a min-max extrapolation of an autocorrelation matrix of order p + 1, less than m, up to order m of the filter. (GV Moustakides, S. Theodoridis, "Fast Quasi Newton Transversal Filters - A New Class of Adaptive Estimation Algorithms", IEEE Trans. On Signal Processing, vol. 39, pp 2184-2193, Oct. 1991). We then use an estimate of the inverse of the Hessian matrix given by the following formula:
*V>mH (2) avec j indice variant de O à m - p - 1, avec p < m, R_)~1(n) une matrice carrée de dimension p, complétée de m-p zéros, bm = [0jT: -bpH(n - j): 1: O^^^r-, bmH la h-xev-ru.m...i...tV.i._eWn„nΛ.e~ d~e_ b ~_m,, b (t) et a (t) les prédicteur recursif et puissance ir xr d'erreur de prédiction d'ordre p. l'opérateur : représentant une concaténation par juxtaposition, 0-τ étant un vecteur nul de dimension j transposé, Om_ _;_1 τ étant un vecteur transposé d'un vecteur nul de dimension m-p-j-1.* V > m H (2) with j index varying from O to m - p - 1, with p <m, R_ ) ~ 1 (n) a square matrix of dimension p, completed with mp zeros, b m = [0j T : - bp H (n - j): 1: O ^^^ r-, bm H la h-xev-ru.m ... i ... tV.i._eWn „nΛ.e ~ d ~ e_ b ~ _ m ,, b (t) and a (t) the recursive predictor and power ir xr of order prediction error p. the operator: representing a concatenation by juxtaposition, 0- τ being a zero vector of dimension j transposed, O m _ _; _ 1 τ being a vector transposed from a zero vector of dimension mpj-1.
Ils permettent d'atteindre une convergence équivalente à un algorithme de type RLS tout en ayant une complexité, proche de celle d'un algorithme de type LMS dans le domaine temporel, nécessitant 2m + 6p multiplications par unité de temps. De tels procédés sont néanmoins de complexité élevée pour des filtres d'ordre élevé, du fait de leur complexité proportionnelle à m (ce qui peut rendre prohibitive leur utilisation pour des applications telles que l'annulation d'échos en audioconférence, où m peut être de l'ordre de plusieurs milliers) .They allow to reach a convergence equivalent to an RLS type algorithm while having a complexity, close to that of an LMS type algorithm in the time domain, requiring 2m + 6p multiplications per unit of time. Such methods are nevertheless of high complexity for filters of high order, because of their complexity proportional to m (which can make their use prohibitive for applications such as the cancellation of echoes in audio conference, where m can be several thousand).
Depuis quelques années, dans le domaine du traitement du signal, le filtrage adaptatif dans le domaine fréquentiel a fait l'objet de nombreux développements. Le filtrage adaptatif dans le domaine fréquentiel présente l'avantage, par rapport au filtrage adaptatif dans le domaine temporel, de réduire considérablement la complexité de la mise en oeuvre des algorithmes d'adaptation. Ceci provient du fait que la convolution temporelle est remplacée dans le domaine fréquentiel par une multiplication et deux transformées de Fourier. En conséquence, un calcul dans le domaine fréquentiel permet de réduire à la fois les temps de production des coefficients de pondération et l'encombrement des circuits calculant ces coefficients.In recent years, in the field of signal processing, adaptive filtering in the frequency domain has been the subject of numerous developments. Adaptive filtering in the frequency domain has the advantage, compared to adaptive filtering in the time domain, of considerably reducing the complexity of the implementation of adaptation algorithms. This comes from the fact that the temporal convolution is replaced in the frequency domain by a multiplication and two Fourier transforms. Consequently, a calculation in the frequency domain makes it possible to reduce both the production times of the weighting coefficients and the size of the circuits calculating these coefficients.
Les algorithmes d'adaptation dans le domaine fréquentiel mettent en oeuvre un filtrage adaptatif par blocs, avec une dimension de bloc généralement égale à l'ordre du filtre, c'est à dire au nombre de coefficients de pondération du filtre. La plupart des algorithmes existants sont du type algorithme du gradient. On connaît déjà des exemples de mise en oeuvre d'algorithmes LMS dans le domaine fréquentiel. Ainsi, E.R. Ferrara, "Frequency Domain Adaptive Filtering", Adaptive Filters, C. F. N. Cowan and P. M. Grant, Eds, Englewood Cliffs, Prentice Hall, 1985, Chapitre 6, page 145-179 propose des filtres adaptatifs dans le domaine fréquentiel. Plus particulièrement, la figure 6.2 et la description correspondante présentent un filtre adaptatif de type LMS dans le domaine fréquentiel. En terme de complexité de réalisation, le calcul de m échantillons de sortie d'un filtre à m coefficients avec l'algorithme LMS dans le domaine temporel requiert 2m2 multiplications réelles. Avec l'algorithme décrit dans ce document le même calcul nécessite cinq transformées de Fourier rapides (encore notées FFT) de dimension 2m et deux multiplications complexes sur 2m points. Une FFT sur 2m points demande (m/2) log2m - m multiplications complexes. Le nombre de multiplications complexes par bloc donné est (5m/2) log2m. Une multiplication complexe équivalent à quatre multiplications réelles, le rapport de complexité entre LMS fréquentiel et LMS temporel en terme de multiplications réelles est de (5 log2m + 4) /m. Pour m = 512 par exemple, le rapport sera de 0.096 (ce qui illustre l'intérêt de l' implémentation dans le domaine fréquentiel en terme de complexité de calcul) . Un but de l' invention est de proposer un procédé de filtrage adaptatif, dans le domaine fréquentiel, mais ayant une convergence plus élevée que le filtrage LMS par blocs dans le domaine fréquentiel. Pour ce faire, l'invention propose de modifier le procédé de calcul des blocs de coefficients de pondération en prenant une estimation du Hessian différente de l'identité (c'est à dire à produire à partir des signaux d'entrée un modèle de l'entrée, ce qui permet d'améliorer la convergence), et qui ne nécessite pas le traitement de récursivité inhérent à la formulation de type RLS.The frequency domain adaptation algorithms implement adaptive block filtering, with a block dimension generally equal to the order of the filter, i.e. the number of filter weights. Most of the existing algorithms are of the gradient algorithm type. Examples of implementation of LMS algorithms in the frequency domain are already known. ER Ferrara, "Frequency Domain Adaptive Filtering", Adaptive Filters, CFN Cowan and PM Grant, Eds, Englewood Cliffs, Prentice Hall, 1985, Chapter 6, pages 145-179 offers adaptive filters in the frequency domain. More particularly, figure 6.2 and the corresponding description present an adaptive filter of the LMS type in the frequency domain. In terms of complexity of realization, the calculation of m output samples of a filter with m coefficients with the LMS algorithm in the time domain requires 2m 2 real multiplications. With the algorithm described in this document the same calculation requires five fast Fourier transforms (also noted FFT) of dimension 2m and two complex multiplications on 2m points. An FFT 2m application point (m / 2) log 2 m - m complex multiplications. The number of complex multiplications is given block (5m / 2) log 2 m. A complex multiplication equivalent to four real multiplications, the complexity ratio between frequency LMS and temporal LMS in terms of real multiplications is (5 log 2 m + 4) / m. For m = 512 for example, the ratio will be 0.096 (which illustrates the interest of the implementation in the frequency domain in terms of computational complexity). An object of the invention is to propose an adaptive filtering method, in the frequency domain, but having a higher convergence than LMS block filtering in the frequency domain. To do this, the invention proposes to modify the calculation method blocks of weighting coefficients by taking a Hessian estimate different from the identity (that is to say from producing the input signals a model of the input, which makes it possible to improve convergence), and which does not require the recursion processing inherent in the RLS type formulation.
Plus précisément, l'invention propose de transposer dans le domaine fréquentiel une version simplifiée du procédé illustré ci-dessus par l'équation (2). L'invention est basée sur la supposition que la matrice d'autocorrélation d'entrée ne change pratiquement pas pendant un intervalle de temps équivalent à au moins m échantillons, c'est à dire qu'une estimée de la matrice d'autocorrélation d'entrée qui est exacte à un temps n sera exacte pour au moins m à 2 m intervalles de temps plus tard (un intervalle de temps correspondant à la distance temporelle entre deux signaux d'entrée successifs). De nombreuses applications répondent à cette hypothèse pour des intervalles de temps beaucoup plus importants (par exemple l'annulation d'échos induit par une propagation en trajets multiples dans la transmission hertzienne) .More specifically, the invention proposes to transpose into the frequency domain a simplified version of the method illustrated above by equation (2). The invention is based on the assumption that the input autocorrelation matrix practically does not change during a time interval equivalent to at least m samples, that is to say that an estimate of the autocorrelation matrix of input which is exact at a time n will be exact for at least m to 2 m time intervals later (a time interval corresponding to the time distance between two successive input signals). Many applications meet this hypothesis for much longer time intervals (for example the cancellation of echoes induced by a multipath propagation in the radio transmission).
Si on considère que R^n) est constante pour au moins m ou 2m intervalles de temps, alors R_(n) le sera aussi.If we consider that R ^ n) is constant for at least m or 2m time intervals, then R_ (n) will be also.
On peut donc simplifier l'équation (2) de telle sorte que pour j variant de 0 à (m - 1) - p on a : ap(n - j) = ap(n) et bp(n - j) = bp(n) . En considérant que G{J(n)} = - 2 xm*(n). e(n), et en écrivant l'équation (1) m fois, avec n = km,..., km + m -1, on obtient une nouvelle équation récursive entre une estimation des coefficients de pondération et l'estimation des coefficients de pondération considérée m intervalles de temps plus tôt : wm(k+l) = wm(k) + 2μ ∑j Rm-1xm* ( j ) em ι j (k) (3) , avec j variant de km à km + m - 1, em -: (k) les éléments du bloc d'erreur défini par : em(k) = dm(k) - XmT(k)wm(k) (4) , et xm k^ = [χm(km) * • • •x m(kln+m_1) 1 vecteur d'entrée k étant le rang du bloc.We can therefore simplify equation (2) so that for j varying from 0 to (m - 1) - p we have: a p (n - j) = a p (n) and b p (n - j ) = b p (n). Considering that G {J (n)} = - 2 x m * (n). e (n), and by writing equation (1) m times, with n = km, ..., km + m -1, we obtain a new recursive equation between an estimate of the weights and the estimate of the weighting coefficients considered m earlier time intervals: w m (k + l) = w m (k) + 2μ ∑j R m - 1 x m * (j) e m ι j (k) (3), with j varying from km to km + m - 1, e m -: (k) the elements of the error block defined by: e m (k) = d m (k) - X m T (k) w m (k) (4), and x m k ^ = [ χ m ( km ) * • • • x m ( kln + m_1 ) 1 input vector k being the rank of the block.
En supposant que la matrice d'autocorrélation d'entrée est invariante pour m intervalles de temps successifs, on en déduit que : wχn(k + 1) = wm(k) + 2β Rm-1Xm*(k)eιn(k) (5), la matrice R^-1(k) étant celle correspondant au dernier instant (n = km + m - 1) du k-ième bloc. On peut encore écrire :Assuming that the input autocorrelation matrix is invariant for m successive time intervals, we deduce that: w χn (k + 1) = w m (k) + 2β R m - 1 X m * (k) e ιn (k) (5), the matrix R ^ -1 (k) being that corresponding to the last instant (n = km + m - 1) of the k-th block. We can still write:
et Bm(k) est une matrice m * p définie parand B m (k) is a matrix m * p defined by
On peut ainsi mettre l'équation (3) sous la forme: wm(k + 1) = wm(k) + 2μ ^(k) + 2μ cm 2 (k) (6) avec cml(k) = Pm(k)Xm*(k)eιn(k) (7), et cm 2(k) = B(k)BH(k)Xm*(k)eιn(k) (8). We can thus put equation (3) in the form: w m (k + 1) = w m (k) + 2μ ^ (k) + 2μ c m 2 (k) (6) with c m l (k ) = P m (k) X m * (k) eιn (k) (7), and c m 2 (k) = B (k) BH (k) X m * (k) eιn (k) (8) .
On notera que seuls les p premiers éléments de cm 1(k) sont non nuls. Pour le calcul du vecteur cm 1(k) une inversion matricielle et une multiplication matricielle sont nécessaires pour chaque bloc. En choisissant p << m on pourra choisir: cml(k) = [(Xp*(k) .em(k))H: Om_pH]H avec Xp*(k) une matrice p . m comprenant les p premières rangées de Xm*(k) .Note that only the first p elements of c m 1 (k) are non-zero. For the calculation of the vector c m 1 (k) a matrix inversion and a matrix multiplication are necessary for each block. By choosing p << m we can choose: c m l (k) = [(X p * (k) .e m (k)) H: O m _ p H] H with X p * (k) a matrix p. m including the first p rows of X m * (k).
Autrement dit, le premier terme correctif de l'équation (6) est traité de manière analogue au procédé LMS. Si on fait abstraction du terme correctif cm 2(k) dans l'équation (6) , on retrouve une équation de type LMS (à la seule différence que la contrainte de gradient dans le cas de cm 1(k) est différente du fait que seuls p éléments de ce vecteur sont non nuls) .In other words, the first corrective term of equation (6) is treated in a similar way to the LMS process. If we ignore the corrective term c m 2 (k) in equation (6), we find an equation of LMS type (with the only difference that the gradient constraint in the case of c m 1 (k) is different because only p elements of this vector are non-zero).
Les convolutions linéaires des équations (4) pour produire le bloc d'erreur et (7) pour le premier bloc correctif peuvent être aisément implantées dans le domaine fréquentiel en utilisant la technique de recouvrement de recouvrement partiel dite overlap-save, bien connue de l'homme du métier. L'idée de base est de traiter les convolutions linéaires par le biais de convolutions circulaires de taille double, ces convolutions étant implémentées en utilisant des transformées de Fourier discrète rapide. Ainsi, on obtient : ^m1**) ≈ FQ1F-1X2m H(k).E2ιn(k) (9) avecThe linear convolutions of equations (4) to produce the error block and (7) for the first corrective block can be easily implemented in the frequency domain using the technique of recovery of partial recovery called overlap-save, well known in the art. skilled in the art. The basic idea is to treat linear convolutions by means of circular convolutions of double size, these convolutions being implemented using fast discrete Fourier transforms. Thus, we obtain: ^ m 1 **) ≈ F Q 1 F- 1 X 2m H (k) .E 2ιn (k) (9) with
E2m(k) le vecteur bloc d'erreur dans le domaine fréquentiel,E 2m (k) the error block vector in the frequency domain,
F et F"1 l'opérateur de transformée directe de Fourier et son inverse, et Q1 une matrice de dimension 2m x 2m telle que :F and F " 1 the direct Fourier transform operator and its inverse, and Q 1 a matrix of dimension 2m x 2m such that:
avec lm la matrice identité de dimension m, complétée pour Q1 par des zéros. with l m the identity matrix of dimension m, completed for Q 1 by zeros.
Si on regarde le second terme correctif de l'équation (6), on peut vérifier d'après l'équation (8) que ce terme a une structure particulière et peut être écrit sous forme d'une succession de trois convolutions linéaires. En terme fréquentiel on pourra se ramener la formulation suivante :If we look at the second corrective term of equation (6), we can verify from equation (8) that this term has a particular structure and can be written in the form of a succession of three linear convolutions. In frequency terms, we can bring back the following formulation:
C2m 2 (k)=FQ2F-lB2m* (k) FQ3F-lB2ιn(k) FQ2 F-lχ2mH(k) E2m(k) (10) avecC 2m 2 (k) = FQ2 F -lB 2m * (k) FQ3 F - l B 2ιn (k) FQ 2 F -lχ 2m H (k) E 2m (k) (10) with
B2m(k) définie par :B 2m (k) defined by:
B2m(k)=diag{FFT[b*p+1/1 0m_p_^ b*p+l,p+l" *Vl,2]T> avec p+l,i le i-ième élément du vecteur b* p+1B 2m (k) = diag {FFT [b * p + 1/1 0 m _ p _ ^ b * p + l, p + l "* Vl, 2] T > with p + l, i the i-th element of the vector b * p + 1
Q2 et O3 une matrice de dimension 2m x 2m telle que:Q 2 and O 3 a matrix of dimension 2m x 2m such that:
Q2 = Lm et Q3 = LmQ 2 = L m and Q 3 = L m
0 0 avec I -,m_D la matrice identité de dimension m - p.0 0 with I -, m _ D the identity matrix of dimension m - p.
On remarque que l'équation (10) implique cinq transformées de Fourier supplémentaires par rapport à la transposition de l'algorithme LMS dans le domaine fréquentiel, ces transformées étant utilisées pour mettre en oeuvre dans le domaine fréquentiel des contraintes temporelles.Note that equation (10) implies five additional Fourier transforms compared to the transposition of the LMS algorithm in the frequency domain, these transforms being used to implement temporal constraints in the frequency domain.
Si on considère que p << m, alors on peut simplifier l'expression de C2 2 (k) de sorte que :If we consider that p << m, then we can simplify the expression of C 2 2 (k) so that:
C°2m2 (k) = B1 2m (k)B 2m' (k)X2m H(k)E 2m (k) (11). Cette simplification est raisonnable parce que, en supposant que p est très inférieur à m, alors les effets de distorsion sont négligeables et les contraintes matricielles peuvent être supprimées.C ° 2m 2 (k) = B 1 2m (k) B 2m '(k) X 2m H (k) E 2m (k) (11). This simplification is reasonable because, assuming that p is much less than m, then the distortion effects are negligible and the matrix constraints can be eliminated.
Si on considère, dans le domaine fréquentiel, l'équation récursive d'adaptation des coefficients de pondération suivante :If we consider, in the frequency domain, the recursive equation of adaptation of the following weighting coefficients:
W 2m' (k+1) = W?m(k) + 2μC '2ml(k) + 2μC 2m2(k) (12) avecW 2m '(k + 1) = W ? M (k) + 2μC' 2ml (k) + 2μC 2m 2 (k) (12) with
C?m 1(k) et C '2->m2(k) tels que définis par les relationsC ? M 1 (k) and C '2-> m 2 (k) as defined by the relations
(9) et (11) , alors on obtient un procédé de filtrage dans le domaine fréquentiel ayant une complexité proche de celle de la transposition fréquentielle de l'algorithme LMS, et présentant une convergence analogue à celle de l'implantation dans le domaine temporel de l'algorithme RLS défini dans la relation (5) .(9) and (11), then a filtering process in the frequency domain is obtained having a complexity close to that of the frequency transposition of the LMS algorithm, and having a convergence analogous to that of the implementation in the time domain of the RLS algorithm defined in relation (5).
Ainsi, l'invention concerne un procédé de filtrage adaptatif de signaux d'entrée temporels, dans lequel le filtrage est réalisé sur des blocs de m signaux successifs, par multiplication dans le domaine fréquentiel de la transformée de Fourier des blocs de signaux d'entrée par des blocs de coefficients de pondération, ces blocs de coefficients étant calculés récursivement à partir de blocs de coefficients précédents et de premier et deuxième termes correctifs obtenus à partir de signaux de sortie correspondant aux signaux d'entrée filtrés et à partir de la transformée de Fourier d'un modèle de l'entrée, caractérisé en ce que le modèle de 1 'entrée est calculé par autocorrélation.Thus, the invention relates to an adaptive filtering method of time input signals, in which the filtering is carried out on blocks of m successive signals, by multiplication in the frequency domain of the Fourier transform of blocks of input signals by blocks of weighting coefficients, these blocks of coefficients being computed recursively from blocks of previous coefficients and from first and second corrective terms obtained from output signals corresponding to the filtered input signals and from the transform of Fourier of an input model, characterized in that the input model is calculated by autocorrelation.
D'autres particularités et avantages apparaîtront à la lecture de la description qui suit, à lire conjointement au dessin annexé dans lequel la figure 1 représente schematiquement un procédé de filtrage adaptatif dans le domaine fréquentiel, selon 1*invention.Other particularities and advantages will appear on reading the following description, to be read in conjunction with the appended drawing in which FIG. 1 schematically represents an adaptive filtering process in the frequency domain, according to the invention.
La figure 1 illustre schematiquement un exemple de mise en oeuvre du procédé de filtrage adaptatif selon 1'invention.FIG. 1 schematically illustrates an example of implementation of the adaptive filtering method according to the invention.
L'objet du procédé est de pondérer des signaux d'entrée x(n) successifs par des coefficients wWk) variables et de produire des signaux de sortie y(n) correspondants tels qu'on minimise des signaux d'erreur e(n) = d(n) - y(n) , avec d(n) des décisions produites par un organe de décision à partir des signaux de sortie y(n) .The object of the method is to weight successive input signals x (n) by variable coefficients wWk) and to produce corresponding output signals y (n) such that error signals e (n) are minimized = d (n) - y (n), with d (n) decisions produced by a decision-making body from the output signals y (n).
Une application d'un tel procédé est par exemple l'annulation d'échos en audioconférence. Une autre application possible est l'identification adaptative d'une manière générale, et en particulier l'identification de canaux perturbés par des échos lors de transmissions hertziennes. Dans ce contexte, l'ordre des prédicteurs ainsi que les conditions de stationarité rentrent exactement dans les hypothèses de l' invention.An application of such a method is for example the cancellation of echoes in audioconference. Another possible application is adaptive identification in general, and in particular the identification of channels disturbed by echoes during radio transmissions. In this context, the order of the predictors as well as the stationarity conditions fall exactly within the hypotheses of the invention.
Dans l'invention, les signaux d'entrée x(n) sont traités par blocs de m signaux successifs (x(n),..., x(n+m-l)) , avec m entier. Généralement m est une puissance de 2 (par exemple m = 512 ou 1024) .In the invention, the input signals x (n) are processed in blocks of m successive signals (x (n), ..., x (n + m-l)), with m integer. Generally m is a power of 2 (for example m = 512 or 1024).
Classiquement, à un bloc k de signaux d'entrée (x(n) ,..., x(n+m-l)) va correspondre un bloc de m coefficients de pondération (wn(k),..., wn+m_1(k) ) .Conventionally, a block k of input signals (x (n), ..., x (n + ml)) will correspond to a block of m weighting coefficients (w n (k), ..., w n + m _ 1 (k)).
Schematiquement, le procédé selon l'invention propose de réaliser, dans le domaine fréquentiel, l'adaptation des coefficients d'une part à partir d'un bloc d'erreurs produit à partir des signaux de sortie (de manière analogue à la réalisation dans le domaine fréquentiel d'un procédé de type LMS) et d'autre part à partir d'un prédicteur de signaux d'entrée.Schematically, the method according to the invention proposes to carry out, in the frequency domain, the adaptation of the coefficients on the one hand from a block of errors produced from the output signals (analogously to the realization in the frequency domain of an LMS type method) and on the other hand from a predictor of input signals.
On va décrire maintenant plus précisément le procédé illustré sur la figure. Les signaux d'entrée x(n) sont regroupés, par une transformation 1 série-parallèle, en blocs de signaux [x(km) , ... , x(km+m-l) ] .We will now describe more precisely the process illustrated in the figure. The input signals x (n) are grouped, by a series-parallel transformation 1, into signal blocks [x (km), ..., x (km + m-l)].
Chaque k-ième bloc x m(k) est regroupé par une concaténation 2, avec le bloc précédent xιn(k-l) , puis le bloc de 2m signaux obtenus est transposé dans le domaine fréquentiel, par une transformée de Fourier rapide 3 (notée FFT) . On obtient alors un bloc fréquentiel de 2m signaux d'entrée.Each k-th block x m (k) is grouped by a concatenation 2, with the previous block x ιn (kl), then the block of 2m signals obtained is transposed in the frequency domain, by a fast Fourier transform 3 (denoted FFT). We then obtain a frequency block of 2m input signals.
Par une multiplication 4, on produit 2m signaux représentatifs du résultat de l'opération suivante :By a multiplication 4, we produce 2m signals representative of the result of the following operation:
Y2m(k> = X2m(k>W2m(k) avec Y 2m ( k > = X 2m ( k > W 2m ( k ) with
X2m(k) = diag{FFT[x(km-m) ....x(km+m-l) ]τ} etX 2m (k) = diag {FFT [x (km-m) .... x (km + ml)] τ } and
W2m(k) un vecteur, de dimension 2m, de coefficients de pondération.W 2m (k) a vector, of dimension 2m, of weighting coefficients.
Après une transformation de Fourier rapide inverses de Y2m(k) e*" une deconcantenation 6 on produit un bloc ym(k) de m signaux correspondant à la seconde moitié des signaux obtenus après la transformation inverse, dans le domaine temporel.After a fast inverse Fourier transformation of Y2m ( k ) e * " a deconcantenation 6 we produce a block y m (k) of m signals corresponding to the second half of the signals obtained after the inverse transformation, in the time domain.
Autrement dit, le bloc ym(k) est représentatif de la relation suivante : ym(k) = Q°F-1Y2m(k) avecIn other words, the block y m (k) is representative of the following relation: y m (k) = Q ° F- 1 Y 2m (k) with
Q° = [0m, Im] une matrice de dimension m . 2m, avec 0m une matrice carrée nulle de dimension m, I la matrice identité de dimension m, et F-1 l'inverse deQ ° = [0 m , I m ] a matrix of dimension m. 2m, with 0 m a zero square matrix of dimension m, I the identity matrix of dimension m, and F -1 the inverse of
1'opérateur de transformée directe de Fourier de dimension 2m.The 2m direct Fourier transform operator.
Par une transformation parallèle-série 7, on obtient les signaux de sortie y(n) .By a parallel-series transformation 7, the output signals y (n) are obtained.
En ce qui concerne l'adaptation des coefficients de pondération, on réalise l'opération suivante :As regards the adaptation of the weighting coefficients, the following operation is carried out:
W2m(k+1) = W2m(k) + 2μC2m 1(k) + 2μC2m 2(k) (12), avecW 2m (k + 1) = W 2m (k) + 2μC 2m 1 (k) + 2μC 2m 2 (k) (12), with
^m1^) = FQlF~2mH(k) 'E2m(k) <9> et C2m 2(k) = B2m*(k).B2m(k).X2lnH(k).E2ln(k) (11) avec μ un pas de convergence,^ m 1 ^) = FQlF ~ 2m H ( k ) ' E 2m ( k) < 9 > and C 2m 2 (k) = B 2m * (k) .B 2m (k) .X 2ln H (k) .E 2ln (k) (11) with μ a convergence step,
E2m(k) un vecteur bloc d'erreur dans le domaine fréquentiel, de dimension 2m, X2mH(k) une matrice diagonale de dimension 2m.2m obtenue par transposition hermitienne 8 de X2m(k) 'E 2m (k) an error block vector in the frequency domain, of dimension 2m, X 2m H ( k ) a diagonal matrix of dimension 2m.2m obtained by Hermitian transposition 8 of X2m ( k ) '
F l'opérateur de transformée directe de Fourier de dimension 2m, Q1 une matrice de dimension 2m * 2m telle que :F the direct Fourier transform operator of dimension 2m, Q 1 a matrix of dimension 2m * 2m such that:
*P °* P °
0 0 p entier inférieur à m, ID matrice identité de dimension p, B2m(k) matrice de dimension 2m définie par :0 0 p integer less than m, I D identity matrix of dimension p, B 2m (k) matrix of dimension 2m defined by:
suivante : next :
- à partir du bloc yιn(k) de m signaux de sortie, définis dans le domaine temporel, et d'un bloc dm(k) de m décisions correspondantes, on produit par une soustraction 9 un bloc de m signaux d'erreur em(k) = dm(k) - yιrι(k) . Les décisions sont produites par un circuit de décision non linéaire,- from the block y ιn (k) of m output signals, defined in the time domain, and from a block d m (k) of m corresponding decisions, a block of m signals of d is produced by subtraction 9 error e m (k) = d m (k) - y ιrι (k). Decisions are produced by a non-linear decision circuit,
- après une concaténation 10 de em(k) avec un bloc de m signaux nuls, on produit le bloc E2m(k) de 2m signaux d'erreurs dans le domaine fréquentiel par une transformée de Fourier rapide 11 (on a donc E2ιn(k) = FQθTeιn(k)) , à partir de E2m(k) on produit, par une multiplication 12 avec le bloc X2m H(k) de 2m signaux, un bloc de 2m signaux représentatifs de l'opération- after a concatenation 10 of e m (k) with a block of m null signals, we produce the block E 2m (k) of 2m error signals in the frequency domain by a fast Fourier transform 11 (we therefore have E 2ιn (k) = FQθT eιn (k)), from E 2m (k) we produce, by a multiplication 12 with the block X 2m H (k) of 2m signals, a block of 2m signals representative of the operation
X2mH(k>-E2m(k)< X 2m H ( k > - E 2m ( k ) <
- ce bloc de 2m signaux obtenu est ensuite transposé dans le domaine temporel par transformée de Fourier inverse rapide 13 , les m derniers signaux correspondants sont remplacés par des zéros lors d'une concaténation 14, et les 2m signaux ainsi produits sont transposés dans le domaine fréquentiel par une transformée de Fourier rapide 15. Autrement dit, le terme correctif C2m 1(k) est obtenu par un procédé semblable à celui utilisé dans la mise en oeuvre d'un algorithme de type LMS dans le domaine fréquentiel, en remplaçant I2m par Q1.- this block of 2m signals obtained is then transposed in the time domain by fast inverse Fourier transform 13, the last m corresponding signals are replaced by zeros during a concatenation 14, and the 2m signals thus produced are transposed in the domain frequency by a fast Fourier transform 15. In other words, the corrective term C 2m 1 (k) is obtained by a process similar to that used in the implementation of an LMS type algorithm in the frequency domain, by replacing I 2m by Q 1 .
Le terme correctif C 2m2 (k) correspond à une modélisation des signaux d'entrée.The corrective term C 2 m 2 ( k ) corresponds to a modeling of the input signals.
L'invention est basée sur la supposition que la matrice d'autocorrélation d'entrée ne change pratiquement pas pendant un intervalle de temps équivalent à au moins m échantillons, c'est à dire qu'une estimée de la matrice d'autocorrélation d'entrée qui est exacte à un temps n sera exacte pour au moins m à 2 . m intervalles de temps plus tard (un intervalle de temps correspondant à la durée entre deux signaux d'entrée successifs), voire plus. De nombreuses applications répondent à cette hypothèse pour nombre 1 . m d'intervalles de temps beaucoup plus important (par exemple l'annulation d'échos induit par une propagation en trajets multiples dans la transmission hertzienne) . En conséquence, on considère des regroupements dans un concaténateur 16 de 1 blocs successifs de signaux d'entrée. Pour chaque regroupement, on calcule dans le domaine temporel un bloc bp+1 de p+1 signaux (modèle de l'entrée) tels que bp+1 = ap-l/2(k) [-bpH(k) 1]H avec bD et an des prédicteurs d'entrée et puissance d'erreur de prédiction d'ordre p, avec p < m.The invention is based on the assumption that the input autocorrelation matrix practically does not change during a time interval equivalent to at least m samples, that is to say that an estimate of the autocorrelation matrix of entry which is exact at a time n will be exact for at least m to 2. m later time intervals (a time interval corresponding to the duration between two successive input signals), or even more. Many applications meet this hypothesis for number 1. m much longer time intervals (for example the cancellation of echoes induced by a multipath propagation in the hertzian transmission). Consequently, we consider groupings in a concatenator 16 of 1 successive blocks of input signals. For each grouping, we calculate in the time domain a block b p + 1 of p + 1 signals (input model) such that b p + 1 = a p -l / 2 (k) [-b p H ( k) 1] H with b D and a n of the input predictors and prediction error power of order p, with p <m.
Pour ce faire, on utilise dans un corrélateur 17 la méthode connue dite d'autocorrélation (décrite par exemple dans "Digital Spectral Analysis with Applications", par S.L. Marple, Prentice Hall, New Jersey, 1987) .To do this, a known method known as autocorrelation is used in a correlator 17 (described for example in "Digital Spectral Analysis with Applications", by S.L. Marple, Prentice Hall, New Jersey, 1987).
A partir du bloc b> +1- on produit par une concaténation 18 dans le domaine temporel le bloc b' de m signaux (b* +1# 1, 0^.^, b*+lf p+1, ... ,b*p+1^ 2) .From block b> +1 - block b 'is produced by a concatenation 18 in the time domain of m signals (b * + 1 # 1 , 0 ^. ^, b * + lf p + 1 , ..., b * p + 1 ^ 2 ).
On passe ensuite dans le domaine fréquentiel par une transformée de Fourier rapide 19 pour obtenir un bloc de 2m échantillons représentatif de B2m(k) tel que : B 2,mm(*k)'=diag^{lFFT[lb*p+.1.,.1:0mm-„p-1.τ: b*p+l-,,p+.l....b*p+.l.,20]JT} '.We then go into the frequency domain by a fast Fourier transform 19 to obtain a block of 2m samples representative of B 2m (k) such that: B 2, m m (* k) '= diag ^ { l FFT [ l b * p + .1.,. 1: 0 m m- „p-1. τ : b * p + l - ,, p + .l .... b * p + .l., 2 0 ] JT } '.
Pour obtenir c2m2 (k) ' on procède ensuite à la multiplication 20 de B2m(k) par sa conjuguée B2_*(k) (obtenue par une transformation 21) et à la multiplication 22 par X2m H(k)E2m(k) , ce terme ayant été calculé par ailleurs pour produire C2m 1(k).To obtain c 2m 2 ( k ) ' we then proceed to the multiplication 20 of B 2m (k) by its conjugate B 2 _ * (k) (obtained by a transformation 21) and to the multiplication 22 by X 2m H (k ) E 2m (k), this term having been calculated elsewhere to produce C 2m 1 (k).
A partir des deux blocs C2m 1(k) et C2m 2 (k) de 2m signaux correctifs, et après multiplication 22 et 23 de ces blocs par 2μ, on peut calculer pour chaque bloc de signaux d'entrée le bloc de coefficients de pondération correspondant par une simple addition 24 des signaux du bloc de coefficients de pondération précédent, fourni par le circuit de retard 25, avec les signaux des blocs 2μC2ml(k) et 2μC2m 2 (k). From the two blocks C 2m 1 (k) and C 2m 2 (k) of 2m corrective signals, and after multiplication 22 and 23 of these blocks by 2μ, one can calculate for each block of input signals the block of coefficients of corresponding weighting by a simple addition 24 of the signals of the block of preceding weighting coefficients, supplied by the delay circuit 25, with the signals of the blocks 2μC 2m l (k) and 2μC 2m 2 (k) .

Claims

REVENDICATIONS
1 - Procédé de filtrage adaptatif de signaux d'entrée (x(n)) temporels, dans lequel le filtrage est réalisé sur des blocs (xm(k)) de m signaux successifs ( (x(n) , ... ,x(n+m-l) ) ) , par multiplication (4) dans le domaine fréquentiel de la transformée de Fourier (3) (X2ln(k)) des blocs de signaux d'entrée par des blocs (W2ιn(k)) de coefficients de pondération, ces blocs de coefficients étant calculés récursivement (9-15) à partir de blocs de coefficients précédents et de premier et deuxième termes correctifs (C2m1 k)' C2jn 2(]C)) obtenus d'une part (13-15) à partir de signaux de sortie (yrn(k) ) correspondants aux signaux d'entrée filtrés et d'autre part (16-20) à partir de la transformée de Fourier d'un modèle de l'entrée (bp+1) , caractérisé en ce que le modèle de l'entrée (bp+1) est calculé par autocorrélation (17) des signaux d'entrée.1 - Method for adaptive filtering of time input signals (x (n)), in which the filtering is carried out on blocks (x m (k)) of m successive signals ((x (n), ..., x (n + ml))), by multiplication (4) in the frequency domain of the Fourier transform (3) (X 2ln (k)) of the input signal blocks by blocks (W 2ιn (k)) of weighting coefficients, these blocks of coefficients being calculated recursively (9-15) from blocks of previous coefficients and of first and second corrective terms ( C 2m 1 k ) 'C 2jn 2 (] C )) obtained from a part (13-15) from output signals (y rn (k)) corresponding to the filtered input signals and secondly (16-20) from the Fourier transform of a model of the input (b p + 1 ), characterized in that the input model (b p + 1 ) is calculated by autocorrelation (17) of the input signals.
2 - Procédé selon la revendication 1 caractérisé en ce que il comprend un nombre p de signaux, avec p inférieur à m. 3 - Procédé selon la revendication 2, caractérisé en ce qu'un modèle de l'entrée est calculé pour (16) 1 . m blocs de signaux d'entrée successifs.2 - Method according to claim 1 characterized in that it comprises a number p of signals, with p less than m. 3 - Method according to claim 2, characterized in that a model of the input is calculated for (16) 1. m blocks of successive input signals.
4 - Procédé selon l'une des revendications 1 à 3, caractérisée en ce que le calcul du second terme correctif (c2m2^k^ comprend la transformation par transformée de Fourier (19) d'un bloc (b, m) de m signaux produits dans le domaine temporel à partir du modèle de l'entrée (bp+1) .4 - Method according to one of claims 1 to 3, characterized in that the calculation of the second corrective term ( c 2m 2 ^ k ^ comprises the transformation by Fourier transform (19) of a block ( b, m ) of m signals produced in the time domain from the input model (b p + 1 ).
5 - Procédé selon l'une des revendications 1 à 4, caractérisé en ce que le premier terme correctif5 - Method according to one of claims 1 to 4, characterized in that the first corrective term
(c2m 1(k)) est obtenu par la mise en oeuvre dans le domaine fréquentiel de 1 *-a:lgorithme des moindres carrés moyens . (c 2m 1 (k)) is obtained by the implementation in the frequency domain of 1 * -a: the least squares algorithm means .
EP96931093A 1995-09-08 1996-09-09 Adaptive digital filtering process in the frequency domain Ceased EP0848867A1 (en)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR9510568 1995-09-08
FR9510568A FR2738692B1 (en) 1995-09-08 1995-09-08 ADAPTIVE DIGITAL FILTERING METHOD IN THE FREQUENTIAL FIELD
PCT/FR1996/001378 WO1997009782A1 (en) 1995-09-08 1996-09-09 Adaptive digital filtering process in the frequency domain

Publications (1)

Publication Number Publication Date
EP0848867A1 true EP0848867A1 (en) 1998-06-24

Family

ID=9482398

Family Applications (1)

Application Number Title Priority Date Filing Date
EP96931093A Ceased EP0848867A1 (en) 1995-09-08 1996-09-09 Adaptive digital filtering process in the frequency domain

Country Status (3)

Country Link
EP (1) EP0848867A1 (en)
FR (1) FR2738692B1 (en)
WO (1) WO1997009782A1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2852779B1 (en) * 2003-03-20 2008-08-01 PROCESS FOR PROCESSING AN ELECTRICAL SIGNAL OF SOUND

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4658426A (en) * 1985-10-10 1987-04-14 Harold Antin Adaptive noise suppressor

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO9709782A1 *

Also Published As

Publication number Publication date
FR2738692B1 (en) 1997-10-31
FR2738692A1 (en) 1997-03-14
WO1997009782A1 (en) 1997-03-13

Similar Documents

Publication Publication Date Title
EP0748555B1 (en) Acoustic echo suppressor with subband filtering
EP0710947B1 (en) Method and apparatus for noise suppression in a speech signal and corresponding system with echo cancellation
EP0932964B1 (en) Method and device for blind equalizing of transmission channel effects on a digital speech signal
US6496795B1 (en) Modulated complex lapped transform for integrated signal enhancement and coding
CA2290045A1 (en) Single-sided subband filters
EP1305921A1 (en) Method for processing a digital input signal of a channel equalizer
FR2810820A1 (en) Interference cancellation technique for CDMA Rake receivers has recursive correction for non orthogonality due to propagation
EP0692883B1 (en) Blind equalisation method, and its application to speech recognition
US3764914A (en) High speed line equalizer
EP0884926B1 (en) Method and device for optimized processing of an interfering signal when recording sound
EP0848866B1 (en) Decision feedback filter device in the frequency domain
WO1997009782A1 (en) Adaptive digital filtering process in the frequency domain
EP1221773B1 (en) Method and apparatus for multi-user detection in DS-CDMA mode
EP0970562B1 (en) Fractional delay digital filter
EP1103138B1 (en) Device for digital processing with frequency filtering and reduced computation complexity
Ohno et al. On delayless subband adaptive filtering by subband/fullband transforms
EP1447916B1 (en) Method and apparatus for spread-spectrum data detection
EP0824798B1 (en) Adaptive sub-band filtering
WO2000051234A1 (en) Antenna treatment method and system
CA2389588A1 (en) Method and device for demodulating signals from multiusers
WO2000051014A2 (en) Modulated complex lapped transform for integrated signal enhancement and coding
Sengar et al. Multirate Filtering for Digital Signal Processing and its Applications
FR2850501A1 (en) Method of processing signal received by a radio interface having a number of multiplex channels by code spreading, includes estimating the response parameters of the multiplex channel
EP1220464A2 (en) Accelerated spherical detection method

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 19980305

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): DE GB

GRAG Despatch of communication of intention to grant

Free format text: ORIGINAL CODE: EPIDOS AGRA

17Q First examination report despatched

Effective date: 19981008

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN REFUSED

18R Application refused

Effective date: 19990329