کاهش حجم و پیچیدگی محاسباتی الگوریتم های تطبیقی در فیلترهای وفقی با استفاده از انتخاب بهینه ضرایب فیلتر
چکیده
میزان محاسبات و کاهش آن در فیلترهای وفقی در سالهای اخیر به یکی از مسائل مهم مبدل گردیده است. این مسئله در بسیاری از کاربردهای فیلترهای تطبیقی مانند حذف نویز و اکوی آکوستیکی و شبکه، شناسایی سیستم یا کانال که برای افزایش دقت در مدل کردن محیط فیزیکی نامعلوم به تعداد ضرایب بیشتری نیاز است اهمیت پیدا می کند چون پیچیدگی محاسباتی الگوریتم های فیلتر های تطبیقی با تعداد ضرایب فیلتری که قرار است در هر تکرار الگوریتم بروز رسانی شود متناسب است و افزایش تعداد ضرایب منجر به سنگینی بار محاسباتی الگوریتم تحت اجرا می شود. در این پایان نامه یکی از معیارهای ارزیابی ما علاوه بر میزان کاهش محاسبات، سرعت همگرایی الگوریتم ها می باشد. بخاطر همین مسئله در این پژوهش ساختار subband filtering را مطرح می کنیم و روش های مختلف (انتخاب بهینه ضرایب، روش انتخاب گر دیتا و انتخاب بهترین مشاهدات الگوریتم تصویر افاین ) را برای کاهش حداکثری میزان محاسبات باهم ترکیب و در داخل هر subband استفاده می کنیم که البته بخش های مربوط به انتخاب ضرایب و مشاهدات در الگوریتم تصویر افاین در subband ها را بطور مشترک و و بخش های مربوط به انتخاب دیتا را به صورت مستقل در هر subband بکار می گیریم. با توجه به مزایای ساختار subband filtering، عملکرد الگوریتم های مطرح شده هم از لحاظ سرعت همگرایی (convergence speed) و هم از لحاظ کاهش میزان محاسبات لحظه ای و متوسط، بهتر از الگوریتم های مطرح شده در کارهای اخیر می باشد. در این پژوهش در اعمال الگوریتم های مطرح شده بر روی الگوریتم تصویر افاین بخاطر سرعت همگرایی بالا و مقاوم بودن در برابر دیتای رنگی و تغییر پذیری محیط سعی شده است. در ادامه این پژوهش استفاده از تبدیل موجک را پیشنهاد کرده ایم. در این روش از طریق استخراج تقریب های سیگنال ها، طول سیگنال های تقریب زده شده نسبت به سیگنال های اصلی کاهش پیدا می کند بنابراین مجموع محاسبات نیز تقریباً متناسب با سطح تبدیل موجک گرفته شده از سیگنال ها کاهش پیدا می کند. این روش برای بهبود روش های قبلی پیشنهاد شده از لحاظ محاسباتی، با آنها ترکیب می شود.
