[论文解读] ON DATA-SELECTIVE LEARNING

Hamed Yazdanpanah|arXiv (Cornell University)|Jan 1, 2018

Advanced Adaptive Filtering Techniques参考文献 115被引用 1

一句话总结

本文提出了一种数据选择性自适应滤波算法，特别是集合成员（SM）滤波器，以降低电池供电设备中的计算复杂度和能耗。通过将SM滤波与部分更新相结合，并扩展至四元数和三元数，该方法在稀疏系统中实现了低复杂度且稳定的性能，新型基于LMS的算法利用隐藏稀疏性以提升效率。

ABSTRACT

Filtros adaptativos sao aplicados em diversos aparelhos eletronicos e de comunicacao, como smartphones, fone de ouvido avancados, DSP chips, antenas inteligentes e sistemas de teleconferencia. Eles tambem tem aplicacao em varias areas como identificacao de sistemas, equalizacao de canal, cancelamento de eco, cancelamento de interferencia, previsao de sinal e mercado de acoes. Desse modo, reduzir o consumo de energia de algoritmos adaptativos tem importância significativa, especialmente em tecnologias verdes e aparelhos que usam bateria. Nesta tese, filtros adaptativos com selecao de dados, em particular filtros adaptativos da familia set-membership (SM), sao apresentados para cumprir essa missao. No presente trabalho objetivamos apresentar novos algoritmos, baseados nos classicos, a fim de aperfeicoar seus desempenhos e, ao mesmo tempo, reduzir o numero de operacoes aritmeticas exigidas. Dessa forma, primeiro analisamos a robustez dos filtros adaptativos SM classicos. Segundo, estendemos o SM aos numeros trinions e quaternions. Terceiro, foram utilizadas tambem duas familias de algoritmos, SM filtering e partial-updating, de uma maneira elegante, visando reduzir energia ao maximo possivel e obter um desempenho competitivo em termos de estabilidade. Quarto, a tese propoe novos filtros adaptativos baseado em algoritmos least-mean-square (LMS) e minimos quadrados recursivos com complexidade computacional baixa para espacos esparsos. Finalmente, derivamos alguns algoritmos feature LMS para explorar a esparsidade escondida nos parâmetros.

研究动机与目标

• 降低便携式及绿色电子设备中使用的自适应滤波算法的能耗。
• 通过最小化自适应滤波实现中的算术运算，提高计算效率。
• 在大幅降低处理负载的同时，保持或提升稳定性与性能。
• 将集合成员滤波扩展至非实数域，如四元数和三元数。
• 开发专为稀疏系统参数设计的新型低复杂度LMS与递归最小二乘算法。

提出的方法

• 采用集合成员（SM）滤波，通过仅选择有信息量的数据样本，减少滤波器系数的更新次数。
• 集成部分更新技术，通过每次迭代仅更新部分滤波器系数，进一步降低计算负载。
• 将SM滤波扩展至复数域，包括四元数和三元数，以支持多维信号处理应用。
• 设计用于稀疏系统辨识的新型最小均方（LMS）与递归最小二乘（RLS）算法，以降低复杂度。
• 推导基于特征的LMS算法，利用滤波器参数中的隐藏稀疏性，以提升收敛速度并减少运算量。
• 在统一框架中结合SM滤波与部分更新，以在不牺牲稳定性的情况下最大化能效。

实验结果

研究问题

• RQ1 如何有效结合集合成员滤波与部分更新，以最小化自适应滤波中的计算负载？
• RQ2 将SM滤波扩展至四元数和三元数在多维信号处理任务中能在多大程度上提升性能？
• RQ3 利用隐藏稀疏性的新型LMS基算法能否在保持竞争性收敛与稳定性的同时实现更低复杂度？
• RQ4 在自适应滤波中应用数据选择性学习时，能效与性能之间的权衡如何？
• RQ5 在稀疏环境中，所提出的算法与经典自适应滤波方法相比，在稳定性与计算成本方面表现如何？

主要发现

• 所提出的基于SM的算法通过仅选择性地更新有信息量的数据样本，显著减少了算术运算次数。
• 将部分更新与SM滤波结合，可在保持滤波器稳定性的同时，大幅降低计算复杂度。
• 将SM滤波扩展至四元数和三元数，使得多维与复值信号应用中的高效处理成为可能。
• 专为稀疏系统设计的新型LMS基算法通过利用滤波器参数中的隐藏稀疏性，实现了更低的计算复杂度。
• 所提出的方法在收敛性与稳定性方面与经典自适应滤波器相比保持了竞争力。
• 整体框架实现了适用于电池供电及绿色电子设备的能效型自适应滤波。