[论文解读] Random Euler Complex-Valued Nonlinear Filters

Jiashu Zhang, Sheng Zhang+1 more|arXiv (Cornell University)|Jan 2, 2018

Advanced Adaptive Filtering Techniques参考文献 31被引用 3

一句话总结

该论文提出两种低复杂度的随机欧拉复数非线性滤波器——线性随机欧拉复数滤波器（LRECF）与广义线性随机欧拉复数滤波器（WLRECF）——通过利用随机傅里叶特征和复数再生核希尔伯特空间，实现高效的非线性滤波。主要贡献在于对非平稳环境中瞬态与稳态性能的理论分析，包括最小均方误差和最优步长的闭式表达式，并通过系统辨识与信道均衡中的仿真结果加以验证。

ABSTRACT

Over the last decade, both the neural network and kernel adaptive filter have successfully been used for nonlinear signal processing. However, they suffer from high computational cost caused by their complex/growing network structures. In this paper, we propose two random Euler filters for complex-valued nonlinear filtering problem, i.e., linear random Euler complex-valued filter (LRECF) and its widely-linear version (WLRECF), which possess a simple and fixed network structure. The transient and steady-state performances are studied in a non-stationary environment. The analytical minimum mean square error (MSE) and optimum step-size are derived. Finally, numerical simulations on complex-valued nonlinear system identification and nonlinear channel equalization are presented to show the effectiveness of the proposed methods.

研究动机与目标

• 解决传统核自适应滤波器与复数非线性神经网络在非线性信号处理中计算成本过高的问题。
• 通过引入固定且低复杂度的结构，克服核滤波器中网络结构不断增长的问题。
• 为基于随机游走过程建模的非平稳条件下，建立瞬态与稳态性能分析的理论框架。
• 利用随机傅里叶特征与复数核方法，实现对复数非线性系统的高效处理。
• 在非线性系统辨识与非线性信道均衡等实际应用中，验证方法的有效性。

提出的方法

• 通过复化实数再生核希尔伯特空间（RKHS）与博赫纳定理，推导线性随机欧拉复数滤波器（LRECF）。
• 通过引入广义线性模型与威廷格导数，将LRECF扩展为广义线性随机欧拉复数滤波器（WLRECF），以提升对非圆对称信号的性能。
• 利用随机傅里叶特征，将输入信号映射到有限维随机特征空间，以高效近似复数核映射。
• 采用具有固定网络结构的复数最小均方（CLMS）算法，确保计算复杂度保持在较低水平。
• 使用随机游走模型表示非平稳环境，以支持理论性能分析。
• 利用随机分析技术，推导出均方偏差（MSD）与均方误差（MSE）的闭式表达式。

实验结果

研究问题

• RQ1 固定结构滤波器是否能在显著降低计算成本的前提下，实现与增长型核滤波器相当的性能？
• RQ2 在非平稳环境中，为使稳态均方误差最小化，所提出滤波器的最优步长是什么？
• RQ3 在不同噪声水平与系统动态条件下，LRECF与WLRECF的瞬态与稳态行为如何比较？
• RQ4 在复数非线性滤波中，广义线性模型相较于线性模型能多大程度上提升性能？
• RQ5 MSE与MSD的理论预测是否能准确反映所提滤波器在非平稳环境下的实际性能？

主要发现

• 所提出的LRECF与WLRECF由于其固定网络结构，实现了低计算复杂度，与增长型核滤波器形成鲜明对比。
• 理论分析表明，在非平稳环境中存在一个最优步长，可使稳态均方误差（MSE）最小化。
• 理论MSE与MSD曲线与仿真结果高度吻合，验证了推导出的解析表达式的准确性。
• 在非线性系统辨识中，WLRECF在收敛速度与稳态误差方面均优于CLMS与CKLMS。
• 在非线性信道均衡中，WLRECF实现了更优的符号分类性能，表现为眼图质量显著改善。
• 参数μ（步长）、D（随机特征数量）与σ²（随机权重方差）的选择对收敛速率与稳态误差有显著影响，需进行仔细调优。