Le concept clé qui vous manque est que vous ne minimisez pas seulement la différence entre les signaux d'entrée et de sortie. L'erreur est souvent calculée à partir d'une 2e entrée. Regardez simplement l'exemple de Wikipédia concernant l'ECG .
Les coefficients de filtre dans cet exemple sont recalculés pour changer la fréquence de coupe-bande d'un filtre coupe-bande en fonction de la fréquence extraite du signal secteur. On pourrait utiliser un filtre coupe-bande statique, mais il faudrait rejeter une gamme de fréquences plus large pour tenir compte de la variabilité de la fréquence du réseau. Le filtre adaptatif suit la fréquence du secteur et la bande d'arrêt peut donc être beaucoup plus étroite, conservant ainsi davantage d'informations ECG utiles.
ÉDITER:
J'ai revu cela et je pense que je comprends un peu mieux votre question. L'algorithme LMS a besoin d'un terme d'erreur pour mettre à jour les coefficients de filtre. Dans l'exemple d'ECG que je paraphrase ci-dessus, je donne le terme d'erreur comme deuxième entrée d'une tension secteur. Maintenant, je suppose que vous pensez: "Pourquoi ne pas simplement soustraire le bruit du signal plus le bruit pour quitter le signal?" Cela fonctionnerait bien dans un simple linéairesystème. Pire encore, la plupart des exemples donnés en ligne vous indiquent (correctement mais de manière confuse) que le terme d'erreur est calculé à partir de la différence entre le signal souhaité et la sortie du filtre adaptatif. Cela laisse toute personne raisonnable penser "Si vous avez déjà le signal souhaité, pourquoi vous embêter à faire tout cela!?". Cela peut laisser le lecteur sans motivation pour lire et comprendre les descriptions mathématiques des filtres adaptatifs. Cependant, la clé se trouve dans la section 18.4 du Digital Signal Processing Handbook , Ed. Vijay K. Madisetti et Douglas B. William.
où:
- x = signal d'entrée,
- y = sortie du filtre,
- W = les coefficients du filtre,
- d = sortie souhaitée,
- e = erreur
En pratique, la quantité d'intérêt n'est pas toujours d. Notre désir peut être de représenter en ya une certaine composante de d qui est contenue dans x, ou il peut être d'isoler une composante de d dans l'erreur e qui n'est pas contenue dans x. Alternativement, nous pouvons être uniquement intéressés par les valeurs des paramètres dans W et ne pas nous préoccuper de x, y ou d eux-mêmes. Des exemples pratiques de chacun de ces scénarios sont fournis plus loin dans ce chapitre.
Il existe des situations dans lesquelles d n'est pas disponible à tout moment. Dans de telles situations, l'adaptation ne se produit généralement que lorsque d est disponible. Lorsque d n'est pas disponible, nous utilisons généralement nos estimations de paramètres les plus récentes pour calculer y dans le but d'estimer le signal de réponse souhaité d.
Il existe des situations réelles dans lesquelles d n'est jamais disponible. Dans de tels cas, on peut utiliser des informations supplémentaires sur les caractéristiques d'un d «hypothétique», telles que son comportement statistique prévu ou ses caractéristiques d'amplitude, pour former des estimations appropriées de d à partir des signaux disponibles pour le filtre adaptatif. Ces méthodes sont appelées collectivement algorithmes d'adaptation aveugle. Le fait que de tels schémas fonctionnent même est un hommage à la fois à l'ingéniosité des développeurs des algorithmes et à la maturité technologique du champ de filtrage adaptatif
Je continuerai à construire sur cette réponse quand j'aurai le temps, dans le but d'améliorer l'exemple ECG.
J'ai également trouvé cet ensemble de notes de cours particulièrement bon: Estimation adaptative de traitement du signal avancé et filtres adaptatifs - Danilo Mandic