Esistono modi per aumentare le prestazioni computazionali di un filtro NLMS (Normal Square Minares)? A tale scopo sono stati proposti filtri multistrato a dominio di frequenza (MDF) , ma eliminano anche la velocità e l'accuratezza della convergenza, poiché aggiornano la risposta stimolata stimata solo ogni blocco, non una volta ogni campione. Ci sono altri metodi?
Risposte:
Se vuoi implementare l'algoritmo NLMS "standard" senza tagliare gli angoli, probabilmente non troverai una struttura significativamente più efficiente. Le forme di blocco del filtro LMS mirano a utilizzare tecniche di convoluzione rapida (come sovrapposizione-salvataggio o sovrapposizione-aggiunta) per accelerare quella parte del processo. Tuttavia, come hai notato, i coefficienti di filtro vengono aggiornati solo per blocco, poiché il filtro deve essere costante sul blocco per utilizzare l'approccio di convoluzione rapida.
La natura altamente ricorsiva di NLMS ti limiterà se vuoi mantenere la caratteristica di aggiornamento campione per campione. Mentre l'azione di filtro non è ricorsiva, i coefficienti di filtro all'istante N sono una funzione dei coefficienti all'istante N-1, il che limita la capacità di accelerare il processo utilizzando il parallelismo o il calcolo orientato al blocco. Come nella maggior parte dei casi, non c'è un pranzo gratuito: se vuoi un NLMS puro, allora è meglio implementarlo.