El concepto clave que falta es que no solo está minimizando la diferencia entre las señales de entrada y salida. El error a menudo se calcula a partir de una segunda entrada. Basta con mirar el ejemplo de Wikipedia relacionado con el ECG .
Los coeficientes de filtro en este ejemplo se recalculan para cambiar la frecuencia de muesca de un filtro de muesca de acuerdo con la frecuencia extraída de la señal de red. Se podría usar un filtro de muesca estático, pero tendría que rechazar un rango más amplio de frecuencias para acomodar la variabilidad en la frecuencia de la red. El filtro adaptativo sigue la frecuencia de la red y, por lo tanto, la banda de detención puede ser mucho más estrecha, reteniendo así más información útil del ECG.
EDITAR:
He examinado esto nuevamente y creo que entiendo su pregunta un poco mejor. El algoritmo LMS necesita un término de error para actualizar los coeficientes del filtro. En el ejemplo de ECG que parafraseo arriba, doy el término de error como una segunda entrada de un voltaje de red. Ahora supongo que estás pensando: "¿Por qué no restas el ruido de la señal más el ruido para dejar la señal?" Esto funcionaría bien en un lineal simplesistema. Peor aún, la mayoría de los ejemplos dados en línea le dicen (de manera correcta pero confusa) que el término de error se calcula a partir de la diferencia entre la señal deseada y la salida del filtro adaptativo. Esto deja a cualquier persona razonable pensando "Si ya tiene la señal deseada, ¿por qué molestarse en hacer esto?". Esto puede dejar al lector sin motivación para leer y comprender las descripciones matemáticas de los filtros adaptativos. Sin embargo, la clave está en la sección 18.4 del Manual de procesamiento de señal digital , Ed. Vijay K. Madisetti y Douglas B. William.
dónde:
- x = señal de entrada,
- y = salida del filtro,
- W = los coeficientes del filtro,
- d = salida deseada,
- e = error
En la práctica, la cantidad de interés no siempre es d. Nuestro deseo puede ser representar en ya cierto componente de d que está contenido en x, o puede ser aislar un componente de d dentro del error e que no está contenido en x. Alternativamente, podemos estar interesados únicamente en los valores de los parámetros en W y no preocuparnos por x, y, o d. Los ejemplos prácticos de cada uno de estos escenarios se proporcionan más adelante en este capítulo.
Hay situaciones en las que d no está disponible en todo momento. En tales situaciones, la adaptación generalmente ocurre solo cuando d está disponible. Cuando d no está disponible, generalmente usamos nuestras estimaciones de parámetros más recientes para calcular y en un intento de estimar la señal de respuesta deseada d.
Hay situaciones del mundo real en las que d nunca está disponible. En tales casos, se puede utilizar información adicional sobre las características de una d "hipotética", como su comportamiento estadístico predicho o las características de amplitud, para formar estimaciones adecuadas de d a partir de las señales disponibles para el filtro adaptativo. Tales métodos se denominan colectivamente algoritmos de adaptación ciegos. El hecho de que tales esquemas incluso funcionen es un tributo tanto al ingenio de los desarrolladores de los algoritmos como a la madurez tecnológica del campo de filtrado adaptativo.
Seguiré aprovechando esta respuesta cuando tenga tiempo, en un intento por mejorar el ejemplo de ECG.
También encontré que este conjunto de notas de clase es particularmente bueno: Estimación adaptativa de procesamiento avanzado de señales y filtros adaptativos - Danilo Mandic