JP2017516340A - 適応フィルタのためのシステムおよび方法 - Google Patents

Abstract

一実施形態では、適応フィルタをトレーニングするための方法は、デバイスのプロセッサによって、入力信号およびトレーニング基準信号を受け取るステップと、入力信号、トレーニング基準信号、およびフィルタ種類に従って、相関行列を決定するステップとを含む。方法は、また、相関行列に従って、複数の係数を決定するステップと、複数の係数に従って、適応フィルタを調整するステップとを含む。

Description

本出願は、２０１４年３月２０日に出願された、「Ｓｙｓｔｅｍ ａｎｄ Ｍｅｔｈｏｄ ｆｏｒ Ａｄａｐｔｉｖｅ Ｆｉｌｔｅｒ」と題する、米国特許非仮出願第１４／２２０，７５５号明細書の利益を主張し、同出願は、参照によって本明細書に組み込まれる。

本発明は、フィルタリングのためのシステムおよび方法に関し、詳細には、適応フィルタリングのためのシステムおよび方法に関する。

適応フィルタリングは、電力増幅器予歪み（ｐｒｅｄｉｓｔｏｒｔｉｏｎ）システムを含む、様々な状況において使用される。予歪みは、例えば、電気通信システムにおいて、電力増幅器の線形性を改善する技法である。非線形性を有する電力増幅器は、他の無線チャネル上において干渉を引き起こす。予歪み回路は、より線形なシステムを生成するために、電力増幅器の利得および位相特性を逆モデル化する。逆歪み（ｉｎｖｅｒｓｅ ｄｉｓｔｏｒｔｉｏｎ）が電力増幅器の入力に導入されて、増幅器における非線形性を打ち消す。適応フィルタの特性は、電力増幅器または電力増幅器サブシステムアーキテクチャの種類（ｔｙｐｅ）によって様々である。

適応イコライザは、異なる周波数における異なる利得を補償するために、例えば、周波数帯域幅にわたってチャネル利得を均一化するためのフィードバックを提供する。また、適応フィルタは、他の種類の適応システムにおける干渉計算のために使用される。適応フィルタは、誤差信号から、最適化アルゴリズムに基づいて、その伝達関数を自己調整する。例では、適応プロセスは、最適化アルゴリズムの入力として、フィルタの最適性能のための基準である、コスト関数を使用する。アルゴリズムは、次の反復のコストを最小化するために、フィルタ伝達関数をいかに変更すべきかを決定する。

本発明では、適応フィルタリングのための改善されたシステムおよび方法を提供する。

適応フィルタをトレーニングするための実施形態の方法は、デバイスのプロセッサによって、入力信号およびトレーニング基準信号を受け取るステップと、入力信号、トレーニング基準信号、およびフィルタ種類に従って、相関行列を決定するステップとを含む。方法は、また、相関行列に従って、複数の係数を決定するステップと、複数の係数に従って、適応フィルタを調整するステップとを含む。

適応フィルタをトレーニングするための実施形態の方法は、デバイスのプロセッサによって、入力信号およびトレーニング基準信号を受け取るステップと、入力信号およびトレーニング基準信号に従って、三角行列を決定するステップとを含む。方法は、また、三角行列を記憶するステップと、三角行列に従って、複数の係数を決定するステップとを含む。さらに、方法は、複数の係数に従って、適応フィルタを調整するステップを含む。

実施形態のコンピュータは、プロセッサと、プロセッサによって実行するためのプログラミングを記憶するコンピュータ可読記憶媒体とを含む。プログラミングは、入力信号およびトレーニング基準信号を受け取ることと、入力信号、トレーニング基準信号、およびフィルタ種類に従って、相関行列を決定することとを行うための命令を含む。プログラミングは、また、相関行列に従って、複数の係数を決定することと、複数の係数に従って、適応フィルタを調整することとを行うための命令を含む。

上では、以下の本発明の詳細な説明がより良く理解されるように、本発明の実施形態の特徴をかなり大まかに概説した。本発明の特許請求の範囲の主題を形成する、本発明の実施形態のさらなる特徴および利点は、これ以降で説明される。開示される概念および特定の実施形態は、本発明と同じ目的を実施するように他の構造またはプロセスを変更または設計するための基礎として容易に利用されることが、当業者によって理解されるべきである。そのような等価な構成は、添付の特許請求の範囲において説明されるような本発明の主旨および範囲から逸脱しないことも、当業者によって理解されるべきである。

本発明およびその利点をより完全に理解するために、これから添付の図面と併せて以下の説明を行う。

適応フィルタのための実施形態のシステムを示す図である。 適応フィルタリングのための実施形態の方法についてのフローチャートを示す図である。 適応フィルタリングの実施形態の方法についての別のフローチャートを示す図である。 実施形態の汎用コンピュータシステムのブロック図である。

異なる図における一致する数および記号は、別段の指摘がない限り、一般に、一致する部品を指し示す。図は、実施形態の関連する態様を明確に説明するために描かれており、必ずしも実寸に比例して描かれてはいない。

１または複数の実施形態の説明に役立つ実施が、以下で提供されるが、開示されるシステムおよび／または方法は、現在知られているかどうか、または存在するかどうかに関わらず、任意の数の技法を使用して実施されることが、最初に理解されるべきである。本開示は、本明細書で図説および説明される例示的な設計および実施を含む、以下で説明される説明に役立つ実施、図面、および技法に決して限定されるべきではなく、均等物の全範囲を伴った添付の特許請求の範囲内で変更される。

実施形態は、異なる方法で収束を達成するために、柔軟な適応アーキテクチャを使用し、異なる種類のトレーニング目標に迅速に適合する。最小２乗（ＬＳ）−ＧＩＶＥＮ、最小２乗ＱＲ分解（ＬＳ−ＱＲＤ）、ＱＲ分解再帰的最小２乗（ＱＲＤ−ＲＬＳ）または（ＱＲＤ）、最小平均２乗（ＬＭＳ）など、様々なトレーニングアルゴリズムのために、共通のハードウェアアーキテクチャが使用される。構成可能なパラメータは、トレーニングアルゴリズム、フィルタ種類、行列サイズ、相関行列計算のためのサンプルの数、基底三角回転行列計算のための相関行列内の行（相関ＵベクトルまたはＵベクトル）の数、忘却因子λ₁、λ₂、λ₃を用いる複数レベルの適応、係数更新パラメータμ、および正則化因子αを含む。

図１は、適応フィルタトレーニングのためのシステム１００を示している。ベクトルエンジン１０４、回転エンジン１０６、および係数エンジン１１０は、ＬＳ−ＧＩＶＥＮ、ＬＳ−ＱＲＤ、およびＱＲＤフィルタ種類に共通である。相関行列エンジン１０２、および三角行列エンジン１０８は、ＬＳ−ＧＩＶＥＮ、ＬＳ−ＱＲＤ、ＱＲＤ、およびＬＭＳアーキテクチャを容易化するために、プログラム可能である。

相関行列エンジン１０２は、Ｕベクトルと、相関行列Ｒ_xdとを生成する。一例では、Ｕベクトルは、入力信号ｘから構成され、それは、直接トレーニングが使用される場合は、プリアクチュエータモデルの出力であり、間接トレーニングが使用される場合は、プラント出力である。トレーニング入力Ｕベクトルについての一般的な公式は、入力信号の関数であり、
Ｕ＝ｆ（ｘ₀，ｘ₁，．．．，ｘ_i）
によって与えられ、ここで、ｉは、トレーニングモデルパラメータの総数を表す。一般に、第ｋの相関行列は、再帰的関係によって、

と定義され、

は、第（ｋ−１）の相関行列であり、λ₁は、行列Ｒ_xdの忘却因子であり、

は、第ｋの相関行列ブロックにおける基底相関行列である。相関行列

は、相関行列Ｕ^H×Ｕと、相互相関ベクトルＵ^H×ｄとから構成され、ここで、ｄは、トレーニング基準信号である。すなわち、

である。Ｕベクトルの相関行列は、
Ｒ_u＝［Ｕ^H×Ｕ］_M×M＋αＩ_M
に名称変更される。正則化因子αは、プログラム可能であり、行列の不都合な状態を扱う。Ｕベクトル行列は、

によって与えられる。Ｍは、係数の数であり、上付き文字ｉは、第ｋの相関行列内における第ｉのサンプルであり、Ｎは、相関行列計算のために使用されるサンプルの数である。Ｒ_xd行列計算のために使用されるサンプルの数Ｎは、プログラム可能である。Ｕおよびｄの相互相関ベクトルは、
Ｒ_d＝［Ｕ^H×ｄ］_N×1
によって与えられ、ここで、ｄは、トレーニング基準信号である。直接学習アルゴリズムでは、ｄは、アクチュエータ入力信号とフィードバック信号との間の誤差信号である。間接学習の場合、ｄは、

によって与えられる、アクチュエータ出力信号である。ＱＲＤおよびＬＭＳアルゴリズムの場合、相関行列

は、Ｕベクトル行列とｄベクトルに等しく、

は、

によって与えられる。

ベクトルエンジン１０４は、三角行列エンジン１０８のために対角Ｒ要素を計算し、回転エンジン１０６のために回転行列Ｇ_nを計算する。第ｎの回転の場合、回転行列Ｇ_nは、

によって定義され、ここで、ｃ_nは、

によって与えられ、ｓ_nは、

によって与えられる。その後、Ｒ_ud行列の対角要素が、

によって計算される。

回転エンジン１０６は、三角行列Ｒ_ud内の要素の残りを計算する。追加要素は、

および

を含む。これらの追加要素は、

によって獲得される。

三角行列エンジン１０８は、三角行列Ｒ_udを実施する。三角行列エンジンは、中間および最終の三角行列結果を記憶する。一般的な第ｊの再帰的三角行列は、

によって与えられ、ここで、

は、基底三角行列である。基底三角行列は、

によって表される。初期基底三角行列は、フィルタ種類に基づいて構成される。ＬＳ−ＧＩＶＥＮの場合、初期三角行列は、相関行列

に等しい。ＬＳ−ＧＩＶＥＮの回転では、回転は、相関行列全体において実行される。ＬＳ−ＱＲＤおよびＱＲＤでは、基底三角行列は、

によって与えられる。ＱＲＤまたはＬＳ−ＱＲＤの場合、回転は、相関行列内の単一の行またはブロック行において実行される。ｉ回の回転の後、三角行列は、

になる。ＬＭＳ構成の場合、三角行列は、使用されない。三角行列エンジンブロック１０８は、無効にされ、三角行列要素を記憶するために使用されるメモリは、相関行列のサイズを拡大するために割り当てられる。

係数エンジン１１０は、後退代入を実行し、係数を更新する。係数計算および更新は、行列更新構成に基づく。これは、選択されたアルゴリズムおよびトレーニングシステム要件に基づいて、単一のＵベクトル、基底ブロック、またはいくつかの基底ブロックにおいて実行される。以下の表１は、様々な行列更新構成を示している。

ＬＳ−ＧＩＶＥＮに関して、単一の基底ブロック相関行列または複数の基底ブロック相関行列が使用されてよい。単一の基底ブロック相関行列または複数の基底ブロック行列を用いる場合、三角行列は基底回転行列または複数の基底回転行列でよい。基底回転行列では、行列回転および係数計算は、基底相関行列および基底三角行列に基づく。基底回転では、λ₁＝０、λ₂＝１、λ₃＝０である。複数の基底回転行列に関して、計算は、基底相関行列および複数の基底三角行列に基づく。ここでは、λ₁＝０、λ₂＝１、λ₃＝（０，１］である。複数の基底ブロックが相関行列のために使用されるとき、基底回転行列または複数の基底回転行列が三角行列のために使用されてよい。三角行列としての基底回転行列について、行列回転および係数計算は、複数の基底相関行列および基底三角行列に基づく。ここでは、λ₁＝（０，１］、λ₂＝１、λ₃＝０である。複数の基底回転行列に関して、行列回転および係数計算は、複数の基底相関行列および複数の基底三角行列に基づく。ここでは、λ₁＝（０，１］、λ₂＝１、λ₃＝（０，１］である。

ＬＳ−ＱＲＤフィルタを用いる例では、相関行列は、部分的な基底ブロック行列、単一の基底ブロック行列、または複数の基底ブロック行列でよい。三角行列は、基底回転行列または複数の基底回転行列でよい。相関行列と三角行列との任意の組合せが存在してよい。部分的な基底ブロック相関行列が、基底回転三角行列とともに使用されるとき、行列回転および係数計算は、基底相関行列または複数の相関行列内のいくつかの行および基底三角行列に基づく。ここでは、λ₁＝０、λ₂＝（０，１］、λ₃＝０である。他方、部分的な基底ブロック相関行列が、複数の基底回転三角行列とともに使用されるとき、行列回転および係数計算は、基底相関行列または複数の相関行列内のいくつかの行および複数の基底三角行列に基づく。ここでは、λ₁＝０、λ₂＝（０，１］、λ₃＝（０，１］、である。また、単一の基底ブロック相関行列が、基底回転三角行列とともに使用されるとき、行列回転および係数計算は、基底相関行列のすべての行および基底三角行列に基づく。ここでは、λ₁＝０、λ₂＝（０，１］、λ₃＝０である。単一の基底ブロック相関行列が、複数の基底回転行列とともに使用されるとき、行列回転および係数計算は、基底相関行列のすべての行および複数の基底回転行列に基づく。ここでは、λ₁＝０、λ₂＝（０，１］、λ₃＝（０，１］である。加えて、複数の基底ブロック相関行列および基底回転三角行列が使用されるとき、行列回転および係数計算は、複数の基底相関行列のすべての行および基底三角行列に基づく。ここでは、λ₁＝（０，１］、λ₂＝（０，１］、λ₃＝０である。複数の基底ブロック相関行列が、複数の基底回転三角行列とともに使用されるとき、行列回転および係数計算は、複数の基底相関行列のすべての行および複数の基底三角行列に基づく。ここでは、λ₁＝（０，１］、λ₂＝（０，１］、λ₃＝（０，１］である。

別の例では、ＱＲＤフィルタが使用され、相関行列は単一のＵベクトル行列である。三角行列は、基底回転行列または複数の基底回転行列である。基底回転行列が三角行列として使用されるとき、行列回転および係数計算は、複数の基底相関行列の単一の行および基底三角行列に基づく。ここでは、λ₁＝０、λ₂＝（０，１］、λ₃＝０である。他方、複数の基底回転行列が、使用されるとき、行列回転および係数計算は、複数の基底相関行列の単一の行および複数の基底三角行列に基づく。ここでは、λ₁＝０、λ₂＝（０，１］、λ₃＝（０，１］である。

ＬＭＳフィルタを用いる場合、相関行列は、単一のＵベクトル行列または単一の基底ブロック行列でよい。ＬＭＳについて、三角行列は存在しない。相関行列が、単一のＵベクトルであるとき、係数計算および更新は、サンプルごとの更新について、単一の基底相関行列を用いた、単一のＵベクトルに基づく。ここでは、λ₁＝０であり、λ₂およびλ₃は、適用可能ではない。単一の基底ブロック相関行列が、使用されるとき、単一の基底相関行列内のＵベクトルのいくつかまたはすべてが、ブロックベースの更新を用いて、計算および更新のために使用される。ここでは、λ₁＝０であり、λ₂およびλ₃は、適用可能ではない。

図２は、行列と係数更新との関係を示す。行列回転のために使用される相関行列内の行の数は、トレーニングアルゴリズムに依存する。ＬＳ−ＧＩＶＥＮについて、相関行列内のすべての行が行列回転のために使用されるが、ＬＳ−ＱＲＤまたはＱＲＤについて、構成に応じて、単一の行または行のブロックは、行列回転のために使用されてよい。他方、ＬＭＳについて、三角行列は使用されず、係数更新は単一またはブロックのＵベクトルに基づいてよい。様々な異なるステップサイズが使用されてよい。より小さいステップは、より遅くなるが、より大きいステップよりも良好に機能する。複数のステップサイズおよび複数の行列サイズが適応的に使用されてよい。

ブロック１２２において、相関行列が生成される。λ₁は、式（１）で定義されたような相関行列計算のために使用される忘却因子（ｆｏｒｇｅｔｔｉｎｇ ｆａｃｔｏｒ）である。λ₁がゼロであるとき、現在の相関行列Ｒ_xdiは、先行する相関行列情報に基づくことなく計算される。与えられた時刻ｉにおいて、相関行列Ｒ_xdiは独立に計算されてよく、または忘却因子によって加重された先行する反復からの部分的な相関行列情報に基づいて計算されてよい。

次に、ブロック１２４において、λ₂は、個別の三角行列のための忘却因子であり、λ₃は、三角行列間の忘却因子である。与えられた時刻において、三角行列Ｒ_xdiは、独立に計算されてよく、または対応する忘却因子の値によって加重された先行する三角行列Ｒ_xdi-1についての部分的な情報に基づいて計算されてよい。

最後に、ブロック１２６において、係数が更新される。ブロック１４０において、係数１が、三角行列から計算される。μは、係数忘却因子であることに留意されたい。与えられた時刻ｉ（またはサンプル）において、係数は独立に計算されてよく、または先行する反復の加重された係数に基づいて計算されてよい。構成に応じて、係数は現在の反復におけるアクチュエータに適用されなくてもよく、すなわち、複数の反復は係数更新が適用される前に生じることができる。

図３は、適応フィルタリング方法についてのフローチャート１５０を示す。最初に、ステップ１５２において、Ｕベクトルが生成される。一例では、直接トレーニングが使用され、Ｕベクトルはアクチュエータ出力からの入力信号ｘから構成される。あるいは、間接トレーニングが使用されるとき、Ｕベクトルは、目標プラントの出力から構成される。トレーニング入力Ｕベクトルについての一般的な公式は、
Ｕ＝ｆ（ｘ₀，ｘ₁，．．．，ｘ_i）
によって与えられ、ここで、ｉは、トレーニングモデルパラメータの数を示す整数である。

次に、ステップ１５４において、相関行列が生成される。一般に、第ｋの相関行列は、再帰的関係によって、

と定義される。

は、第（ｋ−１）の相関行列であり、λ₁は、行列Ｒ_xdの忘却因子であり、

は、第ｋの相関行列ブロックにおける基底相関行列である。相関行列

は、相関行列Ｕ^H×Ｕと、相互相関ベクトルＵ^H×ｄとから構成される。

次に、ステップ１５６において、回転行列Ｇ_nが、計算される。第ｎの回転の場合、回転行列Ｇ_nは、

によって定義され、ここで、ｃ_nは、

によって与えられ、ｓ_nは、

によって与えられる。

ステップ１５８において、三角行列の対角要素が計算される。例えば、三角行列の対角要素は、公式

に従って計算される。

三角行列の残りの要素が、ステップ１６０において計算される。追加要素は、

および

を含む。これらの追加要素は、例えば、

によって計算される。

次に、ステップ１６４において、三角行列が、実施される。三角行列エンジンは、中間および最終の三角行列結果を記憶する。初期基底三角行列は、フィルタ種類に基づいて構成される。ＬＳ−ＧＩＶＥＮについて、初期三角行列は、相関行列

に等しい。他方、ＬＳ−ＧＩＶＥＮの回転は、相関行列全体において実行される。ＱＲＤまたはＬＳ−ＱＲＤを用いる別の例では、回転は、相関行列内の単一の行またはブロック行において実行される。ＬＭＳ構成について、三角行列は使用されない。三角行列エンジンブロック１０８は、無効にされてよく、三角行列要素を記憶するために使用されるメモリは、相関行列のサイズを拡大するために割り当てられてよい。

最後に、ステップ１６６において、後退代入（ｂａｃｋ ｓｕｂｓｔｉｔｕｔｉｏｎ）および係数更新が、実行される。係数計算および更新は、行列更新構成に基づく。これは、選択されたアルゴリズムおよびトレーニングシステム要件に基づいて、単一のＵベクトル、基底ブロック、またはいくつかの基底ブロック上で実行されてよい。

実施形態は、様々な物理的実施を有する。例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、デジタル信号プロセッサ、または汎用コンピュータが使用されてよい。これらはすべて、プロセッサの一般的なカテゴリの例と考えられる。

図４は、本明細書で開示されるデバイスおよび方法を実施するために使用されてよい、処理システム２７０のブロック図を示す。特定のデバイスは、示された構成要素のすべて、または構成要素のサブセットだけを利用してよく、統合のレベルはデバイスごとに様々でよい。さらに、デバイスは、複数の処理ユニット、プロセッサ、メモリ、送信機、受信機など、構成要素の複数の実例を含んでよい。処理システムは、マイクロフォン、マウス、タッチスクリーン、キーパッド、およびキーボードなど、１または複数の入力デバイスを備えた、処理ユニットを備えてよい。また、処理システム２７０は、スピーカ、プリンタ、およびディスプレイなど、１または複数の出力デバイスを備えてよい。処理ユニットは、バスに接続された、中央処理装置（ＣＰＵ）２７４と、メモリ２７６と、大容量記憶デバイス２７８と、ビデオアダプタ２８０と、Ｉ／Ｏインターフェース２８８とを含んでよい。

バスは、メモリバスもしくはメモリコントローラ、周辺バス、またはビデオバスなどを含む、任意の種類のいくつかのバスアーキテクチャのうちの１または複数であってよい。ＣＰＵ２７４は、任意の種類の電子データプロセッサを含む。メモリ２７６は、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、同期ＤＲＡＭ（ＳＤＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、またはそれらの組合せなど、任意の種類のシステムメモリを含んでよい。実施形態では、メモリは、ブートアップ時に使用するためのＲＯＭ、ならびにプログラムの実行中に使用するためのプログラムおよびデータ記憶のためのＤＲＡＭを含んでよい。

大容量記憶デバイス２７８は、データ、プログラム、および他の情報を記憶するように、ならびにデータ、プログラム、および他の情報をバスを介してアクセス可能にするように構成された、任意の種類の記憶デバイスを含んでよい。大容量記憶デバイス２７８は、例えば、ソリッドステートドライブ、ハードディスクドライブ、磁気ディスクドライブ、または光ディスクドライブなどのうちの１または複数を含んでよい。

ビデオアダプタ２８０およびＩ／Ｏインターフェース２８８は、外部入力および出力デバイスを処理ユニットに結合するためのインターフェースを提供する。示されるように、入力および出力デバイスの例は、ビデオアダプタに結合されたディスプレイ、およびＩ／Ｏインターフェースに結合されたマウス／キーボード／プリンタを含む。他のデバイスは、処理ユニットに結合されてよく、さらなるまたはより少ないインターフェースカードが利用されてよい。例えば、（描かれていない）シリアルインターフェースカードがプリンタのためのシリアルインターフェースを提供するために使用される。

処理ユニットは、１または複数のネットワークインターフェース２８４も含み、それは、イーサネットケーブルなどの有線リンク、および／またはアクセスノードもしくは異なるネットワークへの無線リンクを含んでよい。ネットワークインターフェース２８４は、処理ユニットが、ネットワークを介してリモートユニットと通信することを可能にする。例えば、ネットワークインターフェースは、１または複数の送信機／送信アンテナ、および１または複数の受信機／受信アンテナを介する無線通信を提供してよい。実施形態では、処理ユニットは、データ処理、および他の処理ユニットなどのリモートデバイス、インターネット、またはリモート記憶設備などとの通信のために、ローカルエリアネットワークまたはワイドエリアネットワークに結合される。

いくつかの実施形態が、本開示で提供されたが、開示されたシステムおよび方法は、本開示の主旨または範囲から逸脱することなく、多くの他の特定の形態で具体化されることが、理解されるべきである。本例は、例示的なものと見なされ、限定的なものとは見なされるべきではなく、その意図は、本明細書で与えられた詳細に限定されるべきではない。例えば、様々な要素もしくは構成要素は、別のシステムでは、組み合わされ、もしくは統合され、またはある特徴は、省かれ、もしくは実施されない。

加えて、様々な実施形態において別々のものまたは独立したものとして説明および図説された技法、システム、サブシステム、および方法は、本開示の範囲から逸脱することなく、他のシステム、モジュール、技法、または方法と組み合わされ、または統合される。互いに結合もしくは直接的に結合されたものまたは通信するものとして示され、または説明された他のアイテムは、いくつかのインターフェース、デバイス、または介在構成要素を通して、電気的であるか、機械的であるか、それとも他の方法であるかに関わらず、間接的に結合され、または通信する。変更、置換、および代替の他の例は、当業者によって確認可能であり、本明細書で開示された主旨および範囲から逸脱することなく、行われることができる。

Claims (20)

1. 適応フィルタをトレーニングするための方法であって、
   デバイスのプロセッサによって、入力信号およびトレーニング基準信号を受け取るステップと、
   前記入力信号、前記トレーニング基準信号、およびフィルタ種類に従って、相関行列を決定するステップと、
   前記相関行列に従って、複数の係数を決定するステップと、
   前記複数の係数に従って、前記適応フィルタを調整するステップと
   を具えたことを特徴とする方法。
2. Ｕベクトルを決定するステップをさらに具え、前記相関行列を決定するステップは、前記Ｕベクトルに従って、前記相関行列を決定するステップをさらに含むことを特徴とする請求項１に記載の方法。
3. 前記Ｕベクトルを決定するステップは、前記入力信号および前記フィルタ種類に従って、前記Ｕベクトルを決定するステップを含むことを特徴とする請求項２に記載の方法。
4. 前記Ｕベクトルを決定するステップは、前記トレーニング基準信号および前記フィルタ種類に従って、前記Ｕベクトルを決定するステップを含むことを特徴とする請求項２に記載の方法。
5. 前記Ｕベクトルのサイズを決定するステップをさらに具えたことを特徴とする請求項２に記載の方法。
6. 前記相関行列のサイズを決定するステップをさらに具えたことを特徴とする請求項１に記載の方法。
7. 前記フィルタ種類に従って、第１の忘却因子を決定するステップと、
   前記フィルタ種類に従って、第２の忘却因子を決定するステップと、
   前記フィルタ種類に従って、第３の忘却因子を決定するステップであって、前記相関行列を決定するステップは、前記第１の忘却因子、前記第２の忘却因子、および前記第３の忘却因子に従って、前記相関行列を決定するステップをさらに含む、ステップと
   をさらに具えたことを特徴とする請求項１に記載の方法。
8. 正則化因子を決定するステップをさらに具え、前記相関行列を決定するステップは、前記正則化因子に従って、前記相関行列を決定するステップをさらに含むことを特徴とする請求項１に記載の方法。
9. 前記相関行列は、基底ブロック行列からなることを特徴とする請求項１に記載の方法。
10. 前記相関行列は、
    第１の基底ブロック行列と、
    第２の基底ブロック行列と
    を含むことを特徴とする請求項１に記載の方法。
11. 前記相関行列は、部分的な基底ブロック行列を含むことを特徴とする請求項１に記載の方法。
12. 前記相関行列は、Ｕベクトルを含むことを特徴とする請求項１に記載の方法。
13. 適応フィルタをトレーニングするための方法であって、
    デバイスのプロセッサによって、入力信号およびトレーニング基準信号を受け取るステップと、
    前記入力信号および前記トレーニング基準信号に従って、三角行列を決定するステップと、
    前記三角行列を記憶するステップと
    前記三角行列に従って、複数の係数を決定するステップと、
    前記複数の係数に従って、前記適応フィルタを調整するステップと
    を具えたことを特徴とする方法。
14. 前記三角行列を決定するステップは、
    前記三角行列の第１の複数の対角要素を決定するステップと、
    前記三角行列の第２の複数の非対角要素を決定するステップと
    を含むことを特徴とする請求項１３に記載の方法。
15. 前記第２の複数の非対角要素を決定するステップは、回転行列を決定するステップを含むことを特徴とする請求項１４に記載の方法。
16. 前記三角行列のサイズを決定するステップをさらに具えたことを特徴とする請求項１３に記載の方法。
17. 係数更新パラメータを決定するステップをさらに具え、前記複数の係数を決定するステップは、前記係数更新パラメータに従って、前記複数の係数を決定するステップを含むことを特徴とする請求項１３に記載の方法。
18. 前記三角行列は、基底回転行列からなることを特徴とする請求項１３に記載の方法。
19. 前記三角行列は、
    第１の基底三角行列と、
    先行する三角行列と
    を含むことを特徴とする請求項１３に記載の方法。
20. プロセッサと、
    前記プロセッサによって実行するためのプログラミングを記憶するコンピュータ可読記憶媒体であって、前記プログラミングは、
    入力信号およびトレーニング基準信号を受け取ることと、
    前記入力信号、前記トレーニング基準信号、およびフィルタ種類に従って、相関行列を決定することと、
    前記相関行列に従って、複数の係数を決定することと、
    前記複数の係数に従って、適応フィルタを調整することと
    を行うための命令を含む、該コンピュータ可読記憶媒体と
    を具えたことを特徴とするコンピュータ。

Images