KR20040108698A - 적응성 멀티스테이지 바이너 필터 - Google Patents

적응성 멀티스테이지 바이너 필터 Download PDF

Info

Publication number
KR20040108698A
KR20040108698A KR10-2004-7015745A KR20047015745A KR20040108698A KR 20040108698 A KR20040108698 A KR 20040108698A KR 20047015745 A KR20047015745 A KR 20047015745A KR 20040108698 A KR20040108698 A KR 20040108698A
Authority
KR
South Korea
Prior art keywords
filter
data
module
update
linear
Prior art date
Application number
KR10-2004-7015745A
Other languages
English (en)
Other versions
KR100959965B1 (ko
Inventor
알빈엠. 데스페인
Original Assignee
아콘 테크놀로지스 인코포레이티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 아콘 테크놀로지스 인코포레이티드 filed Critical 아콘 테크놀로지스 인코포레이티드
Publication of KR20040108698A publication Critical patent/KR20040108698A/ko
Application granted granted Critical
Publication of KR100959965B1 publication Critical patent/KR100959965B1/ko

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0025—Particular filtering methods
    • H03H21/0029—Particular filtering methods based on statistics
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques

Landscapes

  • Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

연산측면에서 효율적인 적응성 멀티스테이지 바이너 필터는 다음과 같은 두 개의 모듈을 포함한다. 선형 필터 모듈은 입력 데이터 속도에서 동작하고, 업데이트 모듈은 다수의 속도로 동작하지만 업데이트 속도에서만 여러 연산들을 실행한다. 필터의 업데이트 속도가 입력 데이터 속도보다 상당히 작도록 채널 조건이 매우 천천히 변할 때 이 필터가 특히 유용하다. 연산을 분리시켜서, 여러 다른 속도로 적절한 연산을 실행하고 벡터 연산을 스칼라 연산으로 치환하면, 높은 성능을 유지하면서도 연산 효율을 개선시킬 수 있다.

Description

적응성 멀티스테이지 바이너 필터{ADAPTIVE MULTISTAGE WIENER FILTER}
바이너 필터의 여러 응용이 공개되어 있다. 예를 들어, 이미지 처리 분야에서 왜곡 데이터를 복원하기 위해 바이너 필터가 사용되고 있다. 바이너 필터는 DS(Direct Sequence)-CDMA 송수신기로부터 데이터를 복원하는 등의 기능을 포함하는 통신분야에 적용되고 있다. 여러 응용의 경우에, 바이너 필터는 최적의 선형 필터로서, 전송된 신호와 상기 신호의 필터 추정치 간에 평균 제곱 오류를 최소화시킨다. 다른 한편, 바이너 필터의 계수들을 연산하는 것은 연산 측면에서 볼 때 상당히 성가신 일로서, 이는 요망 성능을 제공할 수 있는 여러 응용분야에서 바이너 필터를 이용할 기회를 빼앗아버리고 있다.
바이너 필터의 기존 응용들은 요망 스칼라 신호를 추출하기 위해 N-차원으로관측된 데이터 벡터를 N-차원 벡터 바이너 필터로 입력한다. N-차원 바이너 필터의 발생은 연산 측면에서 집약적인 것으로서, N차원의 급수(멱)로 스케일링되는 필터 계수들을 연산하고 차후에 업데이트하기 위해 상당량의 연산을 필요로 한다. 결과적으로, 큰 정확도 손실없이 N보다 작은 차원을 가지는 순위 감소 바이너 필터를 이용하여, N차원으로 관측된 데이터 벡터를 처리하고 스칼라 송신 신호를 추정하는 것이 바람직하다. 이로 인해, 바이너 필터 특성을 결정하는 데 필요한 연산의 복잡도를 감소시킬 수 있다. IEEE Transactions on Information Theory의 Volume 44, No. 7, 1998년 11월호에 실린 J.S. Goldstein, I.S.Reed, L.L.Scharf의 논문, "A Multistage Representation of the Wiener filter Based on Orthogonal Projections"은 연산 복잡도 감소로 발생될 수 있는 직교 투영에 바탕한 바이너 필터의 멀티스테이지형 표현(MWF)을 제시하고 있다.
Goldstein의 논문에 따르면, 직교 투영은 바이너 필터에 입력될 관측 데이터의 순위나 차원을 감소시킨다. 즉, 투영이 관측 데이터 벡터를 억압한다. 투영된 차원 감소 관측 데이터 벡터는 대응하는 차원 감소 바이너 필터에서 처리되며, 그 처리 방식은 필터를 연산 측면에서 효율적이게 하고 실제 전송 데이터의 정확한 추정을 촉진시키는 방식이다. 바이너 필터 구조는 여러개의 스테이지로 나누어져, 최종 바이너 필터는 데이터를 처리하여 최종 투영 데이터를 최종 순위 감소 벡터 바이너 필터에 제공하는 스칼라 바이너 필터들의 세트로 구성된다. 멀티스테이지 바이너 필터 구조는 관측 데이터의 직교 투영에 매우 적합하며, 순위 감소 바이너 필터의 결과적인 이용을 촉진시킨다.
Goldstein의 논문에서 제시된 멀티스테이지 바이너 필터를 개선시키려는 노력들이 계속해서 있었다. Goldstein의 멀티스테이지 바이너 필터에 대한 개선사항으로, Proc. 32th Asilomar Conference Signals, Systems, and Computers, Pacific Grove, CA, 1998년 11월 호에 실린 M.L. Honig와 J.S.Goldstein의 논문, "Adaptive Reduced-Rank Correlation Algorithms for DS-CDMA Interference Suppression"에 소개된 적응성 필터가 있다. Honig의 논문은 필터의 잔류 상관 이용으로 인해 ResCorfilter라 알려진 멀티스테이지 바이너 필터의 적응성 버전을 소개하고 있다. 여기서, 잔류 상관이란 이전 데이터 세트 처리로부터 상관 데이터를 이용함을 의미한다. ResCor 기술은 처리를 촉진시킨다. 왜냐하면, 앞서 도출한 데이터 세트를 필터 계수 추정에 사용할 수 있고, 따라서, 필터가 수신 심벌들을 처리함과 동시에 필터 계수에 대한 업데이트가 연산되어야 한다는 요건이 줄어들기 때문이다. Honig의 논문은 본원 명세서의 기재에 유용한 배경기술이 될 것이며, 따라서 논문의 관련 부분을 여기서 요약하여 제시한다.
Goldstein의 논문에 기재된 멀티스테이지 바이너 필터와 마찬가지로, Honig의 논문에 기재된 ResCor 필터는 일련의 직교 투영을 이용하여, 필터에 투영 데이터 벡터를 제공하기 전에 관측 데이터 벡터의 차원을 감소시킨다. ResCor 필터의 구현들은 요망 신호 b1(i)와 관측 신호 y(i)(바이너 필터 내) 사이의 교차상관을 최대화시키는 서브공간에 대한 투영을 이용한다. ResCor 필터는 결과적으로, 비-고정 환경에서 서브공간 트래킹 측면에서, 그리고 공분산 매트릭스를 모를 때 주어진 순위에 대한 최소 평균 제곱 오류 측면에서 최적이다.
ResCor 전략은 수신한 (N-차원) 데이터 벡터를 순위 감소 (D-차원) 바이너 필터에 적절한 순위 감소(D-차원) 서브공간에 투영하는 NxD 오퍼레이터 SH D를 발생시키도록 적용될 수 있다. M개의 수신 벡터 y(i)와 M개의 트레이닝(또는 추정) 심벌 b1(i)의 블록이 주어졌을 때,
통계적 평균을 시간이나 샘플 평균치로 단순히 대치함으로서 최소 평균 제곱 오류(MMSE) 필터 계수들을 추정할 수 있다.
ResCor 필터에 대해 이 치환을 적용하면, (N+1) x (N+1) 확장 공분산 매트릭스를 "삼중 대각화(tri-diagonalizing)"할 수 있다.
본 명세서에서 첨자 H는 헤미시안(Hermitian) 전치나 복소 켤레 전치 연산을 표시하는 데 사용된다. D=N일 때, 필터 계수들은 최소 제곱(LS) 비용 함수를 정확하게 최소화시킨다.
D<N의 경우에는, 필터링 전략의 성능이 기존 최소 제곱에 의해 발생된 필터의 성능과 많은 차이를 보인다. 즉, 필터는 집약적 연산을 요하고, 필터의 정확도는 신호 대 잡음비에 의해 측정되는 바와 같이, 최적 순위 필터와는 다른 필터가 선택될 때 불량해진다.
트레이닝-기반 블록 전략을 이용함으로서 바이너 필터의 계수들이 ResCor 필터에 대하여 도출될 수 있다. 이 계수들은 아래와 같이 결정될 수 있다.
초기화:
방정식 6에서 11은 n이 1에서 D까지 증가하는 순방향 증가에 대한 것이고, 방정식 12에서 13은 n이 D에서 1까지 감소하는 역방향 감소에 대한 것이다.
위 설명에서, 널(h) 오퍼레이터는 벡터 h에 의해 규정되는 널 공간으로 벡터를 투영할 수 있는 매트릭스를 생성한다. 블로킹 매트릭스 오퍼레이터 Bn은 바이너 필터의 분해를 촉진시키기 위해 데이터 벡터의 일부분의 기여를 차단하는 데 사용된다. 블로킹 매트릭스 Bn, n=1,...,D의 선택은 최소 평균 제곱 오류(MMSE)에 영향을 미치지 않는다. 다만, 특정 데이터 레코드에 대한 성능에 블로킹 매트릭스 선택이 영향을 미칠 수 있다. 전송된 심벌들의 블록 추정치는 다음과 같다.
적응성 바이너 필터는 신호의 속성을 다양한 수준으로 가정하여 다양한 응용분야에 사용될 수 있다. 모든 신호들을 알고 있을 경우, 즉, 트레이닝 시퀀스가 필터에 제공되는 시기와 같은 경우, 필터는 앞서 제시한 바와 같이 구현될 수 있다. 마찬가지로, 이미 알고있는 파일롯 심벌들이 데이터와 함께 전송될 경우, 필터는 파일롯 심벌들을 이용하여 업데이트될 수 있다. 실제로는, 바이너 필터가 명백한 트레이닝 신호를 제공받지 못하는 경우도 자주 있다. 이는 잘 알려진 결정-지향 적응 모드로 필터 출력에 대한 결정이 이루어진 후, 수신 데이터에 대응하는 신호(b에 대한 신호)를 이용함으로서 여러 통신 상의 문제점이나 여러 스무딩의 문제점들에서 극복될 수 있다. CDMA 통신에 대하여 필터 계수들을 도출하기 위한 위 전략의 또다른 블라인드 버전은 앞선 계수 발생 설명사항에서 p1을 s1(요망 사용자에 대한 스프레딩 코드)으로 치환함으로서 간단하게 얻을 수 있다. 추가적으로, 한가지 어레이 처리 환경에서, 요망 신호의 방향을 사전에 알고있다면 조향 벡터 s1으로 캡처할 수 있고, 이 조향 벡터는 계수 발생 시 p1에 대해 또한 사용될 수 있다. 이 두 경우 모두, 필터의 제 1 스테이지가 적응성이 아니지만, 이 알고리즘의 나머지는 상술한 바대로 진행됨을 제시한다. 비-적응성 제 1 스테이지를 통합하는 이러한 버전들의 경우에, 순방향 반복 세트(set of forward recursions)는 확장된 샘플 공분산 매트릭스를 정확하게 삼중 대각화(tri-diagonalizing)하지 않는다. 결과적으로, 이 버전들은 적응성인 모든 스테이지로 트레이닝-기반 버전을 실행하지 못할 수도 있다.
D가 작은 경우에 앞서의 설명에서 바이너 필터의 계수들을 결정하는 데 필요한 연산은 샘플 공분산 매트릭스의 반전(inversion)이나 아이겐벡터의 연산을 요하는 순위 감소 기술과의 비교에서 온건한 편이다.
그럼에도 불구하고, Honig의 논문에서 바이너 필터의 계수를 결정하는 것은 여러 응용분야에서 현재 이용되고 있는 저렴하지만 효과가 덜한 필터 및 이퀄라이저에 비해 비교적 비싼 편이다.
상술한 방정식에서 기술한 적응성 멀티스테이지 바이너 필터가 도 1에 도시되어 있으며, 이는 2000년 9월 20-22일자, 미국, 일리노이주 Monticello, Allerton Park의 Proceedings of the 2000 Antenna Applications Symposium에서 D.C Ricks와 J.S.Goldstein의 논문, "Efficient Architectures for Implementing Adaptive Algorithms"의 도 2에 도시되는 기존 멀티스테이지 바이너 필터의 구현에 해당한다. Ricks의 구현은 실질적으로, 상술한 Honig의 멀티스테이지 바이너 필터에 해당한다. 도 1에서 선형 필터 블록들은 아래의 벡터 연산을 나타낸다.
멀티스테이지 바이너 필터의 선형 필터 성분이 도 1a에 도시되며, 이 성분은선형 필터 내에 순방향 반복 경로를 따라 선형 필터 요소 h1 및 h2의 세트를 포함한다. 제 1 필터 요소 h1은 "제로-오더" 또는 "우선" 채널 특성화를 나타내는 정합 필터일 수 있다. 이 첫 번째 필터링은 조향 벡터 s에 입력 데이터 벡터를 투영하는 것과 대등한 것이다. 이는 Ricks의 논문에서 제시된 구현이었다. Ricks의 논문에서, h1 필터 요소에 의한 출력 d는 필터의 조향 벡터 방향을 따라 입력 데이터 벡터를 첫 번째 투영한 것이다. 상기 제 1 d 추정치는 h1' 필터 요소에 의해 원본 데이터 벡터로 다시 투영되고, 상기 추정치를 데이터 벡터 y0으로부터 빼서, 벡터 y1을 제공한다. 벡터 y1은 수신 데이터 벡터의 간섭에 대한 제 1 추정치이다. 다른 멀티스테이지 바이너 필터들과 마찬가지로, Ricks의 멀티스테이지 바이너 필터는 간섭의 최대 유효 부분에 초점을 맞추며, 필터의 추가적 스테이지에서 덜 중요한 간섭 소스들에 대한 일련의 추정치들을 제공한다.
따라서, 다음 필터 요소 h2는 제 1 간섭 소스를 추정하는 데 사용된다. h2 필터 요소의 출력은 데이터 벡터 방향으로 다시 투영되며, 그후 벡터 y1으로부터 제 1 간섭 추정치를 빼서, 제 2 간섭 소스에 의해 지배되어야 하는 새 벡터 y2를 제공한다. 차후 일련의 스테이지들은 h2 필터 요소에 대하여 설명한 바와 유사한 방식으로 기능한다. 도 1a에 도시된 선형 필터에서, 바이너 필터의 연산 측면에서 바람직한 요망치를 나타낼 수 있는 요망 수치의 스테이지들 이후에 일련의 스테이지들은 단절된다. 이러한 단절은 도 1a에서 종단자(terminator)에 의해 도시된다.
도 1a에 도시되는 역방향 반복(방정식 12, 13 참조)은 그후 아래의 스칼라 필터 출력을 발생시키기 위해 실행된다.
z = ω1*ε1
이는 현 전송 심벌에 대응하는 신호의 추정치를 나타내며, 도 1a에 도시된 수집 이득 요소들에 의해 나타나는 등가 가중치 벡터 ω에 따라 역방향 반복 경로를 따라 여러 간섭 추정치를 뺀 것이다. 도 1b는 필터 계수 h와 필터 가중치들을 적응시키는 데 사용되는 연산들을 도시한다. 도 1b에서 |(ㆍ)|으로 표시되는 요소는 벡터 크기의 연산을 표현한다. 이 연산은 업데이트 속도로 필터 계수와 필터 가중치에 대한 업데이트를 발생시키기 위한 한 블록에 대해 심벌 속도로 실행된다(일례에 불과함).
도 1의 도면 및 Honig 필터의 제시사항으로부터, D 필터 스테이지, 데이터 벡터 길이 N, 그리고 데이터 블록 크기 M에 대하여 연산 복잡도가 계산될 수 있다. 이때, 연산 복잡도는 필터 업데이트를 위한 스칼라 산술 연산의 총 숫자로 주어지며, 10DNM + 5DM + 5NM으로 제시된다. 예를 들어 D=10, N=100, M=1000일 경우에, 도 1 필터의 복잡도는 1.055*107이다. 멀티스테이지 바이너 필터의 성능을 연산 비용을 감소시키면서 얻는 것이 바람직하다.
본 발명은 이미지 처리 시스템 내 통신 시스템의 신호 처리에 관한 것으로서, 레이다, 소나(sonar), 그리고 그 외 다른 센서 어레이같은 다양한 종류의 센서들에 의해 수신되는 신호들의 처리에 관한 것이다. 특히 본 발명은 전송 중 왜곡, 잡음, 그리고 간섭에 의해 파괴된 신호의 등화 및 필터링에 관한 것이다. 본 발명의 구현들은 효율적 연산을 위한 멀티스테이지형 적응성 바이너 필터(Wiener filters)를 포함한다.
도 1은 도 1a에 도시되는 선형 필터 스테이지와, 도 1b에 도시되는 업데이트필터부를 포함하는 기존 멀티스테이지 바이너 필터의 도면.
도 2는 선형 필터와 업데이트 모듈을 구비한 본 발명에 따른 적응성 멀티스테이지 바이너 필터의 도면. 선형 필터 모듈은 입력 데이터 속도로 입력 데이터 벡터 y를 수신하여, 동일한 속도로 스칼라 출력 z를 생성한다. 이 선형 필터 모듈은 업데이트 모듈로부터 업데이트 속도로 업데이트 계수들을 수신하여, 벡터 출력 ε과 데이터 벡터 d를 업데이트 모듈에 상기 데이터 속도로 제공한다. 선형 업데이트 모듈은 벡터 y와 d를 데이터 석도로 수신하고, 벡터 α, ω, 그리고 매트릭스 h를 업데이트 모듈로부터 수신한다.
도 3은 도 2의 필터와 함께 이용하는 선형 필터 모듈의 도면. 선형 필터는 입력으로 벡터 y를 수신하여 그 출력으로 z를 제공한다. 이 모듈은 벡터 d와 벡터 ε을 업데이트 모듈에 제공하며, 벡터 α, ω, 그리고 매트릭스 h를 업데이트 모듈로부터 수신한다.
도 4는 도 2의 필터에 사용하기 위한 업데이트 모듈의 도면. 도 4의 업데이트 모듈은 벡터 y, d, ε을 수신하여, 매트릭스 h, 벡터 α, ω를 출력한다. 도 4의 업데이트 모듈은 각 데이터 블록의 말미에서 업데이트 클럭을 발생시킨다. 데이터 클러킹된 서브모듈이 데이터 클럭 속도로 동작하고, 업데이트 서브모듈이 업데이트 클럭 속도로 클러킹되고 동작한다.
도 5-8은 데이터 속도로 클러킹되는 도 4의 업데이트 모듈의 도면.
도 6-8은 데이터 속도로 동작하는 멀티플라이어와 누산기로 구성되는 도 4의 업데이트 모듈의 구성도. 이 소자들은 도 9의 업데이트 클럭 서브모듈에게로 전달되는 신호 매개변수들의 통계적 추정을 실행한다.
도 9-12는 추정한 신호 매개변수들로부터 가중 계수들을 연산하는 도면. 이 연산은 업데이트 클럭 속도로 구현된다.
도 13은 선형 필터와 업데이트 모듈을 포함하는 발명에 따른 또다른 구현의 도면. 선형 필터 모듈은 입력 데이터 속도로 입력 데이터 벡터 y를 수신하고, 샘플 속도로 스칼라 출력 z를 생성한다. 선형 필터 모듈은 도시되는 업데이트 모듈로부터 업데이트 계수들을 업데이트 속도로 수신하여, 출력 벡터 ε과 데이터 벡터 d를 업데이트 모듈에 데이터 속도로 제공한다. 제 2 업데이트 모듈이 벡터 y와 d를 데이터 속도로 수신하여, 벡터 α, ω와 매트릭스 H를 선형 필터에 업데이트 속도로 제공한다.
도 14는 도 13의 필터와 함께 사용하기 위한 선호되는 선형 필터 모듈의 도면. 선형 필터는 입력으로 벡터 y를 수신하여 그 출력으로 스칼라량 z를 제공한다. 이 모듈은 벡터 d와 벡터 ε을 업데이트 모듈에 제공하며, 선형 필터 모듈은 벡터 α, ω, 그리고 매트릭스 H를 업데이트 모듈로부터 수신한다. 도 14의 선형 필터 모듈은 도 3의 선형 필터 모듈에 비해 덜 복잡한 구조임을 알 수 있다.
도 15는 도 13의 필터에 사용하기 위한 업데이트 모듈의 도면. 이 업데이트 모듈은 벡터 y, d, ε을 수신하여, 매트릭스 H, 벡터 α, ω를 출력한다. 도 15의 업데이트 모듈은 각 데이터 블록의 말미에서 업데이트 클럭을 발생시킨다. 데이터 클러킹된 서브모듈(도 5)이 데이터 클럭 속도로 동작하고, 업데이트 클러킹된 서브모듈(도 9)과 H 매트릭스의 연산(도 16)이 업데이트 클럭 속도로 동작한다. 도 15의 업데이트 모듈은 도 4의 업데이트 모듈과 상당 부분 유사하지만, 도 15의 업데이트 모듈은 매트릭스 h로부터 매트릭스 H를 생성하기 위해 추가적인 연산을 실행한다는 점에서 차이가 있다.
도 16은 H 매트릭스의 연산 도면. 매트릭스 α와 h는 입력이고, 회로는 매트릭스 H를 출력으로 생성한다. 도시되는 회로를 업데이트 클럭 속도로 동작한다.
도 17은 본 발명에 따른 적응성 멀티스테이지 바이너 필터의 선호 구현 도면. 도 17a는 바이너 필터의 선형 필터 부분을 도시하고, 도 17b는 선형 필터의 매개변수들을 업데이트하고 조정하는 상기 필터의 일부분을 도시한다.
도 18은 선형 필터와 업데이트 모듈을 구비한 본 발명에 따른 적응성 멀티스테이지 바이너 필터의 또다른 구현의 도면. 도시되는 적응성 멀티스테이지 바이너 필터는 데이터 벡터 y의 샘플을 선택하기 위해 제어 회로를 또한 포함하며 적절한 샘플 데이터 클럭을 제공한다.
도 19는 도 14의 선형 필터 모듈과 도 20의 업데이트 서브모듈을 이용하는 도 18의 바이너 필터에 이용하기 위한 업데이트 모듈의 도면. 도시되는 구현에서, 선형 필터 모듈(도 14)는 입력 데이터 블록의 샘플에 대해서만 동작하고, 바이너 필터에 이용하기 위해 도 18에 도시된 선형 필터 부분의 매우 작은 복잡도를 보상하는 추가적인 복잡도를 가진 부분들을 나타낸다.
도 20은 도 15의 업데이트 모듈과 도 21의 Φ 연산을 이용하는 도 19의 업데이트 모듈에 사용하기 위한 선호되는 업데이트 서브모듈의 도면. 따라서 Φ 연산은 도 18의 선형 필터의 매우 작은 복잡도를 보상하는 데 필요한 추가 복잡도를 가진또다른 부분을 도시한다.
도 21은 도 18의 바이너 필터에 사용하는 Φ 연산 모듈의 도면으로서, 매트릭스 H와 벡터 ω를 수신하여 벡터 Φ를 생성한다. Φ 연산 모듈은 업데이트 클럭 속도로 동작한다.
본 발명의 한 태양은 선형 필터 모듈에 입력 데이터를 제공하는 것을 포함하는 멀티스테이지 적응성 바이너 필터를 통해 데이터를 처리하는 방법을 제공한다. 이 선형 필터 모듈은 선형 필터 계수들의 제 1 세트에 의해 특성화되는 다수의 필터 스테이지들을 포함하며, 상기 선형 필터 모듈은 필터 가중치들의 제 1 세트에의해 추가적으로 특성화되며, 상기 선형 필터 모듈은 입력 데이터를 필터 데이터 속도로 처리한다. 이 방법은 필터 매개변수들의 세트를 필터 업데이트 속도로 조정하는 단계를 포함하며, 이때, 필터 데이터 속도는 필터 업데이트 속도보다 커서, 선형 필터 모듈이 적응성 바이너 필터로 기능한다.
발명의 또한가지 태양은 필터 데이터 속도로 동작하면서 채널로부터 심벌을 수신하는 선형 필터 모듈을 포함하는 멀티스테이지 적응성 바이너 필터를 제공한다. 선형 필터 모듈로부터 신호들을 수신하여 선형 필터 모듈에 업데이트된 필터 계수들을 제공하도록 업데이트 필터 모듈이 연결된다. 업데이트된 필터 계수들은 심벌을 수신하는 채널의 특성이며, 상기 업데이트 필터 모듈은 필터 업데이트 속도에서 업데이트된 필터 계수들을 제공하여, 선형 필터 모듈이 적응성 멀티스테이지 바이너 필터로 기능하게 한다.
발명의 또하나의 태양은 적응성 멀티스테이지 바이너 필터를 제공한다. 이 필터는 제 1, 2 선형 필터 요소를 구비한 선형 필터 모듈을 포함하며, 이 선형 필터 요소들은 제 1, 2 선형 필터 요소들에 대한 입력에서 공통으로 입력 데이터 세트를 수신하기 위해 연결된다. 제 1, 2 선형 필터 요소들은 입력 데이터 세트에 대한 개별적인 필터링 동작들을 실행한다. 제 1 선형 필터 요소는 제 1 필터링 데이터를, 제 2 선형 필터 요소는 제 2 필터링 데이터를 출력한다. 한 개 이상의 가중 요소와 한 개 이상의 조합 요소가 선형 필터 모듈 내에 제공된다. 제 2 선형 필터 요소는 제 2 필터링 데이터를 한 개 이상의 가중 요소에 제공하며, 상기 가중 요소는 가중된 제 2 필터링 데이터를 출력한다. 조합 요소는 가중된 제 2 필터링 데이터와 제 1 필터링 데이터에 반응하여, 조합된 필터링 데이터를 출력한다. 업데이트 모듈이 선형 필터 모듈에 연결되어, 제 1, 2 필터 요소들에게 업데이트된 필터 계수들을 제공한다. 업데이트 모듈은 입력 데이터와 필터링 데이터 간의 교차 상관을 바탕으로 하여 업데이트된 필터 계수들을 결정한다.
바로 앞선 문단의 태양에서, 제 2 필터 요소같은 추가적인 선형 필터 요소들이 존재할 수 있다. 일부 선호되는 실시예에서 제 3, 4 적응성 필터 요소들이 사용될 수 있다.
본 발명의 다른 한가지 태양은 제 1, 2 입력 데이터를 각각 수신하기 위해 연결되는 제 1, 2 선형 필터 요소들을 포함하는 선형 필터 모듈을 구비한 적응성 멀티스테이지 바이너 필터를 제공한다. 제 1, 2 선형 필터 요소들은 개별적인 필터링 동작들을 실행한다. 제 1 선형 필터 요소는 제 1 필터링 데이터를 출력하고, 제 2 선형 필터 요소는 제 2 필터링 데이터를 출력한다. 제 2 선형 필터 요소는 제 2 필터링 데이터를 한 개 이상의 가중 요소에 제공하고, 상기 가중 요소는 가중된 제 2 필터링 데이터를 출력한다. 조합 요소가 상기 가중된 제 2 필터링 데이터와 제 1 필터링 데이터에 반응하여, 조합된 필터링 데이터를 출력한다. 선형 필터 모듈에 업데이트 모듈이 연결되어, 제 1 필터 요소에 업데이트된 필터 계수들을 제공하고, 상기 업데이트 모듈은 입력 데이터와 필터링 데이터 간의 교차 상관을 바탕으로, 그리고 필터링 데이터의 자동상관을 바탕으로, 업데이트된 필터 계수를 결정한다.
발명의 선호되는 실시예들은 연산 측면에서 효율적인 바이너 필터들을 제공한다. 일부 선호되는 실시예들은, 필터의 적응성 부분에 대한 업데이트 속도가 입력 데이터 속도보다 상당히 낮을 때 특히 유용한, 연산측면에서 효율적인 적응성 멀티스테이지 바이너 필터(MWF)를 제공한다. 여기서 소개되는 일반적인 필터 구조들은 데이터 입력 벡터의 크기가 클 때 특히 효율적이다. 선호되는 태양에서, 적응성 멀티스테이지 바이너 필터는 두 개의 모듈을 이용할 수 있다. 즉, 입력 데이터 속도로 동작하는 선형 필터 모듈과, 두 속도로 동작하지만 여러 연산들을 업데이트 속도로만 실행하는 업데이트 모듈을 이용할 수 있다. 이 연산들을 분리하여, 적절한 연산들을 서로 다른 속도로 실행하고 벡터 연산을 스칼라 연산으로 치환하면, 높은 수준의 성능을 유지하면서도 개선된 연산 효율을 각각의 연산에 대해 개별적으로 제공할 수 있다. 현재 가장 선호되는 실시예들은 이 모든 전략들을 모두 포함하는 것이다.
발명의 또다른 선호 실시예에서, 멀티스테이지 바이너 필터 구조가 샘플링된 업데이트 방식으로 구현될 수 있다. 채널(데이터를 왜곡시키고 파괴시키는 변화하는 매개변수)이 천천히 변화하고 있을 경우, 필터 계수를 너무 자주 업데이트하는것은 거의 도움이 되지 않는다. 정확도를 위해 필요한 속도에 가까운 속도로 필터 업데이트 연산을 실행하는 것이 바람직하며, 따라서, 필터 업데이트 연산이 데이터 샘플을 이용하여 본 구현에서 실행되며(선호됨), 필터 업데이트가 데이터 속도에 비해 드물게 실행된다. 샘플로부터 연산된 필터 계수들은, 새로운 데이터 샘플을 얻어 필터 업데이트 계수를 연산하는 데 다시 사용하기 전에, 장기간동안 이용된다. 따라서 멀티스테이지 바이너 필터의 이러한 구현은 세 개의 데이터 연산 속도를 이용하는 것이 바람직하다. 즉, 필터링된 데이터를 제공하는 필터의 데이터 석도, 둘째로는 새 필터 계수 연산의 업데이트 속도, 그리고 세 번째로 업데이트 연산 제공을 위해 데이터 블록들의 샘플을 취하는 샘플링 속도를 이용하는 것이 바람직하다.
멀티스테이지 바이너 필터 구조의 샘플링된 업데이트 구현을 위해, 데이터 속도로 동작하는 기본 필터 구조는 간단한 정합 필터보다 전혀 복잡하지 않은 형태로 단순화될 수 있다. 이로 인해, 새로운 적응성 멀티스테이지 바이너 필터가, 오늘날 통신 및 신호 처리 분야에서 폭넓게 사용되고 있는 저성능 정합 필터 및 이퀄라이저에 비해 가격 경쟁력을 가지게 된다.
업데이트 연산이 데이터 속도로 이루어질 때, 본원에서 소개하는 개선점들 중 일부를 멀티스테이지 바이너 필터에 적용할 수 있다. 아래에서 소개되는 발명의 태양들은 일부 벡터의 승산 및 감산을 피함으로서, 급속하게 변화하는 환경에서 필터가 사용되는 지, 또는 천천히 변화하는 환경에서 필터가 사용되는 지 여부에 관계없이 연산 및 회로를 단순화시킬 수 있다. 이 단순화는 멀티스테이지 바이너 필터에 일반적으로 장점을 제공하며, 이러한 필터에 바람직하게 적용될 수 있다. 일부 구현에서, 이 바이너 필터들은 배경기술 문단에서 언급한 바이너 필터들에서는 통상적으로 불가능한 일련의 병렬화가 가능하다. 이 병렬화를 이용하는 것은 그 자체로 장점을 띄나, 바이너 필터를 유용하게 하기 위한 이러한 단순화에 대한 필수요건은 아니다.
상술한 바와 같이, 바이너 필터는 전송된 신호와 상기 신호의 필터 추정치 간에 최소 제곱 오류를 최소화시키는 선형 필터이다. 배경기술 단락에서 언급한 바이너 필터로부터 쉽게 알 수 있는 바와 같이, 바이너 필터(Wiener filter)라는 용어는 필터 내에 적응성 요소 및 비적응성(가령, 정합 필터) 요소의 조합과 적응성 구조물들을 포함하는 것으로 이해될 것이다. 멀티스테이지 바이너 필터라는 용어도 본원에서 사용되고 있다. 멀티스테이지 바이너 필터는 배경기술 단락에서 설명된 바와 같이 직렬로, 또는 아래에서 처럼 병렬로 두 개 이상의 선형 필터 스테이지들을 포함하는 것으로 간주된다. 멀티스테이지 적응성 바이너 필터는 적응성 스테이지를 적어도 한 개 이상 구비한 두 개 이상의 선형 필터 스테이지를 포함하는 것으로 간주된다. 당 분야의 통상의 지식을 가진 자들은 적응성 스테이지의 수가 변할 수 있고 필터 자체에 의해 결정될 수 있음을 이해할 수 있을 것이다. 배경기술 단락에서 언급한 참고문헌과 본원에서의 바이너 필터들은 이상적인 바이너 필터에 대한 근사치가 될 수 있다. 추가적으로, 본원의 바이너 필터가 더 큰 필터링 전략이나 시스템의 서브시스템이나 구성요소일 수 있고, 따라서 본 발명의 태양들을 구현하기 위해 필터의 모든 요소들이 바이너 필터에 일관되게 적용될 필요는 없다.
일반적으로, 본 발명의 태양들은 순위 감소형 멀티스테이지 바이너 필터가 본원 배경기술 단락에서 언급한 논문들에서 논의된 응용분야들을 포함하는 응용분야에서 발견될 수 있다. 본 발명에 따른 바이너 필터들은 공간-시간 처리를 통합한 시스템과 같은 통신 시스템 분야에서 발견할 수 있다. 이미지 처리, 잡음이 있거나 왜곡된 이미징 어레이로부터 이미지 데이터를 복원시키거나 개선시키는 등의 이미지 처리 분야에도 적용할 수 있다. 이미징 분야는 자기 공명 검출을 이용하는 분야, 다양한 x-선 이미징 시스템, 소나(sonar), 레이다, 그리고 그 외 다른 응용분야처럼, 시스템에 대한 데이터를 수집하기 위해 1, 2차원 이상의 어레이들을 이용하는 응용분야들을 포함할 수 있다. 그 외 다른 응용분야로는, 스피치 인식에 사용되는 필터나 샘플 또는 수신 스피치 신호를 개선시키는 스피치 처리 분야를 포함할 수 있다. 이와 같이, 발명의 한가지 이상의 태양들의 적용분야는 매우 폭넓다고 추정된다.
본원 기재의 많은 부분이 선형 필터 모듈 및 업데이트 필터 모듈을 포함하는 필터를 들어 구현된다. 이 용어들은 이 모듈 내 회로 요소들의 논리적/기능적 특성들을 의미하는 것으로 간주된다. 이 회로 요소들이 물리적으로 분리되어야 한다거나, 이 회로 요소들이 모든 동작 조건 하에서 이 기능들에 대하여 전용으로 제공되어야 하는 것은 아니다. 전용 회로는 당연히 사용될 수 있고, 디지털 신호 프로세서와 같은 범용 회로 내에서 구현될 지라도, 선형 필터 및 업데이트 모듈들은 필터 동작 중 전용 회로를 구성할 것이다.
적응성 멀티스테이지 바이너 필터의 특히 선호되는 구현들은 입력 데이터 속도로 동작하는 선형 필터 모듈과, 데이터 속도 및 업데이트 속도 모두에서 동작하면서도 업데이트 속도로만 여러 연산들을 실행하는 업데이트 모듈로 구성되는 두 개의 모듈을 이용할 수 있다. 일부 연산을 실행하는 속도는 일부 채널 특성이 변하는 속도에 대응하는 수준으로 본 구현에서 감소된다. 발명의 또다른 태양은 필터의 적응부와 필터의 선형부를 모두 재조직함으로서 기존 멀티스테이지 적응성 바이너 필터의 효율을 개선시킨다. 이 효율 개선은 부분적으로 발생한다. 왜냐하면, 데이터 속도로 동작하는 필터의 선형부가 단순화됨에 반해, 더 느린 업데이트 속도로 동작하는 적응부는 선형 필터링 부분의 복잡도 감소를 보상하기 위해 보다 복잡한 연산을 실행하기 때문이다.
여기서 이용하는 전략에 대한 설명은 위 설명에서 소개된 ResCor 필터의 설명과 함께 시작된다. 상술한 ResCor 필터와 함께, 선호되는 실시예는 필터 계수들의 전체 평균을 이전 블록의 샘플 평균으로 대체함으로서 업데이트 연산들을 단순화시킨다. 이는 아래의 벡터를 포함한다.
∥ε2∥과 ω도 물론이다. 이 양들 각각을 이전 블록에 대한 샘플 평균으로 대체하는 것은 채널이 천천히 변한다는 가정에 의존한다. 즉, 이전 블록에서 연산된 필터 계수들이 현 블록에서도 충분히 유효하다고 가정하는 것이다.
둘째로, Proc. 32th Asilomar Conference Signals, Systems, and Computers, Pacific Grove, CA, 1998년 11월 호에 실린 M.L. Honig와 J.S.Goldstein의 논문,"Adaptive Reduced-Rank Correlation Algorithms for DS-CDMA Interference Suppression"에서 제시된 블로킹 매트릭스가 아래와 같이 채택된다.
이 블로킹 매트릭스에 대하여 순위를 감소시킬 필요는 없지만, 필요하다면 순위를 감소시킬 수 있다. 이러한 순위 감소형 블로킹 매트릭스는 여기서 설명하지 않는다.
이제 설명은 필터 및 필터 동작에 대한 이러한 수정사항들의 효과를 제시한다. 배경단락에서 이용된 바와 동일한 정의 및 용어들을 이용한다. 단 대문자 Y 대신에 소문자 y가 사용된다. 첨자 H는 매트릭스 오퍼레이터용 헤미시안 전치를 나타내며, 첨자 *는 벡터의 켤레 전치를 표시한다. 필터 계수 연산의 순방향 반복 업데이트는 앞서 언급한 방정식 6으로부터 시작한다.
이제 Honig가 제시한 제안에 따르면,
이 특별한 결과는 2000년 9월 20-22일자, 미국, 일리노이주 Monticello, Allerton Park의 Proceedings of the 2000 Antenna Applications Symposium에서 D.C Ricks와 J.S.Goldstein의 논문, "Efficient Architectures for Implementing Adaptive Algorithms"에 제시된 바와 같은 것이다. 이는 도 1에 도시되는 멀티스테이지 적응성 바이너 필터이다.
블록당 한번씩 ω, h, p를 연산(즉, 샘플 평균 이용)하면, 파이프라인형 반복 필터 연산을 개선시킬 수 있고, 이때의 가정은 채널 변화가 비교적 느리다는 것만을 요한다. 이제, 발명의 선호되는 실시예에 따르면, 두 개의 주부분으로 나누어진 필터에 이에 대응하는 두 개의 다른 연산 속도가 구현된다. 즉, 두 개의 주부분이란 심벌 속도로 동작하는 선형 필터와, 필터 가중 계수 등등이 연산되는 적응부를 의미한다. 선호되는 구현에서, 적응부의 업데이트 연산은 업데이트 속도로만 이루어진다. 가중 계수 연산 속도는 심벌 속도의 0.1~0.001에 지나지 않는다. 이 속도는 채널 매개변수 변화를 따르기에 충분히 높기만 하면 되며, 심벌 속도로 실행될 필요는 없다. 이와 같이, 본 멀티스테이지 바이너 필터의 여러 다른 구현들은 채널 조건들이 변화하는 여러 다른 속도를 반영하여, 가중 계수 연산을 업데이트함에 있어 서로 다른 속도를 이용할 수 있다.
도 2는 발명의 한 실시예에 따라 선형 필터부와 적응부를 구비한 적응성 멀티스테이지 바이너 필터를 도시한다. 도 2의 적응성 멀티스테이지 바이너 필터는 선형 필터 모듈(10)과 필터 계수 업데이트 모듈(12)을 포함한다. 각 심벌의 클럭 틱에서, 새로이 관측된 데이터 벡터 y(m)이 상기 필터와 업데이트 모듈에 입력되고, 이전의 필터 출력 값 z(m-1)은 선형 필터 모듈로부터 빠져나온다. 이러한 특히 선호되는 구현에서, 심벌 속도 클럭은 필터 업데이트 속도를 얻기 위해 업데이트 모듈(12)에 상관된 회로(14)에 의해 분할된다. 여러 사례에서, 필터 계수 업데이트 속도를 결정하는 이 방법의 실제 결과는 업데이트 속도의 정수배일 것이다. 아래의 설명에서, 일부 추가적인 작업이 이루어진다. 왜냐하면 필터가 두 부분으로 나누어지기 때문이다. 특히 선호되는 추가적 구현에서, 일부 연산들은 필터와 업데이트 모듈 사이에서 공유되어 추가 작업을 제거한다.
도 2를 참조해보자. 멀티스테이지 적응성 바이너 필터는 선형 필터 모듈(10)과, 선형 필터 모듈(10)에 대한 업데이트 계수들을 결정하는 데 사용되는 업데이트 모듈(12)을 포함하는 것으로 도시된다. 관측된 데이터 샘플들과 심벌 데이터 클럭이 두 모듈에 모두 입력된다. 업데이트 연산 속도로 실행될 수 있는 연산들을 업데이트 연산 모듈(12)에 배치하도록 하기 위해 도 2의 선형 필터 모듈 내에 회로가배열된다. 벡터ynㆍ 벡터hn= 벡터hH nㆍ 벡터yn임을 주목하여야 한다. 이는 선형 필터링을 표시하는 데 사용된다. 입력 벡터 y가 필터 계수 h0을 통과하면, 최초 필터링된 신호는 d1= 벡터y ㆍ 벡터h0= 벡터 hH 0ㆍ 벡터y이다. 이러한 선형 필터는 다음과 같이 도출될 수 있다.
여기서, α는 h (선형 필터 요소) 벡터들의 공분산 매트릭스이다.
선형 필터 모듈
벡터 y(m)이 필터에 입력된다.
벡터 a와 벡터 h가 업데이트 모듈에 의해 제공된다.
z(m)은 필터의 출력이다.
도 3은 상기 방정식들에 표현된 선형 필터 모듈의 선호되는 실시예를 도시한다. 도시되는 회로는 상술한 연산에 매우 가깝게 대응하며, 이때, 도 3은 상기 연산에 사용된 항들의 일부와, 이 항들 중 타항들에 대한 관계에 대한 그래픽 표현을 또한 제시한다. 도 3에 도시되는 선형 필터 모듈은 Honig의 논문에서 제시된 ResCor 선형 필터 모듈과 Ricks의 논문에 제시된 필터 구조에 비해 상당한 연산 단순화를 보여준다. 왜냐하면, 도 3의 선형 필터 모듈은 신호 샘플 속도로 연산되지만 필터 계수 등은 업데이트 속도로만 연산되기 때문이다.
본 전략 및 본 전략의 구현들에 의해 달성되는 또다른 상당한 개선점은 Honig의 필터나 Ricks의 필터에서 요구되는 다수의 벡터 연산을 피할 수 있다는 것이다. 이 개선점은 업데이트 연산으로부터 필터링 연산을 분리하지 않으면서도 달성될 수 있다. Honig나 Ricks의 제시사항에 비해 도 3의 모듈에 대한 선형 필터 모듈 연산에서 효율 개선이 나타남을 알 수 있다. 도 3에 도시되는 선호되는 선형 필터부는 스칼라-벡터 승산 dn* 벡터hn을 실행하지 않으며, 필터의 선형부인 D 스테이지들 각각에서 벡터 yn-1로부터 이 벡터의 벡터-벡터 감산 연산을 실행하지도 않는다. 이는 상당한 것이다. 왜냐하면, 벡터 길이 N이 백 이상일 수 있지만 D는 여러 경우에 3 이나 4에 불과할 수 있기 때문이다. 이 개선점은 도 1을 도 17에 비교할 때 또한 명백해진다.
dn* 벡터hn과 벡터yn-1- ( dn* 벡터hn) 연산이 도 2의 바이너 필터에서 회피되지만, 도 2의 바이너 필터는 (벡터h ˚벡터y) - (dn-1αj,d-1) 형태의 스칼라 감산과 d 벡터 간의 자동상관 연산으로 상기 연산들을 치환한다. 따라서 업데이트 연산이 보다 복잡해지지만, 이는 도 2의 필터에서 덜 빈번하게 실행된다. 도 13 및 18에 도시된 더욱 단순화된 필터에서, 선형 필터 모듈에 어떤 추가 연산도 추가되지 않지만, 업데이트 모듈에는 추가 연산이 필요하다.
필터 업데이트 연산
필터 업데이트 모듈은 입력 데이터 벡터 y와 필터링된 데이터 벡터 d 간의 교차 상관을 통해 필터 가중치와 필터 요소의 특성을 적응방식으로 결정한다. 벡터 y와 벡터 d 간의 이러한 교차 상관 및 이에 따른 합산은 도 6에 도시된 회로에서 실행되어, 도 6에 도시된 γ 벡터를 연산한다. 이 연산은 도 1b에 도시된 필터 업데이트 모듈에서 행해진 연산과 유사해보이지만, 도 2의 필터 업데이트 모듈(12)에서는 추가적인 연산이 실행된다. 도 2의 업데이트 모듈은 β 매트릭스 연산을 위해 벡터 d의 공분산을 결정하고, 이는 (도 7 참조) 필터의 선형 필터부로부터 이 기능을 취할 수 있게 한다. 도 8은 q 벡터의 연산을 도시한다.
도 2에 도시된 필터 업데이트 모듈(12)은 심벌 속도보다 느린 속도로 필터 계수와 가중치를 연산하고 업데이트한다(가장 선호됨). 실제로, 선호되는 필터 업데이트 모듈은 심벌 속도로 도달하는 데이터로부터 평균을 연산한다. 심벌 속도로 도달하는 데이터의 전체 평균은 시간 평균으로 대체되고, 이 시간 평균은 여기서 괄호로 표시된다. 예를 들어 <X>가 이러한 시간 평균을 나타낸다. <X>는 아래 방정식 세트에 나타나는 바와 같이, 증분 방식으로 업데이트되거나 블록 업데이트될 수 있다.
증분 업데이트
따라서, <X>의 값이 업데이트 인수 μ로 가중된 <X>의 연산으로 샘플 단위 원칙에 따라 업데이트된다.
블록 업데이트
그래서, 값 <X>는 샘플링된 데이터로 구성되는 각각의 수신 블록에 대하여 한번에 연산된다. 상기 방정식으로부터 아래의 결과를 얻을 수 있다.
벡터hnew<- 벡터p /δ 에 따라 벡터 h들이 벡터 p들로부터 업데이트되기 때문에, 벡터 pn의 보다 정확한 추정치는 아래와 같다.
이러한 필터 계수 업데이트 연산을 실행하는 회로가 도 4-7에 도시되어 있으며, 이 도면들을 도시하는 종이들 사이에서 뻗어가는 이 회로 블록들 사이에 여러 상호연결부가 존재한다. 도 5는 데이터 속도로 실행되는 것이 선호되는 필터 가중치 연산의 부분을 도시한ㄷ. 도 4-8에 도시되는 회로는 다양한 방식으로 구현될 수 있으며, DSP 내에, 전용 회로 내에, 또는 마이크로프로세서나 DSP 코어같은 범용 회로와 이와는 별개인 전용 회로의 조합 내에, 구현될 수 있다. 상술한 그리고 하기 설명되는 나머지 회로는 다양한 방식으로 이와 유사하게 구현될 수 있다.
도 5-8은 선형 필터 모듈(10)이 동작하는 데이터 클럭 속도로 동작하는 업데이트 모듈(12)(도 2) 부분을 도시한다. 도 9-12는 업데이트 클럭 속도로 동작하는 업데이트 모듈(12) 부분을 도시한다. 이때, 업데이트 클럭 속도는 데이터 클럭 속도보다 한참 느리다. 도 10에서, 벡터량을 결정하기 위해 요소(16)가 사용된다. 상기 요소의 출력이 분할 요소(18)에 제공되며, 상기 분할 요소(18)는 상기 벡터량을 단위 길이에 대해 표준화시킨다. 상술한 바와 같이(도 2 참조), 업데이트 클럭 속도는 데이터 클럭 속도를 나누어 얻어지는 것이 바람직하며, 그래서 업데이트 클럭 속도는 데이터 (심벌) 속도의 0.1 내지 0.001 수준이다. 도시되는 필터는 다음과 같이 동작한다.
업데이트 모듈
벡터 y(m)이 상기 모듈에 입력된다.
벡터 d(m)이 필터 모듈로부터 상기 업데이트 모듈에 입력된다.
n = 0, 1, 2, ..., D에 대해 입력 데이터 속도를 연산하면,
필터의 이 부분들은 도 5-8에 도시된다. 도시되는 바와 같이 업데이트 모듈(도 4)의 데이터 클러킹되는 부분은 신호 통계 연산을 표시한다. 업데이트 속도에서, 업데이트 모듈의 도 9 부분은 모든 n = 0, 1, 2,..., D에 대하여 연산하는 것이 선호된다.
이들은 도 10-12에 도시된 필터 가중치들의 연산값이다.
본원에서 기재한 단순화의 배경에 깔려있는 가정들은 다양한 응용분야에 적용할 수 있다는 것이다. 이들 응용분야에서, 단순화된 필터 구조는 적응성 멀티스테이지 바이너 필터의 비용을 상당히 낮추면서도, 기존 필터링 기법보다 우수한 성능을 제공한다.
도 2-12의 적응성 멀티스테이지 바이너 필터는 데이터 벡터 길이 N이 데이터 블록 길이 M보다 작은 경우에 특히 적합하다. 도 2-12 및 아래 제 1 실시예에 대한 방정식으로부터, 연산 복잡도는 4DNM + 3D2M + 4DM + 2NM + 2D2N + 2DN + 2D로 표현될 수 있다. 상술한 예의 경우에, 이는 4.562 * 106번의 산술 연산으로서, 도 1의 필터의 복잡도에 비해 57%의 복잡도 감소를 보여준다.
이러한 복잡도 감소는 결과적으로 비용 절감으로 구현될 수 있다. 또한가지 단순화가 도 13-17에 도시된다. 도 13-17의 회로는 도 2-12의 회로와 유사하다. 즉, 도 13-17의 적응성 멀티스테이지 바이너 필터는 샘플 (심벌) 데이터 속도로 동작하는 선형 필터 모듈(20)과, 이보다 느린 업데이트 속도로 동작하는(선호됨) 업데이트 모듈(22)을 포함한다. 이때, 상기 업데이트 속도는 업데이트 모듈(22) 내에서 내부적으로 사용되는 두 속도 중 하나에 해당한다. 도시되는 구현에서, 심벌 속도 클럭은 필터 업데이트 속도를 얻기 위해 업데이트 모듈(22)에 상관된 회로(24)에 의해 분할된다. 여러 사례에서, 필터 계수 업데이트 속도를 결정하는 이 방법의 실제 효과는 업데이트 클럭 속도가 심벌 속도의 0.1~0.001에 불과한 업데이트 속도의 일부분이란 점이다. 상술한 논의에서처럼, 도 13-17의 적응성 멀티스테이지 바이너 필터의 선형 필터 모듈과 업데이트 모듈 사이에 일부 연산을 공유함으로서 추가적인 연산 단순화를 구현할 수 있다.
도 13은 선형 필터 모듈과 업데이트 모듈로 구성되는 전체 구조의 도면이다. 도 2의 회로에 비해, 도 13의 적응성 멀티스테이지 바이너 필터는 선형 필터 모듈(20)로부터 α를 제거하여, 선형 필터 모듈(20)과 업데이트 모듈(22) 사이를 α가 지나지 않게 한다. 도 13-17의 회로에서, α는 여전히 계산될 수 있으나, 이는 업데이트 모듈에 대해 완전히 내부적으로 연산된다(도 15 및 16 참조). α는 H를 발생시키기 위해 도 16의 회로에서 h와 조합되며, 이는 도 2-12의 회로에 비해, H가 도 13-17의 회로에서 h를 기능적으로 치환한다.
도 13-17의 필터에 의해 구현되는 전략이 이제부터 설명된다. 도 2-12의 멀티스테이지 바이너 필터의 배경에 깔린 전략의 설명을 먼저 시작한다. 먼저의 선형 필터 모듈에서,
벡터 y(m)이 필터에 입력되고,
벡터 α, 벡터 h는 업데이트 모듈에 의해 제공되며,
z(m)은 필터의 출력이다.
이 필터를 단순화함에 있어서, 방정식의 우변에서 dn을 di로 치환하여, 항들을 모으면,
H의 연산은 업데이트 모듈에 위치하는 것이 바람직하며, 또한 업데이트 속도로 연산되는 것이 바람직하다. 도 14는 결과적인 선형 필터 모듈의 도면이다. 이구조는 도 3에 도시되는 구조보다 훨씬 단순하다. Honig의 논문에서 제시된 ResCor 필터보다도 훨씬 단순하다.
이전의 필터 업데이트 연산
도 8에 도시된 필터 업데이트 모듈은 심벌 속도보다 느린 속도로 매개변수들을 연산하고 업데이트하는 것이 바람직하다. 도 3의 필터 업데이트 모듈은 심벌 속도로 도달하는 데이터로부터 평균을 연산한다. 심벌 속도로 도달하는 데이터의 전체 평균은 시간 평균에 의해 근사되며, 이 시간 평균들은 본원에서 <> 표시로 표현된다. 예를 들어, <X>는 이러한 시간 평균을 나타낸다. <X>는 내부적으로 업데이트될 수도 있고 블록 업데이트될 수도 있다.
증분 업데이트
블록 업데이트
위 방정식으로부터 아래의 결과를 얻을 수 있다.
벡터 hnew<- 벡터p/δ 임에 따라 벡터 h가 벡터 p로부터의 업데이트이기 때문에, 벡터 pn의 보다 정확한 추정치는 다음과 같다.
이전의 업데이트 모듈
벡터 y(m)이 모듈에 대한 입력이다.
벡터 d(m)이 필터 모듈로부터 상기 모듈에 대한 입력이다.
입력 데이터 속도에서 n = 0, 1, ... D에 대해 연산한다.
업데이트 속도에서 모든 n = 0, 1,... D에 대해 연산한다.
벡터 H의 연산을 도 15 및 16의 새 업데이트 모듈에 아래와 같이 더해보자.
벡터 H는 업데이트 속도로만 연산되어, 도 15-16의 효율적인 업데이트 모듈을 형성한다. 이 결과는 도 2-12에 도시된 적응성 멀티스테이지 바이너 필터에 비해 훨씬 효율적인 구현이다. 이 회로의 연산 및 배치는 도 13-16을 따른다.
도 5 및 15는 선형 필터 모듈(20)이 동작하는 데이터 클럭 속도로 동작하는 업데이트 모듈(22) 부분을 도시한다. 도 9, 15, 16은 업데이트 클럭 속도로 동작하는 업데이트 모듈(22) 부분을 도시한다. 이 경우에는 업데이트 클럭 속도가 데이터 클럭 속도보다 훨씬 느리다. 상술한 바에 따라 도 13에서 도시되는 바와 같이, 업데이트 클럭 속도는 데이터 클럭 속도를 분할함으로서 얻어지는 것이 바람직하며, 업데이트 클럭 속도가 데이터 속도의 0.1~0.111 수준일 수 있다.
도 17은 도 13-16의 필터의 또다른 구현을 제공하며, 이때 도 17a는 바이너 필터의 선형 필터부를, 도 17b는 선형 필터의 매개변수들을 업데이트하고 조정하는 필터부를 도시한다. 도시되는 바와 같이, 필터는 역방향 반복 경로가 없도록 구성되며, 도 17은 도 1의 기존 적응성 멀티스테이지 바이너 필터에 대한 비교를 용이하게 한다. 필터의 각 스테이지에서 한 개의 벡터-스칼라 승산 및 한 개의 벡터-벡터 감산을 제거하는 기본적 멀티스테이지 필터의 복잡도 감소에 주목하여야 한다.
멀티스테이지 바이너 필터의 선형 필터 모듈은 도 17a에 도시되어 있으며, 선형 필터 내에 순방향 경로를 따라 선형 필터 요소 H2및 H1세트를 포함한다. 본원에서 도 2-16을 참고하여 기술한 다른 멀티스테이지 바이너 필터처럼, 도 17a의 선형 필터 모듈 내의 스테이지 수는 가변적이고, 특정 필터링 적용에 따라 선택되는 것이 바람직하다. 당 분야의 통상의 지식을 가진 자라면, 바이너 필터 및 그 진행과정에서 스테이지 수를 선택하고 최적화하는 과정이 본원에 적용가능함을 이해할 수 있을 것이다.
도 17a에 도시된 두 필터링 스테이지들은 입력 데이터 벡터들을 병렬로 수신하여 일련의 데이터 벡터들을 병렬로 필터링한다. 가령 필터 요소 H1은 우선 채널특성화(a priori channel charaterization)를 표현하는 정합 필터이도록 선택될 수 있다. 스테이지 H1에 의한 필터링은 정합 필터에 의해 표현되는 조향 벡터를 따라 입력데이터 벡터를 투영한다. 필터 스테이지 H2ms 정합 필터에 의해 표현되지 않는 간섭, 잡음, 왜곡 소스를 표현한다. 필터 요소들은 반복없이 간섭 소스들과 적절하게 정렬되도록 연산된다. 상술한 설명에서, H1 필터 요소는 정합 필터라고 가정된다. 대안으로, 도시되는 스테이지 H1이 적응성 스테이지일 수 있다. 또하나의 대안에서, 도시된 스테이지 H1이 적응성 스테이지일 수 있고 다른 적응성 필터 스테이지들이 도 17a의 선형 필터에 입력되는 신호에 앞서 신호들을 필터링하는 정합 필터 또는 그 외 다른 필터와 함께 연계하여 사용될 수 있다. 이들 모든 조합들은 본원에서 소개된 적응성 멀티스테이지 바이너 필터의 고려 범위 내에 포함된다.
도 17b는 필터 계수 H와 필터 가중치를 적응시키는 데 사용되는 연산을 도시한다. 도 17b에서 ∥(ㆍ)∥으로 표시되는 요소는 벡터량의 연산을 표현한다. 도시되는 바와 같이, 이 연산들의 일부분이 심벌 속도로 실행되고, 이 연산들의 일부분이 업데이트 속도로 실행된다.
도 1a와 도 17a를 비교해보면, 도 17a에서 연산이 단순화됨을 알 수 있다. 즉, 도 1a에서 실행된 데이터 벡터로부터 투영된 값들의 벡터 감산 및 d 추정의 투영이 도 17a에서 실행되지 않는다. 도 1b를 도 17b와 비교해보면, 도 17b에 대한 업데이트 모듈이 도 1b의 업데이트 모듈보다 훨씬 복잡함을 알 수 있다. 업데이트 모듈 내의 복잡도 증가는 업데이트 속도에서만 연산이 실행되어야 함을 요한다.
도 13-17의 적응성 멀티스테이지 바이너 필터는 스테이지 수 N이 데이터 블록 길이 M보다 작은 경우의 구현에 특히 적합하다. 도 13-17 로부터, 그리고 아래의 제 2 실시예에 대한 방정식들로부터, 연산 복잡도가 4DNM + 2D2M + 4DM + 2NM + 3D2N + 2DN + 2D로 표현될 수 있다. 상술한 예의 경우에, 이는 4.472 * 106번의 산술 연산으로서, 도 1의 필터의 복잡도에 비해 58%의 복잡도 감소를 보여준다.
도 18-21에 도시된 발명의 추가적 구현에서, 업데이트 모듈은 데이터 샘플들의 서브세트를 절약하여, 데이터 샘플 서브세트로부터 필터 계수에 대한 비교적 덜빈번한 업데이트를 연산한다. 데이터 샘플 서브세트를 수집하는 데 사용되는 샘플링은 매우 느린 속도로 발생하여, 업데이트 모듈에 의해 실행되는 전체 연산들이 크게 감소한다. 필터 계수들을 업데이트하기 위한 샘플링된 업데이트 전략은 매우 느리게 변하는 채널(데이터의 왜곡 및 붕괴를 일으키는 변화하는 매개변수)을 가정한다. 비교적 덜빈번한 샘플들로부터 연산된 필터 계수들은 새 데이터 샘플이 업데이트 계수를 다시 연산하는 데 사용되기 전에 비교적 긴 시간동안 이용된다. 따라서 멀티스테이지 바이너 필터의 이러한 구현은 다음이 세가지 데이터 연산 속도를 이용한다(선호됨). 즉, 필터링된 데이터를 제공하는 필터의 데이터 속도, 두 번째로, 새 필터 계수들의 연산의 업데이트 속도, 그리고 세 번째로, 업데이트 연산 제공을 위해 데이터 블록의 샘플들을 취하는 샘플링 속도를 이용한다.
발명의 본 태양은 데이터의 샘플만을 이용함으로서 바이너 필터의 적응부에서 연산을 감소시킨다. 이는 데이터 채널과 간섭이 매우 천천히 변화할 때 가능하며, 그래서 한 블록 내 데이터의 서브세트만으로 신뢰할만한 매개변수 추정이 구현될 수 있을 때 가능하다. 샘플 세트가 데이터 블록에 비해 작을 경우에 제 3 선형 필터의 복잡도가 매우 낮음을 알 수 있다. 도 18-21로부터, 그리고 아래 제 3 실시예에 대해 부여된 방정식들로부터, 연산 복잡도가 4DNMx + 2D2Mx + 4DMx + 2NM + 3D2N + 4DN + 2D로 표현될 수 있다. 상술한 예의 경우에, 그리고 데이터 블록 크기에 대한 샘플 세트 크기의 비가 0.1인 경우에, 이는 6.5802 * 105번의 산술 연산으로서, 도 1의 필터의 복잡도에 비해 93%의 복잡도 감소를 보여준다.
도 18-21의 회로는 도 2-17의 회로와 상당히 유사하다. 즉, 도 2-17의 회로와 공통인 회로를 포함한다. 도 18-21에 도시된 적응성 멀티스테이지 바이너 필터는 샘플 (심벌) 데이터 속도로 동작하는 선형 필터 모듈(30)과, 선형 필터 모듈(30)이 동작하는 샘플 데이터 속도보다 느린 업데이트 속도를 포함하는 다수의 속도에서 동작하는 업데이트 모듈(32)을 포함한다. 상술한 바와 같이, 도 18-21의 적응성 멀티스테이지 바이너 필터의 선형 필터 모듈과 업데이트 모듈 간에 연산의 일부를 공유함으로서 추가적인 연산 단순화를 얻을 수 있다.
도 18의 적응성 멀티스테이지 바이너 필터는 데이터 벡터 y의 샘플을 선정하기 위해 제어 회로를 포함하며, 적절한 샘플 데이터 클럭을 제공한다. 도 18-21에 도시된 구현은 요구되는 적응 속도가 매우 낮아서 M이 매우 큰 경우에 적합하다. 그래서 신호 및 채널 매개변수들의 신뢰할만한 통계적 추정치를 연산하는 데 데이터 블록 내 입력 데이터의 한 샘플만이 필요한 경우에 적합하다. 선형 필터 모듈은 입력 데이터 속도로 입력 데이터 벡터 y를 수신하고 샘플 속도로 출력 z를 출력한다. 선형 필터는 업데이트 속도로 업데이트 모듈로부터 업데이트 계수들을 수신하며, 벡터 출력 ε과 데이터 벡터 d를 업데이트 모듈에 데이터 속도로 제공한다. 업데이트 모듈(도 19)은 벡터 y와 d를 데이터 속도로 수신하고 벡터 Φ를 업데이트 속도로 제공한다.
도 18의 업데이트 모듈(32)은 필터 모듈로부터 벡터 d와 ε을 얻는 대신에, 비교적 덜 빈번한 데이터 샘플로부터 벡터 d와 ε을 내부적으로 연산하는 것이 바람직하다. 이 연산 감소는 데이터 속도에 비해 채널 변화가 매우 느린 경우에 구현될 수 있다. 업데이트 연산 방법에서의 변화 때문에, 도 18의 필터는 단순화된 선형 필터 모듈을 이용하는 것이 바람직하다. 선형 필터(30)는 복잡도가 감소된 단일 단순 필터로 선택되는 것이 바람직하다(아래 방정식 및 도 21 참조).
그후 도 18의 필터는 아래와 같이 매우 간단한 선형 필터 연산을 실행한다(도 18 참조).
도 19는 도 18에 도시된 업데이트 모듈(32)을 도시하며, 벡터 d와 ε을 업데이트 모듈이 어떻게 연산하는 지를 도시한다. 데이터 샘플이 내부 선형 필터 모듈(34)에 제공되며, 상기 모듈(34)은 데이터 샘플 벡터 ysample-set로부터 벡터 d와 ε을 연산하고, 업데이트 서브모듈(36)로부터 벡터 H와 ω를 연산한다. 내부 선형 필터 모듈(34)은 벡터 d와 ε의 연산을 위해 샘플 속도 클럭에 의해 트리거링된다. 도18 회로의 선호되는 구현에서, 내부 선형 필터 모듈(34)은 도 18의 회로와 동일한 구조 및 동작을 가진다. 업데이트 서브모듈(36)이 도 20에 도시된 구조를 가지는 것이 바람직하여, 내부 업데이트 모듈(38)과 벡터 Φ 연산 모듈(40)을 포함한다. 내부 업데이트 모듈(38)은 도 15 및 20에 도시된 구조를 가지며, 벡터 Φ 연산 모듈(40)은 도 21에 도시된 구조를 가진다.
여러 회로들이 설명을 통해 기술되고 도시되었다. 이 회로들은 한정 임펄스 응답(FIR)이나 무한 임펄스 응답(IIR) 필터의 형태를 취할 수 있다. 그러나, 다른 구현도 물론 가능하다. 기술되고 도시된 회로는 DSP 내에서, 전용 회로 내에서, 또는 마이크로프로세서나 DSP 코어같은 범용 회로와 전용 회로의 조합 내에서 다양한 방식으로 구현될 수 있다.

Claims (65)

  1. 멀티스테이지 적응성 바이너 필터(a multistage adaptive Wiener filter)를 통해 데이터를 처리하는 방법으로서, 이 방법은,
    - 입력 데이터를 선형 필터 모듈(10)에 제공하고, 이때, 선형 필터 모듈(10)은 유한 세트의 선형 필터 계수들에 의한 특성을 지닌 다수의 필터 스테이지들을 포함하며, 상기 선형 필터 모듈은 제 1 세트의 필터 가중치들에 의한 특성을 지니고, 상기 선형 필터 모듈은 필터 데이터 속도로 입력 데이터를 처리하며, 그리고
    - 한 세트의 필터 매개변수들을 필터 업데이트 속도로 조정하며, 이때, 필터 데이터 속도는 필터 업데이트 속도보다 크며, 따라서, 선형 필터 모듈이 적응성 바이너 필터로 기능하도록 하는
    단계들을 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  2. 제 1 항에 있어서, 상기 조정 단계는 업데이트 모듈(12) 내에서 실행되고, 상기 입력 데이터는 선형 필터 모듈(10)과 업데이트 모듈(12)에 병렬로 제공되는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  3. 제 1 항에 있어서, 필터 매개변수 세트를 조정하는 상기 단계는 입력 데이터의 기취득 세트를 바탕으로 한 통계적 처리를 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  4. 제 3 항에 있어서, 상기 통계적 처리는 입력 데이터와 필터링된 데이터 간의 교차상관을 결정하는 과정을 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  5. 제 3 항에 있어서, 상기 통계적 처리는 입력 데이터 벡터와 필터링된 데이터 벡터 간의 교차 상관을 결정하는 과정을 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  6. 제 4 항에 있어서, 상기 통계적 처리는 입력 데이터의 일련의 샘플들에 대한 교차상관을 증분 방식으로 업데이트하는 과정을 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  7. 제 4 항에 있어서, 상기 통계적 처리는 입력 데이터 샘플들의 기취득 세트로부터 평균 교차 상관을 연산하는 과정을 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  8. 제 7 항에 있어서, 상기 입력 데이터가 다수의 필터 스테이지에 병렬로 제공되는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  9. 제 1 항에 있어서, 필터 업데이트 속도는 필터 데이터 속도를 상수로 나눔으로서 얻어지는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  10. 제 2 항에 있어서, 필터 매개변수들의 상기 세트는 선형 필터 계수들의 제 1 세트와 필터 가중치들의 제 1 세트를 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  11. 제 10 항에 있어서, 업데이트 모듈 부분은 필터 데이터 속도로 동작하고, 업데이트 모듈 부분은 업데이트 속도로 동작하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  12. 제 10 항에 있어서, 업데이트 모듈로부터 업데이트된 선형 필터 계수들을 수신하도록 선형 필터 모듈이 연결되는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  13. 제 10 항에 있어서, 업데이트 모듈로부터 업데이트된 선형 필터 계수들을 수신하도록 선형 필터 모듈이 연결되고, 상기 업데이트 모듈은 업데이트된 선형 필터계수들을 업데이트 데이터 속도로 제공하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  14. 제 13 항에 있어서, 업데이트 모듈이 입력 데이터를 필터 데이터 속도로 수신하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  15. 제 14 항에 있어서, 상기 선형 필터 모듈은 필터링된 데이터를 필터 데이터 속도로 출력하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  16. 제 15 항에 있어서, 선형 필터 모듈로부터 제 1 세트의 필터 가중치들을 수신하여 업데이트된 세트의 필터 가중치들을 선형 필터 모듈에 제공하도록 상기 업데이트 모듈이 연결되는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  17. 제 15 항에 있어서, 상기 세트의 필터 매개변수들을 조정하는 상기 단계는 입력 데이터의 기취득 세트를 바탕으로 한 통계적 처리를 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  18. 제 17 항에 있어서, 상기 통계적 처리는 입력 데이터와 필터링된 데이터 간의 교차상관을 결정하는 과정을 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  19. 제 17 항에 있어서, 상기 통계적 처리는 입력 데이터 벡터와 필터링된 데이터 벡터 간의 교차 상관을 결정하는 과정을 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  20. 제 18 항에 있어서, 상기 통계적 처리는 입력 데이터의 일련의 샘플들에 대한 교차상관을 증분 방식으로 업데이트하는 과정을 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  21. 제 18 항에 있어서, 상기 통계적 처리는 입력 데이터 샘플들의 기취득 세트로부터 평균 교차 상관을 연산하는 과정을 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  22. 제 21 항에 있어서, 상기 입력 데이터가 다수의 필터 스테이지에 병렬로 제공되는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  23. 제 1 항에 있어서, 상기 선형 필터 모듈(10)은 입력 데이터를 필터 데이터 속도로 수신하고, 상기 입력 데이터는 제 1 블록과 제 2 블록으로 구성되는 블록들로 나누어지며, 이때, 상기 제 1 블록은 제 2 블록에 선행하고, 상기 방법은,
    - 제 1 블록으로부터 필터 업데이트 계수들의 제 1 세트를 발생시켜서, 제 1 세트의 필터 업데이트 계수들을 이용하여 제 2 블록으로부터의 입력 데이터를 처리하는
    단계를 추가로 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  24. 제 23 항에 있어서, 상기 제 1 세트의 필터 업데이트 계수들은 입력 데이터를 바탕으로 한 시간 평균을 나타내는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  25. 제 23 항에 있어서,
    - 필터 가중치들의 제 1 세트를 발생시키는
    단계를 추가로 포함하며, 이때, 제 2 블록으로부터의 입력 데이터는 필터 가중치들의 제 1 세트를 이용하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  26. 제 25 항에 있어서, 상기 제 1 세트의 필터 가중치들이 시간 평균에 의해 발생되는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  27. 제 26 항에 있어서, 상기 제 1 세트의 필터 가중치들이 필터 가중치의 기취득 세트를 증분 방식으로 업데이트함으로서 발생되는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  28. 제 1 항에 있어서, 상기 멀티스테이지 적응성 바이너 필터는 파이프라인형 선형 필터 모듈(10)과 업데이트 모듈(12)을 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  29. 제 28 항에 있어서, 다수의 필터 스테이지들이 입력 데이터를 병렬로 수신하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  30. 제 29 항에 있어서, 상기 선형 필터 모듈(10)은 입력 데이터로 심벌들을 필터 데이터 속도로 수신하고, 상기 심벌들은 제 1 블록과 제 2 블록으로 구성되는 블록들로 나누어지며, 제 1 블록은 제 2 블록에 선행하고, 상기 방법은,
    - 제 1 블록으로부터 필터 업데이트 계수들의 제 1 세트를 발생시키고, 그리고 필터 업데이트 계수들의 제 1 세트를 이용하여 제 2 블록으로부터의 심벌들을처리하는
    단계를 추가로 포함하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  31. 제 30 항에 있어서, 업데이트 모듈(12)로부터 업데이트 필터 계수들을 수신하도록 상기 선형 필터 모듈(10)이 연결되고, 상기 업데이트 모듈은 업데이트 필터 계수들을 업데이트 데이터 속도로 제공하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  32. 제 31 항에 있어서, 업데이트 데이터 속도가 심벌이 전송되는 채널의 특성인 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  33. 제 31 항에 있어서, 업데이트 데이터 속도가 심벌이 전송되는 채널의 특성보다 매우 빠르도록 선택되는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  34. 제 31 항에 있어서, 선형 필터 모듈(10)로부터 데이터를 필터 데이터 속도로 수신하도록 업데이트 모듈(12)이 연결되는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  35. 제 31 항에 있어서, 상기 업데이트 모듈(12)이 업데이트 필터 계수들을 시간 평균에 의해 발생시키는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터를 통한 데이터 처리 방법.
  36. 멀티스테이지 적응성 바이너 필터로서, 상기 필터는,
    - 필터 데이터 속도로 동작하면서 채널로부터 심벌들을 수신하는 선형 필터 모듈(10), 그리고
    - 선형 필터 모듈로부터 신호를 수신하여 선형 필터 모듈에 업데이트된 필터 계수들을 제공하도록 연결되는 업데이트 필터 모듈(12)
    을 포함하며, 이때, 상기 업데이트된 필터 계수들은 심벌들이 수신되는 채널의 특성이고, 상기 업데이트 필터 모듈은 업데이트된 필터 계수들을 필터 업데이트 속도로 제공하며, 따라서, 선형 필터 모듈이 적응성 멀티스테이지 바이너 필터로 기능하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터.
  37. 제 36 항에 있어서, 상기 필터 데이터 속도가 필터 업데이트 속도의 10배보다 큰 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터.
  38. 제 37 항에 있어서, 상기 선형 필터 모듈(10)은 입력 데이터로 심벌들을 필터 데이터 속도로 수신하고, 상기 심벌들은 제 1 블록 및 제 2 블록으로 구성되는 블록들로 나누어지며, 제 1 블록이 제 2 블록에 선행하고,
    상기 선형 필터 모듈(10)은 제 1 블록으로부터 필터 업데이트 계수들의 제 1 세트를 발생시켜서 필터 업데이트 계수들의 제 1 세트를 이용하여 제 2 블록으로부터의 심벌들을 필터링하는 것을 특징으로 하는 멀티스테이지 적응성 바이너 필터.
  39. 적응성 멀티스테이지 바이너 필터로서, 상기 필터는,
    - 제 1, 2 선형 필터 요소들로 구성되어 제 1, 2 선형 필터 요소들에 대한 입력에서 공통으로 입력 데이터 세트를 수신하도록 연결되는 선형 필터 모듈(10)로서, 상기 제 1, 2 선형 필터 요소들은 입력 데이터 세트에 대해 개별적인 필터링 동작들을 실행하며, 상기 제 1 선형 필터 요소는 제 1 필터링 데이터를 출력하고, 상기 제 2 선형 필터 요소는 제 2 필터링 데이터를 출력하는, 이러한 선형 필터 모듈,
    - 선형 필터 모듈 내의 한 개 이상의 가중 요소와 한 개 이상의 조합 요소로서, 상기 제 2 선형 필터 요소는 제 2 필터링 데이터를 상기 한 개 이상의 가중 요소에 제공하고, 상기 가중 요소는 가중된 제 2 필터링 데이터를 제공하며, 상기 조합 요소는 가중된 제 2 필터링 데이터 및 제 1 필터링 데이터에 따라 조합된 필터링 데이터를 출력하는, 이러한 가중 요소와 조합 요소, 그리고
    - 상기 제 1, 2 필터 요소들에게 업데이트된 필터 계수들을 제공하도록 선형 필터 모듈에 연결되는 업데이트 모듈로서, 상기 업데이트 모듈은 입력 데이터와 필터링 데이터 간의 상관을 바탕으로 업데이트된 필터 계수들을 결정하고, 이에 따라, 선형 필터 모듈이 적응성 바이너 필터로 기능하는, 이러한 업데이트 모듈
    을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  40. 제 39 항에 있어서, 업데이트 모듈이 업데이트된 필터 계수들을 결정하는 것은 크기를 표준화(normalizing)시킨 입력 데이터와 필터링 데이터 간의 교차 상관을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  41. 제 39 항에 있어서, 상기 업데이트 모듈은 필터링된 데이터의 자동상관을 바탕으로 업데이트된 필터 계수들을 결정하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  42. 제 41 항에 있어서, 상기 바이너 필터는
    - 제 1, 2 선형 필터 요소들과 공통으로 입력에서 입력 데이터를 수신하는 제 3 선형 필터 요소
    를 추가로 포함하며, 상기 제 3 선형 필터 요소는 제 3 필터링 데이터를 출력하며, 선형 필터 모듈의 출력은 제 1, 2, 3 필터링 데이터에 따라 이루어지는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  43. 제 42 항에 있어서, 제 3 선형 필터가 정합 필터인 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  44. 제 42 항에 있어서, 상기 제 3 선형 필터가 적응성이 아닌 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  45. 제 39 항에 있어서, 업데이트 모듈이 업데이트된 필터 계수들을 결정하는 것은 입력 데이터의 기취득 세트를 바탕으로 한 통계적 처리를 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  46. 제 40 항에 있어서, 업데이트 모듈이 업데이트된 필터 계수들을 결정하는 것은 입력 데이터의 기취득 세트를 바탕으로 한 통계적 처리를 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  47. 제 46 항에 있어서, 선형 필터 모듈이 입력 데이터를 수신하는 속도인 데이터 속도보다 느린 업데이트 속도로 상기 업데이트 모듈이 업데이트된 필터 계수들을 제공하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  48. 제 47 항에 있어서, 업데이트 속도가 데이터 속도보다 10배 이상 작은 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  49. 적응성 멀티스테이지 바이너 필터로서, 상기 필터는,
    - 제 1, 2 선형 필터 요소들로 구성되어 제 1, 2 선형 필터 요소들에 대한입력에서 입력 데이터 세트를 수신하도록 연결되는 선형 필터 모듈로서, 상기 제 1, 2 선형 필터 요소들은 동일한 입력 데이터 세트를 수신하고 입력 데이터 세트에 대해 개별적인 필터링 동작들을 실행하며, 상기 제 1 선형 필터 요소는 제 1 필터링 데이터를 출력하고, 상기 제 2 선형 필터 요소는 제 2 필터링 데이터를 출력하는, 이러한 선형 필터 모듈,
    - 선형 필터 모듈 내의 한 개 이상의 가중 요소와 한 개 이상의 조합 요소로서, 상기 제 2 선형 필터 요소는 제 2 필터링 데이터를 상기 한 개 이상의 가중 요소에 제공하고, 상기 가중 요소는 가중된 제 2 필터링 데이터를 출력하며, 상기 조합 요소는 가중된 제 2 필터링 데이터 및 제 1 필터링 데이터에 따라 조합된 필터링 데이터를 출력하는, 이러한 가중 요소와 조합 요소, 그리고
    - 상기 제 1 필터 요소에게 업데이트된 필터 계수들을 제공하도록 선형 필터 모듈에 연결되는 업데이트 모듈로서, 상기 업데이트 모듈은 입력 데이터와 필터링 데이터 간의 상관을 바탕으로 업데이트된 필터 계수들을 결정하고, 이에 따라, 선형 필터 모듈이 적응성 바이너 필터로 기능하는, 이러한 업데이트 모듈
    을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  50. 제 49 항에 있어서, 업데이트 모듈이 업데이트된 필터 계수들을 결정하는 것은 크기를 표준화(normalizing)시킨 입력 데이터와 필터링 데이터 간의 교차 상관을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  51. 제 49 항에 있어서, 상기 업데이트 모듈은 필터링된 데이터의 자동상관을 바탕으로 업데이트된 필터 계수들을 결정하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  52. 제 50 항에 있어서, 업데이트 모듈이 업데이트된 필터 계수들을 결정하는 것은 입력 데이터의 기취득 세트를 바탕으로 한 통계적 처리를 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  53. 제 52 항에 있어서, 상기 통계적 처리는 입력 데이터와 필터링 데이터 간의 교차 상관을 결정하는 과정을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  54. 제 52 항에 있어서, 업데이트 모듈이 업데이트된 필터 계수들을 결정하는 것은 입력 데이터 벡터와 필터링 데이터 벡터 간의 교차 상관을 결정하는 과정을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  55. 제 52 항에 있어서, 상기 통계적 처리는 입력 데이터의 일련의 샘플들에 대한 자동 상관을 증분 방식으로 업데이트하는 과정을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  56. 제 52 항에 있어서, 상기 통계적 처리는 입력 데이터 샘플들의 기취득 세트로부터 평균 교차 상관을 연산하는 과정을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  57. 적응성 멀티스테이지 바이너 필터로서, 상기 필터는,
    - 제 1, 2 입력 데이터를 각각 수신하도록 연결되는 제 1, 2 선형 필터 요소를 구비한 선형 필터 모듈로서, 상기 제 1, 2 선형 필터 요소들은 서로의 필터링 동작들에 대해 독립적으로 개별적인 필터링 동작들을 실행하며, 상기 제 1 선형 필터 요소는 제 1 필터링 데이터를 출력하고, 상기 제 2 선형 필터 요소는 제 2 필터링 데이터를 출력하는, 이러한 선형 필터 모듈,
    - 한 개 이상의 가중 요소와 한 개 이상의 조합 요소로서, 상기 제 2 선형 필터 요소는 제 2 필터링 데이터를 상기 한 개 이상의 가중 요소에 제공하고, 상기 가중 요소는 가중된 제 2 필터링 데이터를 출력하며, 상기 조합 요소는 가중된 제 2 필터링 데이터 및 제 1 필터링 데이터에 따라 조합된 필터링 데이터를 출력하는, 이러한 가중 요소와 조합 요소, 그리고
    - 상기 제 1 필터 요소에게 업데이트된 필터 계수들을 제공하도록 선형 필터 모듈에 연결되는 업데이트 모듈로서, 상기 업데이트 모듈은 입력 데이터와 필터링 데이터 간의 상관을 바탕으로 업데이트된 필터 계수들을 결정하고, 이에 따라, 선형 필터 모듈이 적응성 바이너 필터로 기능하는, 이러한 업데이트 모듈
    을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  58. 제 57 항에 있어서, 업데이트 모듈이 업데이트된 필터 계수들을 결정하는 것은, 크기가 표준화된 입력 데이터와 필터링 데이터 간의 교차 상관을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  59. 제 57 항에 있어서, 업데이트 모듈이 업데이트된 필터 계수들을 결정하는 것은 입력 데이터와 필터링 데이터의 교차 상관과, 필터링 데이터의 자동상관을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  60. 제 59 항에 있어서, 업데이트 모듈이 업데이트된 필터 계수들을 결정하는 것은, 입력 데이터의 기취득 세트를 바탕으로 한 통계적 처리를 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  61. 제 60 항에 있어서, 상기 통계적 처리는 입력 데이터와 필터링 데이터 간의 교차 상관을 결정하는 과정을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  62. 제 60 항에 있어서, 상기 통계적 처리는 입력 데이터 벡터와 필터링 데이터 벡터 간의 교차 상관을 결정하는 과정을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  63. 제 60 항에 있어서, 상기 통계적 처리는 입력 데이터의 일련의 샘플들에 대한 교차 상관을 증분 방식으로 업데이트하는 과정을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  64. 제 60 항에 있어서, 상기 통계적 처리는 입력 데이터 샘플들의 기취득 세트로부터 평균 교차 상관을 연산하는 과정을 포함하는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
  65. 제 60 항에 있어서, 상기 제 1, 2 입력 데이터 각각이 공통 입력 데이터 세트로 구성되는 것을 특징으로 하는 적응성 멀티스테이지 바이너 필터.
KR1020047015745A 2002-04-04 2003-04-02 적응성 멀티스테이지 바이너 필터 KR100959965B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US37002102P 2002-04-04 2002-04-04
US60/370,021 2002-04-04
US10/348,670 US7181085B1 (en) 2002-04-04 2003-01-21 Adaptive multistage wiener filter
US10/348,670 2003-01-21
PCT/US2003/010180 WO2003085830A1 (en) 2002-04-04 2003-04-02 Adaptive multistage wiener filter

Publications (2)

Publication Number Publication Date
KR20040108698A true KR20040108698A (ko) 2004-12-24
KR100959965B1 KR100959965B1 (ko) 2010-05-27

Family

ID=28794290

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020047015745A KR100959965B1 (ko) 2002-04-04 2003-04-02 적응성 멀티스테이지 바이너 필터

Country Status (7)

Country Link
US (2) US7181085B1 (ko)
EP (1) EP1490967A1 (ko)
JP (1) JP2005522136A (ko)
KR (1) KR100959965B1 (ko)
CN (1) CN1659782B (ko)
AU (1) AU2003228428A1 (ko)
WO (1) WO2003085830A1 (ko)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7181085B1 (en) 2002-04-04 2007-02-20 Acorn Technologies, Inc. Adaptive multistage wiener filter
DE10350700A1 (de) * 2002-10-31 2004-05-19 Imra Europe S.A.S. Verbesserungen beim Unterdrücken von Störungen für drahtlosen Empfang und Verbesserungen bei der Verarbeitung eines Frequenzumtastungssignals
US7599426B2 (en) * 2004-07-19 2009-10-06 Acorn Technologies, Inc. Use of adaptive filters in multiple access wireless systems employing predictable signals
US7941099B2 (en) * 2004-07-19 2011-05-10 Nxp B.V. SIR estimation techniques
EP1790991B1 (en) * 2005-11-28 2011-11-16 Kabushiki Kaisha Toshiba Data processing system and data processing method involving a Wiener filter
US8259854B2 (en) * 2006-04-13 2012-09-04 St-Ericsson Sa Channel estimation using common and dedicated pilots
US20090122853A1 (en) * 2007-11-12 2009-05-14 Acorn Technologies, Inc. Channel tracking methods for subspace equalizers
US8386549B1 (en) * 2008-03-04 2013-02-26 Acorn Technologies, Inc. Reduced complexity adaptive multistage wiener filter
US7700416B1 (en) 2008-04-25 2010-04-20 Acorn Technologies, Inc. Tensile strained semiconductor on insulator using elastic edge relaxation and a sacrificial stressor layer
US8625681B2 (en) * 2008-07-09 2014-01-07 Intel Corporation Rate-distortion cost reducing video encoding techniques
US7851325B1 (en) 2008-09-12 2010-12-14 Acorn Technologies, Inc. Strained semiconductor using elastic edge relaxation, a buried stressor layer and a sacrificial stressor layer
US8346006B1 (en) * 2008-09-17 2013-01-01 Adobe Systems Incorporated Real time auto-tagging system
US9059201B2 (en) 2010-04-28 2015-06-16 Acorn Technologies, Inc. Transistor with longitudinal strain in channel induced by buried stressor relaxed by implantation
JP5574816B2 (ja) * 2010-05-14 2014-08-20 キヤノン株式会社 データ処理装置及びデータ処理方法
US8717463B2 (en) * 2010-08-11 2014-05-06 Inview Technology Corporation Adaptively filtering compressive imaging measurements to attenuate noise
US8630356B2 (en) * 2011-01-04 2014-01-14 The Chinese University Of Hong Kong High performance loop filters in video compression
US20130308771A1 (en) * 2011-02-03 2013-11-21 Dsp Group Ltd Method and apparatus for hierarchical adaptive filter
CN104614711A (zh) * 2014-12-08 2015-05-13 广西大学 一种基于联合距离维的杂波抑制方法和装置
JP6635674B2 (ja) * 2015-05-11 2020-01-29 キヤノン株式会社 計測装置、計測方法およびプログラム
CN110827206B (zh) * 2018-08-14 2024-05-28 钰创科技股份有限公司 过滤信号的数位滤波器
CN112683535B (zh) * 2021-01-14 2022-04-12 大连理工大学 基于多阶段维纳过程的轴承寿命预测方法
CN117579034B (zh) * 2023-11-28 2024-08-06 汉威科技集团股份有限公司 一种软硬件结合的滤波方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5526446A (en) * 1991-09-24 1996-06-11 Massachusetts Institute Of Technology Noise reduction system
US5535150A (en) * 1993-04-20 1996-07-09 Massachusetts Institute Of Technology Single chip adaptive filter utilizing updatable weighting techniques
US5734598A (en) 1994-12-28 1998-03-31 Quantum Corporation Low power filter coefficient adaptation circuit for digital adaptive filter
US5844627A (en) * 1995-09-11 1998-12-01 Minerya System, Inc. Structure and method for reducing spatial noise
US6341180B1 (en) * 1997-12-18 2002-01-22 Cellavision Ab Image content autofocus for microscopy using a noise-insensitive focus filter
US6175588B1 (en) 1997-12-30 2001-01-16 Motorola, Inc. Communication device and method for interference suppression using adaptive equalization in a spread spectrum communication system
FI112831B (fi) 1999-04-28 2004-01-15 Nokia Corp Menetelmä kanavaestimaatin muodostamiseksi ja vastaanotin
US7120657B2 (en) 2000-08-29 2006-10-10 Science Applications International Corporation System and method for adaptive filtering
US7072523B2 (en) * 2000-09-01 2006-07-04 Lenovo (Singapore) Pte. Ltd. System and method for fingerprint image enhancement using partitioned least-squared filters
WO2002031815A1 (en) 2000-10-13 2002-04-18 Science Applications International Corporation System and method for linear prediction
US7061970B2 (en) 2000-11-14 2006-06-13 Irving Reed Self-synchronizing adaptive multistage receiver for wireless communication systems
US7072921B2 (en) * 2000-12-20 2006-07-04 Samsung Electronics Co., Ltd. Device for determining the rank of a sample, an apparatus for determining the rank of a plurality of samples, and the ith rank ordered filter
US20020191568A1 (en) 2001-03-29 2002-12-19 Koninklijke Philips Electronics N.V. Adaptive chip equalizers for synchronous DS-CDMA systems with pilot sequences
US7085426B2 (en) * 2001-10-15 2006-08-01 Jonas August Volterra filters for enhancement of contours in images
US7181085B1 (en) 2002-04-04 2007-02-20 Acorn Technologies, Inc. Adaptive multistage wiener filter
US6744749B2 (en) 2002-06-05 2004-06-01 Qualcomm, Incorporated Method and apparatus for pilot estimation using a wiener filter
US7228005B1 (en) * 2002-06-17 2007-06-05 National Security Technologies, Llc Adaptive wiener image restoration kernel

Also Published As

Publication number Publication date
EP1490967A1 (en) 2004-12-29
US20070116374A1 (en) 2007-05-24
WO2003085830A1 (en) 2003-10-16
US7356196B2 (en) 2008-04-08
CN1659782B (zh) 2011-06-22
US7181085B1 (en) 2007-02-20
AU2003228428A1 (en) 2003-10-20
JP2005522136A (ja) 2005-07-21
KR100959965B1 (ko) 2010-05-27
CN1659782A (zh) 2005-08-24

Similar Documents

Publication Publication Date Title
KR100959965B1 (ko) 적응성 멀티스테이지 바이너 필터
US20040071207A1 (en) Adaptive filter
US6956897B1 (en) Reduced rank adaptive filter
WO2004070958A2 (en) Sub-symbol parallel interference cancellation
US7680266B2 (en) System and method for adaptive reduced-rank parameter estimation using an adaptive decimation and interpolation scheme
EP1906530A1 (en) Adaptive digital filter, fm receiver, signal processing method, and program
JP2002204175A (ja) ノイズ除去の方法及び装置
WO2008063183A2 (en) Multi-channel communication method and apparatus using plural markov chain monte carlo simulations
US7630433B2 (en) Channel estimation enhanced LMS equalizer
EP1665517B1 (en) Method and apparatus for reducing interference within a communication system
TWI363567B (en) Apparatus and method arranged to analyse a signal comprising a series of symbols
WO2009064653A1 (en) Subspace equalizers with channel tracking
CN101216552B (zh) 一种相位差估计方法及装置
JP3235774B2 (ja) アダプティブ・アレー受信機
US7130342B2 (en) Wireless receiver and method employing forward/backward recursive covariance based filter coefficient generation
WO2002017488A1 (en) Partitioned block frequency domain adaptive filter
JP2003536317A (ja) 干渉の影響を減少する方法及び受信器
US8386549B1 (en) Reduced complexity adaptive multistage wiener filter
Reddy et al. Application of Wiener Filter Making Signals Orthogonal
EP2165421B1 (en) Efficient covariance computation by table lookup
Ozen et al. Approximate best linear unbiased channel estimation for frequency selective multipath channels with long delay spreads
JP3180240B2 (ja) 適応等化器
US20070041439A1 (en) Filtering method and an apparatus
KR100354899B1 (ko) 간섭신호 억제를 위한 범용 후처리기
de Waele et al. Modeling radar data with time series models

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20130419

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee