تصميم المرشحات بالجبر الخطي

مرشح FIR كضرب مصفوفة-متجه

يحسب مرشح الاستجابة المنتهية (FIR) ذو M معامل — h = [h₀, h₁, ..., h_{M−1}] — كل عينة مخرج كمجموع موزون لأحدث M عينة مدخل. لكتلة من N عينة مدخل محصورة في متجه x، يُنتَج متجه المخرج بأكمله y بواسطة حاصل ضرب المصفوفة-متجه y = Hx، حيث H هي مصفوفة الالتفاف تيبليتز.

هذا المنظور المصفوفي يُعيد صياغة تصميم المرشح كسؤال: أي مصفوفة H — أي متجه معاملات h — ينتج أفضل مخرج؟ تعريف "الأفضل" يعتمد على المعيار المختار. المعيار الأكثر قابلية للتحليل والأوسع استخدامًا هو المربعات الصغرى: تصغير مجموع مربعات الفروقات بين المخرج الفعلي والمخرج المطلوب.

لماذا الجبر الخطي؟

بمجرد تمثيل المرشح كمصفوفة، يمكن توظيف آليات الجبر الخطي بأسرها — الإسقاطات والتعامد والتحليلات الطيفية — في تصميم المرشحات. تظهر المرشحات المثلى كحلول لأنظمة خطية، لا كوصفات تصميمية تعسفية.

تحديد ما نريده: الاستجابة المطلوبة

في تصميم المرشحات الخاضع للإشراف، تتوفر لدينا إشارة مطلوبة d[n] — ما ينبغي أن يكون عليه المخرج مثاليًا — وإشارة مدخل x[n]. لكل فهرس زمني n، نُكدّس M عينة مدخل ماضية في متجه الانحدار:

متجه الانحدار

\mathbf{x}[n] = [x[n],\, x[n-1],\, \ldots,\, x[n-M+1]]^T \in \mathbb{R}^M

متجه الانحدار x[n] هو النافذة المنزلقة من M عينة مدخل ماضية عند الزمن n. مخرج المرشح هو الضرب الداخلي y[n] = hᵀx[n]، حيث h متجه المعاملات. تجميع جميع N متجهات انحدار كصفوف في المصفوفة X يعطي المسألة الشاملة: y = Xh.

بتجميع N زوجًا من متجهات الانحدار والعينات المطلوبة في المصفوفة X (بأبعاد N×M) والمتجه d (بحجم N×1)، الهدف هو إيجاد متجه المعاملات h الذي يجعل Xh أقرب ما يمكن لـ d بمعنى المربعات الصغرى.

تصميم المرشح بالمربعات الصغرى

تصغّر مسألة المربعات الصغرى مجموع الأخطاء المربعة الكلي بين مخرج المرشح والإشارة المطلوبة عبر N عينة:

معيار المربعات الصغرى

J(\mathbf{h}) = \|\mathbf{d} - X\mathbf{h}\|^2 = \sum_{n=0}^{N-1}\bigl(d[n] - \mathbf{h}^T\mathbf{x}[n]\bigr)^2

دالة التكلفة J(h) دالة تربيعية في h (قطع مكافئ في الفضاء M-البعدي)، لذا لها حد أدنى شامل فريد عندما تكون XᵀX قابلة للعكس — وهو ما يستلزم N ≥ M وإشارات مدخل غنية بما يكفي.

يعطي ضبط التدرج ∂J/∂h = 0 المعادلات القياسية — سمة مسائل المربعات الصغرى. هذه M معادلة خطية في M مجهول، بمصفوفة معاملات شبه موجبة التحديد.

المعادلات القياسية

(X^T X)\,\mathbf{h}^* = X^T \mathbf{d}

XᵀX هي مصفوفة الارتباط الذاتي التجريبية (غرام) بأبعاد M×M، وXᵀd هو متجه الارتباط التقاطعي بحجم M×1. الحل h* = (XᵀX)⁻¹Xᵀd هو مرشح المربعات الصغرى — الإسقاط العمودي لـ d على الفضاء العمودي لـ X.

التفسير الهندسي

يُسقط حل المربعات الصغرى المتجه المطلوب d على الفضاء الجزئي الممتد بأعمدة X (مجموعة جميع مخرجات المرشح الممكنة). متجه الخطأ d − Xh* متعامد مع كل عمود من أعمدة X — السمة المميزة للإسقاط العمودي.

مرشح وينر: الأمثل من حيث متوسط مربع الخطأ

عند نمذجة الإشارات كعمليات عشوائية ثابتة، يُصغّر المرشح الأمثل متوسط مربع الخطأ (MSE) E[|d[n] − y[n]|²]. أخذ القيم المتوقعة يستبدل المصفوفات التجريبية بنظيراتها الإحصائية:

R = E[x[n]xᵀ[n]] — مصفوفة الارتباط الذاتي للمدخل بأبعاد M×M
p = E[d[n]x[n]] — متجه الارتباط التقاطعي بين الإشارة المطلوبة والمدخل بحجم M×1

يستوفي المرشح الأمثل من حيث MSE معادلة وينر-هوبف:

معادلة وينر-هوبف

R\,\mathbf{h}_{\mathrm{opt}} = \mathbf{p}\quad\Longrightarrow\quad \mathbf{h}_{\mathrm{opt}} = R^{-1}\mathbf{p}

R مصفوفة تيبليتز موجبة التحديد متماثلة (لثبات المدخل). يمكن استغلال بنيتها التيبليتزية بواسطة خوارزمية ليفينسون-دوربن لحل h_opt في O(M²) عملية بدلًا من O(M³) للحذف الغاوسي العام. أدنى MSE ممكن هو ξ_min = σ_d² − pᵀh_opt، حيث σ_d² = E[d²[n]].

مرشح وينر هو النظير الإحصائي لمرشح المربعات الصغرى — يتطابقان في حد N الكبير. عمليًا، الإحصاءات الحقيقية R و p مجهولة وتحتاج إلى تقدير من البيانات، مما يُنتج مرشح وينر العيني (المدفوع بالبيانات).

البنية الذاتية لمصفوفة الارتباط الذاتي

لأن R موجبة التحديد متماثلة، تقبل التحليل الطيفي R = QΛQᵀ. المتجهات الذاتية Q هي الاتجاهات الرئيسية لتوزيع قدرة إشارة المدخل، والقيم الذاتية λ₁ ≥ λ₂ ≥ ... ≥ λ_M > 0 هي القدرات في تلك الاتجاهات. يمكن التعبير عن حل مرشح وينر في القاعدة الذاتية كما يلي:

مرشح وينر في القاعدة الذاتية

\mathbf{h}_{\mathrm{opt}} = \sum_{k=1}^{M} \frac{\mathbf{q}_k^T \mathbf{p}}{\lambda_k}\,\mathbf{q}_k

في القاعدة الذاتية، يُقيّس كل مركّب من مركّبات مرشح وينر إسقاط p على المتجه الذاتي k بمقدار 1/λₖ. المتجهات الذاتية ذات القيم الذاتية الصغيرة (قدرة مدخل منخفضة) تُنتج مركّبات كبيرة في h_opt، مما يجعل المرشح حساسًا لضوضاء التقدير — مسألة "سوء التهيئة" الداعية إلى التنظيم.

المرشحات التكيفية: LMS و RLS

عمليًا، تتغير إحصاءات الإشارة بمرور الوقت (عدم الثبات)، أو قد تكون البيانات المتاحة غير كافية لتقدير R و p بموثوقية. تُحدّث المرشحات التكيفية معاملاتها عبر الإنترنت، متتبعةً الإحصاءات المتغيرة دون الحاجة إلى تخزين مصفوفات كبيرة أو عكسها.

الوسط التربيعي الأصغر (LMS)

تُقرّب خوارزمية LMS تدرج تكلفة MSE بتقدير آني، مستخدمةً زوجًا واحدًا (مدخل-خطأ) لتحديث h:

قاعدة تحديث LMS

\mathbf{h}[n+1] = \mathbf{h}[n] + \mu\, e[n]\,\mathbf{x}[n]

e[n] = d[n] − hᵀ[n]x[n] هو الخطأ اللحظي. μ هو حجم الخطوة (معدل التعلم). تكلفة كل تحديث O(M) فحسب — لا عكس مصفوفات. تقارب LMS بالمتوسط إذا كان 0 < μ < 2/λ_max. يحدد رقم التكييف κ(R) = λ_max/λ_min سرعة التقارب: R سيئة التهيئة تعني تقارب LMS بطيء.

المربعات الصغرى العودية (RLS)

تُصغّر RLS المجموع الموزون لجميع الأخطاء المربعة الماضية، مُحدِّثةً مصفوفة الارتباط الذاتي العكسية P = (XᵀX)⁻¹ بصورة عودية باستخدام نظرية عكس المصفوفة (صيغة شيرمان-موريسون-وودبري). تتقارب RLS في M خطوة تمامًا (في الحساب الدقيق) وتتتبع عدم الثبات بشكل أسرع بكثير من LMS، بتكلفة O(M²) لكل تحديث عوضًا عن O(M).

تشكيل الحزمة كمسألة جبر خطي

تستقبل مصفوفة مؤلفة من K هوائي نفس الإشارة من الاتجاه θ، كل منها بإزاحة طور مختلفة. المتجه المُستقبَل عند الزمن n هو z[n] = a(θ)s[n] + n[n]، حيث a(θ) هو متجه التوجيه (استجابة المصفوفة لإشارة من الاتجاه θ)، وs[n] الإشارة المطلوبة، وn[n] الضوضاء والتداخل.

يُطبّق مُشكّل الحزمة متجه الأوزان w على مخرج مصفوفة الهوائيات: y[n] = wᴴz[n]. الهدف اختيار w بحيث تمر الإشارة من الاتجاه θ₀ مع كبت الضوضاء والتداخل من الاتجاهات الأخرى.

مُشكّل حزمة MVDR

\min_{\mathbf{w}}\; \mathbf{w}^H R_z \mathbf{w} \quad \text{subject to} \quad \mathbf{w}^H \mathbf{a}(\theta_0) = 1

يُصغّر مُشكّل حزمة MVDR (الحد الأدنى من التباين ذو الاستجابة الخالية من التشويه) قدرة المخرج (الضوضاء + التداخل) مع الحفاظ على كسب وحدي في اتجاه النظر. الحل هو w_opt = R_z⁻¹a / (aᴴR_z⁻¹a)، حيث R_z = E[zzᴴ] هي مصفوفة التباين المشترك للمصفوفة. يستلزم هذا عكس مصفوفة K×K — عملية جبر خطي أساسية.

إذن تشكيل الحزمة هو مسألة مربعات صغرى مقيّدة: تصغير النموذج التربيعي wᴴR_zw مع القيد الخطي wᴴa = 1. يتبع الحل مباشرة من مضاعفات لاغرانج وعكس المصفوفة — تطبيق رائع للجبر الخطي الذي أسسناه عبر هذه الدورة.

أهم النقاط

مرشحات FIR حاصل ضرب مصفوفة تيبليتز-متجه؛ تصميمها بشكل مثلى يعني حل مسألة مربعات صغرى عبر المعادلات القياسية (XᵀX)h = Xᵀd. النظير الإحصائي هو مرشح وينر، تعطيه معادلة وينر-هوبف Rh = p، حيث R مصفوفة الارتباط الذاتي للمدخل و p الارتباط التقاطعي مع الإشارة المطلوبة. تحكم البنية الذاتية لـ R أداء المرشح وتهيئته. تتتبع الخوارزميات التكيفية (LMS وRLS) الإحصاءات المتغيرة عبر الإنترنت: LMS بتقريب التدرج بتكلفة O(M)؛ وRLS باستخدام نظرية عكس المصفوفة بتكلفة O(M²) لتحديثات المربعات الصغرى الدقيقة. تشكيل الحزمة هو تحسين تربيعي مقيّد على أوزان الهوائيات، قابل للحل بعكس مصفوفة واحد — مُشكّل حزمة MVDR.