Learning characteristics of a new adaptive line spectral pair filter

Abstract

This paper describes the performance and learning characteristics of the continuously adaptive line spectral pair form for prediction error filtering. A least-mean-square (LMS) type adaptive algorithm which directly calculates the line spectral pair coefficients on a sample-by-sample basis is developed. The algorithm proposed here is shown to have higher convergence rate and lower misadjustment as compared to other algorithms reported previously. Die Leistungsfähigkeit und das Lernverhalten des kontinuierlich adaptierten Prädiktions-Fehlerfilters in der LSP-Form (‘line spetral pairs’) werden beschrieben. Es wird ein adaptiver Algorithmus vom LMS-Typ entwickelt, der unmittelbar die LSP-Koeffizienten abtastwertweise berechnet. Es wird gezeigt, daβ der hier vorgeschlagene Algorithmus eine höhere Konvergenzgeschwindigkeit und einen kleineren Restfehler aufweist als andere, früher vorgestellte Verfahren. Nous décrivons dans cet article les performances et les caractéristiques d'apprentissage de la forme adaptative en continu de l'algorithme ‘paire de lignes spectrales’ (en anglais line spectral pair) pour le filtrage à erreur de prédiction. Nous développons un algorithme adaptatif de type LMS qui calcule directement les coefficients de la paire spectrale échantillon par échantillon. Nous montrons que l'algorithme proposé à un taux de convergence plus élevé et une erreur d'adjustement plus faible que d'autres algorithmes proposés précèdemment.