Modelado de filtros IIR usando un algoritmo inspirado en el electromagnetismo *

ResumenEl filtraje de respuesta infinita al impulso (IIR) provee un enfoque poderoso para la solución de una variedad de problemas. Sin embargo, su diseño representa una tarea compleja, ya que su superficie de error es multi-modal con respecto a los coeficientes del filtro. Este hecho imposibilita la utilización de métodos iterativos de optimización. Para resolver este problema, se requiere la utilización de técnicas de optimización global que eviten quedar atrapados en mínimos locales. En este artículo se propone un método de identificación y modelado de filtros IIR basado en el enfoque con capacidades de optimización global llamado: Electromagnetism-Like Optimization Algorithm (EMO). EMO es un método heurístico que emplea los principios de la teoría del electromagnetismo para la definición de operadores evolutivos. En el algoritmo, las soluciones son construidas considerando la atracción y repulsión electromagnética entre las partículas cargadas; en donde la carga representa la afinidad que tiene cada partícula con la solución. Resultados de simulación demuestran que el enfoque propuesto tiene una mejor precisión y convergencia que los obtenidos por métodos reportados en la literatura para desempeñar la misma tarea.

Infinite-impulse-response (IIR) filtering provides a powerful approach for solving a variety of problems. However, its design represents a very complicated task, since the error surface of IIR filters is generally multimodal, global optimization techniques are required in order to avoid local minima. In this paper, a new method based on the Electromagnetism-Like Optimization Algorithm (EMO) is proposed for IIR filter modeling. EMO originates from the electro-magnetism theory of physics by assuming potential solutions as electrically charged particles which spread around the solution space. The charge of each particle depends on its objective function value. This algorithm employs a collective attraction-repulsion mechanism to move the particles towards optimality. The experimental results confirm the high performance of the proposed method in solving various benchmark identification problems.