TAPDS 2013 - Curs 4 - 390

3.
TEORIA FILTRRII LIIARE OPTIMALE

3.1 CRITERIUL DE OPTIMIZARE
x(n) y(n) d(n)
e(n)
_
+
H(z)
e(n)
Se cunoate semnalul staionar n sens larg, de medie nul

+ ,

Semnal util Perturbaie

Dorim un filtru care s extrag semnalul util.

x(n) y(n) d(n)
e(n)
_
+
H(z)
( ) 1 , ... , 1 , 0 ,
*
= = n w n h
n

( ) ( )( ) ( ) ,.... 1 , 0 ,
1
0
*
= = =

=
n k n x w n x h n y

k
k

i
( ) ( ) ( )
=
=
1
0
*
k
k
k n x w n d n e


x(n) y(n) d(n)
e(n)
_
+
H(z)
Cu notaiile
( ) ( ) ( ) | |
T
n x n x n 1 ,..., + = x ;

| | ; ,..., ,
1 1 0
T
w w w

= w

=

Funcie cost: eroarea medie ptratic

=
2
( ) { } ( ) ( ) { } n e n e n e J
*
2
E E = =
= +
2
(puterea semnalului dorit)

= (matricea de autocorelaie)

= (vectorul corelaiei ntre semnalul de

intrare i semnalul dorit)

| | ; ) 1 ( ),..., 1 ( ), 0 (
T
xd xd xd
r r r + = p
=

Rw w w p p w
H H H
d
J + =
2

3.2 ECUAIILE WIEER-HOPF
J - funcie de gradul doi de variabilele complexe
w
k
=a
k
+jb
k
, k=0,...,-1.
min
J J
=
w
0
J - gradientul complex,
, ,...,
T
J J J
J
(

= =
(

w
0
0 1 1
, ,...,
J
w w w

= =
(

w
0
1 1
-j ; +j
2 2
i i i i i i
J J J J J J
w a b w a b
| | | |

= =
| |

\ \

Minimizarea unei funcii reale de un vector complex
Fie o funcie ,
:
2
. Condiia necesar pentru ca funcia s aib un
minim n z este ca gradientul complex s se anuleze
z
,
= .
Prin definiie
, ,...,
T
f f f
f
z z z

(

=
(

z
*
0 1 1
0 1 1
, ,...,
T
z z z
f f f
f
z z z

(

(

=
(

(

z

1 1
j , j ,
2 2
i
i i i
i i i i i
f f f f f f
z a jb
z a b z a b
| | | |

= = + = +
| |

\ \
Exemple
( )
( )
1
j 1
2
1
j 0
2
i
i
i i
i i i
i
i i
i i
z
a jb
z a b
z
a jb
z a b
| |

= + =
|

\
| |

= + + =
|

\

( )
2
1
j 0
2
i
i
i i
i i
i i i
z a b
z
a jb
z a b
| |

= =
|

\

*
;
= =
z
z
z 0 z 0

Observaie z i z
*
sunt tratate ca dou variabile distincte.
Gradientul n raport z al unei cantiti ce nu depinde de z este nul.
H
=
H
=
( ) ( )
1 1
0 0
1
-j
2
l l

l l l l i
l l
i i i
p a jb p a jb p
z a b

= =
| |

+ = + =
` |

)
\

( ) ( )
1 1
0 0
1
+j 0
2
l l

l l l l
l l
i i i
p a jb p a jb
z a b

= =
| |

+ = + =
` |

)
\

H
=
z
H
=
H
=
H
=

Pentru ca punctual staionar respective s fie punct de extrem, hessianul

2

> 0
< 0

unde semnul de inegalitate semnific pozitiv semidefinit,
respectiv negativ semidefinit.
{ }
( ) ( ) ( ) ( )
( )
1 1
*
k k
0 0
1
j jb jb
2
H H
i

k xd k xd
k k
i i
xd
w
a r k a r k
a b
r i

= =
+ =
| |

= + + + =
` |

)
\
=

w p p w
( )
xd
r i =
{ }
H H
+ = w p p w p
{ }
( ) ( ) ( )
1 1
k
1
j jb j
2
i
H

k l l xx
w
a a b r l k
a b

= =
| |

= + + =
` |

)
\

w Rw
( )
k
0 0
1
0
2
k l l xx
k l
i i
l xx
l
a b
wr l i
= =
=
` |

)
\
=
{ }
;
H
= w Rw Rw
J = + = p Rw 0
Hessianul transformrii:
( ) ( )
2
J

= = = + =
ww
w w
w
H p Rw R

Este pozitiv semidefinit, J(w) reprezint o suprafa de forma unui paraboloid avnd
un minim J
min
pentru w=w
o
care anuleaz gradientul

p Rw =
o

p R p w p p w w p p w
Rw w w p p w
1 2 2 2
2
min
= = + =
= + =
H
d o
H
d
H
o o
H H
o d
o
H
o o
H H
o d
J

p Rw =
o

( )
=
= =
1
0
,
1 ,..., 0 ), (
l
xd xx l o
i i r i l r w

3.3 PRICIPIUL ORTOGOALITII
Pentru filtrul optim:
( ) ( ) n n y
H
o o
x w =
( ) ( ) ( ) n n d n e
H
o o
x w =
( ) ( ) { } ( ) ( ) { } ( ) ( ) { }
* *
E E E
H
o o o
n e n n d n n n = x x x x w

( ) ( ) { }
*
E
o o
n e n = = x p Rw 0

eroarea este ortogonal pe eantioanele intrrii.

( ) ( ) { } 0 x = n e n
o
*
E
( ) ( ) { } 1 ,..., 0 , 0 E
*
= = k n e k n x
o

3.3 PRICIPIUL ORTOGOALITII

ieirea y
o
(n) i eroarea e
o
(n) corespunztoare sunt ortogonale

x(n)
x(n-1)
x(n--1)
( ) ( ) { } 0 E
*
= n e n y
o o

z
-1
z
-1
z
-1
x(n)
x(n-1)
x(n--1)
1 , o
w
2 , o
w
2 , o
w
1 , o
w
( ) n y
o

0 , o
w
4. PREDICIA LIIAR
4.1 Predicia nainte (direct)
x(n) y(n)
d(n)
e(n)
_
+
H(z)
x(n-1)

x(n) un proces aleator staionar cu valoare medie nul.
Se cunosc N eantioane anterioare Se cunosc N eantioane anterioare
( ) ( ) ( )
1
,..., 2 , 1

n
X n x n x n x
Pe baza lor se dorete o estimare a lui :
( ) ( ) ( ), 1
1
*
1
=
k
H
k n
n k n x w = X n x x w
( ) ( ) ( ) ( ) | | | |
T
T
w w w n x n x n x n ,..., , , ,..., 2 , 1 1
2 1
= = w x

eroarea de predicie:
( ) ( ) ( )
1

=
n
f
X n x n x n e

Puterea erorii de predicie: Puterea erorii de predicie:
( ) . E
2
)
`
= n e P
f

Analogii cu problema filtrrii optimale:
( ) ( ) n x n d
( ) ( ) 1 n n x x
( ) ( ) n e n e
f
( ) ( ) n e n e

P J
min

( ) ( ) { } R x x R = 1 1 E n n
H

( ) ( ) { } ( ) ( ) ( ) | |
T
xx xx xx
r r r n x n = = ,..., 2 , 1 1 E
*
x r p
( ) { } ( ) 0 E
2
2
2
xx x d
r n x = = =

Se pot prelua direct urmtoarele rezultate:
- ecuaia Wiener-Hopf (ecuaia normal)

r R w r Rw
1
sau

= =
o o

- principiul ortogonalitii

( ) ( ) { } ( ) ( ) { } 0 E 1 E
*
1
*
= =

n e X n x n e n
f
n
f
0 x

- Expresia puterii erorii de predicie, n cazul coeficienilor optimi,

( ) ( )
o
H
o
H
xx o
H
x
r r P w r w r w r = = = 0 0
2

Filtrul predictor:
z
-1
z
-1
z
-1
x(n) x(n-1) x(n-N)
1
w
2
w

1
w

w

( )
1
n
X n x
Filtrul erorii de predicie inainte

= =
= =

k
k
k k o
f
k n x a k n x w n x n e
1 0
,
*
,
) ( ) ( ) ( ) (
unde
=
=
=
k w
k
a
k
,..., 1 ,
0 , 1
* ,

=
=
k w
a
k o
k
,..., 1 ,
*
,
,

z
-1
z
-1
z
-1
x(n) x(n-1) x(n-)
1 ,
a
1 ,
a

a
,

) (n e
f

1
0 ,
=
a

Ecuaiile Wiener-Hopf extinse:

0
o
= r Rw

( )
0
H
o
r P = r w

(
=
(
0 w
R r
r

o
H
P
r
1
) 0 (


(
=
(
0 w
R r
r

o
H
P
r
1
) 0 (

Sau

(
=
+
0
*
1

P
a R
unde
(
=
*
1
o
w
a
i R
N+1
este matricea de autocorelaie extins, de dimensiuni (+1)x(+1)

4.2. PREDICIA APOI (IVERS)
Se cunosc:
( ) ( ) ( )
n
X n x n x n x + 1 , , 1 ,

Se dorete un estimat al lui

x(n) y(n)
d(n)
_
+
H(z)
x(n-N)

( ) ( )
=
+ =

k
k n
k n x g X n x
1
*
1
Eroarea de predicie:
( ) ( ) ( )
n
b
X n x n x n e =
| |
T
= | |
T
g g g ,..., ,
2 1
= g

Puterea erorii de predicie
( )
)
`
=
2
E n e P
b

Analogii cu problema filtrrii optimale:
( ) ( )
( ) ( )
o o
P J
n e n e
n x n d

min
g w

( ) ( ) { } ( ) ( ) ( ) | | . 1 ..., , 1 , E
* * T
xx xx xx
B
r r r n x n = = x r p ( ) ( ) { } ( ) ( ) ( ) | | . 1 ..., , 1 , E
xx xx xx
r r r n x n = = x r p
Se preiau:

Ecuaia normal

Puterea erorii de predicie

* B
r Rg =
( ) g r
BT
r P = 0

Principiul ortogonalitii
,

sau

( ) ( ) { } 0 x = n e n
b
*
E
( ) ( ) { } 1 ,..., 1 , 0 , 0 E
*
= = k n e k n x
b

Filtrul ce realizeaz predicia invers
( ) ( )
=
+ =

k
k n
k n x g X n x
1
*
1

z
-1
z
-1
z
-1
x(n) x(n-1) x(n-)
2
g
g

) (
1
n
X n x
1
g
Filtrul erorii de predicie napoi.
( ) ( ) ( ) ( )

= =
= + =

k
k
k k
b
k n x c k n x g n x n e
1 0
,
*
1
unde
=
=
=

+
k
k g
c
k
k
, 1
1 ,..., 0
1
,

z
-1
z
-1
z
-1
x(n) x(n-1) x(n-)
1 ,
c
1 ,
c

) (n e
b

0 ,
c 1
,
=

c

Ecuaiile Wiener-Hopf extinse pentru predicia invers

* B
+ = Rg r 0

( )
0
BT
r P = r g

( )
(
(
=
(
(
(
(
BT
B
0 g
r R
*

( )
(
=
(

BT
P
r r
1
0

sau

unde

(
=
+

P
0
c R
*
1

(
=

1
g
c

Relaie ntre coeficienii filtrelor de predicie direct i invers
r Rg r g R r g R r Rg = = = =
* * * * B B H B T B

g w w g = =
* * B B

sau
k w g
k k
,..., 1 ,
*
1
= =
+

* B

a c =
sau
k a c
k k
,..., 0 ,
*
, ,
= =

( ) = = = = w r g r g r g r g r
H B H B T B T BT *
*

puterile erorilor de predicie sunt identice n cele dou cazuri.

4.3 ALGORITMI EFICIEI DE REZOLVARE A ECUAIEI
ORMALE
A FILTRRII LIIARE OPTIMALE
Ecuaia normal este un sistem
Rezolvat prin metoda Gauss rezult o complexitate de tip
Algoritm rapid ar nsemna Algoritm rapid ar nsemna

4.3.1 Algoritmul Levinson-Durbin
Vom cuta o constant k
m
, astfel nct s fie posibil o relaie de forma:

1
1
0
0
m
m m
B
m
k
(
(
(
(
( (

= +
a
a
a

sau sau

(
+
(
B
m
m
m
m
k
1
*
*
1
*
0
0
a
a
a
m k a k a a
k m m m k m k m
,..., 0 ,
*
, 1 , 1 ,
= + =

0 , 1
, 1 0 , 1
= =
m m m
a a
(
+
(
B
m
m
m
m
k
1
*
*
1
*
0
0
a
a
a
(
=
+
m
m
m m
P
0
a R
*
1

(
* B
r R
( )
(
=
+
0
*
1
r
BT
m
B
m m
m
r
r R
R

( )
(
=
(
=
(

+
*
1
*
1
*
1
* *
1
1
0 0 0
m
BT
m
m m m
BT
m
B
m m m
m
r a r
a R a
r
r R a
R


*
*
1
1
1
*
1
0
m
m
m
m
BT
m
m
(
(
(
(
(
(

=
R a
a
R
r a

Notm
( )
=

= =
1
0
*
, 1
*
1 1
m
k
k m m
BT
m m
m k r a a r
i avnd n vedere forma extins a ecuaiilor Wiener-Hopf pentru
predictorul de ordin m-1,
(
(
(
=
(
+
1
1
1
*
1
1
0
m
m
m
m
m
P
0
a
R

(
+
(
B
m
m
m
m
k
1
*
*
1
*
0
0
a
a
a
( )
(
=
(
=
(

+
B
m m
B
m
H
m
B
m
m m
H
m
B
m
m
r
1
1
1 1
1
0
0
0
a R
a r
a
R r
r
a
R

m m m m 1

(
= = =

1
1
*
1 1
*
1 1
,
m
m
m m
B
m m m
B
m
H
m
P
0
c R a R a r
(
(
(
=
(
+
1
1
*
1
1
1
0
m
m
m
B
m
m
P
0
a
R


(
(
(
(
+
(
(
(
(
=
(
1
*
1
*
1
1
m
m
m m
m
m
m
P
k
P
P
0 0
0

(

1 1 m m
m
P
0

1
*
1
*
1
*
1
0 ;

+ = + =
m m m m m m m
P k k P P


1
*
1
*
1
*
1
0 ;

+ = + =
m m m m m m m
P k k P P

( )
2
=

( )
2
1
1
m m m
k P P =

1 0
m m
k P
( ) ( ) ( ) ( ) 0 ;
0 0
0
r P n x n e n e
b f
= = =
( )
=
=

m
m
k P P
1
2
0
1

Observaii
Puterea erorii de predicie scade o dat cu creterea ordinului predictorului.
Coeficienii k
m
- coeficieni de reflexie
Pentru k=m,
m m m
a k
,
=
Se poate uor arta, folosind definiiile i principiul ortogonalitii, c:
( ) ( ) { } n e n e
f b *
1 E = ( ) ( ) { } n e n e
f
m
b
m m
*
1
1 1
1 E

=
unde ( ) n e
f
m 1
- rspunsul filtrului erorii de predicie direct de ordinul m-1,
pentru secvena de intrare ( ) ( ) ( ), 1 ,..., 1 , + m n x n x n x
( ) 1
1

n e
b
m
- rspunsul filtrului erorii de predicie invers, de ordinul
m-1, la secvena ( ) ( ) ( ) m n x n x n x ,..., 2 , 1 .

Observaii
Avnd n vedere c:
( ) ( ) ( ) n x n e n e
b f
= =
0
0

( ) ( ) { } ( ) ( ) { } ( ) ( ) 1 1 1 E 1 E
* * *
0
0 0
r r n x n x n e n e
f b
= = = =

Cunoscnd
o
i P
o
se pot calcula, folosind relaiile de recuren
( )
( )
( )
( )
( ) 0
1
0 ;
0
1
2
1
0
*
0
1
r
r
r P
r
r
P
k = =
=


( ) ( )
m
r r P
: 1 : 1 for
1 ; 0
*
0 0
=
= =

1
*
1
=
m
m
m
P
k
( )
2
1
1
m m m
k P P =

( )
2
1
1
m m m
k P P =

for m k : 1 : 1 =

*
, 1 , 1 , k m m m k m k m
a k a a

+ =
end
( )
=
=
m
k
k m m
m k r a
0
*
,
1
end
Complexitatea aritmetic a algoritmului
n pasul m al algoritmului trebuie efectuate:
o mprire;
2m+1 nmuliri (dou pentru calculul lui P
m
, m-1 pentru
reactualizarea coeficienilor a
m,k
, i m pentru calculul lui
m
).
2m adunri.
Pentru efectuarea ntregului algoritm, rezult
=
+ = +
m
m
1
2
3 ) 2 2 (
nmuliri / mpriri i
=
+ =
m
m
1
2
) 2 (
Dac se utilizeaz o singur unitate aritmetic i aceasta efectueaz
o operaie aritmetic ntr-o unitate de timp, timpul total de calcul este O(
2
) .
Cnd se dispune de uniti aritmetice ce pot lucra n paralel
timpul de calcul este ( )
2
log O

4.3.2 Algoritmul Schur -
definirea funciilor de tip f
Rspunsul filtrului erorii de predicie de ordin m la secvena
de autocorelaie
=
= =
m
k
xx i m xx k m
f
m
i r a k i r a i y
0
, ,
) ( ) ( ) (

= k 0

Conform ecuaiei Wiener_Hopf pentru predictorul de ordin m

Elementele matricei de autocorelaie sunt

4.3.2 Algoritmul Schur

=
= =
m
k
xx k m
m i k i r a
0
,
,..., 1 , 0 ) (

m i i y
f
,..., 1 , 0 ) ( = =

m i i y
f
m
,..., 1 , 0 ) ( = =

rezult c rezult c
( )
,
0
0 ( )
f
m
m
xx m
m k
k
y a r k P
=
= =

definirea funciilor de tip b
Pornind de la predicia invers
=
= =
m
k
xx i m xx k m
b
m
i r c k i r c i y
0
, ,
) ( ) ( ) (
Dar
*
=
*
, , k m m k m
a c

=
aa nct
) ( ) (
*
i m y i y
f
m
b
m
=

1 ,..., 0 , 0 ) ( = = m i i y
b
m

m
b
m
P m y = ) (
relaii de recuren
Din relaiile
1 , 1 , 1
*
, 1 , 1 ,
+ = + =
k m m k m k m m m k m k m
c k a a k a a
1 , 1 , 1
*
,
+ =
k m k m m k m
c a k c
se obin nite relaii de recuren asemntoare pentru aceste funcii: se obin nite relaii de recuren asemntoare pentru aceste funcii:
) 1 ( ) ( ) (
1
1
+ =

i y k i y i y
b
m m
f
m
f
m

) 1 ( ) ( ) (
1
1
*
+ =

i y i y k i y
b
m
f
m
m
b
m

cu condiiile iniiale:
) ( ) ( ) (
0
0
i r i y i y
xx
b f
= =

coeficientul de reflexie
n particular
0 ) 1 ( ) ( 0 ) (
1
1
= + =

m y k m y m y
b
m m
f
m
f
m

de unde
) (
m y
f
) 1 (
) (
1
1
m y
m y
k
b
m
f
m
m


k : 0 for =
) ( ) ( ) (
0
0
k r k y k y
xx
b f
= =
end
m : 1 for =
) 1 (
) (
1
1
m y
m y
k
b
m
f
m
m

) 1 (
1

m y
m
m i : 1 for + =
) 1 ( ) ( ) (
1
1
+ =

i y k i y i y
b
m m
f
m
f
m

end
m i : for =
) 1 ( ) ( ) (
1
1
*
+ =

i y i y k i y
b
m
f
m
m
b
m

end
end
) ( y P
b

=
complexitate aritmetic
n pasul m se efectueaz:
o mprire, pentru calculul lui
m
k ;
-m nmuliri i -m adunri, n primul ciclu dup i;
-m+1 nmuliri i -m+1 adunri, n al doilea ciclu dup i.
Rezult un numr de 2-2m+2 nmuliri / mpriri i 2-2m+1 adunri,
deci n total deci n total
=
+ = +
m
m
1
2
) 2 2 2 (
nmuliri / mpriri i

=
= +
m
m
1
2
) 1 2 2 (
adunri.

Modalitate practic de calcul
Iniializarea algoritmului. Se constituie matricea generatoare

sau

(
=
) ( . . . ) 2 ( ) 1 ( ) 0 (
) ( . . . ) 2 ( ) 1 ( 0
0
r r r r
r r r
xx xx xx xx
xx xx xx
G
Prin deplasarea spre dreapta cu o unitate a liniei a doua se obine

sau

(
=
) 1 ( . . . ) 1 ( ) 0 ( 0
) ( . . . ) 2 ( ) 1 ( 0
'
0
r r r
r r r
xx xx xx
xx xx xx
G
Raportul elementelor coloanei a doua, cu semnul schimbat,
determin primul coeficient de reflexie, k
1
.

Se constituie matricea
(
=
1
1
*
1
1
1
k
k
K
Se calculeaz
1 0
' K G =
(
1
1
*
1
k
k
0
0
1
0
0
0

0

1 0
' K G =
(
1
*
1
k
0
0
1
0
0
0

0

1 1
1 1 0
1 1 1
0 0 (2) . . . ( )
'
0 (1) (2) . . . ( )
f f
b b b
y y
y y y
(
= =
(

G K G

unde s-au avut n vedere relaiile de recuren i faptul c 0 ) 1 (
1
=
f
y .
n continuare se repet ultimele trei operaii, deci n pasul m:
Se formeaz G
m
din G
m
prin deplasarea spre dreapta cu o
poziie a liniei a doua.
Se calculeaz
1 + m
k ca raport cu semnul schimbat a
1 + m
elementelor coloanei m+2 i se formeaz matricea
1 + m
K .
Se calculeaz
m m m
'
1 1
G K G
+ +
=

Procedeul se reia pn se calculeaz toi coeficienii de reflexie.

Variant paralel de implementare a algoritmului Schur
a
a

r
y
a

r
y
k
k
r
xx
(1) r
xx
(N-1)
F1
F2 F
r
xx
(N)

a

r
y
k
a

r
y
k
a

r
y
k

r
xx
(0) r
xx
(1)
r
xx
(N-1)
F1
F2 F
B1 B2 B
Variant paralel de implementare a algoritmului Schur
F2,,FN,B1,,BN F1

D
a
r
1
COM
a
k

D
y
a
b
k
2
COM
a
b
k
*
-a/b
(.)
*
a. b.
4.4 FILTRELE ERORII DE PREDICIE
4.4.1 Proprieti ale filtrelor erorii de predicie
Vom nota funciile de transfer ale filtrelor erorii de predicie direct
i invers de ordinul m cu:
( ) ( )

= =

=

= = =
m
k
m
k
k
k m m
k
k m
b
m
m
k
k
k m
f
m
z a z c z H z a z H
0 0
*
, ,
0
,
;

1) ntre funciile de transfer ale celor dou filtre exist relaia
| | 1
( ) |
\
|
=

*
*
1
z
H z z H
f
m
m b
m

2) Caracteristicile amplitudine-frecven ale celor dou filtre
sunt identice.

( ) ( ) ( ) ( )
j f
m
j b
m
j f
m
jm j b
m
H H H H e e e e e
*
= =

3) Relaie de recuren. Avnd n vedere formulele
m k a k a a
k m m m k m k m
,..., 0 ,
*
, 1 , 1 ,
= + =

rezult:
( ) ( ) ( ) z H z k z H z H
b f f 1
+ = ( ) ( ) ( ) z H z k z H z H
b
m m
f
m
f
m 1
1
1

+ =

4) Filtrul erorii de predicie direct este de faz minim. Pentru demonstraie
vom avea n vedere faptul c k
m
<1, ceea ce, innd seama i de proprietatea 2
conduce la:
( ) ( ) ( ) 1 z pe
1
1 1
1
= = <

z H z H z H z k
f
m
b
m
b
m m

Teorema lui Rouch: Teorema lui Rouch:
Dac dou funcii F(z), G(z), sunt analitice pe conturul C din planul z i n
interiorul conturului, i G(z)<F(z) pe contur, atunci funcia F(z)+G(z) are
acelai numr de zerouri n interiorul conturului C ca i F(z).

Fie conturul C cercul z=1 i vom aplica teorema aceasta pentru funciile:
( ) ( ) ( ) ( ) z H z k z G z H z F
b
m m
f
m
1
1
1
,

= =
C n sens direct trigonometric { } { } 1 int < = z C
C n sens invers trigonometric { } { } 1 int > = z C
( )
f
Conform teoremei enunate, dac ( ) z H
f
m 1
nu are zerouri n z>1,
de aceeai proprietate se bucur i ( ) z H
f
m
. Cum ( ) 1
0
= z H
f
, rezult
prin inducie complet c ( ) z H
f
m
nu are zerouri n afara cercului z=1.

5) Filtrul erorii de predicie invers este de faz maxim (are toate zerourile n
exteriorul cercului z=1).
Dac se exprim ( ) z H
f
m
sub forma
( ) ( ) 1 , 1
1
1
< =
i
m
i
i
f
m
z z z z H
1 = i
avnd n vedere proprietatea 1, rezult
( ) ( ) ( )

=
= =
m
i
i
m
i
i
m b
m
z z z z z z H
1
* 1
1
*
1
Nulurile acestei funcii de transfer sunt de forma 1/z
i
*
, i=1,...,m, i sunt evident
situate n z>1, simetric fa de z
i
n raport cu cercul z=1.

4.4.2 Forma "latice" de realizare a filtrului erorii de predicie
( ) ( ) ( )
| |
( )
( )
| |
( )
( ) 1
, 0 0 ,
0
0
1 1
1 *
1
1
1
=
(
+
(
=
=
|
|
\
|
(
+
(
= =

+
+
n
n x
k
m n x
n
n k n n e
BH
m m
m T
m
m
T
B
m
m
m
m
T
m
f
m
x
a
x
a
x
a
a
x a

Relaii de recuren pentru eroarea de predicie
| |
( )
| |
( )
( ) ( ) 1
1
, 0 0 ,
1 1
1 1
+ =
=
(

+
(

=

n k n
n
k
m n x
m
BH
m m m
T
m
m
m m m
x a x a
x
a a

( ) ( ) ( ) 1 1 1
1 1 1
= =

n e n n
b
m m
T
m m
BH
m
x c x a

( ) ( ) ( ) 1
1
1
+ =

n e k n e n e
b
m m
f
m
f
m

4.4.2 Forma "latice" de realizare a filtrului erorii de predicie
n mod asemntor se gsete:

( ) ( ) ( ) 1 1
1
*
1
+ =

n e k n e n e
f
m
m
b
m
b
m

Cele dou relaii pot fi grupate
( )
( )
( )
( )
(
(
=
(

1
1
1
1
1
*
n e
n e
k
k
n e
n e
b
m
f
m
m
m
b
m
f
m


( )
( )
( )
( )
(
(
=
(

1
1
1
1
1
*
n e
n e
k
k
n e
n e
b
m
f
m
m
m
b
m
f
m

z
-1
k
m
*
m
k
) (
1
n e
f
m

) (
1
n e
b
m

) (n e
b
m

) (n e
f
m


x(n)
) (
0
n e
f

) (
1
n e
f
) (
2
n e
f

) (n e
f

( ) ( ) ( ) n x n e n e
b f
= =
0
0
- intrarea filtrului

1
k
k
2
k
x(n)
) (
0
n e
b
) (
1
n e
b

) (
2
n e
b

) (n e
b

Se poate pune problema calculului coeficienilor
k
k
, cunoscnd a
,1
,...,a
,
. Pentru aceasta vom porni de la ecuaia:
m k a k a a
k m m m k m k m
,..., 1 , 0 ,
*
, 1 , 1 ,
= + =

creia i vom altura ecuaia obinut din aceasta prin
conjugare complex i nlocuind k cu m-k. Rezult sistemul: conjugare complex i nlocuind k cu m-k. Rezult sistemul:
*
, 1 , 1
* *
,
*
, 1 , 1 ,
k m m k m m k m m
k m m m k m k m
a a k a
a k a a

+ =
+ =

din care se calculeaz a
m-1,k
,
2
,
*
, , ,
2
*
, ,
, 1
1
1
m m
k m m m m k m
m
k m m m k m
k m
a
a a a
k
a k a
a

Cunoscnd setul de coeficieni corespunztori predictorului
de ordin , {a
,k
}, se trece, cu formula de mai sus, la
cei corespunztori predictorului de ordin -1, {a
-1,k
} i se
determin k
m-1
=a
m-1,m-1
, i aa mai departe pn la =1. determin k
m-1
=a
m-1,m-1
, i aa mai departe pn la =1.

Cunoscnd setul de coeficieni corespunztori predictorului
de ordin , {a
,k
}, se trece, cu formula de mai sus, la
cei corespunztori predictorului de ordin -1, {a
-1,k
} i se
determin k
m-1
=a
m-1,m-1
, i aa mai departe pn la =1. determin k
m-1
=a
m-1,m-1
, i aa mai departe pn la =1.

Problema invers se cunosc coeficienii de reflexie ( de
exemplu s-au determinat cu alggoritmul Schur) i se doresc
coeficienii filtrului erorii de predicie n forma tranversal.
Se pormete n sens invers, de la filtrul de ordinul 1, pentru
care se cunosc i se mrete succesiv ordinul.

O proprietate remarcabil a structurii latice este
aceea c se poate mri ordinul predictorului, adugnd pur i
simplu nc o celul, fr a modifica n rest structura
existent. Faptul c toate celulele au aceeai structur este
favorabil din punctul de vedere al posibilitilor de integrare favorabil din punctul de vedere al posibilitilor de integrare
pe scar foarte larg.

TAPDS 2013 - Curs 4 - 390

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

TAPDS 2013 - Curs 4 - 390

Încărcat de

Drepturi de autor:

Formate disponibile

3.

TEORIA FILTRRII LIIARE OPTIMALE

= (vectorul corelaiei ntre semnalul de

S-ar putea să vă placă și