1

FILTRE OPTIME PENTRU ESTIMAREA LINIARA

A FORMEI SEMNALELOR STAIONARE

1.1

ESTIMAREA LINIAR A FORMEI UNUI SEMNAL

Se pune urmtoarea problem: fiind dat o pereche de semnale discrete reale

sau complexe, aici notate cu d k i respectiv x k , s-ar putea exprima fiecare
eantion al primului printr-o combinaie liniar a unui numr finit de eantioane
succesive imediat anterioare din cel de-al doilea semnal? Altfel spus, poate fi
considerat
M 1

Not

d n y n wk* x n k ,
n care wk ak jbk

(1.1)

k 0

sunt constante ce urmeaz a fi determinate1, drept un

bun estimat pentru y n . Aceast problem este cunoscut in literatur sub numele
de estimare liniar a formei semnalului (waveform estimation). Pentru un ordin
M fixat, rezolvarea problemei const n determinarea constantelor wk . Spunem
c estimarea s-a realizat optim dac aceste constante au fast ales astfel nct s
minimizeze un criteriu de cost convenabil ales. n cele ce urmeaz vom conveni ca d
s fie numit semnal de referin (sau semnal dorit) iar x s poarte numele de semnal
de intrare. ntr-o abordare sistemic (vezi Fig. 1.1.) semnalul d
e intrare x este aplicat unui sistem discret liniar, cu parametrii constani, de ordin finit
(FIR) descris prin funcia pondere (rspunsul la impuls)
M 1

h n wk* n k .

(1.2)

k 0

Ieirea sa
M 1

y n x * h n wk* x n k d n ,

(1.3)

k 0

reprezint estimatul semnalului de referin.

Conjugarea constantelor wk n relaia de mai sus este introdus din comoditi matematice
ulterioare
1

Prof. dr. ing Cristian Negrescu

Filtre optime pentru estimarea liniar a formei semnalelor staionare

1-2

Filtru discret

x k

z 1
w0*

z 1

z 1
w1*

w2*

wM* 2

d k
wM* 1
y k

ek

Fig. 1.1. Structura de baz pentru estimarea liniar a formei

Evaluarea calitii estimrii se face de regul prin intermediul semnalului

eroare definit ca
Def

e n d n y n d n d n .

(1.4)

Totui, inspectarea direct a semnalului de eroare nu este ntotdeauna

suficient pentru a spune ct de bun este respectiva estimare. Ceea ce putem ns
declara cu certitudine, este c atunci cnd, pentru n , e n 0 , obinem

d n d n i vom spune c estimarea este perfect. Dificultile apar cnd, din

diverse motive, eroarea nu este identic nul (i de cele mai multe ori aceasta este
situaia din practic). n consecin, pe baza semnalului de eroare e n se va construi
aa numita funcie de cost, iar criteriul de optimizare va consta n minimizarea ei.
Notat cu J , funcia de cost este real (altfel nici nu s-ar putea minimiza) i este
dependent (prin y n ) de cei M parametrii ( w0 , w1 ,...wM 1 ) ai estimatorului
n acest moment, putem reformula exact, problema estimrii liniare: s se
determine coeficienii optimi wk0 astfel nct funcia de cost s devin minim

min J w0 , w1...wM 1 J w00 , w10 ...wM0 1 J min .

Not

(1.5)

w0 , w1 ...wM 1

Soluia optim pentru estimarea liniar a formei este prezentat n Fig. 1.2.
Filtru discret

x k

z 1
w00*

z 1

z 1
w10*

w20*

wM0*2

d 0 k
wM0*1
y0 k

Fig. 1.2. Filtrul optim pentru estimarea liniar a formei

Prof. dr. ing Cristian Negrescu

e0 k

1-3

Tehnici de compresie a semnalelor multimedia

Alegerea funciei de cost reale

J:

(1.6)

este hotrtoare n asigurarea succesului estimatorului construit pe baza ei. Funcia de

cost trebuie s aib sens, adic s aib o semnificaie fizic pentru utilizator
permindu-i acestuia s stabileasc o relaie monoton ntre valorile funciei de cost
i calitatea estimrii. Numai n acest caz el va percepe cea mi bun estimare atunci
cnd funcia de cost i va atinge minimul. Un al doilea criteriu care se va dovedi
important n alegerea funciei de cost se refer la complexitate. n acest sens este de
preferat utilizarea unei funcii de cost care s permit determinarea facil a setului
coeficienilor wk0 optimi.
Alegerea unei funciei de cost bune este o problem delicat i impune
ncadrarea semnalului de intrare i de referin ntr-o anumit clas. Lund n
considerare particularitile precum i experimentele realizate, se pare c n
prelucrarea semnalelor audibile funciile de cost cu caracter energetic s-au dovedit a fi
extrem de utile, permind stabilirea unui bun echilibru ntre obinerea unui estimator
de calitate i complexitatea (matematic) a calculului coeficienilor w0 . n ceea ce
privete ncadrarea semnalelor de intrare ntr-o anumit clas (specificarea unor
proprieti ale acestora), ea este dependent efectiv de contextul n care este utilizat
estimarea liniar precum i de modul n care sunt privite (modelate) semnalele. n cele
ce urmeaz ne vom ocupa n exclusivitate de rezolvarea a dou cazuri particulare de
estimare liniar a formei: filtrarea optimal MS i filtrarea optimal LS.

1.2

FILTRAREA OPTIMAL MS. FILTRE WIENER

n cazul problemelor de filtrare optimal MS semnalul de intrare i semnalul

de referin sunt privite ca realizri ale unor procese aleatore staionare, de medie nul
i care vor avea anumite proprieti statistice. Mai exact vom considera c exist un
numr suficient de mare de utilizatori care vor ncerca s estimeze fiecare n parte cte
un semnal de referin d folosind pentru aceasta eantioanele cte unui semnal de
intrare x . Sarcina proiectantului va fi s furnizeze un filtru de estimare suficient de
bun pentru a putea fi folosit de toi utilizatorii. Precizm faptul c toi utilizatorii vor
folosi acelai filtru, indiferent de perechea de semnale d , x cu care opereaz. Pentru a
nelege mai bine problema pus s presupunem c dorim s realizm un astfel de
filtru de estimare liniar a formei care, inclus ntr-un sisteme de comunicaie telefonic,
va opera cu semnale vocale (s facem abstracie n acest moment de faptul c semnalul
vocal nu este staionar). Filtrul este construit de productor i ulterior distribuit pe
pia. Atragem aici atenia c n momentul n care filtrul a fost proiectat, respectivul
proiectant nu are la dispoziie exact semnalele cu care va opera respectivul sistem.
Astfel el nu are de unde s tie cine va cumpra respectivul produs i nici ce va avea
de gnd s vorbeasc. Dispozitiv pe care l va proiecta trebuie s fie suficient de bun
pentru a putea fi folosit de orice cumprtor (fiecare utilizator al sistemului va folosi
propriile semnale, necunoscute de proiectant). n aceste condiii cum ar putea el s
proiecteze filtrul optim?

Prof. dr. ing Cristian Negrescu

Filtre optime pentru estimarea liniar a formei semnalelor staionare

1-4

Ideea de baz ar fi ca el s achiziioneze un numr suficient de mare de mostre

de semnal vocal, iar proiectarea s o fac nu pentru un anumit semnal n parte ci
pentru o ntreag clas de semnale. n acest mod semnalele de referin d i cele de
intrare x pentru fiecare utilizator n parte vor fi privite de proiectant ca realizri ale
dou procese aleatoare staionare i cu anumite caracteristici statistice. Deoarece filtrul
FIR optim va fi unic (acelai pentru toi utilizatorii,), devine evident faptul c funcia
de cost va trebui s fie construit folosind o medie statistic a semnalelor eroare de la
toate perechile x , d pe care proiectantul le are la dispoziie.

1.2.1

Organizarea semnalelor sub forma unui spaiu Hilbert

Din punct de vedere formal, un mare beneficiu se va obine prin organizarea

mulimii proceselor aleatoare staionare, de medie nul ca spaiu unitar Hilbert. n
acest context fie dou astfel de procese x n i y n . Este uor de verificat c
funcionala biliniar hermitic (liniar pentru primul argument i antiliniar pentru
cele de al doilea), definit prin

x , y E x n y* n ,
Def

n care E

(1.7)

reprezint operatorul de mediere statistic, satisface proprietile unui

produs scalar peste un spaiu complex. n consecin, ptratul normei unui semnal
devine

Def

x, x E x n

(1.8)

i are semnificaie fizic de putere (statistic). S remarcm posibilitatea interpretrii

funciei de corelaie (statistice) ntre dou semnale, cu ajutorul produsului scalar, ca

rx,y k E x n k y* n xk , y x, yk ,
Def

n care

Not

(1.9)

Not

xk n x n k Tk x n .

(1.10)

n acest context problema filtrrii optimale MS este de fapt o problem de

estimare liniar a formei (vezi Fig. 1.1.) n care se vor considera semnalele x i d
drept realizri ale unor procese aleatoare staionare iar drept funcie de cost se va
alege media (statistic) ptratic (mean square MS) a erorii

J MS n E e n

MS

ct

(1.11)

S remarcm c funcia de cost J MS are natur energetic (puterea statistic a

semnalului de eroare). n plus, datorit staionaritii semnalelor, funcia de cost
Def

J MS E e n

e n

e, e .

(1.12)

este independent de momentul de timp ales. Astfel realizm c asigurarea

(proiectarea) optimalitii MS la un moment dat este suficient pentru asigurarea
optimalitii MS la orice moment de timp
Filtrul optim MS este cunoscut i sub numele de filtru Wiener. Vom
considera rezolvat problema proiectrii unui filtru Wiener atunci cnd vom avea la

Prof. dr. ing Cristian Negrescu

1-5

Tehnici de compresie a semnalelor multimedia

ndemn o metod de determinare a coeficienilor optimi w0 din structura prezentat

n Fig. 1.2.

1.2.2

Principul de ortogonalitate n contextul filtrelor optime MS

n procesul de determinare a coeficienilor optimi este necesar minimizarea

funciei de cost J MS (1.12). Fiind astfel necesar rezolvarea unei probleme de calcul
al unui extrem, este evident importana determinrii gradientului funciei de cost J MS
n funcie de coeficienii pondere wk ak jbk . Componentele gradientul cutat sunt

k J MS

J MS
J
j MS ,
ak
bk

k 0, M 1.

(1.13)

Lund n considerare definiia funciei de cost precum i forma explicit a

erorii, dup un calcul simplu rezult pentru fiecare component a gradientului expresia

k J MS 2 xk , e

k 0, M 1.

(1.14)
0
k

Remarcm c n situaia n care filtrul utilizeaz setul de coeficieni w , secvena

particular de eroare rezultat este notat cu e0 (vezi Fig. 1.2.), iar condiia de minim
pentru funcia de cost se traduce n anularea gradientului n acest punct2, sau
echivalent, la anularea tuturor componentelor sale. Explicitnd se obine setul de
relaii

xk , e0 0

k 0, M 1,

(1.15)

care reprezint formularea matematic a principiului de ortogonalitate, unde

M 1

Def

e0 n d n y 0 n d n wk0* x n k .

(1.16)

k 0

reprezint semnalul eroare pentru filtrul optim MS (vezi Fig. 1.2.).

Fie Fnx,M subspaiul liniar complex determinat de irul variabilelor aleatoare

x n k

k 0, M 1

. Principiul de ortogonalitate, unul din rezultatele de baz din

teoria filtrrii optimale n sensul mediei ptratice a erorii poate fi formulat prin:
Condiia necesar i suficient ca funcia de cost J MS s-i ating
minimul pentru mulimea

w
0*
k

este ca semnalul de eroare corespunztor

e0 n , pentru orice moment de timp n , s fie ortogonal pe subspaiul liniar

Fnx,M determinat de toate eantioanele intrrii pe baza crora se realizeaz

estimarea curent.
n mod riguros, n punctual de minim trebuie satisfcute dou condiii. Una dintre ele,
caracteriznd proprietatea de extrem impune anularea gradientului. Cea de a doua, specific
tipul i eventual unicitatea extremului. Pentru condiia de minim este necesar ca Hesiana s fie
o matrice pozitiv semidefinit (minim) sau pozitiv definit (minim unic). Deoarece pentru
filtrele optime n sens MS (filtre Wiener), aa cum se da demonstra ulterior funcia de cost este
o form ptratic, cea de a doua condiie este automat satisfcut
2

Prof. dr. ing Cristian Negrescu

Filtre optime pentru estimarea liniar a formei semnalelor staionare

1-6

Acest principiu este reprezentat sugestiv n Fig. 1.3. unde datorit limitrilor
de reprezentare grafic subspaiul Fnx,M are o ilustrare planar.

d n

e0 n

x n 2

y 0 n d n

x n 1

Fx
n,N

x n

Fig. 1.3. Principiul de ortogonalitate

O consecin a principiului de ortogonalitate ce-i va dovedi ulterior

importana deosebit se poate obine imediat. tiind c estimatul semnalului de
referin n cazul filtrului optim este
Not

d 0 n y 0 n ,

(1.17)

se poate calcula
N

y 0 , e0 wk0* xk , e0
k 0

w
k 0

0*
k

xk e0* 0

de unde rezult:
Pentru un filtru optim MS semnalele de ieire

(1.18)

y 0 n (estimatul

semnalului dorit) i de eroare e0 n sunt ortogonale (vezi Fig. 1.3.).

1.2.3. Eroare medie ptratic minim. Eroarea medie ptratic

minim normat
Este evident c se dorete o eroarea medie ptratic (funcia de cost) ct mai
mic, ceea ce ar avea ca efect o estimare mai bun a semnalului de referin. ntruct

J min e0 n .
2

(1.19)

folosind (1.16) i (1.18) el poate fi exprimat prin

J min d n

y0 n

d2 d2

(1.20)

unde d2 i d2 reprezint puterea semnalului de referin i respectiv puterea

semnalului la ieirea filtrului optim.3
Acest rezultat nu reprezint altceva dect teorema lui Pitagora n spaiul unitar

al semnalelor. (vezi Fig. 1.3.) i subliniaz faptul c estimatul d n reprezint

n determinarea relaiei anterioare s-a inut cont de faptul c semnalele sunt cu medie nul.

Prof. dr. ing Cristian Negrescu

1-7

Tehnici de compresie a semnalelor multimedia

proiecia semnalului de referin d n pe subspaiul liniar Fnx,M generat de cele M

eantioane ale semnalului de intrare.
O msur a calitii estimrii se poate obine prin normarea erorii medii
ptratice minime. Se definete astfel eroarea medie ptratic normat prin
Def

J min

d2

d2
0, 1 .
d2

(1.21)

Se observ ca depinde numai de statistica de ordin 2 a semnalului de

referin i a celui estimat (la ieirea filtrului). Valori mici pentru (ctre 0)
semnific o adaptare foarte bun a filtrului (estimarea semnalului dorit se face aproape
perfect), iar pe de alt parte, valori mari ale lui indic o slab adaptare a filtrului la
semnal.

1.2.4

Proiectarea filtrului optim MS. Sistemul de ecuaii Wiener

Hopf

Condiia de filtru optim MS este echivalent cu respectarea principiului de

ortogonalitate. Exist posibilitatea de a se reformula condiia de optim n termeni ai
unor funcii de corelaie ai semnalului de intrare i de referin. Pentru acesta pornind
de la (1.15), prin explicitarea semnalului de eroare se obine
M 1

xk , e 0 xk , d wi0* xi
0

(1.22)

i 0

M 1

w x ,x

sau, echivalent

i 0

0
i

xk , d

(1.23)

Not

xk , xi rx x i k r i k

Dar

(1.24)

reprezint funcia de autocorelaie pentru semnalul de intrare, de argument i k , iar

Not

xk , d rxd k p k

(1.25)

reprezint funcia de intercorelaie a semnalului de intrare cu cel de referin4. Prin

folosirea notaiilor (1.24) i (1.25) n (1.23) se obine sistemul de ecuaii Wiener Hopf:
M 1

w r i k p k ,
i 0

0
i

pentru k 0, M 1

(1.26)

Aadar sistemul de ecuaii Wiener - Hopf stabilete legtura ntre coeficienii

filtrului optim i dou funcii de corelaie, mai precis, autocorelaia semnalului de
intrare respectiv intercorelaia ntre semnalul de intrare i cel de referin.
Datorit modului compact de scriere se va dovedi benefic utilizarea unui
formalism matriceal i a notaiilor urmtoare:
Vectorul semnalului de intrare
Def

X n x n . . x n M 1 ;
4

Ultimele dou relaii folosesc implicit staionaritatea mediului

Prof. dr. ing Cristian Negrescu

(1.27)

Filtre optime pentru estimarea liniar a formei semnalelor staionare

1-8

Vectorul pondere al filtrului

Def

w0

. . wM 1 ;
T

(1.28)

Matricea de autocorelaie a semnalului de intrare

R E X n X H n ri j ,
i , j 0, M 1
Def

Not

Def

(1.29)

Not

unde ri j xi , x j E x n i x* n j r j i .
ntr-o scriere explicit R devine

r 1
r 0

r 0
r 1

.
.
R
.
.

r M 2 r M 3

r M 1 r M 2

.. r M 2 r M 1

.. r M 3 r M 2

..
.
.

..
.
.

..
r 0
r 1

..
r 1
r 0

(1.30)

(1.31)

Matricea de intercorelaie ntre semnalul de intrare i cel de referin

P E X n d * n p0 . . pM 1
Not

Not

p 0 . . p M 1
p i xi , d E x n i d * n .

n care

(1.32)
(1.33)

Utiliznd acest formalism, semnalul de la ieirea filtrului discret din Fig. 1.1.
poate fi scris ca
M 1

y n wk* x n k W H X n XT n W* ,
Notm cu

w ,
0*
k

k 0

n 0 .

(1.34)

k 0, M 1 irul coeficienilor funciei pondere pentru filtrul

Wiener. Ei asigur minimizarea funciei de cost (1.12). Utiliznd acest set de

coeficieni se obine:
Ieirea filtrului optim (ieirea filtrului Wiener)
M 1

y 0 n wk0* x n k W 0 H X n XT W 0* ,

(1.35)

k 0

n care W 0 w00

. . wM0 1 este vectorul pondere optim.

(1.36)

Cu ajutorul notaiilor de mai sus este posibil rescrierea compact a setului de

ecuaii (1.26), obinndu-se pentru sistemul de ecuaii Wiener-Hopf forma matricial
(1.37)
R W0 P .

Prof. dr. ing Cristian Negrescu

Tehnici de compresie a semnalelor multimedia

1-9

Matricea R are o serie de proprieti remarcabile, dintre care remarcm faptul

c n marea majoritate a cazurilor este nesingular, permind astfel determinarea
soluiei optime
(1.38)
W0 R 1 P .
n concluzie rezolvarea problemei optime MS necesit cunoaterea statisticii
semnalelor de intrare i de referin, mai precis, a matricilor R i P . Construcia
matricilor R i P necesit numai primele M eantioane ale funciei de autocorelaie
pentru semnalul de intrare i respectiv ale funciei de intercorelaie ntre semnalul de
intrare i de referin.

1.2.5

Comentarii privind utilitatea soluiei Wiener

Revenind acum la exemplul de la nceputul paragrafului 1.2, tim exact ce

trebuie s fac proiectantul estimatorului optimal. Dup ce va achiziiona un numr
respectabil de mostre posibile pentru semnalele d i x , alegndu-i n prealabil
ordinul M al filtrului, el va calcula M valori ale funciei de autocorelaie pentru
semnalul de intrare ( r 0 , r 1 ,...r M 1 cu ajutorul crora va construi matricea

R de autocorelaie. Va calcula i M valori ale funciei de intercorelaie ntre

semnalul de intrare i cel de referin ( p 0 , p 1 , ..., p M 1 cu ajutorul
cruia va forma matricea de intercorelaie P . Inversnd matricea de autocorelaie i
efectund nmulirea (1.38) el va obine coeficienii W 0 pentru filtrului optim pe care
l caut.
S observm c acest filtru nu este optimizat pentru o realizare anume a
proceselor x i d , ci va fi valabil pentru toate seturile de semnale care au aceleai
funcii de autocorelaie i respectiv de intercorelaie cu cele implicate n faza de
proiectare.
Ce ne asigur proiectantul filtrului Wiener?
El susine c dac se folosete setul de coeficieni W 0 , la un moment dat (i
datorit staionaritii se poate generaliza pentru orice moment de timp) puterea
semnalului de eroare, obinut prin medierea statistic a eantioanelor curente de
eroare pentru toi utilizatorii (aceasta este semnificaia funciei de cost J MS ) este cea
mai mic posibil, fr a putea ns preciza exact care sunt valorile semnalului eroare
pentru fiecare utilizator n parte.
Este acceptabil o astfel de situaie?
Se pare c da. Mai nti s ne amintim c operarea se face n medii staionare
(semnalele nu-i schimb caracteristicile), altfel ntregul eafodaj pe care l-am
construit nu are nici un sens deoarece, odat cu schimbarea caracteristicilor
semnalului, ar trebui reproiectat i filtrul de estimare. Dac semnalele au funcii de
autocorelaie care tind la zero (cnd argumentul autocorelaiei tinde ctre infinit)
atunci este de ateptat s fie valabil ergodicitatea. Conform acesteia, mediile
statistice (la orice moment de timp) sunt egale cu media temporal i ca urmare atunci
cnd puterea statistic a semnalului eroare este mic, eventual zero (Wiener ne
asigur c dac se folosesc coeficienii W 0 atunci se obine minimul) i puterea
calculat prin mediere temporal pentru fiecare semnal eroare n parte (aceea

Prof. dr. ing Cristian Negrescu

Filtre optime pentru estimarea liniar a formei semnalelor staionare

1-1 0

msurabil cu un watmetru) s aib aceeai valoare mic, eventual zero. Vedem astfel
c ergodicitatea este cea care ne permite s proiectm sisteme folosind medii statistice
i s le utilizm efectund medii temporale.

1.2.6

Funcia de cost. Suprafaa de cost. Forma canonic a

suprafeei de cost

Ar fi interesant de fcut unele comentarii relativ la ct de bun este filtrul

Wiener pe care l proiectm. ntruct calitatea estimrii liniare a formei semnalului o
msurm prin intermediul funciei de cost J MS (puterea semnalului de eroare), n mod
cert ne-ar place s tim, nc din faza de proiectare, care va fi valoare minim J min a
acesteia. n acest mod putem avea o idee relativ la ct de bine ne-ar putea rezolva
problema filtrul optim Wiener chiar nainte ca respectivul filtru s fie efectiv utilizat
de beneficiar.
Un alt aspect se refer la faptul c, de cele mai multe ori, determinarea soluiei
optime direct din ecuaia matricial (1.38) nu este convenabil n special din dou
motive. Primul este volumul mare de calcul necesar inversrii matricei R . Cel de-al
doilea motiv se refer la situaia n care matricea R este singular, caz n care
inversarea ei este imposibil. Aici este chiar interesant deoarece singularitatea matricei
R ne spune c soluie optim exist, dar nu este unic. Exist mai multe soluii bune
(pentru care funcia de cost J MS este minim) dar ele nu pot fi obinute aplicnd
(1.38)!. Pentru a depi aceste dou probleme este necesar s se dezvolte alte metode,
chiar i aproximative, de determinarea a optimului. Un al treilea motiv se refer la
faptul c n implementrile numerice reprezentarea se face cu precizie finit i astfel
chiar dac determinarea soluiei optime Wiener ( W 0 ) se face cu precizie suficient de
ridicat, limitrile impuse de eficiena comunicaiei sau de complexitatea sistemului
0
conduc la utilizarea unor valori cuantizate pentru coeficienii w00 , w10 , ... , wM
1 .
n consecin, utilizarea unor valori aproximative pentru coeficienii filtrului
optim pare greu de evitat i astfel este de ateptat ca, n realitate, operarea s nu se fac
n punctul optim W 0 . Efectul imediat va fi o cretere a funciei de cost (creterea
costului estimrii). Se ridic atunci urmtoarele ntrebri legitime: Ct de mare este
creterea funciei de cost ntr-o vecintate a punctului de optim. Este acceptabil
aceast cretere? Mai mult, ne-ar place s tim, nc din faza de proiectare, care va fi
valoare minim a funciei de cost ( J min ). n acest mod putem avea o idee relativ la ct
de bine ne-ar putea rezolv problema filtrul optim Wiener
Un rspuns la aceste ntrebri l-am avea dac am ti cum arat funcie de cost,
cel puin n jurul punctului de optim. Dac n aceast vecintate vom constata creteri
rapide, atunci mici abateri de la valorile optime ale coeficienilor filtrului se vor
traduce prin creteri accentuate n funcia de cost, sau echivalent, prin creteri
semnificative ale puterii semnalului de eroare. O astfel de funcie de cost nu este
suficient de bun. Putem nelege acum c alegerea funciei de cost este un proces
delicat, care implic aspecte multiple.

Prof. dr. ing Cristian Negrescu

1-1 1

Tehnici de compresie a semnalelor multimedia

Pentru a pune n eviden aceste fenomene se va determina funcia de cost

pentru un set oarecare W de coeficieni. Folosind (1.34), (1.12) putem explicita
funcia de cost prin

J MS E e n

d y, d y

d , d y, y d , y y, d .

d , d d2 ,

Dar

(1.40)

y, y W X, X W W R W ,
d , y y, d 2 Re y, d
H

2 Re W H X, d 2 Re W H P.

In acest caz (1.39) devine

J MS E e n

2
d

(1.39)

WH R W 2 Re WH P .

(1.41)
(1.42)

(1.43)

n punctul optim ( W 0 ) calculul funciei de cost conduce la

J MS

W W0

J min d2 P H W 0 d2 P H R 1 P .

(1.44)

Remarcm nc odat c J min este funcie numai de statisticile semnalului de intrare i

de referin. Relaia anterioar este cea care ne permite s determinm performana
filtrului optim nainte ca acesta s realizeze propriu-zis filtrarea. Astfel, proiectantul
poate monitoriza prin (1.44) calitatea estimatorului i dac este nemulumit, poate
modifica parametrii de proiectare (n cazul de fa singura posibilitate pe care o are la
dispoziie ar fi creterea ordinului M pentru filtru).
Explicitnd d2 din (1.44) i introducnd rezultatul n (1.43) se obine relaia
important

J MS J min W W0 R W W0 .
H

(1.45)

Notm cu
Def

V W W0 ,

(1.46)

diferena ntre vectorul coeficienilor i soluia optim Wiener. Atunci (1.45) capt o
form mai simpl, devenind
(1.47)
J MS J min VH R V .
Suprafaa pe care o descrie J MS J min ca funcie de ponderile W ale
filtrului, ntr-un spaiu cu 2 M 1 dimensiuni reale, se numete suprafa de cost.
Este evident c proprietile suprafeei de cost sunt strns legate de matricea de
autocorelaie. ntruct R este o matrice hermitic suprafaa de cost este o form
ptratic real. Mai mult, deoarece R este n marea majoritate a cazurilor o matrice
pozitiv definit i forma ptratic V H R V va fi pozitiv definit ceea ce va
determina ca suprafaa de cost s aib un minim unic i distinct care este atins numai
cnd V 0 , sau echivalent, cnd W W0 .

Prof. dr. ing Cristian Negrescu

Filtre optime pentru estimarea liniar a formei semnalelor staionare

1-1 2

n acest mod orice abatere de la soluia optim Wiener este imediat penalizat
printr-o cretere a funciei de cost. Acum se explic de ce J MS

W W0

s-a notat cu

J min . Problema determinrii optimului se reduce astfel la gsirea coordonatelor

punctului de minim al suprafeei de cost. Este remarcabil de observat c forma i
plasarea suprafeei de cost sunt determinate numai de semnalul de intrare nu i de
semnalul de referin. Contribuia acestuia din urm se reflect numai n termenul
J min .

1.3

FILTRAREA OPTIMAL LS

Filtrarea optimal LS (Least Squares) este tot un caz particular al estimrii

liniare a formei unui semnal i reprezint o alternativ de succes pentru filtrele
Wiener.
Spre deosebire de acestea din urm a cror teorie are ca element central
conceptul de mediere statistic, filtrele LS se dezvolt n jurul ideii de mediere n
domeniul timp, fr a implica astfel cunotine despre statistica semnalelor aplicate la
intrare.
Fie de data aceasta spaiul semnalelor discrete de medie nul i suport
considerat mrginit ( n 0, L 1) organizat tot ca spaiu Hilbert dar a crui metric
este bazat acum pe produsul scalar definit ca
Def

x , y LS

n2

Not

x n y n x , y ,
*

(1.48)

k n1

unde valorile n1 i n2 sunt constante i alese astfel nct s defineasc, pe de o parte,

domeniul temporal pentru care se face optimizarea, iar pe de alt parte, s permit
accesarea tuturor eantioanelor semnalelor necesare calculului produsului scalar. n
acest spaiu, norma unui semnal are semnificaie fizic de energie i se calculeaz prin

2
LS

Def

x, x LS

n2

x n

2 Not

(1.49)

n n1

Problema filtrrii optimale LS este tot o problem de estimare liniar a

formei (vezi figura Fig. 1.1.) n care se vor considera semnalele x i d pe domeniul
temporal de interes ( n 0, L 1) iar drept funcie de cost se va alege energia erorii
(suma ptratelor eantioanelor erorii)
n2

J LS e n e n
n n1

2
LS

e, e

LS

(1.50)

Minimizarea acestei energii conduce la obinerea sumei celor mai mici ptrate
ale eantioanelor erorii ceea ce justific denumirea de filtrare optimal LS (least
squares LS). i de aceast dat, ne vom considera satisfcui n ceea ce privete
rezolvarea problemei atunci cnd vom gsi o metod de determinare a coeficienilor
optimi w0 (vezi Fig. 1.2.) care s asigure minimizarea funciei de cost (1.50), adic

Prof. dr. ing Cristian Negrescu

1-1 3

Tehnici de compresie a semnalelor multimedia

min J LS w0 , w1...wM 1 J LS w00 , w10 ...wM0 1 J LS min

Not

w0 , w1 ... wM 1

(1.51)

S remarcm c minimizarea energiei erorii este echivalent cu minimizarea

puterii semnalului de eroare deoarece intervalul de mediere n1, n2 este constant. ntradevr

Pe

n2
2
1
1
e n
J LS ,

n2 n1 n n1
n2 n1

(1.52)

iar minimizarea funciei de cost J LS va conduce la obinerea unei valori minime

pentru Pe .
ntruct formulat astfel, din punct de vedere formal problema optimizrii LS
este identic cu problema Wiener, astfel ne ateptm ca i de aceast dat s fie valabil
principiul de ortogonalitate

k 0, M 1,

xk , e0 LS 0

(1.53)

i de aici

y0 , e0 LS 0

(1.54)
ceea ce ne va conduce la un sistem de ecuaii similar cu sistemul de ecuaii Wiener
Hopf
(1.55)
RLS W0 PLS .
unde
Def

R LS X n , XH n
Def

n care

rLS i , j xi , x j LS

Not
LS

rLS i j ,
i , j 0, M 1

n2

(1.56)

Not

x n i x n j r i, j .
*

(1.57)

n n1

Matricea R LS poart numele de matrice de autocorelaie (temporal) a

semnalului de intrare (remarcm din (1.57) legtura ntre elementele matricei R LS i
funcia de autocorelaie temporal) i ntr-o scriere explicit devine
r 1, 0
..
r M 2, 0
r M 1, 0
r 0, 0

R LS

r 0,1
r 1,1

.
.

.
.

r 0, M 2 r 1, M 2

r 0, M 1 r 1, M 1

..

r M 2,1

..

..

.. r M 2, M 2
..

r M 2, M 1

.
(1.58)
.

r M 1, M 2

r M 1, M 1
r M 1,1

n ceea ce privete matricea de intercorelaie PLS ea se calculeaz prin

n2

Not

PLS X n d * n p 0, 0 . . p M 1, 0 ,
n n1

Prof. dr. ing Cristian Negrescu

(1.59)

1-1 4

Filtre optime pentru estimarea liniar a formei semnalelor staionare

n2

n care

p i,0 xi , d LS x n i d * n .

(1.60)

n n1

n cazul n care matricea R LS este nesingular se poate obine soluia optim

LS

W0 RLS1 PLS .

Prof. dr. ing Cristian Negrescu

(1.61)