Documente Academic
Documente Profesional
Documente Cultură
Parte 1
Jose C. M. Bermudez
Departamento de Engenharia El
etrica
Universidade Federal de Santa Catarina
Teoria de Estimacao
Teoria de Deteccao
r(t)
Transmissor
Fonte
1 Dgito binrio a
cada T segundos
1
T
Canal
Sinal recebido
Sequncia
transmitida
Transmissor
T
Possibilidades - recepcao
(
s1 (t) transmitido ! r(t) = s1 (t) + n(t),
s0 (t) transmitido ! r(t) = s0 (t) + n(t),
0tT
0tT
Exemplos de Aplicacao
Deteccao
1) Sistema de Comunicac
oes Digitais
r(t)
Transmissor
Fonte
1 Dgito binrio a
cada T segundos
Sinal recebido
Sequncia
transmitida
Transmissor
Possibilidades - transmissao
(
s1 (t) = A sen(!1 t),
s0 (t) = A sen(!0 t),
Problema de deteccao:
Canal
se o bit e 1
se o bit e 0
2) Radar
f H1
f H2
f H3
DTMF
Pulso transmitido
f L1
f L2
f L3
f L4
H0
Pulso retornou
H1
Pulso ausente
Estimacao
1) Radar
3) Reconhecimento de voz
Locutor fala um n
umero de 1 a 9
H0 : n
umero falado foi 0
..
.
H9 : n
umero falado foi 9
0 =
I
2R
,
c
4) Comunicacoes
2) Codificacao de sinais de voz
I
4) Comunicacoes
2) Codificacao de sinais de voz
I
3) Biomedica
Estimacao da frequencia cardaca de um feto a partir de
observacoes contaminadas por rudo ambiental e do sensor
4) Comunicacoes
Estimacao da frequencia da portadora de um sinal modulado
para possibilitar a desmodulacao para a banda base
5) Controle
Um barco comandado `a distancia deve ter sua posicao
estimada na presenca de rudo ambiental para possibilitar o
controle por parte do piloto
6) Sismologia
Estimacao da profundidade de um dep
osito de petr
oleo a
partir de reflexoes sonoras contaminadas por distorc
oes
causadas pelas diferentes densidades das camadas de pedra e
oleo do solo
Inferencia Estatstica
I
Modelagem de incertezas
I
1]
Exemplos de Estatsticas:
I
Media amostral: x
=
N 1
1 X
x[n]
N
n=0
1]]T
Interferencia estatstica
I
1]}
Modelos
probabilsticos
Sinais
observados
Estatstica
Estimacao Parametrica
Teoria de Estimacao
I
Exemplo: x(tn ) e o n
umero de chamadas telefonicas que chegam
a uma central desde t = 0 ate t = tn . O n
umero de ocorrencias ate
t = tn e modelado de acordo com um processo de Poisson N (tn ).
Medidas feitas ao longo do tempo permitiram estabelecer que o
valor medio de x(tn ) segue a lei exponencial
Modelo determinstico
E{x(tn )} = gn () = A cos(2 f0 tn + )
Vem da descricao fsica (modelo)
em que os parametros e
Pontos de medida
tn = 0.1(n
1), n = 1, 2, . . . , N
tn = 100 e
tn
tn = 0.25 + 0.75 (n
1),
n = 1, 2, 3, 4, 5
= [A, f0 ]T
tn = 0.1(n 1),
n = 1, . . . , N
em que
p[x(tn )] = e
w(tn ) N (0,
2
w)
1
1 h
p x(tn ) = p
exp
x(tn )
2
2
2 w
2 w
tn
( tn )x(tn )
,
x(tn )!
em que
tn = 100 e
A cos(2 f0 tn + )
Obs:
x(tn ) 2 Z
i2
tn
Problema de estimacao:
Desejamos estimar o vetor de parametros
= [, ]T
=1
100
90
90
80
80
70
70
60
60
50
50
40
40
30
30
20
20
10
00
1.5
2.5
3.5
00
100
100
90
90
80
0.5
1.5
2.5
3.5
80
70
70
60
60
50
50
40
40
30
30
20
20
10
00
10
0.5
10
0.5
1.5
2.5
3.5
00
0.5
1.5
2.5
3.5
=1
O Problema de Estimacao
Sequencia de passos
I
E{x(n)}
3100
3000
2900
2800
n (dias)
0
10
20
30
40
50
60
70
80
90
100
Modelo probabilstico
x[n] = A + B n + w[n]
n = 0, 1, . . . , n
com
E{x[n]} = A + B n
w[n] N (0,
Estimac
ao Bayesiana
+ Observac
oes
estatisticamente
independentes
A 2 [2800, 3200]
= [A B]T
I
Conjunto de observac
oes
1]
! x N (E{x},
p(x; ) =
1
(2
2 )N/2
exp
N 1
1 Xh
2
x[n]
(A + Bn)
(A + Bn)
n=0
i2
i2
Estimac
ao Cl
assica
I
I)
Vetor de parametros
= [1 , 2 , . . . p ]T
I
Estimador de
= [1 , 2 , . . . p ]T
()
Se
Se lim
N !1
= 0,
()
N : N
umero de Observacoes
Causas da Polarizac
ao
a) Pode ser um desvio sistematico causado pelas flutuac
oes das
observacoes e que nao diminui com N ! 1. Ocorre, por
exemplo, quando o modelo das flutuac
oes e incorreto
b) Pode ser um desvio sistematico devido a erro na modelagem
parametrica do comportamento das observac
oes. Pode ser,
por exemplo, um erro no modelo do comportamento medio
das observacoes
Causa (b):
I
Causa (a):
I
Au
nica solucao possvel e usar outro estimador
Causa (c):
I
Depende do n
umero de observacoes disponveis
Variancia do estimador
var(k ) = E
E(k )
i2
+ [E(k )
3
var(1 )
cov(1 , 2 ) cov(1 , p )
6 cov(1 , 1 )
var(2 )
cov(2 , p )7
6
7
C = 6
7
..
..
..
..
4
5
.
.
.
.
cov(M , 1 ) cov(M , 2 )
var(p )
nh
ih
io
cov(k , l ) = E k E(k ) l E(l ) = E[k l ] E[k ]E[l ]
E(k )2 ]} + 2E{[k
|
k ] 2
k ])2 }
E( )][E(k )
{z k }
var(k )
k ]}
=0
func
ao de k !
2
MSE(k ) = E k k
Na maioria das vezes leva estimadores nao implementaveis
x[n] = A + w[n]
E{w[n]} = 0,
I
, n = 0, 1, . . . , N
2
w
Usando o estimador
N 1
1 X
A =
x[n]
N n=o
Polarizacao
=
E{A}
N 1
1 X
1
E{x[n]} =
(N A) = A
N
N
n=0
(nao polarizado)
Variancia
= E{[A E{A}]
2 } = E{(A
var{A}
8"
#2 9
< 1 NX1
=
=E
x[n] A
: N
;
A)2 }
n=0
8"
< NX1
1
= 2E
:
N
=
x[n]
NA
n=0
8"
< NX1
1
E
N2 :
w[n]
n=0
#2 9
=
;
=
var{A}
82
32 9
>
>
>
<6NX1
=
7 >
1
7
= 2E 6
x[n]
A
4
5
; N
>
>
>
{z
} >
: n=0 |
;
#2 9
=
1
N2
wn
N
X1
n=0
2
w
E{w2 [n]}
| {z }
var{w[n]}=
2
w
1200
1000
1000
800
800
600
600
400
400
200
200
0
2.6
2.7 2.8 2.9
0
2.6 2.7 2.8 2.9
N = 100
N = 400
1200
1000
800
600
400
200
0
2.6 2.7 2.8 2.9
N = 1600