Sunteți pe pagina 1din 25

Cuprins

1 Caz particular. Maparea logistică. 1


1.1 Se caută analist care să spargă cifrul. Premiu: promovarea exa-
menului de TOSAAT (9.02.2018). . . . . . . . . . . . . . . . . . . 1
1.2 Noţiuni statistice de analizat . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Procese aleatoare . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Filtrarea proceselor aleatoare . . . . . . . . . . . . . . . . 7
1.2.3 Factorizarea spectrală . . . . . . . . . . . . . . . . . . . . 8
1.2.4 Tipuri speciale de procese aleatoare . . . . . . . . . . . . 10

2 Tema 2017-2018 13
2.1 Exerciţii bazate pe [4] . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Exerciţii bazate pe [3] . . . . . . . . . . . . . . . . . . . . . . . . 15

i
ii CUPRINS
Listă de figuri

1.1 Exemplu de proces aleator. 10 curbe apart, inând ansamblului


ilustrate pentru 5 momente de timp. . . . . . . . . . . . . . . . . 4
1.2 Media procesului aleator x(n) din Fig. 1.1. . . . . . . . . . . . . . 5
1.3 Reprezentare inovativă a unui proces WSS: proces aleator x(n)
reprezentat ca răspunsul unui filtru de fază minimă având la in-
trare zgomot alb. [3], pag. 106 (sus) şi filtrul de albire pentru
procesul x(n). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.1 Spectrul de putere al unui proces aleator ARMA(2,2) cu zerouri


la z = 0, 95e±jπ/2 şi poli la z = 0.9ej2π/5 . . . . . . . . . . . . . . 18

iii
iv LISTĂ DE FIGURI
Listă de tabele

v
vi LISTĂ DE TABELE
Capitolul 1

Caz particular. Maparea


logistică.

1.1 Se caută analist care să spargă cifrul. Pre-


miu: promovarea examenului de TOSAAT
(9.02.2018).
Lucrarea folosită pentru criptarea unui text în limba engleză, de lungime
L = 169542, este [7]. Codul în Matlab este dat în cele ce urmeză. Cheia de
cifrare a fost considerata condit, ia init, ială x(1).
Având la dispozitie codul Matlab care a fost folosit pentru criptare, fis, ierul
text care cont, ine mesajul criptat, s, i not, iunile din capitolul 3 al [3], găsit, i cheia.
Are 15 zecimale.
————————————————————————————————-
1 clear all ; clc ; tic ;
2

3 y=x ( 1 ) ; r =4;
4

5 xmin = 0 . 2 ; xmax = 0 . 8 ; n=256; e=(xmax−xmin ) /n ;


6

7 f o r j =1:n
8 S ( j ) =( j −1)∗ e+xmin ;
9 D( j )=j ∗ e+xmin ;
10 end
11

12 Threshold = 0 . 8 ;
13

14 m=t e x t r e a d ( ’ mesaj . t x t ’ , ’%c ’ ) ;


15 L=l e n g t h (m) ;
16

1
2 CAPITOLUL 1. CAZ PARTICULAR. MAPAREA LOGISTICĂ.

17 f o r j =1:250
18 x ( j +1)=r ∗x ( j ) ∗(1−x ( j ) ) ;
19 end
20 x ( 1 )=x ( 2 5 1 ) ;
21 y=x ( 1 ) ;
22

23 f o r j =1:L
24 k=1;
25 I n f=S ( c a s t (m( j ) , ’ u i n t 8 ’ ) ) ;
26 Sup=D( c a s t (m( j ) , ’ u i n t 8 ’ ) ) ;
27 C=0;
28 w h i l e (C<T h r e s h o l d )
29 w h i l e ( ( ( x ( k )<=I n f ) | | ( x ( k )>=Sup ) ) | | ( k <251) )
30 x ( k+1)=r ∗x ( k ) ∗(1−x ( k ) ) ;
31 k=k+1;
32 end
33 C=rand ( ) ;
34 end
35 c ( j )=k ;
36 x ( 1 )=x ( k ) ;
37 j
38 end
39

40 f 2=f o p e n ( ’ C r i p t a t . t x t ’ , ’w ’ ) ;
41 f p r i n t f ( f2 , ’%d \ t ’ , c ) ;
42 f c l o s e ( f2 ) ;
43 toc
44

45 clear x
46

47 % %%%%%%%%%%%%%%%%%%%%%%%%%%%DECRIPTARE
48 % x ( 1 )=y ;
49 % f o r j =1:L
50 % j
51 % f o r i =1:( c ( j ) −1)
52 % x ( i +1)=r ∗x ( i ) ∗(1−x ( i ) ) ;
53 % end
54 % k=1;
55 % w h i l e ( ( x ( i +1)<=S ( k ) ) | | ( x ( i +1)>=D( k ) ) )
56 % k=k+1;
57 % end
58 % p ( j )=k ;
59 % x ( 1 )=x ( i +1) ;
60 % end

—————————————————————————————————-
1.2. NOŢIUNI STATISTICE DE ANALIZAT 3

————————————————————————————————

1.2 Noţiuni statistice de analizat


A se vedea, pentru mai multe detalii capitolul "Discrete-time random processes"
(pag. 57-108) din [3].

1.2.1 Procese aleatoare


Generăm un proces aleator cu funct, ia logistică [7], pentru care arătăm în Fig.
refProcesAleator zece curbe apart, inând ansamblului pentru cinci momente de
timp.

x(k + 1) = 4 · x(k) · [1 − x(k)] (1.1)


————————————————————————————————-
1 N=10^4;
2

3 f o r k=1:N
4 k
5 x ( k , 1 )=k∗10^ −15;
6 f o r j =1:10^4−1
7 x ( k , j +1)=4∗x ( k , j ) ∗(1−x ( k , j ) ) ;
8 end
9 end
10

11 %media p r o c e s u l u i a l e a t o r
12 m = mean ( x ( : , : ) ) ;
13 figure (2)
14 p l o t (m, ’ . ’ )
15 ylim ( [ 0 . 4 5 ; 0 . 5 5 ] )
16 x l a b e l ( ’ timpul , n ’ )
17 y l a b e l ( ’m( n ) , media p r o c e s u l u i a l e a t o r x ( k , n ) ; k = 1 , . . . ,N ’
)
18

19 %v a r i a n t a p r o c e s u l u i a l e a t o r
20 v = mean ( ( x ( : , : )−m) ^2) ;
21 figure (3)
22 plot (v , ’ . ’ )
23 %ylim ( [ 0 . 4 5 ; 0 . 5 5 ] )
24 x l a b e l ( ’ timpul , n ’ )
25 y l a b e l ( ’ $ \sigma_x ^2(n ) $ , v a r i a n t a p r o c e s u l u i a l e a t o r x ( n )
’ , ’ I n t e r p r e t e r ’ , ’ Latex ’ )
26

27 %a u t o c o r e l a t i a p r o c e s u l u i a l e a t o r
4 CAPITOLUL 1. CAZ PARTICULAR. MAPAREA LOGISTICĂ.

Figura 1.1: Exemplu de proces aleator. 10 curbe apart, inând ansamblului ilus-
trate pentru 5 momente de timp.

28 f o r k=1:N
29 f o r m=1:N
30 c ( k ,m) = mean ( x ( : , k ) . ∗ x ( : ,m) ) ;
31 end
32 end
—————————————————————————————————-

1. Definiţii

2. Medii ale ansamblului

• proces aleator =secvent, ă indexată (după variabila timp) de variabile


aleatoare –> media procesului, secvent, ă deterministă:

mx (n) = E{x(n)} (1.2)


1.2. NOŢIUNI STATISTICE DE ANALIZAT 5

• Pentru o variabilă aleatoare discretăPpresupusă de valoare αk media,


sau valoarea as, teptată, este Ex = Rk αk P r{x = αk }. Pentru cazul

variabilei aleatoare continue E{x} = −∞ αfx (α)dα, unde fx (α) este
funct, ia de densitate de probabilitate a variabilei aleatoare.
• –> pentru procesul nostru, media procesului, m(n) este reprezentată
în Fig. 1.2.

Figura 1.2: Media procesului aleator x(n) din Fig. 1.1.

• Variant, a procesului este obt, inută calculând variant, a fiecărei variabile


aleatoare din secvent, a indexată (ansamblu):

σx2 (n) = E|x(n) − mx (n)2 | (1.3)


Variant, a procesului este ilustrată în Fig. 2.
• Autocovariant, a procesului este:

cx (k, m) = E{[x(k) − mx (k)][x(m) − mx (m)]∗ } (1.4)


6 CAPITOLUL 1. CAZ PARTICULAR. MAPAREA LOGISTICĂ.
1.2. NOŢIUNI STATISTICE DE ANALIZAT 7

care, pentru k = m se reduce la variant, ă rx (k, m) = E{x(k)x∗ (m).


• Autocorelat, ia procesului:
rx (k, m) = E{x(k)x(m)∗ } (1.5)

3. Procese Gaussiene
4. Procese staţionare
5. Matricele de autocovarianţă şi de autocorelaţie
6. Ergodicitate
7. Zgomot alb
8. Spectrul de putere

1.2.2 Filtrarea proceselor aleatoare


————————————————————————————————
• Vezi secţiunea 3.4 din [3].
• Urmărim să determinăm relţia între media şi autocorelaţia unui proces
aleator, intrare a unui filtru LIT, şi aceleaşi proprietăţi statistice ale pro-
cesuliui de la şirea filtrului.
• Procesul aleator x(n) SSL (WSS) care are media mx şi autocorelaţia rx (k)
este aplicat la intrarea unui filtru stabil LIT. Filtrul are răspunsul la impuls
(funcţia pondere) h(n). Ieşirea filtrului va fi un proces aleator cu:

X
y(n) = x(n) ∗ h(n) = h(k)x(n − k) (1.6)
k=−∞

• Media:

X ∞
X
E{y(n)} = h(k)E{x(n − k)} = mx = mx H(ej0 ) (1.7)
k=−∞ k=−∞

• Corelaţia de interacţiune dintre x(n) şi y(n):



X
ryx (n + k, n) = E{y(n + k)x∗ (n)} = h(j)E{x(n + k − j)x∗ (n)} =
j=−∞

X
= h(j)rxx (k − j) = ryx (k) = rxx (k) ∗ h(k) (1.8)
j=−∞

→ pentru un proces aleator WSS aplicat unui filtru LIT, secvenţa de co-
relaţie de interacţiune (cross-correlation) depinde doar de diferenţa dintre
momentele mn + k şi k, nu de valoarea absolută a acestora.
8 CAPITOLUL 1. CAZ PARTICULAR. MAPAREA LOGISTICĂ.

• Autocorelaţia lui y(n):



X ∞
X
ryy (n + k, n) = E{y(n+k )y ∗ (n)} = h(j)rxx (m − j + k)h∗ (m)
j=−∞ m=−∞
= ryy (k) = rxx (k) ∗ h(k) ∗ h (−k) = ryx (k) ∗ h∗ (−k)

(1.9)

• Spectrul de putere al lui y(n):

Pyy (ejω ) = Pxx (ejω )|H(ejω )|2 ⇔ Pyy (z) = Pxx (z)H(z)H ∗ (1/z ∗ ) (1.10)

• Pornind de la densitatea spectrală de putere a unui proces aleator, se


poate găsi filtrul (funcţia sa de transfer) care a generat procesul. Spectrul
trebuie să poată fi exprimat sub formă raţională. A se vedea exemplul
3.4.2 de la pag. 102 a [3].

• Dpdv fizic, densitatea spectrală (spectrul) de putere descrie cum este dis-
tribuită puterea semnalului în funcţie de frecvenţă → P (ejω ) ≥ 0.

————————————————————————————————

1.2.3 Factorizarea spectrală


• P (ejω al unui proces aleator WSS are valori reale, pozitive şi este o funcţie
periodică de ω.

• Dacă este şi continuă (⇔ x(n) nu conţine componente periodice) → Pxx (z)


∗ ∗
poate fi factorizat într-un produs de forma Pxx (z) = σ02 Q(z)Q
R π (1/z ) (fac-
1
torizarea spectarlă a Pxx (z)), cu σ0 = exp{c(0)} = exp{ 2π −π lnPxx (ejω )dω},
2

realĂ şi nenegativă.

• Dacă procesul are doar valori reale, Pxx (z) = σ02 Q(z)Q(z − 1).

• Orice proces care poate fi factorizat se numeşte proces regulat (regular)


cu urmūatoarele propriett̆i:

– un proces regulat poate fi obţinut ca ieşire a unui filtru cauzal şi sta-


bil, H(z), care are ca intrare un zgomot alb cu varianţa σ02 . Aceasta
este cunoscută ca inovare (innovations representation) a procesului.
– filtrul invers 1/H(z) este un filtru de albire (whitening filter) → dacă
x(n) este filtrat cu 1/H(z), ieşirea noului filtru este zgomot alb cu
varianţa σ02 . Procesul de inovare este reprezewntat în Fig. 1.3.

• de vreme ce zgomotul alb, ν(n) şi x(n) sunt relaţionate printr-o transfor-


mare invertibilă, oricare dintre cele două procese poate fi aflat din celălalt.
Conţin, deci, aceeaşi informaţie.
1.2. NOŢIUNI STATISTICE DE ANALIZAT 9

Figura 1.3: Reprezentare inovativă a unui proces WSS: proces aleator x(n)
reprezentat ca răspunsul unui filtru de fază minimă având la intrare zgomot
alb. [3], pag. 106 (sus) şi filtrul de albire pentru procesul x(n).

N (z)
Dacă Pxx (z) este funcţie raţională, Pxx (z) = D(z) , factorizarea spectrală
∗ ∗
2 B(z) B (1/z
ia forma Pxx (z) = σ02 Q(z)Q∗ (1/z ∗ ) = σ0 [ A(z ][ A∗ (1/z∗ ], cu σ02 constantă,
B(z) = 1 + b(1)z −1 + ... + b(q)z −q un polinom monic, cu toate rădăcinile
în interiorul cercului unitate (|z| < 1) şi A(z) = 1 + a(1)z −1 + ... + a(p)z −p
polinom monic cu toate rădăcinile în interiorul cercului unitate.

Remarcă: Un polinom monic este un polinom cu coeficientul termenului


de gradul zero egal cu 1. Exemplu: f (z) = 1 + 5z + 8z 2 .
• Totuşi, conform teoremei de descompunere a lui Wold, există o reprezen-
tare mai generală a oricărui proces aleator WSS. Astfel, orice proces WSS
poate fi descompus într-o sumă de două procese ortogonale, un proces
regulat xr (n) şi un proces predictibil xp (n) [9].
• Un proces se numeşte predictibil (determinist)
P∞ dacă există un set de coe-
ficienţi, a(k) astfel încât xp (n) = k=1 a(k)xp (n − k) (xp poate fi prezis
fără eroare ca o combinaţie liniară a valorilor sale anterioare).
• Un proces este predictibil
PN dacă şi numai dacă spectrul său constă în im-
pulsuri Pxp (ejω = k=1 ak u0 (ω − ωk ) [10] .
• Exemple de procese prdictibile: sinusoida de fază aleatoare, procesul ar-
monic, discutate în exemplul 3.3.3 din [3].
Teorema de descompunere a lui Wold: Un proces aleator poate
fi scris ca suma a douĂ procese ortogonale, E{xr (m)x∗p (n)} = 0 unul
regulat, celălalt predictibil, x(n) = xr (n) + xp (n).
PN
→ Pxx (ejω = Pxr (ejω + k=1 ak u0 (ω − ωk ),m unde Pxr (ejω este partea
continuă a spectrului (coresp. procesului regulat) şi suma ponderată de
impulsuri reprezintă partea predictibilă a procesului.
10 CAPITOLUL 1. CAZ PARTICULAR. MAPAREA LOGISTICĂ.

———————————————————————————————–
————————————————————————————————

1.2.4 Tipuri speciale de procese aleatoare


• Procesele aleatoare discutate în cele ce urmează, ARMA (Autoregressive
Moving Average), AR (Autoregressive), MA (Moving Average) pot fi obţi-
nute prin filtrarea zgomotului alb cu un filtru LIT cu o funcţie de transfer
raţională [3], pag.108.

• secvenţele de autocorelaţie ale acestor procese satisfac ecuaţiile Yule-Walker,


care relaţionează rxx (k) şi parametrii filtrului.

• Alte procese relevante pentru procesarea de semnale aleatoare sunt pro-


cesele armonice constând într-o sumă de sinusoide de fază aleatoare sau
exponenţiale complexe aleatoare. Aceste procese sunt utile în aplicaţiile
în care semnalele au componente periodice.

1. ARMA

• filtrăm zgomotul alb, ν(n), cu un filtru LIT cauzal cu o funcţie de


transfer raţională cu p poli csi q zerouri:
Pq −k
Bq (z) k=0 bq (k)z
H(z) = = p (1.11)
1 + k=1 ap (k)z −k
P
Ap (z)

• Presupunând filtrul stabil, provcesul de ieşire, x(n) va fi WSS şi, cu


Bq (z)B ∗ (1/z ∗ )
Pνν (z) = σν2 , spectrul său d eputere va fi Pxx (z) = σν2 Ap (z)Aq∗ (1/z∗ ) →
p
jω |B (ejω |2
Pxx (e = σν2 |Apq (ejω |2
• Un proces aleator cu spectrul de putere de mai sus este numit pro-
ces alaetor autoregresiv cu medie glisantă, ARMA(p,q). Spectrul de
putere va avea, deci, 2p poli şi 2q zero-uri, cu simtrie reciprocă.
Pp Pq
• din (1.11) → X(z) + X(z) k=1 ap (k)z −k = N (z) k=0 bq (k)z −k ,
unde X(z) este transformata-z a ieşirii filtrului, iar N (z) a intrării
acestuia, zgomot alb.
Deci,
p
X q
X
x(n) + ap (k)x(n − k) = bq (k)ν(n − k) (1.12)
k=1 k=0

• secvenţele de autocorelaţie şi de corelazctie de interacţiune satisfac


(1.12) → folosind acest rezultat, în pag. 109-111 ale [3] sunt deduse
ecuaţiile Yule-Walker, care definesc o relaţie recursivă pentru sec-
venţa de autocorelaţie a x(n) în funcţie de coeficienţii filtrului, ap (k)
şi bq (k)
1.2. NOŢIUNI STATISTICE DE ANALIZAT 11

• Ecuaţiile Yule-Walker (1.13) pot fi folosite pentru a extrapola sec-


venţa de autocorelaţie dintr-un set de valori cunoscute pentru aceasta.
Dacă p ≥ q Şi rxx (0), ..., rx xp − 1 sunt cunoscute → se poate cal-
Pp rxx (k), pentru k ≥ p utilizând ecuaţia cu diferenţe rxx (k) =
cula
j=1 ap (j)rxx (k − j)

p
X
rxx (k) + ap (j)rxx (k − j) = σν2 cq (k), 0 ≤ k ≤ q
j=1
= 0, k > q (1.13)
Pq−k
cu cq (k) = j=0 bq (j + k)h∗ (j).
• Ecuaţiile (1.13) dau o relaţie şi între coeficienţii filtrului şi secvenţa
de autocorelaţie → pot fi estimaţi coeficienţii filtrului, ap (k) Şi bq (k),
din secvenţa de autocorelaţie rxx (k)4.
• Dar, ecuaţiile Yule-Walker sunt neliniare (produsul h∗ (j)bq (k + j))
în funcţie de coeficienţii filtrului → dificiel de rezolvat.
• ecuaţiile Yule-Walker sunt importante în probleme de modelare de
semnal şi estimare de spectru.
• Procesele AR (q = 0) şi MA (p = 0) sunt cazuri particulare ale
procesului ARMA.
2. AR
• q = 0 → ARM A(p, 0) = AR(p)

b(0)
H(z) = Pp −k
(1.14)
1+ k=1 ap (k)z
• densitatea spectrală de putere a ieşirii filtrului cu intrare zgomot alb
|b(0)|2 2
de Pν (z) = σν2 va fi Pxx = σν2 Ap (z)A ∗ (1/z ∗ → Pxx (e

= σν2 |A|b(0)|
p (e
jω )|2 .
p

• spectrul de putere al unui proces AR(p) conţine 2p poli şi niciun zero


(cu excepţia celor de la z = 0 şi z = ∞).
• din(1.12) pot fi deduse ecuaţiile Yule-Walker pentru un proces AR(p),
cu q = 0 → c0 (0) = b(0)h∗ (0) = |b(0)|2
p
X
rxx (k) + ap (j)rxx (k − j) = σν2 |b(0)|2 δ(k); k ≥ 0 (1.15)
j=1

• ecuaţiile (1.15) sunt liniare în coeficienţii ap (k) → coeficienţii ap (k)


pot fi determinaţi uşor din secvenţa de autocorelaţie rxx (k).
• Ecuaţiile Yule-Walker pot fi folosite pentru a genera secvenţa de auto-
corelaţie , daţi fiind coeficienţii filtrului.
3. MA
4. Procese armonice
12 CAPITOLUL 1. CAZ PARTICULAR. MAPAREA LOGISTICĂ.
Capitolul 2

Tema 2017-2018

2.1 Exerciţii bazate pe [4]


1. Fie un proces aleator având media nulă şi densitatea spectrală de putere
Pxx (ejω ). (a) Reprezentacti Pxx (ejω ), ω ∈ (−π, π]. (b) Calculaţi şi repre-
zentaţi funcţia de autocorelaţie. (c) Calculaţi puterea medie a procesului.

1.2cosω−2
• Pxx (ejω ) = 1.2cosω−1.36
(z+1)2
• Pxx (z) = z
(z+1)2
• Pxx (z) = z

2. Fie un proces aleator staţionar în sens larg cu densitatea spectrală de


z
putere Pxx = az2 +(1+a 2 )+a , |a| < 1. (a) Reprezentaţi Pxx (ejω pentru
ω ∈ (−π, π] Şi a=0.1, 0.9; (b) Calculaţi funcţia de autocorelaţie; (c) Re-
prezentaţi funcţia de autocorelaţie; (d) Calculaţi puterea medie a proce-
sului; (e) Reprezentaţi Pxx (ejω , ω ∈ (−π, pi], pentru |a| < 1, cu pasul de
0.1.
SOLUŢIE

• yyliolii;

3. Verificaţi că pentru o variabilă aleatoare cu funcţia de densitate de pro-


x−mx )2
babilitate wX (x) = √1 e− 2σ 2 , media şi varianţa sunt date de mx şi
σ 2π
σ.
SOLUŢIE

• kjhjlkk

4. Fie x(n) un proces aleator de tip zgomot alb, cu medie nulă, varianţ egală
cu unitatea şi y(n) ca în (2.1).

13
14 CAPITOLUL 2. TEMA 2017-2018

y(n) = x(n), 0 ≤ n ≤ N − 1
= y(n + N ), nrest (2.1)

(a) Determinaţi funcţia de autocorelaţie ryy (n); (b) Determinaţi E{z(n)2 },


dacă z(n) = y(n) ∗ h(n), unde

π
H(ejω = 1, |ω| ≤
N
= 0, nrest (2.2)

SOLUŢIE

• kjhjlkk

5. SOLUŢIE

• kjhjlkk

6. SOLUŢIE

• kjhjlkk

7. SOLUŢIE

• kjhjlkk

8. SOLUŢIE

• kjhjlkk

9. SOLUŢIE

• kjhjlkk

10. SOLUŢIE

• kjhjlkk

11. SOLUŢIE

• kjhjlkk

12. SOLUŢIE

• kjhjlkk

13. SOLUŢIE

• kjhjlkk
2.2. EXERCIŢII BAZATE PE [?] 15

2.2 Exerciţii bazate pe [3]


1. (14 din Temă) Fie procesul aleator dat de x(n) = Asin(nω0 + φ), unde
A şi ω0 sunt constante fixe, iar φ este o variabilă aleatoare uniform dis-
tribuită în [−π, π). Determinaţi media şi autocorelaţia procesului aleator.
Stabiliţi dacă este staţionar în sens larg.

SOLUŢIE:

• nmnjkjl;k’
2. (15 din Temă)
SOLUŢIE

• kjhjlkk

3. (16 din Temă)


SOLUŢIE

• kjhjlkk

4. (17 din Temă)


SOLUŢIE

• kjhjlkk

5. (18 din Temă)


SOLUŢIE

• kjhjlkk

6. (19 din Temă)


SOLUŢIE

• kjhjlkk

7. (problema 20; exemplul 3.4.1 din [3]) Se generează procesul aleator x(n)
prin filtrarea zgomotului alb w(n) cu un filtru LIT de ordinul unu, cu
1
funcţia de transfer H(z) = 1−0.25z −1 . Varianţa zgomotului alb este egală
2
cu unitatea, σw = 1. Determinaţi secvenţa de autocorelaţie a procesului
aleator x(n).
SOLUŢIE

• din (1.10) → Pxx = σw 2


H(z)H(z −1 ) = 1
(1−0.25z −1 )(1−0.25z) (H ∗ (1/z ∗ ) =
H(z −1 ); funcţie reală).
16 CAPITOLUL 2. TEMA 2017-2018

• → Pxxx (z) are 2 poli, la z1 = 0.25 şi z2 = 1/z1 = 4.


• autocorelaţia este transformata-z inversă a spectrului de putere, rxx (k) =
Z −1 {Pxx (z)}
16/15 4/15
• z −1 Pxx (z) = 1 A B
(z−0.25)(1−0.25z) = z−0.25 + 1−0.25z = z−0.25 + 1−0.25z →
16/15 16/15
→ Pxx (z) = 1−0.25z −1 − 1−4z −1
1 n
• ştim (pag 146 a [8]) că transformata-z inversă a 1−αz −1 este α u(n),
n
dacă |z| > |α| şi −α u(−n − 1), dacă |z| < |α|. u(n) este funcţia
treaptă unitate, u(n) = 0, n < 0; 1, n ≥ 0.
16 1 k
→ rxx (k) = 15 [( 4 ) u(k) + 4n u(−k − 1)], astfel încât regiunea de
convergenţă să fie un contur închis. Aici, 0.25<|z|<4.
• Cum u(k) = 1, pentru k ≥ 0 şi u(−k − 1) = 1, dacă k ≤ −1,
16 1 |k|
rxx = 15 (4)

8. (problema 21; exemplul 3.4.2 din [3], pag.102) Spectrul de putere al unui
5+4cos(2ω)
proces aleator poate fi exprimat prin funcţia Pxx (ejω = 10+6cos(ω) . Proce-
2
sul studiat a fost obţinut prin filtrarea unui zgomot alb de varianţă σw =1
cu un filtru LIT. Determinaţi funcţia pondere a filtrului.
SOLUŢIE
ejω +e−jω
• e±jω = cos(ω) ± jsin(ω) → cos(ω) = 2
5+2(e−j2ω +ej2ω ) 5+2(z 2 +z −2 ) 1+2z 2 2z −2 +2z 2 +2z −2
Pxx (z) = 10+3(ejω +e−jω ) = 10+3(z+z −1 ) = 1+3z3z −1 +3z+3z −1
−2
2z (2z +1)+2z 2 +1
2
(2z −2 +1)(2z 2 +1)
→ Pxx (z) = 3z −1 (3z+1)+3z+1 = (3z −1 +1)(3z+1)

• trebuie să aleg H(z), H(z −1 ), iar spectrul de putere al procesului


2
rezultat prin filtrare va fi Pxx (z) = σw H(z)H(z −1 ).
2z 2 +1 1+ 1 z −2
• alegem H(z) = 3z+1 = z 23 1+ 21 z−1 , filtru stabil şi cauzal(|z| = 1
3 ≤
3
1).
1+ 1 z −2
• putem alege şi H(z) = 23 1+ 21 z−1 , care are avantajul unei transformate-
3
z inverse mai uşor de obţinut.
2 1 1 z −2
• H(z) = 3 1+ 13 z −1 + 3 1+ 13 z −1

• folosind proprietatea de deplasare în timp (shifting) (pag. 148 din [8])


şi expresiile transformatelor-z din [8], pag. 146 → h(n) = 32 (− 13 )n u(n)+
1 1 n 1
3 (− 3 ) u(n − 2), cu |z| > 3

9. (problema 22; exemplul 3.6.1 din [3]) Se generează un proces ARMA(2,2)


prin filtrarea zgomotului alb ν(n) cu un filtru LIT având 2 poli, z =
0.9e±j2π/5 , şi 2 zero-uri z = 0.95ejπ/2 . Puterea zgomotului alb este σν2 = 1.
Determinaţ expresia spectrului de putere al procesului ARMA(2,2), x(n),
şi reprezentaţi-l grafic, în funcţie de ω.
SOLUŢIE
2.2. EXERCIŢII BAZATE PE [?] 17

• vedeţi secţiunea 1.2.4 pentru definiţii şi proprietăţi.


P2 −k
k=0 bq (k)z
• funcţia de transfer a filtrului va avea forma H(z) = 1+ 2k=1 ap (k)z −k
P

1−0.95z −1 cos(π/2)+0.952 z −2 1+0.9025z −2


→ H(z) = 1−0.9z −1 cos(2π/5)+0.92 z −2 = 1−0.5562z −1 +0.81z −2

• e−j2π/5 + e2π/5 = 2cos(2π/5) = 2cos(72o ) = 2 · 0.309


• → coeficienţii filtrului sunt: a(0) = 1, a(1) = 0.5562, a(2) = 0.81; b(0) =
1, b(1) = 0, b(2) = 0.9025
• spectrul de putere al procesului ARMA(2,2) va fi, deci, Pxx (z) =
1+0.9025e−2jω
σν2 H(z)H ∗ (1/z ∗ ) → Pxx (ejω ) = | 1−0.5562e −jω +0.81e−2jω |
2

• Reprezentăm spectrul obţinut în Fig. 9, utilizând codul Matlab de


mai jos.

Matlab Code
1 w=0: p i / 1 0 0 : p i ; %p u l s a t i a \omega [ rad / s ]
2 P=10∗ l o g 1 0 ( ( ( ( 1 + 0 . 9 0 2 5 ∗ exp (−2∗ i ∗w) ) ) . ^ 2 )
. / ( ( 1 − 0 . 5 5 6 2 ∗ exp(− i ∗w) +0.81∗ exp (−2∗ i ∗w) ) . ^ 2 ) ) ;
%c a l c u l e z s p e c t r u l de p u t e r e i n f u n c t i e de \
omega
3 p l o t (w, P) ; g r i d ;
4 x l a b e l ( ’ \omega [ rad / s ] ’ , ’ I n t e r p r e t e r ’ , ’ LaTeX ’ ) ;
5 y l a b e l ( ’ D e n s i t a t e a s p e c t r a l \u{ a } de p u t e r e , $P_{
xx } ( e ^{ j \omega } ) $ ’ , ’ I n t e r p r e t e r ’ , ’ LaTeX ’ ) ;

10. (problema 23; exemplul 3.6.2 din [3]) Se dă procesul aleator de valori reale
AR(1), x(n), format prin filtrarea unui zgomot alb de varianţă unitară cu
un filtru "numai poli" de ordinul 1, cu a(1), b(1) coeficienţi cu valori reale.
Determinaţi spectrul Pxx (z). Reprezentaţi-l în funcţie de ω. Alegeţi b(0)
astfel încât Pxx (0) = 1.
SOLUŢIE
b(0)
• funcţia de transfer a filtrului "numai poli" va fi: H(z) = 1+a(1)z −1
b(0)2
• densitatea spectrală de putere va fi, deci: Pxx (z) = (1+a(1)z −1 )(1+a(1)z) →
jω b(0)2
P (e ) = 1+a(1)2 e−jω +2a(1)cos(ω)

11. (problema 24; exemplul 3.6.3 din [3])


SOLUŢIE

• jhgkjlk;’
18 CAPITOLUL 2. TEMA 2017-2018

Figura 2.1: Spectrul de putere al unui proces aleator ARMA(2,2) cu zerouri la


z = 0, 95e±jπ/2 şi poli la z = 0.9ej2π/5
.
Bibliografie

[1] Goldberg, David (March 1991). "What Every Computer Scientist Sho-
uld Know About Floating-Point Arithmetic" (PDF). ACM Computing
Surveys. 23 (1): 5âĂŞ48. doi:10.1145/103162.103163. Retrieved 2016-01-20.

[2] Mihai Ciuc, Constantin Vertan, Prelucrarea statistică a semnalelor, Editura


MatrixRom, 2005.
[3] Monson H. Hayes, Statistical Digital Signal Processing And Modeling, Ge-
orgia Institute of Technology, John Wiley & Sons, INC, 1996.
[4] S. Ciochină, Curs PNS, accesibil online pe 1.10.2017.
[5] http://www.radartutorial.eu/06.antennas/!an02.en.html, accesat pe
20.12.2017.
[6] http://arl.nus.edu.sg/twiki6/bin/view/ARL/Research, National Univer-
sity of Singapore, accesat pe 20.12.2017.
[7] M.S. Baptista, Cryptography with chaos, In Physics Letters A,
Volume 240, Issues 1âĂŞ2, 1998, Pages 50-54, ISSN 0375-9601,
https://doi.org/10.1016/S0375-9601(98)00086-3.
[8] Schaums Outline of Digital Signal Processing, 2nd Edition (Schaums, Outli-
nes) 2nd Edition by Monson H. Hayes (Author), ISBN-13: 978-0071635097,
ISBN-10: 0071635092
[9] A Study in Analysis of Stationary Time Series. by Herman Wold, Review
by: J. N. Journal of the Royal Statistical Society, Vol. 102, No. 2 (1939),
pp. 295-298, Published by: Wiley for the Royal Statistical Society, Stable
URL: http://www.jstor.org/stable/2980009 . Accessed: 01/10/2014.
[10] Papoulis, A. (1985). Predictable Processes and Wolds, Decomposition: A
Review. Acoustics, Speech and Signal Processing, IEEE Transactions on.
33. 933- 938. 10.1109/TASSP.1985.1164637.
[11] http://www.theasciicode.com.ar/, http://literature.cdn.keysight.com/litweb/pdf/5990-
8093EN.pdf, accesat pe 1.01.2018.

19