ωn  2πf n

Curs 6  N
 j t
U ( j )   u (t )e dt T
rˆuy (k )   h(n)ru (k  n)
[ N ]
2  Tn  1 
0 n0
- necalculabil
……,u(N)]T ; y=[y(1),……,y(N)]T
u=[u(1),
Eu cunosc uT(t) numai in intervalul de observare. fn 2 rˆuy ( k ) k  0,1,2,..., m m
u(t) – sistem automat ergodic
 2  fn  1 N  numarul de date
ruy (t )   h( )ru (t   )d N 2 Dand lui k diferite valori obtinem un sistem
Sumez :o data dupa indici pari ;
0 o data dupa indici impari;
T
 S
→ pot determina functia pondere h(τ)
( )  W ( j ) S u ( ) N 2  j2
n
2k
rˆuy (0)  h(0)rˆuT (0)  h(1) rˆ
u(ωn )   u( 2k ) e
 uy

 S y ( ) | W ( j ) |

2
S u ( )  S v ( ) Transfotrmata Fourier trunchiata:
N
 rˆuy
T
(1)  h(0)rˆuT (1)  h(1)rˆuT
→ pot determina functia de amplif. complex W(jω) T k 1
(t )e  j t dt
(W-H)-Dinner Hopf .......... .......... .......... .......... .......
h(t)  U T ( j )  u
T
n T
(0)  h(0)rˆuT ( m)  h(1)
N 2
  W ( s)  j2 ( 2 k 1) rˆuy
  u( 2k  1) e
W(jω 
Etape de parcurs: 0
=aproximare prin discretizare
N
  rˆuy ( 0) 
1. Estimarea din U,y a ru(t), ruy(t)  
2. Estimarea din U,y a Suy(ω), Su(ω), Sy(ω) 2 k 1 Ruy    
T
Sˆu ( )  1 U T ( j )
 ˆ 
aproxi r uy ( m ) 
3. Deconvolutia → are ca rezultat determinarea lui h(t) T N 2 2 n
j 2k  h ( 0) 

  u( 2k ) e
din W-H  


h 
→ e mai usoara pe cazul mare printrunchiere N  
 h ( m) 



Estimatorul e slb datorita aprox. prin discretiazare
particular u(t)=zgomot alb
+ trunchiere.
Efectul trunchierii poate fi micsorat pana la
k 1
        rˆ (0) rˆu (1)
eliminare cu ajutorul ferestrelor pondere f(t) u p  u par  u
 ru (t )   (t )  (W  H )
2 n N 2 2 n Ru   r ˆu (1) rˆu (2)
j j 2k
 ..........
 1 ,
f(t)  
t  [ 0 ,T]
e N
k 1
u( 2k  1) e N
rˆu (m)
..........
rˆu (1  m)
 ruy (t )   h( ) (t   )d  h(t ) 0 , in rest         Matricea Toep
0
1. Estimarea din U,y a ru(t), ruy(t):
F[u T
(t)]  F[u(t)] F [f(t)]
  
u p u impar
2 n Ruy  Ru  h  h  Ru1Ruy
Pentru u(t) un sistem aut. ergodic: j
T  u(
()n )  u p  e N ui Def.Un semnal u(t) e semnal permanent de
ordinul n (SPn) daca :
m ˆT  1  u (t )dt
-- produs de convolutie
N 2 2 n 1.u(t) ergodic

 F[u
T j
 F[u(t)]
2k 2.
T
0 (t)] up 
c azul
 u ( 2 k )e N   ru (0)  ru (m
k 1
Ru (n)   ................  .......
e rgodi ci ta t ii

 ())u

r (t )  (
M [u (  -element
( 
neutru la pord.
 de
t )]
2 n
u

 N 4 j 2k ru (m  1)  ru
  u ( 4k )e
convolutie)
T
l im

1
T
T


0
u(  )u (t   )d  N

ruT(trunchiat) Sunt mai multe f(t): - fereastra Hanning ;ru(k)=ru(-k) (matrice simetrica)
T - k 1 Ru(n) sa nu fie singulara.
ruT
(t )  1
 u(  fereastra
) u( t 
Hamming  )d  
T

-
 N 4 2 n Daca U=[u(1)...u(n)]T
0
j ( 2 k 3 )
  u (4k  3)e
 N 
 N u (t )
 M [u (t )]  N
lim N 


1

t  k  n T   1. t  1 cond . de ergodicitate


N

fereastra Barlett 
r ( k )  lim 1
 u

N  N

N u (t )
t 1 , t  k , k  0, N
N
ˆ
ru
T
( k )  1
N Deci
uprin
(n fereastra
) de u pndere
(( sen elimina
 k ))   2. Ru(n) >0
inconvenientul aproximarii transformatei Fourier
n 0 k 1 Teorema1.Daca u(t) este semnal persistent de
trunchiate.
N 2 n ordin n ,atunci |U(jω)|≠0 in n puncte.

 1 rˆuT (k )  1
N  u (n)u (n Skuy
T
) ( )  T1 U T ( j  )Y T (  j  )  u pp  e
 j3
N u pi
E valabila si reciproca.
Teorema2.

U(jω)  F[u(t)]
n0 2 n
→estimator pe care nu-l pot calcula in toate punctele  j3 y(t)=SPn daca (persistenta se
i ip N u ii
rˆ (k ) 
T 1
[u (1)u (k  1)  ...  u u e pastreaza la trecerea prin filtru):
u N 
B ( q 1 )
H (q 1 ) 
 j t 2 n
 u ( N  k )u (k )  ...  u ( N )u ( N  k )] U ( j n )   u (t )e dt  n , n  1,2,......
u ( n )  u pp
e
 j3
N
u pi

1.
A( q 1 )
liniar ,
0
N k Calculul pentru n=1,2,...,k inseamnasa calculam k
2 n 2 n
stabil , de faza minima .(filtru)
rˆuT (k )  1
N k  u (n)u (n  k ) , k
u (t )  t

Nlui u(t).
armonici ale
3  1... 1000 (1000
e
j
ip
dateNde intrare
 j3
(u
) N
e u )ii
2.Radacinile lui A trebuie sa fie in exteriorul
cercului de raza 1.
n 1 k  100 3.u(t)=SPn
Teorema3.
pentru o estimare corecta Pentru un calculator se fac 10 8
2 n
 j3
 u pp  e u ip 
operatii pe secunda , ar trebui sa calculam o
N k saptamana.
N
T
ruy (k )  1
N k  u ( n) y ( n  k ) Se utilizeaza TRF (algoritmul
transformatei fourier rapide)→ pentru datele
 j3
2 n
j4
2 n
H(q-1)≡0 (nu exista transfer de la intrare la iesire)
daca :
n 1
e u pi  e u ii 
anterioare cu aceasta vitez o calculam in 20-30 N N 1.
2. Estimarea din U,y a Suy(ω), Su(ω), Sy(ω) secunde.
def Transformata Fourier rapida (TFR)
j
2 n H ( q 1 )  h0  h1 q 1  ...  h
S u (ω)  F[ru (t)]  
 j n t
t  k
u pp .. p
e N
u ipiip ..

u(ωn )   u (t )e dt  2.u(t)=SPn
3.M[y2(t)]=0
 0  .......(dupa r pozitii N  2 ) r Dem:

 r (t)e
 j t
dt  
 jω n kΔ
S-a den. ca daca am ajuns la uppii..ip→u(k) y (t )  H (q 1 )u (t ) 
0
u
u(ωn )  Δ u(kΔ) e Daca lui p îi asociez 0 si lui i 1 ,indicele superior

T
n 1 001011...10 citit invers 01...110100 reprezinta rangul
termenului din vectorul
de date : k;
h0 u (t )  h1u (t )  ...  hm 1
u (t )  A sin 2 t

  u( )u(t  τ)e

Mr.T 
de operatii necesare scade de la 2k la rln2.
 lim T1  jω t
dτ dt u (t1 )  A sin 2 t1
 u
 T eorema
t  t1 
T 
r  3 tu (0
T
) Shannon
u (1) ...u (7)

 h1 ... hm 1    u (
 t2  2
t1 u (t 2 ) A sin
T

 2
0 0
000 001 010 011 ..111
 lim T1 U ( j t )U (  j t )  Δ  1 u ( n )   u (k ) e  j n k
N

 h0
000 100 010 110 ..111
T 
k 1 u (t 
 lim T1 U ( j )
2
N n
u (k ) u ( 0) u ( 4) u ( 2) u (6)..u (7) 
 j 2 k
  u (k ) e
T  3.Deconvolutia
N
 M [ y 2 (t )]  M [h T u u Tv h] 
k 1 ruy (t )   h( )ru (t   )d
0
 Astfel cele 3 informatii sunt absolut necesare .
 u (t )  M [ˆ]     absolut Estimatorul care foloseste cele 3 informatii se numeste
estimator de risc minim (RM).
 u (t  1)  D[ˆ]   0 corect
  u (t  n  1) 
3).
T C (    )   ||     ||2
M [u u ]  M   u (t ) u (tn  1) ...

 U ( )
u (t  n  1)
4).estimator eficient
 0 (ptr . a afla minimul)
 
 
   M [ ˆ] 


 ˆ 
 M [ ]  minima
Pt. a gasi un estimator (care e o variabila
  aleatoare dependenta de esantionul de date  V ( )    ||     || p (  / y , u ) d 
ru (0) ru (1) ... ru ( n  1)  masurate) pot folosi informatii statistice apriorice.

) p (  / y, u ) d 
Pentru valori concrete ale lui u,y , valoarea
  ru (1) ru (0)  2)ˆ(u ,Ryu)(sennumeste
... ru ( n functiei ) estimatie . 2  (  
.......... .......... .......... 
1).Distributia perturbatiei p(v) – informatia se
R n

ru ( n) ru (n  1) ... ru (0) poate  relativ usor . 

/ y , u ) d   
p (  / yu )d 
 p( 
obtine
Putem face ipoteza ca perturbatia e normal 
distribuita.
hT Ru ( n ) h  0
n n
 R       R       
 i , i. pol
  h  0 ( h coef 1, n. Hv). a. independenta 1 M [  / yu ]
Ru ( n )  0 
 ( q.e.d .)
( Liapunov )
/Exemplu:
S ( )  W ( j ) S ( )
T T n
C (    )   (    )
uy
T
u
 i 
n 
 N( , ) 
Suy ( ) i 1
 W ( j )  //
V ( )   p( / y, u ) (    ) d    p (  / y , u )

SuT ( )
2).Distributia valorilor adevarate ale parametrilor
Estimatori de risc minim (Bayes)
Se deduc folosind informatiile statistice cunoscute aprioric.
p(θ*) Rn  
3).Sa cunosc functia C(θ -θ*)=functie de cost(de
pierderi)
C(θ -θ*)<0 pierderea produsa prin folosirea var. θ ˆRN  arg min p (  / y , u )
in loc de θ*. 
p(v)  p(y/ ˆ, u )
In realitate singura informatie apriorica pe care o pot
1.
obtine este p(v).
reprezinta problema de aproximatie a val. Pot face ipoteze asupra celorlalte doua.
└→ fnct. de verosimilitate 1). P (v)  p ( y /   , u )

ˆ  arg min M [C (   ) / y, u ]2).
RM         P (  )  const   D orice
 V ( ) val. pt. θeste egal probabila
T
U  [u (1) ... u ( N )] Dim. θ=m 3). C (    )   (    )
   pierdere este posibila
Y  [ y (1) ... y ( N )]T (S ) V( )   C (   ) p( / y, u )dorice
In ipotezele 1). 2). 3). ,estimatorul

V  [v(1) ... v( N )]T Rm constant

(media fnct. de pierdere in raport 
P(  / y, u ) P ( ) 
Fie un model parametric discret:

B nb (q 1 )
1 cu repartitia fnct. ˆRN  arg min
G (q )   P
 ( y)  
resp.)
A na (q 1 ) constant
ˆRM  arg min V ( )
  [coef A, B]T
(risc
  ˆRN  arg min P( y /   , u )  VH
( na , nb )  date minim)
Formula pbl. totale   
na,nb -- indici parametrici 
Formula Bayes estimator de verosimilitate maxima
Facem ipoteze asupra sistemului :
1).sistemul e liniar , stabil , de faza minima ; Fie un cp. de evenimente F
2).sistemul e perturbat cu v(t)care este u proces aleator S  {Ei }, i  1, n
ergotic cu densitate spectrala rationala;
 Ei  E j   i  j
3).sistemul e in circuit deschis; 
4).u(t) si v(t) provin din surse diferite (independente)  n
Daca fac ipoteza 1). U Ei  

* i 1
1 B (q ) grad B  nbDacax este un eveniment (oricare) din F:
* 1 *
G (q ) 
*
1  n
*
A (q ) grad A  na *  *
P ( x)  P[ x  ]  P[ x  ( U Ei )] 
B* , A * coprime 1
 n n
ad (B , A )  1
* *

Pp. ca radacinile lui A* si B* Є exteriorului cercului de

 P[ U ( x  Ei )]   P ( Ei )P ( x / Ei )
raza 1.
1 i1     
2).
Formula pbb. totale
B ( q 1 )
h(t )  H  (q 1 )e(t )  e(tP
) (B / A) 
P ( B  A)
A (q 1 ) B conditionat P ( A)
de A
F lui Bayes

3).in intrare nu regasimnici o fractiune din y. P( Ei )  P( x / Ei )

ruy(t)≠0 ; ryu(t)=0 P ( Ei / x ) 
4). ruv(t)=0 ; rvu(t)=0 P( x)
Trebuie dedus estimatorul ˆ(u , y ) (e o functie
In cazul vectorial form. lui Bayes :

P ( y /   , u )  P (  )
oricare ar fi date de intrare si de iesire)
1).estimator nedeviat M [ˆ]    P (  / y, x)  
P( y )
2).estimator consistent lim ˆ(u , y )   
N  P ( y /   , u )  P (  )
 P( y /  , u ) P (  )d 


Rn