n Caracterizãri în timp şi frecvenþã

) Notaţii şi definiţii de bază

Clasa
Clasade
demodele
modeleARMAX
ARMAX e
Filtru de zgomot
A(q −1 ) y[ n] = B(q −1 )u[ n] + C (q −1 )e[ n]
AR X MA
Auto-Regresiv Control Medie G ≡ C/A
eXogen Alunecãtoare Filtru de sistem
• q −1 Operatorul
Operatorul de
de întîrziere
întîrziere cu
cu un
un pas.
pas. v
(q −1
f ) [ n] = f [ n − 1] ∀ n ∈Z u y
⎡ A(q ) = 1 + a1 q +
−1 −1 − na
H ≡ B/A +
+ ana q
Polinoame

⎢ −1
⎢ B(q ) = b1 q −1 + + bnb q − nb * intrarea nu se transmite instantaneu la ieşire
⎢C (q −1 ) = 1 + c q −1 + + cnc q − nc * zgomotul se transmite instantaneu la ieşire
⎣ 1

R
V
Zgomotul alb e
Zgomotulalb proces
proces stocastic
stocastic total
total necorelat
necorelat,, O
⇒ Alb
I G
impredictibil
0.1
0.1

0.05
0.05
impredictibil A V
00

Zgomotul
Zgomotulccolorat
olorat R
-0.05
-0.05 22
Period:
Period: NN == 500
500
V O
v ⇒ Roz
1.5
1.5

-0.1
-0.1
11
zgomot
zgomot alb
alb filtrat
filtrat I G
A V
00 50
50 100
100 150
150 200
200 250
250 300
300 350
350 0.5
0.5

00

-0.5
-0.5

1.4
-1
-1

-1.5
-1.5
** Variance:
Variance: 0.697359
0.697359
-2
-2
00 500
500 1000
1000 1500
1500 2000
2000 2500
2500
 n Caracterizãri în timp şi frecvenþã
) Notaţii şi definiţii de bază
Operatorul
Operatorulde
demediere statisticã E{ y[n ]}
medierestatisticã Media
Media statisticã
statisticã aa ieşirii
ieşirii procesului
procesului,, pe
pe
ansamblul
ansamblul realizãrilor
realizãrilor,, la momentul nT
la momentul nTee..
Auto-covarianþã &
Auto-covarianþã &Covarianþã
Covarianþã Ipoteza
Ipoteza Ergodicã
Ergodicã
def
ru [k ] = E{u[n ]u[n − k ]}
Media
Media temporalã
temporalã aa oricãrei
oricãrei realizãri
realizãri
def
ruy [k ] = E{u[n ] y[n − k ]} suficient
suficient de
de îndelungate
îndelungate..
∀ k ∈Z 1 N

Aratã
Aratã gradul
gradul de
de corelare
corelare dintre
dintre procese
procese sau
sau
E{ y[n ]} = lim
N →∞ N
∑ y[ n ]
n =1
realizãri
realizãri ale
ale aceluiaşi
aceluiaşi proces
proces..

Transformatã
TransformatãFourier
Fourier Densitate
DensitateSpectralã
Spectralãde
dePutere
Putere Aratã
Aratã conþinutul
conþinutul în
în
Directã
Directã frecvenþã
frecvenþã al
al proceselor
proceselor..
def def
X ( e j ω ) = ∑ x[ n]e − j ω n , ∀ ω∈ R φu ,uy ( ω) = ∑ ru ,uy [ k ]e− j ω n , ∀ ω∈ R
n∈Z k ∈Z

Inversã
Inversã +π +π
1 1
x[ n] = ∫
2π −π
X (e j ω )e+ j ω n d ω, ∀n∈Z ru ,uy [ k ] = ∫
2π −π
φu ,uy (ω)e+ j ωn d ω, ∀k ∈Z

* determinist * nedeterminist 1.5

 n Caracterizãri în timp şi frecvenþã
* determinist
Timp
Timp Sistem Frecvenþã
Frecvenþã
u y
Analiza h[k] , H(ejω)
Analizatranzitorie
tranzitorie Analiza
Analizaîn
înfrecvenþã
frecvenþã
• Pentru estimarea timpului • Pentru estimarea
mort şi/sau a funcþiei pondere. rãspunsului în frecvenþã.
• Utilitate redusã în IS. y ≡ h ∗u Y ( e jω ) = H ( e jω )U ( e jω )
jω 0
u[ n] = u0 sin(ω 0 n ) y0 = u0 H ( e ) Í Se poate trasa pentru
diferite valori ale lui ω0.
y[ n] = y0 sin(ω 0 n + ϕ) ϕ = arg H ( e
jω 0
) Í Dificil de estimat!
O
O strategie
strategie
• Pentru: ω0 = 2π m0 / n0 m0 , n0 ∈ N∗
* Rezultat sensibil
N = 2π m0 K / ω0 = Kn0 înmulþire
înmulþire cu
cu sin
sin şişi cos
cos
la perturbaþii.
⎧ def
y0 y0
⎪⎪ sy [ n ] = y [ n ] sin( ω 0 n ) = y 0 sin( ω0 n + ϕ ) sin( ω0 n ) = cos ϕ − cos(2ω0n + ϕ)
2 2
⎨ def
⎪ yc [n ] = y[n ] cos(ω0n ) = y0 sin(ω0n + ϕ) cos(ω0n ) = y0 sin ϕ + y0 sin(2ω0n + ϕ)
⎪⎩ 2 2
mediere temporalã ⎧
mediere temporalã 1 N −1 y0 ⎛ N −1 ⎞
⎪ y s = N ∑ y s [n ] = 2 cos ϕ ⎛ yc ⎞
⎜ ∑ y[n ] cos(ω0n ) ⎟
⎪
⎨
n =0
ϕ = atan 2 ⎜⎜ ⎟⎟ = atan 2⎜ nN=−01 ⎟
N −1
⎝ ys ⎠ ⎜ ⎟
⎪y = 1 ∑
y
∑ yc [n ] = 0 sin ϕ ⎜ y[n ] sin(ω0n ) ⎟
⎪⎩
1.6
c
N n =0 2 ⎝ n =0 ⎠
 n Caracterizãri în timp şi frecvenþã
* nedeterminist
Timp v Frecvenþã
Timp Frecvenþã
Analiza
Analizabazatã
bazatãpe
pecorelaþie
corelaþie u y Analiza
Analizaspectralã
spectralã
h[k] , H(ejω)
• Pentru estimarea secvenþelor • Pentru estimarea densitãþilor
Proces
de (auto-)covarianþã. spectrale de putere.
Ce devine echivalenþa:
y ≡ h ∗u Y (e jω ) = H (e jω )U (e jω ) ?
Operatorul de mediere statisticã
este actorul principal.
ruy [ k ] = ∑ h[ m] ru [ k − m] φuy ( ω) = H (e jω )φu (ω)
m∈Z
2
φ y ( ω) = H ( e jω ) φu (ω)
ry [ k ] = ∑ ∑ h[ p] h[ q] ru [ k + p − q]
p∈Z q∈Z
Transferul
Transferul densitãþii
densitãþii spectrale
spectrale
prin sisteme liniare
prin sisteme liniare
O
O strategie
strategie complementarã
complementarã

E × y[ n − k ] A( q −1 ) y[n ] = B( q −1 )u[n ] + C ( q −1 )e[n ] Í Ecuaþie cu diferenþe.

d c * Soluþie analiticã sau recursivã

pentru modelele uzuale.
A( q −1 )ry [k ] = B( q −1 ) ruy [k ] + C ( q −1 )rey [k ] Í Ecuaþie cu secvenþe de
∀ k ∈ N covarianþã. 1.7
 n Caracterizãri în timp şi frecvenþã
) Caracterizări ale zgomotului alb
Timp
Timp Frecvenþã
Frecvenþã
re φe

λ2=re[0] λ2

k 0 ω
0 π 2π
re [ k ] = E {e[ n]e[ n ± k ]} = λ 2 δ0 [ k ], ∀k ∈ Z φ e ( ω) = λ 2 , ∀ω∈ R

Densitate
Densitatede
deprobabilitate
probabilitateGaussianã
Gaussianã

1 p def
1 ⎡ e2 [ n] ⎤
2πσ p ( e[ n]) = exp ⎢ − 2 ⎥
, ∀n∈Z
2πσ ⎣ 2σ ⎦

− 3σ 0 + 3σ e[n ]
1.8
 n Caracterizãri în timp şi frecvenþã
) Probleme de simulare
Contextul
Contextulde
delucru
lucru
22modele
modele
b1q −1 b1q −1 + b2 q −2
−1
H1 ( q ) = −1
H 2 (q ) = (45)
1 + a1q −1 1 + a1q −1 + a2 q −2
ordin 1 ordin 2
Programe
Programedisponibile
disponibile
# ISLA B_1A
¾ Apel: islab_1a(C,A,N,tau_max,nr) ;
¾ Modul de calcul al valorilor adevărate şi estimate pentru secvenţe de auto-
covarianţă obţinute cu ajutorul unui proces ARMA[1,1]. Sunt trasate graficele
secvenţelor obţinute. Este de asemenea trasată o realizare a zgomotului
colorat rezultat. Argumentele funcţiei sunt următoarele:
C polinomul MA (vector [1 c]);
A polinomul AR (vector [1 a]);
tau_max pivotul maxim al secvenţelor de auto-covarianţă (implicit: 50);
nr numărul realizărilor de generat (implicit: 1).

1.9
 n Caracterizãri în timp şi frecvenþã
Programe
Programedisponibile
disponibile ) Probleme de simulare
# ISL AB_1B
¾ Apel: islab_1b(x,y,SNR) ;
¾ Modul care simulează dependenţa de SNR a polilor şi zerourilor unui model
ARMA[2,2], determinat prin echivalarea sa cu un model AR afectat de 2
zgomote necorelate (ca în Exerciţiul 1.4). Argumentele funcţiei sunt:
x partea reală a polilor modelului AR (implicit: 0.5);
y partea imaginară a polilor modelului AR (implicit: 0.5);
SNR raportul semnal-zgomot (implicit: 3).
Rutine disponibile
Rutine disponibile
# D_S PEKTR
¾ Apel: [w,fi]=d_spektrum(A,B,sigma2) ;
¾ Rutină auxiliară de evaluare a spectrului ieşirii unui filtru liniar discret stimulat
cu un zgomot alb. Argumentele funcţiei sunt următoarele:
A numitorul funcţiei de transfer a filtrului (polinom);
B numărătorul funcţiei de transfer a filtrului (polinom);
Sigma2 varianţa zgomotului alb de la intrare.
Funcţia returnează:
w axa pulsaţiilor ( ω );
fi densitatea spectrală φ y a zgomotului colorat (de ieşire).

1.10
 n Caracterizãri în timp şi frecvenþã
) Probleme de simulare
Rutine
Rutinedisponibile
disponibile
# NO IS E
¾ Apel: noise(operation) ;
¾ Modul de generare şi simulare a zgomotelor colorate produse de modelele
stocastice (45). Argumentul funcţiei (operation) este un şir de caractere din
mulţimea următoare:
c lo se _n oi se
c lo se _n oi se _de f
i ni t_ no is e
m ov e_ p
m ov e_ z
m ov ed _p
m ov ed _z
m ov in g_ p
m ov in g_ z
n oi se cl ea r
s ho w (implicit)
s ys te m
w in it _n oi se
1.11
 n Caracterizãri în timp şi frecvenþã
) Probleme de simulare
# SPEFAC Rutine
Rutinedisponibile
disponibile
¾ Apel: [a,l2]=spefac(r) ;
¾ Rutină auxiliară de rezolvare a Problemei factorizării spectrale. Aceasta constă
în determinarea unui polinom:
def
A(z) = z n
+ a1z n −1
+ + an

şi a varianţei λ
2
cu proprietatea:

r[k ](z ),
n
1
λ 2
A(z)A(z −1
) =
2
∑
k =0
k
+ z − k
(46)

pentru o secvenţă de covarianţă { r [ 0 ], r [ 1 ], … , r [ n ]} . În mod normal, această

problemă se poate formula pentru orice secvenţă de numere
{ r [ 0 ], r [ 1 ], … , r [ n ]} , cu condiţia să fie pozitiv definită, adică verificînd
inegalitatea:

r[k ] ≤ r[0 ] , ∀ k ∈ 0,n . (47)

Problema factorizării spectrale (46) este rezolvată în cazul determinării unui

model AR[n] atunci cînd este stimulat de un zgomot alb şi se cunoaşte
densitatea spectrală de putere a ieşirii (deci şi secvenţa de auto-covarianţă a
ieşirii, cu ajutorul formulei de inversiune (12)).
Argumentul funcţiei spefac este r – secvenţa de (auto-)covarianţă (vector).
Funcţia returnează:
a coeficienţii polinomului AR (vector);
l2 varianţa zgomotului alb λ
2
cu care trebuie stimulat modelul AR pentru a
obţine la ieşire exact secvenţa de auto-covarianţă r.

1.12
 n Caracterizãri în timp şi frecvenþã
) Probleme de simulare
3 p

Problema 1.1 1p
Problema 1.1 1p
Pentru a rezolva punctele următoare, se va utiliza funcţia NOISE.
0.4 1.
0.4 pp Să se testeze grafic dacă filtrul obţinut în Exerciţiul 1.3 (de tipul lui H 1 din
definiţia (45)) este corect.
0.1 2.
0.1 pp Să se varieze polii filtrului H 2 din definiţia (45) şi să se comenteze rezultatele
obţinute cu ajutorul funcţiei NOISE.
0.1 3.
0.1 pp Unde trebuie amplasaţi polii filtrului H 2 pentru a obţine un filtru trece jos?
0.3 4.
0.3 pp Unde trebuie amplasaţi polii filtrului H 2 pentru a obţine un vîrf de rezonanţă la
ω = 1 ? Ce se poate spune despre conţinutul în frecvenţă al semnalului
analizînd realizările procesului?
0.1 5.
0.1 pp Ce efect observaţi atunci cînd filtrul H 2 are zeroul în vecinătatea cercului
unitar?

1.13
 n Caracterizãri în timp şi frecvenþã
) Probleme de simulare

Problema 1.2 1p
Problema 1.2 1p
Să se utilizeze modulul de simulare ISLAB_1A pentru a simula un proces stocastic
de model ARMA[1,1]. De exemplu, pentru a genera un process de tip AR[1] cu un
singur pol in –0.9, se foloseşte sintaxa:
is lab_1a(1,[1 0.9 ]) ;
În mod implicit, modulul de simulare alege: N=100, tau_max=50 şi nr=1.
0.4 1.
0.4 pp Să se analizeze maniera în care estimaţiile funcţiilor de covarianţă variază cu N
(numărul de eşantioane) şi tau_max (pivotul maximal al secvenţei de auto-
covarianţă) pentru diferite locaţii ale polilor.
0.3 2.
0.3 pp Să se verifice faptul că estimaţiile funcţiilor de covarianţă tind către valorile

adevărate pentru procese de tip AR[1] şi MA[1], pe măsură ce N tinde către

infinit.
0.3 pp
0.3 3. Să se verifice corectitudinea rezultatelor obţinute la Exerciţiile 1.1 şi 1.2.

1.14
 n Caracterizãri în timp şi frecvenþã
) Probleme de simulare

Problema 1.3 1p
Problema 1.3 1p
Se consideră un proces stocastic asociat unui model AR[2] cu două surse de
zgomot (ca în contextul Exerciţiului 1.4), pe care dorim să îl echivalăm cu un
proces descris de un model ARMA[2,2], avînd o singură sursă de zgomot. Pentru
simulările care urmează, se va utiliza modulul ISLAB_1B.
0.4 1.
0.4 pp Să se analizeze maniera în care variază polii şi zerourile modelului ARMA
atunci cînd variază SNR. În acest context, SNR este definit prin raportul dintre
varianţa semnalului util x şi varianţa zgomotului aditiv v (cu notaţiile din
Exerciţiul 1.4).
0.6 2.
0.6 pp Să se studieze cazurile în care SNR tinde la infinit (semnalul domină zgomotul)

şi SNR tinde la zero (zgomotul domină semnalul). Să se comenteze

modificările înregistrate de densităţile spectrale.

1.15