Curs MAPSB

Universitatea Politehnica
București
Metode Avansate de Prelucrare a Semnalelor

(MAPS)
Bogdan Hurezeanu
bogdan.hurezeanu@upb.ro
București
Structura cursului
I. Eşantionarea semnalelor continue

II. Reprezentarea cu variabile de stare a sistemelor discrete
III. Sisteme de prelucrare multirată
IV. Transformate timp-frecventa
V. Filtrarea Wiener
VI. Filtrarea adaptiva
VII. Estimarea spectrului de putere
VIII.Analiza multivariată
2
București
Bibliografie
1. Rodica Strungaru, Note de curs ( Lecture notes )

2. Mihaela Ungureanu, Analiza si prelucrarea semnalelor – Aplicatii in
ingineria biomedicala, 2013
3. Mihaela Ungureanu, Prelucrarea digitala a semnalelor – Culegere de
probleme, 1999
3
București
• Activităţi de invăţare
• Curs
• Proiect
• Cercetare dirijata
• Evaluare
• Proiect
• Prezentare
• Examen
4
București
Metode avansate de prelucrări de semnal:
1.analiza spectrală
2.filtrare adaptivă
3.transformări timp-frecvenţă
4.teoria haosului
5.analiza PCA si ICA
6.analiza multivariată.
București
MAPS – Metode avansate de prelucrare a semnalelor
Ce este un semnal?
O mărime fizică purtătoare de informație
Ce presupune prelucrarea semnalului?
Realizarea de operatii asupra semnalelor cu scopul extragerii sau punerii

in evidenta a informatiei continute in ele
Scopul prelucrarii semnalului
Transformarea sau analiza informației măsurată cu ajutorul secvențelor discrete

de numere.
București
Vedere de ansamblul cu o poza? In – Prelucrare - Out
SEMNAL SISTEM / PROCES SEMNAL
PEDALA ACCELERATIE COMPUTER MASINA VITEZA MASINA

București
EŞANTIONAREA REALĂ ÎN DOMENIUL TIMP ŞI ÎN FRECVENŢĂ
Un semnal eșantionat se obține prin eșantionarea unui semnal analogic
unde x(t) este semnalul analogic, iar pT(t) este un tren periodic, de
perioadă T, de impulsuri rectangulare de durată τ şi amplitudine unitară
Daca T este perioada de eșantionare; cum calculam frecventa de eșantionare
Cand putem reconstitui semnalul original complet si exact?

București
teorema eșantionării Nyquist–Shannon

București
Timp continuu vs timp discret

București
In ziua de azi, toata informatia este digitala
Ce este cuantificarea?
Dacă un semnal este reprezentat ca o secvență de numere, este imposibil

de a menține o precizie înaltă arbitrară, deoarece fiecare număr din secvență
trebuie să aibă un număr finit de cifre.
București
Care e diferenta?
x(t) si x[n]
București
Ce putem spune de acest semnal?
x(t − P) = x(t)
București
Operatii uzuale de semnal

București
Operatii uzuale de semnal
Operatii de semnal
y[n]=x[-2n+3]
,
București
Intervalul de timp T dintre doua eșantioane succesive se numește perioada

de eșantionare sau interval de eșantionare.
Cum am defini frecventa de eșantionare (Hertz)?
In acest sens, relația intre variabilele independente ale semnalului – t si n

va deveni:
Consideram semnalul
Dupa obtinerea esantionului x (nT) se genereaza un impuls cu amplitudinea egala cu valoarea esantionului si durata
a
București
În eșantionarea ideala, modelul de extragere a unui eșantion din semnal consta

în înmulțirea semnalului cu un impuls Dirac.
esantionare cu memorare.
Dupa obtinerea esantionului xa(nT) se genereaza un impuls cu amplitudinea egala cu valoarea

esantionului si durata
București
Spectrul semnalului eșantionat ideal
Putem reconstitui semnalul xa(t) din spectrul său prin TFI
Pentru un semnal eșantionat Astfel semnalul reconstruit este

București
Relația semnal analogic – semnal esantionat
Eșantionarea periodica implica o relație între frecventele F si f corespunzătoare

semnalului analogic si eșantionat de forma:
f=F/Fs, unde Fs este frecventa de eșantionare.
Spectrul semnalului esantionat este suma reprezentarilor periodice, cu perioada

Fs, aspectrului semnalului anlogic scalat cu Fs.
București
Pentru a se putea stabili perioada de esantionare T, sau echivalent, frecventa de

esantionare Fs optima pentru refacerea semnalului analogic din cel esantionat,
trebuie cunoscuta frecventa cea mai înalta din spectrul semnalului
analogic
Functie de interpolare
frecventa Nyquist
FN=2B=2Fmax
București
Metoda de reconstituire presupune stabilirea aproximarii - polinomiala, cu functii

sinusoidale, interpolare ideala, filtru trece-jos sau alta metoda similara
Pentru un semnal de banda limitata

Semnalul reconstituit va avea aceeasi valoare cu semnalul continuu initial in
punctele de esantionare. Filtrul de reconstructie face o interpolare intre aceste
puncte de esantionare
Reconstituire avand numele de converotr D/C ideal ; avand banda limitata

București
Procesarea in timp discret a semnalelor continue in timp
C/D Sistem discret D/C

xc(t) yr(t)
x[n] y[n]
T T
București
SISTEME DISCRETE, LINIARE, INVARIANTE ÎN TIMP ÎN DOMENIUL

FRECVENŢĂ
Un astfel de sistem este caracterizat in domeniul frecventa de transformata Fourier a răspunsului
sau la impuls. Aceasta caracterizare conduce la opinia conform careia un SDLIT acționează ca
un filtru asupra diferitelor componente de frecventa ale intrarii. În acest demers, semnalele de
excitaţie sunt exponenţialele complexe şi semnalele armonice.
Folosim functii de variabila ω , notată H(ω) şi numita raspuns in frecventa, care

este in legatura cu functia de sistem H(z) si raspunsul la impuls h[n ] al
sistemului
Functie proprie – x[n] ; valoare proprie – h[n]

București

(MAPS)
Bogdan Hurezeanu
Curs MAPS
București
Structura cursului

V. Filtrarea Wiener
2
Curs MAPS
București
Ce e este un filtru?
Un filtru este un sistem sau o retea care modifică selectiv forma unei unde,
caracteristicile de amplitudine-frecventă s / sau fază-frecventă ale semnalului într-o
manieră dorită
Obiectivele generale ale filtrelor sunt:

• să îmbunătătească calitatea unui semnal (eg să reducă zgomotul)
• să extragă informatia din semnale,
• să separe două sau mai multe semnale combinate anterior (eg pentru a
face eficientă utilizarea unui canal de comunicatii disponibil)
Curs MAPS
București
filtre cu răspuns finit la impuls (FIR ) - implementate prin operatii de tip

convolutie
filtre cu răspuns infinit la impuls (IIR ) - implementate prin operatii

recursive.
Curs MAPS
București
Curs MAPS
București
1) Filtrele FIR pot avea un răspuns strict liniar în fază; ca urmare a răspunsului liniar în
fază nu se introduc erori de fază în semnalul prelucrat. Filtrele fără erori de fază sunt
importante în multe aplicatii, de exemplu la tele-transmisia datelor, în prelucrarea
semnalelor biologice, în procesarea audio si a imaginilor. Răspunsul în fază al filtrelor
IIR este neliniar, în special la capetele de bandă.
2) Filtrele FIR realizate nerecursiv, adică prin evaluarea directă a ecuatiei, sunt
întotdeauna stabile. Teoretic, stabilitatea filtrelor IIR nu poate fi garantată totdeauna.
3) Efectele utilizării unui număr limitat de biti pentru implementarea filtrelor, efecte cum
ar fi zgomotul de aproximare si erorile de cuantizare a coeficientilor, sunt mult mai
putin severe la FIR fată de IIR.
4) Atunci când sunt necesare benzi de tranzitie foarte înguste (tranzitii bruste) filtrele
FIR necesită, la implementare, mai multi coeficienti decât cele IIR. Astfel, pentru o
anumită specificatie a răspunsului în amplitudine, la implementarea FIR sunt
necesari timpi si spatii de stocare mai mari. Totusi există metode de crestere a vitezei
de calcul prin utilizarea FFT s a tehnicilor cu rate multiple de esantionare, ceea ce
poate îmbunătăĠi semnificativ eficienta implementărilor FIR.
Curs MAPS
București
(5) Filtrele analogice pot fi imediat transformate în filtrele digitale IIR

echivalente, cu specificaĠii similare. Aceasta nu este posibil la filtrele FIR pentru că ele
nu au un echivalent în analogic. Totusi cu FIR este mai usor să se sintetizeze filtre cu
răspuns arbitrar în frecventă.
(6) În general este mai dificil din punct de vedere algebric să se sintetizeze
FIR, dacă suportul CAD nu este disponibil
Proiectarea unui filtru digital presupune cinci etape succesive:
A. specificarea cerințelor filtrului;
B. calculul coeficienților filtrului;
C. reprezentarea filtrului printr-o structură adecvată modului de
implementare;
D. analiza efectelor lungimii finite a cuvintelor asupra performantelor
filtrului;
E. implementarea filtrului în software si/sau în hardware
Curs MAPS
București
Cum implementam un filtru?
Folosing grafuri primitive.
Curs MAPS
București
Variabilele ce descriu graful sunt determinate de poziția in cadrul algoritmului de

implementare a filtrului numeric
Pe baza variabilelor prioritare se determina celelalte variabile si semnalele de

ieșire corespunzătoare sistemului numeric, utilizând operațiile elementare (
adunare, înmulțire, întârziere).
Definiție:
Un graf de semnal se numește primitiv daca:
1. Toate ramurile sunt primitive - câștigurile sunt constante sau z-1

2. Nu exista bucle fără elemente de întârziere
3. Numărul nodurilor si al laturilor e finit
Curs MAPS
București
Curs MAPS
București
Pe graful primitiv de semnal se identifica ordinea de modificare a variabilelor,

tinand cont ca variabiilele de stare si cele memorate au prioritate
Procedura de ordonare a nodurilor
Pas 1. Se examineaza fiecare unitate de intarziere. Daca exista ramuri de
intarziere, catre iesire, se vor inlocui cu ramuri de transmitanta 1.
z-1
z-1 1
y(n)
g g
Curs MAPS
București
Pas 2. Toate nodurile de intrare si iesirile ramurilor z-1 se etichetează cu indexul

k=0; se incrementează apoi indexul. Toate variabilele din clasa 0 sunt variabile
de start
Pas 3. Se examinează ramurile neetichetate. Nodurile in care intra doar ramuri

venind de la nodurile etichetate cu 0 vor avea indexul 1. Se incrementează
indexul.
Pasul 4. Daca mai exista ramuri neetichetate se reia pasul 3. Indexul maxim
atribuit L, reprezintă cea mai lunga cale de semnal din graf.
Curs MAPS
București
Graful se transforma in vederea obtinerii functiei de transfer a sistemului, insa se

poate construi graful primitiv de semnal pe baza functiei de transfer, daca se
scrie H(z) sub forma echivalenta descompunerii in cascada.
Curs MAPS
București
Descrierea sistemelor numerice cu variabilele de stare
Fiecărui GPS ii corespunde o descriere unica cu variabile de stare, reciproca nu

este adevărata
Pas 1. Se înlocuiește fiecare unitate de întârziere conform

x (k ) regulii
 x (k  1)
'
i i
z-1
1 z-1 1
xi xi
Pas 2. Se elimina laturile corespunzătoare elementelor de întârziere, creându-se

astfel in graf noi intrări, xi, si noi ieșiri xi’
Curs MAPS
București
Descrierea sistemelor numerice cu variabilele de stare
Pas 3. Se transformă graful astfel încât să existe doar căi de semnal directe
intrare-iesire
Pas 4. Se scriu ecuatiile cu variabilele de stare Y ( z)
H ( z)  x  C ( zI  A) 1 B
D
U ( z)
A este descris de numarul de unitati de intarziere

B de numarul de intrari ale sistemului si nr de unitati de intarziere
C de numarul de iesiri ale sistemului numeric si nr de intarzieri
D de numarul de intrari si numarul de iesiri
Curs MAPS
București
 0, k  0

h ( k )   D, k  0
Descrierea in timp cu variabile de stare CAk 1 B, k  0

Curs MAPS
București
Curs MAPS
București

(MAPS)
Bogdan Hurezeanu
MAPS 1
București
Structura cursului

V. Filtrarea Wiener
MAPS 2
București
Sistem liniar invariant in timp (SLIT)
Pentru un sistem invariant in timp,

ce produce o ieșire y(t) pe baza
unei intrări x(t), dacă decalăm
intrarea temporal x(t+δ) și ieșirea
va fi tot decalată y(t+ δ).
MAPS 3
București
MAPS 4
București
Avand in vedere faptul ca discretizarea introduce pe axa frecventei o scalare a

axei frecventelor cu un factor egal cu fS, rezulta
   / f S  T
unde T este perioada de esantionare, si fS = 1/T.
(1)
Cautam T astfel incat (2)
Astfel MAPS (3) 5

București
(4)
(5)
Daca ecuatia (2) este satisfacuta, rezulta:
(6)
(7)
6
București
filtru trece-jos de timp discret obtinut prin

invarianta la impuls
un filtru de timp discret, cu frecventa prag C  
Raspunsul la impuls al acestui sistem continuu este
unde
7  C  CT
București
Raspuns in frecventa egal cu H C ( j / T )
Procesarea in domeniul continuu a semnalelor discrete
MAPS 8
București
MAPS 9
București
Schimbarea ratei de esantionare utilizand prelucrarea discreta a semnalelor
O solutie ar fi ca sa se reconstruiasca xC(t) din primul semnal discret

x[n], apoi sa se esantioneze din nou cu perioada T’
Dar, filtrele de reconstructie nu sunt ideale
Vrem x’[n]= xC(nT’) direct din x[n]
Reducerea ratei de esantionare cu un factor intreg
xd[n]=x[nM]=xC(nMT). (4)
MAPS 10
București
Relatia intre transformata Fourier a lui xd[n] si x[n] este:
MAPS 11
București
Spectrul este limitat in banda, adica
(5)
limitare banda de frecventa a semnalului discret cu un filtru trece-jos cu

frecventa de prag /M.
MAPS 12
București
Sistem decimator
Marirea ratei de esantionare cu un factor intreg
Consideram un semnal x[n] a carei rata de esantionare dorim sa o marim

cu un factor L, adica T’ = T/L (fS’ = LfS).
Dorim esantioanele xi[n]=xC(nT’) (unde T’=T/L) din secventa x[n] = xC (nT) (6)
MAPS 13
București
Sistemul interpolator
sau
expander
MAPS 14
București
Exemplu; fie L=2
MAPS 15
București
fiecarui  din spectrul lui xe[n] ii corespunde 2 din x[n]
MAPS 16
București
* filtrul trece-jos are

frecventa de taiere /L
si gain-ul L, astfel incat
spectrul sa aiba factorul
de scala L/T :
Xi(ej) sa fie scalat cu factorul L/T
MAPS 17
București
Raspunsul la impuls al filtrului trece-jos din interpolator
Calculam iesirea unui SLIT
hi[n] are proprietatile:
deci:
MAPS 18
București
Una din aproximarile realizabile dpdv tehnic pentru filtrul trece-jos al

interpolatorului este filtrul cu raspuns liniar:
MAPS 19
București
Astfel
MAPS 20
București
Ce se intampla cand folosim un L care nu este intreg?
pt T’ = 1.01T , avem precizie limitata
A se poate scrie ca A = 101/100 = M/L
1. O data decimam semnalul prin interpolarea cu factorul L=100 (T’=T/100)

2. Apoi il decimam cu factorul M=101 (T’=101T)
MAPS 21
București
Simplificat
MAPS 22
București
Prelucrarea multi-rata a semnalelor
Avem volum mare de calcul ; ne trebuie alta abordare
Tehnicile multi-rata:
• utilizarea upsampling-ului
• downsampling-ului
• a compresorilor
• sistemelor de expandare
MAPS 23
București
Sunt echivalente
Sunt echivalente
MAPS 24
Descompunerile multifaza
București
superpozitia a M subsecvente
Poate oferi structuri implementabile eficient pentru filtrele liniare in cateva

aplicatii
MAPS 25
București
Prin interpolarea lor se obtin secventele hk[n] ,
MAPS 26
București
(6)
MAPS 27
București
Implementarea multifaza a filtrelor de decimare
MAPS 28
București
MAPS 29
București
MAPS 30
București
Implementarea multifaza a filtrelor de interpolare
MAPS 31
Fie gradul necesar pentru acest filtru (cu banda de tranzitie foarte mica!).
București
Sa exemplificam procesul proiectarii cu

urmatorul program MATLAB in care
fp=300 Hz, fs =400 Hz , Fe=8000 ,d
δ1=0.02;δ2=0.001
MAPS 32
București

(MAPS)
Bogdan Hurezeanu
MAPS 1
București
Structura cursului

V. Filtrarea Wiener
MAPS 2
București
Marea majoritate a semnalelor existente sunt nestaţionare
informaţia se regăseşte în variaţia parametrilor statistici, temporali,

spaţiali sau din domeniul frecvenţă.
Analizei Fourier – analizeaza global semnalul
Dezavantaj: nu putem folosi analiza Fourier ca algoritm online
Daca consideram un fragment de muzica compus din mai multe masuri si daca o
nota, "la", de exemplu, figureaza o data în acest fragment, analiza Fourier ne va prezenta
frecventa corespunzatoare cu o anumita amplitudine si cu o anumita faza, fara a localiza "la"
- ul în timp. Ori, este evident ca pe parcursul bucatii exista momente de timp când nu se aude
nota "la”
MAPS 3
București
Nu este posibil să avem informaţii despre spectrul semnalului decât dacă

cunoaştem tot semnalul.
Daca semnalul este alterat pe o porţiune, la un moment dat, atunci întreg

spectrul calculat cu transformata Fourier este afectat.
În concluzie, putem spune că o mică porţiune din semnal are o importanţă

foarte mare asupra spectrului.
Alternative:
• transformarea Gabor
• transformarea Fourier pe termen scurt
• transformarea Wigner-Ville
• transformarea wavelet
MAPS 4
București
MAPS 5
București
Transformata Wigner-Ville – nu introduce o funcţie de referinţă

Poate suferi de fenomene de interferenţă.
MAPS 6
București
Transformata Gabor sau transformata Fourier pe termen scurt

prezintă dezavantajul că rezoluţia timp frecvenţă (fereastra timp-
frecventă) este aceeaşi pentru tot semnalul.
Transformata Fourier
Ce putem face sa analizam spectrul intr-o anumita perioada?
MAPS 7
București
Transformarea Fourier pe termen scurt reprezintă o modalitate

alternativă de a analiza semnalele nestaţionare şi de a realiza o analiză
spectrală dependentă de timp.
MAPS 8
București
MAPS 9
București
Functii Ferestra uzuale:

1. von Hann
2. Hamming
3. Gauss – transformata Gabor
Cu ajutorul transformatei Fourier pe termen scurt se pot obţine localizări

foarte bune în timp şi mai slabe în frecvenţă sau invers, mai slabe în timp
şi foarte bune în frecvenţă
MAPS 10
București
pătratul amplitudinii transformatei Fourier pe termen scurt este

denumit spectrogramă:
MAPS 11
București
În aplicaţii este dificil de calculat STFT.
se poate face discretizarea parametrilor de translaţie a funcţiei

fereastră de analiză
Se obtine STFT discretizata
MAPS 12
București
Transformata Wavelet
STFT - o rezoluţie temporală mică este în mod automat legată de

detecţia frecventelor joase, iar componentele de înaltă frecvenţă ale
semnalului poate fi făcută cu o rezoluţie temporală mare
a - parametru / factor de scală

b - parametru de translaţie
MAPS 13
București
MAPS 14
București
MAPS 15
București
MAPS 16
București
MAPS 17
București
Conditia de admisibilitate
MAPS 18
București
MAPS 19
București
MAPS 20
București
dispersia
MAPS 21
București
relaţia de incertitudine // inegalitatea Heisenberg
MAPS 22
București
MAPS 23
București
MAPS 24
București
MAPS 25
București
Diferente :
• In ambele situaţii evaluarea transformatei presupune calculul unui produs scalar
dintre semnalul analizat şi un set de semnale care formează o bază particulară în
spaţiul vectorial al semnalelor de energie finită.
• La Fourier - baza este formată întotdeauna din acelaşi tip de semnale
(exponenţiale complexe, mai bine zis semnale armonice de tip sinus şi cosinus)
• La wavelet avem la dispoziţie o paletă largă de forme de undă, în particular
existând şi posibilitatea de a construi o bază optimală în raport cu semnalul
particular analizat
• baza în raport cu care se face reprezentarea de tip Fourier este ortogonală, /
wavelet există posibilitatea de a utiliza şi baze formate din vectori liniar
independenţi care nu sunt ortogonali
MAPS 26
București
MAPS 27
București
Cum e mai simplu sa descriem un semnal?
MAPS 28
București
avem două componente:

Aproximările (A) – sunt componente cu
factor de scală mare, adică componente de
frecvenţă joasă
Detalii (D) – componente cu factor de scală
mic, adică componente de frecvenţă înaltă
MAPS 29
București
MAPS 30
București
Aplicatie: detectia spikeurilor din EEG folosind CWT
Ar merita realizata aceasta investigatie? Daca da, de ce?
Ce functie wavelet credeti care ar fi indicate pentru o eventuala analiza?
Ce forma de unda urmarim?
MAPS 31
București
MAPS 32
București
MAPS 33
București
MAPS 34
București

(MAPS)
Bogdan Hurezeanu
MAPS 1
București
Structura cursului

V. Filtrarea Wiener
MAPS 2
București
MAPS 3
București
Procese aleatoare stationare în sens larg, cu valori medii nule.
N = lungimea filtrului (nr. de coeficienti)
MAPS 4
București
Cum ne asiguram ca semnalul dorit este cat mai aproape de realitate
minimizarea unei functii “cost” J = f{e(n)} ; - care va fi criterial de optimizare
Fie functia de cost:
eroarea medie patratica
MAPS 5
București
MAPS 6
București
MAPS 7
București
Gradientul functiei cost
MAPS 8
București
Ecuaţii Wiener–Hopf
wopt desemnează valorile optime ale coeficienţilor filtrului (denumit în acest

context filtru Wiener), R este matricea de autocorelaţie a procesului aleator
aplicat la intrare, iar p este vectorul de intercorelaţie dintre intrare şi ieşirea
dorită:
MAPS 9
București
determinarea valorilor setului de coeficienţi ai unui filtru optimal Wiener

presupune cunoaşterea exactă a proprietăţilor statistice ale datelor prelucrate.
Ce se intampla cand nu sunt disponibile?
vectorul wopt nu se poate calcula, iar dacă se încearcă rezolvarea

ecuaţiilor de mai sus folosind valori estimate (şi deci imprecise) ale
matricii R şi vectorului p valorile coeficienţilor filtrului nu vor mai fi
optime
MAPS 10
București
MAPS 11
București
MAPS 12
București
MAPS 13
București
MAPS 14
București
Depinde de
- inversa matricei de autocorelatie a semnalului de intrare
- varianta zgomotului
Limitările filtrării Wiener optimale: - necesită evaluarea matricei

de autocorelaţie R şi a vectorului de corelaţie p. - necesită
evaluarea matricei inverse R–1. - nu este adecvată mediilor
nestaţionare / variabile în timp
Solutia este determinarea iterativă a coeficienţilor optimi.
MAPS 15
București
MAPS 16
București
Filtru adaptiv
- ieşirea filtrului, notată y[n],
furnizează o valoare estimată
a unui semnal dorit d[n].
- eroarea de estimare e[n].
Scopul filtrarii:
minimizarea erorii de estimare
conform unui criteriu statistic
precizat.
Schema-bloc a unui filtru adaptiv
MAPS 17
București
Principiu de adaptare - modificarea comportarii unui sistem fizic sub actiunea

unor factori externi în sensul optimizarii performantelor acestuia.
Un proces aleator este denumit stationar daca toate marimile statistice

care îl caracterizeaza nu depind în mod explicit de timp
Dorim sa determinam parametrii care definesc un filtru (liniar) la intrarea caruia

se aplica un semnal care include doua componente, una considerata utila, iar
cealalta nedorita, astfel încât raspunsul acestuia sa fie cât mai “curat”, adica sa
contina cu precadere semnal util
MAPS 18
București
Tipologiii de Filtre adaptive

1. Filtru Wiener (gradient descent) sau LMS
2. Kalman
3. Least-Square
MAPS 19
București
Filtru adaptiv
Criterii statistice:
a) valoarea pătratică medie a procesului e[n];
b) media aritmetică a valorilor absolute ale erorii;
c) media aritmetică a unor puteri de ordin superior ale valorilor absolute
ale erorii.
Pentru cazul a) - funcţia de cost este o funcţie convexă cu o valoare

minimă unică
MAPS 20
București
Criteriul cel mai uzual:

eroare pătratică medie
Valoarea minima a functiei de eroare ( pentru w=wopt) este
Parametrii ce afecteaza un filtru adaptive

• Viteza de convergenta
• Misadjustment
• Optimizare numerica
• Complexitate algoritm
• Arhitectura sistemului digital
MAPS 21
București
Utilizari ale filtrului adaptiv:

• Predictie
• Modelare inversa
• Modelarea sistemului
Modele uzuale:
• AutoRegresiv(AR)
• Medie Alunecatoare (MA)
• AutoRegresiv cu Medie Alunecatoare(ARMA)
Numarul de parametri care descriu modelul (si care definesc ordinul

acestuia) se estimeaza folosind criterii statistice consacrate.
MAPS 22
București
a) identificare de
sistem;
b) filtrare inversa;
c) predictie;
d) filtrarea
zgomotului
MAPS 23
București
Aplicatie algoritm LMS(Least Mean Square)

Metoda steepest descent :
Permite determinarea iterative a coeficientilor optimi.
Nu necesita evaluarea Matricei inverse R-1
Necesita cunoasterea matricei de autocorelatie R si a vectorului de corelatie p.

Solutia:
Estimarea matricei de autocorelatie R si a vectorului de corelatie p.
MAPS 24
București
MAPS 25
București
Algoritmul LMS depinde de

• Pasul de adaptare ; daca e pas mare , converteste rapid dar nu se adapteaza
; daca e pas mic, converteste lent dar se adapteaza rapid
• Ordinul filtrului N ( converteste si nu se adapteaza direct proportional cu
dimensiunea filtrului)
• Valorile proprii ale matricei de autororelatie a intrarii
MAPS 26
București

(MAPS)
Bogdan Hurezeanu
MAPS 1
București
Structura cursului

V. Filtrarea Wiener
MAPS 2
București
Estimarea spectrului de putere

Semnalele periodice caracterizate cu ajutorul seriei Fourier
Semnalele aperiodice de energie finita se analizeaza cu
transformata Fourier
Ce facem cu semnalele considerate procese aleatoare?

Determinam componentele spectrale ale procesului aleator
stationar in sens lar, pe baza unei numar finit de observatii
MAPS 3
București

De ce stationar?
Pentru că cu cat avem mai multe date, cu atat avem o
estimare mai pbuna
Ce putem face?
Determinam lungimea finita pentru estimarea spectrului din
parametrii statistici ale semnalului (cea mai mica posibila)
MAPS 4
București

Problema:
Distorsionarea spectrului datorita trunchierii datelor
Densitate spectrala de energie
Banda semnalului, B, se limiteaza prin prefiltrare, astfel incat Fs > 2B
MAPS 5
București

Calcul densitate spectrala de energie:
1. Metoda directa – calculam transformata Fourier pentru
x[n]
2. Metoda indirecta sau corelativa

1. Calcul functie de autocorelatie rxx[n]
2. Transformata Fourier a functiei de autocorelatie
MAPS 6
București
Limitarea duratei la N puncta, inseamna multiplicarea lui

x[n] cu o fereastra rectangulara
Putem calcula spectrul cu ajutorul DFT in N puncte
MAPS 7
București
Tehnicile de estimare a densităţii spectrale de putere

• parametrice (A)
• neparametrice (B)
Metodele neparametrice (A)

• Periodograma
• Periodograma modificată (metoda Welch si Bartlett)
• metoda Backman-Tuckey.
Metodele parametrice (B)

• Presupune definirea parametrilor unui model AR al semnalului
• Se pot folosi modele MA sau ARMA
MAPS 8
București
Aspecte neplacute ale metodelor neparametrice

• pierderile de margine
• lungimea finită a secvenţelor
• scurgerea şi întrepătrunderea spectrală
In consecinta este nevoie de alegerea unei ferestre corespunzatoare
Estimatorii spectrali sunt definiti pentru semnale aleatoare stationare in sens

larg, astfel ca media semnalului este constanta in timp iar corelatia la doua
momente de timp depinde de diferenta de timp intre cele doua momente.
MAPS 9
București
Estimarea DSP:
MAPS 10
București
Pentru semnale caracterizate de procese aleatoare

stationare, fara energie finita, nu putem folosi transformata
Fourier
Vor avea putere medie finita – descriem cu ajutorul
densitatii spectrale de putere
MAPS 11
București
Practic, nu avem observatiile p.a. astfel incat sa obtinem

functia de corelatie si din acest motiv incercam sa calculam
din o singura realizare => necesar ca sistemul sa fie
ergodic
MAPS 12
București
Forma estimat – periodogramă
Bartlett
Valoare asteptata
MAPS 13
București
Fereastra triunghiulara (Bartlett)
MAPS 14
București
Spre deosebire de functia de autocorelatie estimata,

periodograma nu este un estimat al densitatii spectrale de
putere. Spectrul estimat va fi netezit si va avea scurgere
spectrala din cauza inmultirii cu fereastra Bartlett
MAPS 15
București
Pt a imbunatatii estimatorul DSP este sa impartim secventa de lungime N

in k segmente de lungime M.
Astfel se calculeaza periodgrama pentru fiecare secventa si apoi se analizeaza

periodograma globala
secventa
Periodograma
secventa
MAPS 16
București
Periodograma
Un process aleatory x[n] de lungime finite este echivalent cu

portiunea din process careia i s-a aplica fereastra
Alte ferestre:
1. Bartlett
2. Hamming
3. Hanning
4. Blackman
5. Kaiser
MAPS 17
București
Cea ma buna rezolutie
Lob secundar mic
Performantele periodogramei modificare – valoarea medie, dispersia si rezolutia
MAPS 18
București
Rezolutia este egala cu latimea de banda la -3dB a lobului principal
MAPS 19
București
Estimator Bartett pentru DSP pentru

cele k secvente
Valoarea medie
Dispersia
MAPS 20
București
Estimarea spectrului cu TFD

Daca avem N date, atunci putem calcula DFT in cel putin N
punct. E posibil sa fie prea putin, si trebuie sa crestem
secventa cu zerouri
Putem astfel face interpolare a valorilor la mai multe frecvente.
MAPS 21
București
L=8
L=16
L=32
L=128
MAPS 22
București
Metode neparametrice pentru estimare dsp.
Urmaresc obtinerea unui estimat consistent al dsp prin mediere si netezire a

periodogramei si a functiei de autocorelatie.
Bartlett – Periodograma
mediata
MAPS 23
București
Metode neparametrice pentru estimare dsp. Estimator Welch
Presupune suprapunerii secvenţelor elementare în care este împărţită secvenţa

iniţială şi fiecare secvenţă elementară este ferestruită pentru a atenua efectele de
margine ale trunchierii.
L 1
1
S PER ,W   
i 
 x i 
k   wk   e  j k
,1  i  K
LU k 0
K
1
SW     PER,W  
S i 
K i 1
MAPS 24
București
Metode neparametrice pentru estimare dsp. Estimator Welch
Reducem lobii laterali => limitare scurgere spectrala

Rezolutia estimatului Welch depinde de fereastra folosita.
Fereastra va determina dispersii diferite pentru estimate.
MAPS 25
București
E SW   
1
2



 
S xx    W e j    d
L 1 2
 
W e j 
1
LU
 wk e  jk
pentru valori N şi M mari estimatorul
devine nedeplasat.
k 0
mai atractiv în cazul în care subsecvenţele se suprapun
Metoda Blackman-Tukey
L 1 estimator netezirea spectrului

S BT     rˆ m wm e
 L 1
xx
 jm
se face prin efectul de netezire a
funcţiei de autocorelaţie
MAPS 26
București
Metode neparametrice pentru estimare dsp. Blackman-Tukey
Secventa de autocorelatie este multiplicate cu o fereastra si apoi se calculeaza

Fourier pentru a estima dsp.
Pentru un numar apropiat de N, dispersia estimatilor este mare => nu intervin in dsp
estimat
MAPS 27
București
Metode neparametrice pentru estimare dsp. Blackman-Tukey
Pentru a obtine estimatori de calitate, avem contradictie:

1. Pentru o deplasare mica avem nevoie de M mare
2. Pentru o dispersie mica, M trebuie sa fie cat mai mic
Se recomanda ca valoarea sa fie cel mult M= N/5
MAPS 28
București
Criterii de performanta pentru estimatori
Factor de calitate – raportul dintre patratul valorii medii si dispersia estimatului

Inversul acestei este variabilitatea
Qp este fix si independent de lungimea datelor => calitate

scazuta pentru Periodograma
MAPS 29
București
Criterii de performanta pentru estimatori
Estimatul Bartlett este consistent daca K creste odata cu N.
Estimatul Welch Estimatul Blackman-Tukey
MAPS 30
București
MAPS 31
București
MAPS 32
București
MAPS 33
București
MAPS 34
București
MAPS 35
București
R=256, k =4 R=192, k=5 R=48, k=17
MAPS 36
București
Metode parametrice
Urmarim ca eroarea de predicţie să fie minimizată
p
yk    a i y k i  ek  Model autoregresiv
i 1
Eroarea de predicţie este:

p
 k   yk   yˆ k   ek    ai yk  i 
i 0
MAPS 37
București
spectrul dedus cu un model AR de ordin mic are o rezoluţie satisfăcătoare;

parametrii modelului AR se calculează relativ uşor în raport cu celelalte modele
densităţii spectrale de putere cu ajutorul modelului MA similar periodogramei
MAPS 38
București
  E  yk   Yk   a   
2 2
 E  y k   a  E Yk   Yk  a  2  a  E  yk   Y 

2 T T T T
r  E  yk   Yk   r1 , r2 ,.......rp 

R  E Yk   Y k  T
  r0 .... rp 1 
 
R : : 
rp 1 .... r0 
 
MAPS 39
București
Mai multe posibilitati de a estima functia de autocorelatie a procesului

Varianta erorii de predictive
  r0  a  R  a  2  r  a
2 T Folosim
Levinson-Durbin
Ecuatiile lui Yule-Walker: Eroarea de predictie e

o functie
R  a  r necrescatoare cu
ordinul modelului
Daca exista R-1
ˆa  R 1  r
MAPS 40
București
Estimare dsp a semnalelor modelate AR folosind metoda Burg
Avantaje metode Burg

- Rezolutie buna in frecventa
- Realizeaza un model AR stabil
- Este eficient din punct de vedere al algoritmului
Dezavantaje
- Scindeaza liniile sau componentele spectrale pentru SNR scazut
MAPS 41
București
Criterii propuse de Akaike:
Criteriul erorii de predicţie finale FPE (Final Prediction Error) în care

ordinul este selectat astfel încât să se minimizeze indicele de performanţă
Criteriul informaţiei Akaike AIC(p),(Akaike Information Criterion) se

bazează pe alegerea ordinului care minimizează cantitatea
Functii Matlab: aryule si pyulear
MAPS 42
București

(MAPS)
Bogdan Hurezeanu
MAPS 1
București
Structura cursului

V. Filtrarea Wiener
MAPS 2
București
Analiza multivariata
utilizarea utilizarea unui grup de metode
statistico statistico-matematice matematice
cu ajutorul ajutorul carora se pot cerceta
cerceta simultan legaturile legaturile de
asociere asociere existente existente intre
mai mult de doua variabile variabile.
MAPS 3
București
Aplicatie: eliminarea semnalului ECG din alte semnale fiziologice
ECG
• prezent pe toată suprafaţa corpului uman, din semnalele
înregistrate neinvaziv, pe corpul uman
• alte semnale fiziologice de interes (semnal diafragmatic,
electrogastrograma –etc)
• Simpla filtrare (FIR, IIR) de cele mai multe ori nu este posibilă,
deoarece spectrul semnalului de interes şi spectrul semnalelor
perturbatoare se suprapun de obicei.
Putem filtra adaptiv
MAPS 4
București
2 variante:
EVD – Eigen Value Decomposition
SVD – Singular Value Decomposition
EVD – ia in calcul valorile medii ale datelor si se bazeaza pe variatia

zgomotului
sau a zgomotului datorat retinerii unui numar mai mic de componente
SVD - evita calculul matricei de covarianţă, folositor cand datele sunt foarte
multe
MAPS 5
București
Metode statistice multivariate de extragere a semnalelor
x  As
PCA - Analiza Componentelor Principale
este o metodă statistică ce reduce dimensiunea unui set de date

cuprinzând un număr mare de variabile
construieşte, pe baza matricei de covariaţie a variabilelor din setul iniţial,

extins de date, un nou set de variabile, necorelate, reţinând cât mai mult din
variaţia prezentă în setul de date iniţial.
MAPS 6
București
Metode statistice multivariate de extragere a semnalelor
Foarte utilizata pentru compresie, extragere de informatie utila
Se numeste si proces de albire
y  Ax
Conform algoritmului PCA, componenta principală i este acea componentă
principală (PC), xi , având cea de-a i-a valoare din setul descrescător al
varianţelor, corespunzând valorii proprii i şi vectorului propriu i al matricei de
covariaţie a setului de date înregistrat
ˆy
xA
MAPS 7
București
PCA se bazează pe analiza matricei de covariaţie, ea implică analiza statistică de

ordinul 2. În cazul problemei considerate, PCA va identifica într-o componentă
semnalul perturbator ECG, şi în mod corespunzător în alte componente semnalul
util şi celelalte semnale perturbatoare.
MAPS 8
București
MAPS 9
București
MAPS 10
București
Inregistrari Rezultat PCA - SVD Rezultat PCA - EVD
MAPS 11
București
ICA - Analiza Componentelor Independente
Metodă statistică multivariată ce elimină

• dependenţele de ordinul 2 între variabilele setului de date
iniţial
• dependenţele de ordin superior, bazate pe pe statistica de
ordin superior
y  Ax  n
zgomot
Matrice mixare
observatii MAPS 12
București
Considerente
- coloanele matricei A sunt linear independente
- componentele vectorului x usnt mutual
independente statistic
- componentele vectorului x si componentele
zgomotului sunt independete statistic
MAPS 13
București
Algoritmul ICA estimeaza matricea de estimare
Calculand matricea de estimare, se pot calcula semnalele originale conform:
ˆy
xA
Sunt multi algoritmi de calcul a estimarii matricea A. Cei mai folositi actual
au la baza algoritmul JADE, respectiv FastICA
MAPS 14
București
MAPS 15
București
PCA ICA
Reduce dimensiunea Imparte semnalele amestecate in
semnale sursa independente
Lucreaza cu componente principale Lucreaza cu componente

independente
Se concentreaza pe maximizarea Nu se concentreaza pe varianta
variantei intre puncte
Exploateaza proprietatea de Nu e cazul
ortogonalitate
Nu e cazul Exploateaza proprietatea de
independenta
MAPS 16
București
Algoritmul JADE
MAPS 17
București
Algoritm JADE - continuare
MAPS 18
București
Algoritmul FastICA
MAPS 19
București
Algoritmul FastICA (continuare)
MAPS 20
București
Rezultat algoritm JADE Rezultat algoritm FastICA
MAPS 21

Curs MAPSB

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Curs MAPSB

Încărcat de

Drepturi de autor:

Formate disponibile

Universitatea Politehnica

Metode Avansate de Prelucrare a Semnalelor

I. Eşantionarea semnalelor continue

1. Rodica Strungaru, Note de curs ( Lecture notes )

Metode avansate de prelucrări de semnal:

5.analiza PCA si ICA

MAPS – Metode avansate de prelucrare a semnalelor

O mărime fizică purtătoare de informație

Ce presupune prelucrarea semnalului?

Realizarea de operatii asupra semnalelor cu scopul extragerii sau punerii

Scopul prelucrarii semnalului

Transformarea sau analiza informației măsurată cu ajutorul secvențelor discrete

Vedere de ansamblul cu o poza? In – Prelucrare - Out

SEMNAL SISTEM / PROCES SEMNAL

PEDALA ACCELERATIE COMPUTER MASINA VITEZA MASINA

EŞANTIONAREA REALĂ ÎN DOMENIUL TIMP ŞI ÎN FRECVENŢĂ

Un semnal eșantionat se obține prin eșantionarea unui semnal analogic

Daca T este perioada de eșantionare; cum calculam frecventa de eșantionare

Cand putem reconstitui semnalul original complet si exact?

teorema eșantionării Nyquist–Shannon

Timp continuu vs timp discret

In ziua de azi, toata informatia este digitala

Dacă un semnal este reprezentat ca o secvență de numere, este imposibil

Ce putem spune de acest semnal?

Operatii uzuale de semnal

Operatii uzuale de semnal

Intervalul de timp T dintre doua eșantioane succesive se numește perioada

Cum am defini frecventa de eșantionare (Hertz)?

In acest sens, relația intre variabilele independente ale semnalului – t si n

În eșantionarea ideala, modelul de extragere a unui eșantion din semnal consta

Dupa obtinerea esantionului xa(nT) se genereaza un impuls cu amplitudinea egala cu valoarea

Spectrul semnalului eșantionat ideal

Putem reconstitui semnalul xa(t) din spectrul său prin TFI

Pentru un semnal eșantionat Astfel semnalul reconstruit este

Relația semnal analogic – semnal esantionat

Eșantionarea periodica implica o relație între frecventele F si f corespunzătoare

Spectrul semnalului esantionat este suma reprezentarilor periodice, cu perioada

Pentru a se putea stabili perioada de esantionare T, sau echivalent, frecventa de

Metoda de reconstituire presupune stabilirea aproximarii - polinomiala, cu functii

Pentru un semnal de banda limitata

Reconstituire avand numele de converotr D/C ideal ; avand banda limitata

Procesarea in timp discret a semnalelor continue in timp

C/D Sistem discret D/C

SISTEME DISCRETE, LINIARE, INVARIANTE ÎN TIMP ÎN DOMENIUL

Folosim functii de variabila ω , notată H(ω) şi numita raspuns in frecventa, care

Functie proprie – x[n] ; valoare proprie – h[n]

Metode Avansate de Prelucrare a Semnalelor

I. Eşantionarea semnalelor continue

Obiectivele generale ale filtrelor sunt:

filtre cu răspuns finit la impuls (FIR ) - implementate prin operatii de tip

filtre cu răspuns infinit la impuls (IIR ) - implementate prin operatii

(5) Filtrele analogice pot fi imediat transformate în filtrele digitale IIR

Cum implementam un filtru?

Folosing grafuri primitive.

Variabilele ce descriu graful sunt determinate de poziția in cadrul algoritmului de

Pe baza variabilelor prioritare se determina celelalte variabile si semnalele de

1. Toate ramurile sunt primitive - câștigurile sunt constante sau z-1

Pe graful primitiv de semnal se identifica ordinea de modificare a variabilelor,

Procedura de ordonare a nodurilor

Pas 2. Toate nodurile de intrare si iesirile ramurilor z-1 se etichetează cu indexul

Pas 3. Se examinează ramurile neetichetate. Nodurile in care intra doar ramuri

Procedura de ordonare a nodurilor

Graful se transforma in vederea obtinerii functiei de transfer a sistemului, insa se

Descrierea sistemelor numerice cu variabilele de stare