Академический Документы
Профессиональный Документы
Культура Документы
Abril de 2015
Biblio:
I Haykin, Adaptive Filter Theory, 4ta. edicin: Captulo 2 y Apndice B.
I Hayes, Statistical Digital Signal Processing and Modeling, 1996: Captulo 7,
Introduccin
Estudiaremos una clase de filtros en tiempo discreto, ptimos en un
sentido que definiremos ms adelante, llamados Filtros de Wiener.
Input
u(0), u(1), u(2),
Linear
discrete-time
filter
w0, w1, w2,
Conditions at time n
Output
y(n)
Desired
response
d(n)
+
Estimation
error
e(n)
Figure 2.1
2002
Prentice Hall, Inc. de la respuesta deseada en tiempo n.
y(n):
estimacin
Simon Haykin
Sobre el filtro
I
I
Sobre el filtro
I
I
Posibles Aplicaciones
Dependiendo de cmo estn vinculadas u(n) y d(n), varios problemas
fundamentales pueden ser planteados como un filtrado de Wiener:
Posibles Aplicaciones
Dependiendo de cmo estn vinculadas u(n) y d(n), varios problemas
fundamentales pueden ser planteados como un filtrado de Wiener:
I
Filtrado: u(n) = d(n) + v(n), con v(n) ruido. Estimar d(n) a partir
de muestras ruidosas con un filtro causal, i.e. a partir de las
muestras u(n), u(n 1), u(n 2), . . . .
Posibles Aplicaciones
Dependiendo de cmo estn vinculadas u(n) y d(n), varios problemas
fundamentales pueden ser planteados como un filtrado de Wiener:
I
Filtrado: u(n) = d(n) + v(n), con v(n) ruido. Estimar d(n) a partir
de muestras ruidosas con un filtro causal, i.e. a partir de las
muestras u(n), u(n 1), u(n 2), . . . .
Suavizado: idem salvo que el filtro puede ser no causal. Por ejemplo,
estimar d(n) offline a partir de todo el registro de datos disponibles
(previos y posteriores a n).
Posibles Aplicaciones
Dependiendo de cmo estn vinculadas u(n) y d(n), varios problemas
fundamentales pueden ser planteados como un filtrado de Wiener:
I
Filtrado: u(n) = d(n) + v(n), con v(n) ruido. Estimar d(n) a partir
de muestras ruidosas con un filtro causal, i.e. a partir de las
muestras u(n), u(n 1), u(n 2), . . . .
Suavizado: idem salvo que el filtro puede ser no causal. Por ejemplo,
estimar d(n) offline a partir de todo el registro de datos disponibles
(previos y posteriores a n).
Posibles Aplicaciones
Dependiendo de cmo estn vinculadas u(n) y d(n), varios problemas
fundamentales pueden ser planteados como un filtrado de Wiener:
I
Filtrado: u(n) = d(n) + v(n), con v(n) ruido. Estimar d(n) a partir
de muestras ruidosas con un filtro causal, i.e. a partir de las
muestras u(n), u(n 1), u(n 2), . . . .
Suavizado: idem salvo que el filtro puede ser no causal. Por ejemplo,
estimar d(n) offline a partir de todo el registro de datos disponibles
(previos y posteriores a n).
Posibles Aplicaciones
Dependiendo de cmo estn vinculadas u(n) y d(n), varios problemas
fundamentales pueden ser planteados como un filtrado de Wiener:
I
Filtrado: u(n) = d(n) + v(n), con v(n) ruido. Estimar d(n) a partir
de muestras ruidosas con un filtro causal, i.e. a partir de las
muestras u(n), u(n 1), u(n 2), . . . .
Suavizado: idem salvo que el filtro puede ser no causal. Por ejemplo,
estimar d(n) offline a partir de todo el registro de datos disponibles
(previos y posteriores a n).
Otros.
Entrada:
Resp. al impulso del filtro:
I
complejas e infinitas.
+
X
wk u(n k), n = 0, 1, 2, . . .
k=0
H
Sabemos que w = 2 w
(ver Haykin, Apndice B).
J
0 = 2 w
(wo ) = 2Rwo 0 2p 0 Rwo = p Ecuaciones normales
Principio de ortogonalidad
Breve parntesis: E[X H Y ] como producto interno
Principio de ortogonalidad
Breve parntesis: E[X H Y ] como producto interno
Jmin = d2 d2 :=
Jmin
d2
Jmin
=1
d2
d2
2
d
. Tendremos 0 1.
z1
w*0
u(n-1)
z1
w*1
...
u(n-M+2)
...
*
wM2
z1
u(n-M+1)
*
wM
1
...
e(n)
d(n|u
n)
d(n)
wT = [w0 , w1 , . . . , wM 1
], woTfilter.= [wo,0 , wo,1 , . . . , wo,M 1 ]
Transversal
pT = [p(0), p(1), . . . , p(M + 1)]
1
R Hall,
p Inc. Necesitamos conocer:
o =
w
2002
Prentice
Simon Haykin
las correlaciones cruzadas entre u(n k)
Adaptive Filter Theory 4E
M
1
X
k=0
k |vk |2 .
14.47
Cost function J
11.61
8.75
5.88
3.02
0.16
4.00
3.20
4.00
2.40
w0
3.00
1.60
0.80
1.00
0.00
2.00
w1
0.00
Figure 2.7
Error-performance surface of the two-tap transversal filter described in the example of Section 2.7.
Figure 2.8
Simon Haykin