ZAGADNIENIE W POSTACI OGÓLNEJ

Podobne dokumenty
Laboratorium z Podstaw Automatyki. Laboratorium nr 4. Działanie układu automatycznej regulacji. Rodzaje regulatorów.

ZAGADNIENIE TRANSPORTOWE

Przetwarzanie sygnałów biomedycznych

... MATHCAD - PRACA 1/A

Teoria i metody optymalizacji

n R ZałóŜmy, Ŝe istnieje d, dla którego: Metody optymalizacji Dr inŝ. Ewa Szlachcic otwarte otoczenie R n punktu x, Ŝe

Zastosowanie metody najmniejszych kwadratów do pomiaru częstotliwości średniej sygnałów o małej stromości zboczy w obecności zakłóceń

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Podprzestrzenie macierzowe

Prawdopodobieństwo i statystyka r.

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

Niezawodność. systemów nienaprawialnych. 1. Analiza systemów w nienaprawialnych. 2. System nienaprawialny przykładowe

Systemy Just-in-time. Sterowanie produkcją

Schrödingera. Dr inż. Zbigniew Szklarski. Katedra Elektroniki, paw. C-1, pok

Zaawansowane metody numeryczne

Propagacja wielodrogowa. Paweł Kułakowski

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

Przybliżone zapytania do baz danych z akceleracją obliczeń rozkładów prawdopodobieństwa

[d(i) y(i)] 2. Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) i=1. λ n i [d(i) y(i)] 2 λ (0, 1]

METODY KOMPUTEROWE 1

Ćwiczenie 6. Realizacja i pomiary filtrów adaptacyjnych

Teoria i metody optymalizacji

Statystyczne metody przetwarzania danych

MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ

Analiza danych OGÓLNY SCHEMAT. Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

Sztuczna inteligencja w identyfikacji i sterowaniu. Uczenie konkurencyjne w sieciach samoorganizujących się

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

; -1 x 1 spełnia powyższe warunki. Ale

Matematyka dyskretna. 10. Funkcja Möbiusa

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

; -1 x 1 spełnia powyższe warunki. Ale

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci

Wnioskowanie statystyczne dla korelacji i regresji.

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

Zmiana bazy i macierz przejścia

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

MACIERZE STOCHASTYCZNE







Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

Podstawy opracowania wyników pomiarowych, analiza błędów

Funkcja wiarogodności

f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu

Lista 6. Kamil Matuszewski 26 listopada 2015

Planowanie eksperymentu pomiarowego I

System finansowy gospodarki

RACHUNEK NIEPEWNOŚCI POMIARU

Zastosowanie Robotyki w Przemyśle

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer

LABOLATORIUM SZTUCZNYCH SIECI NEURONOWYCH

KORELACJA KORELACJA I REGRESJA. X, Y - cechy badane równocześnie. Dane statystyczne zapisujemy w szeregu statystycznym dwóch cech

Porównanie właściwości wybranych wektorowych regulatorów prądu w stanach dynamicznych w przekształtniku AC/DC

Kodowanie rónicowe. Plan 1. Zasada 2. Podstawowy algorytm 3. Kodowanie adaptacyjne 4. Zastosowania

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

INSTYTUT ENERGOELEKTRYKI POLITECHNIKI WROCŁAWSKIEJ Raport serii SPRAWOZDANIA Nr

R j v tj, j=1. jest czynnikiem dyskontującym odpowiadającym efektywnej stopie oprocentowania i.

Badania operacyjne. Algorytm simpleks. Organizacja zajęć. Zaliczenie. Literatura. Program zajęć

Kier. MTR Programowanie w MATLABie Laboratorium Ćw. 12

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

Wyrażanie niepewności pomiaru

1. Relacja preferencji

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

STATYKA. Cel statyki. Prof. Edmund Wittbrodt

PRZEPŁYWY MIĘDZYGAŁĘZIOWE. tablica przepływów międzygałęziowych

PRZETWARZANIE SYGNAŁÓW ANALOGOWYCH NA SYGNAŁY CYFROWE

Lista 6. Kamil Matuszewski X X X X X X X X X X X X

Paliwa stałe, ciekłe i gazowe

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja

Teoria Sygnałów. III rok Informatyki Stosowanej. Wykład 7 [ ] ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Analiza częstotliwościowa dyskretnych sygnałów cyfrowych

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ

Temat: Operacje elementarne na wierszach macierzy

Natalia Nehrebecka. Dariusz Szymański

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2

Praca dyplomowa magisterska

Rozwiązywanie równań różniczkowych

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.

STEROWANIE NEURONOWO ROZMYTE MOBILNYM ROBOTEM KOŁOWYM

SZTUCZNA INTELIGENCJA

Diagonalizacja macierzy kwadratowej

ANALIZA INPUT - OUTPUT

Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem

BQR FMECA/FMEA. czujnik DI CPU DO zawór. Rys. 1. Schemat rozpatrywanego systemu zabezpieczeniowego PE

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

( ) WŁASNOŚCI MACIERZY

METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.

1 LWM. Defektoskopia ultradźwiękowa. Sprawozdanie powinno zawierać:

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

Zaawansowane algorytmy DSP

MODELE OBIEKTÓW W 3-D3 część

Parametryzacja rozwiązań układu równań

LABORATORIUM PODSTAW AUTOMATYKI

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH

Laboratorium ochrony danych

Transkrypt:

ZAGADNINI W POSAI OGÓLNJ s e ˆ - sygał - sygał -sygał obserwoway -sygał skoreloway z e eskoreloway z s -moel sygału s e ˆ -błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

RDUKJA ZAKŁÓŃ s e ˆ -sygał akustyczy -zakłócee aytywe -sygał zakłócoy -zakłócee skorelowae z e eskorelowae z s -ofltrowae zakłócee s e ˆ -błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

RDUKJA ZAKŁÓŃ - PRZYKŁAD Przykłaowa ooweź mulsowa fltru tłumącego zakłócee

ŁUMINI HA s e ˆ -sygał rzycozący -eco mowy wycozącej -sygał zakłócoy ecem -mowa wycoząca- skorel. z e eskorelowaa z s -ofltrowaa mowa wycoząca s e ˆ - błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

ŁUMINI HA - PRZYKŁAD Przykłaowa ooweź mulsowa fltru tłumącego eco

IDNYFIKAJA OBIKU DYNAMIZNGO s e ˆ -szum -sygał wyjścowy obektu -sygał zakłócoy obserwoway -sygał obuzający- skorel. z e eskoreloway z s -sygał wyjścowy moelu s e ˆ - błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

KORKJA KANAŁU s e s -szum e mulsy symbole aawae koa mulsów aawayc - sygał wyjścowy kaału ˆ -sygał wyjścowy korektora s e ˆ - błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

PRDYKJA s - beżąca róbka sygału - szum może być = 0 ˆ -sygał obserwoway -reykcja róbk s ˆ -błą reykcj Szukae: a a,..., a M ] - wsółczyk reykcj, - trasozycja Kryterum: m ]

PRDYKJA - PRZYKŁAD Sygał mowy czary jego reykcja czerwoy -0 wsółczyków reykcj

ZAGADNINI W POSAI OGÓLNJ s e ˆ - sygał - sygał -sygał obserwoway -sygał skoreloway z e eskoreloway z s -moel sygału s e ˆ - błą Szukae: 0,,..., M ] - ooweź mulsowa fltru FIR, - trasozycja Kryterum: m ]

Rozwązae fltr Weera 0 ˆ M gze M ˆ ] ] ] ] ]

Rozwązae fltr Weera Postawamy ] ] ] ] M ] ] ] ] 0 0, 0,, }, { R R R R c M M M j j gze j j R j c ] - wsółczyk autokorelacj sygału

Rozwązae fltr Weera Rozwązae: m ] m{ ] } ] ] ] 0 0 Dobre wyk la sygału s o carakterze stacjoarym

Aatacja fltru. Blokowa. la mowy co 0-30 ms oblcza sę ową ooweź mulsową a oblczee ws. autokorelacj sygału ws. korelacj syg. b oblczee wsółczyków fltru rozwązae ukłau rówań lowyc c fltracja, 0,,, M R

Aatacja fltru. Sekwecyja - o róbkę oblcza sę owe wsółczyk fltru, oając orawkę o estymaty uzyskaej la orzeej róbk. - orawka w cwl Porawk wy owoować zmejszee mocy błęu - kryterum la meto LMS least mea square ] Metoa graetowa SG stocastyczego graetu - ależy o meto LMS M gra ]

Aatacja sekwecyja ] ] Moc cwlowa błęu: jest fukcją wektora wsółczyków fltru Graet keruek wzrostu mocy błeu: ] ] gra Porawka w keruku rzecwym o graetu: ] gra Metoa stocastyczego graetu: szybkość aatacj

Metoy LS ajmejszej sumy kwaratów 0 ˆ M W każej cwl oblczamy owe wsółczyk fltru 0,, M- ˆ Kryterum: m oko oczątkowe, rozszerzające sę 0

Metoy LS ajmejszej sumy kwaratów ] gze rozwązae

Warat sekwecyjy RLS recursve least squares szukamy, Zamy rozwązae Oko zakające la = rzecoz w oczątkowe ] gze oobe

Warat sekwecyjy RLS recursve least squares Aby ukąć owracaa macerzy korzystamy ze wzoru: Jeśl A, B macerze kwaratowe, wektor, oraz to Postawamy: Stą Z rugej stroy Ostatecze B A B B B B A,, B A, g g g g g g ] ] g g g

Warat sekwecyjy RLS recursve least squares g ] Błą a ror Błą a osteror r o Wsółczyk zaomaa : wływa a stablość umeryczą algorytmu RLS Start algorytmu:, 0 I, 0 0 Krok : oblczamy g,,

Rzake moele Projektując fltr Hz moża wykorzystać aszą wezę o robleme. N. w zagaeu tłumea eca moża sę sozewać oowez mulsowej: gze m oóźee eca ] 0,0,,0, m, m,..., M Długość oowez mulsowej M mus być wększa ż oóźee eca Poobe w zagaeu etyfkacj oowez mulsowej kaału welorożego moża założyć lczbę róg K szukać oowez mulsowej: ] 0,,0, j,0,,0, j,0,,0, j K worzymy w te sosób tzw. rzake moele sygałów lub ukłaów

Rzake moele c.. Przeszmy rówae błęu la kolejyc cwl czasowyc: X macerz M W metoac LS mmalzujemy eergę błęu: m m X

Rzake moele c.. m m X X X t X t t X t X t X t t t gze X, X Przyrówując ocoe o zera X otrzymuje sę ukła rówań lowyc X 0 Rozwązując te ukła rówań lowyc, otrzymamy ajczęścej ooweź mulsową, która e jest rzaka e zawera cągów zer rzakego rozwązaa trzeba szukać bezośreo, ążąc z X o _

Rzake moele matcg ursut MP m m X X X, X,, X M ] Rzak moel wektora ocelowego : jest kombacją lową K < M kolum macerzy * X K j X j Matcg ursut: Kolumy wyberamy kolejo, stoowo zmejszając błą *

Rzake moele matcg ursut MP m m X X X, X,, X M ] Rzak moel wektora ocelowego jest kombacją lową K < M kolum macerzy Matcg ursut: Kolumy wyberamy kolejo, stoowo zmejszając błą * X 3 : * X K f _ j X j j X j wektor ocelowy X erwsza wybraa koluma X

Rzake moele matcg ursut MP Wybór rugej kolumy: wektor ocelowy Matcg ursut: Kolumy wyberamy kolejo, stoowo zmejszając błą * X 3 j X j f j X j X X

Rzake moele OMP Waa MP: wola zbeżość o wektora ocelowego ooweo mały błą uzyskujemy rzy użym K, a węc moel e jest barzo rzak Ortogoal MP OMP: rzutowae wektora ocelowego a orzestrzeń rozętą a kolejo wyberayc kolumac X 3 _ wektor ocelowy X OMP też e aje gwaracj otymalego rozwązaa, cyba że rzeszukamy wszystke możlwe orzestrzee w lczbe M! K! M K! f j X j + jx j X

Rzake moele m L W metoac LS mmalzujemy eergę błęu wyrażoą ormą euklesową orma L: m m X m Doajmy czło ograczający ormę L szukaej oowez mulsowej: M j j0 Na rzykła w te sosób: m{ } m{ X } ake zaae ma aaltycze rozwązae zaewa rzaszą ooweź mulsową ż metoy LMS