Filtrare liniar

Metoda cea mai rspndit prin care se introduc, n literatura de specialitate, algoritmii adaptivi o reprezint exemplul binecunoscutei probleme de filtrare (liniar) optimal din teoria transmisiunii informaiei [4].n esen, aplicaia urmrete determinarea parametrilor care definesc un filtru (liniar) la intrarea cruia se aplic un semnal care include dou componente, una considerat util, iar cealalt nedorit, astfel nct rspunsul acestuia s fie ct mai curat, adic s conin cu precdere semnal util. n figur se distinge prezena unui semnal de eroare rezultat din compararea rspunsului real al sistemului cu cel dorit, ce urmeaz a fi utilizat (tipic, mpreun cu semnalul de intrare) pentru a determina valorile parametrilor filtrului. Acesta poate fi analogic sau discret, liniar sau neliniar, iar semnalele de intrare, respectiv de ieire dorit, sunt considerate, n general, realizri individuale ale unor procese aleatoare. Dei prezente n literatur, filtrele adaptive analogice sunt foarte rar utilizate, astfel nct n cele ce urmeaz ne vom ocupa numai de varianta discret a acestora. De asemenea, vom aborda doar tangenial cazul filtrelor adaptive neliniare, teoria acestora fiind pe larg descris n lucrrile dedicate aa-numitelor reele neurale artificiale [2]. Dei caracterul liniar al filtrului utilizat nu este implicit, o astfel de condiie simplicatoare a permis obinerea unor rezultate teoretice importante, referitoare n particular la determinarea, ntr-o form compact i elegant, a expresiei setului optim de coeficieni ai filtrului sau a valorii erorii de estimare. Filtrul este cu funcionare discret n timp, cu avantajul particular c algoritmii de procesare pot fi implementai folosind circuite digitale specializate. Mai mult, n cele ce urmeaz vom utiliza n exclusivitate filtre discrete cu rspuns finit la impuls (Finite Impulse Response - FIR) datorit stabilitii intrinseci a acestora. Ieirea filtrului, notat y[n], furnizeaz o valoare estimat a unui semnal dorit d[n]. Diferena dintre aceste semnale constituie eroarea de estimare e[n]. n condiiile n care att semnalul de intrare ct i cel dorit reprezint realizri individuale ale unor procese aleatoare, eroarea devine ea nsi un proces aleator cu caracteristici statistice proprii. Scopul urmrit este ct se poate de evident: minimizarea erorii de estimare conform unui criteriu statistic precizat. Acesta este ales de regul dintre urmtoarele variante: a) valoarea ptratic medie a procesului e[n]; b) media aritmetic a valorilor absolute ale erorii; c) media aritmetic a unor puteri de ordin superior ale valorilor absolute ale erorii. Teoria filtrrii optimale utilizeaz prima dintre cele 3 variante dintr-un motiv justificat: doar n aceast situaie funcia de cost (indexul de performan), a crei minimizare va furniza ca rezultat valorile optime ale coeficienilor filtrului, este o funcie convex cu o valoare minim unic. Fr a prezenta o demonstraie matematic care s conduc la soluia problemei de filtrare liniar optimal expus anterior, menionm direct rezultatul de interes, exprimat sub forma celebrelor ecuaii WienerHopf [4]:

Rwopt=p => wopt= R-1p n care wopt desemneaz valorile optime ale coeficienilor filtrului (denumit n acest context filtru Wiener), R este matricea de autocorelaie a procesului aleator aplicat la intrare, iar p este vectorul de intercorelaie dintre intrare i ieirea dorit: p=E{u[n]d*[n]} Este uor de observat c determinarea valorilor setului de coeficieni ai unui filtru optimal Wiener presupune cunoaterea exact a proprietilor statistice ale datelor prelucrate. Cnd aceste informaii nu sunt disponibile (iar aceasta este situaia tipic ntlnit n practic!) vectorul wopt nu se poate calcula, iar dac se ncearc rezolvarea ecuaiilor de mai sus folosind valori estimate (i deci imprecise) ale matricii R i vectorului p valorile coeficienilor filtrului nu vor mai fi optime. Ca urmare, n aceste condiii se dovedete util folosirea unui filtru adaptiv, adic a unui filtru care se autoproiecteaz astfel nct rspunsul acestuia s se apropie ct mai mult (n sens statistic) de cel dorit. Din nou sunt necesare cteva precizri: - funcionarea unui filtru adaptiv se bazeaz pe utilizarea unui algoritm (a unei reete) care permite modificarea ntr-o manier recursiv a valorilor setului de coeficieni - alei iniial n mod arbitrar! - astfel nct s fie asigurat convergena n sens statistic ctre valorile optime corespunztoare soluiei ecuaiilor Wiener Hopf. - dup cum vom vedea, n decursul procesului de adaptare valorile setului de coeficieni depind n mod explicit de valorile semnalelor de intrare, astfel nct un filtru adaptiv este n realitate un sistem neliniar, n sensul c nu respect principiul superpoziiei (dei rspunsul filtrului este totui obinut sub forma unei combinaii liniare a semnalelor de intrare). n decursul timpului au fost elaborate numeroase variante de algoritmi adaptivi, fiecare cu avantaje i dezavantaje specifice. Se pot distinge urmtoarele 3 abordri de principiu: a) Filtrul Wiener: ecuaiile Wiener-Hopf prezentate anterior sunt rescrise sub o form convenabil folosind o tehnic binecunoscut de optimizare denumit scdere dup gradient (gradient descent). Deoarece n continuare ecuaiile includ valorile matricii R i vectorului p (presupuse necunoscute), se nlocuiesc valorile exacte ale acestora cu valori estimate (n fapt, cu valorile instantanee). Algoritmul obinut este denumit LMS (Least Mean-Squares) i reprezint n multe situaii referina n raport cu care se compar performanele altor algoritmi. b) Filtrul Kalman: teoria filtrului optimal Wiener a fost elaborat pentru procese aleatoare staionare. n cazul n care proprietile statistice ale proceselor aleatoare implicate se modific n timp abordarea anterioar devine mult mai dificil deoarece suprafaa de eroare al crei minim este cutat se modific n permanen, astfel nct algoritmul adaptiv trebuie s asigure nu numai convergena ctre soluia optim, dar i urmrirea modificrii nencetate a acestei valori optime. Soluia este oferit de teoria filtrului Kalman, care admite drept punct de pornire formularea unui model al aplicaiei considerate sub forma ecuaiilor de stare. Algoritmul recursiv rezultat este mult mai rapid dect algoritmul LMS i mai puin dependent

de caracteristicile statistice ale datelor de intrare, ns presupune un volum de calcul considerabil sporit. c) Metoda Least-Squares: cele 2 tehnici prezentate anterior utilizeaz n mod explicit o abordare statistic, bazat pe considerarea aciunii operatorului E{.} asupra unui ansamblu de realizri individuale ale unor procese aleatoare. Un punct de vedere complementar este oferit de luarea n consideraie a mediilor aritmetice calculate n domeniul timp, pe cte o singur realizare individual a procesului aleator de intrare, respectiv de ieire. Problema de filtrare liniar optimal se formuleaz n acest caz ntr-o manier principial asemntoare cu ecuaiile WienerHopf (relaiile poart denumirea de ecuaii normale), iar rezolvarea lor iterativeste oferit de algoritmul Recurrent Least-Squares. Problema de filtrare liniar optimal a fost abordat pe parcursul paragrafelor anterioare din perspectiva teoriei filtrului Wiener, bazat pe minimizarea unei funcii de cost dependente de eroarea de estimare, calculat la rndul ei pornind de la ecuaia care exprim legtura intrare-ieire a filtrului considerat. n plus, algoritmul RLS expus anterior a introdus principiul elegant al calculului iterativ al mrimilor de interes, cu avantaje majore asupra performanelor algoritmului. Un alt punct de vedere n soluionarea problemei studiate este oferit de aa-numitul filtru Kalman, care pstreaz ideea calculului recursiv, ns introduce descrierea sistemului adaptiv analizat prin ecuaii de stare. O asemenea abordare permite extinderea comod a teoriei la aplicaii cu intrri/ieiri multiple i, mai important, ofer cadrul de operare cu semnale reprezentnd manifestri ale unor procese aleatoare nestaionare. n cele ce urmeaz ne vom referi la varianta discret a acestui algoritm, cu meniunea c exist analize teoretice i ale variantei analogice, mai puin ntlnitn aplicaii. Astfel, s considerm vectorul notat x[n] ca reprezentnd un set de M parametri ai unui sistem dinamic liniar ce definesc starea sistemului la momentul de timp n. Sistemul furnizeaz un semnal de ieire accesibil msurtorii pentru un interval de timp cu durata de N eantioane i poate fi caracterizat prin ecuaiile: x[n+1]=[n+1,n]x[n]+v1[n] y[n]=C[n]x[n]+v2[n] n care [n+1,n] desemneaz aa-numita matrice de tranziie a strilor, v1[n] este denumit zgomot de proces i este modelat ca un proces aleator de tip zgomot alb cu valoare medie nul i matrice de autocorelaie Q1[n], C[n] este o matrice de dimensiune NxM, iar v2[n] este zgomotul de msur, considerat de asemenea cu valoare medie nul i matrice de autocorelaie Q2[n]. Matricile [n+1,n] i C[n] se consider cunoscute, iar procesele aleatoare v1[n] i v2[n]sunt statistic independente.

BIBLIOGRAFIE

1. Mihoc Ghe. .a. -Procese stohastice- Editura tiinific i enciclopedic, Bucureti

1978.
2. http://scs.etc.tuiasi.ro

Universitatea "Aurel Vlaicu" din Arad Facultatea de Stiinte Exacte Master IASTE, an II Anul universitar: 2011-2012, semestrul I

REFERAT

SISTEME STACHASTICE

Masterand: Hohl Doval AndreeA 2011-2012