Análise Comparativa de um Sinal Aleatório

Utilizando Filtro de Wiener e Filtro de Kalman

Ricardo Bruno Osés de Oliveira1
Rodrigo Pinto Lemos2
Escola de Engenharia Elétrica, Mecânica e de Computação
Universidade Federal de Goiás
Goiânia, Brasil
1
ricf ire.ricardo@gmail.com
2
rodrigo.p.lemos@gmail.com

Resumo—Este artigo apresenta, por meio de simulação, uma filtro em termos de métodos de espaço de estados também
comparação entre a estimativa de um sinal aleatório utilizando simplifica a implementação do filtro no domı́nio discreto, outra
um filtro de Wiener e um filtro de Kalman. O filtro de Wiener razão para seu uso generalizado.[2]
resolve o problema de estimativa de processos conjuntamente
estacionários, este minimiza o erro quadrático médio entre o
II. F ILTRO DE W IENER
processo aleatório estimado e o processo desejado. O filtro de
Kalman resolve o problema de filtragem correspondente com O princı́pio da filtragem de Wiener é estimar o valor atual
maior generalidade, fazendo uma estimação linear ou não- do sinal com base em todas as observações passadas e atuais
linear média quadrática mı́nima de processos não estacionários,
caracterizados através de variáveis de estado.
x[n], x[n-1],.... A função de transferência H[z] ou a resposta
impulsiva unitária h[n] do sistema é resolvida com um erro
I. I NTRODUÇ ÃO quadrático médio mı́nimo. O modelo de sinal da filtragem de
Wiener é derivado da função de correlação do sinal e do ruı́do.
O processo de filtragem de ruı́do e interferência de dados A estrutura geral do filtro Wiener é a seguinte:
de entrada contı́nuos (ou discretos) para extrair informações
úteis é chamado de filtragem e o dispositivo correspon-
dente é chamado de filtro. Um filtro pode ser definido
como um dispositivo que atua em um conjunto de dados,
visando a extração de informação relevante (Haykin, 2001)
[1]. De acordo com uma função linear de entrada e a
saı́da do filtro, ele pode ser dividido em filtro linear e
filtro não linear. Um objetivo fundamental na pesquisa de
filtros é como projetar e fabricar filtros ideais ou ótimos. Figura 1.
Na década de 1940, Wiener estabeleceu as bases para a
Onde y[n] é uma estimativa do valor d[n] do processo
pesquisa ideal de filtros. Ele chegou a um estimador ótimo
desejado que se quer estimar. A saı́da linear do sistema é:
para processos estacionários baseado em critérios mı́nimos
de erro quadrático médio. O erro quadrático médio entre ∞
X
a saı́da desse filtro e a saı́da desejada é mı́nimo, por- y[n] = h[k]x[n − k] (1)
tanto, é um sistema de filtragem ideal. Pode ser usado k=0
para extrair sinais que estão contaminados por ruı́do es- E o erro de estimação é dado por:
tacionário. Esse estimador é chamado de filtro Wiener.
Kalman também apresentou um filtro ideal utilizando o
critério do mı́nimo erro quadrático médio. No entanto, o filtro
ε = E e2 [n]

(2)
de Kalman tem algumas vantagens sobre o de Wiener. Ele
evita a necessidade de determinar a resposta ao impulso do O projeto do filtro Wiener está sob a condição de erro
filtro, algo que é pouco adequado ao cálculo numérico. Kalman quadrático médio mı́nimo,
descreveu seu filtro usando técnicas de espaço de estado, que,
ao contrário do modelo de Wiener, permite que o filtro seja ∂ε
=0 (3)
usado como um filtro mais suave, ou como um preditor. O ∂h[m]
último desses três, a capacidade do filtro de Kalman de ser ou seja,
usado para prever dados provou ser uma função muito útil. ∞
Isso levou o filtro de Kalman a ser aplicado a uma ampla ∂ε X
= −2rdx [k] + 2 h[m]rx [k − m] = 0 (4)
gama de problemas de rastreamento e navegação. Definir o ∂h[k] m=0
onde obtém-se a equação de Wiener-Hopf: IV. M ETODOLOGIA
∞
X Dado um sinal aleatório x[n] obedecendo ao processo AR
y[n] = h[m]x[k − m] = rdx [k] (5) de ordem 4, com os seguintes parâmetros:
m=0

O projeto do filtro Wiener está realmente sob a condição a1 =- 1.500

de erro quadrático médio mı́nimo, ou seja, a determinação da a2 = 1.338

resposta ao impulso h[n] ou função do sistema H[z] do filtro, 
 a3 = -0.750
o que equivale a resolver a equação de Wiener-Hopf. a4 = 0.375


III. F ILTRO DE K ALMAN e a equação de diferenças dada por:

No filtro de Kalman nem todas as observações anteriores
são necessárias, e o valor atual do sinal é estimado com base
apenas na estimativa anterior e na observação mais recente. Ele
usa o método do espaço de estados para descrever o sistema,
que consiste em uma equação de estado e uma equação de
medida. A solução é dada na forma de uma estimativa (que
é uma estimativa da variável de estado) cujo algoritmo é
recursivo. O modelo de sinal do filtro de Kalman é obtido
a partir da equação de estado e da equação de medição. O
filtro de Kalman originalmente dado como [3],
xk = Ak−1 xk−1 + qk−1 (6)
yk = Hk xk + rk (7)
onde (6) é a equação de estados e (7) a equação de medição
e qk−1 ∼ N (0, Qk−1 ) e rk ∼ N (0, Rk ). Se a distribuição
anterior é Gaussiana, x0 ∼ N(m0 , P0 ), então as equações de
filtragem ótimas podem ser avaliadas em forma fechada e as
distribuições resultantes são Gaussianas
p(xk |y1:k−1 ) = N (xk |m− −
k , Pk )
y[n] = x[n] + v[n]
onde v[n] é ruı́do gaussiano de variância 1. Com as condições
iniciais dadas, é obtida a esquação de estados:
x[n] = 1.5x[n−1]−1, 338x[n−2]+0, 75x[n−3]−0, 375∗x[n−4]+w[n]
Onde w[n] representa o ruı́do dinâmico com uma variância
σ 2 1. Através do software Matlab® foram estimadas formas
de ondea por sinais de medição usando filtros de Wiener e
filtros de Kalman, respectivamente.
V. R ESULTADOS
A ordem do filtro de Wiener determinada na simulação é
101, e a variância do número de observações é 100. Quando
a variância de V[n] é 1, o gráfico de comparação da trajetória
real, a amostra observada e a trajetória estimada são obtidas
por como mostrado na figura 2.

p(xk |y1:k ) = N (xk |mk , Pk )

p(yk |y1:k−1 ) = N (yk |Hk m−
k , Sk )

Os parâmetros das distribuições acima podem ser calculados

por predição de filtro de Kalman e etapas de atualização:
• Etapa de Predição

m−
k = Ak−1 mk−1

Pk−1 = ATk−1 + Qk−1

• Etapa de atualização

vk = yk − Hk m−
k

Sk = Hk Pk− HkT + Rk
Kk = Pk− HkT Sk −1
mk = m−
k + Kk vk

Pk = Pk− − Kk Sk KkT
Dessa forma, o filtro de Kalman é um método de mı́nimos
quadrados recursivos para estimação do estado de um sistema
à partir das observações da saı́da do mesmo contaminadas por
ruı́do. O uso de variáveis de estado provê um modelo ajustável
às condições iniciais do problema em análise, alcançando um
ajuste mais adequado da modelagem
Figura 2. Comparação: trajetória real, amostra obervada e a trajetória estimada
para filtro de Wiener
Como pode ser visto na figura 2, a trajetória estimada obtida
pela medição do sinal usando o filtro Wiener está próxima da
trajetória real. Portanto o erro entre a trajetória estimada e
a trajetória real é pequena. A figura 3 obtida na simulação
mostra o erro médio da estimação para o filtro de Wiener.
 Figura 3. Erro médio da estimativa para filtro de Wiener
Na Figura 3 podemos observar que o erro médio da tra-
jetória estimada e da trajetória real é pequeno, e o erro médio
é relativamente grande no inı́cio. Conforme o tempo passa, o
erro médio diminui gradualmente. Usando o filtro de Kalman,
com variância do número de pontos de observação igual a 100,
o gráfico de comparação da trajetória real, a amostra observada
e a trajetória estimada é obtida como mostrado na Figura 4
abaixo.
Figura 4. Comparação: trajetória real, amostra obervada e a trajetória estimada
para filtro de Kalman
Assim como observado na filtragem de Wiener, na figura 5,
usando o filtro de Kalman, a trajetória estimada obtida pela
medição do sinal é próxima da trajetória real. O erro entre a
trajetória estimada e a trajetória real é pequeno. A figura 5
mostra o erro médio da estimativa para filtragem de Kalman.
Figura 5. Erro médio da estimativa para filtro de Kalman
No gráfico do erro médio da estimativa usando filtragem de
Kalman observa-se uma maior oscilação, embora o erro ainda
continue pequeno.
C ONCLUS ÃO
Através dos resultados e análises da simulação acima,
observamos que tanto o filtro Wiener quanto o filtro de Kalman
podem ser usados para estimar a forma de onda do par de
sinais, e a trajetória estimada é próxima da trajetória real. Em
comparação, o erro estimado pelo filtro Wiener é ligeiramente
menor que o erro estimado pelo filtro de Kalman. Outro
ponto analisado é que ao estimar com filtro Wiener e filtro
de Kalman, o erro médio é relativamente grande no inı́cio, e
o erro médio diminui gradualmente com o tempo.
R EFER ÊNCIAS
[1] HAYKIN, Simon. Adaptive Filter Theory. Prentice Hall, quarta edição,
2001.
[2] N.A.Thacker, A.J.Lacey. Tutorial: The Kalman Filter.
[3] R. E. Kalman, “A new approach to linear filtering and prediction
problems,” Transactions of the ASME, Journal of Basic Engineering,
vol. 82, pp. 34–45, March 1960
[4] HAYKIN, Simon. Modern Filters. Macmillan Coll Div, 1989.
[5] HAYKIN, Simon. Kalman Filtering and Neural Networks. Wiley-
Interscience, 1 edition, 2001.