Escolar Documentos
Profissional Documentos
Cultura Documentos
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
m−
k = Ak−1 mk−1
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 Figura 2. Comparação: trajetória real, amostra obervada e a trajetória estimada
para filtro de Wiener
Dessa forma, o filtro de Kalman é um método de mı́nimos
quadrados recursivos para estimação do estado de um sistema Como pode ser visto na figura 2, a trajetória estimada obtida
à partir das observações da saı́da do mesmo contaminadas por pela medição do sinal usando o filtro Wiener está próxima da
ruı́do. O uso de variáveis de estado provê um modelo ajustável trajetória real. Portanto o erro entre a trajetória estimada e
às condições iniciais do problema em análise, alcançando um a trajetória real é pequena. A figura 3 obtida na simulação
ajuste mais adequado da modelagem mostra o erro médio da estimação para o filtro de Wiener.
Figura 3. Erro médio da estimativa para filtro de Wiener Figura 5. Erro médio da estimativa para filtro de Kalman
Na Figura 3 podemos observar que o erro médio da tra- No gráfico do erro médio da estimativa usando filtragem de
jetória estimada e da trajetória real é pequeno, e o erro médio Kalman observa-se uma maior oscilação, embora o erro ainda
é relativamente grande no inı́cio. Conforme o tempo passa, o continue pequeno.
erro médio diminui gradualmente. Usando o filtro de Kalman,
C ONCLUS ÃO
com variância do número de pontos de observação igual a 100,
o gráfico de comparação da trajetória real, a amostra observada Através dos resultados e análises da simulação acima,
e a trajetória estimada é obtida como mostrado na Figura 4 observamos que tanto o filtro Wiener quanto o filtro de Kalman
abaixo. 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.