Implementacja algorytmów cyfrowej filtracji ortogonalnej
88.2101 |
322.9348 |
467.9671 |
-291.5412 |
35.0746 |
34.6721 |
4.0855 |
37.7690 |
22 2932 |
•291.5412 |
482.0015 |
-291.5412 |
22.2932 |
37.7698 |
-4.0855 |
34.6721 |
35.0746 |
•291.5412 |
467.9674 |
322.9348 |
88.2101 |
-43.5375 |
49.0182 |
34.6721 |
22.2932 |
•322.9348 |
409.3819 |
-178.3031 |
27.5260 |
43.5375 |
•4.0855 |
37.7698 |
88.2101 |
-170.3031 |
100.4601 |
Cinv£act = | ||||||
100.4601 |
-178.3031 |
88.2101 |
37.7698 |
-4.0855 |
43.5375 |
27.5260 |
•178.3031 |
409.3819 |
•322.9348 |
22.2932 |
34.6721 |
49.0182 |
•43.5375 |
88.2101 |
•322.9348 |
467.9674 |
-291.5412 |
35.0746 |
34 6721 |
-4.0855 |
37.7698 |
22.2932 |
•291.5412 |
482.0015 |
■291.5412 |
22.2932 |
37.7698 |
-4.0855 |
34.6721 |
35.0746 |
-291.5412 |
467.9674 |
-322.9348 |
88.2101 |
-43.5375 |
49.0182 |
34.6721 |
22.2932 |
-322.9348 |
409.3819 |
-178.3031 |
27.5260 |
43.5375 |
-4 0855 |
37.7698 |
88.2101 |
-178.3031 |
100.4601 |
errinv ■ 9.5P62e-20
PRZYKŁAD 7.3 Trzy metody wyznaczania współczynników Schura W przykładzie pokazano równoważność trzech metod wyznaczania współczynników Schura sygnału: za pomocą unormowanego algorytmu Levinsona (zależności (2.155), (2.160), (2.161) oraz funkcja lev.m); za pomocą algorytmu Schura (zależności (2.200) - (2.203) oraz funkcja sch.m); jako estymatory korelacji wzajemnych unormowanych błędów- prognozy w przód t w tył (zależności (2.231), (6.67) oraz funkcje innv.m oraz stacj . m) Postać źródłowa m-pliku P3 .m jest następująca:
% PRZYKŁAD 3. Trzy metody wyznaczania współczynników Schura
elear;
T=200; % deklaracja* długości sygnału
K=8; ł deklaracja długości funkcji kowariancji
N=8; % deklaracja rzędu parametryzacji Schura
(xll - gen<T,0.1,0.15,0.20,0.25);
fxl=stacj(xl,N);
fxc) = cntr(x);
(xsl = stnd(xc);
[cs.ccs.nccsl ^korel(xs,K) ;
(rholev,ALev,ej = lev(cs,N);
(rhoschur] = schtcs.N);
(e,r,rhoinnj = innov (xs, N) .-rholev(2:N) wsp. Schura
rhoschur (2 :N) -V wsp. Schura
rhoinn(2:N) % wsp. Schura
algorytm Levinsona
algorytm Schura
alg. filtru innowacyjnego
Przykładowe wyniki symulacji są następujące:
rholev =
0.8450
0.9442
0.2990
0.0377
0.0064
0.0926
0.1902
_SYMULACJE ALGORYTMÓW CYFROWEJ EIlTnM
ORTOGONALNEJ
rhoschur =
8450 °'94,12 0 - 2990 0.0377 0.0064 o 0926
rhoinn „ ”6 °l9°J
-0.8450
0.8442 0.2990 0.0377 0.0064 0.0926 0.1902
PRZYKŁAD 7.4 Wyznaczanie filtru Levinsona na podstawie współczynników Schura
W przykładnie pokazano, że na podstawie współczynników Schura sygnału (wyznaczonych dowolną metodą - w przykładzie - z wykorzystaniem algebraicznego algorytmu Schura (funkcja sch.m)) można, wykorzystując algorytm Levinsona „w drugą stronę’* (funkcja schur_lev .m), wyznaczyć odpowiedź impulsową filtru, która jest identyczna z odpowiedzią impulsową tego filtru, wyznaczoną z użyciem algorytmu Levinsona (funkcja lev.m). Postać źródłowa m-pliku P4 .m jest następująca
wybaczani- f i, t,» Coa,tav,lo w,p. Schura
\ P4 .n % ----
elear;
Ta200;
K=7;
N»7 ; . „an.O101.Jfl
[xl - qen(T,0.1,0.15,0.20,0.25)j [xc] = cntr(x);
(xsl = stnd(xc):
[cs. cc3. nccs) ”korel 1x3, K) .-[rhoschur) = ach(ca.N):
[ASch] = schur_lev(rhoschur) ;
[rholev,ALev.e] = lev(cs,N);
AL.ev % macierz odp. imp.
ASch * macierz odp. imp.
% deklaracja długości sygnału ^ deklaracja długości funkcji kowariancji
deklaracja rzędu parametryzacji Schura
.0 70 n ’)c. \ •
alg. L«*vinsona alg. Schura
Poniżej zamieszczono przykładowe wyniki symulacji
ALev
ASch
1.0000 0 0 0 0 0 0 i = |
1.9087 •1.6258 0 0 0 0 0 |
10.6912 -18.0666 10.5194 0 0 0 0 |
11.2516 • 22.4640 16.9967 -3.5067 0 0 0 |
11.3479 22.1965 14.9137 •0.5914 -1.4752 0 0 |
11.5140 -22.7745 15.0304 1.9605 -5.3078 1.9483 0 |
12.0556 23.2412 14.0904 2.6610 0.0934 5.0271 3.5728 |
1 0000 0 0 0 |
1.9087 ■1.6258 0 0 |
10.6912 • 18.0666 10.5194 0 |
11.2516 -22.4640 16.9967 -3.5067 |
11.3479 •22.1965 14.9137 0.5914 |
11.5140 -22.7745 15.0304 1.9605 |
12.0556 -23.2412 14 .0904 2.6610 |
177
Implementacja algorytmów cyfrowej filtracji ortogonai nej
Symulacje algorytmów cyfrowej filtracji ortogonalnej
elear; T-400; K ° 4 0;
0000 -1.4752 -5-3078 0.8934
00000 1.9483 5.0271
0 0 0 0 0 0 3.5728
PRZYKŁAD 7.5 Filtracja innowacyjna sygnałów stacjonarnych Przykład prezentuje działanie filtru innowacyjnego o stałych parametrach dla sygnałów stacjonarnych, dla których reprezentantami zmiennych losowych sygnału parametryzowanego oraz sygnałów błędów prognozy w przód i w tył są zbiory próbek (na mocy izomorfizmu omówionego w punkcie 6.1). Prawostronne okienkowanie sygnału (funkcja stacj .m) implikuje strukturę To-eplitza estymatora macierzy kowanancyjnej reprezentantów zmiennych loso-
Wyniki symulacji w przykładzie 7.5: a) sygnał paramciryzowany, b) kowariancja sygnału pa ramciryzowanego, c) wgm sygnału paramctryz.owancgo. d) sygnał innowacyjny, e) kowariancja sygnału innowacyjnego, 0 wgm sygnału innowacyjnego, g) macierz Grama wektorów próbek błędów prognozy w lyl (baza ortononnalna przestrzeni obserwacji)
wych sygnału paramelryzowanego, a w konsekwencji - wyznaczenie filtru innowacyjnego o stałych parametrach Algorytm filtracji innowacyjnej (2.227) -(2.231), (6.47) - (6.49), (6.67) realizuje funkcja innov. m, która zwraca: zbiór wektorów próbek błędów prognozy w przód e; zbiór wektorów próbek błędów prognozy w tył r oraz wektor estymatorów współczynników Schura rho. Postać źródłowa m-pliku P5 . m jest następująca:
Ił P5.m Filtracja innowacyjna sygnałów stacjonarnych
elear;
T=300; \ deklaracja długości sygnału
K= 30; % deklaracja długości funkcji kowariancji
N~30; * deklaracja rzędu parametryzacji Schura
(x1J = gen(T.0.05,0.10,0.15,0.20) j (xJ = stacj(xl,N);
(xc| = entr(x);
(xs) = stnd(xc);
(e.r,rho) *> innov(x3.N); fcx,ccx,nccx| *= korel(xs,K);
(ce,cce,ncce] a koral(e(:,M),K);
(Wx,wx) «= wgmx(xs);
[We,weJ * wgmc(e(:,N) ) ;
subplot (2.3,1); plot (x) ; grid; titleCa)’); subplot (2,3,2) .- plot (nccx, ccx) ; grid; titleCb)*);
3ubplot (2,3.3) ; plot (wx/pi . Wx) : grid; titleCc)*); subplot (2.3,4) ; plot łe(: ,N)) ; grid; titleCd)*); subplot (2.3,5) ; plot (ncce. cce) : grid; titleCe)'); subplot (2,3,6) ; plot (we/pi, we) i grid; titleCO*); pause,-
subplot (1. 1.1) ; mesh(r'*r); citleCg)*);
Wyniki symulacji przedstawia rys. 7.2.
PRZYKŁAD 7.6 Modelowanie stochastyczne sygnałów stacjonarnych Przykład ilustruje działanie ortogonalnego filtru modelującego o stałych parametrach Prawostronnie okienkowany (funkcja stacj .m), scentrowany i standaryzowany stacjonarny przypadkowy sygnał wąskopasmowy jest poddawany parametryzacji przy wykorzystaniu filtru innowacyjnego o stałych parametrach (funkcja innov. m) Wyznaczone estymatory współczynników Schura rho są wykorzystane jako parametry filtru modelującego o stałych parametrach (funkcja model .m. implementująca zależności (4.45)), którego sygnałem wejściowym jest przypadkowy scentrowany i standaryzowany sygnał szerokopasmowy. Postać źródłowa ///-pliku P6 .m jest następująca:
% P6.m Modelowanie scochastyczno sygnałów stacjonarnych
\ deklaracja długości sygnału ..
% deklaracja długości funkcji kowariancji
179