Pytania na poprawie, oficjalne.
Zestaw 1: Szybkość zbieżności algorytmu Levinsona a szerokość pasma sygnału Zestaw 2: Filtr innowacyjny: wybielający, dekorelujący, parametryzujący Zestaw 3: Filtr modelujący: porównanie kowariancji i widmowej gęstości mocy we-wy Zestaw 4: Adaptacyjny filtr innowacyjny: niestacjonarność sygnału a przebieg zmiennych w czasie wsp. Schura; test stacjonarności sygnału
Zestaw 5: Kompresja z użyciem filtru innowacyjnego: szerokość pasma sygnału a szerokość widma wsp. Schura
Zestaw 8: Metoda LPC (sygnał stacjonarny i sygnał niestacjonarny); kompresja w przypadku sygnału niestacjonarnego
Odpowiedzi
Zestaw 1: Szybkość zbieżności algorytmu Levinsona a szerokość pasma sygnału
1. Wnioski: wygenerowane wykresy pokazują że szybkość zbieżności algorytmu Levinsona maleje wraz z poszerzaniem się pasma.
2. Wnioski: Wygenerowany wykres wykazuje że szybkość zbieżności algorytmu Levinsona nie zależy od położenia parametryzowanego sygnalu.xD oczywiście dalej ścierna poleciała ale na tym się wzorowałem i wokół tego się kręciłem
(Jest ok?)
Poprawa jakości estymacji zależy od szybkości malenia wartości funkcji kowariancji: jeśli szybkość malenia jest duża c( 1)<<c(0) - jakość estymacji poprawia się powoli, co wymaga stosowania filtrów wysokiego rzędu; jeśli szybkość malenia mała c(l)<c(0) - jakość estymacji poprawia się szybko, możliwość stosowania filtrów niskiego rzędu. W granicznym przypadku szumu białego mamy c(0)=c(l)=...=0 co implikuje zerową poprawę jakości estymacji, stąd wniosek, Ze prognozowanie szumu białego nie ma sensu.
Szybkość zbieżności algorytmu levinsona zależy od szerokości pasma sygnału tzn im pasmo jest szersze tym algorytm wolniej zbiega do poziomu błędu średniokwadratowego jakiego oczekujmy, dodatkowo położenie sygnału w paśmie częstotliwości nie wpływa na szybkość zbieżności algorytmu levinsona. Co do zbieżności względem szumu białego trafnym jest że nie można wybielić bardziej szumu białego.
Zestaw 2: Filtr innowacyjny: wybielający, dekorelujący. parametryzujący