Tema1 - 1 - Filtrado Óptimo Wiener (I)

Tema1:FiltradoptimoMMSE.
Wiener
1.1Planteamientogeneral
1.2Filtrado ptimodeWiener
1.2.1Solucinideal:longitudinfinitaIIR,nocausal
1.2.2SolucinrealizableFIR
1.2.3SolucinrealizableIIR
1.3FiltradoAdaptativo
1.3.1Algoritmosdegradiente.
1.3.1.1 Gradienteexacto:SteepestDescent
1.3.1.2 Gradienteinstantneo:LMS(LeastMeanSquare)
1.3.1.3 Gradientemodificado:Newton
1.3.2AlgoritmosLS(Least Squares).
1.3.3AlgoritmosenelDominioTransformado.
1.4Aplicaciones
1.4.1Ecualizacinadaptativa
1.4.2Cancelacindeinterferencias
TratamientodeSealparaComunicaciones
Tema1.FiltradoptimoMMSE.Wiener
Universidad
Zaragoza
Tema1:FiltradoptimoMMSE. Wiener
1.3.3AlgoritmosenelDominioTransformado
1.4Aplicaciones
Universidad
Zaragoza
Objetivo: Estimar unasealdeseadaapartirdeunconjuntode
datosomedidasdisponiblesdelamisma,enunsentidoptimo
segnuncriteriodebondadpreviamenteseleccionado
Nota:
Supondremos quelasseales,sistemasyestimadoresson,engeneral,
complejos.
EsquemaGeneraldelestimador:
Universidad
Zaragoza
Criteriodeoptimizacin:Minimizarunamedidadedistancia
odeerrorenlaestimacin.Elestimadorserptimoeneste
sentido.
DichamedidaseexpresamedianteunadenominadaFuncinde
Coste,queesunfuncinmatemticadelerrordeestimacine(n):
L {e(n)}.
Estafuncindecosteseeligecomounafuncinsencilladee(n),
normalmentedetipoprobabilstico.Algunasposibles:
L {e(n}=E{e(n)},E{e(n)2},E{max e(n)},..
ElcriteriomsutilizadoeseldeMnimosCuadradoso
MinimumMeanSquareError(MMSE):
L {e(n}=E{e(n) 2}.
Universidad
Zaragoza
PorquusarelCriterioMinimum MeanSquareError
(MMSE)?:L {e(n}=E{le(n)l2}=E{e(n).e*(n)}.
Suponeminimizarlapotenciadelerrordeestimacine(n).
Elproblemademinimizacinesmatemticamentetratable.
Implicanicamentealasestadsticasomomentosde1ery
2orden.
Silassealesx(n)yd(n)sondedistribucinGaussiana,la
estimacinesptimaenelsentidoestadstico:criteriosML
(Maximum Likelihood yMAP(Maximum aPosteriori
Probability).
Enesteltimocaso(distribucinGaussiana)lostres
estimadoresmscomunes(MMSE,MLyMAPcoinciden).
Universidad
Zaragoza
Ejemplosdecriterios:
L {e(n)}
Se pondera mucho ms
los errores grandes
Se ponderan los errores
proporcionalmente a su valor
Se ponderan los errores poco
proporcionalmente a su valor
IeI1/10
Universidad
Zaragoza
EstructuradelEstimador:enelcasodenuestrointers,el
estimadoreslineal.Esdecir,puedeinterpretarsecomoun
filtrolineal.
ElestimadorptimolinealconcriterioMMSE sedenomina
FiltrodeWiener.
EsquemaGeneraldelFiltradodeWiener:
W(z)
Universidad
Zaragoza
Tema1:FiltradoptimoMMSE. Wiener
1.3.3AlgoritmosenelDominioTransformado
1.4Aplicaciones
Universidad
Zaragoza
1.2FiltradoptimodeWiener
Generalmente
disponible
EsquemaGeneral:
Generalmente
disponible
Objetivo:obtenerloscoeficientesdelfiltroW(z)que
minimicenlapotenciadelerrorE{e(n)2}.
.
Solucin:Calcularelgradiente
deJ=E{e(n)2}respectodelos
coeficientesw eigualaracero.
w
i
0
w
J
w
i 1
.
Universidad
Zaragoza
SolucindeWiener.Casoconcoeficientesw complejos
J ( w) wu jv J (u jv) J (u , v) con u y v variables independientes
Dosposiblesenfoques:
A). Calcularporseparadolaparterealui ylaparteimaginariavi
ui J u 0
J J 0
i
vi
i wi ui jvi
B). Calculardirectamentewi derivandoconrespectoawi owi*.?

Veamos
10
Universidad
Zaragoza
B) Calculardirectamentewi ,derivandoconrespectoawi owi*?
Esdecir,usamoslaexpresindelgradientew dew*?.
Regla de la
cadena
Siwyw*seconsideranv.independientes,podemosescribir:
w w*
u 2
w u jv
*
w
w
v
2j
1 J
J J ui J vi 1 J
.
.
j .
.
2 vi
wi ui wi vi wi 2 ui
1 J
J J ui J vi 1 J
.
.
.
.
j
*
*
*
2 vi
wi ui wi vi wi 2 ui
11
Universidad
Zaragoza
B) Calculardirectamentewi,derivandoconrespectoawi owi*?
(cont.)
Ladefinicinadecuadadelgradientees=w* porque,deeste
modo,suparterealeimaginariaconservanelsignodelas
derivadasrespectoauyv:
J 1 J
1 J 1J
J 1
w
.
j .

j
u j v
*
wi 2 ui
vi 2
2 vi 2 ui
*
i
Obsrveseque,enelptimo,eslomismow=0 w*=0
12
Universidad
Zaragoza
Operacionescongradientecomplejoynotacin
vectorial:
Conmatemticacomplejahayalgunasrelacionesque
difierendelcasoreal:
w * W 0
w W 1
w * W 1
w W 0
w * (W .X ) X
w (W .X ) 0
w ( X .W ) 0
w ( X .W ) X *
w * (W .R xx .W ) R xx .W
w (W .R xx .W ) R xx .W
Nota : La matriz R xx es Hermtica R xx = R xx

H
13
Universidad
Zaragoza
1.2.1Wiener.Solucinideal:IIRnocausal
d ( n)
w ( m) x ( n m) w ( n) x ( n)
*
Ojo! nomenclatura
e( n) d ( n) d ( n) d ( n)
w* (m) x ( n m)
w( n) ptimo ? minimizar J respecto w* (m)
e( n ) *
*
E
e
(
n
)
e
(
n
)
E
e ( n) 0
*
*
w (k )
w (k )
w* ( k )
e( n )
*
x
(
n
k
)
x
(
n
k
).
e
( n) 0 k
w* ( k )
PrincipiodeOrtogonalidad
14
Universidad
Zaragoza
1.2.1Wiener.Solucinideal:IIRnocausal
PrincipiodeOrtogonalidad (P.O.):
E x (n k ).e* ( n) 0 k
UsandoelfiltroptimoMMSE(Wiener)comoestimador,se
cumpleque:
Elerror cometidoenlaestimacinesortogonalalosdatosx(n)
^
usados(ytambinortogonalalaestimacind(n)porsersta
unacombinacinlinealdelosdatos).
ElPrincipiodeOrtogonalidad escondicinnecesariay
suficienteparaobtenerelptimoMMSE.
15
Universidad
Zaragoza
1.2.1Wiener.SolucinIIRnocausal
InterpretacinGeomtricadelPrincipiodeOrtogonalidad
E x ( n k )e* ( n) 0
x ( n k ) e ( n ) k
Caso de orden 2:
datos x(n) y x(n-1)
d(n)
e(n)
w1* x(n-1)
wo* x(n)
x(n)
^
d(n)
x(n-1)
16
Universidad
Zaragoza
RepresentacingeomtricadeJ=E{le(n)l2}
*
J E e( n)e ( n) E d ( n) w ( m) x ( n m) d ( n) w( m) x* ( n m)
m
m
Jesunaformacuadrticadeloscoeficientesw(m),ylafuncinJpuede
representarseporunhiperparaboloide denominadosuperficiedeerror:
*
J=
w1
Caso orden 2
w1
w0
w0
17
Universidad
Zaragoza
Sustituyendolaexpresindelerrore(n)enlaexpresindelP.O.:
E x ( n k )e* ( n) 0 E e( n) x* ( n k ) k
con e( n) d ( n)
E d ( n) x ( n k )
*
*
opt
( m) x ( n m)
*
wopt
( m) E x ( n m) x* ( n k ) 0
k ( , )
EcuacionesdeWienerHopf:
rdx ( k )
*
opt
( m) rxx ( k m) wo*pt ( k ) rxx ( k )
18
k ( , )
Universidad
Zaragoza
SolucindeWienerIIRnocausaleneldominiofrecuencial
TransformandoambosmiembrosdelasecuacionesdeWienerHopf,resulta
en:
*
S dx (e j ) Wopt
(e j ) S xx (e j ) Sdx ( z ) Wo*pt ( z * ) S xx ( z )
j
S
e
(
)
j
*
dx
Wopt (e )
S xx (e j )
Sdx ( z )
W (z )
S xx ( z )
*
opt
Ejercicio 1.1 .- Comprobar las expresiones anteriores.

Ejercicio 1.2 .- Demostrar que si el filtro de Wiener es IIR causal
(realizable), stas expresiones no son vlidas.
19
Universidad
Zaragoza
Ejemplo1.1:Realce deunasealruidosaapartirdeuna
referenciaderuido
d(n)=s(n)+v(n)
s(n) y v(n) incorreladas

x(n)=v(n)
^
Objetivo:Obtenerd(n),unaestimacindev(n).Minimizare(n),proporciona
unaestimacindes(n)conmximaSNR.
rdx (k ) E s (n) v(n) .v '* (n k ) rsv ' (k ) rvv ' ( k ) S dx (e j ) 0 Svv ' (e j )
rxx (k ) rv ' v ' (k ) S xx (e j ) Sv ' v ' (e j )
j
)
S
(
e
*
Wopt
(e j ) vv' j
S v ' v ' (e )
Ejercicio 1.3 .- Suponiendo que la referencia de ruido =x se obtiene a partir del ruido
interferente filtrado por una funcin H(z), obtener la expresin de Wopt (ejw). Comente el
resultado obtenido. Cul es la SNR obtenida en el proceso de realce?
20
Universidad
Zaragoza
1.2.2Wiener.SolucinrealizableFIR
J E e( n )
E e(n).e (n)
*
W(z)FiltroFIRcausaldeLcoeficientes(ordenL1)
L 1
H
w( n) 0, n 0, n L d ( n) w* ( m) x ( n m) w .x ( n)
m 0
con w w(0), w(1),....w( L 1) y x( n) x( n), w( n 1),....w( n L 1)
Minimizacin de J E e( n)
w* (J)=0
21
Universidad
Zaragoza
Minimizacin de J E e(n)
w* (J)=0
Usando notacin vectorial:
J=E e(n)
(n).w E w
E e(n)e* (n) E d (n) w H. x(n) d *(n) x H (n).w

E d (n) E d (n) x (n) .w w .E x(n)d (n) w . E x(n).x (n) .w
J E d (n) P .w w (n).P w (n). R .w
E d (n)
E d (n) x
. x(n)d *(n) E w H. x(n).x (n).w

H
T
dx
22
*
dx
xx
Universidad
Zaragoza
ParaobtenerloscoeficientesptimosdeWiener o
solucinMMSE:
Minimizacin de J E e( n )
w* (J)=0
2
H
H
*
T
w J w E d ( n) Pdx .w w . Pdx w . Rxx .w 0
Con las reglas de derivacin vectorial vistas:

*
w* J 0 0 Pd*x Rxx .w 0
w = R xx-1 .Pdx* = R xx-1 .P
Rxx .w Pd*x
Ecuaciones de
Wiener-Hopf
con P Pdx* por sencillez

de nomenclatura
Solucin de Wiener
Caso FIR
23
Universidad
Zaragoza
ClculodeJmin
J E d ( n)
P .w w H .P w H .R xx .w
con P P dx
*
wopt R xx .P
J min rdd (0) P H . Rxx1.P P .R xx .P P .R xx .R xx . R xx .P

1
rdd (0) P .R xx .P P .R xx .P P . R xx .P rdd (0) P .wopt J min

H
J min rdd (0) P dx .wopt

T
con P P dx
*
24
Universidad
Zaragoza
Ejemplo1.2.Casodualdefiltradodesealenruido(sealesreales)
x ( n) s ( n) v ( n)
rss (k ) 2.(0,8)
d ( n) s ( n)
rvv (k ) 2. (k )
s (n) y v(n) incorrelados

v(n) ruido blanco
rdx (k ) rss (k )
rxx (k ) rss (k ) rvv (k )

Rxx w Pdx* Pdx
rxx (0) rxx (1) rxx (2) w(0) rdx (0)

rxx (1) rxx (0) rxx (1) . w(1) rdx (1)
rxx (2) rxx (1) rxx (0) w(2) rdx (2)
4.00 1.60 1.28 w(0) 2.00
0.3824
1.60 4.00 1.60 . w(1) 1.60 w 0.2000
1.28 1.60 4.00 w(2) 1.28

0.1176
J min
0.3824
rdd (0) PdxT .w 2 2 1.6 1.28 . 0.2000 0.7647
0.1176
25
Universidad
Zaragoza

Tema1 - 1 - Filtrado Óptimo Wiener (I)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tema1 - 1 - Filtrado Óptimo Wiener (I)

Uploaded by

Copyright:

Available Formats

Tema1:FiltradoptimoMMSE.

B). Calculardirectamentewi derivandoconrespectoawi owi*.?

Nota : La matriz R xx es Hermtica R xx = R xx

w( n) ptimo ? minimizar J respecto w* (m)

( m) rxx ( k m) wo*pt ( k ) rxx ( k )

Ejercicio 1.1 .- Comprobar las expresiones anteriores.

s(n) y v(n) incorreladas

con w w(0), w(1),....w( L 1) y x( n) x( n), w( n 1),....w( n L 1)

Usando notacin vectorial:

E e(n)e* (n) E d (n) w H. x(n) d *(n) x H (n).w

. x(n)d *(n) E w H. x(n).x (n).w

w J w E d ( n) Pdx .w w . Pdx w . Rxx .w 0

Con las reglas de derivacin vectorial vistas:

con P Pdx* por sencillez

J min rdd (0) P H . Rxx1.P P .R xx .P P .R xx .R xx . R xx .P

rdd (0) P .R xx .P P .R xx .P P . R xx .P rdd (0) P .wopt J min

J min rdd (0) P dx .wopt

s (n) y v(n) incorrelados

rxx (k ) rss (k ) rvv (k )

rxx (0) rxx (1) rxx (2) w(0) rdx (0)

1.28 1.60 4.00 w(2) 1.28

You might also like