Analisis Espectral Parametrico ARMA

4o Ingeniera de Telecomunicacion
Tema 5: Modelado, Analisis Espectral

Parametrico Lineal
y Prediccion
I. Santamara

Introduccion ARMA MA AR Lineal
Prediccion
Indice
1
Introduccion
2 Modelado ARMA
3 Modelado MA
4 Modelado AR
5 Lineal
Prediccion

Tema 5: Modelado, Analisis
Espectral Parametrico Lineal
y Prediccion I. Santamara

Prediccion

Introduccion
Supongamos que la DEP del proceso admite un modelo

parametrico de la forma
Sx () = a + b cos() + c cos(2)

el problema de analisis espectral queda entonces reducido a
estimar a, b y c a partir de un conjunto finito de observaciones
del proceso x[n], n = 0 . . . , N 1

El estimador parametrico de la DEP entonces es
+ b cos() + c cos(2)
Sx () = a
estrecha entre modelado y
Por lo tanto, existe un relacion

analisis
espectral parametrico
Veremos tambien que cuando hacemos prediccion lineal de un
proceso estamos, implcitamente, asumiendo un modelo
Ventajas: mejores prestaciones (si el modelo es correcto),
compactacion de la informacion (codificacion),
etc
Inconvenientes: falta de robustez


Prediccion
Modelado
Cualquier proceso
R estocastico de
(que cumpla la condicion
Paley-Wiener ln(Sx ())d < ) puede modelarse como
ruido AWGN filtrado por un filtro H(z) (causal y estable)
AWGN
u[n] h[n] x[n]
ru [m] = 2 [m] rx [m]
0
h[n] h[n]
Su ( ) = 2 S x ( )
H ( )
2
0 0


Prediccion
general tiene la forma

El filtro H(z) mas
Pq k
k=0 bk z
H(z) = p
1 + k=1 ak z k
P
en este caso el proceso resultante es un ARMA(p,q)

(Autoregressive Moving Average)
tiene numerador (FIR)
Si el filtro solo
q
X
H(z) = bk z k
k=0
el proceso es un MA(q) (Moving Average)

tiene denominador
Finalmente, si el filtro solo
1
H(z) = Pp
1+ k=1 ak z k
el proceso es un AR(p) (Autoregressive)


Prediccion
Siempre asumimos que el filtro H(z) es causal y estable

1 Todos los polos dentro del crculo unidad
2 de convergencia es |z| > r donde r es el radio del polo
La region
externo
mas
Un ejemplo: si
1
H(z) = , |z| > a
1 az 1
el filtro es causal y estable (si |a| < 1); y su respuesta
impulsional es
h[n] = an u[n]
en cambio, si
1
H(z) = , |z| < a
1 az 1
el filtro es anticausal y su respuesta impulsional es
h[n] = an u[n 1]


Prediccion
Ejemplo
AWGN
u[n] N (0, ) 2 1 bz 1
x[n]
1 az 1
El proceso resultante es un ARMA(1,1), para obtener su DEP es

mejor comenzar calculando Sx (z)
(1 bz 1 )(1 bz) 1 + b2 b(z 1 + z)
Sx (z) = 2 H(z)H(1/z) = =
(1 az 1 )(1 az) 1 + a2 a(z 1 + z)
La DEP se obtiene haciendo el cambio z = ej , tenga en cuenta
que
(z 1 + z)|z=ej = ej + ej = 2 cos()
por lo que la DEP queda finalmente
1 + b2 2b cos()
Sx () =
1 + a2 2a cos()


Prediccion
podemos calcular en primer

Para calcular la autocorrelacion
lugar la respuesta impulsional del filtro
1
( a b)
( n 1)
h[n] = a u[n] ba
n
u[n 1] a ( a b)
a 2 ( a b)
"
n=0
y luego calcular
rx [m] = 2 (h[m] h[m]) ,
o bien podemos obtenerla como TZ inversa de Sx (z)

en fracciones simples y tablas)
(descomposicion


Prediccion
Indice
1
Introduccion
2 Modelado ARMA
3 Modelado MA
4 Modelado AR
5 Lineal
Prediccion


Prediccion
Modelado ARMA(p,q)
general de un
Consideramos en primer lugar el caso mas
modelo ARMA(p,q)
q
AWGN b z k
k
ARMA(p,q)
u[n] N (0, ) 2 H ( z) = k =0
p x[n]
1 + ak z k
k =1
en diferencias correspondiente al filtrado es

La ecuacion
q
X p
X
x[n] = bk u[n k] ak x[n k]
k=0 k=1
Modelado ARMA
A partir de un conjunto finito de observaciones de un modelo
ARMA(p,q): x[n], n = 0, . . . , N 1; estimar los parametros del
modelo: 2 , (b0 , b1 , . . . , bq ) y (a1 , a2 , . . . , ap )


Prediccion
El proceso de modelado consiste en:

1 sesgada rxs [m] a partir de los datos x[n],
Estimar la autorrelacion
n = 0, . . . , N 1
2 Resolver las ecuaciones que relacionan la autocorrelacion del

modelo con sus parametros
Por lo tanto, es necesario en primer lugar derivar las ecuaciones

que relacionan los parametros del modelo con rx [m]
Podramos calcular rx [m] = 2 (h[m] h[m]) (que depende

obviamente de los parametros del modelo), pero este
procedimiento es, en general, complicado (salvo en el caso de
filtros FIR)
Una forma mas sencilla de obtener la relacion
buscada es partir
de la ecuacion en diferencias
p
X q
X
x[n] + ak x[n k] = bk u[n k]
k=1 k=0


Prediccion
Multiplicando ambos miembros por x[n m] y tomando

esperanzas matematicas se obtiene
p
X q
X
E [x[n]x[n m]]+ ak E [x[n k]x[n m]] = bk E [u[n k]x[n m]]
k=1 k=0
p
X q
X
rx [m] + ak rx [m k] = bk rux [m k]
k=1 k=0
En esta expresion aparece todava la correlacion cruzada entre

la entrada y la salida, rux [m k], por lo que la expresion
no es
util
en esta forma (tenga en cuenta que solo tenemos acceso a
la salida x[n])
Tenemos que escribir la ecuacion en funcion unicamente
de la
de la salida y de los parametros
autocorrelacion del modelo


Prediccion
rux [m k] = E [u[n k]x[n m]]

escribimos la salida como convolucion entre la entrada y la respuesta
impulsional del filtro h[n] (que dependera de los coeficientes del filtro)

X
x[n m] = u[l]h[n m l]
l=

" #
X
rux [m k] = E u[n k] u[l]h[n m l] =
l=

X
X
= h[n m l]E [u[n k]u[l]] = h[n m l]ru [n k l]
l= l=
como la entrada es blanca su autocorrelacion es una delta,

2
ru [n k l] = [n k l], que es nula en todos los puntos
excepto cuando l = n k; por lo que finalmente se obtiene
rux [m k] = 2 h[k m]


Prediccion
Finalmente obtenemos
p
X q
X
rx [m] + ak rx [m k] = 2 bk h[k m]
k=1 k=0
p
X
rx [m]+ ak rx [mk] = 2 (b0 h[m] + b1 h[1 m] + . . . + bq h[q m])
k=1
teniendo en cuenta que el filtro es causal y, por lo tanto, h[n] = 0
n < 0 podemos escribir la autocorrelacion
de modelo ARMA(p,q) en

funcion de sus parametros como
ARMA(p,q)
Autocorrelacion
p
X
m > q rx [m] = ak rx [m k]
k=1
Xp q
X
0 m q rx [m] = ak rx [m k] + 2 bk h[k m]
k=1 k=m
m < 0 rx [m] = rx [m]


Prediccion
En el caso de que el proceso ARMA(p,q) sea complejo
rx [m] = E [x[n](x[n + m]) ]
ARMA(p,q)
Autocorrelacion
p
X
m > q rx [m] = ak rx [m k]
k=1
Xp q
X
0 m q rx [m] = ak rx [m k] + 2
bk (h[k m])
k=1 k=m
m < 0 rx [m] = (rx [m])


Prediccion
Ejemplo: ARMA(1,1)
AWGN
u[n] N (0, ) 2 1 bz 1
x[n]
1 az 1
En este caso p = 1, q = 1: b0 = 1, b1 = b, a1 = a.
para este problema que
Ya vimos tambien
h[n] = an u[n] ban1 u[n 1]
h[0] = 1
h[1] = ab
h[2] = a(a b)


Prediccion
Formamos las ecuaciones del modelo (tenemos en cuenta que

el proceso es real y que, por lo tanto rx [m] = rx [m])
m = 0, rx [0] arx [1] = 2 (b0 h[0] + b1 h[1]) = 2 (1 b(a b))

m = 1, rx [1] arx [0] = 2 b1 h[0] = 2 b
m = 2, rx [2] arx [1] = 0
m = 3, rx [3] arx [2] = 0
..
.

El modelo ARMA(1,1) tiene tres parametros desconocidos,
as que necesitamos, al menos, 3 ecuaciones independientes
necesitamos conocer o estimar (a partir del registro x[n] de
Solo
N muestras disponible) rx [0], rx [1] y rx [2], entonces formamos el
sistema de ecuaciones
2
rx [0] rx [1] (1 b(a b))
1
rx [1] rx [0] = 2 b
a
rx [2] rx [1] 0


Prediccion
Para el modelado ARMA resulta un sistema no lineal de

ecuaciones, as que en general necesitaremos aplicar alguna

tecnica numerica
de optimizacion
El ejemplo considerado se puede resolver analticamente, ya
se extrae que
que de la tercera ecuacion
rx [2]
a=
rx [1]
sustituyendo este valor en las dos primeras ecuaciones resulta
rx [0] rx [2] = 2 1 + b2 b(rx [2]/rx [1])

(rx [1])2 rx [2]rx [0] = 2 brx [1]

y, dividiendo ambas ecuaciones entre s, obtenemos una
ecuacion de segundo orden en b que podemos resolver

facilmente
Aunque, en principio, podemos encontrar dos soluciones

distintas y validas
para los parametros del modelo, la DEP del
modelo es unica

Piense que puede haber distintas soluciones para un filtro H(z)

tales que H(z)H(1/z) sea identico


Prediccion

Extrapolacion

En analisis
espectral clasico
(no parametrico) hemos visto que si
disponemos de N observaciones de una realizacion del proceso,
podemos estimar la autocorrelacion unicamente
en el intervalo
N + 1 m N 1
En cambio, si asumimos un modelo para el proceso (ARMA, por
ejemplo) entonces podemos estimar la autocorrelacion fuera de
ese intervalo: en otras palabras podemos extrapolar la

autocorrelacion
En el ejemplo considerado, una vez estimado a, podemos
mediante la ecuacion
extrapolar la autocorrelacion
rx [m] = arx [m 1], m = N, N + 1, . . .


Prediccion
Indice
1
Introduccion
2 Modelado ARMA
3 Modelado MA
4 Modelado AR
5 Lineal
Prediccion


Prediccion
Modelado MA(q)
AWGN q MA(q)
H ( z ) = bk z k
u[n] N (0, 2 ) k =0
x[n]
En un modelo MA(q) inyectamos ruido AWGN a un filtro FIR

(Finite Impulse Response)
Recordemos que los filtros FIR
1 tienen ceros (todos los polos en el origen)
Solo
2 Los coeficientes del filtro bk coinciden con la respuesta impulsional
h[k] = bk

En este caso los parametros del modelo son 2 y (b0 , b1 , . . . , bq )
(o, equivalentemente, (h[0], h[1], . . . , h[q]))

Sin perdida de generalidad podemos fijar b0 = h[0] = 1 (un factor
de escala en el filtro que podemos incorporar a 2 )

En total el modelo queda definido por q + 1 parametros


Prediccion
entre la autocorrelacion
Para encontrar la relacion y los parametros

del modelo basta particularizar las ecuaciones del caso ARMA ya
que MA(q)=ARMA(0,q)
m > q rx [m] = 0
q
X q
X
0 m q rx [m] = 2 bk h[k m] = 2 h[k]h[k m]
k=m k=m
m < 0 rx [m] = rx [m]
compacta,
o, de manera mas
MA(q)
Autocorrelacion
real : rx [m] = 2 (h[m] h[m])
complejo : rx [m] = 2 (h[m] h [m])
de un proceso MA(q) solo

La correlacion es distinta de cero en el
intervalo q m q


Prediccion
Ejemplo: MA(1)
AWGN MA(1)
u[n] N (0, ) 2
1 + bz 1
x[n]
en este caso queda

La autocorrelacion
2 (1 + b 2 )
rx [m] = 2 ( h[m] h[ m]) 2b 2b
" n=0
"
rx [0] = 2 (1 + b2 )
rx [1] = 2 b


Prediccion
Dividiendo ambas ecuaciones entre s llegamos a
rx [0] 1 + b2
=
rx [1] b
y resolviendo obtenemos la(s) solucion(es) para b

A partir de b la varianza de ruido la obtenemos a continuacion
como
rx [1]
2 =
b
Recuerde que, aunque puedan existir distintas soluciones para

los parametros, la DEP (el modelo en definitiva) es unica

Como en el caso del modelado ARMA, las ecuaciones
resultantes son no lineales y, en general, no es posible encontrar

analticamente la solucion


Prediccion
Indice
1
Introduccion
2 Modelado ARMA
3 Modelado MA
4 Modelado AR
5 Lineal
Prediccion


Prediccion
Modelado AR(p)
AWGN AR(p)
1
H ( z) =
u[n] N (0, ) 2 p
x[n]
1 + ak z k
k =1
En un modelo AR(p) inyectamos ruido AWGN a un filtro IIR de

polos
solo
en diferencias correspondiente al filtrado es
La ecuacion
p
X
x[n] = ak x[n k] + u[n]
k=1
lineal de salidas
la salida es, por tanto, una combinacion
pasadas mas una innovacion dada por u[n]

En este caso los parametros del modelo son 2 y (a1 , . . . , ap )

En total el modelo queda definido por p + 1 parametros


Prediccion
entre la autocorrelacion
Para encontrar la relacion y los parametros

del modelo particularizamos nuevamente las ecuaciones del caso
ARMA teniendo esta vez en cuenta que AR(p)=ARMA(0,q), con
b0 = 1
Xp
m > 0 rx [m] = ak rx [m k]
k=1
Xp
m = 0 rx [m] = ak rx [m k] + 2 h[0]
k=1
m < 0 rx [m] = rx [m]
donde parece que, en el origen, depende de h[0]. Recordemos que
p
X
x[n] = ak x[n k] + u[n]
k=1
y h[n] es la salida del filtro cuando aplicamos un impulso a la entrada

[n], por lo tanto
Xp
h[n] = ak h[n k] + [n]
k=1


Prediccion
particularizando en el origen n = 0
h[0] = a1 h[1] a2 h[2] . . . ap h[p] + [0]
que, como el filtro es causal, se reduce a h[0] = 1. Finalmente

podemos escribir las ecuaciones de la autocorrelacion de un proceso
AR(p) como
AR(p)
Autocorrelacion
p
X
m > 0 rx [m] = ak rx [m k]
k=1
Xp
m = 0 rx [m] = ak rx [m k] + 2
k=1
m < 0 rx [m] = rx [m]
Si el proceso es complejo basta en este caso tener en cuenta que

rx [m] = (rx [m])


Prediccion
Ecuaciones de Yule-Walker
Particularizando las ecuaciones de la autocorrelacion de un

AR(p) para m = 1, . . . , p se obtiene el siguiente sistema lineal de
ecuaciones
rx [1] = a1 rx [0] a2 rx [1] . . . ap rx [p + 1]

rx [2] = a1 rx [1] a2 rx [0] . . . ap rx [p + 2]
.. ..
. = .
rx [p] = a1 rx [p 1] a2 rx [p 1] . . . ap rx [0]
que se conocen como ecuaciones de Yule-Walker (o ecuaciones

normales)
A diferencia de lo visto con los modelos ARMA y MA, las
y los parametros
ecuaciones que relacionan la autocorrelacion
del modelo AR son LINEALES, lo que justifica la popularidad del
modelado AR


Prediccion
Para el caso de procesos reales, teniendo en cuenta que

rx [m] = rx [m], escribimos las ecuaciones de Yule-Walker como

rx [0] rx [1] rx [2] . . . rx [p 1] a1 rx [1]
rx [1] rx [0] rx [1] . . . rx [p 2] a2 rx [2]

=

.. .. .. .. .. . .
.. ..

. . . . .
rx [p 1] rx [p 2] ... rx [1] rx [0] ap rx [p]

Un sistema de p ecuaciones con p incognitas (los coeficientes
del filtro)
Para formar el sistema unicamente
necesitamos conocer (o
rx [0], . . . rx [p]
estimar) p + 1 valores de la autocorrelacion
La matriz tiene estructura Toeplitz (todas las diagonales con el
mismo valor)
R (a) = r

los coeficientes optimos del filtro AR son
a = R1 r


Prediccion
Una vez obtenidos los coeficientes del filtro, la varianza del ruido

a la entrada se puede obtener muy facilmente de
de la ecuacion
particularizada en el origen m = 0
autocorrelacion
p
X
2 = rx [0] + ak rx [k]
k=1
Proceso modelado AR (resumen)

A partir de un conjunto de N observaciones x[0], . . . , x[n 1]
1 rx [0], . . . , rx [p]
Obtener las estimas de la autocorrelacion:
2 Formar la matriz R, el vector r a partir de las estimas anteriores y
obtener los coeficientes del filtro como a = R1 r
Obtener la varianza del ruido como 2 = rx [0] + pk=1 ak rx [k]
P
3

Una vez obtenidos los parametros del modelo podramos estimar

la DEP del proceso (analisis
espectral parametrico) como
2
SxAR () = Pp 2
|1 + k=1 ak ejk |


Prediccion
Ejemplo: AR(1)
AWGN AR(1)
1
u[n] N (0, ) 2
H ( z) = x[n]
1 az 1
en este caso quedan

Las ecuaciones de la autocorrelacion
rx [0] arx [1] = 2

rx [1] arx [0] = 0

los parametros del modelo son
rx [1]
a =
rx [0]
(rx [0])2 (rx [1])2
2 =
rx [0]


Prediccion

Para estimar los parametros del modelo AR(1) solo necesitamos
rx [0] y rx [1]
conocer dos valores de la autocorrelacion
Una vez estimado el modelo, podemos extrapolar la
fuera del intervalo 1 m 1
autocorrelacion
a2
rx [2] = arx [1] = a2 rx [0] = 2
1 a2
a3
rx [3] = arx [2] = a3 rx [0] = 2
1 a2
.. ..
. = .
general
y obtenemos la expresion
a|m|
rx [m] = 2
1 a2


Prediccion
Ejemplos
AWGN AR(2)
1
u[n] N (0, 2 ) x[n]
1 0.5562 z 1 + 0.81z 2
AR, N=128, P=2

20
15
10
estima de la DEP
10
15
20
0.5 0 0.5
frecuencia


Prediccion
AWGN AR(2)
1
u[n] N (0, 2 ) x[n]
1 0.5562 z 1 + 0.81z 2
periodograma, N=128
20
15
10
estima de la DEP
10
15
20
0.5 0 0.5
frecuencia


Prediccion
AWGN ARMA(2,2)
1 + 0.9025 z 2
u[n] N (0, 2 ) x[n]
1 0.5562 z 1 + 0.81z 2
AR, N=128, P=2

20
15
10
estima de la DEP
10
15
20
0.5 0 0.5
frecuencia


Prediccion
AWGN ARMA(2,2)
1 + 0.9025 z 2
u[n] N (0, 2 ) x[n]
1 0.5562 z 1 + 0.81z 2
AR, N=128, P=15

20
15
10
estima de la DEP
10
15
20
0.5 0 0.5
frecuencia


Prediccion
ARMA permite modelar polos y ceros (picos y valles en la DEP,

respectivamente)
MA permite modelar ceros (valles)
AR permite modelar polos (picos)

Sin embargo, notese que un polo se puede modelar con infinitos
ceros (y vicecersa):

1 X n
= az 1 = 1 + az 1 + a2 z 2 + . . .
1 az 1 n=0
1 1
1 az 1 = P n =
n=0 (az
1 ) 1 + az + a2 z 2 + . . .
1


Prediccion
del orden del modelo

Seleccion
Hasta ahora hemos asumido que deseamos ajustar un modelo (e.g.,
AR) cuyo orden p es conocido

En la practica, sin embargo, debemos tambien elegir el orden mas

adecuado para el modelo a partir de las N observaciones disponibles
Podemos tomar la varianza del ruido a la entrada del modelo 2
como una indicacion
(innovacion) del error cometido por el modelo
En principio, 2 decae monotonamente
con p, pero no conviene
emplear un p excesivamente alto pues pueden aparecer problemas de
sobreajuste a los datos empleados en la estima del modelo,
empeorando el comportamiento del modelo sobre datos futuros

(generalizacion)
Habitualmente se emplean criterios que combinan el error cometido por
el modelo ( 2 ) y la complejidad del mismo (medida a traves del numero

de parametros)
Por ejemplo, el criterio de Akaike elige el orden del modelo que

minimiza la siguiente funcion
AIC(p) = N log 2 + 2p


Prediccion
Indice
1
Introduccion
2 Modelado ARMA
3 Modelado MA
4 Modelado AR
5 Lineal
Prediccion


Prediccion
lineal
Prediccion
Un predictor lineal estima el valor de la muestra actual, x [n],
mediante una combinacion lineal de p muestras anteriores de
x[n]
[n] = a1 x[n 1] + a2 x[n 2] + . . . + ap x[n p]
x
es
El error de prediccion
e[n] = x[n] x
[n] = x[n] a1 x[n 1] + a2 x[n 2] + . . . + ap x[n p]
tomando transformadas Z
p
!
X
E(z) = X(z) 1 ak z k
k=1
Calcular un predictor lineal y ajustar un modelo AR son dos

problemas estrechamente relacionados
Error de prediccin 1
e[n] p
x[n]
1 ak z k
k =1


Prediccion
Aproximaciones al problema

Para encontrar los coeficientes optimos del predictor lineal
a = (a1 , . . . , ap )T se pueden seguir dos aproximaciones
estocastica
Aproximacion

x[n] es un proceso estocastico
y los coeficientes del predictor lineal optimo

minimizan la varianza (potencia) del error de prediccion
J(a) = E (e[n])2

coincide con el estimador LMMSE para este problema
determinista
Aproximacion
cualquiera y los coeficientes del predictor lineal optimo
x[n] es una senal
en una ventana
minimizan la suma al cuadrado de los errores de prediccion
N1 n N2
N2
X
J(a) = (e[n])2
n=N1
coincide con el estimador LS para este problema


Prediccion
estocastica
Aproximacion

Los coeficientes del predictor optimo son los que minimizan
J(a) = E (e[n])2

Para encontrar el mnimo tomamos derivadas (con respecto a

aj , j = 1, . . . , p) e igualamos a cero

J(a) e[n]
= E 2e[n] =
aj aj
p
" ! #
X
= 2E [e[n]x[n j]] = 2E x[n] ak x[n k] x[n j] = 0
k=1

Quedan p ecuaciones lineales con p incognitas
p
X
rx [j k]ak = rx [j], j = 1, . . . , p
k=1


Prediccion
Teniendo en cuenta que rx [m] = rx [m], podemos escribir las p

ecuaciones de manera matricial como

rx [0] rx [1] . . . rx [p 1] a1 rx [1]
rx [1] rx [0] . . . rx [p 2] a2 rx [2]

=

.. .. .. .
.. . .
.. ..

. . .
rx [p 1] rx [p 2] ... rx [0] ap rx [p]
Ra = r
Que son (otra vez) las ecuaciones normales o ecuaciones de
Yule-Walker!

El predictor optimo se obtiene como
a = R1 r
Una vez obtenido el predictor, podemos calcular la varianza del
como
error de prediccion
p p
" #
X X
2 2
e = E[(e[n]) ] = E e[n](x[n] ak x[n k]) = rx [0] ak rx [k]
k=1 k=1


Prediccion
determinista
Aproximacion

Los coeficientes del predictor optimo son los que minimizan
N2
X N2
X
J(a) = (e[n])2 = [n])2
(x[n] x
n=N1 n=N1
N2
X
J(a) = (x[n] a1 x[n 1] a2 x[n 2] . . . ap x[n p])2
n=N1
El problema es equivalente a obtener la estima LS de a

Si disponemos de N observaciones de la senal (x[n],
n = 0, . . . , N 1): Como
elegimos los ndices N1 y N2 ?
El primer valor que podemos predecir sin tener que realizar
ninguna suposicion sobre como son los datos antes de n = 0 es
x[p]
a1 x[p 1] + a2 x[p 2] + . . . + ap x[0] = x
[p] = x[p] e[p]


Prediccion
Y el ultimo
que podemos predecir es x[N 1]
a1 x[N 2]+a2 x[N 3]+. . .+ap x[N 1p] = x

[N 1] = x[N 1]e[N 1]
Agrupando todas las ecuaciones tenemos el sistema

x[p 1] x[p 2] . . . x[0] a1 e[p] x[p]
x[p] x[p 1] . . . x[1] a2 e[p + 1] x[p + 1]
.. + =

.. . . . . .
. .. ..
. . . . . . .
x[N 2] x[N 3] . . . x[N 1 p] ap e[N 1] x[N 1]
que de forma matricial podemos escribir como
d = Xa + e
donde d es un vector columna de dimensiones (N p) con la

deseada, X es una matrix (N p) p formada a
prediccion
partir de las observaciones, a es el vector columna p 1 con los
coeficientes del predictor y e es un vector (N p) 1 con los
(desconocidos, obviamente)
errores de prediccion


Prediccion
que minimiza ||e||2 viene dada por

La solucion
1
a = X] d = XT X XT d
del estimador LS
es decir, la solucion

El metodo empleado con N1 = p y N2 = N 1 se denomina el

metodo de la covarianza
Hay otras maneras de obtener la estima considerando otros
valores de N1 y N2

En la practica
no existen demasiadas diferencias entre la solucion
obtenida con la aproximacion estocastica
cuando estimamos la
y la solucion
autocorrelacion proporcionada por el metodo
de la
covarianza


Prediccion
Conclusiones

Modelado = analisis
espectral parametrico
Modelo: Ruido blanco y Gaussiano filtrado por un filtro digital
ARMA y MA conducen a ecuaciones no lineales
El modelo mas habitual y util
(voz, imagen,...) es el modelo
autoregresivo (AR), principalmente por su sencillez ya que los

parametros del modelo se pueden obtener resolviendo un
conjunto lineal de ecuaciones
lineal modelado AR
Prediccion
Dos aproximaciones para la obtencion de los coeficientes del

predictor: estocastica (ecuaciones normales) y determinista
(pseudoinversa)


Analisis Espectral Parametrico ARMA

Uploaded by

Document Information

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

Analisis Espectral Parametrico ARMA

Uploaded by

Copyright:

Available Formats

4o Ingeniera de Telecomunicacion

Tema 5: Modelado, Analisis Espectral

u[n] h[n] x[n]

ru [m] = 2 [m] rx [m]

general tiene la forma

en este caso el proceso resultante es un ARMA(p,q)

el proceso es un MA(q) (Moving Average)

el proceso es un AR(p) (Autoregressive)

Siempre asumimos que el filtro H(z) es causal y estable

El proceso resultante es un ARMA(1,1), para obtener su DEP es

podemos calcular en primer

rx [m] = 2 (h[m] h[m]) ,

o bien podemos obtenerla como TZ inversa de Sx (z)

en diferencias correspondiente al filtrado es

El proceso de modelado consiste en:

Por lo tanto, es necesario en primer lugar derivar las ecuaciones

Multiplicando ambos miembros por x[n m] y tomando

En esta expresion aparece todava la correlacion cruzada entre

rux [m k] = E [u[n k]x[n m]]

como la entrada es blanca su autocorrelacion es una delta,

En el caso de que el proceso ARMA(p,q) sea complejo

rx [m] = E [x[n](x[n + m]) ]

h[n] = an u[n] ban1 u[n 1]

Formamos las ecuaciones del modelo (tenemos en cuenta que

m = 0, rx [0] arx [1] = 2 (b0 h[0] + b1 h[1]) = 2 (1 b(a b))

Para el modelado ARMA resulta un sistema no lineal de

(rx [1])2 rx [2]rx [0] = 2 brx [1]

rx [m] = arx [m 1], m = N, N + 1, . . .

En un modelo MA(q) inyectamos ruido AWGN a un filtro FIR

real : rx [m] = 2 (h[m] h[m])

complejo : rx [m] = 2 (h[m] h [m])

de un proceso MA(q) solo

en este caso queda

Dividiendo ambas ecuaciones entre s llegamos a

y resolviendo obtenemos la(s) solucion(es) para b

En un modelo AR(p) inyectamos ruido AWGN a un filtro IIR de

y h[n] es la salida del filtro cuando aplicamos un impulso a la entrada

h[0] = a1 h[1] a2 h[2] . . . ap h[p] + [0]

que, como el filtro es causal, se reduce a h[0] = 1. Finalmente

Si el proceso es complejo basta en este caso tener en cuenta que

Particularizando las ecuaciones de la autocorrelacion de un

rx [1] = a1 rx [0] a2 rx [1] . . . ap rx [p + 1]

que se conocen como ecuaciones de Yule-Walker (o ecuaciones

Para el caso de procesos reales, teniendo en cuenta que

Proceso modelado AR (resumen)

en este caso quedan

rx [0] arx [1] = 2

AR, N=128, P=2

AR, N=128, P=2

AR, N=128, P=15

ARMA permite modelar polos y ceros (picos y valles en la DEP,

del orden del modelo

Calcular un predictor lineal y ajustar un modelo AR son dos

coincide con el estimador LMMSE para este problema

coincide con el estimador LS para este problema

Para encontrar el mnimo tomamos derivadas (con respecto a

Teniendo en cuenta que rx [m] = rx [m], podemos escribir las p

El problema es equivalente a obtener la estima LS de a

a1 x[N 2]+a2 x[N 3]+. . .+ap x[N 1p] = x

Agrupando todas las ecuaciones tenemos el sistema

que de forma matricial podemos escribir como

donde d es un vector columna de dimensiones (N p) con la

que minimiza ||e||2 viene dada por

You might also like