- ... Sovka1
-
Tyto stránky částečně čerpají ze
starší verze stránek
pro cvičení od Romana Čmejly a Pavla Sovky.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... Z-transformaci1.1
- Zde jen krátce uvedu, že
Z-transformace definovaná
, je
lineární, dále zpoždění předmětu () o vzorků se v obraze
projeví násobením obrazu nezpožděného předmětu () faktorem .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...
1.2
- Pro spojitě rozloženou n. v. s hustotou pravděpodobnosti
střední hodnotu definujeme
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...filter
1.3
-
Nápověda: Uvědomte si, že impulsová odezva je výstup systému
pri buzení jednotkovým impulsem při nulových počátečních podmínkách.
Chceme-li prvních 100 vzorků impulsové odezvy stačí zavolat
filter(B,A,[1; zeros(99,1)]).
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... přesnosti?2.1
-
Ktomu abyste zjistili, který z odhadů je více lokální si
uvědomte, které vzorky pro dané k odhadu nejvíce přispívají.
U průběžného odhadu se jedná o LTI systém a tedy hodnoty odhadu
pro různá obdržíme konvolucí s impulsovou odezvou, vzpomeňte
si jak vypadala, viz. 1. cvičení.
U rekurentního odhadu si pořádně prohlédněte rekurzi a zjistíte,
že hodnota odhadu pro dané je střední hodnota vzorků
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... přednášce2.2
-
Z (2.1),(2.2) lze jednoduše sestavit věrohodnost
pro parametry
a , a určit ML odhad
AR koeficientů, když tak učiníte zjistíte, že tento odhad je shodný
se zde uvedeným (nejmenší čtverce).
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...
2.3
-
Zde lze již název predikce signálu lépe zdůvodnit.
Minimalizací disperze se vlastně snažíme, aby
byla co nejblíž. Z (2.5) je vidět, že
je konstruována pouze s použitím minulých vzorků
(, , ...) nikoli samotného
(lze tedy vyčíslit již v čase ), odtud název predikce .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... (gradient)2.4
-
Když Vám nebude jasné, jak se dospělo k derivaci výrazu
, uvědomte si předně,
že
jako autokorelační matice musí být symetrická
(
).
Dále si
rozepište součin
pro rozměr matice pomocí prvků
(ze symetrie
vystačíte pouze se třemi symboly) a složek
.
Roznásobte a jednoduše zderivujte podle první
složky vektoru
a pak podle druhé. Uspořádáte-li
výsledeky do sloupcového vektoru, vyjde Vám vektor
. Uvidíte, že výsledek
pro
lze jednoduše zobecnit pro jakýkoli rozměr
. Derivace výrazu
, je již
mnohem jednodušší úloha.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... blok2.5
- Vyberte si nějaký, kde je řečový signál výrazný.
Zkuste také volit znělý, neznělý blok.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...specgram(y)2.6
- Funkce specgram bohužel vytváří trochu
špatně časovou osu (podívejte se na obrázek).
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...
3.1
-
Inverze vztahu dopadne přesně takto
ale protože nám příliš nepůjde o počáteční fázi, omezím se zde na
použití neurčitého integrálu.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... gradientu3.2
- Gradient udává směr
(zde v prostoru vah)
ve kterém funkce (zde ) roste nejrychleji.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... popisováno3.3
- Jestli někomu chybí 2 z gradientu lze zahrnout do
(konstantu jsem kvůli tomu nepřeznačoval)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...
3.4
-
Přesně filtr s proměnnými vahami nemusí mít nuly, není totiž LTI a nemusí
mít vůbec přenosovou funkci (ale najdou se výjimky).
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...plant_A
4.1
- neznámý systém se obvykle označuje jako plant (kytička).
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... povrch4.2
-
Všimněte si, že váhy nemají již index , označením
míníme MSE pro fixní váhy filtru
(v ustáleném stavu)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... predikovat5.1
-
Adaptivní filtr v Obr. 5.1
vytváří lineární kombinaci minulých vzorků vstupu
tedy predikci . Chyba
vzniká tak, že se od vstupu odčítá jeho predikce ,
proto zde má predikovatelnost velký význam pro minimalizaci
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...
jednoznačná7.1
-
Sloupcové vektory
tvoří ortonormální bázi
doplňku
k
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... determinantu7.2
-
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... typu7.3
-
Rozklad se nazývá vlastním rozkladem matice
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...
7.4
-
Existenci
dokážeme následovně.
Jelikož
symetrická, existuje její vlastní rozklad, viz.
lemma 7.5
,
kde
je ortogonální (
) a
je diagonální. Definuji matici
jako diagonální matici jež má na diagonále odmocněné diagonální prvky
(povšiměte si, že
).
Matici
požadovaných vlastností pak sestrojím
takto
. Uvedená matice je
jistě symetrická (
) a z ortogonality
platí
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... závorky7.5
-
Platí
(utvořte součin levé a pravé strany rovnosti).
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... přiblížení8.1
-
Pro pomalu měnící se váhy (dostatečně malé ) mohu systém považovat
přibližně za LTI s váhami
pro nějaké malé okolí
času .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... kaskády8.2
-
Impulsová odezva celé kaskády je dána jako konvoluce
impulsových odezev obou prediktorů a konvoluce je komutativní
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... variancí10.1
-
Předpoklady nulových středních hodnot nenulových variancí jsou zde
kvůli zpřehlednění výkladu (při výpočtu rozptylů nemusíme odečítat střední
hodnoty, pro nenulové rozptyly vychází jednodušší struktura vlastního rozkladu
korelačních matic). Jejich vynecháním lze obdržet obecněji
aplikovatelné výsledky.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... inverze10.2
-
Všiměte si, že jsouli náhodné veličiny , nezávislé,
pak jsou nezávislé i , (
jsou nějaké
reálné konstanty).
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... prvek10.3
-
Při násobení jednotkovou maticí
se zachovává všechno
(měřítka i pořadí složek
).
Proházení (permutaci) složek výsledku dosáhneme také proházením řádků
. Všiměte si, že vzniklou matici pak můžete charakterizovat tak,
že má v každém řádku a sloupci právě jednu jedničku.
Taková matice se nazývá permutační (provádí permutaci složek
).
Připustíme-li navíc změnu měřítka, máme naši definici separační matice.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...\space 10.4
- To poznáme
tak, že neumíme sestrojit významě odlišnou matici
(která se neliší pouze permutacemi a měřítky)
pro kterou jsou separované složky rovněž nezávislé.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... složek11.1
-
Nelze nalézt
jinou významě odlišnou transformaci (lišící se i jinak než permutací
a měřítky složek) uvedených vlastností (poskytne vektor s nezávislými
složkami).
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... ukázat11.2
-
Záměna derivace a integrálu není samozřejmá (záměna dvou limit),
ale zde je možná.
Vysvětlení neuvádím.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ... kolmé11.3
-
Všiměte si, že jakákoli ortogonální transformace
zachvává
skalární součin
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
- ...
12.1
-
je dimenze
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.