i

ANKARA NVERSTES
FEN BLMLER ENSTTS






YKSEK LSANS TEZ








GRLTL SES SNYAL YLETRLMESNE KL KALMAN FLTRE
YAKLAIMI







HAYDAR ANKIHAN


ELEKTRONK MHENDSL ANABLM DALI







ANKARA

2007





ii

TEZ ONAYI



Haydar ANKIHAN tarafndan hazrlanan Grltl Ses Sinyali yiletirilmesine kili
Kalman Filtre Yaklam adl tez almas aadaki jri tarafndan 08/10/2007
tarihinde oy birlii ile Ankara niversitesi Elektronik Mhendislii Anabilim dalnda
YKSEK LSANS TEZ Olarak kabul edilmitir.




Danman : Yrd. Do Dr. Murat EFE



E Danman : Yrd. Do. Dr. Levent ZBEK



Jri yeleri :



Prof. Dr. Fikri ZTRK
Ankara niversitesi statistik Anabilim Dal



Do. Dr. H. Gkhan LK
Ankara niversitesi Elektronik Mhendislii Anabilim Dal




Yrd. Do. Dr. Ziya TELATAR
Ankara niversitesi Elektronik Mhendislii Anabilim Dal



Yukardaki sonucu onaylarm.


Prof. Dr. lk Mehmetolu

Enstit Mdr
i
ZET


Yksek Lisans Tezi


GRLTL SES SNYAL YLETRLMESNE KL KALMAN FLTRE
YAKLAIMI


Haydar ANKIHAN


Ankara niversitesi
Fen Bilimleri Enstits
Elektronik Mhendislii Anabilim Dal


Danman :Yrd.Do.Dr. Murat EFE
E Danman :Yrd.Do.Dr. Levent ZBEK

Ses sinyallerinin iyiletirilmesi gelien teknolojiyle giderek nemini artrmaktadr. Bu
almada, Kalman ve LMS tabanl filtreler kullanlarak, grltl sinyallerin
iyiletirilmesi zerinde durulmaktadr. almalar hem lineer hem de lineer olmayan
sinyaller zerinden yaplmtr, sinyallerin iyiletirilmesi esnasnda grlt olarak renkli
ve beyaz grlt kullanlmtr. Daha nceki almalardan farkl olarak bu almada
renkli grlt olarak baka bir ses sinyali kullanlmtr. Bunlarn yan sra deneysel
almalar esnasnda, sinyallerden bazlarnn dinamikleri bilinmedii gz nnde
bulundurularak, ilk etapta sinyallerin modelleri oluturulmu, ardndan oluturulan
modellere bal olarak sinyallerin model dereceleri belirlenerek hesaplamalar
yaplmtr.

2007, 121 Sayfa


Anahtar Kelimeler : kili Hesaplama, Birleik Hesaplama, Geniletilmi Kalman
Filtresi, Unscented Kalman Filtresi, Standart Kalman Filtresi, En Kk Kareler
Ortalamas, Sinyal leme.
ii

ABSTRACT


Master Thesis


DUAL KALMAN FLTER APPROACH FOR SPEECH ENHANCEMENT FROM
NOSY OBSERVATONS


Haydar ANKIHAN


Ankara University
Graduate School of Natural and Applied Sciences
Department of Electronic Engineering


Supervisor : Asst. Prof. Dr. Murat EFE,
Asst. Prof. Dr. Levent ZBEK


Speech signal enhancing has improved to be important with developing technologies.In
this article, the Kalman and LMS based filters are compared for speech enhancement
from noisy observations. In the experiments, both linear and non-linear signals used,
white and colored noise used in case of speech enhacement. Instead of similar speech
enhancement, in this article, the other speech signal was used as colored noise.
Furthermore, in view of the fact that without knowing dynamics of signals in case of
experimental works, firstly, modelling signals, depends on this model, then estimated
the model gradation.

2007, 121 Pages,


Key Words : Dual Estimation, Joint Estimation, Extended Kalman Fitler, Unscented
Kalman Fitler, Standart Kalman Fitler, Least Mean Square, Signal Processing
iii

TEEKKR


almalarm ynlendiren, aratrmalarmn her aamasnda bilgi, neri ve yardmlarn
esirgemeyerek akademik ortamdaki beeri ilikileriyle ve engin fikirleriyle yetime ve
gelimeme katkda bulunan danman hocalarm sayn Yrd. Do. Dr. Murat EFE ve
Yrd. Do. Dr. Levent ZBEKe, sabrl ve kararl almamda bana maddi ve manevi
desteklerinin hi eksik etmeyen deerli aileme, beeri ilikilerimde ve bilimsel
almamda desteini ve yn vericiliini esirgemeyen Meneke ablama en derin
duygularla teekkrlerimi sunarm.


Haydar ANKIHAN
Ankara, Ekim 2007


















iv
NDEKLER


ZETI
ABSTRACTII
TEEKKR...III
SMGELER DZNVIII
EKLLER DZN.X
ZELGELER DZN.XII
1. GR1
1.1 Model Yaplar2
1.2 Sistem ve Model.3
1.3 Sistem Modelleme..4
1.4 Stokastik Sreler ve Modeller..6
1.5 Ortalama Ergodik Sre.6
1.6 Modelleme Srelerinde Teori ve Uygulama.8
1.7 AR Modellerde Model Derecesi Belirleme Kriterleri...11
1.8 Grltl Sinyallerin yiletirilmesi..12
1.8.1 Standart Kalman filtresi..12
1.8.1.1 Sre eitlikleri14
1.8.1.2 lm eitlikleri..14
1.8.2 Standart Kalman eitlikleri..15
1.8.3 Geniletilmi Kalman filtresi..21
1.8.4 Geniletilmi Kalman filtresi ile parametre hesaplanmas.24
1.8.5 Geniletilmi Kalman filtresi parametre hesab.25
1.9 Sonu.27
2. KALMAN FLTRELERDE KL (DUAL) HESAPLAMA.29
2.1 kili Kalman Filtresi (DKF)...29
2.1.1 Tekrarl derivasyon hesab..33
2.1.2 Birleik (Joint) hesaplama metodu.35
2.1.3 zlm (de-coupled) hesaplama.37
2.1.4 Maksimum olaslk maliyeti...38
v
2.2 Birleik (Joint) Hesaplama Formu.39
2.3 Birleik (Joint) Kalman Filtresi.39
2.3.1 Birleik hesaplamada lineer model.40
2.3.2 Birleik geniletilmi Kalman filtresi.42
2.4 Unscented dnm ve Kalman Filtresi43
2.5 Unscented Kalman Filtresi-Giri...43
2.5.1 Durum hesab..44
2.6 Unscented Dnm..46
2.6.1 Unscented Kalman filtresi eitlii..47
2.7 yiletirme Varyasyonlar ..50
2.8 Unscented Kalman Filtresi Parametre Hesaplanmas50
2.9 Unscented kili Hesaplama52
2.10 Least Mean Square (LMS) ve Gelitirilmi Modelleri55
2.10.1 Normalletirilmi En Kk Ortalamalar Karesi (L-LMS) Yaklam57
2.10.2 Leaky en kk ortalamalar karesi (L-LMS) yaklam...59
2.10.3 Leaky-normalletirilmi en kk ortalamalar karesi (L-N-LMS)
Yaklam.60
2.11 Sonu...62
3. RENKL GRLTL SNYALLER..63
3.1 Renkli Grlt...63
3.2 Kalman Filtrelerinde Renkli Grltl Sinyallerin Modellenmesi...64
3.2.1 Renkli grltl aamada lineer model..67
3.2.2 Renkli grltl durum-uzay modeli.68
3.2.3 Kalman filtrelerinde lineer olmayan durum-uzay modeli..70
3.3 kili Geniletilmi Kalman Filtresi Renkli Grltl Eitlikleri...72
3.4 Birleik (Joint) Hesaplama Formu73
3.4.1 Marjinal hesaplama formu- tahmin hata maliyeti..75
3.5 Birleik Kalman Filtresi Renkli Grlt Aama ..76
3.5.1 Birleik lineer model..77
3.5.2 Birleik geniletilmi Kalman filtresi- renkli grltl aama..78
3.5.3 Lineer olmayan modelin renkli grlt aamas79
3.6 Sonu.81
vi
4. SNYALLERDE MODELLEME SMULASYON ve TAHMN..82
4.1 Lineer sinyallerde kinci Dereceden Sinyal Modellenmesi ve Filtrelerin
Karlatrlmas90
4.2 Filtrelerle Ses Sinyali yiletirme..93
4.3 Lineer Olmayan Sinyallerde Durum Hesaplanmas..97
4.4 Sinyallerde kili Hesaplama.100
4.5 Renkli Grlt ile Grltlendirilmi Lineer Sinyallerin kili Filtrelerle
yiletirilmesi.107
4.6 Sonu...112
5. TARTIMA ve SONU...114
KAYNAKLAR..117
ZGEM...121




















vii
SMGELER DZN


ADP Adaptive Line Enhancer
AIC Akaike Information Criterion
AR Otoregressif(Autoregressive)
ARMA Otoregressif kayan Ortalmal(Autoregressive Moving Average)
ARX Otoregressif Harici(Exogenous) Giri
AP Btn Kutup(All Pole)
AZ Btn Sfr(All Zero)
CAT Criterion Autoregressive Transfer
CDUKF Central Difference Unscented Kalman Fitler
DEKF Dual Extended Kalman Filter
DKF Dual Kalman Filter
DUKF Dual Unscented Kalman Filter
E[.] Beklenen Deer
EEG Electoencephalography
EKF Extended Kalman Filter
FIR Sonlu Impuls Tepki (Finitely Impulse Response)
FPE Final Prediction Error
IIR Sonsuz Impuls Tepki (Inifinitely Impulse Response)
JEKF Birleik (Joint) Entended Kalman Filter
JUKF Birleik (Joint) Unscented Kalman Filter
KF Kalman Filter
LMS Least Mean Square
LPC Linear Predictive Coding
L_LMS Leaky-Least Mean Square
L_N_LMS Leaky-Normalized-Least Mean Square
MA Kayan Ortalamal (Moving Average)
MAP Maximum A Posteriori
MDL Minimum Description Length
viii
MMSE En Kk Ortalamal Kareler Hatas (Minimum Mean Square
Error)
MSE En Kk Kareler Hatas (Mean Square Error)
MSPT Matlab Signal Processing ToolBox (Matlab Sinyal leme
Kutusu)
PACF Ksmi (Partial) Otokorelasyon Fonksiyonu
PZ Kutup-Sfr (Pole Zero)
RLS Tekrarl En Kk Kareler (Reqursive Least Square)
SBC Shwarts Bayesian Criterion
SNR Sinyal Grlt Oran (Signal to Noise Ratio)
SRUKF Square Root of Unscented Kalman Filter
UKF Unscented Kalman Filter
UT Unscented Dnm (Unscented Transformation)





























ix

EKLLER DZN

ekil 1.1 kili Hesaplama......2
ekil 1.2 Model......3
ekil 1.3 Model Seimi Ak Diyagram.9
ekil 1.4 G Younluk Spektrumu Yule-Walker Grafii .10
ekil 1.5 Lineer, Kesikli-Zaman Dinamik Sistemler iin Blok Diyagram ....13
ekil 2.1. a. Iteratif yaklam, b. Sral yaklam30
ekil 2.2 kili Hesaplama Paralel Filtre almas ...31
ekil 2.3 Lineer Olmayan Sinyalin Blok Diyagram .44
ekil 2.4. a. Monte-carlo rneklem, b. Geniletilmi kalman filtresi 1. derece
lineerizasyon, c. Unscented dnm..48
ekil 3.1 Beyaz Grltl G Spektrum Younluu 64
ekil 3.2 nc Dereceden Renkli Grltnn G Spektrum Younluu 65
ekil 4.1 nc Derece Lineer Sinyal ...83
ekil 4.2 Leaky_Normalized_LMS Filtresi Tahmin kts .........84
ekil 4.3 nc Derece Lineer Sinyal Standart Kalman Filtre kts .....85
ekil 4.4 Unscented Kalman Filtre Tahmin Sonucu .....86
ekil 4.5 Birleik EKF Filtre Tahmin sonucu ...87
ekil 4.6 Birleik Unscented Kalman Filtresi Tahmini sonucu ...88
ekil 4.7 Lineer Sinyalin hata Kareleri Ortalama Sonular...89
ekil 4.8 kinci Derece Lineer Sinyal Tahmin Sonular .91
ekil 4.9 kinci Derece Lineer Sinyalin Hata Sonular92
ekil 4.10 Lineer Ses Sinyali yiletirme L_N_LMS Filtresi Tahmin
Sonular.94
ekil 4.11 Lineer Ses Sinyali yiletirme UKF Tahmin Sonucu ..95
ekil 4.12 Lineer Ses Sinyali hata Kareleri Ortalamas Sonular..96
ekil 4.13 EKF Filtresi Lineer olmayan Sinyal Tahmin Sonucu 97
ekil 4.14 Lineer Olmayan Sinyal Filtre Tahmin Grafii ...............98
ekil 4.15 Lineer Ses Sinyali DKF Tahmin Sonucu ...101
ekil 4.16 Lineer Ses Sinyali DKF Parametre Tahmini Sonucu ...102
ekil 4.17 Lineer Ses Sinyali DKF, DUKF, JEKF ve JUKF Tahmin
x
Sonular103
ekil 4.18 Lineer Ses Sinyali DKF, DUKF, JEKF ve JUKF Tahmin
Sonular Bytlm Hali..104
ekil 4.19 kili, Tekli ve Birleik Kalman Filtreleri renme Erileri................106
ekil 4.20 DKF Lineer Renkli Grltl Sinyal yiletirme Grafii a.................108
ekil 4.21 DKF Lineer Renkli Grltl Sinyal yiletirme Grafii b.................108
ekil 4.22 DKF Lineer Renkli Grltl Sinyal yiletirme Grafii
Tahmin Edilen Parametreleri..........109
ekil 4.23 DUKF Lineer Renkli Grltl Sinyal yiletirme Grafii a..109
ekil 4.24 DUKF Lineer Renkli Grltl Sinyal yiletirme Grafii b.110
ekil 4.25 DUKF Lineer Renkli Grltl Sinyal yiletirme Grafii
Tahmin Edilen Parametreleri..110





























xi
ZELGELER DZN


izelge 1.1 Standart Kalman Filtresi.......20
izelge 1.2 Geniletilmi Kalman Filtresi....23
izelge 1.3 Standart Kalman Filtresi ile Parametre Hesab Eitlikleri ...25
izelge 1.4 EKF ile Parametre Tahmin Eitlikleri ........26
izelge 2.1 kili Standart Kalman Filtresi .....32
izelge 2.2 kili Geniletilmi Kalman Filtre Algoritmas....34
izelge 2.3 Birleik Geniletilmi Kalman Filtresi .......42
izelge 2.4 Unscented Kalman Filtresi ....49
izelge 2.5 Unscented Kalman Filtre Parametre Hesab ..52
izelge 2.6 kili Unscented Kalman Filtresi ...53
izelge 2.7 LMS Filtresi .......57
izelge 2.8 N_LMS Filtresi ......59
izelge 2.9 Leaky_LMS Filtresi ..60
izelge 2.10 Leaky_Normalized_LMS Filtresi Eitlikleri ...61
izelge 3.1 Standart Kalman Renkli Grlt Eitlikleri .70
izelge 3.2 Geniletilmi Kalman Lineer Olmayan Eitlii ........71
izelge 3.3 kili Renkli Grltl Kalman Filtresi. .....74
izelge 3.4 Birleik Maliyet Fonksiyonu Renkli Grlt, Dual EKF arlk
Filtresi iin gzlem hata terimleri ....75
izelge 3.5 Maksimum Olaslk Maliyet Fonksiyonu, Dual EKF arlk
Filtresi in gzlem hata terimleri....75
izelge 3.6 Renkli Grlt tahmin hata maliyet fonksiyonu, Dual EKF
Arlk filtresi iin gzlem hata maliyeti.......76
izelge 3.7 Birleik geniletilmi kalman filtre Eitlikleri ...79
izelge 4.1 nc Derece Lineer Sinyal Hata Kareleri Ortalamalar.90
izelge 4.2 kinci Derece Lineer Sinyal Tahmin Sonular ....93
izelge 4.3 Lineer Ses Sinyali Tahmini Hata Kareleri Ortalamas .96
izelge 4.4 Lineer olmayan Sinyalde Filtrelerin Hata Kareleri
Ortalamas 100
xii
izelge 4.5 kili ve Birleik Filtreler Hata Kareleri Ortalamalar 105
izelge 4.6 kili ve Tekli Filtreler Hata Kareleri Ortalamalar .106
izelge 4.7 Kalman tabanl Filtreler Renkli Grltl Ortamda
Hata Kareleri Ortalamas...111









1
1. GR


Grltl sinyallerin iyiletirilmesi giderek nemini artrmaktadr. Gelien iletiim
teknolojisiyle birlikte farkl trdeki grltl sinyaller, gelitirilen yntemlerle daha
uygun iyileme sonular vermektedir. Baz almalar, grltl sinyallerin
durumunun iyiletirilmesi zerinde dururken; bazlar da yine bu sinyallerin
parametrelerinin iyiletirilmesi zerinde durmaktadr.


Bu almada daha nceki almalardan farkl olarak, sinyallerin hem durumunun hem
de parametrelerinin ayn anda iyiletirilmesi zerinde durulmutur. Bu iyiletirme
yntemi literatrde ikili (Dual) filtreleme olarak bilinmektedir (Wan and Nelson 2001).
alma esnasnda iki adet filtre kullanlmaktadr. Filtreler birbirlerine paralel olarak
almakta; birisi sinyalin durumunda iyiletirme yaparken dier filtre ise sinyalin
parametrelerinde iyiletirme yapmaktadr. Bylece ikili filtreleme yntemi sinyallerin
iyiletirilmesinde tekli filtrelerden daha uygun sonular salamaktadr. nk tekli
filtreler grltl sinyallerin ya sadece durumunda iyiletirme yapmakta ya da
parametrelerinde iyiletirme yapmaktadr.


kili almalar on-line ve off-line olarak iki farkl yntemle yaplabilmektedir. Bu
almadaki hesaplamalar on-line yntem zerinden yaplmtr. kili hesaplama ekil
1.1 deki gibi gsterilir.








2













kili filtre ynteminin yan sra, tek filtre yntemi kullanlarak da, hem durum hem de
parametre iyiletirilmesi mmkndr. Literatrde bu yntem birleik (joint) filtre olarak
bilinmektedir (Wan and Merwe 1999). Lineer fark denklemine bal olarak AR (p)
zaman serisiyle modellenen sinyal, tekli kullanlan filtrede olduu gibi tahmin
edilebilmektedir. Buradaki tek fark filtrenin gei matrisindedir. Gei matrisi, hem
durum hem de parametreleri kapsamaktadr.


1.1 Model Yaplar


almalarda kullanlan sinyaller, deneysel almalarda kullanlmak zere LPC
(Linear Predictive Coding) ltlerine bal olarak retilmi ve lineer fark denklemiyle
AR (p) zaman serisine bal olarak modellenmitir (Knill 1991). Modellenen sinyallerde
kullanlan durum denklemleri lineer sinyaller iin eitlik 1.1 de ve lineer olmayan
sinyaller iin eitlik 1.2 de verilmektedir (Nelson 2000),


1
1
M
k i k k
i
k k k
x w x v
y x n

=
= +
= +

(1.1)


Durum
Hesab

Parametre
Hesab
Tahmin
ekil 1.1 kili Hesaplama
Sinyal ve Parametre hesaplanmas iki ayr filtrede iyiletirilerek tahmin edilmektedir.
3

1
( ,..., , )
{1,..., }
k k k M k
k k k
x f x x w v
y x n k N

= +
= +
(1.2)


1.2 Sistem ve Model


Teknoloji ilerledike daha kompleks yapl sistemlere ihtiya duyulmaktadr. Belirli
girdileri olan ve bunlar ileyerek kt veren elemanlarn topluluu sistemin tanmn
vermektedir. Fiziksel veya fiziksel olmayan, kendi aralarnda ilikili, etkileen bir veya
daha ok amaca ynelik eler kmesi de bir sistemi tanmlayabilir. Baz durumlarda
yalnz tek bir eleman bir sistemi olutururken baz durumlarda ise bir ok alt sistemin
oluturduu elemanlar topluluu sistemi ifade edebilir (ztrk and zbek 2004).


Bir olguyu incelemedeki ama, olgunun davrann renmek, var olan ve geerlilii
olan bir modele oturtarak daha anlalr bir duruma dntrmek, sistemi denetlemek,
yenilemek veya korumak olabilir. Baz durumlarda bilinen girdiler iin sisteme bal
olarak, ktlarn ne olaca veya girdi ile ktlar gzlenerek, sistemin kendisi hakknda
bilgi edinilmesi istenebilir. Baz durumlarda ise istenilen kty elde etmek iin sisteme
denetlenen girdi vermek gerekebilir. Model ematik olarak ekil 1.2 deki gibi
gsterilmitir (ztrk and zbek 2004).














Sistem
Girdi kt
ekil 1.2 Model
4
Sistemler, gerek birimleri arasndaki ilikiler, gerekse evre ile ilikileri bakmndan
karmak yapda olabilirler. Sistemleri bunlara bal olarak deiik adan
snflandrmak mmkndr (ztrk and zbek 2004);

Doal ve yapay sistemler,
Srekli (deiimleri dzgn; sramal olmayan) ve kesikli sistemler,
Adaptif (evredeki deiimlere gre kendisini ayarlayabilen) ve adaptif
olmayan,
Kararl (d etkenlerden ar derecede etkilenmeyen, duraan) ve
kararsz (girdilerindeki kk deiimlere karlk ktlarnda byk
deiimler olan) sistemler,
Deterministik (sebep sonu ilikileri kesin) ve stokastik (sebep sonu
ilikileri rasgelelie dayanan) sistemler,
Dinamik (sistem durumlar bir durumdan dierine geite deien) ve
statik (sistem durumlar deimeyen) sistemler.


1.3 Sistem Modelleme


Model, gerek dnyadaki bir olayn veya sistemin ilgili olduu alanla belirli kanun ve
kurallar erevesinde ifade edilmesidir. Model, gerek dnyadaki bir olgunun
anlatmdr. Gerek dnyann ok karmak olmas sebebi ile oluturulan modeller her
zaman gerek olgunun bir eksiidir. Dier bir deyile modeller modeli kurann olguyu
anlad ekilde anlatma biimidir. Modeller birbirinden farkl olmakla birlikte, bazen
belli olgularla ilgili olarak birden fazla model oluturulabilir (ztrk and zbek 2004).


Soyutlama, gerek dnyadaki bir olgunun ayrntlarndan arndrlm grntlerinin,
insan dncesine aktarlmas olaydr. Modeli kurabilmek iin, ncelikle sistem
hakknda mekaniksel, fiziksel veya hangi alanla ilgili ise evre ilikilerinin bilinmesi
gerekir.
5

Gerek dnyadaki bir olgunun modellenmesi srasnda, ilgilenilen zellikler ile
anlatmdaki karlklar arasndaki balantlar, lmeye dayanr. lme, her alann
kendine zg zorluklar ieren ve zlmesi gereken bir problemidir. llen zellik
rasgelelik ierdiinde modelde karlk gelen deiken doal olarak rasgele deiken
olacaktr.

Modeller, farkl biimlerde snflandrlmaktadrlar (ztrk and zbek
2004);

Szl modeller : Szckler yazl veya szl her tr dncenin en
yaygn anlatm biimidir. Ancak bir binann stunundaki yk dalmn
szcklerle anlatmak pek de mmkn deildir.
ematik modeller : izim, resim, harita, ak diyagram, organizasyon
emas ,... gibi anlatm biimleridir.
Matematiksel modeller :
o Stokastik (rasgele deiken ieren) ve deterministik (rasgelelik
iermeyen) matematiksel modeller,
o Lineer ve lineer olmayan modeller,
o Srekli (diferansiyel denklemi) ve kesikli (fark denklemi)
modeller.

Matematiksel modeller, anlatm gc en fazla ve en geerli olan modellerdir. Belirli bir
sistemin matematiksel modelindeki girdileri, lmler sonucu elde edilen saysal
deerleridir.







6
1.4 Stokastik Sreler ve Modeller


Stokastik sre veya rasgele sre, olaslk kurallarna bal olarak istatistiksel bir
olayn zaman ierisindeki deiim veya geliimini tanmlar. Zaman ierisindeki deiim
veya geliimden kast stokastik srelerin zamann bir fonksiyonu olmas; yani belirli
bir gzlem aralnda olaylarn tanmlanmasdr. Stokastik sreler zamann tek bir
fonksiyonu deildir, srelerin farkl gerekleen sonsuz saylardr. rnein, u(n),u(n-
1),,u(n-M) zaman serisini gstermekte, n-1,,n-M tane gzlemden olumaktadr.
Stokastik sreler eer istatistiksel zellikleri zamanla deimiyorsa, duraandr.
Kesikli zaman, stokastik srete tanml zaman serisi u(n),u(n-1),,u(n-M) eer ki
birleik olaslk younluk fonksiyonu n,n-1,.,n-M gzlemi iinde ayn ise, duraandr.


1.5 Ortalama Ergodik Sre


Bir stokastik srecin beklenen deeri ve toplam ortalamas, kart srelerin
ortalamasna eittir. Daha ak olarak ifade edildiinde, uzun dnem rneklem
ortalamas ya da zaman ortalamas srecin ortalamasdr denilebilir (Maybeck 1994).
Pratikte zaman ortalamas, stokastik modeller oluturulurken modelin bilinmeyen
parametrelerinin hesaplanmasnda kullanlr.


Ortalama ergodik srele balantl olarak kesik zamanl, geni duyarl duraan (WSS-
Wide Sense Stationary) stokastik bir srece uygun u(n) dnlrse, ; sabit olup
srecin ortalamasn, c(k) ; k gecikmeli otokovaryansn ifade eder. Ortalama deerin
hesaplanmas iin zaman ortalamas, eitlik 1.3 teki gibi tanmlanr (Kay 1988).

=
=
1
0
) (
1
) (
N
n
n u
N
N (1.3)

7
Burada N hesaplanan rneklemin toplam saysdr. Hesaplanan (N) kendi ortalama ve
varyansna sahip rasgele deikendir. Ortalamann beklenen deeri,

E[ (N)]= btn N (1.4)

olarak gsterilir. Toplam ortalama kare hatas ile zamann ortalama kare hatas (N)
arasndaki hata sfra yaklayorsa N sonsuza gider. Bu durum eitlik 1.5 te
gsterilmektedir (Kay 1988),

. 0 ] ) ( [ lim
2
=

N E
N

(
(

=
2
1
0
2
) (
1
] ) ( [
N
n
n u
N
E N E

(
(

=
2
1
0
2
) ) ( (
1
N
n
n u E
N


(

=
1
0
1
0
*
2
) ) ( )( ) ( (
1
N
n
N
k
k u n u E
N

| |

=
=
1
0
1
0
*
2
) ) ( )( ) ( (
1
N
n
N
k
k u n u E
N

=
=
1
0
1
0
2
) (
1
N
n
N
k
k n c
N
(1.5)

Eitlik 1.5 te l=n-k dnm yaplrsa sonu 1.6 daki gibi olur.

| |

+ =
|
|

\
|
=
1
1
2
) ( 1
1
) (
N
N l
l c
N
l
N
N E (1.6)

Baz durumlarda sreler, u(n) iin ortalama kare hatasnn hassasiyetini ortalama
ergodik sre gibi tanmlar (Kay 1988) ve

8

+ =

=
|
|

\
|

1
1
0 ) ( 1
1
lim
N
N l
N
l c
N
l
N
(1.7)

denklemi elde edilir. Dier taraftan srecin 1.7 eitliiyle her hangi bir balants yok
ise srecin zaman ortalamas (N) nn ortalamasna yaknsanr. Bu da ortalama
ergodik teorem olarak tanmlanr ( Kay 1988 ). Ortalama ergodik teorem dier
uygulamalar iinde kullanlabilir. rnein geni duyarl duraan srelerin
otokorelasyon fonksiyonu ortalama ergodik srece bal olarak eitlik 1.8 deki gibi
hesaplanabilir (Kay 1988).

=
=
1
0
1 1 ), ( ) (
1
) , (
N
n
N k k n u n u
N
N k r . (1.8)


1.6 Modelleme Srelerinde Teori ve Uygulama


Uygun modelin seilmesi, seilen modelin model derecesinin belirlenmesi ve belirlenen
model derecesine bal olarak, parametrelerin tahmin edilmesi sinyal modellemedeki
en nemli balklardr. Model derece belirleme ltleriyle ile ilgili olarak, birok kriter
gelitirilmitir. Bunlardan bazlar AIC (Akaike Information Criterion), SBC (Shwartz
Bayesian Criterion), FPE (Final Prediction Error), vb. gibi sralanabilir. Model derecesi
belirlenen sinyallerde nemli bir konu da parametrelerin tahmin edilmesidir.
almalarda parametre tahminleriyle ilgili olarak farkl filtreler kullanlmaktadr.
Bunlar Yule-Walker, LMS tabanl filtreler ve Kalman tabanl filtrelerdir.


almalarda, sinyallerin modellendikten sonraki performanslar gz nnde
bulundurulduunda, en uygun modelin AR (Autoregressive) olduu belirlenmi (Kay
1988), almalar bu modeller zerinden yaplmtr. Sinyaller iin uygun model
seiminde ekil 1.3 te gsterildii gibi bir yol izlemek mmkndr (Manolakis 2000).

9































ekil 1.3te grld gibi, model seiminde dikkat edilmesi gereken hususlar
blmde incelenebilir (Manolakis 2000). Birinci aamada modelin yaps seilmelidir.
Model yaps seilirken dikkat edilmesi gereken bir konu modelin performans ve
seilen modelin derecesidir. Model derecesi seilirken her zaman en kk model
derecesi seilerek sinyal modellenir. Uygun model derecesi seimi iin AIC, SBC ve
FPE kriterlerinden yararlanmak uygun olur. Seilen model derecesine bal olarak
modelin parametreleri tahmin edilir. Son olarak sinyalin performans test edilir.
Performans testi ile ilgili olarak LS (least Square), Spektral Eleme (Spectral Matching)
ve ML (Maximum Likelihood) gibi ltler kullanlabilir (Kay 1988). Eer, seilen
modelin performans uygun kmazsa, yani izdirilen grafikte gven aralnn (%95lik
gven aral) dna tama varsa model derecesi bir artrlarak model tekrar oluturulur.

Model yapsnn ve
Derecesinin Seimi
Model
Parametrelerinin
Hesaplanmas
Aday Model
Performans Kontrol
Modeli
Uygun mu?
Modeli Kullan
1. Aama :
Model Seimi

2. Aama :
Parametre hesab
3. Aama :
Model Geerlilii
Hayr
ekil 1.3 Model Seimi Ak Diyagram
10
Model performans, grafiklerde gzlendii gibi gven aralnn ierisinde olana kadar
devam eder (Maybeck 1994). Dier taraftan, model derecesi yksek seildiinde g
spektrumu grafiinde Spektral Eleme metoduyla, model derecesinde hata yapld
gzlemlenebilir. ekil 1.4, gerekte model derecesi sekiz olan sinyalin g spektrum
grafiini gstermektedir. Gerek sinyalin g spektrumunda drt adet tepe
bulunmaktadr. Bu tepeler model derecesi arttka artmaktadr. ekil 1.4, dk model
derecesi seildiinde spektrumda olmas gereken tepelerin kaybolduunu, yksek model
derecesi seildiinde ise sanal tepelerin olutuunu gstermektedir. Model performans
istatistiksel olarak dk dereceli modelde artmakta; fakat gven aralnn dnda
seyretmektedir. Yksek dereceli modelde ise; performans hem dmekte hem de sanal
tepeler olumaktadr.

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-70
-60
-50
-40
-30
-20
-10
0
Normalize Edilmis Frekans ( rad/sample)
G
u
c

S
p
e
k
t
r
a
l

Y
o
g
u
n
l
u
g
u

(
d
B
/

r
a
d
/
s
a
m
p
l
e
)
Yule-Walker Guc Spekral Yogunluk Hesabi
Gercek
4.derece
12.derece
16.derece




Model derecesi seimi ile ilgili olarak, kullanlan sinyal temiz deilse veya derece
belirleme ltlerinin en kk dereceyi belirleyecei kadar yeterli uzunlua sahip
ekil 1.4 G Younluk Spektrumu Yule-Walker Grafii
11
deilse, model derece belirleme ltleri, uygun model derecesini tahmin
edememektedir (ltler model derecesini ok yksek olarak belirler). Byle
durumlarda olabilecek en kk model derecesinden balanarak modelleme yaplmal
ve performans belirleme kriterlerine baklarak derece seimi yaplmaldr.


1.7 AR Modellerde Model Derecesi Belirleme Kriterleri


Sinyalin modeli seildikten sonra en nemli konulardan birisi, model derecesinin
belirlenmesidir. Bununla ilgili deiik kriterler gelitirilmi olsa da AR modeller iin en
uygun olanlar; FPE, AIC ve SBC dir. Kriter eitlikleri aada srayla
bahsedilmektedir (Kay 1988).


1. FPE (Final Prediction Error) kriteri eitlik 1.9 da gsterildii gibidir (Kay
1988),

( )
( ) log
( )
p p
p
l N N n
FPE P
m N n

=
+
(1.9)

Burada logdet
p p
l = ve
22 22

( )
T
p p
N n C R R = = dir.
22
R matrisleri artklarn kross-
rn (cross_product) matrislerini gsterir. n
p
ise seilen modelin derecesini gsterir.

2. SBC (Swartz Bayesian Criterian) Kriterinin algoritmas eitlik 1.10 daki
gibidir (Kay 1988).

( ) 1 log
p p
l n
SBC P N
m N
| |
=
|
\
(1.10)

Yine burada kullanlan deerler FPE deki ile ayndr.

12
3. AIC (Akaike Information Criterion) kriteri 1.11 eitliinde gsterilmitir (Kay
1988).

P N P AIC
P
2 log ) (
2
+ = (1.11)

Burada N ; rneklem saysn, P ; seilmi olan model derecesini,
2

P
ise yukardaki
kriterlerle ayn olan kayp fonksiyonunu (ya da hesaplanan AR (p) modelinin artklarnn
varyans) gstermektedir.


1.8 Grltl Sinyallerin yiletirilmesi


Sinyallerin iyiletirilmesiyle ile ilgili olarak gnmzde farkl yntemler gelitirilmitir
ve bu yntemlerden ilerleyen blmlerde detayl olarak bahsedilecektir. Grltl
sinyalin iyiletirilerek istenilen gerek sinyale yaklatrlmasyla ilgili, gelitirilen
yntemlerden biri de Kalman Filtresidir. Bu yntemin farkl ilerletilmi modelleri
almada kullanlmaktadr.


1.8.1 Standart Kalman filtresi


Durum uzay modeli ile gsterilen bir dinamik sistemde, modelin nceki bilgileriyle
birlikte giri ve k bilgilerinden sistemin durumu tahmin edilebilir. Gzlemleme
teorisi, karar verilen bir bak as temelinde, sistemin durum tahmini iin izlenecek bir
yoldur. Eer sistemin stokastik ve rasgele grltl olduu durum hesaba katlrsa
minimum varyans tahmini ya da Kalman filtresi uygun olmaktadr. Kalman filtresi,
geleneksel tahmin yntemlerinde olduu gibi filtreleme zelliine ramen, sistemin
llemeyen durumlarn tahmin etmek iin ok gl ve yeteneklidir. Kalman
filtresinde genel ama ortalama kestirim hatasnn karesini minimize etmeye ynelik
bir hesaplama mant ile duruma bakar. Kalman filtreleri, iki tip grlt altnda en
13
uygun sonucu vermektedir. Bu grltler; sre grlts ve lm grltleridir.
Sinyallerin durumunun kestirilmesinde Kalman filtresi nin kullanlmasnn amac
alnm grltl lmlerden tahmin yaplarak sinyalin gelecekteki davran ve
deerlerinin hesaplanmasdr.


Kalman filtresi, lineer kesiklizaman dinamik sistemlerinde uygun sonular
retebilmektedir (Kalman 1977). Kalman filtresi blok diyagram ekil 1.5 te
gsterilmektedir.




















ekil 1.5 teki blok diyagramnda durum vektr x
k
diye gsterilmitir. Durum
vektryle sistemin gemi zamanda davranlarndan durum aracl ile gelecek
datalarn tahmini yrtlr. Genelde x
k
bilinmez. Tipik olarak x
k
aracl ile gzlem
vektr y
k
hesaplanr. Yukardaki blok diyagramnn matematiksel denklemi aada
aklanmaktadr.






w
k

z
-1
I H
k


v
k
F
k+1,k
x
k+1
x
k
Sre
y
k

lm
ekil 1.5 Lineer, Kesikli-Zaman Dinamik Sistemler iin Blok Diyagram
14
1.8.1.1 Sre eitlikleri



1 1,
,
k k k k k
x F x w
+ +
= + (1.14)

Eitlik 1.14 teki
1, k k
F
+
, k zamanndan k+1 zamanna geiteki durumu modelleyen
matristir. w
k;
eklenen sre grltsdr; beyaz, gausiyan ve sfr ortalamaldr.
Kovaryans matrisi


,
[ ] {
0 ,
k T
n k
Q n k
E w w
n k

(1.15)


gsterilir (Wan 1993). Buradaki T ifadenin transpozunu ifade eder.


1.8.1.2 lm eitlikleri

,
k k k k
y H x v = + (1.16)

y
k
,; k zamanndaki gzlem matrisini, H
k
lm matrisini temsil etmektedir. v
k
ise yine
durumda olduu gibi beyaz sfr ortalamaldr ve kovaryans


[ ] {
0 ,
k T
n k
R n k
E v v
n k

(1.17)

eitlii ile gsterilmektedir (Wan 1993). Bu eklenen grltler tamamiyle birbirinden
ilikisizdir ve lm uzaynn boyutu N olarak gsterilir.



15
1.8.2 Standart Kalman filtresi eitlikleri


Lineer dinamik sistemlerin lmleri ve ak diyagramlar, k zamanna dayanlarak
verilmitir. Gerekli yeni lmlerle y
k
dan bilinmeyen durum, x
k
n hesaplanmas iin

k
x

durumunun gemiteki tahminine ihtiya vardr. k zamannda

k
x

nn bilindii
varsaylrsa, tahmin edici ile birlikte gemi hesaplama

k
x yeni lmn bir lineer
kombinasyonu gibi gsterilebilir (Wan 1993).


1

k k k k k
x G x G y

= + (1.18)

1.18 eitliinden yola karak durum hata vektr eitlik 1.19 daki gibi tanmlanr ve


.
k k k
x x x = %
(1.19)

beklenen deeri alnrsa,

[ ] 0 1,..., 1
T
k i
E x y i k = = %
(1.20)

eitlii elde edilir. Eitlikler 1.15, 1.18 ve 1.19, 1.20de yerine konulduunda,


1
[( ) ] 0 1,..., 1
T
k k k k k k k k i
E x G x G H x G w y i k

= = (1.21)

eitlii elde edilir. Sre grlts w
k
ve lm grlts v
k
birbirinden bamszdr.

[ ] 0.
T
k i
E w y =

bu ilikiyi kullanarak eitlik tekrar yazlrsa,


(1) (1)
[( ) ( ) ] 0.
T T
k k k k i k k k i
E I G H G x y G x x y

+ = (1.22)
16

elde edilir. I burada birim matrisi simgeler. Ortogonalite prensibinden 1.23 eitlii
yazlr (Wan 1993),


[( ) ] 0.
T
k k i
E x x y

= (1.23)

Eitlik 1.23 e bal olarak,


(1)
( ) [ ] 0. 1,..., 1
T
k k k k i
I G H G E x y i k = = (1.24)

durumun ve gzlemin rasgele deerleri iin byklk faktrleri
(1)
k
G ve
k
G birbiri ile
ilikili ise,


(1)
0,
k k k
I G H G = (1.25)

olur. 1.25 in ierisine 1.17 eitlii yerletirilirse durumun k zamanndaki gemi
hesab,


( ),
k k k k k k
x x G y H x

= + (1.26)

eitlii gibi olur (Wan 1993). G
k
( kalman gain ) kalman kazancdr. Matris ortogonalite
zelliinden,



[( ) ] 0.
T
k k k
E x x y = (1.27)
eitlii, buradan da,


[( ) ] 0.
T
k k k
E x x y = (1.28)

17
eitliine dnr (Wan 1993).

T
k
y ; burada y
k
nin nceki verilen lmlere
dayanlarak hesaplanan sonucudur.


.
k k k
x x x = %
(1.29)

1.29 eitlii innovasyon srecini tanmlar. nnovasyon sreci y
k
da bulunan yeni
bilgilerin lmlerinin hatasn gsterir ve 1.30 daki gibi tretilir (Wan 1993),

k k k k
k k k k k
k k k
y y H x
H x v H x
H x v

=
= +
= +
%
%
(1.30)

1.28 eitliinden 1.27 eitlii karlrsa 1.29 eitlii 1.31 eitliine dnr,


[( ) ] 0.
T
k k k
E x x y = %
(1.31)

ve durum hata vektr
k k
x x 1.32 deki gibi yazlr,


( )
( )
k k k k k k k
k k k k k
x x x G H x v
I G H x G v

= +
=
% %
%
. (1.32)

1.26 ve 1.28 eitlii 1.31 eitliinin iine yerletirilirse,

[{( ) }( )] 0.
k k k k k k k k
E I G H x G v H x v

+ = % %
(1.33)

eitlii elde edilir (Wan 1993). lm grlts v
k,
x
k
dan bamsz olduu iin x
k
nn
hatasndan da bamszdr. Bylece 1.33 eitliinin beklenen deeri 1.34 deki gibi
azaltlr.


18
( ) [ ] [ ] 0.
T T T
k k k k k k k k
I G H E x x H G E v v = % %
(1.34)

eitliiyle nceki kovaryans matrisi 1.35 deki gibi tanmlanr (Wan 1993),


[( )( ) ]
[ . ]
T
k k k k k
T
k k
P E x x x x
E x x


=
= % %
(1.35)

1.35 eitliine bal olarak kovaryans denklemi tekrar yazlrsa,

( ) 0.
T
k k k k k k
I G H P H G R

= (1.36)

eitlii elde edilir. G
k
ya bal olarak eitlik zlrse istenilen eitlik,


1
[ ] ,
T T
k k k k k k k
G P H H P H R

= + (1.37)


olur (Wan 1993). 1.37 eitlii ile Kalman Kazan Matrisi kolay bir ekilde
hesaplanabilir. Bu eitlik istenilen sonutur ve nceki kovaryans matrisi tarafndan
tanmlanr. Tekrarl hesaplama tamamlanmadan nce hata kovaryans retimi zerinde
durulursa, hesaplama hatasnn kovaryans matrisindeki zamansal olarak etkisi hata
kovaryansn vermektedir. Bu retim iki ekilde hesaplanr (Wan and Nelson 2004),


1. nceki kovaryans matrisi
k
P

k zamannda 1.35 deki gibi tanmlanr. Verilen nceki

kovaryansla sonraki kovaryans
k
P hesaplanr. Bu 1.38 eitliinde gsterilmektedir.


[ ]
[( )( ) ].
T
k k k
T
k k k k
P E x x
E x x x x
=
=
% %
(1.38)

19
2. Verilen eski kovaryans matrisiyle
1 k
P

yeni nceki kovaryans

k
P

hesaplanr ve
k
P

gncellenir. Birinci aama tretilirse,


( ) [ . ]( ) [ ]
( ) ( )
T T T T
k k k k k k k k k k k
T T
k k k k k k k k
P I G H E x x I G H G E v v G
I G H P I G H G R G

= +
= +
% %
(1.39)

ve eitlik alrsa,


( ) ( )
( )
( ) .
T T T
k k k k k k k k k k k k
T T
k k k k k k k k k
k k k
P I G H P I G H P H G G R G
I G H P G R G G R G
I G H P

= +
= +
=
(1.40)

eitliine dnr (Wan and Nelson 2004). kinci aamadan hata kovaryans hesab iin
durumun sonraki hesab eski hesaptan tretilir,


, 1 1
.
k k k k
x F x

= (1.41)

durum nceki hesaplama hatas 1.42 deki gibi hesaplanr,


, 1 1 1 , 1 1
, 1 1 1 1
, 1 1 1

( ) ( )
( )
k k k
k k k k k k k
k k k k k
k k k k
x x x
F x w F x
F x x w
F x w




=
= +
= +
= +
%
%
(1.42)

1.42, 1.37 eitliinin iine yerletirilirse buradaki sre grlts durum hata
kovaryansndan farkl olur. nceki kovaryans 1.43 deki gibi tanmlanr,



, 1 1 1 , 1 1 1
, 1 1 , 1 1
[ ] [ ]
,
T T T
k k k k k k k k k
T
k k k k k k
P F E x x F E w w
F P F Q

= +
= +
% %
(1.43)

20
nceki ( priori ) kovaryans matrisi eski kovaryans matrisi
1 k
P

den hesaplanr (Wan

and Nelson 2004). Standart Kalman Filtresi eitlikleri zeti izelge 1.1 de
gsterilmektedir.










Durum-Uzay Modeli


1 1,
,
,
k k k k k
k k k k
x F x w
y H x v
+ +
= +
= +



Buradaki w
k
ve v
k
birbirinden bamsz olup sfr ortalamal gausiyan Q
k
ve R
k

kovaryans matrislerinin grlt sreleridir,

Balang deerleri ile bala k=0 iin,

0 0
0 0 0 0 0
[ ],
[( [ ])( [ ]) ].
T
x E x
P E x E x x E x
=
=


k=1, iin,

Durum Hesab retimi,

, 1 1
,
k k k k
x F x


=
Hata kovaryans retimi,

, 1 1 , 1 1
,
T
k k k k k k k
P F P F Q

= +
Kalman kazan matrisi ,


1
[ ] ,
T T
k k k k k k k
G P H H P H R

= +

Durum hesab gncellemesi,

( ),
k k k k k
x x G y H x

= +
Hata kovaryans gncellemesi,
( )
k k k k
P I G H P

=

izelge 1.1 Standart Kalman filtresi

21

1.8.3 Geniletilmi Kalman filtresi



Lineer olmayan sistemler iin geniletilmi Kalman filtresi (EKF), yaklak maksimum
olaslk tahminini salayabilmektedir. Ortalama ve kovaryans yine tekrarl olarak
gncelletirilir. Bununla birlikte, dinamiklerin birinci derece lineerizasyonunda rasgele
deikeni tahmin etmek iin trev alnmas gerekir. Bylece lineer olmayan dinamikler
bu trevle, yine zamanla deien lineer dinamiklere yaklatrlr ve bu taktirde Standart
Kalman eitlikleri uygulanabilir. Geniletilmi Kalman Filtresinde kullanlan lineer
olmayan durum uzay modeli 1.44 ve 1.45 deki gibi yazlr (Wan 1993),



1
( , ) ,
k k k
x f k x w
+
= + (1.44)
( , )
k k k
y h k x v = + (1.45)


Buradaki w
k
ve v
k
sfr ortalamal beyaz gausiyan sre grltlerini gsterir, kovaryans
matrisleri R
k
ve Q
k
dir. f(k,x
k
) lineer olmayan sistemin gei (transition) matrisini
temsil eder. h(k, x
k
) da lineer olmayan lm matrisini temsil eder. Geniletilmi
Kalman Filtresindeki basit mantk gei matrisinin ve hesiyan (lm) matrisinin
trevleri alnarak gerek lineer ortama dnm salanmasyla gerekleir. Bu iki
aamada gerekleir (Wan 1993),


[1] Gei ve hesiyan matrislerinin modele gre trevi alnr,


1,
( , )
|
k
k k x x
f k x
F
x
+ =

(1.46)

( , )
|
k
k
k
x x
h k x
H
x

=

(1.47)

22
(2) lk nce durum ve sre matrisleri
1, k k
F
+
ve
k
H hesaplanr. Bu birinci derece
Taylor Serisi almna bal olarak yaplr. Yani lineer olmayan fonksiyonlardaki
birinci derece Taylor Serisi alm baz alnarak yaplr. Durum ve sre matrisleri 1.48
ve 1.49 eitliklerine yaklatrlr (Wan and Nelson 2004),


1,
( , ) ( , ) ( , ),
k k k k k
F k x F x x F x x
+
+ (1.48)

1,
( , ) ( , ) ( , )
k k k k k
H k x H x x H x x

+
+ (1.49)

1.48 ve 1.49 dan yararlanlarak lineer olmayan durum-uzay modeli tretilir.
Geniletilmi Kalman Filtresi eitlikleri zeti izelge 1.2de gsterilmitir.
































23










Durum-uzay modeli
1
( , ) ,
( , )
k k k
k k k
x f k x w
y h k x v
+
= +
= +

w
k
ve v
k
sfr ortalamal gausiyan beyaz sre grltsn gstermektedir ve
birbirlerinden bamszdr. Q
k
ve R
k
ise bunlarn kovaryans matrislerini temsil eder.

Balang deerleriyle bala k=0 iin,
0 0
0 0 0 0 0
[ ],
[( [ ])( [ ]) ].
T
x E x
P E x E x x E x
=
=


k=1,. iin,
Durum retimi

1,

( , )
|
( , )
|
k
k
k k x x
k
k
x x
f k x
F
x
h k x
H
x

+ =
=

1
( , )
k k
x f k x

=
Hata kovaryans retimi,

, 1 1 , 1 1
,
T
k k k k k k k
P F P F Q

= +

Kalman kazan matrisi hesab,


1
[ ] ,
T T
k k k k k k k
G P H H P H R

= +

Durum gncelleme,

( , ),
k k k k k
x x G y h k x

= +
Hata kovaryans gncelleme,

( )
k k k k
P I G H P

=

izelge 1.2 Geniletilmi Kalman filtresi

24

1.8.4 Standart Kalman filtresi ile parametre hesaplanmas


Lineer sistemler iin verilen durum-uzay modeli Kalman Filtresinde parametre hesab
iin kullanldnda 1.50 deki gibi gsterilebilir ( Wan and Nelson 2004 ). Parametre
vektr rasgele yry sreci olarak kabul edilirse eitlik,



1 1,
,
,
k k k k k
k k k k
x F x w
y H x v
+ +
= +
= +
(1.50)


gibi olur. Burada durum vektr parametre vektrdr.
k
w ,
k
v beyaz grlt srelerini
gstermektedir. 1.50 eitliinin hata terimlerini ve balang durumlarn salad kabul
edilirse [ ] 0, [ ] 0
k k k k
E x v veE x w = = sistem gei matrisi birim matris olur. Standart
Kalman Filtresiyle parametre tahmini eitlikleri izelge 1.3 te verilmektedir (Wan and
Nelson 2004).














25
















1.8.5 Geniletilmi Kalman filtresi parametre hesab



( Mehra 1971 )de amalanan ve ( Merwe and Nelson 1999, 2000 )da gelitirilen EKF
temiz veriden lineer olmayan modellerde parametre hesab iin uygun zm
retebilmektedir. Yine EKF de parametre filtresi eitlikleri ayndr. EKF parametre
tahmin eitlikleri izelge 1.4 teki gibi tanmlanabilir (Wan and Nelson 2004).


Durum-uzay modeli
1 1,
,
,
k k k k k
k k k k
x F x w
y H x v
+ +
= +
= +


Buradaki w
k
ve v
k
birbirinden bamsz olup sfr ortalamal gausiyan Q
k
ve R
k

kovaryans matrislerinin grlt sreleridir, F matrisi birim matristir,

Balang deerleriyle bala k=0 iin,

0 0
0 0 0 0 0
[ ],
[( [ ])( [ ]) ].
T
x E x
P E x E x x E x
=
=


k=1, iin,

Durum retimi,

, 1 1
,
k k k k
x F x


=
Hata kovaryans retimi,

, 1 1 , 1 1
,
T
k k k k k k k
P F P F Q

= +
Kalman kazan matrisi ,


1
[ ] ,
T T
k k k k k k k
G P H H P H R

= +

Durum gncellemesi,

( ),
k k k k k
x x G y H x

= +
Hata kovaryans gncellemesi,
( )
k k k k
P I G H P

=

izelge 1.3 Standart Kalman filtresi ile parametre tahmini eitlikleri
26
















































izelge 1.4 EKF ile Parametre tahmini eitlikleri


Durum-uzay modeli
1
( , ) ,
( , )
k k k
k k k
x f k x w
y h k x v
+
= +
= +


w
k
ve v
k
sfr ortalamal gausiyan beyaz sre grltsn gstermektedir ve
birbirlerinden bamszdr. Q
k
ve R
k
ise bunlarn kovaryans matrislerini temsil eder.
Parametre filtresi iin F birim matristir.

( , )
|
k
k
k
x x
h k x
H
x

=

Balang deerleriyle bala k=0 iin,

0 0
0 0 0 0 0
[ ],
[( [ ])( [ ]) ].
T
x E x
P E x E x x E x
=
=


k=1,. in durum retimi

1
( , )
k k
x f k x

=
Hata kovaryans retimi,

, 1 1 , 1 1
,
T
k k k k k k k
P F P F Q

= +

Kalman kazan matrisi,


1
[ ] ,
T T
k k k k k k k
G P H H P H R

= +

Durum gncellemesi,

( , ),
k k k k k
x x G y h k x

= +
Hata kovaryans gncellemesi,

( )
k k k k
P I G H P

=

27
1.9 Sonu



almann bu blmnde, sinyallerin modellenmesi ve kestirimi hakknda teorik
bilgiler verilmitir. Sinyallerin modellenmesi esnasnda dikkat edilmesi gereken
yntemler ve izlenmesi gereken yol gsterilmitir. Uygun model seildikten sonra
modelin derecesinin belirlenmesiyle ilgili SBC, FPE ve AIC gibi kriterler zerinde
durulmutur. Bu kriterler uzun verilere sahip ses sinyallerinde model derecesi seiminde
AIC nin FPE ve SBC ye oranla daha uygun tahmin sonular verdii gzlenmitir.
Bunun sebebi ise kullanm olduu algoritma yapsnda kaynaklanmasdr.
Algoritmasnda tahmin doruluunu dierlerine oranla uzun srede kaybetmemesidir.
Bunun yan sra ksa verilere sahip ses sinyallerinin model derece tahminlerinde ayn
performans sergilemilerdir.


Model derecesi belirlenen grltl sinyallerin, model performanslarnn
belirlenmesiyle ilgili spektral eleme ve en kk kareler yntemlerinden
bahsedilmitir. Spektral elemede modelin performansnn daha kolay belirlendii
gzlenmektedir. Eldeki grafik erisine baklarak gven aralnda olup olmad
deerlendirilmitir, dier taraftan en kk kareler yntemi spektral elemeye oranla
daha karmak olduu gzlenmitir.


almada, kestirim ile ilgili kullanlan yntemlerden; tekli, birleik ve ikili alma
yntemlerinden bahsedilmi, daha nceki almalar ve teorik bilgiler nda
performanslar hakknda bilgiler verilmitir. Bu alma yntemleri tekli filtre
kullanldnda lineer olmayan sinyaller iin birleik filtreleme metodunun en uygun
olduu, iki filtre kullanldnda hem lineer olmayan hem de lineer sinyaller iin ikili
filtreleme ynteminin daha uygun olduu daha nceki almalardan saptanmtr.


28
Bunlarn yan sra yntemlerde kullanlan Kalman tabanl kestiricilerden standart ve
geniletilmi Kalman filtrelerinden bahsedilmi ve bu filtrelerin alma alanlar (lineer
ve lineer olmayan) zerinde durulmutur. Yine daha nceki almalara dayanlarak
standart Kalman filtresinin lineer sinyallerde, lineer olmayan sinyallerde ise
geniletilmi Kalman filtresinin daha uygun tahmin sonular verdii belirlenmitir.









































29
2. KALMAN FLTRELERDE KL ( DUAL ) HESAPLAMA



kili Kalman filtresi (DKF)nin ses sinyallerindeki iyiletirmeye ynelik kullanlma
amac; geniletilmi Kalman filtresine bir alternatif olma, geniletilmi Kalman
filtresindeki raksama problemiyle uramama ve lineer olmayan sistemlerde uygun
sonular salayabilmektir (Labarre and Grivel 2003).


kili yaklamda, EKFdeki raksama problemi gz nnde bulundurularak, lineer
olmayan sinyallerde hesaplama yaplm ve ikili hesaplamada EKF ye oranla daha
uygun sonular elde edilmitir (Labarre and Grivel 2003). kili yaklamdaki dier bir
mantk ise model ve parametrelerin iteratif olarak ayn anda kestirilebilmesidir.


kili hesaplamalar genelde on-line almalar zerinden yaplmaktadr (Merwe and
Nelson 1999, 2001). Bunun sebebi iteratif olarak yaplan almalarda elde bulunan
verilerin, baz durumlarda olumsuz sonular (hafza problemi ve eski verilerin filtrede
tutulmasndan, renme erilerinde olumsuz sonular olumas) dourabilmesidir. Bu
nedenle, kullanlacak model ve durumlar belirlendikten sonra, on-line veya off-line
hesaplama yntemleri seilmelidir (Nelson 1999).


2.1 kili Kalman Filtresi ( DKF )


Lineer olmayan dinamik sistemlerde, kesikli zamanlardaki durum tahmini, EKF
kullanlarak uygun sonular verir. Kullanlan filtre, nceki blmde filtre eitliklerinin
retiminde bahsedildii zere, kullanlan dinamik modele uygun olarak grltl
lmlerden dinamik sistemin durumlarn kestirir ve bunu tekrarl bir ekilde devam
ettirir. kili Kalman filtresi, durum kestiriminde uygun sonular verdii gibi, parametre
kestiriminde de bu performansn gsterebilmektedir. Fakat temiz sinyallerde, ikili
30
hesaplama metodunun kullanlmasna gerek yoktur, nk parametrelerin
iyiletirilmesine gerek yoktur.


Lineer olmayan sistemlerde, EKF sistem dinamiklerini dorusallatrarak, standart
Kalman filtresiyle ( KF ) normal tekrarl tahmin yapabilmektedir. Fakat
dorusallatrma esnasnda, sinyalin kovaryans ve ortalamasnda baz durumlarda
sapma gzlenmektedir. (Labarre and Grivel 2003) almalarnda bu probleme ikili
Kalman filtre yaklamyla bakmtr. Belirli bir ses sinyali zerinden sinyalin paralel
olarak bir taraftan durumu hesaplanrken, dier taraftan da sinyalin parametreleri
hesaplanarak EKF den daha iyi performans elde edilmitir. Dier taraftan raksama
problemi de ortadan kalkmtr. kili filtrede alma modeli, sral (sequential) olarak,
yani hesaplamalar noktasal olarak yaplmaktadr. teratif ve sral yaklam blok
diyagramlar, ekil 2.1 de gsterilmektedir (Wan and Nelson 2004).





























Btn
Sinyal
hesaplanr
Btn
Model
hesaplanr

Sinyal
Hesapla
Model
Hesapla

Btn
data
Btn
data
w

1
{ }
N
x

k
y

w

k
x

[a]
[b]
ekil 2.1. a. Iteratif yaklam, b. Sral yaklam
31


DKF de yry ilk etapta sistem parametrelerinin tahmin edilmesiyle balar. Bu
aamada, sistemin modeli belirlenir. Model belirlendikten sonra sistem dinamiklerine
uygun model derecesi seilir. kili hesaplama iin kullanlacak algoritmalar izelge
2.1de gsterilmektedir. kili hesaplamadaki filtre almas, ekil 2.2deki gibidir
(Wan and Nelson 2004).










kili hesaplama ekil 2.2den grld gibi filtreler birbirlerine paralel ve ezamanl
olarak almaktadr. lk filtre durumu tahmin etmekte ardndan ikinci filtre ise
parametreleri tahmin ederek birinci filtreye hesaplanan parametreleri vermekte ve
birinci filtrede hesaplam olduu durumu parametre filtresine vererek devam
etmektedir. izelge 2.1 de DKF eitlikleri grlmektedir (Labarre and Grivel 2003).

z. gn.

Ekf_x
lm
Gncelleme
EKF_x
lm
Gncelleme
EKF_w
Zaman gnc.

EKF_w
y
k
lm

k
x

k
x
1

k
w


1

k
x


ekil 2.2 kili Hesaplama Paralel Filtre almas
32






Lineer olmayan dinamik sistemlerde, kesikli zaman durumunun olaslnn
hesaplanmas iin EKF uygun zmler retebilmektedir. Filtre dinamik modelden
uygun sonu iin tahminle grlty birletirir, tekrarl bir ekilde bu ii devam ettirir.


Lineer olmayan sinyallerde, daha iyi performans iin (Nelson 2001) de ikinci derece
EKF partikl filtresi kullanlmasna ramen en popleri standart EKF olarak tespit
edilmitir. Durum iin maliyet fonksiyonu 2.1 de verilmektedir (Wan and Nelson
2004).

Eitlik 1.14 ve 1.16 ya bal olarak balang deerleriyle balanrsa,
0 0
[ ] x E x = ,
0
[ ] w E w =
0
0 0 0 0
[( )( ) ]
T
x
P E x x x x = ,
0
0 0 0 0
[( )( ) ]
T
w
P E w w w w =
{1,..., } k , standart kalman filtresinin zaman gncelletirme eitlikleri:

1
1

k k
k k
r
w w k
w w
P P R

=
= +


Durum ve hata kovaryans retimi,
, 1 1
,
k k k k
x F x


=
, 1 1 , 1 1
,
T
k k k k k k k
P F P F Q

= +

lm gncelletirme eitlikleri durum iin:
1
[ ] ,
T T
k k k k k k k
G P H H P H R

= +
( ),
k k k k k
x x G y H x

= +
( )
k k k k
P I G H P

=
lm gncelletirme eitlikleri parametre iin :

1
1
( ) ( ( ) )
( ( , ))
( )
k k
k k
w w T w w T e
k w k k x k
w
k k k k k k
w w
w k k w
K P G G P G R
w w K d G w x
P I K G P

= +
= +
=


izelge 2.1 kili standart Kalman filtresi
33


1
1
1
( ) (( ) ( ) ( ) ( ) ( )( )),
k
k T n T v
t t t t t t t t
t
J x y x R y x x x R x x

=
= +

(2.1)

Burada
1
( , )
t t
x F x w

= , R
n
ve R
v
; eklenen grltdr. EKF eitliklerinde gsterildii
gibi uygun zm iin parametre hesaplanmasnda maliyet fonksiyonunu minimize
eder.


2.1.1 Tekrarl derivasyon hesab


kili EKF ( DEKF ) eitlii, nceki durumla birlikte parametre eitliini birbirine
balarken ( )
w k
k
k
x
C C
w

, arlk filtresine bal olarak, hesiyan ve gei matrislerinin

trevini hesaplar. Sinyal filtresinin parametreleri, arlk filtresi tarafndan hesaplanr.
Tekrarl dngde
k
x ,
1

k
x

in bir fonksiyonudur ve her ikisi de wnin bir fonksiyonu
olarak tanmlanr. izelge 2.2 de DEKF eitlikleri verilmektedir (Wan and Nelson
2004).













34




































1
( , ) ( , )
,

k k
k k
x x F x w F x w
w x w w

+

= +

(2.2)



( ) ( ),

x
x k k k
k k k
x x K
I K C y Cx
w w w

= +

(2.3)


Eitlik 2.1 deki durum uzay modeline bal olarak balang deerleriyle balanrsa,

0 0
[ ] x E x = ,
0
[ ] w E w =
0
0 0 0 0
[( )( ) ]
T
x
P E x x x x = ,
0
0 0 0 0
[( )( ) ]
T
w
P E w w w w =
{1,..., } k , geniletilmi Kalman filtresinin zaman gncelletirme eitlikleri:
1
1

k k
k k
r
w w k
w w
P P R

=
= +


1
1
1 1
( , , )
k k
k k k
T v
x k x k
x F x u w
P A P A R

=
= +

lm gncelletirme eitlikleri durum iin:
1
( )
( ( , ))
( )
k k
k k
x T T n
k x k k x k
x
k k k k k
x
x k k x
K P C C P C R
x x K y H x w
P I K C P

= +
= +
=

lm gncelletirme eitlikleri parametre iin:
1
( ) ( ( ) )
.
( )
k k
k k
w w T w w T e
k w k k x k
w
k k k k
w w
w k k w
K P C C P C R
w w K e
P I K C P

= +
= +
=

1
1
( , )
|
k
k
k x
F x w
A
x

( )
k k k
e y Cx

= ,

|
k
w k k
k
w w
e x
C C
w w

=

=

izelge 2.2 kili geniletilmi Kalman filtresi
35
Burada
( , )

k
F x w
x

ve
( , )

k
F x w
w

fonksiyonlar
k
w da hesaplanr ve lineer olmayan
fonksiyonlarn statik fonksiyonlarn oluturur. 2.3 eitliinde
x
w
K , w dan bamsz ise
hesaba katlmayabilir (Wan and Nelson 2004).



2.1.2 Birleik ( Joint ) Hesaplama Metodu




Bayes teoreminden, birleik koullu olaslk 2.4 eitliindeki gibi tanmlanr (Wan and
Nelson 2004),


1 1 1 1 1 1
1 1
1 1
| | | |
|
. . .
N N N N N N
N N
N N
w
y x w x w y x w x w
x w y
y y

= =
(2.4)

{ }
1
N
k
y istatistiksel olarak { }
1
N
k
y ve w ya bal olmasna ramen, nceki
1
N
y

ilevsel
olarak { }
1
N
k
y ve w den bamszdr.
1 1
|
N N
x w y

maksimize edilmi pay tarafndan

oluturulur. Parametrelerdeki nceki deerler bilinmiyorsa,
w
iptal edilebilir. Bu
durumda maksimizasyon,




1 1 1 1 1
| | |
.
N N N N N
y x w y x w x w
=
(2.5)



olur (Wan and Nelson 2004). 2.5 eitliine bal olarak, v
k
ve n
k
sfr ortalamal beyaz
grltl olarak kabul edilip, maliyet fonksiyonu tretilirse,

36

1 1
2
2 |
2
1
1
1
( ) 1
exp[ ]
2
(2 ) ( )
1 1
exp[ ( )( ) ( )],
2
(2 )
N N
N
k k
y x w
N N
k
n
N
N
v
k k k k
N
N v
k
y Cx
x x R x x
R

=

=

(2.6)


eitlii gibi olur (Wan and Nelson 2004). Burada
1
1 1
[ | { } , ] ( , )
k
k k t k
x E x x w F x w

= =
dr. nceki eitlikte tahmin
k
x

model F(.,w)
kullanlarak hesaplanmtr. Eitliin logaritmas alnrsa, maliyet fonksiyonu eitlik 2.7
gibi tanmlanr (Wan and Nelson 2004),


2
2 1
2
1
( )
[log(2 ) log(2 | |) ( ) ( ) ( )].
N
v T v k k
n k k k k
k
n
y Cx
J R x x R x x

= + + +

(2.7)

Birinci tarafta gzlem
1
{ }
N
k
y ile
1
{ }
N
k
x az bir snrlamaya sahiptir. Bunun sebebi kk
bir lm grlt varyansnn, daha gl bir snrlama yaratmasndandr. kinci tarafta
model yapsyla birlikte durum ve model hesab ortak olarak ele alnmtr. Var olan
snrlama durum iin yksek derecede deterministik olduunda gl olmaktadr. ( yani
v
R kk ).
1
( , )
j N
J x w hem
1
{ }
N
k
x hem de w ye bal olarak
1 1
|
N N
y x w
( birleik
younluu) maksimize edilerek hesaplanr. Genelde yaklamlar, direk ya da zlm (
de-coupled ) olarak snflandrlr. Direk yaklamda, hem sinyal hem de model ok
deikenli optimizasyon problemi gibi birleik olarak hesaplanr. zlm yaklamda
ise, deikenlerden birinde optimizasyon salanrken dieri sabit kalr, ilem alternatif
olarak karlkl devam eder. Burada direk eitlik birleik EKF (JEKF) den oluur.
Birleik model sinyal ve parametre vektrnn iine sral olarak maliyeti minimize
ederek hesaplamaya allr. zlm (De-coupled) hesaplama da ayrntlar daha
fazladr.





37
2.1.3 zlm (De-coupled) hesaplama


Sinyale bal olarak
1
( , )
j N
J x w , minimize edilir. Maliyet, w nn hesaplama
yaklamndan elde edilir. Bylece 2.8 eitlii basit bir yaklamla tahmine uyarlanr
(Wan and Nelson 2004),


2
1
1 2
1
( )
( , ) [ ( ) ( ) ( )].
N
j N T v k k
k k k k
k
n
y Cx
J x w x x R x x

= +

(2.8)


Bu maliyet fonksiyonu
1
{ }
N
k
x e bal olarak minimize edilir.
1
( , )
j N
J x w geerli sinyal
1
{ }
N
k
x ve tekrarl tahmin
1
( , )
k k
x F x w

den elde edilir. Maliyet fonksiyonu,

2
1
1 2
1
( )
( , ) [ ( ) ( ) ( )].
N
j N T v k k
k k k k
k
n
y Cx
J x w x x R x x

= +

(2.9)

gibidir (Wan and Nelson 2004). Alternatif olarak birleik maliyet fonksiyonu
k
x

,
yalnz arln bir fonksiyonu olarak tanmlanabilir,



1
1
1
( , ) ( ) ( ) ( )
N
j N T v
k k k k
k
J x w x x R x x

=
=

(2.10)


2.10 eitlii tahmin hatasnn maliyetinin bir modelidir. Bu model, hesaplanan durumu
tahmin etmede kullanlr. Metod hesaplanan
1 1

N N
x x = deerinde
1
|
N
x w
y maksimize
eder. Bu yaklamda asl data
1
{ }
N
k
y , snrlandrlamadndan problem olumaktadr.
Birleik hesaplamann zlm yaklamnda problem, her bir maliyet onun
argmanna bal olarak, bir nebze kaldrlmtr.
38
2.1.4 Maksimum olaslk maliyeti


Arlk hesab iin bir maliyet fonksiyonu retilirse, marjinal younluk eitlik 2.11
deki gibi olur (Wan and Nelson 2004).


1
1
1
|
|
.
N
N
N
w
y w
w y
y

= (2.11)

Eer w nn nceki deeri bilinmiyorsa, sonraki younluk maksimize edilen olaslk
fonksiyonu
1
|
N
y w
ya eitlenerek maksimize edilir. Buradaki istatistik gausiyan ise,
koullu olaslk, zincir kuralndaki gibi eitlik 2.12 gibi ifade edilir (Wan 1999, Nelson
2001),



1
2
| 1
2 |
2
1
( )
1
exp ,
2
2
N
k
k
N
k k k
y w
k
y y

=
(

=
(
(

(2.12)


Burada
1
| 1 1
[ | { } , ]
k
k k k k
y E y y w

koullu ortalamadr ( optimal tahmin ) ve

2
k

tahmin
hata varyansdr. Maksimum olaslk maliyetinin logaritmas alnrsa,



2
| 1 2
2
1
( )
( ) log(2 )
k
k
N
k k k ml
k
y y
J w

=
(

= +
(
(

(2.13)


elde edilir (Wan and Nelson 2004). Bu ifade lm grlts ne olursa olsun geerlidir.



39

2.2 Birleik ( Joint ) Hesaplama Formu




Birleik hesaplamayla ilgili parametre maliyet fonksiyonu ve hata terimleri eitlik 2.14
de verilmitir. Bu parametre filtresinin zel ikili-gzlem formunu gsterir (Wan 1993,
Merwe 1999).

1
( , ),
t t
x f x w

= ( ),
k k k
e y x ( ),
k k k
x x x

%
(2.14)

Eitlikler, DEKF nin zlm birleik uygun sonuca yaklamn gsterir. Yani belirli
bir zamanda DEKF dnml olarak bir argman kullanarak, btn birleik maliyet
fonksiyonunu minimize eder. DEKF parametre filtresi iin gzlemlenen birleik maliyet
fonksiyonu, eitlik 2.15 ve 2.16 da verilmektedir (Wan 1993, Merwe 1999),



2 2 2
1 2 2
1
( ) ( )
( , ) ,
k
j k t t t t
t
n v
y x x x
J x w

=
(
= +
(

(2.15)


1
1

n k
k
v
e
e
x

(
(
(

%
ile ,
1
1

T
n w k
w
k
T
v w
e
C
x

(
=
(

(

%
(2.16)


Belirli bir zamanda DEKF, birleik maliyet fonksiyonunu alternatif olarak filtrelerinde
kullanr ve uygun sonu iin maliyet fonksiyonunu minimize etmeye alr.


2.3 Birleik ( Joint ) Kalman Filtresi ( JEKF )




nceki blmde DEKF, birleik maliyet fonksiyonunun indirgenmesi iin tekrar
tretilmitir. Buradaki iyiletirme bir ayrtrma yaklamn gsterir ve
k
x ve w
40
hesaplamalarnda kullanlan durum uzay gsterimlerini farkl klar. Alternatif olarak bir
JEKF modeli gsterilmesini zorunlu klar ve e zamanl bir MAP hesab
k
x ve w
deerlerini retir. Bu da yeni bir durum uzay modeli gsterimi yaratr. Birleik model
eitlik 2.17 deki gibi gsterilir (Wan and Nelson 2004),



k
k
k
x
z
w
(
=
(

dir. (2.17)

Burada maksimize edilmi younluk
1
|
k
k
z y

, maksimize edilmi
1
|
k
k
x w y

ya eitlenir.
z
k
nin MAP uygun hesab x
k
ve w
k
nin minimize edilmi toplam maliyeti
1
( , )
k
J x w yi
ierir. Yalnz alan EKF durum vektryle birlikte sral bir hesaplama eitlii salar.
JEKF, literatrde ilk nce lineer sistemlerin hesaplanmas iin kullanlmtr. f(z)nin
gradyant w ya bal olduundan
k
x , sabit tutulur. Bylece
k
x w ye bal trev
iermez. (Merwe 1998) de JEKF iin raksama problemine bir zm olarak
gsterilmitir. Eklenen sonular ve dzeltmeler (Wan and Nelson 2004)de
gsterilmektedir. Tekrarl derivasyon eksikliinden, iftli sistemlerde lineerizasyon
esnasnda yaknsama problemi olmasna ramen ( bu blmn deneysel ksmnn
hazrlanmas esnasnda raksama problemiyle karlalmamtr ) tekrarl trevin
kullanlmas (Asano and Fah 2000) da tartlmtr. Fakat, teorik bir geerlilii yoktur.
JEKF maliyet fonksiyonunun sral minimizasyonu iin alternatif bir yaklam
salayabilmitir (Merwe 1999).


2.3.1 Birleik hesaplamada lineer model


1
M
k i k i k
i
k k k
x w x v
y x n

=
= +
= +

(2.18)

41
Lineer modeller, daha nceki blmlerde gsterilmitir. 2.18 Eitlie bal olarak
birleik modelde parametre sabit stokastik bir sre gibi modellenir (Wan 1993),


1 k k k
w w u

= + (2.19)


Birleik durum-uzay modeli ,

1
1 1
1
( ) ( , )
. 0
.
0
k k k k
k k k k
k k k
z F z B v u
x x Bv A
w w u I

= +
( ( ( (
= +
( ( ( (

(2.20)

| |
.
0 ... 0 .
k k k
k
k k
k
y C z n
x
y C n
w
= +
(
= +
(

(2.21)


olarak tanmlanr (Wan and Nelson 2004). nceki blmde gsterildii gibi,
0
k
k
w
A
I
(
(

. Yukardaki sistem lineer olarak modellenmesine ramen
1 1
.
k k
A x


arpm, birleik durum
1 k
z

nn bir lineer olmayan ( ya da bi-lineer ) fonksiyonunu
gsterir. Modelin formu lineer olarak kabul edilse bile, durum KF nin kullanlmasnn
nne geer. Bununla birlikte EKF, sinyal ve parametrelerinin yaklak MAP hesabn
retir.







42

2.3.2 Birleik geniletilmi Kalman filtresi



EKF sisteme uygulanp, ( )
k
F z birleik durum
k
z ile ilgili olarak dorusallatrlrsa,

( )
| 0 0 0 0 0
0 0
k
T T T
k k k
k
k z z
x w x
A
F z
A I
z
I I
=
( ( ( ( (
( ( ( ( (
= =
( (

( (

(2.22)


birleik grlt kovaryans,



2
0
0
T
k v
k
k
Bv B B
V Cov
u U
( (
=
( (

(2.23)


olarak belirlenir (Wan and Nelson 2004). JEKF algoritmas izelge 2.3 te
gsterilmektedir (Wan and Nelson 2004).























2.20-21 deki durum uzay modeline bal olarak balang deerleriyle balanrsa,

0 0
[ ] z E z =
0 0 0 0 0
[( )( ) ]
T
P E z z z z =

{1,..., } k deerlerinde zaman gncelleme eitlikleri,

1
( )
k k
z F z

=
1 1 1
T
k k k k k
P A P A V

= +

lm gncelletirmeleri,

2 1
( )
( )
( )
T T
k k k n
k k k k k
k k k
K P C CP C
z z K y Cz
P I K C P

= +
= +
=


izelge 2.3 Birleik geniletilmi Kalman filtresi

43
2.4 Unscented Dnm ve Kalman Filtresi


EKF, lineer olmayan ortamlarda dnm esnasnda, baz sistemlerde kovaryans ve
ortalama sapmasna yol amaktadr. Bu bilgiler nda Unscented tabanl kalman
filtreleri (UKF) gelitirilmitir. EKF ve UKF arasndaki basit fark, gausiyan rasgele
deikenlerin sistem dinamiklerinde dorusallatrma olmayp, rasgele sigma noktalar
seilerek dnm yaplmasdr.


EKFde durum dalm, bir gausiyan rasgele deiken tarafndan yaknsatlr. Bylece
lineer olmayan sistemin birinci derece dorusallatrmas iin analitik zm retilir
(yani EKFde durum hesab gausiyan rasgele deiken tarafndan analitik olarak lineer
olmayan sistemlerin birinci derece dorusallarlmasyla salanr). Bu durum, filtrede
raksama yaratr ve doru sonraki ortalamada ve gausiyan rasgele deikenlerde
dntrlen kovaryansta, byk hataya yol aar. Bylece filtre sub-optimal bir
performans salar. Ayn olay UKFde deterministik bir rneklem yaklamyla
gsterilir. Burada durum hesab, bir gausiyan rasgele deiken tarafndan hesaplanr ve
rneklem noktalar seilerek gsterilir. Bu rneklem noktalar, doru ortalamay ve
gausiyan rasgele deikenin kovaryansn doru bir ekilde yakalar ve doru lineer
olmayan sistemde ikinci dereceden sonraki ortalama ve kovaryans yakalar. Bu EKF de
birinci dereceden bir doruluk yaratr. Bunun yannda UKF de hesiyan ve jakobiyan
hesaplamasna gerek yoktur. Hesaplama komplekslii de EKF kadar karktr.


2.5 Unscented Kalman Filtresi - Giri


UKF, EKF nin trevi olmayan alternatif modelidir ve lineer olmayan alanlardaki
uygulamalarnn hepsinde uygulanabilir. Uygulama alan dier kalman tabanl
filtrelerde olduu gibi ikiye ayrlr. Birincisi durum; ikincisi parametre hesabdr.


44
2.5.1 Durum hesab


EKF, kesikli zaman lineer olmayan dinamik sistemlerdeki hesaplamay ierir. Durum
uzay modeli eitlik 2.1 deki gibidir. Lineer olmayan bir dinamik sistemin blok
diyagram, ekil 2.3 te gsterilmektedir (Wan and Nelson 2004).




ekil 2.3 te sistem dinamikleri F ve H biliniyor kabul edilmektedir (Wan and Nelson
2004). Parametre hesaplanmas, sistem tanmlama ya da sinyal tanmlama anlamna
gelen, lineer olmayan durumda aadaki formlde tanmlanr,


( , ).
k k
y G x w = (2.24)


x
k
giri, y
k
k lineer olmayan MAP te G(.) vektr w tarafndan oluturularak
dntrlr. Lineer olmayan MAP rnei balaml uygulamalarda dinamik
modellemelerde bir geribesleme veya tekrarl bir sinirsel ebeke olabilir. Tipik olarak

F


H
Sre
Grlts
v
k

lm
Grlts
n
k

k
y
k

x
k
x
k+1
Giri
u
k

ekil 2.3 Lineer Olmayan Sinyalin Blok Diyagram
45
{x
k
, d
k
} nn sinyal hatas e
k
=d
k
-G{x
k
,w} olarak bilinir. Uygun bir deer oluurken (
yani gradyant alalmas geri retimi (back-propagation) kullanlrken) EKF yeni yazlan
durum-uzay gsterimi tarafndan hesaplanabilir (Wan 1993).



1
,
( , )
k k k
k k k k
w w r
d G x w e
+
= +
= +
(2.25)


Burada
k
w ; birim gei matrisiyle bir duraan srele ilgilidir ve sre grlts
k
r ile
tanmlanr (Buradaki varyans seimi yaknsamay salar). k d
k,
lineer olmayan
lmde w
k
ile balantldr. EKF, parametreleri tahmin etmek iin direk olarak
uygulanan etkili ikinci derece lineerizasyon salayan bir teknik gibidir.


Giri x
k
gzlenemediinde, tahmin, hem parametre hem de durum hesaplanmas
gerektirir. Bu ikili hesaplama tahmini iin, yine bir kesikli zaman dinamik sistemi
gerekir (Wan 1993),


1
( , , , ),
( , , )
k k k k
k k k
x F x u v w
y H x n w
+
=
=
(2.26)


Burada hem model durumu hem de parametreleri, dinamik sistem iin yalnzca
grltl sinyal y
k
dan ayn anda hesaplanmak zorundadrlar. rnek uygulama, adaptif
lineer olmayan kontrol sistemlerinde grlr ( Kay 1988, Wan 1993).








46
2.6 Unscented dnm


Unscented dnm lineer olmayan transformasyona maruz kalan bir rasgele
deikenin istatistiini hesaplamak iin gelitirilen bir metoddur ( Wu and Hu 2005 ).
Lineer olmayan bir fonksiyonun ierisine y=f(x), rasgele bir x deikeni ( L boyutlu )
retilirse xin ortalamas x ve kovaryans P
x
kabul edilir. ynin istatistii hesaplanrken
2L+1 boyutlu sigma vektrleri
i
takip eden eitliklere bal olarak bir matris
oluturur (Wan and Nelson 2004),

0
,
( ( ) ) , 1,..., ,
( ( ) ) , ,..., 2 ,
k x k
k x k L
x
x L P k L
x L P k L L

=
=
= + + =
= + =
(2.27)

Burada
2
( ) L L = + bir hesap ( ykseltme ) parametresidir, sigma noktasnn
x etrafndaki sapmasn gsterir ve ounlukla kk bir pozitif deiken olarak alnr
(rnein 1 1 4 e ). Dier sabit dr ve ikinci ykseltme parametresidir,
ounlukla 3-L olarak alnr (detay ( Wan and Nelson 2004, Merwe 2001) ) ve da x
dalmnn nceki bilgisiyle ilikilendirilir ( gausiyan dalmlar iin =2dir ).
( )
x
L P + matrisin karakknn kinci stunudur (alt gen oleski faktr). Bu
sigma noktalar lineer olmayan fonksiyonun ierisine yerletirilir.

k k
=f( ) k=0,...,2L, (2.28)


iin ortalama ve kovaryans, sonraki sigma noktalarnn arlkl rneklem ortalamas
ve kovaryans kullanlarak bulunur,

47
2
( )
0
L
m
k
k
y W
=

k
, (2.29)
2
0
(
L
c
y k
k
P W
=

k
)( y
k
) ,
T
y (2.30)

Arlk
i
W eitlik 2.31 deki gibi verilir (Wan and Nelson 2004),

( )
0
( ) 2
0
( ) ( )
,
( )
1
1
, 1,..., 2 .
2( )
m
c
m c
k k
W
L
W
L
W W k L
L

=
+
= + +
+
= = =
+
(2.31)


Bu metod, gerekte bir genel Monte-Carlo rneklem metodundan farkldr. Durumun
doru bir dalmnn retilmesinde, daha fazla rneklem noktasnn byklnn
derecesine ihtiya vardr. Btn lineer olmayan gausiyan giriler iin, unscented
dnmle ((UT) le) birlikte nc derece doru sonular elde edilebilmektedir.
Gausiyan olmayan giriler iin, en az ikinci dereceden dnmle dorulanmaktadr (
Nelson 1999, Gordon and Salmond -- ). Seilen ve lara bal olarak nc ve
drdnc dereceden olabilmektedir. Unscented dnmn nemli bir yaklam
integrallerin hesaplanmasnda gaussian quadratic diye adlandrlan bir numerik
teknikle balantlandrlmasdr (Makhoul 1975). Benzer yaklam ekil 2.4 te
gsterilmektedir (Wan and Nelson 2004). ekil 2-D boyutlu bir sistemi gstermektedir.
Soldaki izim monte-carlo rneklemi kullanlarak oluturulan doru ortalama ve
kovaryans gstermektedir. Ortadaki izim EKFde lineerize edilerek yaplan doru
ortalama ve kovaryans, sadaki ise unscented dnmn 5 tane sigma noktas
kullanlarak elde edilen ortalama ve kovaryans gstermektedir.





48







2.6.1 Unscented Kalman filtresi eitlii



Unscented Kalman filtresi eitlik 2.31deki UT nin tekrarl hesaplamalarn direk alr.
Burada grltl rasgele deikenler ile birlikte ve orijinal durumun birlemesiyle
tekrar tanmlanr (Wan and Nelson 2004).



[ ]
a T T T T
k k k k
x x v n =
(2.32)


ekil 2.4. a. Monte-carlo rneklem, b. Geniletilmi kalman filtresi
1. derece lineerizasyon, c. Unscented dnm
49
Unscented dnmdeki sigma nokta seimi bu iyiletirilen durum rasgele deikenine
uygulanr. UKF eitlikleri izelge 2.4 te gsterilmektedir (Wan and Nelson 2004).












































Eitlik 2.1 deki durum uzay modeline bal olarak balang deerleriyle balanrsa;
0 0
0 0 0 0 0
0 0
0
0 0 0 0 0
[ ],
[( )( ) ],
[ ] [ 0 0] ,
0 0
[( )( ) ] 0 0 .
0 0
T
a a T T
a a a a a T v
n
x E x
P E x x x x
x E x x
P
P E x x x x R
R
=
=
= =
(
(
= =
(
(


{1,..., }, k sigma noktalarnn hesab,
1 1 1 1 1 1
[ ].
a a a a a a
k k k k k k
x x P x P

= +


Zaman gncelletirme eitlikleri,
| 1 1 1 1
2
( )
, | 1
0
| 1 1
( , , ),
,
( , ),
x x v
k k k k k
L
m x
k i i k k
i
x n
k k k k
F u
x W
P H

=
=
=

2
( )
0

L
m
k i
i
y W

=
=

, | 1
,
i k k

lm gncelletirmeleri eitlikleri,
2
( )
0
(
k k
L
c
y y i
i
P W
=
=
% %

, | 1 i k k
)(
k
y

, | 1 i k k
) ,
T
k
y

2
( )
, | 1
0
( )(
k k
L
c
x y i i k k k
i
P W x

=
=

, | 1 i k k
) ,
T
k
y

1
,
( ),
,
k k k k
k k
k x y y y
k k k k k
T
k k k y y k
P P
x x y y
P P P

=
= +
=
% %
% %

Burada ,
[ ]
a T T T T
x x v n = , [( ) ( ) ( ) ]
a x T v T n T T
= , , L = +
; birleik lm parametresi, L; durumun boyutu,R
v;
sre grlt kovaryans,
R
n
;lm grlt kovaryans, W
i;
sigma noktalarnnn hesaplanan arl.

izelge 2.4 Unscented Kalman Filtresi
50
2.7 yiletirme Varyasyonlar


Sre grltsnn ve lm grltsnn direk olarak eklenebilir olduu durumlarda,
UKF nin hesaplanma komplekslii azaltlr. Bu aamada sistem durumu grltl
rasgele deikenlerle iyiletirmeye ihtiya duymaz. Bu da toplam kullanlan sigma
noktalarnn kullanmnda bu noktalarn boyutunu azaltr. Grlt kaynann
kovaryans o zaman bir basit eklenen yntem kullanlarak durum kovaryansnn iine
ilitirilir. Numerik amalar iin deikenlerin says belli olabilir. rnein matrisin
karekk bir oleski faktr kullanlarak iyiletirilebilir. Genelde L
3
/6 dereceli olarak
alnr. Bununla birlikte kovaryans matrisi tekrarl bir ekilde tanmlanr ve karekk
sadece MxL
2
(M kt y
k
nn boyutu) de bir tekrarl gncelletirme performans
tarafndan oleski faktryle hesaplanr.


2.8 Unscented Kalman Filtresi Parametre Hesaplanmas


Parametre hesab, yine durumda olduu gibi lineer olmayan dnml gzlem
denklemi kullanlarak yaplr. ( , )
k k
y G x w = burada w bilinmeyen parametreleri
oluturur. G(.) belki sinirsel bir ebeke ya da dier oluturulan fonksiyonlar iin
kullanlabilir. EKF de parametre hesab iin yeni bir durum uzay modeli eitlik 2.40
daki gibi yazlr (Wan and Nelson 2004),

1
,
( , ) ,
k k k
k k k k
w w r
d G x w e
+
= +
= +
(2.33)


w
k;
durum gei matrisiyle ilgili olarak sabit bir sreci gsterir. r
k;
sre grltsdr.
stenilen kt d
k;
lineer olmayan ortamda gzlemlenen w
k
ya bal ktdr. Lineer
aamada KF ve RLS arasndaki iliki ( Morgan and Craig 1976 ) te verilmitir.
Optimizasyon asndan bakldnda tahmin hata maliyeti minimize edilirse,
51


1
1
( ) [ ( )] ( ) [ ( , )].
k
T e
t t t t
t
J w d G x w R d G x w

=
=

(2.34)

elde edilir (Wan and Nelson 2004). nceki blmlerde bahsedildii gibi grlt
kovaryans R
e
sabit diagonal tutulursa eitlikten iptal edilebilir ( rn. R
e
=.5I ).
Alternatif olarak aadaki seenekler uygun sonular iin uygulanabilir. nnovasyon
kovaryans [ ]
T T
k k k
E r r R = dier taraftan kovaryans orann ve izleme performansn
etkiler. Daha byk kovaryans daha hzl eski verilerin silinmesini salar.
r
k
R seimi ile
ilgili olarak birka alternatif sunulmutur (Wan and Nelson 2004). UKF parametre
hesaplama eitlikleri izelge 2.5 te verilmektedir (Wan and Nelson 2004).





















52


























Durum uzay modelinde parametre kovaryans
k
w
P
sfra yaklarsa parametre
filtresinde raksama olur ( Kalman filtresi, kazanc sfra zorladndan ). Bu noktada
kt her bir opsiyon iin 1 olur. Bununla birlikte, fonksiyonun ktsnda sonlu sayda
kovaryans ortalamasnn olumasn salar. Bu dier taraftan hatann minimuma
gitmesinden parametreleri engeller. Bu yzden bu metod lokal minimumdan kanr,
ksa ve grltl datalarda dzen oluumunu salar.

Eitlik 2.33 deki durum uzay modeline bal olarak balang deerleriyle balanrsa,

0
0
0 0
[ ],
[( )( ) ].
T
w
w E w
P E w w w w
=
=


{1,..., } k deerleri iin sigma nokta hesab ve zaman gncellemeleri,
1
1
1
| 1
| 1 | 1
2
( )
, | 1
0
,
,
[ ],
( , ),

1 : ,

2 : ( , ).
k k
k k
k k
r
w w k
k k k k w k w
k k k k k
L
m
k i i k k
i
k k k
w w
P P R
w w P w P
D G x
opsiyon d W D
opsiyon d G x w

=
= +
= +
=
=
=

lm gncellemeleri,
2
( )
, | 1 , | 1
0
2
( )
, | 1 , | 1
0
1

( )( ) ,

( )( ) ,
,

( ),
,
k k
k k
k k
k k
k k
k k
L
c T e
i i k k k i k k k k
d d
i
L
c T
w d i i k k k i k k k
i
k w d
d d
k k k k k
T
w w k k
d d
P W D d D d R
P W w D d
P P
w w d d
P P P

=


=

= +
=
=
= +
=

% %
% %
% %

Burada , L = + ; birleik skale faktoru, L; durumun boyutu, R
r
;sre grlt
kovaryans, R
e
;lm grlts kovaryans ve W
i
;sigma noktalarnn arldr.

izelge 2.5 Unscented Kalman filtre parametre hesab
53
2.9 Unscented kili Hesaplama



Eitlikler, EKF de olduu gibi iki UKF filtresinden olumakta ve hesaplama filtrelerin
birbirine paralel alarak devam etmesinden olumaktadr. izelge 2.6 daki gibidir
(Wan and Nelson 2004).















2.1 deki durum uzay modeline bal olarak balang deerleriyle balanrsa,

0
0 0 0
0 0 0 0 0 0 0
0 0
0
0 0 0 0 0
[ ], [ ],
[( )( ) ], [( )( ) ].
[ ] [ 0 0] ,
0 0
[( )( ) ] 0 0 .
0 0
T T
w
a a T T
a a a a a T v
n
x E x w E w
P E x x x x P E w w w w
x E x x
P
P E x x x x R
R
= =
= =
= =
(
(
= =
(
(


{1,..., } k deerleri iin sigma nokta hesab ve zaman gncellemeleri,
Parametre iin,
1
1
1
| 1
| 1 | 1
2
( )
, | 1
0
,
,
[ ],
( , ),

1 : ,

2 : ( , ).
k k
k k
k k
r
w w k
k k k k w k w
k k k k k
L
m
k i i k k
i
k k k
w w
P P R
w w P w P
D G x
opsiyon d W D
opsiyon d G x w

=
= +
= +
=
=
=

izelge 2.6 kili unscented Kalman filtresi
54












Durum iin,
1 1 1 1 1 1
[ ].
a a a a a a
k k k k k k
x x P x P

= +


Zaman gncelletirme eitlikleri,
| 1 1 1 1
2
( )
, | 1
0
| 1 1
( , , ),
,
( , ),
x x v
k k k k k
L
m x
k i i k k
i
x n
k k k k
F u
x W
P H

=
=
=

2
( )
0

L
m
k i
i
y W

=
=

, | 1
,
i k k

lm gncelletirmeleri eitlikleri,
Durum iin,
2
( )
0
(
k k
L
c
y y i
i
P W
=
=
% %

, | 1 i k k
)(
k
y

, | 1 i k k
) ,
T
k
y

2
( )
, | 1
0
( )(
k k
L
c
x y i i k k k
i
P W x

=
=

, | 1 i k k
) ,
T
k
y

1
,
( ),
,
k k k k
k k
k x y y y
k k k k k
T
k k k y y k
P P
x x y y
P P P

=
= +
=
% %
% %

Parametre iin,
2
( )
, | 1 , | 1
0
2
( )
, | 1 , | 1
0
1

( )( ) ,

( )( ) ,
,

( ),
,
k k
k k
k k
k k
k k
k k
L
c T e
i i k k k i k k k k
d d
i
L
c T
w d i i k k k i k k k
i
k w d
d d
k k k k k
T
w w k k
d d
P W D d D d R
P W w D d
P P
w w d d
P P P

=


=

= +
=
=
= +
=

% %
% %
% %

izelge 2.6 kili unscented Kalman filtresi devam
55



2.10 Least Mean Square ( LMS ) ve Gelitirilmi Modelleri



Least Mean Square (LMS) metodu, eitliklerindeki yazm pratiklii, almalardaki
kolayl ve kestirim doruluunun ykseklii sayesinde popler saylacak kadar
verimli bir metoddur. Bu metod adndan da anlalaca gibi hata karesinin beklenen
deerinin minimize etmeyi nerir ve bunu dener. Metod parametre ve durum vektr
iin baz keyfi balang deerlerinden balar ve iterasyon numaralarnn artmasyla
devam eder. Ne kadar fazla iterasyon yaplrsa, filtre iyiletirmede o kadar baarl olma
olaslna sahiptir. LMS metodu ile hem sinyallerde parametre tahmininde, hem de
durumun iyiletirmesinde kullanlr.


LMS te parametre vektr, ortalama en son deer olarak hesaplanr. Parametre ve
durum vektrnn gncellenmesi ve tahmin hatasnn hesaplanmas iin gerekli olan
eitlikler aadakiler gibidir (Larsen 2003).

2 2 ( ) P Rw k = + (2.35)

Verilmi olan gradyant ifadesi alm olarak,


0 1 1
, ,...,
T
M


(
=
(


(2.36)

eklinde gsterilir. Bu gradyant eitliine bal olarak hatalar karesi belirlenirse



1
( 1) ( )
2
P
w p w p + = (2.37)

56
elde edilir (Larsen 2003). 2.47 eitlii parametre ( p nci iterasyondaki ) hesabnda
kullanlr. 2.35-36 ve 37 eitliklerinden yararlanlarak LMS metodu yazlrsa,

( ) ( ) ( )
T
R k k k = (2.38)


2.38 eitliindeki (k) modeldeki dereceye gre oluturulan vektrdr. Yani sinyal
verilerinin tahmin edilen deerlerinin durum uzay modelinde hesaplanma esnasndaki F
( transition matrix ) matrisi ile arplan vektrdr.

( ) ( ) ( ) P k k y k = (2.39)


2.39 eitlii gradyant eitliine yerletirilirse,


2 2 ( ) 2 ( ) ( ) 2 ( ) ( ) ( )
T
P Rw k k y k k k w k = + = + (2.40)


sonucu elde edilir (Larsen 2003, Torun 2005). Bu eitlik parametre vektrnde yerine
konulursa,


( ) ( 1) ( )( ( ) ( ) ( ))
T
w k w k k y k k w k = +
( 1) ( ) ( ) w k k e k = + (2.41)


sonucu bulunur ve LMS eitlii olarak bilinir. Daha nce de belirtildii gibi
parametresi duraanl ve yaknsak orann dzenleyen bir sabittir. 2.34 eitliine gre
LMS metodunun uygulanmas olduka kolaydr. nk kare, ortalama veya trev
57
almay iermez. Filtre eitlikleri izelge 2.7 deki gibi gsterilir (Larsen 2003, Torun
2005).












Klasik olarak LMS filtre eitlikleri izelge 2.8 deki gibi tanmlanr. Bu eitliklere bal
olarak deneysel hesaplamalarda daha da iyi sonular veren ( yani filtre raksamas ve
kstl optimizasyon problemlerinde (Torun 2005) hesaplama esnasndaki adaptasyonun
hzll ve doruluu ) ilerletilmi metodlar kullanlmtr.


2.10.1 Normalletirilmi en kk ortalamalar karesi (N-LMS) yaklam


N-LMS eitlikleri, LMS eitliklerine oranla biraz daha karmak saylabilir. Burada
kullanlan step-boyutu sinyalin boyutuna bal olarak gerek sistemlerde uygulanr.
LMS eitliklerini oluturmak kolay olmakla birlikte giri sinyalinin zdeer deiimi
hzl olduunda kt bir yaknsama olumaktadr. Bu metodun normalize edilmi LMS
ten karmakl gze arpmaktadr. N-LMS metodundaki adm bykl giri gc
ile normalize edildiinden dolay yaknsamann giri sinyaline olan bamll ortadan
kalkar. N-LMS metodu, kstl optimizasyon problemi zm olarak dnlebilir.
(k) girdi vektr ve istenen cevap y(k) verildiinde w(k) deerine bal olarak
Balang deerlerinin seilmesi,
Filtre ktsnn hesaplanmas,
( ) ( ) ( 1)
T
y k k w k = ,
Beklenen hatann hesaplanmas;
( ) ( ) ( ) e k y k y k = ,
Parametre vektrnn gncellenmesi;
( ) ( 1) ( ) ( ), 1, 2,..., w k w k k e k k N = + =


izelge 2.7 LMS filtresi
58
w(k+1) parametre vektrndeki deiiminin karesel klid normunu minimize etmek
iin parametre vektr w(k+1),


w(k+1)= w(k+1)- w(k) (2.42)


eitlii ile hesaplanr (Larsen 2003). Buradaki snrlamaya bal olarak,


w
T
(k+1)(k)=y(k) (2.43)


kstl optimizasyon probleminin zm iin, lagrange arpanlar metodu
kullanlabilir. w(k+1) parametre vektrndeki w(k+1), deiim karesel normu ile
birlikte yukardaki formlde baz deiiklikler yaplarak aadaki N-LMS eitlikleri
elde edilir,

2
( 1) ( 1) ( ) ( ) w k w k k e k

+ = + + (2.44)


yazlr (Larsen 2003). (k-1) girdi vektrnn kk olmasndan dolay kaynaklanan
sorunu zmek iin a sabiti kullanr. Bylece eitlik,

2
( 1) ( 1) ( ) ( ) w k w k k e k
a

+ = + +
+
(2.45)

eklinde yeniden yazlr. Buradaki sabitler a>0 ve 0<<2 dir. N-LMS metodu eitlikleri
izelge 2.8 de gsterilmektedir (Larsen 2003, Torun 2005)


59













2.10.2 Leaky en kk ortalamalar karesi (L-LMS) yaklam


Dier bir yaklam ise Leaky-LMS metodudur. Bu metod, unutma faktr v olarak
bilinen bir yaklam gstermektedir. Bu unutma faktr sayesinde filtre Standart LMS
ve N-LMS algoritmalarna oranla deneysel olarak yaplan almalarda daha uygun
sonular verdii gzlenmitir. Seilen bu unutma faktr v 0 ve 1 deerleri arasnda
pozitif bir deer olarak kullanlr. Genelde deneysel almalarda 1e yakn bir deer
olarak ( 0.99 gibi ) alnr (Zheng 1976, Morgan and Craig 1999). Fakat bu unutma
faktr uzun dnem geerli olan filtre katsaylar iin geerlidir. Eer, sistem
dinamikleri srekli deiiyorsa, unutma faktr sistemde uyumsuzluk yaratabilir.
Dolays ile kullanlacak sistemin dinamikleri iyi bilinmelidir. Metod eitlikleri izelge
2.9 da verilmektedir (Larsen 2003).






Balang deerlerinin seilmesi,
Filtre ktsnn hesaplanmas;
1

T
k k k
y w

= ,
Beklenen hatann hesaplanmas;

k k k
e y y =
Parametre vektrnn gncellenmesi;
Kullanlacak olan a ve deerlerinin sinyale gre belirlenmesi,
2
( 1) ( 1) ( ) ( ) w k w k k e k
a

+ = + +
+


izelge 2.8 N_LMS filtresi
60














2.10.3 leaky-normalletirilmi en kk ortalamalar karesi (L-N-LMS) yaklam


Dier bir yaklam da yukardaki bahsedilen metodlarn ikisinin birlikte kullanld
Leaky-Normalized-LMS metodudur. Bu iki metod birletirilirken her hangi bir balant
olmadndan pratikte bir problem kmamaktadr. Tretilmi metod izelge 2.10 da
verilmektedir (Larsen 2003).











Balang deerlerinin seilmesi,
Filtre ktsnn hesaplanmas,

1

T
k k k
y w

= ,
Beklenen hatann hesaplanmas,

k k k
e y y =

Parametre vektrnn gncellenmesi,
Kullanlacak olan a ve deerlerinin sinyale gre belirlenmesi.

( 1) ( 1) ( ) ( ) w k vw k k e k + = + +

izelge 2.9 Leaky_LMS filtresi
61









































Balang deerlerinin seilmesi,
Filtre ktsnn hesaplanmas,

1

T
k k k
y w

= ,

Beklenen hatann hesaplanmas,

k k k
e y y =

Parametre vektrnn gncellenmesi,
Kullanlacak olan a, v ve deerlerinin sinyale gre belirlenmesi,

2
( 1) ( 1) ( ) ( ) w k vw k k e k
a

+ = + +
+


izelge 2.10 Leaky_Normalized_LMS filtresi eitlikleri
62
2.11 Sonu


almann bu blmnde grltl sinyallerin iyiletirilmesi esnasnda kullanlan
filtreleme yntemleri ve filtrelerden bahsedilmitir. Lineer olmayan sinyallerin
iyiletirilmesiyle ilgili olarak Kalman tabanl filtrelerden tekli, birleik ve ikili Kalman
filtrelerinden ve bu filtrelerin algoritmalarna deinilmitir. Daha nceki almalar ve
teorik bilgilerin nda lineer olmayan sinyallerin iyiletirilmesinde ikili filtreleme
yntemi dier yntemlerden daha uygun tahmin sonular salayabilmektedir. nk
bu filtreleme ynteminde hem durum iyiletirilmesi hem de parametre iyiletirilmesi
yaplmaktadr. Birleik filtreler de tekli filtrelerden daha uygun tahmin sonular
vermektedir. Yine burada da hem durum hem de parametreler iyiletirilebilmektedir.


Lineer sinyallerde birleik filtreleme yntemi gei matrisinde bi-lineer bir zm
rettiinden pek tercih edilmemektedir. Buradaki bi-lineer durum grltl sinyalin
tahmin doruluunu drmektedir. Tekli filtreler lineer sinyallerde tahmin doruluu
yksek olsa da ikili filtrelerin (DKF) ayn zamanda parametre iyiletirmesinden tahmin
doruluu ikili filtreleri yakalayamamaktadr.


Kalman tabanl filtrelerin yan sra LMS filtresi ve gelitirilmi metodlarndan da
bahsedilmitir. Bu filtreler daha nceki almalara dayanlarak lineer ses sinyallerinin
iyiletirilmesinde gelitirilmi metodlaryla yeterli dzeyde tahmin sonular verdii
saptanmtr.












63
3. RENKL GRLTL SNYALLER


Gnmzde iletilen sinyaller baz durumlarda renkli grltlere maruz kalabilmektedir.
Bu grltler bazen bir helikopter sesi, araba veya bir insan sesi olabilmektedir. Grlt
renkli olduunda sinyallerde iyiletirme beyaz grltl durumdan daha zor olmaktadr.
nk sinyalin parametreleri ve kutuplar daha fazla bozulmaktadr. Dolays ile
iyiletirmek iin farkl yntemler kullanlmaktadr.


Renkli grltl sinyallerin iyiletirilmesinde filtrelerin tahmin doruluunu artrmak
iin durum-uzay modelinde baz deiiklikler yaplmtr (Gibson 1991, Wan and
Nelson 2004). Bylece ses sinyali ve grlt sinyalinin parametreleri birbirinden
ayrlm, sinyal parametreleri gei matrisinde kolaylkla tahmin edilebilmi, durumu
da daha iyi kestirilebilmitir.


3.1 Renkli Grlt


Grlt rasgele bir sinyal olmasna ramen karakteristikleri istatistiki zelliklere
sahiptir. Bu zellik g spektrum younluuyla belirlenebilir. G spektrum
younluundaki bu snflandrma renkli grltnn tanmn vermektedir. Renkli
grlt, iki farkl uzayda verilerin birbiriyle iletiimli olmasyla olumaktadr. Bu
grltlerde g spektrum younluu (Power Spektral Density) beyaz grltlerden
farkldr. Hangi zellikte grlt ise younluk grafiinde o frekans deerlerinde tepeler
oluur. Beyaz grlt, btn frekans deerlerini kapsad iin g spektrum younluu
btn frekanslarda tepe oluturur; her frekansta eit ykseklie sahip olur, bylece dz
bir younluk grafii oluur. ekil 3.1 de beyaz grltnn g younluk grafii
gsterilmitir.



64







ekil 3.1, 8000 Hz frekans kullanlarak elde edilmitir. Frekans aral geniletildike
ekildeki mavi kntlar younlamakta ve daha dz bir hal almaktadr. Renkli
grltlerde ise younluk grafii biraz daha farkldr. Beyaz grltdeki gibi dz
deildir. retilen veya var olan grltnn frekansnn var olduu blgelerde tepeler
olumaktadr.


Renkli grltler ok farl zelliklere sahip olmaktadrlar. Dolays ile g spektrum
younluklar da farkl olmaktadr. Mavi bir grltnn younluu pembe bir grltnn
younluundan farkldr. Frekans aral bazen rengine gre bazen de grltnn
yapsna gre deimektedir. Bir araba kornas, uak sesi, insan sesi veya bir hayvan
sesi farkl younluk grafiklerine sahip olmakta ve grafikte birden fazla tepelerden
ekil 3.1 Beyaz Grlt G Spektrum Younluu

65
oluabilmektedir. ekil 3.2 de nc mertebeden retilmi bir renkli grlt
gsterilmitir.





Renkli grltl sinyallerin iyiletirilmesinde (Gibson 1991) ve (Gordon 1993) durum-
uzay modeline renkli grlt durumunu da ekleyerek iyiletirmelerde standart Kalman
filtresini kullanmlardr. Sonularnda var olan ses sinyalinden renkli grlty
ayrarak uygun sonu elde edebilmilerdir.


Bu almada nceki almalardan farkl olarak bir baka insan sesi renkli grlt
olarak kabul edilmitir. Yani iki insann ayn anda konutuu dnlerek birinci sinyal
tahmin edilmeye allmtr. Durum-uzay modeli yine (Gibson 1991) ve (Wan and
Nelson 2004) deki model kullanlarak hesaplama yaplmtr. Sinyal tahmini iin ikili,
birleik ve tekli Kalman filtreleri kullanlmtr.
ekil 3.2 nc Mertebeden Renkli Grltnn G Spektrum
Younluu

66
3.2 Kalman Filtrelerinde Renkli Grltl Sinyallerin Modellenmesi


Kalman filtre eitlikleri, grlt renkli olduunda deimektedir. Durum-gei
matrisine grltnn durumunun da eklenmesi gerekir (Gibson 1991, Wan and Nelson
2004). Bylece tahmin esnasnda sinyalin durumu hesaplanrken hem de grltnn
durumu da hesaplanabilmektedir. Durum-uzay modelinde sinyal lineer olmayabilir,
fakat grlt her zaman lineer AR (p) zaman sreciyle modellenir. Durum-uzay
modelinden renkli grlt, sinyalle birlikte tahmin edilebilir.


Renkli grltl durumlarda yksek iterasyon, Kalman filtresinin tahmin doruluunu
artrmaktadr (Gibson 1991). Kalman filtrelerinde durum-uzay modelleri lineer
durumlar iin 3.7 ve 8 de, lineer olmayan durumlar iin 3.12 ve 13 te gsterilmektedir.


Maximum A Posteriori (MAP) hesaplanmasnda,


1
|
,
( , ) arg max
k
k k
k k
k k
x n y w
x n
x n = (3.1)


olarak tanmlanr ve birleik olaslk eitlik 3.2 gibi geniletilebilir (Wan and Nelson
2004),

1 1 1
1 1 1
1
1
| | |
|
|
. .
k k k
k k k k k
k
k k
k
y y x n w x n y w y w
x n y w
y w

= (3.2)

k k k
y x n = + eitliine bal olarak,
1
1
|
k
k k k
y y x n w

dirac_delta fonksiyonu olarak tanmlanr.
1
1
|
k
y w

ve
1
|
k
y w
( Younluklar ) fonksiyonel olarak
k
x ve
k
n den bamszdr.
67
Maksimizasyon
1
|
k
k k
x n y w
ve
1
1
|
k
k k
x n y w

yle balantl olduundan
k k k
y x n = + birbirine
eittir. Bununla birlikte
1
1
|
k
k k
x n y w

, 3.3 teki gibi yazlabilir (Wan and Nelson 2004),

1 1 1
1 1 1
| | |
.
k k k
k k k k
x n y w x y w n y w


= (3.3)


3.1,2 ve 3 teki varsaymlar altnda sinyal ve grlt, istatistiksel olarak bamsz kabul
edilir. Eer
k
v ve
, n k
v , sfr ortalamal gausiyan ve beyaz grltl ise;


0
1
1
2 2
|
,
,
( ) ( ) 1
exp . exp
2 2
2 2
k
k k
x
k k k k
x n y w
k n k
k n k
x x n n
p p
p p

| |
| |
=
|
|
|
\
\
(3.4)


olarak yazlr (Wan 1993). Burada
1
1
[ | { } , ]
k
k k t
n E n y w

= ve
2 1
, 1
[( ) | { } , ]
k
n k k k t
p E n n y w

= dir. Bu eitliklerin negatif logaritmalar alnrsa, ilgili
maliyet fonksiyonu 3.5 teki gibi olur,

2 2
,
( ) ( )
( , )
k k k k
k k
k n k
x x n n
J x n
p p



= + (3.5)


Beyaz grltl aamada,
k
x ve
k
n nin istenilen MAP lar retilir. Birincil olarak
gemi hesaplama istatistikleri
k
x ve
k
p

;
k
n

ve
, n k
p

den hesaplanr (Wan and Nelson

2004).




68
3.2.1 Renkli grltl aamada lineer model


Renkli aamadaki AR (p ) lineer fark denklemi 3.6 daki gibi gsterilir,

1
M
k i k i k
i
k k k
x w x v
y x n

=
= +
= +

(3.6)

lm grlts, benzer ekilde AR(p) zaman serisine bal olarak modellenir.
Vektrler,
1 1
[ ,..., ]
T
k k k M
x x x

= ve
1 1
[ ,..., ]
T
k k k M
n n n

= dr. nceki ortalama ve
varyans, eitlik 3.7 deki gibi hesaplanr (Wan and Nelson 2004),


1
1


T
k k
T
k n k
x w x
n w n

=
=

1
, , 1
T
k k
T
n k n n k n
p w P w
p w P w

=
=
(3.7)

Hesaplanan
k
x (sinyal durumu) ve
k
P (kovaryans) nin yannda bu modelde
k
n (
grlt durumu) ve
, n k
P ( kovaryans) de hesaplanr. Bu eitlikler dorultusunda durum-
uzay modeli tekrar oluturulur.


3.2.2 Renkli grltl durum-uzay modeli


k k k
y x n = + eitlii, baz zel durumlar ierir. Hesabn toplamnda
k
x ve
k
n ,
k
y yi
oluturmaktadr ve varyansta ayn ekilde hesaplanmaktadr. Durum uzay modeli,

1 ,
1
, 1
. .
0 0
. .
0 0
k c k c c k
k k k
n k k n k n
A B v
v x A x B
v n A n B

= +
( ( ( ( (
= +
( ( ( ( (

(3.8)

69

| |
.
.
k c k
k
k n
k
y C
x
y C C
n
=
(
=
(

(3.9)

gibi tanmlanmaktadr. Burada,

( ) (1) (2)
1 0 0 0
0 0
0 0 1 0
n
M
n n n
n
w w w
A
(
(
(
(
(

L

O M
, [1 0... 0]
T
n n
C B = = (3.10)

olarak tanmlanr (Wan and Nelson 2004). Etki eden lm grlts ve sre
grlts, sfr ortalamal beyaz grltdr ve kovaryans,

2
2
0
0
n
v
c
v
V

(
=
(
(

dr. (3.11)


Renkli grlt iin Kalman filtresi eitlii, izelge 3.1 deki gibidir (Wan and Nelson
2004). Bu aamada lm grlts sfr etkili seildiinde, sistemin duraanlnda
problem olumaktadr. Dolays ile ok kk pozitif bir deer seilir. Bu durum renkli
filtre eitliklerinde gsterilmitir.









70























3.2.3 Kalman filtrelerinde lineer olmayan durum-uzay modeli


Beyaz grltl aamadaki gibi, model lineer deilse, sinyalin istatistii pek uzun sre
gausiyan kalmamaktadr. Burada yeni bir zm gereklidir. EKF bunun iin yeni bir
yaklam kullanr. Renkli grlt iin durum-uzay modeli 3.12 ve 3.13 deki gibidir
(Wan and Nelson 2004),
Durum Uzay Modeline bal olarak,

| |
1
, 1
0 0
. .
0 0
.
k k k
n k k n k n
k
k n
k
v x A x B
v n A n B
x
y C C
n

( ( ( ( (
= +
( ( ( ( (

(
=
(



Balang deerleriyle bala,
0 0
0 0 0 0 0

[ ]

[( )( ) ]
T
E
P E


=
=

{1,..., } k deerleri iin kalman filtre zaman gncelletirmeleri,

1
1

k c k
T T
k c k c c c c
A
P A P A BV B

=
= +

Ve lm gncelletirmeleri,

1
( 0)

( )
( )
T T
k k c c k c
k k k k c k
k k c k
K P C C P C
K y C
P I K C P

= +
= +
=



izelge 3.1 Standart Kalman renkli grlt eitlikleri

71
1 ,
1
, 1
( , , ) .
( , ) 0
.
. 0
k c k n c c k
k k k
n k k n k n
F w w B v
v x F x w B
v n A n B

= +
( ( ( (
= +
( ( ( (

(3.12)

| |
.
k c k
k
k n
k
y C
x
y C C
n
=
(
=
(

(3.13)


Geniletilmi Kalman filtresinde grltnn lineer olmayan AR(p) serisinden
retildii kabul edilir. Sinyal algoritmalar iin benzer yaklam, beyaz grltde
olduu gibi burada da uygulanr.

( , )
|
k
k x x
F x w
A
w
=

(3.14)

Durum gei matrisi birletirilirse,

,
0
0
k
c k
n
A
A
A
(
(

(3.15)

deerini alr (Wan and Nelson 2004). Zaman gncelletirmeleri dnda eitlikler
ayndr. Zaman gncelletirmeleri tekrar tretilerek izelge 3.2 deki gibi verilmektedir
(Wan and Nelson 2004).








3.12 ve 3.13 deki durum uzay modeline bal olarak,

1
, 1 1 , 1

( , , )
k c k n
T T
k c k k c k c c c
F w w
P A P A BV B

=
= +


izelge 3.2 Geniletilmi Kalman lineer olmayan eitlii

72
3.3 kili Geniletilmi Kalman Filtresi Renkli Grltl Eitlikleri


kili geniletilmi Kalman filtresinin renkli grlt AR (p) modeli 3.16 daki gibi
verilmektedir,


( )
,
1
,
n
M
i
k n k i n k
i
n a n v

=
= +

(3.16)

Burada
( ) i
n
a bilinmeyen parametreleri,
, n k
v da
2
n
v
varyansna sahip beyaz gausiyan bir
sreci gsterir. rn
k k k
y x n = + ,
k
x ve
k
n nin toplamndan
k
y iki sinyalin durum-
uzay modeli gibi deitirilir (Wan and Nelson 2004).



1 ,
( , , ) ,
k c k n c c k
F w w B v

= + (3.17)

1
, 1
( , ) 0
,
. 0
k k k
n k k n k n
v x F x w B
v n A n B

( ( ( (
= +
( ( ( (

(3.18)

,
k c k
y C = (3.19)
| | ,
k
k n
k
x
y C C
n
(
=
(

(3.20)
Burada ,

( ) (1) 2
1 0 0 0
,
0 0
0 0 1 0
n
M
n n n
n
a a a
A
(
(
(
(
(

K

O M
| | 1 0 0 .
T
n n
C B = = K (3.21)

olarak gsterilir (Wan and Nelson 2004). Etkili lm grlts sfrdr ve sre
grlts
, c k
v beyaz ve kovaryans,
73
2
2
0
.
0
n
v
c
v
V

(
=
(
(

(3.22)

matrisini oluturur (Wan and Nelson 2004).
k
n , ikinci sinyal gibi grndnden, eit
zamanl olarak
k
x ile birlikte hesaplanr. Buradan da
1 1
|
N N
x w y
nn yerine
1 1 1
|
N N N
x n w y

maksimize edilirse;

1 1 1
1 1 1
1
|
|
N N N
N N N
N
w
y x n w
x n w y
y

= (3.23)

olur, ( w hakkndaki nceki bilginin yokluundan )
1 1 1
|
N N N
x n w y
olarak maksimize edilir.
Maliyet fonksiyonlar, bu yaklamdan yola klarak bir birleik ya da marjinal maliyet
gibi katagorize edilir ve trevleri beyaz grltl aama gibi olur. Renkli grlt iin
ikili geniletilmi Kalman filtre (DEKF) eitlikleri izelge 3.3 te verilmektedir (Wan
and Nelson 2004).


3.4 Birleik ( Joint ) Hesaplama Formu


lgili arlk maliyet fonksiyonu ve hata terimi, zlm yaklam iin izelge 3.4 te
verilmitir (Wan and Nelson 2004).









74

























3.5 Marjinal Hesaplama Maksimum Olaslk Maliyeti


lgili parametre maliyet fonksiyonu ve hata terimleri, izelge 3.4 ve 3.5 te
gsterilmektedir (Wan and Nelson 2004). Burada,

3.12 ve 3.13 deki durum-uzay modeline bal olarak balang deerleriyle balanrsa,

0
[ ] w E w = ,
0
0 0
[( )( ) ]
T
w
P E w w w w = ,
0 0

[ ] E = ,
0
0 0 0 0

[( )( ) ]
T
P E

= ,
{1,..., } k , deerleri iin zaman gncelletirme eitlikleri parametre filtresi iin
1

k k
w w

=
1
1
k k
r
w w k
P P R

= +
Sinyal filtresi iin ,
1

( , )
k k k
F w

= ,
1
1 1
k k
T v T
k k c c c
P A P A B R B

= +
lm gncelleme eitlikleri sinyal filtresi iin,

1
( )
k k
T T
k c c c
K P C C P C

= ,

( )
k k k k c k
K y C

= + ,
( )
k k
k
P I K C P

= ,

Parametre filtresi iin lm gncelletirme eitlikleri,

1
( ) [ ( ) ]
k k
w w T w w T e
k w k k w k
K P C C P C R

= + ,

w
k k k k
w w K e

= + ,
( )
k k
w w
w k k w
P I K C P

= ,

Burada ,

1
1
( , , )
|
k
k n
k
F w a
A

k k c k
e y C

= ,

|
k
w k k
k c
w w
e
C C
w w

=

=



k
e ve
w
k
C nn tanmlar arlk hesab iin kullanlan maliyet fonksiyonuna baldr.

izelge 3.3 kili Renkli grltl geniletilmi Kalman filtresi
75
( )
k k k k
y x n

+ ,
2
,
, 2 2
,
3 2
k
k
k k
l

dir. (3.24)

























3.4.1 Marjinal hesaplama formu tahmin hata maliyeti

Eer
2
k

, w dan bamsz kabul edilirse, tahmin hata maliyeti izelge 3.6daki gibi
olur (Wan and Nelson 2004).

2 2
1 1 2 2
1
( ) ( )
( , , )
n
k
k k t t t t
t
v v
x x n n
J x n w


=
(

+ +
(
(

, ya da
2 2
2 2
1

,
n
k
k k
k
t
v v
x n
J

=
| |
= + |
|
\

% %



1
2

n
v k
k
v k
x
e
n

(
(
(

%

%
,
1
1

n
T
v w k
w
k
T
v w k
x
C
n

( =
(

%
%



2
2
2
1
( )
( ) log(2 )
k
k
N
ml k k k
c
k
y x n
J w

=
(

= +
(
(

,
1/ 2
,
1
( )
k
k
k
k
l
e

(
(

,
1/ 2
, 2
2
2
2 3/ 2
( )
1
( )
2
1
( )
2 2( )
k
k
k
k
k T
w
w
k
T T k
w k w
l
C

(

(
(
=
(
( +
(




izelge 3.4 Birleik maliyet fonksiyonu renkli grlt, DEKF parametre filtresi
iin gzlem hata terimleri

izelge3.5 Maksimum olaslk maliyet fonksiyonu, DEKF parametre filtresi iin
gzlem hata terimleri
76










3.5 Birleik Kalman Filtresi Renkli Grltl Aama


Eer grlt renkli ise, model iin birleik maliyet fonksiyonu,

2 2
1 1 2
1
( ) ( )
( , , )
2
n
N
N N k k k k
k
v v
x x n n
J x n w


=
| |

= + |
|
\

(3.25)


olarak tanmlanr (Wan and Nelson 2004).
1 1 1
{ } { } { }
N N N
k k k
y x n = + yaps minimize
edildiinde, sinyal, grlt ve parametre eldeki verilerden, olasla bal olarak
hesaplanabilir. Bununla birlikte sral hesaplama ak hesab iin ,
k k
x n ve
k
w 3.26
daki gibi bulunur (Wan and Nelson 2004),


1
, , |
, ,
( , , ) arg max
k
k k
k k
k k k
x n w y
x n w
x n w = (3.26)

Bu hesaplama, maliyet fonksiyonuna bal olarak
1 1
( , , )
k k
J x n w ; verilerin k zamanna
kadar en uygundur. Beyaz grltl aamada durum-uzay modeli, sral eitliklerinin
geliimine olanak salar. Bu zamandaki birleik durum vektr,

2 2
1 1
( ) ( )
N N
pe
c k k k k
k k
J w y x n

= =
= =

,

k k k k
e y n x

,
w
k w k
C x

=


izelge 3.6 Renkli Grlt tahmin hata maliyet fonksiyonu, DEKF parametre
filtresi iin gzlem hata maliyeti

77
k
k
k k
k
k
x
n
w
w

(
(
(
=
(
(

(

(3.27)

olarak tanmlanr (Wan and Nelson 2004). Younluk
1
|
k
k
y
,
k
deerine bal olarak
maksimize edilir ve istenilen ,
k k
x n ve
k
w deerleri elde edilir. Bylece maliyet
fonksiyonunu
1 1
( , , )
k k
J x n w minimize eder.


3.5.1 Birleik lineer model


Lineer model eitlii yine ikinci blmde tanmlanm olan lineer durum-uzay modeline
bal olarak tanmlanr. lm grltlerinin AR(p) serisinden modellendii kabul
edilir.


k
nin hesab, geniletilmi Kalman filtresi ile birlikte birleik hesaplama iin durum
uzay modeli 3.28 deki gibi tanmlanr (Wan and Nelson 2004),

1 ,
, , 1
( ) ( , , )
. 0
0
k c k k n k k
k c c k c k
k k
F B v v u
B v A
w u I

= +
( ( (
= +
( ( (

(3.28)


| |
.
0...0 .
k k
k
k n
k
y C
y C C
w

=
=
(
(

(3.29)

78
nceki tanmland gibi ,
,
0
0
k
c k
n
A
A
A
(
(

dr (Wan and Nelson 2004). Beyaz
grltl aamaya bal olarak
1 1
.
k k
A x

arpm bi-lineer bir fonksiyon retir. Bundan
dolay durum eitlii lineer deildir ve EKF uygulanr.


3.5.2 Birleik geniletilmi Kalman filtresi renkli grltl aama


Birleik durum
k
ile ilgili olarak ( )
c k
F EKF deki lineerizasyonla, kullanlan tanm
3.30 daki gibi olur,

,
,

( )
| 0 0
0
k
T
k
c k
c
c k
x
A
F
A
I

=
( (
( (
=
(

(

(3.30)

Birleik grlt kovaryans,

2
, 2
,
0 0
0 0
0 0
n
T
v
c c k
c k n v
k
B B
B v
V Cov B
u
U

(
( (
=
( (

(

(3.31)


olarak verilir (Wan and Nelson 2004). Renkli grlt iin birleik geniletilmi kalman
filtresi (JEKF) eitlikleri izelge 3.7de verilmektedir (Wan and Nelson 2004).






79

















3.5.3 Lineer olmayan modelin renkli grlt aamas


Zaman serileri, lineer olmayan AR (p) modeline bal olarak retilirse, sadece bu
blmde deiiklik
1
( )
c k
F

iin tekrar tanmlanr.

1 1
1
1
( , )
( )
.
c k k
c k
k
F x w
F
I w

(
(

(3.32)


ve paralel olarak,

3.27 ve 3.28deki durum uzay modeline bal olarak balang deerleriyle balanrsa,

0 0
0 0 0 0 0

[ ]

[( )( ) ]
T
E
P E


=
=

{1,..., } k deerleri iin kalman filtre zaman gncelletirme eitlikleri

1
, 1 1 , 1 ,

( )
k c k
T
k c k k c k c k
F
P A P A V

=
= +

lm gncelletirme eitlikleri,

1
( 0)

( )
( )
T T
k k c c k c
k k k k c k
k k c k
K P C C P C
K y C
P I K C P

= +
= +
=


izelge 3.7 Birleik geniletilmi Kalman filtre eitlikleri

80

,
, ,
( , )
0
( )
0 | 0
0 0
0
0
k
T
k
k k
c k
c
n k c k
f x w
A H
A
F w
A A
I
I

=
( (

( ( (
( (
( ( (
( (
= =

(
( (

(
(


. (3.33)

Bu iki tanm lineer modelle birlikte geerlidir.




































81
3.6 Sonu


Bu blmde nceki blmlerden farkl olarak sinyallerin renkli grltl durumda
algoritmalar ve daha nce yaplm olan almalarndan bahsedilmitir. Beyaz
grltl aamada durum-uzay modelinin durum matrisine grlt katlmamt. Fakat
renkli grltl aamada renkli grltnn modellenerek durum-uzay modeline dahil
edilmesi gerekmitir (Gibson 1991). Bylece durum matrisinin boyutuna renkli
grltnn model derecesi ilave olarak boyutu bymtr. nk modellenme
esnasnda renkli grltnn de modeline ihtiya duyulmaktadr (Gibson 1991, Wan and
Nelson 2004).


Filtreleme esnasnda birleik modelde de ayn ilem yaplarak model durum matrisinin
boyutu grltnn model derecesi de katlarak artrlmtr. Hesaplamalar bu durum-
uzay modeli zerinden yaplmtr. Beyaz grltl sinyalin hesabnda olduu gibi
renkli grltl aamada da bi-lineer bir durum olutuu iin standart Kalman filtresi
kullanlamamtr, hesaplamalar EKF ve UKF zerinden yaplmtr (Wan and Nelson
2004).


Bu almada daha ncekilerden farkl olarak renkli grlt baka bir insan sesi olarak
seilmi, model iki ayr sesle birlikte modellenmitir. Teorik olarak renkli grltde
olduu gibi yalnzca durum matrisinde byme olmutur.












82
4. SNYALLERDE MODELLEME, SMULASYON ve TAHMN



nceki blmlerdeki eitlikler ve varsaymlara dayanlarak, bu blmde farkl
dinamiklere ve farkl model derecelerine sahip olan sinyallerin Kalman tabanl ve LMS
tabanl filtrelerle durum ve parametre tahminleri yaplmtr. Sinyallerde grlt; beyaz
grltler, SNR deerine bal beyaz grltler veya renkli grltler eklenerek
yaplmtr.


2
1
10
2
1
1
( )
10log ( )
1
{ ( ) ( )}
L
n
L
n
x n
L
SNR dB
x n x n
L
=
=

%
(4.1)

Burada x ve x% srasyla, temiz sinyal ve lm temsil etmektedir. L ise veri
uzunluudur.



lk almada lineer dinamiklere sahip AR( 3 ) zaman serisine bal olarak modellenen
sinyal, farkl filtrelerle beyaz grltl ortamda iyiletirilmeye allmtr. Kullanlan
sinyal ekil 4.1 de gsterilmektedir. Sinyalin model parametreleri YuleWalker
metoduyla hesaplanm, filtreleme esnasnda kullanlacak ilk deerleri p
1,2,3
=-0.7886 -
0.6506 0.4643 olarak belirlenmitir. Sinyaldeki durum iyiletirmesi bu parametrelere
bal olarak yaplmtr.

83




ekil 4.1 deki grltl sinyalin Kalman tabanl ve LMS tabanl filtrelerde vermi
olduu iyiletirme sonular aadaki grafiklerde gsterilmektedir.

ekil 4.1 nc Derece Lineer Sinyal
84




ekil 4.2de, lineer sinyalin L_N_LMS filtresiyle yaplan iyiletirilmesi
gsterilmektedir. Filtre sinyalin tahmininde, ini-klarn yksek olduu yerlerde
kestirim performansn drmekte, dz olduu yerlerde ykseltmektedir. Sinyalin ini-
klarnda yeterli performans yakalayamamtr. Sebebi ise filtre yeteri dzeyde
ortalama kare hatasn minimize edememitir. nk filtrenin alma mant itibariyle
daha fazla iterasyona ihtiya duymasndandr. Bunun yan sra, L_N_LMS filtresi LMS
tabanl filtrelerle karlatrldnda sinyallerin iyiletirilmesi en kk ortalama kare
hatas vermektedir (Larsen --). Kestirim doruluu, bu sinyal iin dier LMS
filtrelerinden (LMS, L_LMS (Leaky Least Mean Square), N_LMS
(Normalized_Least_Mean_Square)) daha uygundur.

ekil 4.2 Leaky_Normalized_LMS Filtresi Tahmin kts
85




ekil 4.3 standart Kalman filtresinin ayn sinyal zerinde vermi olduu tahmin
sonucunu gstermektedir. Grld zere Kalman filtresi L_N_LMS filtresine oranla
tahmin doruluu daha yksektir. Bu sinyalin tahmininde ortalama kare hatasn LMS
tabanl filtrelerden daha iyi minimize ederek istenilen kestirim sonucunu vermitir.
nk lineer sinyallerin tahmininde standart Kalman filtresi beyaz grltl ortamda,
gausiyan sre ve gzlem grltleriyle istenilen performans salayabilmektedir. Hata
kare ortalamasnn indirgenmesinde LMS filtrelerinden daha uygun sonular
vermektedir. nk LMS filtrelerinde olduu gibi yksek dzeyde tekrara ihtiya
duymamaktadr. Durum ve kovaryans gncellemesi, Kalman filtresinin almasnda
lineer sinyaller iin istenilen tahmin sonularn salamaktadr. 30 kez altrlan
filtreler iin monte-carlo simulasyonunda da Kalman filtresinin L_N_LMS filtresinden
daha uygun bir kestirici olduu gzlenmektedir. Simulasyon erisi ekil 4.7 de
gsterilmitir.

ekil 4.3 nc Derece Lineer Sinyal Standart Kalman Filtre kts
86
Ayn sinyal unscented Kalman filtresiyle tahmin edildiinde ekil 4.4 te grld
gibi bir sonu ortaya kmaktadr.





Bu filtre, genelde lineer olmayan ortamdaki sinyallerde ve sistemlerde uygun sonular
salamaktadr (Wan and Nelson 2004). ekil 4.4 incelendiinde filtre zellikle sinyalin
ini-k yapt blgelerde kestirim kaybna uramamtr. Bunun yannda lineer
sinyallerde de vermi olduu sonular yine LMS tabanl filtrelerle karlatrldnda
daha iyi olduu gzlenmektedir. nk standart Kalman filtresinde olduu gibi
unscented Kalman filtresi de gausiyan sre ve gzlem grltsyle istenilen tahmin
sonucunu salayabilmektedir. LMS tabanl filtreler ne kadar ok tekrar yaplrsa lineer
sinyallerde o kadar baarl olabilmektedir. Sinyal tahmininde bu durumunda
performansa etkisi vardr.

ekil 4.4 Unscented Kalman Filtre Tahmin Sonucu
87
Dier taraftan metodun eitliklerinin karmakl gz nnde bulundurulduunda
standart Kalman filtresine oranla daha zayf kalmakta, filtreleme esnasndaki alma
hz ise standart Kalman filtresi ve LMS tabanl filtrelere oranla daha yava olmaktadr.
Yine de unscented Kalman filtresi, LMS tabanl filtrelere lineer sinyaller iin alternatif
olabilmitir.





ekil 4.5 Birleik geniletilmi Kalman filtresinin (JEKF) ayn sinyal zerinde vermi
olduu iyiletirme sonularn gstermektedir. JEKF kestirim esnasnda zellikle
sinyalin ini-k yapt blgelerde byk kayplara uramtr. Filtre tahmin
doruluunu byk oranda karmtr. Hata karesi ortalamasna bakldnda; standart
unscented ve L_N_LMS filtresinden daha yksek hatal sonu verdii, bu sinyal iin
uygun bir kestirici olmad gzlenmektedir. Bunun sebebi ikinci nitede bahsedildii
zere durum matrisinde parametrelerin tekrar kestirilme gereksiniminden
kaynaklanmaktadr. Bu durum bi-lineer bir hesaplama gerektirmitir. Bu da sinyalin,
ekil 4.5 Birleik EKF Filtre Tahmin sonucu
88
lineer olarak kullanlmasnn nne gemi ve lineer olmayan bir tahmin gereklilii
dourmutur. Dolaysyla lineer sinyalde kestiricinin tahmin doruluu lineer olmayan
bir hesaplama gerekliliinden filtrenin performansnda azalma salamtr. Bylece
kestiricinin bu sinyal iin uygun bir kestirici olmad gzlenmitir.



Dier bir tahmin edici ise JUKF ( Birleik Unscented Kalman Filtresi ) dir. Bu Filtre
daha ok geniletilmi Kalman filtresinin lineer olmayan ortamlarda tahmin esnasnda
filtrenin raksama problemine kar tretilmi bir versiyonu olduu iin, lineer olmayan
sinyallerde daha uygun sonular salayabilmektedir (Wan and Nelson 2004). Tahmin
doruluuna bakldnda standart Kalman filtresine lineer ortamlarda alternatif olmasa
da LMS tabanl filtrelerden daha baarl bir filtredir.




Bu filtrede de ayn bi-lineer durum sz konusu olmasna ramen kestirim doruluu
ekil 4.6 Birleik Unscented Kalman Filtresi Tahmini sonucu
89
JEKF den daha iyi kmtr. nk unscented Kalman filtresi dnm esnasnda
dorusallatrmadaki trevle uramamtr. Belirli seilen sigma noktalar zerinden
dnm saland iin JEKF kadar bir kayp sz konusu olmamtr. Ayn zamanda
filtrede dorusallatrmaya bal olarak ortalama ve kovaryans sapmas da sz konusu
deildir.


Gzlemlere ve teorik bilgilere dayanlarak, standart Kalman filtresi, dier sinyallere
oranla daha uygun sonular vermitir. Monte-carlo simulasyon sonucuna bakldnda
balangtan tekarn sonuna kadar standart Kalman filtresi hata oran belirli aralklarda
seyretmektedir. Filtrenin performans, sinyal iin istenilen dzeydedir. Standart Kalman
filtresinin yan sra JUKF ve UKF filtresinin tahmin doruluu da dier filtrelerden
uygun kmtr. Fakat bu iki filtrenin dezavantajlar, filtrelerin alma zaman ve
algoritma karmakldr. Genel itibariyle standart Kalman filtresi kullanlan sinyal iin
en uygun sonucu vermitir. Filtrelerin hata kareleri ortalamalar izelge 4.1 de
verilmitir.



ekil 4.7 Lineer Sinyalin Hata Kareleri Ortalama Sonular
90



HATA FLTRE DEGER
MSE LNLMS 0.033
MSE KF 0.016
MSE UKF 0.017
MSE JEKF 0.051
MSE JUKF 0.018



4.1 Lineer Sinyallerde kinci Dereceden Sinyal Modellenmesi ve Filtrelerin
Karlatrlmas


Bir nceki sinyalde nc derece olarak AR(3) zaman serisiyle modellenen bir
sinyalin Kalman tabanl ve L-N-LMS filtresiyle iyiletirilme sonular
karlatrlmtr. Bu blmde kullanlan sinyal AR(2) zaman serisiyle modellenmi,
Kalman tabanl ve LMS tabanl filtrelerle tahmin edilerek beyaz grltl ortamda
iyiletirilmeleri karlatrlmtr. Oluturulan ikinci derece sinyalin filtreler iin
balang parametreleri Yule-Walker metoduyla p
1,2
= -0.6915 -0.2127 olarak
belirlenmi ve hesaplamalar bu parametreler zerinden yaplmtr. Grltlendirilmi
sinyalin, filtrelerle iyiletirilmesi srasnda elde edilen veriler ekil 4.8 de
gsterilmektedir.

izelge 4.1 nc Derece Lineer Sinyal Hata Kareleri Ortalamalar
91

5 10 15 20 25 30 35 40 45 50
-3
-2
-1
0
1
2
3
4
5
d
e
g
e
r
l
e
r
Ikinci Mertebeden Lineer Sinyal Filtre Tahmin Sonulari
zaman
temiz
grltl
kf
ukf
lnlms
jekf
jukf




Grafik incelendiinde filtre tahminlerinin en uygun olan yine bir nceki lineer sinyalde
olduu gibi standart Kalman filtresidir. Hata karesi ortalamasn minimize etmeyi en iyi
deerlere baaran filtredir. zellikle sinyalin ini-klarnn yksek olduu blgelerde
filtre performans dier filtrelere oranla daha uygun sonular vermitir. Bunun yan sra
JUKF filtresinin ilk filtrelemede tahmin doruluu dk kmasna ramen, daha
sonraki tekrarlamalarda bu hata oran UKF ye yaklamaktadr. ekil 4.9 da bu durum
daha iyi olarak gzlenmektedir. Bunun yan sra birleik tabanl filtreler bi-lineer bir
zme yol atklarndan yine standart ve tekli unscented Kalman filtresi tahmin
sonularn yakalayamamtr. L-N-LMS filtresinin gzlem sonularna ve hata kareleri
ortalamalarna bakldnda yine Kalman filtrelerinden daha zayf sonu vermektedir.
zellikle sinyalin tepe ve vadilerdeki dn esnasnda filtrelerin hata oranlarnda
yksek derecede bir art gzlenmekte, 17-27 inci veriler arasnda bu net olarak
gzlenmektedir.
ekil 4.8 kinci Derece Lineer Sinyal Tahmin Sonular
92






Bir nceki lineer sinyalde olduu gibi bu sinyal iinde JEKF dorusallatrmadaki trev
alma esnasnda byk kayplara urayarak filtrenin performansn drmtr.
Dolaysyla iyi tahmin sonular salayamamtr. L_N_LMS filtresinin tahmin
sonular JUKF ile yaklak olarak ayn deerlerde seyretmektedir. Bu filtrenin
performans bir nceki sinyale gre biraz daha yksek kmtr. Sebebi ise sinyalin ana
yapsndan kaynaklanmaktadr. Bu filtrelerin ortalama kare hatas sonular izelge
4.2de grlmektedir.





ekil 4.9 kinci Derece Lineer Sinyalin Hata Sonular
93















4.2 Filtrelerle Ses Sinyali yiletirme


Lineer ses sinyallerinin iyiletirilmesiyle ilgili olarak daha nceki yaplan almalarda
tekli Kalman filtreleri kullanlmtr. Bu ses sinyalleri hem beyaz grltl ortamlarda
hem de renkli grltl ortamda kullanlmtr. nceki almalardan farkl olarak, bu
almada hem beyaz hem de renkli grltl sinyallerin iyiletirilmesinde ikili ve
birleik tabanl Kalman filtreleri kullanlmtr.


LPC kodlama teknii ile retilen ses sinyali, model derece belirleme kriterlerine (SBC,
FPE, AIC) bal olarak, AR(p) zaman serisiyle modellenmitir. Model derecesi 8 olarak
belirlenen sinyal 5 dB SNR oranyla grltlendirilmitir. Grltl sinyalin model
parametreleri filtreleme ilemi iin Yule-Walker metoduyla p
1,2,3,8
= -0.9577 -0.2267
0.4811 -0.1052 -0.2965 0.2397 0.0488 -0.0324 olarak hesaplanmtr.
yiletirilen sinyalin L_N_LMS filtresiyle kestirim sonucu ekil 4.10 da grlmektedir.

HATA FLTRE DEGER
MSE KF 0.51
MSE LNLMS 0.78
MSE UKF 0.74
MSE JEKF 0.88
MSE JUKF 0.79
izelge 4.2 kinci Derece Lineer Sinyal Tahmin Sonular
94




L_N_LMS filtresinin kestirim performans yine nceki sinyallerde olduu gibi ini-
klarda biraz dk km, sinyalin dz olduu blgelerde ise daha iyi kmtr.
Lineer ses sinyali iin L_N_LMS filtresinin kestirim doruluu, dier LMS filtrelerine
oranla daha yksek kmtr. Filtre, sinyalin verilerinin ini ve klarnda istenilen
performans yakalayamamtr. Fakat tekrarlama artrldnda iyiletirmede dzelme
olmaktadr.

Yine ayn sinyalin iyiletirilmesi unscented Kalman filtresiyle yapldnda ekil 4.11
deki gibi bir sonu vermektedir.





ekil 4.10 Lineer Ses Sinyali yiletirme L_N_LMS Filtresi Tahmin sonular
95





ekil 4.11 sonucu hata kareleri ortalamas L_N_LMS filtre sonularna oranla biraz
daha iyidir. Unscented Kalman filtresi sinyalin ini-k yapt blgelerde L_N_LMS
filtresine oranla daha uygun tahmin sonular salamtr. Standart Kalman filtresi hari
bu ses sinyali iin en iyi performans bu filtreyle elde edilmitir. Kalman tabanl filtreler
ses sinyallerinde istenilen performans salayabilmi, ortalama hata karesini yine LMS
tabanl filtrelerden daha uygun deerlerle sinyalde iyiletirmeyi baarmtr.


Yine nceki lineer sinyallerin tahmininde olduu gibi UKF nin dezavantaj, alma
zaman ve algoritma karmakldr. ekil 4.12 de filtrelerin hata kareleri
ortalamalarnn 25 kez altrlan sistemin monte-carlo simulasyon erileri
gsterilmektedir.

ekil 4.11 Lineer Ses Sinyali yiletirme UKF Tahmin Sonucu
96


















SNR(dB) L_N_LMS KF UKF
1 0. 36 0.31 0.34
3 0.34 0.30 0.32
5 0.30 0.29 0.31
10 0.27 0.25 0.26
15 0.26 0.22 0.23
20 0.23 0.20 0.21
izelge 4.3 Lineer Ses Sinyali Tahmini Hata Kareleri Ortalamas
ekil 4.12 Lineer Ses Sinyali Hata Kareleri Ortalamas Sonular
97
4.3 Lineer Olmayan Sinyallerde Durum Hesaplanmas


Buraya kadar farkl SNR ve zelliklere sahip sinyaller lineer dinamiklere bal olarak
modellenmi ve filtrelerle grltl ortamlarda iyiletirmeler yaplmtr. Bu blmde
lineer olmayan iki adet d kaynakl girie sahip sinyal, AR(1) zaman serisine bal
olarak retilmitir. Modellenen sinyal gamma grltsyle grltlendirilmitir (
Merwe 1997).


Sinyal Kalman tabanl ve LMS tabanl filtrelerle iyiletirildiinde, farkl performanslar
elde edilmitir. ekil 4.13te EKF filtresinin tahmin grafii gsterilmitir.




ekil 4.13 EKF Filtresi Lineer olmayan Sinyal Tahmin Sonucu
98
ekil 4.13 ten grld gibi filtre LMS tabanl filtrelere oranla daha uygun kestirim
deerleri vermitir. ekil 4.14 te dier Kalman tabanl filtrelerle birlikte verilen
kestirim sonular gsterilmitir.


5 10 15 20 25 30
0
5
10
15
20
25
30
zaman
Lineer Olmayan Ikinci Mertebeden Sinyalin Filtrelerle Tahmin Sonulari
d
e
g
e
r
l
e
r
clean
noisy
lnlms
ekf
ukf
jekf
jukf
temiz
grltl
lnlms
ekf
ukf
jekf
jukf

18 19 20 21 22 23 24 25 26 27
3
4
5
6
7
8
9
10
11
12
13
zaman
Lineer Olmayan Ikinci Mertebeden Sinyalin Filtrelerle Tahmin Sonulari
d
e
g
e
r
l
e
r
clean
noisy
lnlms
ekf
ukf
jekf
jukf



ekil 4.14 Lineer Olmayan Sinyal Filtre Tahmin Grafii
99
ekil 4.14, L_N_LMS filtresi ve dier Kalman tabanl filtrelerin zamana bal olarak
10 kez tekrarl iyiletirilmesi sonucu elde edilmitir. Buna bal olarak hata kareleri
ortalamas izelge 4.4 te verilmitir.


ekil 4.14 te unscented dnml olan filtreleme yaklam, dier filtrelere oranla
daha dk hata karesi ortalamas vermitir. Ayn zamanda unscented dnmn
ortalama ve kovaryans hesaplanmasnda da tahmin doruluu ile baarl bir filtre
olduu gzlenmitir. nk unscented tabanl Kalman filtreleri, dnm; seilen
sigma noktalaryla dorusallatrmaya gerek duyulmadan yapmtr. Buradaki
dnmde filtre kayb dier filtrelere oranla daha az olmu ve bylece daha baarl
kestirim sonular vermitir. Ayn zamanda sigma noktalarnn seimi ortalama ve
kovaryans doruluunu baz durumlarda artrmaktadr (Wan and Nelson 2004). Fakat,
bu filtrelerin olumsuz yanlarndan birisi lineer sinyallerde olduu gibi alma hzdr.
Filtre eitliklerindeki detay fazlalndan dolay filtre alma zaman dier filtrelere
oranla daha yava almaktadr. Ayn zamanda tahmin sonular itibariyle daha uygun
kestirim sonular salamaktadr.


ekil 4.14ten ve hata kareleri ortalamasna bakarak birleik tabanl filtrelerin verdii
kestirim sonular tekli filtrelerle karlatrldnda daha uygun kt grlmtr.
zellikle sinyalin ini ve kn yksek olduu 18-27 nci zaman aralnda birleik
filtreler, istenilen dzeyde kestirim salamtr. Bunun nedeni, sinyal lineer
olmadndan tahminler lineer olmayan ortamlarda yaplmtr. Birleik filtreler, yaps
itibariyle bi-lineer bir durum oluturduklarndan, lmlerinde lineer olmayan bir
durum gerekmektedir. Dolays ile filtrelerin performanslar da lineer olmayan bir
duruma gre olmutur. Bunun yan sra birleik filtreler ayn zamanda parametrelerde de
yar iyiletirme yapmtr. nk filtre hem parametreleri hem de durumu ayn filtreyle
tahmin etmitir. L_N_LMS filtresinde ise kestirim performans ok dk kmtr.
zellikle sinyalin ini knn yksek olduu 18-27 zaman aralnda zayf bir kestirim
sonucu vermitir. nk lineer olmayan ortamlarda LMS tabanl filtreler dnm
salayamadklar iin sinyalin gerek deerini tahmin edememi, etse bile performans
100
Kalman tabanl filtrelerden dk kmtr. Karlatrmalar sonucunda, en uygun filtre
bu sinyal iin birleik tabanl filtreler olarak belirlenmitir. Hata kareleri ortalamalar
izelge 4.4 te verilmitir.





MSE L_N_LMS 1.311
MSE EKF 0.130
MSE UKF 0.052
MSE JEKF 0.113
MSE JUKF 0.019




4.4 Sinyallerde kili Hesaplama


kinci nitede ikili hesaplama ve eitlikleri, detayl olarak gsterilmitir. Bu blmde
ikili hesaplamann deneysel almalar zerine bir alma yaplmtr. kili
hesaplamann avantaj, durum iyiletirmesi yaplrken ayn zamanda parametrelerin de
iyiletirilmesidir.


kili hesaplama eitlikleri nda LPC kodlama tekniiyle retilen ses sinyalinin
iyiletirme almalar, standart ikili Kalman filtresiyle (DKF) ekil 4.15te
gsterilmitir.

izelge 4.4 Lineer olmayan Sinyalde Filtrelerin Hata Kareleri Ortalamas
101




Sinyal tahmin sonularna bakldnda ikili hesaplama lineer dinamiklere sahip
sinyallerde blm 2 deki teorik bilgisiyle akmam uygun sonular vermitir. kili
hesaplama grltl sinyallerin iyiletirmesinde kestirim doruluuyla istenilen
dzeyde performans gstermitir. Sinyal iyiletirme sonular incelendiinde, filtre
sinyal verilerinin dz olduu blgelerde ( 45-55 zaman aras ) istenildii gibi sinyali
yakalayabilmi, ini ve kn yksek olduu blgelerde de yine uygun kestirim sonucu
salayabilmitir. nk DKF nin performansnn iyi olmasnn sebebi; sinyalin hem
durumunda hem de parametrelerinde ayn anda iyiletirme yapyor olmasdr. Standart
Kalman filtreleri zaten lineer durumlar iin uygun performans vermekteydi (Kalman
1972). Birde ayn anda parametrelerde iyiletirildiinden performans artmtr. Tekli
filtrelerde ise ya sadece durum, ya da parametrelerde iyiletirme yaplabilmektedir.
Bunun yan sra birleik filtrelerde yine bi-lineer bir durum sz konusu olduundan
lineer sinyallerde performans dmesi gzlenmektedir.

ekil 4.15 Lineer Ses Sinyali DKF Tahmin Sonucu
102

DKF nin parametre hesaplanmasnda dier filtrelerle karlatrldnda uygun
zmler rettii gzlenmitir. Ayn ses sinyali iin parametre tahmini sonular ekil
4.16 da gsterilmitir.





Parametre tahmin edilmesinde DKF, dier Kalman tabanl filtrelere oranla daha iyi
dzeyde iyiletirme yapabilmitir. Yine parametreler, iyiletirme yaplan sinyal
zerinden tahmin edildiinden; tahmin doruluu tam grltl sinyale oranla yar
grltl bir sinyalden iyiletirilme yaplm gibi dnlebilir.


Lineer sinyallerde DKF nin renme erisi istenilen sonuca daha abuk gidebilmi ve
hata karesini minimize edebilmitir. Birleik filtreler ve ikili filtreler lineer ses
ekil 4.16 Lineer Ses Sinyali DKF Parametre Tahmini Sonucu
103
sinyallerinde karlatrldnda performans ve tahmin doruluu asndan ekil 4.17
ve 4.18 deki gibi bir durum kmtr.

50 100 150 200 250 300 350 400 450
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
zaman
Ses Sinyali Iyilestirme Grafigi Filtre Karsilastirma Sonuclari
d
e
g
e
r
l
e
r
grltl
temiz
dkf
dukf
jekf
jukf





Lineer ses sinyali iyiletirilmesi iin ekil 4.18 deki gibi DKF nin, dier filtrelere
oranla, zellikle sinyalin dn yapt noktalarda 380-410 ve 450-480 zamanlar
arasnda daha uygun kestirim sonular verdii gzlenmitir. Birleik tabanl filtreler,
sinyalin iyiletirilmesinde istenilen performans yakalayamamtr. Ayn dier lineer
sinyallerde olduu gibi modelindeki bi-lineer durumdan kaynakl olarak sinyal
kestiriminde lineer olmayan bir hesaplama salamtr. Bu durumda kestirim
doruluunda performans azalmasna yol amtr.
ekil 4.17 Lineer Ses Sinyali DKF, DUKF, JEKF ve JUKF Tahmin Sonular
104
360 380 400 420 440 460 480
0.15
0.2
0.25
0.3
0.35
zaman
Ses Sinyali Iyilestirme Grafigi Filtre Karsilastirma Sonuclari
d
e
g
e
r
l
e
r
grltl
temiz
dkf
dukf
jekf
jukf




kili filtrelerle parametre tahmini, birleik filtrelerden daha baarl olmu; DKF lineer
sinyallerde birleik tabanl filtrelerden daha uygun sonular vermitir. Ayn zamanda
tahmindeki hata ortalamas grld gibi biraz daha dk kmtr. Hesaplamalara
ve sinyal iyiletirmelerine bal olarak farkl SNR oranlarnda filtrelerin hata kareleri
ortalamas izelge 4.5 te verilmitir.













ekil 4.18 Lineer Ses Sinyali DKF, DUKF, JEKF ve JUKF Tahmin Sonular
Bytlm Hali
105




SNR(dB) DKF DUKF JEKF JUKF
1 0.364 0.357 0.432 0.406
3 0.326 0.328 0.346 0.345
5 0.217 0.222 0.234 0.233
10 0.085 0.097 0.096 0.101
15 0.022 0.022 0.034 0.030
20 0.008 0.008 0.009 0.011



Ayn sinyal zerinden ikili filtreler tekli filtrelerle karlatrldnda; izelge 4.6 daki
gibi bir sonu kmtr.




SNR(DB) KF UKF DUKF DKF
0 0,049 0,044 0,040 0,037
3 0,034 0,033 0,031 0,032
6 0,023 0,021 0,021 0,018
10 0,012 0,013 0,012 0,012
15 0,007 0,007 0,007 0,006
25 0,002 0,002 0,002 0,001



izelge 4.5 kili ve Birleik Filtreler Hata Kareleri Ortalamalar
izelge 4.6 kili ve Tekli Filtreler Hata Kareleri Ortalamalar
106
ekil 4.19 da Kalman filtrelerinin 20 kez altrlan sistemde hata karelerini minimize
etme yetenekleri, renme grafikleri gsterilmektedir. renme erilerine bakarak,
filtrelerin uzun verili sinyallerde hata minimize etme performanslar karlatrlmtr.



0 2 4 6 8 10 12 14 16 18 20
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
Kalman Filtreleri Ses Sinyali Iyilestime Hatalari
d
e
g
e
r
l
e
r
Iterasyon
DKF
DUKF
JUKF
UKF
KF





Gzlemlere dayanarak ve hata kareleri ortalamasna bakarak, ikili tabanl filtrelerin
uygun sonular verdii gzlenmitir. DKF nin zellikle 7. tekrardan sonra hata orann
minimize etmeyi baard gzlenmitir. Dier filtrelerden DUKF de yine DKF den
sonra en uygun hata karesi ortalamas sonucunu verdii gzlenmitir.








ekil 4.19 kili, Tekli ve Birleik Kalman Filtreleri renme Erileri
107

4.5 Renkli Grlt ile Grltlendirilmi Lineer Sinyallerin kili Filtrelerle
yiletirilmesi



Gnlk almalar esnasnda bir yerde konuulurken telefon, arabann ierisi veya farkl
bir alanda, iletilen sinyallerde veya verilerde baz durumlarda oluan grltler, renkli
olabilmektedir. Bunlarla ilgili olarak, bugne kadar bir ok almalar yaplmtr.
Kalman filtresinde renkli grltl ses sinyallerinin iyiletirilmesi ile ilgili, deiik
almalar yaplmtr. Bunlar genelde tekli adaptif Kalman veya geniletilmi Kalman
filtresiyle olmu, ancak dnemine bal olarak yaplan iyiletirmeler sonu itibariyle
yeterli kabul edilmitir.


Bu almada farkl olarak grltl ses sinyallerinin iyiletirilmesine rnek olmas ve
alternatif bir zm olmas amacyla kili filtre almas yaplmtr. Kullanlan ses
sinyali LPC kodlama teknii ile 10000 Hz frekansna sahip olarak kodlanm ve
deneylerde kullanlmtr. Ayn zamanda eklenen renkli grlt, ses sinyali olmakla
birlikte model derecesi baka bir AR(p) zaman serisine bal olarak modellenerek
kullanlmtr.


nceki blmde anlatlan eitlikler temel alnarak model oluturulmutur. Oluturulan
modelle lineer dinamiklere sahip olan sinyalin iyiletirilmesi iin KF, UKF, DKF ve
DUKF filtreleri arasnda performans karlatrlmas yaplmtr.


Kullanlan sinyal renkli grltl ortamda bir AR(7) zaman serisiyle modellendiinde
model parametreleri Yule-Walker metoduyla filtreleme esnasnda balang deeri
olarak p
1,2,,7
= -1.2525 0.8127 -0.4635 0.3412 -0.0968 0.2171 -0.0108
hesaplanmtr. Modele bal olarak drdnc dereceden bir baka ses sinyali grlt
kabul edilmi ve DKF ile iyiletirilme sonucu ekil 4.20 deki gibi olmutur.

108
50 100 150 200 250 300 350 400 450
-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03
zaman
Renkli Grltl Ses Sinyali Iyilestirme DKF Tahmin Grafigi
d
e
g
e
r
l
e
r
Grltl
Temiz
0 gecikmeli tahmin
full gecikmeli tahmin



15 20 25 30 35 40 45 50 55 60
-2
0
2
4
6
8
x 10
-3
zaman
Renkli Grltl Ses Sinyali Iyilestirme DKF Tahmin Grafigi
d
e
g
e
r
l
e
r
Grltl
Temiz
0 gecikmeli tahmin
full gecikmeli tahmin

ekil 8.21 DKF Lineer Renkli Grltl Sinyal yiletirme Grafii
ekil 8.20 DKF Lineer Renkli Grltl Sinyal yiletirme Grafii
109





Ayn sinyalin iyiletirilmesiyle ilgili olarak DUKF nin iyiletirme grafii ekil 4.23 te
gsterilmektedir.
50 100 150 200 250 300 350 400 450
-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03
zaman
Renkli Grltl Ortamda Lineer Ses Sinyali Iyilestirme Tahmin Grafigi
d
e
g
e
r
l
e
r
grltl
temiz
0 gecikmeli
full gecikmeli



ekil 4.22 DKF Lineer Renkli Grltl Sinyal yiletirme Grafii
Tahmin Edilen Parametreleri
ekil 4.23 DUKF Lineer Renkli Grltl Sinyal yiletirme Grafii
110

10 20 30 40 50 60 70
-8
-6
-4
-2
0
2
4
6
8
x 10
-3
zaman
Renkli Grltl Ortamda Lineer Ses Sinyali Iyilestirme Tahmin Grafigi
d
e
g
e
r
l
e
r
grltl
temiz
0 gecikmeli
full gecikmeli









Renkli grltl ortamda iyiletirilen ses sinyalinin hata kareleri ortalamas izelge 4.7
de verilmitir.
ekil 4.25 DUKF Lineer Renkli Grltl Sinyal yiletirme Grafii
Tahmin Edilen Parametreleri
ekil 4.24 DUKF Lineer Renkli Grltl Sinyal yiletirme Grafii
111







kili Kalman filtreleri renkli grltl ortamdaki sinyallerin iyiletirilmesinde beyaz
grltl ortamda olduu kadar uygun sonular salayamamtr. Fakat, dier Kalman
tabanl filtrelere oranla kestirim performanslar daha uygun kmtr. nk filtreler
alma mant itibariyle hem parametre hem de durum iyiletirmesi yaptklarndan
kestirim doruluu ve hata kareleri ortalamas daha uygundur. Filtreler yine ayr olarak
deerlendirildiklerinde, iyiletirilme performanslarnn daha uygun olduu
grlmektedir. kili filtreler hata kareleri ortalamas indirgenmesinde de dier
filtrelerden daha uygun sonular vermitir.
















KF UKF DUKF DKF
0,042 0,044 0,040 0,037
izelge 4.7 Kalman tabanl Filtreler Renkli Grltl Ortamda
Hata Kareleri Ortalamas
112
4.6 Sonu


almann bu blmnde farkl zelliklere sahip sinyallerin, daha nceki bilgiler
nda Kalman tabanl ve LMS tabanl filtrelerle kestirimleri ve performanslar
karlatrlmtr.


lk almada, nc mertebenden lineer bir sinyalin 5dB SNR oranyla
grltlendirilip iyiletirilmesi zerinde durulmu, kullanlan filtrelerden en uygun
kestirim sonucu veren filtrenin KF olduu belirlenmitir. nk hata kare ortalamasnn
indirgenmesinde en baarl filtre KF kmtr. Sinyal lineer olduundan, her hangi bir
dnme ihtiya duyulmadndan KF istenilen performans gsterebilmitir. Ayn
zamanda unscented Kalman filtresinin de lineer olmayan sinyallerde olduu gibi lineer
sinyallerde iyi olduu belirlenmitir.

kinci almada, ikinci mertebeden retilen sinyal, beyaz grltyle grltlendirilmi
ve ayn filtrelerle karlatrlmtr. Bu lineer sinyal iin L_N_LMS filtresinin sonular
da KF filtresinden sonra hata kareleri ortalamasna bal olarak en uygun kestirim
sonucunu salad belirlenmitir. KF yine dier lineer sinyalde olduu gibi ayn
kestirim doruluunu salam ve en uygun performans vermitir. nk filtre yaps
itibariyle durum ve kovaryans gncelletirmesini sinyal lineer olduundan, her hangi bir
dnme ihtiya duyulmadndan direk yakalayabilmitir. Bylece performans dier
filtreler oranla daha uygun kmtr.


nc almada, lineer olmayan iki harici girie sahip olan bir sinyalin gama
grltsyle grltlendirilmi durumunda yaplan iyiletirmeler zerinde durulmutur.
Grlmtr ki tekli kullanlan sinyallere oranla birleik filtreler lineer olmayan
sinyallerde hata kare ortalamas, filtre ortalamas ve kovaryansna bakldnda en
uygun sonu verdii gzlenmitir. nk birleik filtreler ayn filtre iersinde
parametrelerde de iyiletirme yapabilmektedir. alma esnasnda bi-lineer bir model
113
retseler de sinyal lineer olmad iin, kestirim lineer olmayan sinyale gre
yaplmaktadr. Dolays ile kestirim performans dmemitir.


Lineer ses sinyallerinin iyiletirilmesinde daha nceki almalara paralel sonular elde
edilmi, DKF sinin en uygun kestirim sonular verdii gzlenmitir. Ayrca yaplan
renkli grltl ses sinyalinin iyiletirilmesinde, ikili filtrelerin performanslarnn
birleik ve tekli filtrelere oranlara daha uygun sonular verdii gzlenmitir.


Bunlarn yan sra iki ayr ses sinyalinin, birisinin grlt olduu varsaymyla dier ses
sinyalinde iyiletirmeler yaplmtr. Bu almada ikili Kalman filtrelerinden DKF nin
en uygun kestirim sonucu verdii gzlenmitir.



















114
5. TARTIMA ve SONU


almalarda farkl dinamiklere, modellere, model derecelerine sahip olan sinyaller
zerinden filtrelerin vermi olduu performanslar zerinde durulmutur. Bu almalar
esnasnda her bir filtrenin farkl ortamlarda filtrelerin karmakl ve dier zellikleri
de gz nnde bulundurulmu, tahmin sonular ve hata kareleri ortalamasna bal
olarak kovaryanslar, ortalamalar ve renme erileri zerinde yaplan almalarla
farkl sonular elde edilmitir. Grlmektedir ki; lineer dinamiklere sahip olunan
sinyallerde, standart Kalman filtresine baz durumlarda bir alternatifte unscented tabanl
filtreler olmaktadr. Lineer olmayan sinyaller iin her ne kadar geniletilmi tabanl
filtrelerin hata kareleri ve gzlem sonular ou almalarda unscented Kalman
filtresine yakn olsa da, filtredeki ortalama ve kovaryans sapmasndan dolay baz
durumlarda filtrede raksama problemi ortaya kmaktadr. Unscented Kalman filtresi de
burada sigma noktalarnn rasgele deiken seimlerinden hareketle bu sapma bir nebze
azaltlm olup ( bu konu ile ilgili unscented tabanl farkl filtreler gelitirilmitir,
almalarda bu filtrelere yer verilmemitir ) unscented tabanl filtreler geniletilmi
tabanl filtrelere alternatif olarak uygun sonular salayabilmektedir.


Bunlarn yan sra, lineer olmayan sistemlerde yine unscented tabanl filtreler uygun
sonular vermekte, sinyalin parametreleri ve modelinin bilinmedii durumlarda
zellikle bu filtrelerin birleik geniletilmi ve unscented tabanl filtreleri de olmak
zere tekli kullanlan filtrelerden daha uygun zmler salayabilmektedir. Birleik
hesaplamann bir avantaj da sinyalde ayn zamanda parametreleri de ayn model
ierisinde ekstradan bir filtreye ihtiya duymadan tahmin edebiliyor olmasdr. Fakat
birleik hesaplama lineer sinyallerde model ve parametre ikisi birden durum matrisi
ierisinde tahmin edildiinden, sistemin durum modeli lineer olmayan bir sisteme
dnerek bi-lineer zm retmektedir. Lineer olmayan sinyallerde, bu bi-lineer
durum sinyal hesaplanmas iin herhangi bir problem karmamakta ve tek bir filtreyle
sinyalin ayn anda parametreleri de tahmin edilerek iyiletirme yaplabilmektedir. Bi-
lineer durum lineer sinyallerinde, filtre kestiriminde dengesizlie yol aabilmekte, bu da
115
sinyali duraanln etkileyebilmektedir. te yandan lineer olmayan sistemlerde vermi
olduklar performans ve tahmin sonular tekli sinyallerden ok daha iyi kmakta
uygun sonular salayabilmektedir.


kili almalarda, ses sinyalleri farkl SNR ve farkl grltl ortamlardaki deerleri
gz nnde bulundurularak iyiletirilmitir. Bu tahmin sonularna dayanarak lineer ses
sinyallerinde DKF uygun tahmin sonular salamaktadr.


kili filtrelerde, zellikle parametrelerin iyiletirilmesine ynelik olarak yaplan
almalarda tekli ve birleik filtre modellerine oranla daha uygun sonular
salanmaktadr. nk ikili modeller sadece sinyalin iyiletirme yaparken durumunu
deil ayn anda da bozulan parametrelerini de iyiletirmektedir. zellikle uzun verili
sistemlerde, ikili filtrelerin kestirim performanslar tekli ve birleik tabanl filtrelere
nazaran daha uygun sonular vermektedir. kili filtrelerin performanslar, sadece lineer
ses sinyallerinde deil dier lineer olmayan gamma grltsyle grltlendirilerek
retilen sinyallerde de uygun sonular vermektedir.


kili filtrelerin LMS tabanl filtrelerle karlatrldnda dier Kalman tabanl
filtrelerde olduu gibi performans iyi kmaktadr. zellikle lineer olmayan sinyallerde
tahmin sonular istenilen dzeydedir. LMS tabanl filtreler, sadece lineer sinyallerde
Kalman filtrelerine yakn tahmin sonular salayabilmektedirler. Dolays ile bu
filtreler ikili Kalman filtresine alternatif olamamaktadrlar.


kili filtrelerin renkli grltl ortamda dier sinyallere oranla tahmin doruluu daha
yksek kmaktadr. DKF si DUKF sine oranla lineer ortamlarda daha uygun sonular
salayabilmektedir. nk standart Kalman filtresinde herhangi bir dnm ihtiyac
yoktur. Unscented Kalman filtresinde dnm ihtiyac vardr. Bu dnmde filtrenin
ortalama ve hata kovaryansndaki kk sapma miktar, tahminde hatalara yol
116
amaktadr. Tekli filtrelerde parametre iyiletirmesi yaplmadndan tahmin doruluu
zayf kalmakta, birleik filtrelerde yine durum matrisi ve durumun arpmndan
kaynakl olarak bi-lineer bir durum olutuu iin tekli filtreler kadar olmasa da filtrede
performans dkl olumaktadr. Ayn zamanda dnm gerektirdii iin JEKF
de ortalama ve hata kovaryansndaki sapmaya bal olarak filtre raksamas problemi
ortaya kmaktadr.


almalar esnasnda daha nceden yaplmam olan renkli grltl sinyallerin
iyiletirilmesiyle ilgili olarak ikili standart Kalman filtresi uygulanmtr. Grlmektedir
ki ikili standart Kalman filtresi vermi olduu uygun sonularla hem ikili UKF
filtresinden hem de dier tekli Kalman filtrelerinden lineer ses sinyalleri
iyiletirilmesinde daha uygun sonular salamaktadr. almalarda en dk
performans LMS tabanl filtreler vermektedir. Sinyallerin iyiletirilmesinde LMS
tabanl filtreler alternatif olamamaktadrlar.


























117
KAYNAKLAR



Bhaskar, R.,Crow, L., Ludwig, E., Erikson, K., and Shah, K. 2000. Non-linear
Parameter Estimation of Excitation Systems. IEEE Transaction on Power
Systems, Vol.15, No.4, November.

Burshtein, D. and Gannot, S. 2002. Speech Enhancement Using a Mixture-
Maximum Model. IEEE Transaction on Speech and Audio Processing, Vol.10,
No.6 September.

Cover, T. and Felfcamp, J. 1997. Extension and Enhacementss of Decoupled Extended
Kalman Filter Training. Vol.3.

Chen, B. and Chen, J. 2000. System parameter estimation with Input/Output Noisy
Data and Missing Measurements. IEEE Transactions on Signal Processing,
Vol.48, No.6 June.

Deng, J., Bouchard, M. and Yeap, T. 2000. Speech Enhancement Using A Switching
Kalman Fitler With A Percetual Post-Filter. School of Information Yechnology
and Engineering, University of Ottowa, Ottawa, Canada.

Ephraim, Y. 1992. Statistical-Model-Based Speech Enhancement Systems. Proceedings
of the IEEE, Vol.80, No.10,October.

Flogeras, D., Doraiswami, R. and Kaye, M.E. 2003. A Real Time Spectral Subtraction
Based Speech Enhancement Scheme. IEEE May/mai, Montreal.

Gabrea, M. --. Adaptive Kalman Filtering- Based Speech Enhancement Algorithm.
Ecole de Technologie Superieure, Electrical Engineering Department, 1100,
Notre-Dame West, Montreal, Quebec, Canada H3C 1K3.

Gabrea, M. 2004. Robust Adaptive Kalman Filtering-Based Speech Enhancement
Algorithm. 0-7803-8484-9/04 ICASSP 2004.

Gannot, S. 2003. On The Application of The Unscneted Kalman Fitler to Speech
Processing. Faculty of Electrical Engineering, Technion City, Israel.

Ghahramani, Z. and Hinton, G. 1998. Switching State-space Models. Department of
Computer Science, University of Toronto, Toronto, Canada.

Gibson, J., Koo, B. and Gray, S. 1991. Filtering of Colored Noise for Speech
Enhancement and Coding. IEEE Transaction on Signal Processing., Vol.39,
No.8 August.

Gordon, N.J., Salmond, D. and Smith, A. 1993. Novel Approach to Non-linear/Non-
Gaussian Bayesian State Estimation. IEE Proceedings-F, Vol.140, No.2, April.
118

Hansen, P. 1997. Signal Subspace Methods for Speech Enhancement. Ph. Of Doctoral
Thesis. IMM-PHD-1997-42.

Hardwick, J., Yoo, C. and Lim, J. 1993. Speech Enhancement Using the Dual
Excitation Speech Model. 0-7803-0946-4/93 IEEE.

Kalman, R.1976. A New Approach to Linear Filtering and Prediction Problems.
Transaction of The ASME, Ser. D, Journal of Basic Engineering.


Kay, S. 1988. Modern Spectral Estimation: Theory and Application. Prentice Hall,
University of Rhode Island, UK.

Knill, K. and Constantinidis, A. 1991. Least-Mean-Square Adaptation of Orthogonal
Block Adaptive Line Enhancer. Signal Processing Section, Dept. Of Electrical
and Electronic Engineering, Imperial College, London, UK.

Labarre, D., Grivel, E., Najim, M. and Todini, E. 2003. Two-Kalman Fitler Approach
For Unbiased AR Parameter Estimation From Noisy Observations, Application
to Speech Enhancement. Equipe Signal and Image, UMR LAP 5131, Talence
France.

Larsen, A. 2003. Digital Signal Processing of LF-Output of Microwave Transceivers.
Masters Thesis, The Maersk Mc-Kinney Moller Institute for Production
Technology, University of Southern Denmark, Denmark.

LaViola, J. --. A Comparison of Unscented and Extended Kalman Filtering of
Estimating Quaternion Motion. Brown University Technology Center.

Ma, N., Bouchard, M. and Goubran, A. 2004. Dual Perceptually Constrained
Unscented Kalman Fitler for Enhancing Speech Degraded By Colored Noise.
ICSP Proceedings, Ottawa.

Ma, N., Bouchhard, M. and Goubran, A. 2006. Speech Enhancement Using a Masking
Threshold Constrained Kalman Fitler and Its Heuristic Implementations. IEEE
Transaction on Audio, Speech, and Language Processing, Vol.14, No.1, January.

Ma, N., Bouchard, M. and Goubran, R. -- . A Percetual Kalman Filtering-Based
Approach For Speech Enhancement. School Of Information Technology and
Engineering, University of Ottowa, Ottawa, Canada.

Makhoul, J. 1975. Linear Prediction: A Tutorial Review. Proceedinds Of the IEEE,
Vol.63, No.4, April.

Manolakis, D. 2000. Statistical and Adaptive Signal Processing: Spectral Estimation
, Signal Modelling, Adaptive Filtering and Array Processing, McGrawHill

119
Maybeck, P. --. Stochastic Models, Estimation and Control, Vol. 2. New York
Academic Pres. Vol.2.

Mehra, R. 1971. dentification of Stochastic Linear Dynamic Systems Using Kalman
Filter Representation AIAA Journal, 9, 28-31.


Merwe, R. and Wan, E. 2001. The Square-Root Unscented Kalman Fitler for State and
Parameter Estimation. Oregon Graduate Instutite of Science and Technology,
Oregon, USA.

Merwe, R. and Wan, E. 1999. Sigma-Point Kalman Filters for Probabilistic Inference
n Dynamic State-Space Models. OGI School of Science and Engineering
Oregon Health and Science University, Beaverton, Oregon, USA.

Merwe, R. 2004. Sigma-Point Kalman Filters for Probabilistic Inference n Dynamic
State-Space Models. Doctoral of Philosophy, OGI School of Science and
Engineering Oregon Health and Science University, Beaverton, Oregon, USA.

Morgan, D. and Craig, S. 1976. Real time Adaptive Line Prediction Using The
Least Mean Square Gradient Algortihm. IEEE Transaction on Acoustic, Speech
and Signal Processing vol:ASSP 24 , No:6.

Nelson, A. and Wan, E. 1999. Neural Speech Enhancement Using Dual Extended
Kalman Filtering. 0-7803-4122-8/97 IEEE.

Nelson, L. and Stear, E. 1976. The Simultaneous On-line Estimation of Parameters
and States in Linear Systems. IEEE Transaction on Automatic Control,
February.

Nelson, A. 2000. Non-Linear Estimation and Modelling of Noisy Time-Series by Dual
Kalman Filtering Methods. A Dissertation Submitted to the Faculty of the
Oregon Graduate Institude of Science and Technology in Partial fulfillment of
the requirements fort he degree Doctoral of Philosphy in Electrical and
Computer Engineering, Oregon , USA.

Nelson, A.T. and Merwe, W. 2004. Kalman Fitler and Neural Networks. Mc.GrawHill,
Chap.1-2-3-4-5-6-7, UK.

zbek, L. ve ztrk, F. 2004. Matematiksel Modelleme ve Simulasyon. Ankara. Gazi
Kitabevi, Ankara.

zer, ., Sarolu, . ve Kaplan, A. 2002a. AR Sistem Modellemede Kullanlan
Adaptif ve Yapay Zeka Metodlarnn Karlatrlmas. Erciyes Universitesi Fen
Bilimleri Enstits Dergisi,18(1-2),44-50, Kayseri.

Torun, S.. 2005. Uyku EEGsinde Karlalan ciklerin (Spinle) Sezimi zerine Bir
120
alma. Ankara Univesitesi Fen Bilimleri Enstits, Yksek Lisans Tezi,
statistik Anabilim Dal, Ankara.

Wan, E. 1993. Finite Impulse Response Neural Networks With Applications in Time
Series Prediction. A Dissertation Submitted to the Department of Electrical
Engineering and The Committee on Graduate Studies of Stanford University in
Partial Fulfillment of The Requirements for The Degree of Doctor of
Philosophy, USA.

Wan, E. and Merwe, R. 1999. Noise-Regularized Adaptive Filtering for Speech
Enhancement. Oregon Graduate Institute of Science and Technology, USA.

Wan, E. and Nelson, A. 1997. Neural Dual Extended Kalman Filtering: Applications
n Speech Enhancement and Monaural Blind Signal Separation. 0-7803-4256-9
/97 IEEE.

Wan, E. and Nelson, A. 1997. Dual Kalman Filter Method For Non-linear Prediction,
Estimation and Smoothing. In Advence in Neural Information Processing
Systems 9.

Wu, W. and Chen, P. 1998. Subband Kalman Filtering for Speech Enhancement.
IEEE Transaction on Circuits and Systems-II: Analog and Digital Signal
Processing, Vol.45, No.8, August.

Wu, Y., Hu, D., Wu, M. and Hu, X. 2005. Unscented Kalman Filtering for Additive
Noise Case: Augmented versus Nonaugmented. IEEE Signal Processing Letters,
Vol.12, No.5, May.

Wu, W. 2004. Statistical Models of Neural Coding in Motor Cortex. Submitted in
Partial Fulfillment of the requirements for the Degree of Doctor of Philosophy in
the Division of Applied Mathematics at Brown University, Rhode sland.

Zheng, W. 1999. A Least-Square Based Method for Autoregressive Signals in the
Presence of Noise. IEEE Transaction on Circuits and Systems-II: Analog and
Digital Signal Processing,Vol. 46, No.1, January.

Zheng, W. 1997. An Efficient Algorithm for Parameter Estimation of Noisy AR
Processes. IEEE International Symposium on Circuits and Systems, June 9-12,
Hong Kong.

Zheng, C. and Yan, Y. 2006. Fusion Based Speech Segmentation in Darpa Spine2
Task. OGI School and Engineering, Oregon health and Science University
Computer Science and Engineering Department, USA.

Zheng, W. 2002. Study of A Least-Square-based Algorithm For Autoregressive Signals
Subject to White Noise.Hindawi Publishing Corporation, Mathematical
Problems in Engineering 2003:3 (93-101).
URL:http://dx.doi.org/10.1155/s1024123X03210012.
121
ZGEM




Ad Soyad : Haydar Ankhan
Doum Yeri : Ankara
Doum Tarihi : 05/10/1979
Medeni Hali : Bekar
Yabanc Dili : ngilizce


Eitim Durumu

Lise : Tuzluayr Lisesi ( 1994 - 1996 )
Lisans : Gaziantep niversitesi
: Elek-Elektronik Mhendislii ( 1997 - 2003 )
Yksek Lisans: Ankara niversitesi
:Fen Bilimleri Enst. Elektronik Mhendislii
Anabilim Dal ( 2004 -.-- )


alt Kurum : Optronik Optiksel ve Elektronik Cihazlar Ltd. ti. ( 2007 -- )