Professional Documents
Culture Documents
i
ii
Prelucrarea statistica a informatiei
Indrumar de laborator
5 octombrie 2010
ii
Cuprins
1 Introducere n Matlab 3
1.1 Matlab - Scurt a prezentare . . . . . . . . . . . . . . . . . . . 3
1.2 Detalii de implementare . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Interfata cu utilizatorul . . . . . . . . . . . . . . . . . 4
1.2.2 Tipuri de date . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 Instructiuni de baz a . . . . . . . . . . . . . . . . . . . 4
1.2.4 Help n Matlab . . . . . . . . . . . . . . . . . . . . . . 5
1.2.5 Functii . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.6 Vectori si matrice . . . . . . . . . . . . . . . . . . . . . 7
1.2.7 Operatii cu matrice . . . . . . . . . . . . . . . . . . . 8
1.2.8 Grafica n Matlab . . . . . . . . . . . . . . . . . . . . 8
1.3 Desf asurarea lucrarii . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Vectori si functii . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Variabile aleatoare - recapitulare . . . . . . . . . . . . 12
1.4 Exercitii si teme propuse . . . . . . . . . . . . . . . . . . . . . 16
4 Transformata Fourier 47
4.1 Transformata Fourier continu a . . . . . . . . . . . . . . . . . 47
4.2 Transformata Fourier discret a . . . . . . . . . . . . . . . . . . 49
4.3 Desf
asurarea lucr arii . . . . . . . . . . . . . . . . . . . . . . . 54
4.4 Exercitii si teme propuse . . . . . . . . . . . . . . . . . . . . . 60
iii
CUPRINS
5 Semnale aleatoare 61
5.1 Caracterizarea semnalelor aleatoare . . . . . . . . . . . . . . . 61
5.1.1 Stationaritatea semnalelor aleatoare . . . . . . . . . . 63
5.1.2 Ergodicitatea semnalelor aleatoare . . . . . . . . . . . 63
5.2 Teorema Wiener-Hincin . . . . . . . . . . . . . . . . . . . . . 64
5.2.1 Functia de autocorelatie . . . . . . . . . . . . . . . . . 64
5.2.2 Densitatea spectral a de putere . . . . . . . . . . . . . 65
5.3 Trecerea semnalelor aleatoare prin sistemeliniare . . . . . . . 66
5.4 Desfasurarea lucrarii . . . . . . . . . . . . . . . . . . . . . . . 67
5.5 Exercitii si teme propuse . . . . . . . . . . . . . . . . . . . . . 73
7 Estimarea parametrilor 87
7.1 Estimarea parametrilor n cazul discret . . . . . . . . . . . . . 87
7.1.1 Estimatul maxim a posteriori . . . . . . . . . . . . . . 88
7.1.2 Estimatul p atratic . . . . . . . . . . . . . . . . . . . . 92
7.2 Desfasurarea lucrarii . . . . . . . . . . . . . . . . . . . . . . . 93
7.3 Exercitii si teme propuse . . . . . . . . . . . . . . . . . . . . . 99
Bibliografie 124
1
CUPRINS
2
Lucrarea 1
Introducere n Matlab
S
i totusi de ce Matlab? Per total nu este mai rapid, nu este mai ieftin.
R aspunsul st a n numarul foarte mare de functii matematice disponibile si
n facilit
atile de vizualizare si investigare a datelor.
Pentru evidentierea acestor tr as
aturi s
a consideram un exemplu simplu:
Sa se calculeze suma elementelor unei matrice A.
3
LUCRAREA 1. INTRODUCERE N MATLAB
4
1.2. Detalii de implementare
bloc de instructiuni
end
forma general a a unei expresii de tip switch (selectie multipl
a)
este:
switch expresie
case caz-expresie
bloc de instructiuni
case caz-expresie
bloc de instructiuni
............
otherwise
bloc de instructiuni
end
Instructiuni repetitive:
break - forteaz
a terminarea unei instructiuni ciclice (while sau
for ).
continue - paseaz
a controlul iteratiei urm
atoare din instructiunea
ciclic
a curent
a.
5
LUCRAREA 1. INTRODUCERE N MATLAB
Example: If X = [0 1 2
3 4 5]
Overloaded methods
help sym/sum.m
1.2.5 Functii
Forma de baz
a - sintaxa
Functiile n Matlab se scriu n fisiere de tip .m. Numele fisierelor de tip .m
trebuie sa nceap
a cu o litera si nu trebuie s a contina spatiu sau alte carac-
tere speciale. Aceste fisiere vor avea, de preferinta, acelasi nume ca si cel al
functiei pe care o contin. O functie scris a n fisierul altei functii este vizibil
a
numai n interiorul functiei n al carei fisier rezidu a. Pentru ca o functie s a
poata fi apelata de la linia de comand a sau din alt fisier, ea trebuie scris a
prima in fisierul de tip .m.
Un fisier care contine o functie are form a standard:
function [VarOut1, VarOut2, ...] = NumeFunct ie (VarIn1, VarIn2,
...);
%bloc de comentarii: acest bloc va fi vizibil
%^
n cazul tast arii help NumeFunct ie.
%Este bine s a existe si s a cont in a o scurt a descriere a funct iei.
6
1.2. Detalii de implementare
BLOC de INSTRUCT
IUNI
C
ateva functii uzuale
Se vor prezenta n continuare c ateva functii cu larg
a utilitate n mediul
Matlab. Pentru a afla mai multe detalii despre semnificatia parametrilor
este bine s a se tasteze help urmat de numele functiei. Ideea general a este c
a
functiile se aplic
a unui vector; daca se aplic
a unei matrice operatia respectiva
se va aplica vectorilor coloan a, rezultatul fiind un vector linie.
min - functioneaz
a similar, dar se refer
a la valoarea minim
a;
mean - returneaz
a valoarea medie a elementelor vectorului;
sort - sorteaz
a n ordine cresc
atoare valorile din vector;
fprintf - afiseaz
a un mesaj la consol
a;
7
LUCRAREA 1. INTRODUCERE N MATLAB
zeros(nLinii,nColoane) - genereaz
a o matrice de (nLinii,nColoane)
av
and toate valorile egale cu 0.
eye(nLinii) - genereaz
a matricea unitate de dimensiune nLinii.
adunare matriceal
a: +
Linia C = A+B va afisa C = [1, 13; 9, 14].
sc
adere matriceal
a: -
Linia C = A-B va afisa C = [-3, 1; -1, 10].
nmultire matriceal
a: *
Linia C = A*B va afisa C = [33, 8; 68, 48].
mpartire matriceal
a: /. Aceast
a operatie este echivalent
a cu nmultirea
cu inversa. Inversa unei matrice se calculeaz a cu inv().
Linia C = inv(A) va afisa C = [-0.3000, 0.1750; 0.1000, 0.0250].
Linia C = A*inv(A) va afisa C = [1.0000, 0; 1.0000, 0].
8
1.2. Detalii de implementare
9
LUCRAREA 1. INTRODUCERE N MATLAB
1.3 Desf
asurarea lucr
arii
1.3.1 Vectori si functii
1. Se definesc vectorii linie v1 = [1, 3, 5, 7, 9] si v2 = [7, 3, 8, 1, 2]. S
a se
T
calculeze v1 + v2, v1 v2, v1 v2 , v1. v2. S a se execute aceleasi
operatii cu dou
a matrice A si B de dou a linii si doua coloane.
Rezolvare:
v1 = 1:2:9;
v2 = [7, 3 8 1 -2];
v adun = v1+v2
v scad = v1-v2
v prod = v1*v2
v prodscalar = v1.*v2
2. S
a se genereze o matrice de dimensiunea 2x3 care are valorile de pe
prima linie egale cu 0, iar cele de pe a doua cu -2.
Rezolvare:
A=[zeros(1,3) ; (-2)*ones(1,3)]
Rezolvare:
t = -10:0.05:10;
f = cos(t);
plot(t, f, .k );
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1
10 8 6 4 2 0 2 4 6 8 10
10
1.3. Desf
asurarea lucr
arii
Rezolvare:
Functia este definit
a pe un suport discret. In acest caz derivata unei
functii continue se aproximeaza cu ajutorul diferentelor finite, iar in-
tegrala se aproximeaz a cu ajutorul sumei cumulative.
t = -2*pi:0.1:2*pi;
f = cos(t);
df = diff(f)/0.1; %aproximarea derivatei - viteza de variat ie
Integf = cumsum(f)*0.1; %aproximarea integralei - aria subgraficului
plot(t, f, k ); %functia
hold on; plot(t(1:end-1), df, b );
% derivata - nu se poate calcula in ultimul pct
plot(t, Integf, r ); % integrala
zero cross = [ ];
%initializam
sirul indicilor pentru trecerile prin zero
for i = 1:length(df)-1
if (df(i)*df(i+1) <= 0)
zero cross = [zero cross i];
end;
end
plot( t(zero cross), zeros(size(zero cross)), *g ), hold off;
0.5
0.5
1
8 6 4 2 0 2 4 6 8
5. S
a se scrie un program (script) care calculeaz
a n! (n factorial). Val-
11
LUCRAREA 1. INTRODUCERE N MATLAB
Rezolvare:
n = input( introduceti n: );
m = 1:n;
nfact = prod(m);
fprintf( valoare ceruta este n! = %d ,nfact);
Indicatie:
a de relatia x = A1 b. Sistemul are solutie
Solutia sistemului este dat
dac
a determinantul det(A) este nenul.
Functia de repartitie:
0 , dac
a x (, a)
xa
F (x)b,a = ba , dac
a x [a, b] (1.2)
1 , dac
a x (b, +)
(x )2
1
w (x), = exp , dac
axR (1.3)
2 2 2
12
1.3. Desf
asurarea lucr
arii
w
0.35
uniforma in [4, 7]
0.3
0.25
0.15
0.1
0.05
0
6 4 2 0 2 4 6 8 10
w
0.04
0.035
0.03 Gaussiana cu
= 10 si = 20
0.025
0.02
0.015
0.01 Gaussiana cu
= 0 si = 30
0.005
0
100 80 60 40 20 0 20 40 60 80 100
13
LUCRAREA 1. INTRODUCERE N MATLAB
w
2
1.8
1.6
1.4
exponentiala de parametru 2
1.2
0.8
0.6
0.2
0
2 0 2 4 6 8 10
1.2
1
Rayleigh de parametru 1/2
0.8
0.6
0.4
Rayleigh de parametru 2
0.2
0
2 0 2 4 6 8 10
14
1.3. Desf
asurarea lucr
arii
subplot(1,2,2);plot(x , F, b );
0.9
0.014
0.8
0.012
0.7
0.01
0.6
0.008 0.5
0.4
0.006
0.3
0.004
0.2
0.002
0.1
0 0
100 75 50 25 0 25 50 75 100 100 75 50 25 0 25 50 75 100
15
LUCRAREA 1. INTRODUCERE N MATLAB
4. Cum se pot afla punctele de extrem locale ale unei suprafete stocat
a
sub forma unei matrice? Dar punctele sa (acele puncte care sunt de
maxim pe o directie si de minim pe alta)?
6. S a Cnk .
a se scrie o functie care calculeaz
16
Lucrarea 2
F (x) = P ( x) (2.1)
Propriet
atile functiei de repartitie sunt:
17
LUCRAREA 2. STUDIUL VARIABILELOR ALEATOARE
Valoarea la :
F () = P ( ) = 0 (2.2)
F (+) = P ( +) = 1 (2.3)
dac
a x1 < x2 F (x1 ) F (x2 ) (2.5)
Relatia 2.5 este echivalent
a cu a arata c
a diferenta F (x2 )F (x1 )
nu este negativ a. Aceasta diferenta este chiar probabilitatea ca
variabila aleatoare s a ia valori n intervalul (x1 , x2 ] care este o
cantitate nenegativ a.
Propriet
atile unei densit
ati de probabilitate sunt:
La limit
a se obtine conditia de normare:
Z +
w (x)dx = 1 (2.9)
18
2.1. Variabile aleatoare
Daca consider
am subgraficul densit atii de probabilitate ca fiind
un obiect de grosime constanta, atunci media ne va indica abscisa
centrului de greutate al acestui obiect.
Momentul necentrat de ordinul 2 se numeste medie p
atratic
a:
Z +
(2)
m = = 2 x2 w (x)dx (2.12)
Dac
a variabila aleatoare modeleaz
a o marime fizic
a, media p
atratic
a
poate fi v
azut
a ca energia medie a acelei m
arimi.
Se poate ar
ata c
a:
2
2 = 2 (2.15)
19
LUCRAREA 2. STUDIUL VARIABILELOR ALEATOARE
X w (xk ) X w (g 1 (y))
w (y) = =
|g (xk )| |g (g 1 (y))| (2.16)
k k
unde xk sunt r
ad
acinile ecuatiei g(x) = y
20
2.2. Principiul invers
arii functiei de repartitie
g(g 1 (y)) = y
si dac
a se deriveaz
a:
y
g (g 1 (y)) (g 1 (y)) = 1
1
g (g 1 (y)) = 1
(g (y))
Astfel se obtine:
w (y) = (g 1 (y))
Z y
1 (2.19)
g (y) = w (u)du = F (y)
este bijectiv
a (asadar se poate inversa);
este cresc
atoare, monotonie pe care o p
astreaz
a si inversa.
Practic, pentru a obtine valori distribuite conform unei legi alese, w (y), se
procedeaza astfel:
3. Se genereaz
a valori distribuite uniform n [0,1];
21
LUCRAREA 2. STUDIUL VARIABILELOR ALEATOARE
2.2.1 Exemple
Se pune problema gener arii unor numere distribuite confom unor legi impuse
fiind disponibile realiz
ari particulare ale unei distributii uniforme n [0,1].
Trebuie calculate functiile care s
a asigure transformarea necesar a.
1. Distributie de tip uniform n [a,b]. Densitatea de probabilitate a
unei astfel de variabile este (vezi1.1):
1
w (x)a,b = ba , pentru x [a, b]
0 , n rest
unde a < b sunt doi parametri reali. Functia sa de repartitie este:
0 , dac a x (, a)
xa
F (x)a,b = , dac
a x [a, b] (2.20)
ba
1 , dac a x (b, +)
Functia g obtinut
a ca fiind inversa functiei de repartitie (pe intervalul
pe care aceasta admite invers a) este:
Deci:
0 , pentru x < 0
F (x) =
1 exp(x) , pentru x 0
Functia c
autat
a (vezi figura 2.1) este inversa functiei de repartitie:
1
g : [0, 1] (0, +) , g(y) = F1 (y) = ln(1 y) (2.22)
3. Distributie de tip Rayleigh. Densitatea de probabilitate de tip Rayleigh
este (vezi 1.5):
(
x x2
2 exp 2 2 , dac ax0
w (x) = .
0 , n rest.
unde este un parametru real pozitiv. S
a calcul
am functia de repartitie
:
22
2.2. Principiul invers
arii functiei de repartitie
g(y)=F1
(y)
35
30
25
20
15
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
y
Dac
a x < 0, atunci F (x) = 0;
Dac
a x 0, atunci:
Z x Z x
u2
u
F (x) = w (u)du = 2
exp 2 du =
0 0 2
2
x
x2
u
= exp 2 = 1 exp 2
2 0 2
Deci: (
0 , pentru x < 0
F (x) = x2
1 exp 22 , pentru x 0
g(y)=F1
(y)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
y
23
LUCRAREA 2. STUDIUL VARIABILELOR ALEATOARE
24
2.3. Histograma si histograma cumulativ
a
25
LUCRAREA 2. STUDIUL VARIABILELOR ALEATOARE
26
2.4. Desf
asurarea lucr
arii
2.4 Desf
asurarea lucr
arii
1. Reprezentarea unei variabile aleatoare distribuite uniform. O realizare
a unei variabile aleatoare distribuite uniform n intervalul [0,1] se
obtine cu ajutorul functiei rand. O matrice n care fiecare element este
o realizare a unei asemenea variabile se obtine scriind rand(nLinii,nColoane).
De exemplu linia:
x = rand(1, 50);
plot(x, .k );
0.9
domeniul in care variabila aleatoare ia valori
0.8
0.7
media
0.6
0.5
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30 35 40 45 50
indicele elementului
Figura 2.5: Reprezentarea unui vector de realizari particulare ale unei vari-
abile aleatoare distribuit
a uniform n [0, 1].
27
LUCRAREA 2. STUDIUL VARIABILELOR ALEATOARE
N
1 X
x = (x(k) x )2 (2.28)
N 1
k=1
m x = mean(x) %media
std x = std(x) %variant
a
x = randn(1, 50);
3. Functii de o variabil
a aleatoare. Acest rezultat a fost deja folosit pen-
tru deducerea formulei principiului invers arii functiei de repartitie. In
4
O valoare statistic a se aproximeaz a printr-un num ar. Acest num ar este un estimat
al momentului statistic considerat. Se poate discuta de estimatori corecti, deplasati, etc.
Pentru mai multe detalii vezi [12].
5
Datorita faptului c a o variabila aleatoare gaussian a nu are form a explicit a pentru
functia de repartitie, obtinerea de valori distribuite gaussian direct din realiz
ari particulare
ale unei uniforme este mai dificil a. Este necesar un pas preliminar, n care se vor obtine
valori distribuite Rayleigh si valori distribuite uniform n intervalul [0, ]. Acestora li se
aplica o functie de doua variabile aleatoare. Rezultatul acestei functii consta n dou
a valori
care respect a o statistica de tip gaussian. Din acest motiv vom folosi generatorul de valori
gaussiene disponibil n Matlab.
28
2.4. Desf
asurarea lucr
arii
Rezolvare:
29
LUCRAREA 2. STUDIUL VARIABILELOR ALEATOARE
3 0.12 1
0.9
2.5 0.1
0.8
0.7
2 0.08
0.6
0.4
1 0.04
0.3
0.2
0.5 0.02
0.1
0 0 0
0 50 100 0 1 2 3 0 1 2 3
Media p
atratic
a este:
Z +
2
= x2 exp(x)dx =
0
+ Z +
2
2
= x exp(x) + 2x exp(x)dx = 2
0 0
30
2.4. Desf
asurarea lucr
arii
s Y = std(Y); %dispersia
[h Y, absY] = hist(Y, 20); %histograma nenormat
a
figure(2); bar(absY, h Y/100, k );
H Y = cumsum(h Y/100);
figure(3); plot(absY, H Y, k );
31
LUCRAREA 2. STUDIUL VARIABILELOR ALEATOARE
4. Care din graficele prezentate n figura 2.7 pot reprezenta graficul unei
functii de repartitie?
(a) (b)
1.5 1.5
1 1
0.5 0.5
0 0
0.5 0.5
10 5 0 5 10 10 5 0 5 10
(c)
1.5 1
0.8
1
0.6
0.5
0.4
0
0.2
0.5 0
10 5 0 5 10 10 5 0 5 10
5. Care din graficele prezentate n figura 2.8 pot reprezenta graficul unei
densit
ati de probabilitate?
(a) (b)
0.5 1.5
0.4
1
0.3
0.2
0.5
0.1
0
0
0.1
0.2 0.5
10 5 0 5 10 10 5 0 5 10
(c) (d)
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0.1 0.1
0.2 0.2
10 5 0 5 10 10 5 0 5 10
32
2.5. Exercitii si teme propuse
7. Ce reprezint
a histograma?
8. Ce reprezint
a histograma cumulativ
a?
9. Cum se aproximeaz
a media unei variabile aleatoare? Dar dispersia?
10. S
a se calculeze momentele centrate de ordin 3 si 4 pentru o vari-
abil
a aleatoare distribuit
a gaussian. Aceeasi cerinta pentru o variabil
a
aleatoare distribuit
a exponential, respectiv Rayleigh.
33
LUCRAREA 2. STUDIUL VARIABILELOR ALEATOARE
34
Lucrarea 3
Valorile la extremit
atile domeniului:
F (, y) = F (x, ) = 0 (3.2)
F (+, +) = 1 (3.3)
35
LUCRAREA 3. PERECHI DE VARIABILE ALEATOARE
Densit
atile marginale:
Z
w (x, y)dy = w (x) (3.9)
Z
w (x, y)dx = w (y) (3.10)
Desi scris
a pentru un domeniu dreptunghiular, relatia de mai sus
este valabila pentru orice form a a domeniului D1 :
Z Z
P ((, ) D1 ) = w (x, y)dxdy (3.12)
D1
36
3.1. Caracterizarea statistic
a de ordinul II
K = R = (3.19)
Leg
atura ntre independenta si decorelare este:
37
LUCRAREA 3. PERECHI DE VARIABILE ALEATOARE
dou
a variabile aleatoare independente sunt decorelate;
dac
a dou
a variabile aleatoare sunt decorelate nu se poate spune
nimic despre independenta lor.
Leg
atura ntre dependenta si corelare este:
dac
a dou
a variabile aleatoare sunt dependente nu se poate spune
nimic despre corelatia dintre ele;
dac
a dou
a variabile aleatoare sunt corelate atunci sunt si de-
pendente.
1
De pild a, un cerc este definit de trei parametri: coordonatele centrului (abscis a si
ordonat a) si raza. O curba polinomial a provenind dintr-o functie de gradul 2 are trei
parametri: coeficientii de gradul 2 ,1 si respectiv 0.
2
In materialul de fat
a se discuta despre un caz particular de regresie. O prezentare
generala presupune minimizarea unei erori oarecare, nu neaparat a sumei distantelor.
Modelul prezentat aici mai este cunoscut sub numele de regresie n sensul minimiz arii
erorii p
atratice medii.
38
3.2. Dreapta de regresie
Dac
a se egaleaz
a cele dou
a derivate partiale ale erorii cu zero, se obtine:
N N N
2a X 2 2 X 2b X
= xi xi yi + xi = 0
a N N N
i=1 i=1 i=1
si respectiv
N N N
1 X 2 X 2a X
= 2b yi + xi = 0
b N N N
i=1 i=1 i=1
Dac
a not
am:
N N
1 X 1 X
SX = xi SY = yi
N N
i=1 i=1
N N
1 X 1 X
SXX = x2i SY Y = yi2 (3.21)
N N
i=1 i=1
N
1 X
SXY = xi yi
N
i=1
39
LUCRAREA 3. PERECHI DE VARIABILE ALEATOARE
K
a=
2
4
Tipic, succesiunea operatiilor presupune nt
ai calculul parametrilor dreptei de regresie
si apoi definirea coeficientului de corelatie ca masura a erorii de aproximare.
40
3.3. Desf
asurarea lucr
arii
3.3 Desf
asurarea lucr
arii
1. Studiul densit
atii de probabilitate de ordinul II. Se va reprezenta grafic
densitatea de probabilitate de ordinul II a unei perechi de variabile
aleatoare gaussiene. Aceasta este data de relatia:
1
w (x, y) = q
2 1 2
" !#
1 (x )2 (x )(y ) (y )2
exp 2 +
2(1 2 ) 2 2
Se va reprezenta densitatea de probabilitate de ordinul II pentru di-
verse valori ale celor dou
a medii, dispersii si coeficient de corelatie. Se
vor calcula si reprezenta grafic densitatile marginale.
x = -50:50;
y = -50:50;
mx = 0; my = 0;
sx = 5; sy = 6;
rxy = 0.2;
const1 = 1/(2*pi*sx*sy*sqrt(1-rxy^2));
const2 = 1/(2*(1-rxy^2));
sx2 = sx^2 ;
sy2 = sy^2;
rsxsy = 2*rxy/(sx*sy);
for i = 1:length(x)
for j = 1:length(y)
% calculam densitatea de prob de ord II
w(i,j) = const1*exp(-const2*...
((x(i)-mx)^2/sx2-rsxsy*(x(i)-mx)*...
(y(j)-my)+(y(j)-my)^2/sy2));
end
end
% calcul am densit
a
tile marginale
wx = sum(w );
wy = sum(w);
% afisa
m graficul densita
tii de probabilitate de ordinul II
figure(1); mesh(x, y, w);
% afisa
m graficele densita
tilor marginale
figure(2);
subplot(1, 2, 1); plot(x, wx);
subplot(1, 2, 2); plot(y, wy);
41
LUCRAREA 3. PERECHI DE VARIABILE ALEATOARE
0.07 0.08
3
x 10 0.07
0.06
6
0.06
5
0.05
4 0.05
0.04
3
0.04
2
0.03
1 0.03
0 0.02
0.02
50
500.01
0.01
0
0
0 0
50 50 50 0 50 50 0 50
3. Se vor genera c
ate 200 de realiz
ari a dou
a variabile aleatoare uniforme
42
3.3. Desf
asurarea lucr
arii
35
30
25
20
15
10
0
4
2
3
0 2
2 1
0
4 1
6 2
3
8 4
N = 200;
x = rand(1, N);
y = rand(1, N);
plot(x, y, . );
Sx = sum(x)/N;
Sy = sum(y)/N;
Sxx = sum(x.*x)/N;
Syy = sum(y.*y)/N;
Sxy = sum(x.*y)/N;
%panta dreptei de regresie
a = (Sxy-Sx*Sy)/(Sxx-Sx*Sx);
b = Sy-a*Sx;
%calcul
am punctele dreptei
xd = sort(x); yd = a*xd+b;
%tras
am dreapta de regresie
hold on; plot(xd, yd, r ), hold off;
%eroarea de aproximare
corcoef = (Sxy-Sx*Sy) / sqrt((Sxx-Sx*Sx)*(Syy-Sy*Sy));
e = (Syy-Sy*Sy)*(1-corcoef^2);
fprintf( coeficientul de corelatie este=%d , corcoef);
fprintf( erorea este= %d , e);
43
LUCRAREA 3. PERECHI DE VARIABILE ALEATOARE
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
5. S
a se studieze modelul de regresie p
atratic
a (aproximarea unui nor de
puncte printr-o hiperbol
a); aproximarea este data de relatia:
= a 2 + b + c
( a)2 + ( b)2 c2 = 0
44
3.4. Exercitii si teme propuse
1
8
0.5
0 6
0.5 4
1 2
2 1 0 1 2 5 0 5
8 3
2
6
1
4
0
5 0 5 2 0 2
2
0
1
1
0
2
1
3
2
4 2 0 2 4 4 2 0 2 4
RR
2. Ce reprezint
a D1 w (x, y)dxdy?
3. C
at de bun a este (de cine depinde) aproximarea unei densit
ati de pro-
babilitate de ordinul II prin matricea de coocurenta?
45
LUCRAREA 3. PERECHI DE VARIABILE ALEATOARE
46
Lucrarea 4
Transformata Fourier
Z
X() = F {x(t)} () = x(t)ejt dt (4.1)
1
Termenul spectru are la origini un cuv ant din engleza veche ce denumea o fantom a,
aparitie sau, mai general, ceva ce nu are o form a definit
a si/sau constant a. Mai t arziu a
fost introdus n optica si specifica domeniul culorilor vizibile. Ulterior s-a f acut legatur a
ntre vizibilitatea culorii si lungimea ei de und a (care este proportionala cu frecventa). In
zilele noastre, prin extindere, toate domeniile ce au ca variabil a frecventa sau o derivat a
a acesteia se numesc spectre.
2
Notiunea de continu a se refer
a la faptul c
a atat semnalul de baz a cat si cel rezultat
n urma transform arii sunt definite pe un suport continuu.
47
LUCRAREA 4. TRANSFORMATA FOURIER
Transformarea invers
a este:
Z
1
x(t) = F {X()} (t) = X()ejt d (4.2)
2
Deplasarea n timp:
Deplasarea n frecventa:
F x(t)ej0 t () = X( 0 )
(4.5)
Simetria:
F {X(t)} () = 2x() (4.6)
Derivarea n timp:
n o
F x(n) (t) () = (j)n X() (4.7)
48
4.2. Transformata Fourier discret
a
O explicatie intuitiv
a a transfomatei Fourier se obtine dac
a se particularizeaz
a sem-
nalul x(t) printr-o cosinusoid
a : x(t) = cos(0 t). Dac
a vom calcula transformata Fourier
a semnalului vom obtine X() = 12 ( 0 ) + 21 ( + 0 ).
Semnalul x(t) poate fi reprezentat n spatiul de baz
a (timpul, de variabil
a t) sau
ntr-un spatiu al frecventelor (de variabil
a ). Acest semnal, cos(0 t) are o valori nenule
pentru o singur
a frecvent
a, 0 . Dac
a inspect
am transformata lui Fourier vom vedea ca
exist
a valori nenule numai n 0 , respectiv n 0 (mai exact acolo unde sunt definite cele
dou
a functii ).
Simplist, notiunea de frecventa poate fi vazut
a ca o vitez
a de variatie. O sinusoid
a de
frecvent
a mare va oscila repede (va avea multe variatii bruste n unitatea de timp) - vezi
figura 4.2 n timp ce una de frecvent
a joas
a va oscila lent.
3
Aceasta conditie este similar a (atentie, nu identic
a) cu a spune c
a semnalul de baz
a
este de energie finita. Se poate defini transformata Fourier si pentru functii care nu
respect
a aceste conditii, dar n lucrarea de fat
a nu ne vom referi la acestea.
49
LUCRAREA 4. TRANSFORMATA FOURIER
cos(2t) cos(10t)
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
1.5
0.5
0.5
1.5
2
0 5 10 15 20 25 30
50
4.2. Transformata Fourier discret
a
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
51
LUCRAREA 4. TRANSFORMATA FOURIER
xN2 x x0
N1 xN x1 xN2 xN1 x x0 x1
N
si respectiv:
x2 (n) , pentru n < N2
xe2 (n) =
0 , pentru n >= N2
52
4.2. Transformata Fourier discret
a
Se calculeaz
a transformatele Fourier discrete ale celor dou
a secvente.
N1 +N
X2 2 2k
N n
X1 (k) = xe1 (n)e 1 +N2 1 , unde k = 0, . . . , N1 +N2 2
n=0
N1 +N
X2 2 2k
N n
X2 (k) = xe2 (n)e 1 +N2 1 , unde k = 0, . . . , N1 +N2 2
n=0
Se calculeaz
a transformata Fourier invers
a a secventei rezultate.
Aceasta este egal
a cu transformata Fourier a convolutiei circulare
a celor dou
a secvente x1 si x2 .
53
LUCRAREA 4. TRANSFORMATA FOURIER
4.3 Desf
asurarea lucr
arii
1. Sa se calculeze transformata Fourier a semnalului x(t) = 2 pentru
t = [0, M ] si x(t) = 0 pentru t [M, N ]. S
a se reprezinte grafic partea
real
a a spectrului Fourier.
Rezolvare:
Vom calcula, mai int ai, teoretic transfomata Fourier a semnalului
x(t) = A, t R. Se stie ca transformata Fourier a unui semnal
de tip Dirac, (t) este 1. Acest lucru este usor de demonstrat:
Z
F {(t)} () = (t)ejt dt = 1
N = 200; M = 100;
x = 2 + zeros(1,N);
y = zeros(1,N); y(1:M) = 2;
X = real(fft(x));
Y = real(fft(y));
plot(X, b );
hold on; plot(Y, k );
2. S
a se calculeze transformata Fourier a semnalului x(t) = 2 sin(2t) pen-
tru t = [0, 6]. Sa se reprezinte grafic modulul spectrului.
54
4.3. Desf
asurarea lucr
arii
350
300
250
200
150
100
50
0
5 10 15 20 25 30 35
j j0 t
ej0 t
se stie c
a sin(0 t) = e
2
Z
X() = F {x(t)} () = A sin(0 t)ejt dt
Z
A
j ej0 t ej0 t ejt dt
=
2
Z Z
A j(0 )t A
= j e 1dt j ej(+0 )t 1dt
2 2
S
tiind c
a transformata Fourier invers
a a semnalului constant n timp
1 este 2(), si folosind teorema deplas
arii n frecventa se obtine:
X() = F {x(t)} () = A( 0 ) + A( + 0 )
55
LUCRAREA 4. TRANSFORMATA FOURIER
3. Se urm areste modul n care functia fft construieste spectrul unui sem-
nal. Pentru aceasta, se consider a un semnal x(t) esantionat cu Tes si
achizitionat ntre 0 si Tmax .
Num arul de esantioane (lungimea secventei) este evident N = TTmax es
+1.
Transformata Fourier discret a a unei secvente de lungime N este tot
N.
Initial, se calculeaz a transformata Fourier pe cercul unitate consid-
erat n [0, 2]. In acest caz, componenta continu a va fi la cap atul
din st anga. Dac a se doreste simetrizarea spectrului (componenta con-
tinu a n centru) atunci trebuie reprezentat cercul unitate n [, ].
Practic, functia fftshift permite mutarea segmentului [, 2] n [, 0].
Se stie ca ntr-un semnal esantionat ([7]) frecventa maxim a reprezentabil a
fe 1
este jum atate din frecventa de esantionare: fmax = 2 = 2Te . Frecventa
1
minim a surprins a a semnalului este fmin = Tmax . Dac a se consider a
spectrul simetric, atunci domeniul de frecvente reprezentat este:
1 1 1 1 1
, + , . . . , 0, ,...,
2Te 2Te Tmax Tmax 2Te
fe fe fe
= , + fmin , . . . , 0, (fmin ) , . . . ,
2 2 2
2 2 2
= () , + 1 , + 2 , . . . , 0, , . . . , ()
N N N
(4.20)
Tem a: Sa se urm
areasc
a aceste aspecte pentru semnale sinusoidale (cum sunt
x1 (t) = sin(2 50t),x2 (t) = sin(2 100t), etc.) prin identificare indicelui
valorii importante din spectru cu componenta de frecventa corespunzatoare
.
N = 200;
x = zeros(1,N);
X1 = 40; X2 = 50;
x(X1:X2) = 1;
y = zeros(1,N);
Y1 = 40; Y2 = 50;
y(Y1:Y2) = 1;
zt = conv(x,y);
subplot(1,2,1); plot(zt);
axis([0, 200,-1 12]);
zf = real(ifft(fft(x).* fft(y)));
subplot(1,2,2); plot(zf);
56
4.3. Desf
asurarea lucr
arii
12 12
10 10
8 8
6 6
4 4
2 2
0 0
Tem a: Care este diferenta ntre rezultatele obtinute prin cele doua metode?
Cum variaza rezultatul convolutiei daca se modifica parametri semnalului
(latimea portii) de la intrare?
5. S
a se studieze convolutia pentru dou a semnale oarecare. S a se urm areasc
a
efectele translatiei circulare n cazul implement
arii n frecventa.
57
LUCRAREA 4. TRANSFORMATA FOURIER
1 , pentru || t
|HF T S ()| =
0 , n rest
1 1 1
0 0 0
close all;
tes = 0.05; tmax = 10;
t= 0 : tes : tmax;
%f1=1hz f2=3Hz f3=4Hz
x= sin(0.5*2*pi*t) + sin(3*2*pi*t) + sin(7*2*pi*t);
subplot(1,2,1); plot(t, x);
58
4.3. Desf
asurarea lucr
arii
figure;
subplot(1,3,1); plot(t, xftj, k); axis([0 tmax -1.1 1.1]);
subplot(1,3,2); plot(t, xftb, k); axis([0 tmax -1.1 1.1]);
subplot(1,3,3); plot(t, xfts, k); axis([0 tmax -1.1 1.1]);
x 1 = sin(0.5*2*pi*t); x 2 = sin(3*2*pi*t); x 3 = sin(7*2*pi*t);
figure;
subplot(1,3,1); plot(t, x 1, k); axis([0 tmax-3.1 3.1]);
subplot(1,3,2); plot(t, x 2, k); axis([0 tmax -3.1 3.1]);
subplot(1,3,3); plot(t, x 3, k); axis([0 tmax -3.1 3.1]);
1 1 1
0 0 0
1 1 1
0 5 10 0 5 10 0 5 10
5
Printre cauze trebuie amintite si cele legate de lipsa preocup
arii fat
a de faza filtrului.
Ea fost considerata nul
a ceea ce este gresit.
59
LUCRAREA 4. TRANSFORMATA FOURIER
3. Se nt
ampl
a ca pentru functii a c
aror transformat
a Fourier are numai
parte real
a (n urma unui calcul teoretic) functia fft s
a raporteze o
parte imaginar a nenul
a. De ce?
60
Lucrarea 5
Semnale aleatoare
Caracterizarea statistic
a a semnalului aleator se poate referi la:
O variabila aleatoare. Aceasta se obtine dac a se fixeaz
a un moment de
timp t = t0 . Parametri sunt cei ai unei variabile aleatoare (discutati
n lucrarea 2) cu precizarea c
a pot fi diferiti pentru fiecare moment de
timp. Mai precis, se definesc:
61
LUCRAREA 5. SEMNALE ALEATOARE
F (x, t0 )
w (x, t0 ) = , t0 (5.2)
x
S
i aceasta este o functie de doua variabile. In mod similar, la
orice moment de timp functia obtinut a va respecta propriet
atile
unei densitati de probabilitate.
Momentele statistice, at
at centrate c
at si necentrate, sunt functii
de timp. Ne vom rezuma n a defini momentele des folosite:
Media:
Z
(t0 ) = xw (x, t0 )dx, t0 (5.3)
Media p
atratic
a:
Z
2 (t0 ) = x2 w (x, t0 )dx, t0 (5.4)
Varianta:
Z 2
2 (t0 ) = x (t0 ) w (x, t0 )dx, t0 (5.5)
2 F (x1 , x2 , t1 , t2 )
w (x1 , x2 , t1 , t2 ) = , t1 , t2 (5.7)
x1 x2
Momente statistice de ordinul II. Cel mai des folosit astfel de mo-
ment este momentul necentrat de ordinul (1, 1). Acesta defineste
corelatia a doua variabile aleatoare. In cazul semnalelor aleatoare
se transform a ntr-o functie de dou
a momente de timp, si fiindca
62
5.1. Caracterizarea semnalelor aleatoare
cele dou
a variabile aleatoare provin din cadrul aceluiasi semnal
discut
am despre functia de autocorelatie:
Z Z
R (t1 , t2 ) = x1 x2 w (x1 , x2 , t1 , t2 )dx1 dx2 = (t1 )(t2 ), t1 , t2
(5.8)
( ) = limT + T
k (t)k (t )dt (5.10)
T2
(t) = (t + ) =
(t) se consider
a SSL dac
a
R (t1 , t2 ) = R (t1 t2 ) = R ( ), = t1 t2
(5.11)
63
LUCRAREA 5. SEMNALE ALEATOARE
Este maxim
a n origine:
Este par
a:
R ( ) = R ( ), 0 (5.14)
64
5.2. Teorema Wiener-Hincin
Dac
a semnalul nu este periodic atunci valoarea la + este p
atratul
mediei semnalului:
2
R (+) = (t)(t + ) = (5.16)
Dac
a (t) = (t + T ), t R ( ) = R ( + T ), (5.17)
Se truncheaz
a la un interval de lungime T din jurul originii:
k (t) , pentru T2 t T2
T
k (t) =
0 , n rest
XkT () = F kT (t)
|XkT ()|2
q () = lim (5.18)
T + T
unde medierea de la numar
ator este dup
a toate realiz
arile particulare
ale semnalului aleator.
Propriet
atile densit
atii spectrale de putere sunt:
Este o functie ce ia numai valori reale si pozitive (este raportul dintre
modulul unei functii si un num
ar real si pozitiv);
F [R ( )] = q () (5.19)
65
LUCRAREA 5. SEMNALE ALEATOARE
q () = |H()|2 q () (5.20)
66
5.4. Desf
asurarea lucr
arii
5.4 Desf
asurarea lucr
arii
1. Semnale conditionatdeterministe. In realitate exist a putine cazuri
de semnale perfect aleatoare, n care num arul realiz
arilor particulare
a fie infinit. In orice caz, acestea sunt dificil de manipulat
diferite s
n medii de test cum este Matlabul. Mai interesant este studiul asa-
numitelor semnale conditionatdeterministe. Acestea sunt semnale
parametrice n care un parametru este o realizare particular a a unei
variabile aleatoare.
Fie semnalul x(t) = A sin(t), unde A este realizarea particular a a unei
variabile aleatore gaussiene de medie 0 si dispersie 1. S a se reprezinte
20 de realiz
ari particulare ale acestui semnal n intervalul [5, 5]. Sa
se calculeze media si dispersia la toate momentele de timp considerate
si s
a se repre-zinte grafic. Sa se calculeze functia de autocorelatie. S
a
se decida asupra stationaritatii semnalului.
67
LUCRAREA 5. SEMNALE ALEATOARE
2. Aceeasi cerint
a ca si n cazul problemei precedente, dar pentru sem-
nalul x(t) = A sin(0 t + P ), unde A si 0 sunt constante, iar P este
o realizare particular a a unei variabile aleatoare distribuite uniform n
[, ].
Media patratic
a este:
Z 2 +
2
A 2 A2 A2 A2
x (t) = sin (0 t + z) = + cos(20 t + 2z) = , t
2 4 2 4
68
5.4. Desf
asurarea lucr
arii
2
0.5
1
0 0
1
0.5
2
3 1
20 10 0 10 20 10 0 10
1.2
2
1 1
0.8 0
0.6 1
0.4 2
20
0.2 20
0
0
0
20 10 0 10 20 20 20
A = 1;
P = 2*pi * (rand(1,N)-0.5); % uniforma ^
n [-,]
for i=1:N
x(i,:) = A*sin(w*t+P(i));
end
for k=1:lg;
69
LUCRAREA 5. SEMNALE ALEATOARE
0.5 0.5
0 0
0.5 0.5
1 1
20 10 0 10 20 10 0 10
0.8 1
0.5
0.6
0
0.4 0.5
1
0.2 20
20
0
0
0
10 0 10 20 20
r(k) = R(k,lg-k+1);
end
A2 A2
F {RX ( )}() = ( 0 ) + ( + 0 ) .
2 2
Rezolvare: Pentru a calcula direct (pe baza formulei 5.18) se poate
proceda astfel:
X = abs(fft(x,[ ],2));
Q1 = abs(mean(X.*X) / (10*pi));
Semnalul aleator considerat este stationar n sens larg, caz n care teo-
rema WinerHincin ne asigur a ca densitatea spectral a de putere este
transformata Fourier a functiei de autocorelatie. Adic a, aceasta se
70
5.4. Desf
asurarea lucr
arii
Q2 = abs(fft(r));
Cele dou
a rezultate sunt afisate grafic n figura 5.3. Prima observatie
Calcul direct
35
30
25
20
15
10
0
0 10 20 30 40 50 60 70
Teorema WienerHincin
20
15
10
0
0 10 20 30 40 50 60 70
Rezolvare:
71
LUCRAREA 5. SEMNALE ALEATOARE
4
5 4 3 2 1 0 1 2 3 4 5
72
5.5. Exercitii si teme propuse
(a) R ( ) = 5;
(b) R ( ) = sin( );
(c) R ( ) = cos( );
(d) R ( ) = 5, pentru [5, 5] ;
1
(e) R ( ) = 1+ 2
;
1
(f) R ( ) = 1+ 3
;
1
(g) R ( ) = | | ;
1
(h) R ( ) = ;
(a) q () = 2;
(b) q () = sin();
(c) q () = 2 + cos(); ;
1
(d) q () = 1+ 2
;
1
(e) q () = 1+3 ;
1
(f) q () = || ;
(g) q ( = 1 ;
73
LUCRAREA 5. SEMNALE ALEATOARE
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1
5 4 3 2 1 0 1 2 3 4 5
74
Lucrarea 6
Detectia statistic
aa
semnalelor
1
Se cere elaborarea unei solutii generale, care s
a nu tin
a cont de realizarea particular
a
a perturbatiei. O m asur
a general valabil a, n cazul unei variabile aleatoare, este, de
exemplu, densitatea de probabilitate.
75
LUCRAREA 6. DETECT A SEMNALELOR
IA STATISTICA
D1 dac a se decide c
a semnalul receptionat provine din semnalul s1
si, deci, sursa a emis simbolul S1 .
Vom nota cu Dj /Si faptul ca s-a luat decizia Dj atunci c and s-a transmis
Si . Variantele posibile de decizie n functie de simbolul emis pot fi urm arite
n figura 6.2
Probabilitatea de eroare la decizie este dat a de ecuatia:
Un criteriu pe baza c aruia se poate lua decizia este cel al minimiz arii
probabilitatii de eroare. Ins a nu ntotdeauna deciziile au acelasi impact. In
general o decizie gresit a costa mai mult dec at una corect a, dar, n plus, se
poate nt
ampla ca o greseal a s
a fie mai important a decat alta.
Exemplul clasic este cel al radarului n r azboi, n care se decide prezenta,
respectiv absenta avioanelor inamice. Cazul n care un avion inamic nu a
fost detectat (D0 /S1 este numit a si miss detection) ar putea fi considerat
mai grav dec at cel n care s-a decis prezenta acestuia desi avionul nu exista
(D1 /S0 este numit a si false alarm).
Un alt exemplu poate fi cel al unui medic generalist. Uneori este mai
grav ca medicul s a decid a ca pacientul s au este s anatos desi acesta este
bonav (D0 /S1 ) dec at daca decizia este c a pacientul este bolnav cand acesta
este s
anatos (D0 /S1 ).
Atunci c and unele erori sunt mai grave dec at altele, ar trebui tinut cont
de acest lucru n procesul de decizie. Acesta se face definind costul fiec arei
decizii. Vom nota cu cij costul situatiei n care s-a transmis Si si s-a decis Dj
76
6.1. Detectie n cazul binar. Criteriul lui Bayes
(R) D
D0 K ,
1
(6.3)
unde (R) se numeste raport de plauzibilitate si reprezint
a:
w(R/S1 )
(R) = , (6.4)
w(R/S0 )
77
LUCRAREA 6. DETECT A SEMNALELOR
IA STATISTICA
S
tim, asadar, distributiile de ordin unu ale tuturor celor N componente ale
vectorului R/Si . Pentru a putea aplica ecuatia 6.4 ne trebuie distributia
de ordin N a tuturor componentelor. Dup a cum se stie, singurul caz n
care putem afla o distributie de ordin superior stiind distributiile de ordin
inferior este acela n care variabilele sunt independente. Dar zgomotul n(t)
este modelat ca zgomot alb, ceea ce nseamn a ca dou
a esantioane diferite
ale zgomotului sunt decorelate. In plus, ele sunt si gaussiene si deci pot
fi considerate independente. Stim c a pentru dou a variabile independente
(, ):
w (x, y) = w (x) w (y), x, y (6.8)
In cazul nostru avem de-a face cu N variabile independente, distribuite
gaussian; deci, va rezulta:
N
Y
wR/Si (r) = wR(tk )/Si (r(tk )) =
k=1
(6.9)
N
N " #
1 1 X
= exp 2 [r(tk ) si (tk )]2
n 2 2n
k=1
Fac
and cateva prelucr
ari elementare, ajungem la cea mai simpl
a form
a
a criteriului lui Bayes, pentru acest caz particular:
N N
X 1X
r(tk )[s1 (tk ) s0 (tk )] D1
D0 [s1 (tk )2 s0 (tk )2 ] + n2 ln K . (6.13)
2
k=1 k=1
78
6.1. Detectie n cazul binar. Criteriul lui Bayes
alarma fals
a (false alarm): se decide D1 , c
and sursa a emis sim-
bolul S0 ;
tint
a ratat
a (miss detection): se decide D0 , c
and sursa a emis
simbolul S1 .
Vom calcula probabilitatea unei alarme false, P (D1 /S0 ). Pentru a decide
D1 inseamn
a ca are loc inegalitatea:
N N
X 1X
r(tk ) [s1 (tk ) s0 (tk )] > n2 ln K + [s1 (tk )2 s0 (tk )2 ] (6.14)
2
k=1 k=1
In formula de mai sus n(tk ) sunt realiz ari particulare ale variabilei aleatoare
obtinute prin observarea zgomotului alb, n(t), la momente de timp fixate.
Deci n(tk ) sunt realiz ari particulare ale unor variabile aleatoare indepen-
dente, distribuite gaussian de medie nul a si dispersie cunoscuta. Adunarea
acestora cu constantele s0 (tk ) le va schimba media de la 0 la s0 (tk ). Asadar
statistica suficient
a l/S0 este o combinatie liniar a de variabile aleatoare
gaussiene si, deci, este la r
andul ei o gaussian a de medie l si dispersie l
ce pot fi usor determinate.
Asadar probabilitatea unei alarme false este:
Z
P (D1 /S0 ) = P (l/S0 > const) = wl/S0 (x)dx (6.17)
const
79
LUCRAREA 6. DETECT A SEMNALELOR
IA STATISTICA
6.2 Desf
asurarea lucr
arii
1. Fie un sistem binar de transmisiune cu detectie n care zgomotul aso-
ciat canalului de transmisiune este aditiv, gaussian, de medie n = 0
si varianta n2 = 0.1. Semnalele asociate celor dou a simboluri sunt
s0 (t) = 0 si s1 (t) = 1 pentru t [1, 100]. Se consider a N=100 de
momente de esantionare. Vizualizati pe acelasi grafic semnalele care
se receptioneaz a dac
a s-a emis S0 , respectiv S1 . Modificati parametri
zgomotului. Ce observati? Puteti lua o decizie cu privire la ce simbol
s-a emis indiferent de parametri zgomotului?
Rezolvare:
a) b) c)
1.4 6.4 2.5
1.2 6.2 2
1 6 1.5
0.8 5.8 1
0.4 5.4 0
0 5 1
0.4 4.6 2
0 50 100 0 50 100 0 50 100
80
6.2. Desf
asurarea lucr
arii
Rezolvare.
S
tim c
a:
R(5)/Si = si (5) + n(5), (6.18)
este o realizare particular
a a unei variabile aleatoare. Pentru a-i vizual-
iza distributia ne sunt necesare cat mai multe astfel de realizari par-
ticulare. Vom genera asadar mai multe esantioane ale zgomotului si
le vom aduna constantele corespunz atoare semnalelor asociate sim-
bolurilor. Codul necesar este:
% definim t k
t=5;
% semnalele asociate celor doua simboluri
s0 = zeros(1,100); s1 = ones(1,100);
% parametri zgomotului
medie n = 0; sigma n = 0.1;
M=20000;%num
arul de repetari ale experimentului
for i=1:M
% gener
am zgomotul. Acesta provine din aceea si distribut
ie
% indiferent de momentul de timp ales
n = sigma n * randn(1,100) + medie n;
% calculam e
santionul semnalului recept
ionat dac
a s-a
emis S0
r0(i) = n(t) + s0(t);
end
for i=1:M
% gener
am zgomotul
n = sigma n * randn(1,100) + medie n;
% calculam e
santionul semnalului recept
ionat dac
a s-a
emis S1
r1(i) = n(t) + s1(t);
end
% vizualiz
am histogramele
[h0, x0] = hist(r0, 100); figure,plot(x0, h0/M)
m0 = mean(r0), d0 = std(r0)
[h1, x1] = hist(r1, 100); figure,plot(x1, h1/M)
m1 = mean(r1), d1 = std(r1)
81
LUCRAREA 6. DETECT A SEMNALELOR
IA STATISTICA
a) b) c)
0.035 0.035 0.04
0.035
0.03 0.03
0.03
0.025 0.025
0.025
0.02 0.02
0.02
0.015 0.015
0.015
0.01 0.01
0.01
0.005 0.005
0.005
0 0 0
1 0 1 2 4 5 6 7 5 0 5
a) b) c)
0.04 0.035 0.04
0.035 0.035
0.03
0.03 0.03
0.025
0.025 0.025
0.02
0.02 0.02
0.015
0.015 0.015
0.01
0.01 0.01
0.005
0.005 0.005
0 0 0
0.65 0.7 0.75 0.8 1 0 1 2 1 0 1
% costurile
c00 = 0; c11 = 0; c01 = 1; c10 = 1;
% probabilit
a
tile simbolurilor emise de surs
a
82
6.2. Desf
asurarea lucr
arii
P0 = 0.5; P1 = 0.5;
% e
santioanele semnalului recept
ionat
r = 0.5;
% e
santioanele semnalelor asociate simbolurilor
s0 = 0; s1 = 1;
% parametri zgomotului
medie n=0; sigma n=0.5;
% calculul pragului testului
ln K = log( (P0*(c01-c00))/(P1*(c10-c11)) )
% calculul raportului de plauzibilitate
ln lambda = sum (r .* (s1-s0)/(sigma n^2) - sum(s1.^2-s0.^2)/(2*sigma n^2))
% luarea deciziei
if(ln lambda < ln K)
fprintf(S-a emis S0);
else
fprintf(S-a emis S1);
end
1.5
1
decizie
0.5
0.5
1
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
P
0
83
LUCRAREA 6. DETECT A SEMNALELOR
IA STATISTICA
84
6.2. Desf
asurarea lucr
arii
else
fprintf(S-a emis 1);
end
85
LUCRAREA 6. DETECT A SEMNALELOR
IA STATISTICA
2. Ce semnificatie fizic
a are pragul testului?
3. Ce reprezint
a statistica suficient
a?
86
Lucrarea 7
Estimarea parametrilor
Dac a n cazul detectiei se punea problema alegerii unui semnal (sau sim-
plist a unui parametru) dintr-un set finit, cunoscut, n cazul estim arii prob-
lema se complic a, iar setul de valori din care trebui ales este infinit. Esti-
marea presupune determinarea unui parametru al unui semnal. Pentru a
calcula valoarea acestuia se folosesc mai multe informatii despre parametrul
c
autat. Aceste informatii sunt obtinute la momentul curent printr-un set
de m asur atori asupra semnalului, un set de cunostinte avute nainte de
nceperea experimentului asupra valorilor posibile ale parametrului (den-
umite cunostinte a priori) si prin precizarea modelului (mecanismului) prin
care se obtine semnalul m asurat din valorile initiale.
Un caz tipic n care se pune problema estim arii unui parametru este acela
al masur arii n zgomot a unui semnal parametric1 . Fie semnalul s(t) care de-
pinde de parametrul astfel nc at semnalul este de fapt s(t, ). M
asur atorile
sunt afectate de zgomot aditiv, n(t), iar semnalul disponibil este:
r(t) = s(t, ) + n(t), cu t [0, T ] (7.1)
Din m asurarea semnalului receptionat, r(t), n intervalul de timp finit
(si pre-fixat) [0, T ] se doreste determinarea valorii parametrului purt
ator de
informatie , adic a se vrea calculul unui estimat al acestui parametru (notat
).
87
LUCRAREA 7. ESTIMAREA PARAMETRILOR
atunci rezultatul este asa numitul estimat maxim a posteriori: map . Dup a
cum se precizeaz a si n nume, aceast a valoare a parametrului este abscisa
punctului n care densitatea de probabilitate a posteriori si atinge maximul
global.
Pentru a motiva obtinerea acestui rezultat vom ncerca s a d
am o explicatie
mai mult bazat a pe intuitie dec at pe un calcul matematic.
Sa ncepem prin a considera c a nu stim absolut nimic despre posibilele
valori ale parametrului c autat nainte de nceperea experimentului. In acest
caz nu putem folosi dec at informatia rezultat a din m
asur
atori. Este simplu
s
a ne imagin am ca dac a valorile masurate (n mod direct) sunt n intervalul
[10,11] atunci considerarea unei valori corecte undeva n jurul lui 0 este haz-
ardat a. Deci fiind dat setul de valori m asurate putem construi o functie care
s
a exprime sansa ca parametrul c autat sa ia anumite valori. In exemplul am-
intit functia va avea valori mari n intervalul [10,11] si din ce n ce mai mici
pe m asur a ce ne dep artam de acest interval. Totusi putem proceda ntr-un
mod mai elaborat, dac a tinem cont de mecanismul de obtinere a valorilor
masurate.
88
7.1. Estimarea parametrilor n cazul discret
89
LUCRAREA 7. ESTIMAREA PARAMETRILOR
90
7.1. Estimarea parametrilor n cazul discret
T inand cont c
a vectorul de observatie are N elemente si efectu
and pre-
lucrari asupra relatiei precedente, se obtine estimatul maxim a posteriori ca
fiind: PN
ri
map = 2 i=1 + 2 (7.12)
n
2 + N
2 N + 1
n
map = m
91
LUCRAREA 7. ESTIMAREA PARAMETRILOR
Adic a, dac
a m
asuratoarea este de ncredere atunci estimatul a poste-
riori este media m
asur
atorilor.
7.1.2 Estimatul p
atratic
Dac
a se alege o functie de cost p
atratic
a, cum ar fi:
C() = Cp () = 2 (7.13)
Z Z
w(r|)w ()
p = w(|r)d = d (7.14)
w(r)
(a) (b)
2 2
maximul densitatii
de probabilitate maximul densitatii
1.8 1.8 de probabilitate
1.4 1.4
1.2 1.2
media
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 0.5 1 1.5 2 0 0.5 1 1.5 2
92
7.2. Desf
asurarea lucr
arii
7.2 Desf
asurarea lucr
arii
1. S
a se analizeze grafic exemplul prezentat: M asurarea unei tensiuni
constante, distribuit
a gaussian n jurul valorii de 11 V , cu varianta
2
1 V , se face prin 4 m asuratori cu un aparat de m asur
a afectat de
erori gaussiene de medie nul 0, 1 V 2 . Valorile m
a si varianta asurate
ale tensiunii sunt r1 = 9, 1 V , r2 = 10, 5 V , r3 = 11, 2 V r4 = 10, 2 V .
4
!
1 X (ri )2
w(r|) = w( + n|) = p exp =
( 2n2 )N 2n2
i=1
1
=
( 20.1)4
(9.1 )2 (10.5 )2 (11.2 )2 (10.2 )2
exp
0.2 0.2 0.2 0.2
93
LUCRAREA 7. ESTIMAREA PARAMETRILOR
for i= 1 : length(estmp)
rTh = sum( (r-estmp(i)) .* (r-estmp(i)) );
w r th(i) = 1/(sqrt(2*pi*sn2)^ 4) .* exp(-rTh/(2*sn2));
end% for
[val, pos] = max(w r th);
fprintf(Estimatul de maxima plauzibilitate pentru 4 mas este
...
theta=% 3.3f ,estmp(pos));
fprintf(Media masuratorilor este m=% 3.3f,mean(r));
subplot(2,2,2); plot(estmp, w r th, .r);
s = sprintf( plauzibilitatea );
title(s); grid on;
Dac
a se consider a numai informatia a priori, atunci densitatea de pro-
babilitate a lui este:
( )2 ( 11)2
1 1
w () = q exp = exp
22 22 2 1 21
Valoarea maxim
a este ns
asi media:
4
X (ri )2 ( )2
ln w(|r) = ln(const)
i=1
2n2 22
Valoarea maxim a a acestei functii este valoarea cautat
a; formula analitic
a
a ei este data de relatia 7.12:
PN
ri 9.1 + 10.5 + 11.2 + 10.2 11
map = 2 i=1 + 2 = 0.1 + 1
+N 1 +4 0.1 4 + 1
n
2 2
N +1
n
Pentru a c
auta n mod exhaustiv valoarea parametrului sau a o calcula
direct putem scrie:
94
7.2. Desf
asurarea lucr
arii
6 8 10 12 14 6 8 10 12 14
6 8 10 12 14 6 8 10 12 14
95
LUCRAREA 7. ESTIMAREA PARAMETRILOR
4. Se consider
a problema de la exercitiul 1 cu modificarea c a valoarea
tensiunii m
asurate provine din distributia (de tip exponential cu =
2): ( n
1
2 exp
2
0
, pentru > 0
w() =
0 n rest
unde 0 =9.
5
O densitate de probabilitate uniform a, de dispersie mare este denumit a de multe ori
distributie non-infomativ
a. Explicatia este sugerat
a de faptul c a nici o valoare nu este
mai probabila. Deci examin and densitatea de probabilitate, nu putem spune nimic n
plus despre sansele ca anumite valori s
a apara, dec
at ceea ce se stia: toate sunt la fel de
probabile.
96
7.2. Desf
asurarea lucr
arii
w th = zeros(size(estmp));
w th(estmp >= th0) = lambda * exp(-lambda*...
(estmp(estmp>=th0)-th0));
for i = 1 : length(estmp)
if estmp(i)<9
rTh = sum( (r-estmp(i)) .* (r-estmp(i)) );
w map(i) = -rTh/(2*sn2) ;
else
rTh = sum( (r-estmp(i)) .* (r-estmp(i)));
w map(i) = -rTh/(2*sn2) - lambda*(estmp(i)-th0);
end
end
6 8 10 12 14 6 8 10 12 14
6 8 10 12 14 6 8 10 12 14
97
LUCRAREA 7. ESTIMAREA PARAMETRILOR
Estimatul de maxim
a verosimilitate este:
PN
ri
mv = PN i=1
i=1 sin(ti )
N = 5;
t= pi/N : pi/N : pi; %momentele de timp
theta = 2; %valoare transmis
a a parametrului
s = theta * sin(t); %semnal transmis
n = randn(1,N); %zgomot
r = s + n;
theta mv = sum(r) / sum(sin(t));
figure; plot(t,s,:k); hold on;
hold on; plot(t,r); plot(t,r,.r);
text = sprintf(Valoare transmis theta=% 3.3f....
Valoare calculata theta mv=% 3.3f,theta,theta mv);
title(text);
Tema: Ce se nt
ampla daca intervalul este [0, 2], iar momentele de
timp sunt considerate la distante egale?
98
7.3. Exercitii si teme propuse
99
LUCRAREA 7. ESTIMAREA PARAMETRILOR
100
Lucrarea 8
Modele stochastice
Daca n lucr
arile precedente am fost preocupati de studiul semnalelor con-
tinue si numai mediul de lucru ne-a obligat s a proiect
am obiectele matem-
atice ntr-un spatiu discret, de aici nainte ne vom preocupa de semnale
discrete. Operatia prin care se obtine un semnal discret dintr-unul con-
tinuu este esantionarea. Teorema esantion arii [4] arat
a ca pentru a putea
reface complet semnalul continuu din secventa discret a asociat
a este nece-
sar ca frecventa de esantionare sa fie cel putin de doua ori mai mare dec at
frecventa maxim a a semnalului continuu. De fapt, secventele discrete, pre-
cum si notiunea de frecventa, au fost discutate n lucrarea 4.
Un semnal aleator discret se obtine prin esantionarea unui semnal aleator
continuu. Se pot genera si n mod direct semnale aleatoare discrete. Ipotezele
pe baza c arora se obtine un semnal aleator formeaz a asa numitul model
stochastic al semnalului.
Fie semnalul aleator discret :
matricea de autocorelatie:
R = T (8.1)
101
LUCRAREA 8. MODELE STOCHASTICE
(n)
(n)
8.1 Modelul MA
Modelul MA1 presupune calculul esantionului curent de la iesire pe baza
medierii ponderate a M+1 esantioane ale semnalului de la intrare. Dac a
notam cu (n) semnalul de la iesirea filtrului si cu (n) semnalul de la
intrarea sa atunci modelul MA va fi dat de:
102
8.2. Modelul auto-regresiv (AR)
1.2
0.8
0.6
0.4
0.2
0.2
1 2 3 4 5 6 7 8 9 10 11
103
LUCRAREA 8. MODELE STOCHASTICE
8.3 Desf
asurarea lucr
arii
1. Modelul MA. Se consider a un semnal afectat de zgomot alb. Se va
trece acest semnal printr-un filtru de tip MA si se va urmari modifi-
carea rezultatului n functie de coeficientii filtrului.
close all;
t=0 : 0.1 : 3*pi;
n=0.2 * randn(size(t));
x=sin(t) + n;
%MA coef
b=[-3.92e-017;-0.19;-0.15;0.23;0.76;1;0.76;...
0.23;-0.15;-0.19;-3.9e-017];
b=b ./ sum(b); %pentru conservarea energiei semnalului
Lb=length(b);
for i = 1 : length(t)
if i<= Lb
y(i) = 0;
else
y(i) = sum(x(i-Lb+1:i) .* b);
end
end
plot(t, sin(t), r); hold on;
plot(t ,x); hold on;
plot(t, y, k); hold on;
2
Acest exemplu contine o modificare de la situatia general
a expus
a n breviarul teoretic,
unde la intrare se prezenta numai zgomot alb.
104
8.3. Desf
asurarea lucr
arii
(a) (b)
1.5 1.5
1 1
0.5 0.5
0 0
0.5 0.5
1 1
1.5 1.5
0 2 4 6 8 10 0 2 4 6 8 10
Figura 8.3: Aplicarea unui filtru trece jos sub forma unei ecuatii de tip MA
cu coeficienti a)diferiti, respectiv b)egali. Cu linie punctat
a este reprezentat
semnalul original, n timp ce cu linie continu a este reprezentat semnalul
obtinut prin mediere ponderat a din semnalul zgomotos reprezentat cu linie
ntrerupta.
2. S
a se implementeze, folosind modelul MA un filtru trece sus.
105
LUCRAREA 8. MODELE STOCHASTICE
4
0 1 2 3 4 5 6 7 8 9 10
iesire, s
a zicem (30) si (31), se obtin prin explicitarea ecuatiei 8.3:
1
(30) = ((30) + (29) + (28) + (27) + (26))
5
1
(31) = ((31) + (30) + (29) + (28) + (27))
5
Adica cei mai multi termeni care contribuie la un esantion al sem-
nalului de la iesire au contribuit si la esantionul precedent. Putem
scrie:
1 1
(31) = (30) + (31) (27)
5 5
Sau, la modul general, dac a rescriem ecuatia 8.3 se obtine:
(
(n + 1) = (n) + M1+1 (n + 1) M1+1 (n M ) , n = M, M + 1,
1 PM
(M ) = M +1 i=0 (i)
(8.8)
Secventa Matlab care implementeaz a aceast
a variant
a (aplicat
a sem-
nalului de la exercitiul precedent) este:
y = zeros(size(x));
M = 7;
for i = 1 : length(x)
if i<M+1
y(i) = 0;
elseif i==M
y(i) = (1/(M+1)) * sum(x(1:i));
else
y(i) = y(i-1)+(1/(M+1)) * (x(i)-x(i-M));
end
106
8.3. Desf
asurarea lucr
arii
end
Rezolvare:
Solutia evidenta este s
a se calculeze coeficientii filtrului AR pe baza
ecuatiilor Yule-Walker. Codul Matlab este:
107
LUCRAREA 8. MODELE STOCHASTICE
0.5
0
1 2 3 4 5 6 7 8 9 10 11
Esantioanele de zgomot
4
4
0 20 40 60 80 100 120 140 160 180 200
Semnalul rezultant
20
10
10
20
0 20 40 60 80 100 120 140 160 180 200
0.5
0.5
1
0 1 2 3 4 5 6 7 8 9 10
Esantioanele de zgomot
4
4
0 20 40 60 80 100 120 140 160 180 200
Semnalul rezultant
5
10
0 20 40 60 80 100 120 140 160 180 200
108
8.3. Desf
asurarea lucr
arii
2
zgomot intrare
semnal corelatiesire
6
6 4 2 0 2 4 6
109
LUCRAREA 8. MODELE STOCHASTICE
2. Demonstrati c
a prin folosirea modelului MA simplificat, aplicat unui
zgomot alb se reduce varianta zgomotului.
5. C
and este filtrul de tip AR stabil?
110
Lucrarea 9
Tranformate unitare.
Compresia semnalelor
0.8
0.6
0.4
y
0.2
0 x
1
0.8 1
0.6 0.8
0.4 0.6
0.4
0.2
0.2
0 0
S
a formaliz
am notiunile. Dac
a U este o matrice unitar
a, atunci prin
1
Prin definitie, o transformare unitar a este un izomorfism ntre dou a spatii Hilbert.
Definitia poate fi particularizat
a pentru matrici, caz n care aplicarea unei matrice unitare,
U unor vectori p astreaz
a produsul scalar: hU x, U yi = hx, yi.
111
LUCRAREA 9. TRANFORMATE UNITARE. COMPRESIA
SEMNALELOR
definitie:
U U = U U = In (9.1)
Adica inversa unei matrice unitare este conjugat transpusa sa (U 1 = U =
(U C )T ). Dac
a ne restr
angem la cazul real, atunci o matrice unitara este o
matrice ortogonala.
Propriet
atile matricelor unitare (ortogonale) includ:
uiT uj = 0
(9.2)
uiT ui = 1
y = Ux (9.3)
112
9.2. Transformata Karhunen-Loeve
1.2
0.8
0.6
0.4
0.2
0.2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
113
LUCRAREA 9. TRANFORMATE UNITARE. COMPRESIA
SEMNALELOR
(a) Reprezentare XYZ (b) Proiectie XY
1
1 0.8
0.6
0.5
Y
0.4
0
1 0.2
1
0.5
0.5
0
Y 0 0 X 0 0.2 0.4 0.6 0.8 1
X
0.6 0.6
0.5 0.5
0.4 0.4
Z
Z
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
X Y
Figura 9.3: Un set de date. Dup a cum se poate vedea, variatiile de-a lungul
axei Z sunt mai putin semnificative dec at cele corespunzatoare axelor X si
Y. De fapt, ntreg setul de date se poate proiecta pe un plan (reprezentat n
(a) ) f
ar
a a pierde mult din informatia continut
a.
{1} {2} {N }
Matricea unitar
a care asigur
a transformarea dorit
a este:
U KL = u{1}u{2} . . . u{N}
114
9.3. Transformata COS
115
LUCRAREA 9. TRANFORMATE UNITARE. COMPRESIA
SEMNALELOR
transformata COS discret a a unei secvente x de lungime N , ca fiind:
1 PN
(2i1)(k1)
i=1 x(i) cos , pentru k=1
2N
y(k) = COS{x(i)} = N
2 PN (in1)(k1)
i=1 x(i) cos 2N , pentru k=2,3,. . . N
N
(9.4)
Matricea unitar
a asociat
a transformarii COS este:
U = [uki ], unde
1
u1i =
(9.5)
N
2 PN (in1)(k1)
uki = i=1 cos 2N
N
Transformata COS admite o transformare invers a care permite refacerea
secventei initiale din secventa transformata. Aceasta se defineste ca fiind:
(2i1)(k1)
( PN 1
i=1 N y(k) cos , i=1
2N
x(i)(k) = ICOS{y(k)} = PN (n1)(k1)
2
i=1 N y(k) cos 2N , i=2,3,. . . N
(9.6)
Transformarea COS este foarte aproape (ca valori si rezultate) de trans-
formarea KL pentru procese caracterizate de un coeficient de corelatie mare
( > 0.9). Un asemenea proces are matricea de autocorelatie de forma:
1 0 0 ... 0
1 1 0 ... 0
RX = 0
1 1 ... 0
... ... ... ... . . . . . .
0 0 0 0 ...
Aceast a leg
atura permite o implementare rapid a a transformatei COS
folosindu-se transformata Fourier rapid a. Mai mult, datorit
a acestei pro-
priet
ati se poate conferi o interpretare valorilor obtinute n urma tran-
formarii COS; rezultatul are aceeasi semnificatie de ponderare a unor anu-
mite frecvente ca si n cazul transformatei Fourier.
Intre aplicatiile larg folosite ale transformatei COS se num
ara standardul
JPEG (ce are inclus o transformare COS 8 8 ), aplicatii din domeniul
prelucrarii semnalelor vocale, etc.
116
9.4. Desfasurarea lucr
arii
Rezolvare: O posibil
a implementare este:
%calcul
am matricea de autocorelatie
corr mat = X * X;
%calcul
am vectorii si valorile proprii
[U,lambda] = eig(corr mat);
%extragem valorile proprii
lambda = diag(lambda);
%sort
am valorile proprii
[lambda,ind] = sort(lambda);
lambdaS = lambda(end:-1:1);
%pozit
ionam corespunz
ator vectorii proprii;
U = U(:,ind(end:-1:1));
%proiect
am datele ^n noul sistem de coordonate
Y = (U * X);
subplot(2,2,2);
plot3(Y(:,1), Y(:,2), Y(:,3), .k);
grid on; title(Setul de date proiectat);
axis([-2.5,2.5,-2.5,2.5,-2.5,2.5]);
%desen
am noul sistem de coordonate ^
n raport cu cel vechi
axOrx = [0,0,0;1,0,0];
axOry = [0,0,0;0,1,0];
axOrz = [0,0,0;0,0,1];
subplot(2,2,3);
p = plot3(axOrx(:,1), axOrx(:,2), axOrx(:,3), k);
hold on; set(p,LineWidth,2);
p = plot3(axOry(:,1), axOry(:,2), axOry(:,3), k);
hold on; set(p, LineWidth ,2);
p = plot3(axOrz(:,1), axOrz(:,2), axOrz(:,3), k);
117
LUCRAREA 9. TRANFORMATE UNITARE. COMPRESIA
SEMNALELOR
hold on; set(p,LineWidth,2);
z = zeros(1,3);
for i = 1 : 3
p = plot3([0, U(i,1)], [0, U(i,2)], [0, U(i,3)], --r);
hold on; set(p,LineWidth,2);
end
grid on; title(Seturile de axe); axis([-1,1,-1,1,-1,1]);
2 2
1
0 0
1
2
2
2 2
0 2 2
0
0 0
2 2 2 2
1
2
0.5 1
0 0
0.5 1
2
1
1 2
1 2
0 0
0 0
1 1 2 2
2. S
a se repete exercitiul precedent pe un set de date necorelate. S
a se
118
9.4. Desfasurarea lucr
arii
X=randn(100,3);
2 2
1 1
0 0
1 1
2 2
2 2
2 2
0 0
0 0
2 2 2 2
1
2
0.5 1
0 0
0.5 1
2
1
1 2
1 2
0 0
0 0
1 1 2 2
119
LUCRAREA 9. TRANFORMATE UNITARE. COMPRESIA
SEMNALELOR
c
ateva calcule elementare obtinem:
U 1 y = U 1 U x
(9.8)
UT y = x
Y1 = Y; Y1(:,3) = 0;
X1 = (U * Y1);
subplot(1,2,1);
plot3(X(:,1), X(:,2), X(:,3), .k); hold on;
plot3(X1(:,1), X1(:,2), X1(:,3), or); hold on;
grid on; title(Datele initiale si comprimate in spatiul original);
axis([-2.5,2.5, -2.5,2.5, -2.5,2.5]);
%eroarea
err = sum( X(:) - X1(:) ).^2
subplot(1,2,2);
plot3(Y(:,1), Y(:,2), Y(:,3), .k); hold on;
plot3(Y1(:,1), Y1(:,2), Y1(:,3), or); hold on;
grid on;
title(Datele initiale si comprimate in spatiul transformat);
a = zeros(100,1);
a(1) = randn;
for i = 2 : 100
a(i) = 0.9 * a(i-1) + 0.1 * randn(1,1);
end;
4
Raportul de compresie este definit aici ca fiind cantitatea de memorie necesar a stoc
arii
datelor transformate raportat a la cantitatea initial
a. In acest caz, raportul de compresie
este un procent si cu c
at e mai mic cu atat compresia e mai eficient a.
120
9.4. Desfasurarea lucr
arii
Datele initiale si comprimate in spatiul original Datele initiale si comprimate in spatiul transformat
2.5 0.05
2 0.04
1.5 0.03
1 0.02
0.5 0.01
0 0
0.5 0.01
1 0.02
1.5 0.03
2 0.04
2.5 0.05
1
2
1 0.5 5
2
0 1 0
0 0
1 0.5
1
2 2
1 5
b = randn(100,1);
figure;
subplot(2,1,1); plot(a, b);
hold on; plot( a, .b);
subplot(2,1,2); plot(b,b);
hold on; plot(b ,.b); %transformata COS
A = dct(a);
B = dct(b);
%Compresie
N = 50;
A(N:end) = 0; B(N:end) = 0;
a1 = idct(A);
b1 = idct(B);
subplot(2,1,1); plot(a1 ,:k);
hold on; plot(a1 ,ok);
title(date corelate);
subplot(2,1,2); plot(b1, :k);
hold on; plot(b1 ,ok);
title(date necorelate);
Dup a cum se poate vedea si n figura 9.7, compresia este mai eficienta
(aici n sensul de a pierde c
at mai putin din semnal) daca datele de in-
trare sunt corelate. Un grad mare de corelatie este echivalent cu a avea
o pondere important a a energiei semnalului concentrat a n ponderile
frecventelor joase rezultate n urma transform arii COS.
121
LUCRAREA 9. TRANFORMATE UNITARE. COMPRESIA
SEMNALELOR
date corelate
1.5
0.5
0.5
0 10 20 30 40 50 60 70 80 90 100
date necorelate
3
3
0 10 20 30 40 50 60 70 80 90 100
122
9.5. Exercitii si teme propuse
123
LUCRAREA 9. TRANFORMATE UNITARE. COMPRESIA
SEMNALELOR
124
Bibliografie
125
BIBLIOGRAFIE
126
Anexa A
axis - controleaz
a axele unui grafic;
ceil - transform
a valorile reale n valori ntregi prin m
arire;
circshift - shifteaz
a circular valorile unui vector
det - calculeaz
a determinantul unei matrice;
dct - calculeaz
a transformata Cosinus discret
a a unei secvente;
diff - calculez
a un vector ce contine diferenta a dou
a c
ate doua ele-
mente consecutive al unui vector original;
eye - genereaz
a matricea identitate;
127
ANEXA A. LISTA DE FUNCT
II MATLAB UTILIZATE
fft - calculeaz
a transformata Fourier Discret
a a unei secvente de nu-
mere
floor- transform
a valorile reale n valori ntregi prin rotunjire la cel
mai apropiat intreg mai mic;
fprintf - afiseaz
a un mesaj la consol
a;
grid - controleaz
a caroiajul unui grafic;
hist - calculez
a (si reprezint
a grafic) histograma unui vector de valori;
inv - calculeaz
a inversa unei matrice;
load - ncarc
a variabilele stocate dintr-un fisier .mat
mean - returneaz
a valoarea medie a elementelor unui vector;
prod - calculeaz
a produsul valorilor unui vector;
128
randn - genereaz a o matrice av
and cu realiz ari particulare ale unei
variabile aleatoare gaussiene de medie 0 si dispersie 1;
round - transform
a valorile reale n valori ntregi prin rotunjire;
ones - genereaz
a o matrice cu toate valorile 1;
save - salveaz
a variabilele specificate din memoria de lucru ntr-un
fisier .mat
set - seteaz
a o proprietate a unui obiect (folosita n special n grafic
a)
sort - sorteaz
a n ordine cresc
atoare valorile din vector;
subplot - genereaz
a mai multe suprafete de desen n figura curent
a;
sum - calculeaz
a suma valorilor unui vector;
title - afiseaz
a numele unui grafic;
zeros - genereaz
a o matrice cu toate valorile 0;
129