modelos lineales
1. MODELOS LINEALES DE SEÑALES:
Ruido
blanco
w(n)
Sistema
LTI
x(n)
Representación
de Wold
Puede ser
MA: B(z)
AR: 1/A(z)
ARMA: B(z)/A(z)
Todo ceros
Todo polos
Polos-ceros
Nombre
Ecuación en diferencias
ARMA
x(n) bk w(n k ) a k x(n k )
MA
(P=0)
P
k 0
AR
(Q=0)
QComentarios
k 1
P
x(n) w(n) a k x(n k )
k 1
Q
x(n) bk w(n k )
k 0
Combinación lineal de la
misma señal
Recursividad del cálculo de
la siguiente muestra x(n)
Autoregresivo
Combinación lineal del ruido
blanco de entrada
Promedio ponderado del
ruido blanco Media móvil
Relación filtros digitales
FIR e IIR
Filtros IIR con polos y
ceros.Longitud infinita de la
respuesta al impulso
Filtros IIR solo polos
Longitud infinita de la
respuesta al impulso
Filtro FIR. Sólo ceros
Longitud finita de la
respuesta al impulso
PREGUNTA: ¿Cómo escoger el mejor modelo para una señal dada?
R/. Analizando su función su autocorrelación y autocorrelación parcial
1.1. RELACIÓN ENTRE LOS PARÁMETROS DEL MODELO Y LA FUNCIÓN DE AUTOCORRELACIÓN
rx(l ) E{x(n) x * (n l )}
Al calcularla para un ARMA, y asumiendo que la entrada es ruido blanco con función de
2
autocorrelación rw (l ) w (l ) (ver Tratamiento Digital de la Señal, Proakis página 865):
P
a k rx (l k )
kP1
Q l
rx (l ) a k rx (l k ) 2 h(k )bk l
w
k 0
* k 1
rx (l )
l Q
0l Q
l0
rx(l) para un
procesoestacionario
tiene simetría
1
P
a k rx (l k )
kP1
rx (l ) a k rx (l k ) 2
w
* k 1
rx (l )
Para un AR (Q=0):
0
Q l
rx (l ) 2 bk bk l
w
* k 0
rx (l )
Para un MA (P=0):
l0
l0
l0
l Q
0l Q
En MA h(k) = bk (Filtros FIR)
l0
Al analizar las tres ecuaciones se encuentran las siguientes formaspara la función de autocorrelación
(ACS) según el modelo:
MA(q)
AR(p)
ARMA(p,q)
Longitud finita
Longitud infinita (Exponencial decreciente o
senoidal amortiguada)
En conclusión: La autocorrelación permite determinar el tipo de modelo y el orden Q para el MA o el
ARMA.
PREGUNTA: ¿Cómo determinar el orden P?
R/. Usando la autocorrelación parcial
1.2. NOTACIÓN VECTORIAL DE LAFUNCIÓN DE AUTOCORRELACIÓN. ECUACIONES NORMALES.
P
Para el AR:
De rx(l=0) se obtiene:
a r (k )
k 0
P
De rx(l>0) se obtiene:
k x
2
w
a r (l k ) 0
k 0
k x
Las ecuaciones anteriores se pueden describir por medio de una operación matricial de la forma:
r (1)
r (2) r ( P) 1 2
r (0)
w
r (1)
r (0)
r (1) r ( P 1) a1 0
Coeficientes del
a2 0
ak del modelo
r ( P) r ( P 1) r ( P 2)
r (0)
Matriz
AR
Hermítica y
a P 0
Toeplitz
2
Lo anterior indica que se puede estimar ak a partir de la función de autocorrelación, siendo necesarios
solo los P+1 primeros datos de la función de autocorrelación para hacer esteproceso.
Una forma alternativa de la representación matricial anterior –la más usada- se obtiene a partir de
rx(l>0) para el modelo AR:
P
P
k 1
k 1
rx (l ) a k rx (l k ) a k rx (l k ) rx (l )
Que matricialmente es:
r (1)
r (2)
r (0)
r * (1)
r (0)
r (1)
*
*
*
r ( P 1) r ( P 2) r ( P 3)
r ( P 1) a1
r (1)
a
r (2)
r ( P 2) 2
a3 r (3)
r (0)
a P
r ( P )
Ecuaciones normales. Ecuaciones de Yule-Walker
R xa rx
a R 1rx
x
Para el ARMA, de rx(l>Q) se obtiene una matriz similar:
Se calcula
típicamente
mediante el
algoritmo de
LevinsonDurbin
r (Q)
r (Q 1)
r (Q 2)
r (Q P...
Regístrate para leer el documento completo.