A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Análise Multiresolução em Detecção e Classificação de Sinais Transientes Francisco M. Garcia Instituto de Sistemas e Robótica - Instituto Superior Técnico.

Apresentações semelhantes


Apresentação em tema: "Análise Multiresolução em Detecção e Classificação de Sinais Transientes Francisco M. Garcia Instituto de Sistemas e Robótica - Instituto Superior Técnico."— Transcrição da apresentação:

1 Análise Multiresolução em Detecção e Classificação de Sinais Transientes Francisco M. Garcia Instituto de Sistemas e Robótica - Instituto Superior Técnico

2 Organização da apresentação Descrição do problema. Problema de detecção e classificação clássico; caso estacionário e não estacionário; decomposição de Karhunen-Loève. Esquema de processamento em tempo real. Transformada wavelet discreta; parametrização de filtros. Escolha das famílias de wavelets, componentes principais e intervalo de amostragem; redução da complexidade computacional mantendo a qualidade do processador, distância de Chernoff. Exemplo. Conclusões.

3 Caracterização do problema e objectivos Sinais gaussianos de curta duração e passa-banda Ruído gaussiano e ruído impulsivo Ambiente multicaminho (acústica submarina) Baixa relação sinal-ruído Processadores em tempo real Avaliação da complexidade computacional dos processadores Avaliação de limites de desempenho

4 Canal + Sinal emitido por uma de entre várias fontes possíveis Ruído Sinal observado no receptor Sinal determinístico ou estocástico Canal conhecido ou desconhecido Distribuição do ruído conhecida Energia do sinal conhecida ou desconhecida

5 Em que depende apenas das probabilidades a-priori das hipóteses H k e H i e das respectivas matrizes de covâriancia. Para N hipóteses possíveis, existem combinações de testes para efectuar, embora seja apenas necessário efectuar N-1 cálculos quadráticos. De facto, Classificador Bayesiano Dado um vector de observações X e um conjunto de hipóteses H i, i=0,…,N-1, escolhe-se a hipótese H k tal que P(H k |X) > P(H i |X), Caso de sinais gaussianos de média nula em ruído gaussiano: Hk>Hk>

6 O processo X é em geral fortemente correlacionado e de elevada dimensão A cada l i0 pode-se aplicar uma transformação linear M i (H 0 ruído branco): A transformação óptima no sentido de reduzir o número de coeficientes é a decomposição de Karhunen-Loève Os coeficientes obtidos pela DKL são incorrelacionados (matriz de covariância diagonal) Caso estacionário - a DKL é a série de Fourier Caso não estacionário - DKL diferentes para cada classe de sinais diferentes

7 TsTs TdTd Filtro Passa-baixo ideal Processo de observação Memória dim = N d Decomposição linear TtTt AmostragemRedução de ordem Memória dim = N c Rácio de verosimilhança H1<>H0H1<>H0 Limiar de comparação Decisão Teste de verosimilhança N d - Comprimento dos vectores de decomposição N c - Número de coeficientes de decomposição T s - Intervalo de amostragem T d - Ritmo de decomposição T t - Ritmo de execução dos testes de verosimilhança Diagrama de blocos do detector binário

8 Decomposição wavelet discreta H c0c0 HH GGG c1c1 c2c2 cJcJ d2d2 d1d1 dJdJ H - Filtro passa-baixo G - Filtro passa-alto Propriedade de translação: seja TW[c 0 (n)] = [d 1 (n) d 2 (n) … d J (n) c J (n)]. Então, TW[c 0 (n-k2 J ) ] = [d 1 (n-k2 (J-1) ) d 2 (n-k2 (J-2) ) … d J (n-k) c J (n-k)]. Filtros equivalentes h j k e g j k c j (k) = = d j (k) = =

9 Desenho de filtros G e H de suporte compacto - H é Passa-baixo - G é Passa-alto - G e H são ortonormadosHG*=0 - Condições de decomposição e reconstruçãoH*H + G*G = 1 - Outras restrições: regularidade, simetria, etc... => O desenho de filtros QMF com reconstrução perfeita (PR) para um determinado objectivo corresponde a um problema de minimização com restrições. Zou e Tewfik mostraram que todos os filtros de comprimento 2M são parametrizáveis por um conjunto livre de parâmetros  i, i=1,…,M-1.

10 Problema de optimização Objectivos: - Escolher o intervalo de amostragem, família de wavelets e no. de coeficientes de forma a reduzir ao máximo a complexidade computacional Restrições: - Garantir a qualidade do processador Complexidade computacional reduzida se: - Os Filtros de decomposição forem curtos - O número de coeficientes fôr pequeno - As matrizes de covariância forem esparsas Qualidade do processador: - Erro quadrático médio E[  2 (t)]: Não é fiável - Ideal: Probabilidade de erro (computacionalmente incomportável) - Utilizada: Distância de Chernoff

11 Distância de Chernoff Válida para: - Matrizes definidas positivas - Processos decompostos na mesma base Permite obter limiares superior e inferior da probabilidade de erro:

12 Funcionais de optimização computacional da matriz de covariância i) Sejam E[(d i j ) 2 ] os elementos da diagonal da matriz de covariância ii) Para uma determinada escala j: Seja L i j o instante médio do suporte de g i j : em que

13 Algoritmo de optimização 1 - Encontrar T s máximo (T lim ), tal que d(C ref,C Ts ) <  2 - Para T s < T lim e para dim(G,H) = N 0, calcular 3 - Com os parâmetros calculados em 2, calcular a matriz de coeficientes wavelets C w equivalente a C Ts 4 - Eliminar os termos menos importantes da diagonal de Cw, bem como os respectivos termos cruzados, enquanto d(C ref,C w ) <  5 - Avaliar a complexidade computacional. se não fôr satisfatória, voltar a 2 e repetir para um valor diferente de dim(G,H).

14 Complexidade computacional Decomposição KL: - comprimento do sinal N - No. de vectores próprios P => (N+2)xP multiplicações no total (decomposição + forma quadrática) Transformada Wavelet: - Filtros G e H de comprimento L - Matriz com M elementos não nulos - Vector de coeficientes com K elementos - Decomposição entre as escalas J 1 e J 2 => Decomposição: multiplicações => Termo quadrático: M+K multiplicações Não é fácil optimizar os parâmetros directamente no número de multiplicações

15 Exemplo

16

17

18

19

20

21 Conclusões Para sinais transientes, de curta duração, de banda larga, a transformada wavelet traz vantagens computacionais comparativamente à decomposição de Karhunen-Loève. Os parâmetros do processador podem ser obtidos pela maximização de funcionais que utilizam os termos da diagonal da matriz de covariância A escolha do intervalo de amostragem influencia fortemente a carga computacional do processador. A família de wavelets, de suporte compacto, pode ser escolhida numa biblioteca de bases, ou optimizada através de uma parametrização sem restrições. A qualidade das aproximações efectuadas deve ser monitorizada. A distância de Chernoff é a medida adequada em problemas de detecção.


Carregar ppt "Análise Multiresolução em Detecção e Classificação de Sinais Transientes Francisco M. Garcia Instituto de Sistemas e Robótica - Instituto Superior Técnico."

Apresentações semelhantes


Anúncios Google