Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouGabriel Amaro Alterado mais de 9 anos atrás
1
Instituto de Sistemas e Robótica - Instituto Superior Técnico
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
Sinal observado no receptor
Ruído Sinal emitido por uma de entre várias fontes possíveis Sinal observado no receptor Canal + Sinal determinístico ou estocástico Canal conhecido ou desconhecido Distribuição do ruído conhecida Energia do sinal conhecida ou desconhecida
5
Classificador Bayesiano
Dado um vector de observações X e um conjunto de hipóteses Hi , i=0,…,N-1, escolhe-se a hipótese Hk tal que P(Hk|X) > P(Hi|X), Caso de sinais gaussianos de média nula em ruído gaussiano: Hk > < Hi Em que depende apenas das probabilidades a-priori das hipóteses Hk e Hi 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,
6
O processo X é em geral fortemente correlacionado e de elevada dimensão
A cada li0 pode-se aplicar uma transformação linear Mi (H0 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
Diagrama de blocos do detector binário
Ts Td Filtro Passa-baixo ideal Processo de observação Memória dim = Nd Decomposição linear Tt Amostragem Redução de ordem dim = Nc Rácio de verosimilhança H1 < > H0 Limiar de comparação Decisão Teste de verosimilhança Nd - Comprimento dos vectores de decomposição Nc - Número de coeficientes de decomposição Ts - Intervalo de amostragem Td - Ritmo de decomposição Tt - Ritmo de execução dos testes de verosimilhança
8
Decomposição wavelet discreta
H 2 H 2 H 2 cJ G 2 d1 G 2 d2 G 2 dJ H - Filtro passa-baixo G - Filtro passa-alto Propriedade de translação: seja TW[c0(n)] = [d1(n) d2(n) … dJ(n) cJ(n)]. Então, TW[c0(n-k2J) ] = [d1(n-k2(J-1)) d2(n-k2(J-2)) … dJ(n-k) cJ(n-k)]. Filtros equivalentes hjk e gjk cj(k) = <c0(n),hjk(n)> = <C0(W),Hjk(W)> dj(k) = <c0(n),gjk(n)> = <C0(W),Gjk(W)>
9
Desenho de filtros G e H de suporte compacto
- H é Passa-baixo - G é Passa-alto - G e H são ortonormados HG*=0 - Condições de decomposição e reconstrução H*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 qi, 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[e2(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[(dij)2] os elementos da diagonal da matriz de covariância ii) Para uma determinada escala j: Seja Lij o instante médio do suporte de gij: em que
13
Algoritmo de optimização
1 - Encontrar Ts máximo (Tlim), tal que d(Cref,CTs) < e 2 - Para Ts < Tlim e para dim(G,H) = N0, calcular 3 - Com os parâmetros calculados em 2, calcular a matriz de coeficientes wavelets Cw equivalente a CTs 4 - Eliminar os termos menos importantes da diagonal de Cw, bem como os respectivos termos cruzados, enquanto d(Cref,Cw) < e 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 J1 e J2 => Decomposição: multiplicações => Termo quadrático: M+K multiplicações Não é fácil optimizar os parâmetros directamente no número de multiplicações
15
Exemplo
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.
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.