Lneární a adaptvní zpracování dat 8. Kumulační zvýrazňování sgnálů v šumu 2 Danel Schwarz Investce do rozvoe vzdělávání
Opakování Kumulační zpracování sgnálů co to e, k čemu to e? Prncp metody? Nutné podmínky pro úspěch metody? Jak zabezpečt koherenc repetc? Jakou velčnou vyadřueme úspěch kumulačního zpracování? Jaký e vztah pro tuto velčnu? Co se děe př nesplnění podmínek? Jak ověřt, že realzace šumu v ednotlvých repetcích nesou korelovány? Kumulace s rovnoměrným vaham a pevným oknem prncp, dynamka K?
Kumulace s pevným oknem + / - Pevné okno vyhovue, de l o ednorázové získání očštěného repetčního sgnálu. Po zpracování M repetc e nutno vynulovat regstry (pamět) kumulačních kanálů. M M = 30 M K P K U V plné kvaltě e sgnál k dspozc pouze ednou za M repetc. Sledování pomalých změn v sgnálu e omezeno.
Kumulace s klouzavým oknem Po přetí M repetc nedode k nulování kumulačních kanálů. V regstrech/pamětích e vždy zahrnuto posledních M repetc. a = M 0,, = 0,,..., M M y (, M ) max = M ( kt ). ( ) ( ) x lt = 0, = 0,,2,...
Kumulace s klouzavým oknem Po přetí M repetc nedode k nulování kumulačních kanálů. V regstrech/pamětích e vždy zahrnuto posledních M repetc. a = M 0,, = 0,,..., M M y (, M ) max = M ( kt ). ( ) ( ) x lt = 0, = 0,,2,...
Kumulace s klouzavým oknem Po přetí M repetc nedode k nulování kumulačních kanálů. V regstrech e vždy zahrnuto posledních M repetc.
Kumulace s klouzavým oknem Po přetí M repetc nedode k nulování kumulačních kanálů. V regstrech e vždy zahrnuto posledních M repetc. Zlepšení SNR M 2M 3M Počet opakování
Exponencální kumulace Význam předchozích repetc e tím menší, čím sou starší. Postupné zapomínání starších hodnot.
Exponencální kumulace Význam předchozích repetc e tím menší, čím sou starší. Postupné zapomínání starších hodnot. Jde nám stále o vyhlazování prováděné v repetčních časových řadách!
Exponencální kumulace Význam předchozích repetc e tím menší, čím sou starší. Postupné zapomínání starších hodnot. a ( 0, ), 0,,2,... =, = y [ ] ( kt ) =. ( ) ( ) x lt = 0, = 0,,2,...
Exponencální kumulace Význam předchozích repetc e tím menší, čím sou starší. Postupné zapomínání starších hodnot. + a = = =?... = 0 = 0
Exponencální kumulace Význam předchozích repetc e tím menší, čím sou starší. Postupné zapomínání starších hodnot. + a = = = = 0 = 0
Exponencální kumulace Průměrné zlepšení poměru sgnálu k šumu: a a K U + = + + = = + + = = 0 2 0
Exponencální kumulace a a K U + = + + = = + + = = 0 2 0 = + = = = = a 0 0 Výsledná ampltuda sgnálu zlepšení SNR závsí na zpětnovazebním koefcentu.
Exponencální kumulace Výsledná ampltuda sgnálu zlepšení SNR závsí na zpětnovazebním koefcentu...?...
Exponencální kumulace Výsledná ampltuda sgnálu zlepšení SNR závsí na zpětnovazebním koefcentu. Čím blíže e >, tím vyšší sou oba parametry, ale tím déle trvá přblížení k ustálenému stavu.
Exponencální kumulace Výsledná ampltuda sgnálu zlepšení SNR závsí na zpětnovazebním koefcentu. Čím blíže e >, tím vyšší sou oba parametry, ale tím déle trvá přblížení k ustálenému stavu. Rovnoměrná kumulace s klouzavým oknem slouží ako normál M = + = M M +
7. cvčení. Na předloženém repetčním sgnálu odhalte tvar repetce pomocí kumulace s klouzavým oknem a rovnoměrným váham a dále pomocí kumulace s exponencálním váham. Volte různá a srovnete výsledné průběhy repetc. 2. Vykreslete pomocí Matlabu srovnání dynamckých vlastností exponencální kumulace pro =0.98098 a rovnoměrné kumulace s klouzavým oknem pro M=00. Určete počet repetc, které sou nutné k tomu, aby zlepšení poměru sgnálu k šumu bylo stené u metody s klouzavým oknem a u metody s exponencálním váham. 3. Vyhlazenou časovou řadu z příkladu č. zperodzute a přdete šum (dodá učtel). Ověřte, zda na výslednou směs budou fungovat kumulační technky a pokud ano, tak prostřednctvím lbovolné metody vypočtěte znovu ednu vyhlazenou repetc časové řady.
7. cvčení. příklad
7. cvčení. příklad
7. cvčení 2. příklad
7. cvčení 2. příklad
7. cvčení 3. příklad Předložený soubor nose.mat obsahue tř časové řady předtavuící různé typy rušení: whtenose, colornose, generalnose
7. cvčení 3. příklad generalnose e sce generován centrovaným procesem (střední hodnota celé řady e nula), ale už ze samotného průběhu se dá usoudt na nestaconartu této řady. Přestože tato rušvá složka vypadá ako nemenší, bude eí vlv na výsledek kumulačního zvýraznění sgnálu v šumu nehorší, vz autokorelační funkce všech rušvých složek
7. cvčení 3. příklad
7. cvčení 3. příklad
7. cvčení 3. příklad
7. cvčení 3. příklad