27451 skrypt3

27451 skrypt3



Cyfrowa ru tnA«iA aum i*-v •u.---"<

A


(6.2)

< y\r = \y >V- (yo >r)

A więc < y\T stanowi wektor wierszowy próbek Operację sumy elementów określimy jako


|* >r + |y >T= l«r+y >r= I r» ' V0 *t + vrl'

„ operacje mnożenia pr/ez5kalnr o t%_ zdefiniujemy jako

|v >ro* fyoa ■ • yr" I'

Mając wektory \x >r i b >r. wprowadźmy iloczyn skalamy ,ako

r

< jtly >r= N •• • xr][yo ■ ■ ■ yrY- 7L*'y'


(6.3)


(6.4)


(6.5)


Notacja


Majac |y >r. zdefiniujmy operator opóźnienia jako

|ry >T= [Oyo ... yr-,]'

skąd wniosek. Ze

|z*y >r= [0_2 yo ... yr.t]'


Wprowadźmy rodzinę podprzestrzeni

S,XJ = jpfln{|złv>r....,|z*y>r)


(6.14)

Niech


indukujący normę

IIIy>r \\=<y\y>l= (l>?)


(6.6)


\Y,.k >t= t |z'y >r ... |**y>r]

Wówczas operator projekcji ortogonalnej na S/>;7- będzie wyrażony jako

P(Si,k.r) = IYi.k>r< Yi.Mjc >}*< Yi.k\r    (6.16)


(6.15)


oraz metrykę

,/(|<>r.|y>r) = IIU>r-|y>7- || = || |x-y >7 11 =


- <x-y\x-y >}=

Operator projekcji ortogonalnej na span{\y >7} W™ wyrażony jako

P[\y>r) - l.v>r< >*l.v >7 '< >'l^

sknd wniosek, że projekcja ortogonalna wektora |x >r na span{\y >7}. »o

\t >t= P(\y >t)\x >t= I y >r< y\y >t 1 < *1* >T= \y>r P

Niech

k>r=(0—5 if


(6.7)


gdzie < YlJc\Yik >T 1 może być rozumiane w sensie macierzy pseudoodwrotnej Traktując |r'y >T,    ,|z*y >7 - zgodnie z (6.14) - jakobazę tej podprzestrzeni.

jej dowolny element będzie wyrażony jako


>t= Iz'y >r /*+ .. + |z*y >r /*


(6 17)


Wówczas dla elementów |</> >r oraz |y/ >T (gdzie 11// >r wyraża się za pomocą (6.17) z/„. ./V zamienionymi na g,. .. ,g*)mamy


< *| V >T= LA A] < YidYiJc >T [gi gk\


(6.18)


gdzie < Yik\Yik >r jest macierzą Grama elementów |z*y .,|z*y >T. Stąd i z (6.6) wynika, że


II* >r II2 = [//•• • fk] < Y,.k\Y,.k >r[fi ■ ■ fk}'


(6.19)


Uwaga: Zauważmy, ze przestrzenie Siik = span{y(t - i).. ,y[t - fc)} (gdzie y(t — j) są zmiennymi losowymi stacjonarnego ergodycznego sygnału losowego y) i (6.14) są (asymptotycznie) izomorficznie izornetryćzne W istocie


I. y(t - j) f+ \zJy>T

Wówczas

< n\y >7= >i


(6.1D


2. (y(r - f),y(r - /)) = Ey(t - j)y(r - /) = lim - < z>y\zly >T

I —*ro I

132

(ccdim

133

sniiłHł

Cyfrowa filtracja adaptacyjna szeregów czasowych

skąd wniosek, ie


lly(' - »IIJ = lim ^ < ryy|.Jv >T

7 —*w /


j = i,...tk

W konsekwencji, jeśli rozważyć elementy $,'(/£ S,ik, gdzie 0 = f,y(t    -f fkv(t - k)

V = giyU-i) + ••• + £*>'('-*)

m


Rys


Liniowa prognoza śREDNiOKWApnArowA szeregów czasowych


oraz elementy |0 >7, |i/r >r€ Sj^-j (6.17), to


I


(*. V) = Jim - < 0|v' >7

7 -*rt> I


a zatem:

/    >T


2.


1,2 =/i"f11


Poszukiwany estymator prognozy

l>V >7= [>W.o ... 9n,tY


(6.20)


wyraża się jako projekcja ortogonalna elementu |y >7 na podprzestrzeti S\tfjj rozpiętą na przeszłości {|rły >7,..., |rNy >7}


|y/Y >r = r(5i,At;r)|y >r=

= \Y\,K >r< ^'i./V|>'1 .AZ >f’< YlJi\y>TStjij


(6.21)

Powyższa obserwacja umożliwia bezpośrednie przeniesienie uprzednio rozważanych algorytmów ortogonalnej prognozy/filtracji innowacyjnej w przestrzeni rozpiętej na zmiennych losowych obserwowanego sygnału losowego do przestrzeni rozpiętej na próbkach jego pojedynczej realizacji Jest to przedmiot kolejnych paragrafów niniejszego rozdziału, w których zostanie wykazane, iż uprzednio wyprowadzone algorytmy cyfrowej filtracji ortogonalnej sygnałów losowych reprezentowanych za pomocą zmiennych losowych „optycznie” pozostają niezmienione, jeśli obserwacje stanowią nabór próbek pojedynczych ich realizacji

Liniowa prognoza średniokwadratowa szeregów czasowych

Niech będzie dany wektor |v >7 próbek {yo, ... v*7 } rzeczywistego szeregu czasowego. obserwowanego na skończonym odcinku czasu {0,.    ,7 } Przyjmie

my, że obserwowany szereg czasowy jest lewostronnie okienkowany (v , ó. t •- 1,2,    .). Problem liniowej prognozy śicdniokwadratowcj szeregu czaso

wego przedstawiono na rys 6 I

i jako element peniprzestrzeni S\j^j - stanowi kombinację liniową elementów

jej bazy

I9n >7=12')'>7 ow., + • • + I/'y>7 on.n

Innymi słowy mamy

>W.f = yr-i ow, 1 +... + yt-N&NJł . 1 0,...»7 Z elementem | \N >7 jest stowarzyszony wektor błędu prognozy \gn >t= [g/y.o .. • £/v.rr który zgodnie z rys 6.1 wyraża się jako

|«/V >r= P(StN.r)\y >r= l.v >t -19* >r J- *.*r

lub. biorąc pod uwagę (6.22). jako

\sN >T= |y >r -l-|-*.v >r «a».i + • •• +1**? >r “w

(6.22)


(6.23)


(6.24)


(6.25)


134


Wyszukiwarka

Podobne podstrony:
skrypt9 Cyfrowa rn trać ia adaptacyjna szeregów czasowych_6 4 Modelowanie stochastyczne szeregów cza
138880 2c9e7 18185355 O hujfyarrć. mffrŁ yy&fen&ru/r rrrjt/7 i» /Ćcj7t cofous cćaM.
li » u*> ru< Ptf)    -i~f «4 •- nr~ł~k (*. V) .>*41 * »** r***rr»o ., o, i d
rozkaz bojowy2 . •sHMXikslKMVjilUUi. ., i U-i«> I ptz t,,K/’U/ ><*»*****    
10619950w0293809685459$95949649291601290 o IUI
•i Orangc U£ 20:32 • 77% I aA & panel.jakrozkrecicbiznes.pl a JAK ROZKRĘCIĆBIZNES Q
2011 11 09 13 52 P-ioUfJ 2AP-2^ ©i 0^6*3 wi *    -Ł ^ C-W p
39a Hit RMIIM3C IB i «rv. Bcrjłrf J< lYMrt. łwJ Bffjw« 120 g vW 8ort*w 2JS4I, 7W> . «i rsnni*
25436 skrypt8 Cyfrowa hitracja adaptacyjna szeregów czasowych I SZEREGÓW CZASOWYCH Adaptac
5F b wi >s r ? r r ru*rfrrrrr * -,•i iLpłfrrrrrr tr:iinKsniirniri vv* .* T #• «

więcej podobnych podstron