Στοχαστικά Σήµατα και Εφαρµογές. Προσαρµοστικά φίλτρα. ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής
|
|
- Ἀμιναδάβ Μάγκας
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Στοχαστικά Σήµατα & Εφαρµογές Προσαρµοστικά φίλτρα ιδάσκων: Ν. Παπανδρέου (Π.. 47/8) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής CEID 7-8 Εισαγωγή Υπολογισµός FIR φίλτρου Wieer σε στάσιµο περιβάλλον: Οι διαδικασίες () και d() είναι από κοινού WSS. d ( ) ( ) W( z) ˆ( ) d e ( ) k ( ) k ( ) { } mi ξ= mi E e ( ) εξισώσεις Wieer-pf p l= lr () ( k l) = r ( k) d για k =,,, p R = r d CEID 7-8 * { } r ( ) ( ) ( ) k = E k * { } r ( ) ( ) ( ) d k = E d k N * rˆ ( k) = ( ) ( k) N = N * rˆ d( k) = d( ) ( k) N =
2 Εισαγωγή Υπολογισµός FIR προσαρµοστικού φίλτρου σε µηστάσιµο περιβάλλον: Οι διαδικασίες () και d() δεν είναι στάσιµες. d ( ) ( ) W ( ) z p e ( ) d ˆ( ) = ( k ) ( k ) k = ξ ( ) = E e ( k) ( k) { } mi mi ( ) p l= * * { } = { k } () l E ( l) ( k) E d( ) ( ) για k =,,, p οι εξισώσεις εξαρτώνται από το R ( ) = r ( ) d CEID 7-8 Εισαγωγή Αναζητούµε έναν επαναληπτικό προσαρµοστικό (adaptive) αλγόριθµο: d ( ) ( ) W ( ) z ˆ( ) d e ( ) Adaptive algrithm = + + όπου τη χρονική στιγµή +. είναι ένας διορθωτικός όρος, ο οποίος ανανεώνει τους συντελεστές Ο αλγόριθµος χρησιµοποιεί το σήµασφάλµατος e() για να µετρήσει την απόδοση του φίλτρου και να αποφασίσει πως θα ανανεώσει του συντελεστές. CEID 7-8
3 Εισαγωγή Το προσαρµοστικό φίλτρο θέλουµε να έχει τις ακόλουθες ιδιότητες: Σε ένα στάσιµο περιβάλλον, το φίλτρο θα πρέπει να παράγει µια ακολουθία διορθώσεων, κατά τέτοιο τρόπο ώστε το διάνυσµα να συγκλίνει στη λύση των εξισώσεων Wieer-pf: lim = R rd Γιαναυπολογίσουµετη διόρθωση δε θα πρέπει να απαιτείται η εκ των προτέρων γνώση των στατιστικών r (k) και r d (k), αλλά η εκτίµηση των παραµέτρων αυτών θα πρέπει να είναι ενσωµατωµένη στον προσαρµοστικό αλγόριθµο. Για µη στάσιµασήµατα, το φίλτρο θα πρέπει να προσαρµόζεται στα µεταβαλλόµενα στατιστικά και να παρακολουθεί τη λύση καθώς αυτή εξελίσσεται στο χρόνο. CEID 7-8 Μέθοδος Μέγιστης Καθόδου Θεωρείστε τη συνάρτηση κόστους για το πρόβληµα βέλτιστου φιλτραρίσµατος µεπραγµατικές τιµές για FIR φίλτρο Wieer µε ένα συντελεστή: ξ ( ) = () r + R r d d ξ ( ) = () ( + () rd rd ) () r() () ξ = rd() + r () () () 5 4 ξ = r () > () ξ r () = d () = () r () CEID 7-8 Cst fucti ξ mi
4 Μέθοδος Μέγιστης Καθόδου Cst fucti ξ( ) = +µ + = ξ( ) = +µ = ξ( ) = +µ = ξ mi : iitial guess µ> CEID 7-8 Μέθοδος Μέγιστης Καθόδου Θεωρείστε τη συνάρτηση κόστους για το πρόβληµα βέλτιστου φιλτραρίσµατος µεπραγµατικές τιµές για FIR φίλτρο Wieer µε δύο συντελεστές: r d d ξ ( ) = () r + R ξ ( ) = r () r () r () + r () + + () d d () d () () () r () () ξ () rd() + r () () + r () () ξ = = ξ rd() + r () () + r () () () ξ () r () ξ= = > ξ r () () r() r() () rd() ξ = Ο = r() r() () rd() CEID 7-8
5 Μέθοδος Μέγιστης Καθόδου 4 3 cst fucti () () () 4 3 ξ = +µ ξ = CEID 7-8 = +µ ξ + = () () () Μέθοδος Μέγιστης Καθόδου Γενικά, αλγόριθµος µέγιστης καθόδου (steepest descet) συνοψίζεται ως εξής:. Αρχικοποίηση του διανύσµατος των συντελεστών:. Υπολογισµός του διανύσµατος ξ( ) τη χρονική στιγµή. 3. Ανανέωση του διανύσµατος των συντελεστών: = µ ξ + ( ) 4. Επιστροφή στο βήµα για = +. = Η ποσότητα µ ονοµάζεται µέγεθος βήµατος (step size). Είναι θετικός αριθµός και επηρεάζει το ρυθµό µε τον οποίο το διάνυσµα των συντελεστών κινείται προς το ελάχιστο MSE. CEID 7-8
6 Μέθοδος Μέγιστης Καθόδου Υπολογισµός του gradiet: ξ () E{ e( ) ( ) } () = () E{ e( ) ( ) } ξ ( ) = E e ( ) ( ) = = = ξ E{ e( ) ( p+ ) } ( p ) ( p ) = ( p ) { } { } E e( ) e ( ) ξ e ( ) = = E e ( ) E e ( ) ( k) = ( k) ( k) ( k) { } για k =,,, p p e ( ) = d ( ) ( l ) ( l) l= CEID 7-8 Μέθοδος Μέγιστης Καθόδου Τελικά, οαναδροµικός τύπος µέγιστης καθόδου γράφεται: = µ ξ + ( ) = +µ + E{ e ( ) ( ) } Στη συνέχεια θεωρούµε ότι οι διαδικασίες () και d() είναι από κοινού WSS: { ( ) ( )} { ( ) ( ) ( )} + = +µ E e + = +µ E d { ( ) ( )} { ( ) ( )} + = +µ E d E { ( ) ( )} { ( ) ( )} + = +µ E d E + = +µ rd R Αν τότε = + = CEID 7-8
7 Μέθοδος Μέγιστης Καθόδου Συνέχεια: + = +µ rd R + ( I ) = µ R +µ r d R = r d + ( I ) = µ R +µ r d + ( I ) ( I ) = µ R µ R + ( I R )( ) = µ Ορίζουµε τοδιάνυσµασφάλµατος των συντελεστών: c = Άρα: ( I ) c = µ R c + Ο παραπάνω τύπος µας δείχνει πως εξελίσσεται το διάνυσµασφάλµατος των συντελεστών. Παρατηρούµε ότι αν ο πίνακας R δεν είναι διαγώνιος, τότε υπάρχει µια αλληλεξάρτηση µεταξύ των σφαλµάτων κάθε συντελεστή. CEID 7-8 Μέθοδος Μέγιστης Καθόδου Ο πίνακας αυτοσυσχέτισης R είναι ερµιτιανός και µη αρνητικά ορισµένος. Από Spectral herem για ερµιτιανούς πίνακες µπορούµε να γράψουµε: όπου Λ p = = = λk k k k= R V Λ V V Λ V v v είναι ο διαγώνιος πίνακας µε τις ιδιοτιµές του R, δηλαδή { } Λ = diag λ, λ,, λ p και V είναι ο πίνακας µε στήλεςταιδιοδιανύσµατα του R. λ Επίσης, οι ιδιοτιµές είναι πραγµατικές και µη αρνητικές k καιταιδιοδιανύσµατα µπορούν να επιλεγούν ως ορθοκανονικά: vi vj = αν i αν i = j j V V = V V = I V = V CEID 7-8
8 Μέθοδος Μέγιστης Καθόδου Συνεπώς µπορούµε να γράψουµε: ( I ) ( I ) c = µ R c c = µ VΛV c ( ) c = VV µ VΛV c ( ) c+ V I Λ V c = µ Ορίζουµε τογραµµικό µετασχηµατισµό: ( )( ) V c = V V I µ Λ V c + I u = V c Άρα: u = + ( I µ Λ ) u u = ( I µ Λ) u όπου: { } ( I µ Λ ) = diag ( µλ),,( µλp ) CEID 7-8 Μέθοδος Μέγιστης Καθόδου Τελικά: u ( µλ) u() = ( µλp ) u( p ) Άρα, για να έχουµεσύγκλισητουδιανύσµατος στη λύση, έχοντας ξεκινήσει από µια αρχική τιµή (δηλαδή u ), θα πρέπει το διάνυσµα c να συγκλίνει στο µηδέν ή ισοδύναµα τοδιάνυσµα u νασυγκλίνειστο µηδέν. Για οποιαδήποτε τιµή (άρα και ), αυτό θα συµβεί όταν: u µλ k < για k =,,, p <µ< για k =,,, p λ k <µ< λ ma CEID 7-8
9 Μέθοδος Μέγιστης Καθόδου Ισχύει λοιπόν η παρακάτω ιδιότητα για τη σύγκλιση: Για από κοινού WSS διαδικασίες () και d(), το προσαρµοστικό φίλτρο µέγιστης καθόδου συγκλίνει στη λύση των εξισώσεων Wieer-pf, δηλαδή = lim R r d αν το µέγεθος βήµατος ικανοποιεί τη συνθήκη <µ< λ ma όπου λ ma είναι η µέγιστη ιδιοτιµή του πίνακα αυτοσυσχέτισης R. CEID 7-8 Μέθοδος Μέγιστης Καθόδου Για το διάνυσµα των συντελεστών γράφουµε: ( µλ ) ( µλ ) u () u() = + = + u = + v v vp c V p = + µλk k= ( ) u ( k) v k ( µλp ) u( p ) ηλαδή, το διάνυσµα των συντελεστών είναι ένας γραµµικός συνδυασµός των ιδιοδιανυσµάτων (ονοµάζονται mdes του φίλτρου). Άρα, οχρόνοςσύγκλισης του διανύσµατος στη λύση Wieer-pf εξαρτάται από τ πιο αργό mde. Ορυθµός µείωσης κάθε mde είναι: ( ) µλ k Για κάθε mde, ορίζουµετηχρονικήσταθεράτ k ως το χρόνο που απαιτείται ώστε να µειωθεί στο /e της αρχικής του τιµής: τ ( µλ ) k = / e τ = /l( µλ ) k k k CEID 7-8
10 Μέθοδος Μέγιστης Καθόδου Ορίζουµετησυνολική χρονική σταθερά τ ως το χρόνο που απαιτείται ώστε το πιο αργό mde να µειωθεί στο /e της αρχικής του τιµής: { } τ= ma τ k µλ Για µικρές τιµές του µ, δηλαδή όταν, µπορούµε να γράψουµε: τ= ma{ / l( µλk) } ma{ /( µλ k) } = µλ ( / ) µ= a λ < a < Θέτουµε όπου (προσέξτε ότι ικανοποιείται η ma συνθήκη σύγκλισης). Άρα, η συνολική χρονική σταθερά γίνεται: k mi τ= a λ λ ma mi αριθµός κατάστασης του πίνακα R Συνεπώς, ορυθµός σύγκλισης εξαρτάται από τη διασπορά των ιδιοτιµών του πίνακα R. CEID 7-8 Μέθοδος Μέγιστης Καθόδου Για το µέσο τετραγωνικό σφάλµα γράφουµε: ξ ( ) = r () r r + R d d d ( ) ( ) ( ) ( ) r c ( ) r c r + ( ) R + ( ) Rc + c R + c Rc ( ) d + ( ) rd + rd c + c rd + c Rc = r () r + c + c r + + c R + c d d d = r () r + d d d d d = r () r r c r c r + d d d d Άρα: ξ ( ) = r () r + c R c d d ξ ( ) =ξ + c R c mi ξ mi CEID 7-8
11 Μέθοδος Μέγιστης Καθόδου Τελικά: ξ ( ) =ξ + c R c =ξ + c VΛV c mi mi mi p mi k u k= =ξ + u Λu =ξ + λ p ( ) =ξ + λ µλ u ( k) mi k k k= ( k) Συνεπώς, αν το µέγεθος βήµατος ικανοποιεί τη συνθήκη σύγκλισης, τότε η συνάρτηση κόστους φθίνει εκθετικά στην ελάχιστη τιµή τηςλύσηςwieer-pf. Ηκαµπύλη µεταβολής της συνάρτησης κόστους ως προς ονοµάζεται καµπύλη εκµάθησης (learig curve). CEID 7-8 Αλγόριθµος LMS ( ) W ( ) z d ( ) d ˆ( ) e ( ) Adaptive algrithm Είδαµε, ότι ο αλγόριθµος µέγιστης καθόδου χρησιµοποιεί τον αναδροµικό τύπο: = µ ξ + ( ) = +µ + E{ e ( ) ( ) } Για από κοινού WSS διαδικασίες () και d(), το προσαρµοστικό φίλτρο µέγιστης καθόδου συγκλίνει στη λύση των εξισώσεων Wieer-pf, δηλαδή lim = R r d, αν το µέγεθος βήµατος ικανοποιεί τη συνθήκη: <µ< / λ ma CEID 7-8
12 Αλγόριθµος LMS { } Στην πράξη, για τον υπολογισµό της ποσότητας E e ( ) ( ) χρησιµοποιείται µια εκτίµηση από τα δεδοµένα: L ˆ E{ e( ) ( ) } = e( l) ( l) L l= Αν επιλέξουµε L =, τότε ο αναδροµικός τύπος ανανέωσης των συντελεστών γίνεται: + = +µ e ( ) ( ) Ο παραπάνω τύπος ανανέωσης των συντελεστών του προσαρµοστικού φίλτρου ονοµάζεται αλγόριθµος Ελαχίστων Μέσων Τετραγώνων (LMS: least mea squares). CEID 7-8 Αλγόριθµος LMS ( ) ( ) ( p+ ) z z z () () ( p ) µ z z z () () ( p ) e ( ) d ( ) y ( ) = d ˆ( ) ( ) ( ) ( ) ( ) + k = k +µ e k CEID 7-8 p ( k) + µ d( ) ( l) ( l) ( k) l= y ( )
13 Αλγόριθµος LMS Γενικά, αλγόριθµος LMS συνοψίζεται ως εξής:. Αρχικοποίηση του διανύσµατος των συντελεστών: =. Ανανέωση των συντελεστών κατά την -οστή επανάληψη: y( ) = ( ) e( ) = d( ) y( ) = +µ e( ) ( ) + 3. Επιστροφή στο βήµα για = +. CEID 7-8 Αλγόριθµος LMS Σύγκλιση του αλγορίθµου LMS, θεωρούµεότι() & d() είναι από κοινού WSS: + = +µ e ( ) ( ) + = +µ d ( ) ( ) ( ) + = +µ d ( ) ( ) µ ( ) ( ) E { + } E{ d ( ) ( ) ( ) ( ) } = +µ µ { + } = { } +µ { ( ) ( )} µ { ( ) ( ) } E E E d E Υπόθεση ανεξαρτησίας: Τα δεδοµένα () και το διάνυσµα των συντελεστών είναι στατιστικά ανεξάρτητα. { } { } { ( ) ( )} { ( ) + ( )} { } E = E +µ E d µ E E { } { } r R { } E = E +µ µ E E + d { } ( ) E{ } = I µ R +µ r + d CEID 7-8
14 Αλγόριθµος LMS Συνέχεια: { } ( ) { } E = I µ R E +µ r + d { + } ( ) { } E c + = I µ R E c + +µ r { } ( ) { } E c + = I µ R E c + µ R +µ r + { c } ( R ) { c } E = I µ E + { c } ( VΛV ) { c } E = I µ E + { } ( ) { } V c+ Λ V c { } ( ) { } E = I µ E d E u = I µ Λ E u όπου u = V c + d R = r d Συνεπώς: E{ u } = ( I µ Λ) E{ u } u CEID 7-8 Αλγόριθµος LMS Τελικά: E{ u } ( µλ) u() = ( µλp ) u( p ) Ισχύει η παρακάτω ιδιότητα για τη σύγκλιση: Για από κοινού WSS διαδικασίες () και d(), το προσαρµοστικό φίλτρο LMS συγκλίνει ως προς τη µέση τιµή στηλύσητωνεξισώσεωνwieer-pf, δηλαδή { } = lim E R rd αν το µέγεθος βήµατος ικανοποιεί τη συνθήκη: <µ< λ ma και ικανοποιείται η υπόθεση ανεξαρτησίας. CEID 7-8
15 Αλγόριθµος LMS Στην πράξη, ο προσδιορισµός του άνω φράγµατος του µ για τη σύγκλιση του φίλτρουωςπροςτηµέση τιµή, µπορεί να γίνει ως εξής: Αφού ο πίνακας R είναι ερµιτιανός και µη αρνητικά ορισµένος, ισχύει η ιδιότητα: race { R} p = λ k= k Άρα: { R } p p λ λ λ race λ r () = pr () ma k ma ma k= k= { } λma pe ( ) = p ( k) N Συνεπώς η συνθήκη σύγκλισης γράφεται: <µ< N k= { } Eˆ ( ) { } peˆ ( ) CEID 7-8 Αλγόριθµος LMS Το σφάλµα του αλγορίθµου LMS κάθε χρονική στιγµήείναι: e ( ) = d ( ) ( ) = d ( ) + c ( ) ( ) mi = d ( ) ( ) c ( ) = e ( ) c ( ) e ( ) mi Θεωρώντας ότι το φίλτρο έχει συγκλίνει, δηλαδή, ησυνάρτηση κόστους γράφεται: { } mi e ξ ( ) = E e( ) =ξ +ξ ( ) { } E = όπου ξ e () ονοµάζεται πλεονάζων µέσο τετραγωνικό σφάλµα (ecess MSE). c CEID 7-8
16 Αλγόριθµος LMS Ισχύει η παρακάτω ιδιότητα: Το MSE ξ() συγκλίνει σε µια τιµή σταθερής κατάστασης (steady state) ξ ( ) =ξ +ξ ( ) =ξ <µ< λ ma mi e mi p µ k= λk µλ και ο αλγόριθµος LMS λέγεται ότι συγκλίνει ως προς τη µέση τετραγωνική τιµή αν το µέγεθος βήµατος ικανοποιεί τις συνθήκες: και p λk µ < µλ k= k k και ικανοποιείται η υπόθεση ανεξαρτησίας. CEID 7-8 Αλγόριθµος LMS ξ ( ) e Λύνουµεωςπρος : p p λ k λ k ξ e ( ) =ξ mi µ / µ k= µλk k= µλk µ / λ Γενικά, στην πράξη προκύπτει ma, οπότε η δεύτερη συνθήκη σύγκλισης ως προς τη µέση τετραγωνική τιµή γίνεται: p p λ λ µ < µ < µ< = k k k= µλk k= race{ R} race{ R} µλk Επιπλέον: ξ ( ) =ξ mi { R } µ race και { } ξ e ( ) = µ ξmirace R Ορίζουµε το κανονικοποιηµένο πλεονάζον MSE σταθερής κατάστασης και το M =ξ ( )/ ξ ονοµάζουµε misadjustmet: e mi CEID 7-8
17 Αλγόριθµος LMS Παράδειγµα: Γραµµική Πρόβλεψη (Liear Predicti). Ηδιαδικασίαv() είναι µια AR() διαδικασία µε την ακόλουθη εξίσωση διαφορών, όπου u() είναι λευκός θόρυβος µε µοναδιαία διασπορά: v ( ) =.6 v ( ).7 v ( ) + u ( ) u ( ) ( z) v ( ) v ( ) v ( ) z ( ) z W ( ) z d ( ) d ˆ( ) e ( ) () () v ( ) v ˆ( ) v ˆ( ) = () v ( ) + () v ( ) e ( ) CEID 7-8 Αλγόριθµος LMS ().6 cefficiet. -. mu=. mu= () iterati () CEID 7-8
18 Αλγόριθµος LMS cst fucti mu=. mu=.5 Αρχικοποίηση των συντελεστών CEID Αλγόριθµος LMS Παράδειγµα: Αναγνώριση Συστήµατος (System Idetificati). Το άγνωστο σύστηµα έχει συνάρτηση µεταφοράς ( z) z = + 4z. Το σήµα u() είναι διαδικασία λευκού θορύβου µοναδιαίας διασποράς. Το φίλτρο LMS έχει τέσσερις συντελεστές. Ο προσθετικός θόρυβος v() είναι λευκός θόρυβος µοναδιαίας διασποράς. u ( ) ( z) y( ) v ( ) ( ) W ( ) z d ( ) d ˆ( ) e ( ) CEID 7-8
19 Αλγόριθµος LMS () ideal mu=. 4 mi mse mu=.5 mu=. cefficiet () (3) MSE (db) () iterati () iterati () CEID 7-8 Αλγόριθµος NLMS Για τη σύγκλιση του αλγορίθµου LMS, ηπαράµετρος µ(µέγεθος βήµατος) πρέπει να ικανοποιεί τις συνθήκες: σύγκλιση ως προς τη µέση τιµή: < µ< / λ ma σύγκλιση ως προς τη µέση τετραγωνική τιµή: p λk µ < µλ ma µ< race{ R} k= k µ / λ Στην πράξη ο υπολογισµός του πίνακα R γίνεται µέσω εκτίµησης της στιγµιαίας ενέργειας του σήµατος (): N N= p race R = pe ( ) p ( k) = ( ) ( ) N k= <µ< E ˆ ( ) ( ) ( ) { } { } { } CEID 7-8
20 Αλγόριθµος NLMS Ορίζουµετο(χρονικά µεταβαλλόµενο) µέγεθος βήµατος ως: β β µ ( ) = = ( ) ( ) ( ) όπου η παράµετρος β ονοµάζεται κανονικοποιηµένο µέγεθος βήµατος (rmalized step size) και ισχύει <β<. Οαναδροµικός τύπος ανανέωσης των συντελεστών γίνεται: = +β ( ) + e ( ) ( ) Ο παραπάνω τύπος ανανέωσης των συντελεστών του προσαρµοστικού φίλτρου ονοµάζεται αλγόριθµος NLMS: rmalized least mea squares. Για τη σύγκλιση ως προς τη µέση τετραγωνική τιµή αποδεικνύεται ότι αρκεί: <β< CEID 7-8 Αλγόριθµος NLMS Συγκρίνοντας τους αναδροµικούς τύπους LMS και NLMS παρατηρούµεότι: LMS: = +µ + e ( ) ( ) = +β ( ) NLMS: + ( ) e ( ) Στον αλγόριθµο LMS, διορθωτικός όρος είναι µια εκτίµηση (αµερόληπτη) του ξ( ). Συνεπώς η εκτίµηση ξ ˆ( ) περιέχει θόρυβο. Όταν, οι τιµές του διανύσµατος () είναι µεγάλες, τότε εµφανίζεται ενίσχυση του θορύβου στην στιγµιαία εκτίµηση. ξ ˆ( ) Ο αλγόριθµος NLMS µειώνει την ενίσχυση του θορύβου µέσω του παράγοντα κανονικοποίησης ( ). Ταυτόχρονα, όµως αντιµετωπίζειτοίδιοπρόβλήµα όταν η τιµή ( ) είναι πολύ µικρή. Γιατολόγοαυτό, τροποποιούµετον αναδροµικότύποωςεξής: = +β ( ) + e ( ) ε+ ( ) όπου ε µια µικρή θετική σταθερά CEID 7-8
21 Αλγόριθµος RLS d ( ) ( ) W ( ) z y ( ) = d ˆ( ) e ( ) Adaptive algrithm Θεωρούµετοσχεδιασµό ενόςfir προσαρµοστικού φίλτρου µε p συντελεστές, οι οποίοι τη χρονική στιγµή ελαχιστοποιούν το σφάλµα των εκθετικά ζυγισµένων τετραγώνων: i Ε ( ) =λ ei ( ) i= όπου <λ ονοµάζεται εκθετικός παράγοντας λήθης καιτοστιγµιαίο σφάλµα e(i) ορίζεται ως: ei () = di () yi () = di () () i CEID 7-8 Αλγόριθµος RLS Υπολογισµός βέλτιστων συντελεστών : i mi Ε ( ) = mi λ e( i) ( k ) ( k) i= συνάρτηση κόστους (cst fucti) Ε( ) ( k) = για k =,,, p Το σφάλµα e(i) γράφεται: p ei () = di () () i = di () () l i ( l) l= Άρα: i ei () i ei λ λ i= i= Ε( ) e ( i) = = ( ) = ( k) ( k) ( k) i λ ei () ( i k) = i= i λ ei () ( i k) = για k =,,, p i= CEID 7-8
22 Αλγόριθµος RLS Συνέχεια: i= λ λ i i ei () ( i k) = p di () () li ( l) ( i k) = i= l= di () ( i k) () li ( l) ( i k) = p i i λ λ i= i= l= p i i λ λ l= i= i= () l ( i l) ( i k) = d() i ( i k) για k =,,, p r (, ; ) k l rd( k; ) ντετερµινιστική αυτοσυσχέτιση ντετερµινιστική ετεροσυσχέτιση CEID 7-8 Αλγόριθµος RLS Τελικά, για κάθε χρονική στιγµή, καταλήγουµεσεένασύστηµα γραµµικών εξισώσεων ως προς τους συντελεστές, το οποίο είναι γνωστό ως ντετερµινιστικές κανονικές εξισώσεις: p l= ( l) r ( k, l; ) = r ( k; ) d για k =,,, p R ( ) = r ( ) d όπου: i R( ) = λ () i () i r d i= i ( ) = λ d() i () i i= CEID 7-8
23 Αλγόριθµος RLS ιερεύνηση της συνάρτησης κόστους: p i i i Ε ( ) = λ ei () = λ ei () e () i = λ ei () d () i ( k) ( i k) i= i= i= k= p i i λ ei () λ ei () i= k= i= = d () i ( k) ( i k) i i = λ di () () i d() i ( k) λ d() i ( i) ( i k) i= p k= i= p i i i λ () λ λ i= i= k= i= = did() i () i d() i ( k) di () ( i k) + p i kλ k= i= + ( ) ( i) ( i k) i i i = λ did () () i λ id() i λ d() i () i + i= i= i= i + λ ( i) () i i= = d( ) r ( ) r ( ) + R ( ) λ d d CEID 7-8 Αλγόριθµος RLS Όταν οι συντελεστές ικανοποιούν τις ντετερµινιστικές κανονικές εξισώσεις, δηλαδή = R ( ) r ( ) d, τότε: λ i= i ei () ( i k) = για k =,,, p Ε mi = d( ) r ( ) λ d Οι ντετερµινιστικές κανονικές εξισώσεις εξαρτώνται από το. Αντί να λύνουµε τις εξισώσεις απευθείας κάθε χρονική στιγµή, δηλαδή αναπτύξουµε µια αναδροµική µέθοδο: = R ( ) r ( ) d, θα = + CEID 7-8
24 Αλγόριθµος RLS Ισχύει: i i r ( ) = λ d() i () i = λ d() i () i + d( ) ( ) d i= i= ( λλ ) i = λ di () () i+ d ( ) ( ) i= i= ( ) i = λ λ di () () i+ d ( ) ( ) Άρα: r ( ) = λr ( ) + d( ) ( ) d d αναδροµικός τύπος για το διάνυσµα ετεροσυσχέτισης Οµοίως: R ( ) = λr ( ) + ( ) ( ) αναδροµικός τύπος για τον πίνακα αυτοσυσχέτισης CEID 7-8 Αλγόριθµος RLS Χρησιµοποιούµετηνταυτότητα του Wdbury: ( ) A uv A v A u + = + A uv A και θέτουµε: A = λ R ( ) u= v= ( ) ( ) + ( ) ( ) = λ ( ) + ( ) λ R ( ) ( ) ( λ ) R R R ( ) λ R ( ) ( ) ( ) λ R ( ) R λ ( ) = λ R ( ) R ( ) ( ) ( ) R ( ) + ( ) ( ) λ R ( ) () αναδροµικός τύπος για τον αντίστροφο πίνακα αυτοσυσχέτισης CEID 7-8
25 Αλγόριθµος RLS Στη συνέχεια θέτουµε: P ( ) = R ( ) () P λ P ( ) = λ P( ) λ ( ) ( ) ( ) P( ) + λ ( ) P( ) ( ) Επιπλέον, ορίζουµετοδιάνυσµακέρδους(gai vectr): g( ) = λ P( ) ( ) + λ P ( ) ( ) ( ) ( ) () P( ) = λ P( ) g( ) ( ) P( ) ( ) g P ( ) = λ P( ) g( ) ( ) P( ) ( ) = ( ) ( ) CEID 7-8 Αλγόριθµος RLS ηλαδή, από το σύστηµα των ντετερµινιστικών κανονικών εξισώσεων: R ( ) = r ( ) d οδηγηθήκαµε µε κατάλληλα βήµατα στο παρακάτω σύστηµα: ( ) ( ) g = P ( ) R ( ) g( ) = ( ) Οαναδροµικός τύπος ανανέωσης των συντελεστών γράφεται: = R ( ) rd( ) = P( ) rd( ) = P( ) λrd( ) + d( ) ( ) = λp( ) r ( ) + d( ) P( ) ( ) λ λ = P g P rd + d ( ) ( ) ( ) ( ) ( ) d( ) g( ) = P( ) r ( ) g( ) ( ) P( ) r ( ) + d( ) g( ) = d g( ) ( ) + d ( ) g ( ) d CEID 7-8
26 Αλγόριθµος RLS = g( ) ( ) + d( ) g( ) Τελικά: = + g( ) d( ) ( ) = + g( ) d( ) ( ) = + a ( ) g( ) a ( ):scalar Ο παραπάνω τύπος ανανέωσης των συντελεστών του προσαρµοστικού φίλτρου ονοµάζεται αλγόριθµος Αναδροµικών Ελαχίστων Τετραγώνων (RLS: recursive least squares). Γενικά, αναφερόµαστε στον εκθετικά ζυγισµένο αλγόριθµο RLS. Ειδικά, όταν λ = ο αλγόριθµος RLS καλείται αλγόριθµος αυξανοµένου παραθύρου (grig id RLS). Ηποσότητα ονοµάζεται apriri σφάλµα, ενώ η ποσότητα a ( ) = d ( ) ( ) e ( ) = d ( ) ( ) ονοµάζεται a psteriri σφάλµα. CEID 7-8 Αλγόριθµος RLS Γενικά, αλγόριθµος RLS συνοψίζεται ως εξής:. Αρχικοποίηση του διανύσµατος των συντελεστών:. Αρχικοποίηση του πίνακα P(): P( = ) =δ Ι = = 3. Ανανέωση των συντελεστών κατά την επανάληψη =,, : z( ) = P( ) ( ) g( ) = z( ) + λ ( ) z( ) a( ) = d( ) ( ) = + a( ) g( ) P( ) = λ P( ) g( ) z ( ) 4. Επιστροφή στο βήµα για = +. CEID 7-8
27 Αλγόριθµος RLS Αποδεικνύεται ότι το πλεονάζον MSE σταθερής κατάστασης είναι: λ ξe ( ) = p ξ +λ mi όπου ως σήµα σφάλµατος χρησιµοποιείται το apriri σφάλµα a ( ) = d ( ) ( ) CEID 7-8 Αλγόριθµος RLS Γραµµική Πρόβλεψη (Liear Predicti): Ηδιαδικασίαv() είναι AR() διαδικασία µε την ακόλουθη εξίσωση διαφορών, όπου u() είναι λευκός θόρυβος µοναδιαίας διασποράς: v ( ) =.78 v ( ).8 v ( ) + u ( ) z u ( ) v ( ) v ( ) ( z) v ( ) ( ) z W ( ) z d ( ) d ˆ( ) e ( ) () () v ( ) v ˆ( ) v ˆ( ) = () v ( ) + () v ( ) e ( ) CEID 7-8
28 Αλγόριθµος RLS.5 LMS.5 RLS cefficiet.5 ideal mu=. mu=.8 cefficiet.5 ideal lambda= lambda= iterati () LMS mi MSE mu=. mu= iterati () RLS mi MSE lambda= lambda=.95 MSE (db) 4 3 MSE (db) iterati () CEID iterati () Αλγόριθµος RLS.5 LMS ideal mu=..5 RLS ideal lambda= lambda=.9 cefficiet.5 cefficiet iterati () LMS mi MSE mu= iterati () RLS mi MSE lambda= lambda=.9 MSE (db) 4 3 MSE (db) iterati () CEID iterati ()
29 Αλγόριθµος RLS.5 mu=. mu=.8.5 lambda= lambda= mu=. lambda= lambda= CEID
Στοχαστικά Σήματα και Τηλεπικοινωνιές
Στοχαστικά Σήματα και Τηλεπικοινωνιές Ενότητα 5: Προσαρμοστική Επεξεργασία Καθηγητής Κώστας Μπερμπερίδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ και Πληροφορικής Σκοποί ενότητας Παρουσίαση των βασικών εννοιών
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ
ΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ Ακαδηµαϊκό Έτος 007-008 ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών Τµήµα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής 1η Εργαστηριακή Άσκηση Αναγνώριση
Διαβάστε περισσότεραΠροσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων (RLS Recursive Least Squares)
ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων RLS Rcrsiv Last Sqars 27 iclas sapatslis
Διαβάστε περισσότεραEΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ. Γραµµική Εκτίµηση Τυχαίων Σηµάτων
EΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Γραµµική Εκτίµηση Τυχαίων Σηµάτων Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Γραµµική Εκτίµηση Τυχαίων Σηµάτων FIR φίλτρα: Ορίζουµε
Διαβάστε περισσότεραΣτοχαστικά Σήµατα και Εφαρµογές. ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής
Στοχαστικά Σήµατα & Εφαρµογές Βέλτιστα Φίλτρα Wiener ιδάσκων: Ν. Παπανδρέου (Π.. 7/8) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής CEID 7-8 Εισαγωγή ιατύπωση του προβλήµατος: οθέντος των από
Διαβάστε περισσότεραΑκαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΒΕΣ 6: ΠΡΟΣΑΡΜΟΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ ΣΤΙΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΕΣ Ακαδηµαϊκό Έτος 26 27, Εαρινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΕΠΑΝΑΛΗΨΗ Το
Διαβάστε περισσότεραΣτοχαστικά Σήµατα και Εφαρµογές
Στοχαστικά Σήµατα & Εφαρµογές Ανασκόπηση Στοιχείων Γραµµικής Άλγεβρας ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής ιανύσµατα Ορίζουµετοδιάνυσµα µε Ν στοιχεία
Διαβάστε περισσότεραEΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Γραµµική Εκτίµηση Τυχαίων Σηµάτων Φίλτρο Kalman
EΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Γραµµική Εκτίµηση Τυχαίων Σηµάτων Φίλτρο Kalma Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Ακολουθιακή Επεξεργασία Τα δείγµατα
Διαβάστε περισσότεραΠροσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Οαλγόριθµος Least Mean Square (LMS)
ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Οαλγόριθµος Least ean Sqare (LS) Βιβλιογραφία Ενότητας Benvento []: Κεφάλαιo 3 Widrow
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 5
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 5 Πάτρα 2008 Χρονικά μεταβαλλόμενες παράμετροι Στο πρόβλημα
Διαβάστε περισσότεραΒέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη
ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη 7 Nicolas sapatsoulis Βιβλιογραφία Ενότητας Benvenuto []: Κεφάλαιo Wirow
Διαβάστε περισσότεραEΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Γραµµική Εκτίµηση Τυχαίων Σηµάτων
EΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Γραµµική Εκτίµηση Τυχαίων Σηµάτων Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Εκτίµηση Τυχαίων Σηµάτων othig i atue is adom A thig
Διαβάστε περισσότεραΕισαγωγή στα Προσαρµοστικά Συστήµατα
ΒΕΣ 06 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Εισαγωγή στα Προσαρµοστικά Συστήµατα Νικόλας Τσαπατσούλης Επίκουρος Καθηγητής Π..407/80 Τµήµα Επιστήµη και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου
Διαβάστε περισσότεραΚινητά Δίκτυα Επικοινωνιών. Συμπληρωματικό υλικό. Προσαρμοστική Ισοστάθμιση Καναλιού
Κινητά Δίκτυα Επικοινωνιών Συμπληρωματικό υλικό Προσαρμοστική Ισοστάθμιση Καναλιού Προσαρμοστικοί Ισοσταθμιστές Για να υπολογίσουμε τους συντελεστές του ισοσταθμιστή MMSE, απαιτείται να λύσουμε ένα γραμμικό
Διαβάστε περισσότεραΣυστήµατα Μη-Γραµµικών Εξισώσεων Μέθοδος Newton-Raphson
Ιαν. 009 Συστήµατα Μη-Γραµµικών Εξισώσεων Μέθοδος Newton-Raphson Έστω y, y,, yn παρατηρήσεις µιας m -διάστατης τυχαίας µεταβλητής µε συνάρτηση πυκνότητας πιθανότητας p( y; θ) η οποία περιγράφεται από ένα
Διαβάστε περισσότεραΣτοχαστικά Σήµατα και Εφαρµογές
Στοχαστικά Σήµατα & Εφαρµογές Εκτίµηση Φάσµατος ιδάσκων: Ν. Παπανδρέου (Π.. 47/8) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής CEID 7-8 Μη παραµετρικές µέθοδοι: Περιοδόγραµµα Φάσµα ισχύοςµιας
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 4 ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟ ΟΙ ΕΥΡΕΣΗΣ ΠΡΑΓΜΑΤΙΚΩΝ Ι ΙΟΤΙΜΩΝ. 4.1 Γραµµικοί µετασχηµατισµοί-ιδιοτιµές-ιδιοδιανύσµατα
ΚΕΦΑΛΑΙΟ 4 ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟ ΟΙ ΕΥΡΕΣΗΣ ΠΡΑΓΜΑΤΙΚΩΝ Ι ΙΟΤΙΜΩΝ 4. Γραµµικοί µετασχηµατισµοί-ιδιοτιµές-ιδιοδιανύσµατα Εστω R είναι ο γνωστός -διάστατος πραγµατικός διανυσµατικός χώρος. Μία απεικόνιση L :
Διαβάστε περισσότεραΑριθµητική Ανάλυση 1 εκεµβρίου / 43
Αριθµητική Ανάλυση 1 εκεµβρίου 2014 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 1 / 43 Κεφ.5. Αριθµητικός Υπολογισµός Ιδιοτιµών και Ιδιοδιανυσµάτων ίνεται ένας πίνακας A C n n και Ϲητούνται να προσδιορισθούν οι
Διαβάστε περισσότεραKεφάλαιο 4. Συστήµατα διαφορικών εξισώσεων.
4 Εισαγωγή Kεφάλαιο 4 Συστήµατα διαφορικών εξισώσεων Εστω διανυσµατικό πεδίο F: : F=F( r), όπου r = ( x, ) και Fr είναι η ταχύτητα στο σηµείο r πχ ενός ρευστού στο επίπεδο Εστω ότι ψάχνουµε τις τροχιές
Διαβάστε περισσότεραΤο μοντέλο Perceptron
Το μοντέλο Perceptron Αποτελείται από έναν μόνο νευρώνα McCulloch-Pitts w j x x 1, x2,..., w x T 1 1 x 2 w 2 Σ u x n f(u) Άνυσμα Εισόδου s i x j x n w n -θ w w 1, w2,..., w n T Άνυσμα Βαρών 1 Το μοντέλο
Διαβάστε περισσότεραΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραΣτοχαστικά Σήματα και Τηλεπικοινωνιές
Στοχαστικά Σήματα και Τηλεπικοινωνιές Ενότητα 4: Βέλτιστα Φίλτρα Wiener Καθηγητής Κώστας Μπερμπερίδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ και Πληροφορικής Σκοποί ενότητας Παρουσίαση βασικών εννοιών των
Διαβάστε περισσότεραΜηχανική ΙI. Μετασχηµατισµοί Legendre. της : (η γραφική της παράσταση δίνεται στο ακόλουθο σχήµα). Εάν
Τµήµα Π. Ιωάννου & Θ. Αποστολάτου 7/5/2000 Μηχανική ΙI Μετασχηµατισµοί Legendre Έστω µια πραγµατική συνάρτηση. Ορίζουµε την παράγωγο συνάρτηση της : (η γραφική της παράσταση δίνεται στο ακόλουθο σχήµα).
Διαβάστε περισσότεραΠροσαρµοζόµενα Φίλτρα
Προσαρµοζόµενα Φίλτρα (adaptive filters) 8.1 Εισαγωγικά Τα ψηφιακά φίλτρα έχουν µία τροµερά µεγάλη διάδοση και εφαρµογή. Χαρακτηριστικές περιπτώσεις είναι η απόρριψη ή ενίσχυση φασµατικών περιοχών, µεταβολή
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Γραμμική παλινδρόμηση (Linear regression) Εμπειρική συνάρτηση μεταφοράς Ομαλοποίηση (smoothing) Y ( ) ( ) ω G ω = U ( ω) ω +Δ ω γ ω Δω = ω +Δω W ( ξ ω ) U ( ξ) G(
Διαβάστε περισσότεραΤμήμα Μηχανικών Η/Υ και Πληροφορικής
Τμήμα Μηχανικών Η/Υ και Πληροφορικής Εργαστήριο Επεξεργασίας Σημάτων και Τηλεπικοινωνιών Κινητά Δίκτυα Επικοινωνιών Μέρος Α: Τηλεπικοινωνιακά Θέματα: Τεχνικές Ισοστάθμισης Διαύλου Βασικές αρχές Ισοστάθμισης
Διαβάστε περισσότεραΑριθµητική Γραµµική ΑλγεβραΚεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών 2 Απριλίου και2015 Ιδιοδιανυσµάτων 1 / 50
Αριθµητική Γραµµική Αλγεβρα Κεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών και Ιδιοδιανυσµάτων ΕΚΠΑ 2 Απριλίου 205 Αριθµητική Γραµµική ΑλγεβραΚεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών 2 Απριλίου και205
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ (2 Ιουλίου 2009) ΕΠΙΛΕΓΜΕΝΕΣ ΑΠΑΝΤΗΣΕΙΣ
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ( Ιουλίου 009 ΕΠΙΛΕΓΜΕΝΕΣ ΑΠΑΝΤΗΣΕΙΣ I. (εκδχ. Α. Σωστό ή Λάθος: α Αν A,B R n n είναι αντιστρέψιµα, τότε το ίδιο ισχύει και για το AB. ϐ Αν A R n n, τότε A AA. γ Αν A R και συµµετρικό
Διαβάστε περισσότεραΧρονοσειρές Μάθημα 6
Χρονοσειρές Μάθημα 6 Πρόβλεψη Χρονικών Σειρών Μοντέλα για χρονικές σειρές AR, MA, ARMA, ARIMA, SARIMA πρόβλεψη Πολλές εφαρμογές Δείκτης και όγκος συναλλαγών Χρηματιστηρίου Αξιών Αθηνών ΧΑΑ Θα μπορούσαμε
Διαβάστε περισσότεραΣτοχαστικά Σήµατα και Εφαρµογές
Στοχαστικά Σήµατα & Εφαρµογές Μοντελοποίηση Σήµατος ιδάσκων: Ν. Παπανδρέου (Π.. 47/8) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής CEID 7-8 Εισαγωγή ιατύπωση προβλήµατος Έστω ότι γνωρίζουµε ένα
Διαβάστε περισσότεραΤο πρόβλημα του φιλτραρίσματος είναι να υπολογιστεί η βέλτιστη εκτίμηση. μέχρι και τη χρονική στιγμή k. Η εκτίμηση είναι:
1 2. ΦΙΛΤΡΟ KALMAN 2.1.ΧΡΟΝΙΚΑ ΜΕΤΑΒΑΛΛΟΜΕΝΟ ΦΙΛΤΡΟ KALMAN Το πρόβλημα του φιλτραρίσματος είναι να υπολογιστεί η βέλτιστη εκτίμηση (φιλτράρισμα) x( k / k ) της κατάστασης τη χρονική στιγμή δεδομένου του
Διαβάστε περισσότερα' ' ' ' ' ' ' e G G G G. G M ' ' ' ' G '
µετασχηµατισµό τέτοιο ώστε επιδρώντας στο λάθος πρόβλεψης e, ( e = e) να οδηγεί σε ελαχιστοποίηση του E = e e όταν ελαχιστοποιείται το Ε, να µετασχηµατίζει τον πίνακα G στον πίνακα G που να έχει άνω τριγωνική
Διαβάστε περισσότεραΠροσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Οαλγόριθµος καθόδου κατά την µέγιστη κλίση (Steepest-descent)
ΒΕΣ Προσαρµοστικά Συστήµατα στις Τηεπικοινωνίες Προσαρµοστικοί Αγόριθµοι Υοποίησης Βέτιστων Ψηφιακών Φίτρων: Οαγόριθµος καθόδου κατά την (Steepest-escent) κατά τη Βιβιογραφία Ενότητας Benvent []: Κεφάαι
Διαβάστε περισσότεραΑσκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 4 o Φροντιστήριο
Ασκήσεις Φροντιστηρίου 4 o Φροντιστήριο Πρόβλημα 1 ο Ο πίνακας συσχέτισης R x του διανύσματος εισόδου x( στον LMS αλγόριθμο 1 0.5 R x = ορίζεται ως: 0.5 1. Ορίστε το διάστημα των τιμών της παραμέτρου μάθησης
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ: ΠΛΗΡΟΦΟΡΙΚΗ ΘΕ: ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚH Ι (ΠΛΗ ) ΕΡΓΑΣΙΑ 6 - ΛΥΣΕΙΣ Άσκηση. (6 µον.) Ελέγξτε ποια από τα επόµενα σύνολα είναι διανυσµατικοί χώροι
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) Ενδεικτικές Λύσεις ΕΡΓΑΣΙΑ η Ηµεροµηνία Αποστολής στον Φοιτητή: Ιανουαρίου 6 Ηµεροµηνία Παράδοσης της Εργασίας από
Διαβάστε περισσότεραΣηµειώσεις στις σειρές
. ΟΡΙΣΜΟΙ - ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ Σηµειώσεις στις σειρές Στην Ενότητα αυτή παρουσιάζουµε τις βασικές-απαραίτητες έννοιες για την µελέτη των σειρών πραγµατικών αριθµών και των εφαρµογών τους. Έτσι, δίνονται συστηµατικά
Διαβάστε περισσότεραE [ -x ^2 z] = E[x z]
1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής
Διαβάστε περισσότεραΧρονοσειρές, Μέρος Β 1 Πρόβλεψη Χρονικών Σειρών
Χρονοσειρές, Μέρος Β Πρόβλεψη Χρονικών Σειρών Ο βασικός σκοπός της μελέτης των μοντέλων για χρονικές σειρές (όπως AR, MA, ARMA, ARIMA, SARIMA) είναι η πρόβλεψη (predicio, forecasig) Η πρόβλεψη των μελλοντικών
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. nn n n
ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 3 Ο αλγόριθµος Gauss Eστω =,3,, µε τον όρο γραµµικά συστήµατα, εννοούµε συστήµατα εξισώσεων µε αγνώστους της µορφής: a x + + a x = b a x + + a x = b a
Διαβάστε περισσότεραΑσκήσεις για το µάθηµα «Ανάλυση Ι και Εφαρµογές» (ε) Κάθε συγκλίνουσα ακολουθία άρρητων αριθµών συγκλίνει σε άρρητο αριθµό.
Ασκήσεις για το µάθηµα «Ανάλυση Ι και Εφαρµογές» Κεφάλαιο : Ακολουθίες πραγµατικών αριθµών Α Οµάδα Εξετάστε αν οι παρακάτω προτάσεις είναι αληθείς ή ψευδείς αιτιολογήστε πλήρως την απάντησή σας α Κάθε
Διαβάστε περισσότεραΓραµµική Αλγεβρα. Ενότητα 1 : Εισαγωγή στη Γραµµική Αλγεβρα. Ευστράτιος Γαλλόπουλος Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Γραµµική Αλγεβρα Ενότητα 1 : Εισαγωγή στη Γραµµική Αλγεβρα Ευστράτιος Γαλλόπουλος Τµήµα Μηχανικών Η/Υ & Πληροφορικής Αδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραKalman Filter Γιατί ο όρος φίλτρο;
Kalman Filter Γιατί ο όρος φίλτρο; Συνήθως ο όρος φίλτρο υποδηλώνει µια διαδικασία αποµάκρυνσης µη επιθυµητών στοιχείων Απότολατινικόόροfelt : το υλικό για το φιλτράρισµα υγρών Στη εποχή των ραδιολυχνίων:
Διαβάστε περισσότεραΕισαγωγή στον Προγραµµατισµό. Ανάλυση (ή Επιστηµονικοί8 Υπολογισµοί)
Εισαγωγή στον Προγραµµατισµό Αριθµητική Ανάλυση (ή Επιστηµονικοί Υπολογισµοί) ιδάσκοντες: Καθηγητής Ν. Μισυρλής, Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ 8 εκεµβρίου 2014 Ανάλυση (ή Επιστηµονικοί8 Υπολογισµοί)
Διαβάστε περισσότεραE[ (x- ) ]= trace[(x-x)(x- ) ]
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραΔιδάσκων: Καθηγητής Νικόλαος Μαρμαρίδης, Καθηγητής Ιωάννης Μπεληγιάννης
Τίτλος Μαθήματος: Γραμμική Άλγεβρα ΙΙ Ενότητα: Παραγοντοποιήσεις Πινάκων και Γραµµικών Απεικονίσεων Διδάσκων: Καθηγητής Νικόλαος Μαρμαρίδης, Καθηγητής Ιωάννης Μπεληγιάννης Τμήμα: Μαθηματικών 82 13 Παραγοντοποιήσεις
Διαβάστε περισσότεραΠροσαρµοστικοί αλγόριθµοι στο πεδίο της συχνότητας: ΟταχύςLMS (Fast Least Mean Square - FLMS)
ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Προσαρµοστικοί αλγόριθµοι στο πεδίο της συχνότητας: ΟταχύςLS (Fast Least ean Square - FLS) Κανοινικοποιηµένος FLS Βιβλιογραφία Ενότητας Benvenuto [22]:
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ: ΠΛΗΡΟΦΟΡΙΚΗ ΘΕ: ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΉ Ι (ΠΛΗ ) ΛΥΣΕΙΣ ΕΡΓΑΣΙΑΣ 4 Άσκηση. (8 µον.) (α) ίνεται παραγωγίσιµη συνάρτηση f για την οποία ισχύει f /
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) TEΛΙΚΕΣ ΕΞΕΤΑΣΕΙΣ 8 Ιουνίου 005 Από τα κάτωι Θέµατα καλείσε να λύσετε το ο που περιλαµβάνει ερωτήµατα από όλη την ύλη
Διαβάστε περισσότεραΓραµµική Αλγεβρα. Ενότητα 3 : ιανυσµατικοί Χώροι και Υπόχωροι. Ευστράτιος Γαλλόπουλος Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Γραµµική Αλγεβρα Ενότητα 3 : ιανυσµατικοί Χώροι και Υπόχωροι Ευστράτιος Γαλλόπουλος Τµήµα Μηχανικών Η/Υ & Πληροφορικής Αδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραEΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ. Διαφορική Παλµοκωδική Διαµόρφωση (DPCM)
EΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Διαφορική Παλµοκωδική Διαµόρφωση (DCM) Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Προεπισκόπηση Διαφορική Παλµοκωδική Διαµόρφωση
Διαβάστε περισσότεραKεφάλαιο 4. Συστήµατα διαφορικών εξισώσεων
4 Εισαγωγή Kεφάλαιο 4 Συστήµατα διαφορικών εξισώσεων Εστω διανυσµατικό πεδίο F: : F=F( r), όπου r = ( x, ) και Fr είναι η ταχύτητα στο σηµείο r πχ ενός ρευστού στο επίπεδο Εστω ότι ψάχνουµε τις τροχιές
Διαβάστε περισσότεραΌρια συναρτήσεων. ε > υπάρχει ( ) { } = ± ορίζονται αναλόγως. Η διατύπωση αυτών των ορισµών αφήνεται ως άσκηση. x y = +. = και για κάθε (, ) ( 0,0)
Όρια συναρτήσεων.5. Ορισµός. Έστω, f : Α συνάρτηση συσσώρευσης του Α και b σηµείο. Λέµε ότι η f έχει ως όριο το διάνυσµα b καθώς το τείνει προς το και συµβολίζουµε li = ή f b f b αν και µόνο αν, για κάθε
Διαβάστε περισσότεραΜέθοδοι πολυδιάστατης ελαχιστοποίησης
Μέθοδοι πολυδιάστατης ελαχιστοποίησης με παραγώγους Μέθοδοι πολυδιάστατης ελαχιστοποίησης Δ. Γ. Παπαγεωργίου Τμήμα Μηχανικών Επιστήμης Υλικών Πανεπιστήμιο Ιωαννίνων dpapageo@cc.uoi.gr http://pc64.materials.uoi.gr/dpapageo
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ: ΠΛΗΡΟΦΟΡΙΚΗ ΘΕ: ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΉ Ι (ΠΛΗ 12) ΛΥΣΕΙΣ ΕΡΓΑΣΙΑΣ 3
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ: ΠΛΗΡΟΦΟΡΙΚΗ ΘΕ: ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΉ Ι (ΠΛΗ ) ΛΥΣΕΙΣ ΕΡΓΑΣΙΑΣ Άσκηση. ( µον.). Έστω z ο µιγαδικός αριθµός z i, µε, R. (α) ίνεται η εξίσωση: z
Διαβάστε περισσότεραΟΜΟΣΠΟΝ ΙΑ ΕΚΠΑΙ ΕΥΤΙΚΩΝ ΦΡΟΝΤΙΣΤΩΝ ΕΛΛΑ ΟΣ (Ο.Ε.Φ.Ε.) ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2016 Β ΦΑΣΗ
ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 6 ΤΑΞΗ: Γ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΣ: ΘΕΤΙΚΩΝ ΣΠΟΥ ΩΝ / ΣΠΟΥ ΩΝ ΟΙΚΟΝΟΜΙΑΣ & ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΑΘΗΜΑ: ΜΑΘΗΜΑΤΙΚΑ ΘΕΜΑ Α Ηµεροµηνία: Μ. Τετάρτη 7 Απριλίου 6 ιάρκεια Εξέτασης: 3 ώρες
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 14 ΚΑΤΩ ΙΑΒΑΤΑ ΦΙΛΤΡΑ BESSEL-THOMSON
ΚΕΦΑΛΑΙΟ 4 ΚΑΤΩ ΙΑΒΑΤΑ ΦΙΛΤΡΑ BESSELTHOMSON 4. ΚΑΘΥΣΤΕΡΗΣΗ ΦΑΣΗΣ ΚΑΙ ΚΑΘΥΣΤΕΡΗΣΗ ΣΗΜΑΤΟΣ Η χρονική καθυστέρηση συµβαίνει κατά την µετάδοση σε διάφορα φυσικά µέσα και αποτελεί ένα βασικό στοιχείο στην επεξεργασία
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΟΜΑ Α ΑΣΚΗΣΕΩΝ ΑΣΚΗΣΗ Στην εικόνα παρακάτω φαίνεται ένα νευρωνικό
Διαβάστε περισσότεραΕπαναληπτικές Ασκήσεις για το µάθηµα Ψηφιακή Επεξεργασία Σηµάτων
Άσκηση η α) Πώς θα µετρήσετε πρακτικά πόσο κοντά είναι ένα σήµα σε λευκό θόρυβο; Αναφέρατε 3 διαφορετικές µεθόδους (κριτήρια) για την απόφαση: "Ναι, πρόκειται για σήµα που είναι πολύ κοντά σε λευκό θόρυβο"
Διαβάστε περισσότεραπροβλήµατος Το φίλτρο Kalman διαφέρει από τα συνηθισµένα προβλήµατα ΜΕΤ σε δύο χαρακτηριστικά: παραµέτρων αγνώστων
Φίλτρα Kalman Εξαγωγή των εξισώσεων τους µε βάση το κριτήριο ελαχιστοποίησης της Μεθόδου των Ελαχίστων Τετραγώνων. Αναλυτικές Μέθοδοι στη Γεωπληροφορική Μεταπτυχιακό Πρόγραµµα ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ιατύπωση του
Διαβάστε περισσότεραKεφάλαιο 5. µετασχηµατισµού Laplace.
5 Εισαγωγή Kεφάλαιο 5 Ο µετασχηµατισµός Lplce Τόσο οι συνήθεις όσο και οι µερικές διαφορικές εξισώσεις περιγράφουν νόµους µε τους οποίους κάποιες ποσότητες µεταβάλλονται σε σχέση µε το χρόνο, όπως το ρεύµα
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 4
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 4 Πάτρα 2008 Ντετερμινιστικά Moving Average Μοντέλα Ισχύει:
Διαβάστε περισσότεραΛΥΣΕΙΣ 6 ης ΕΡΓΑΣΙΑΣ - ΠΛΗ 12,
ΛΥΣΕΙΣ 6 ης ΕΡΓΑΣΙΑΣ - ΠΛΗ, - Οι παρακάτω λύσεις των ασκήσεων της 6 ης εργασίας που καλύπτει το µεγαλύτερο µέρος της ύλης της θεµατικής ενότητας ΠΛΗ) είναι αρκετά εκτεταµένες καθώς έχει δοθεί αρκετή έµφαση
Διαβάστε περισσότεραmin Προσαρμογή AR μοντέλου τάξη p, εκτίμηση παραμέτρων Προσδιορισμός τάξης AR μοντέλου συσχέτιση των χωρίς τη συσχέτιση με
= φ + φ + + φ + Προσδιορισμός τάξης AR μοντέλου Προσαρμογή AR μοντέλου - μερική αυτοσυσχέτιση για υστέρηση τ: = φ + w, = φ + φ + w,, = φ + φ + φ + w,3,3 3,3 3 ˆ φ, kk, τάξη, εκτίμηση παραμέτρων συσχέτιση
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ( , c Ε. Γαλλόπουλος) ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ. Ε. Γαλλόπουλος. ΤΜΗΥΠ Πανεπιστήµιο Πατρών. ιαφάνειες διαλέξεων 28/2/12
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Ε. Γαλλόπουλος ΤΜΗΥΠ Πανεπιστήµιο Πατρών ιαφάνειες διαλέξεων 28/2/12 Μαθηµατική Οµάδα Οµάδα είναι ένα σύνολο F µαζί µε µία πράξη + : F F F έτσι ώστε (Α1) α + (β + γ) = (α + β) + γ για
Διαβάστε περισσότεραΜάθημα 4: Πρόβλεψη χρονοσειρών Απλές τεχνικές πρόβλεψης Πρόβλεψη στάσιμων χρονοσειρών με γραμμικά μοντέλα Πρόβλεψη μη-στάσιμων χρονοσειρών Ασκήσεις
Μάθημα 4: Πρόβλεψη χρονοσειρών Απλές τεχνικές πρόβλεψης Πρόβλεψη στάσιμων χρονοσειρών με γραμμικά μοντέλα Πρόβλεψη μη-στάσιμων χρονοσειρών Ασκήσεις Πρόβλεψη Χρονοσειρών Μοντέλα για χρονικές σειρές AR,
Διαβάστε περισσότεραΓραµµική Αλγεβρα. Ενότητα 2 : Επίλυση Γραµµικών Εξισώσεων. Ευστράτιος Γαλλόπουλος Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Γραµµική Αλγεβρα Ενότητα 2 : Επίλυση Γραµµικών Εξισώσεων Ευστράτιος Γαλλόπουλος Τµήµα Μηχανικών Η/Υ & Πληροφορικής Αδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2016 Β ΦΑΣΗ ΜΑΘΗΜΑΤΙΚΑ ΑΠΑΝΤΗΣΕΙΣ. lim = 0. Βλέπε σελίδα 171 σχολικού. σχολικού βιβλίου.
ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 6 ΤΑΞΗ: Γ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΣ: ΘΕΤΙΚΩΝ ΣΠΟΥ ΩΝ / ΣΠΟΥ ΩΝ ΟΙΚΟΝΟΜΙΑΣ & ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΑΘΗΜΑ: ΜΑΘΗΜΑΤΙΚΑ ΘΕΜΑ Α Ηµεροµηνία: Μ. Τετάρτη 7 Απριλίου 6 ιάρκεια Εξέτασης: 3 ώρες
Διαβάστε περισσότεραΠανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 11
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 11 Πάτρα 2008 Προσαρμοστικός LQ έλεγχος για μη ελαχίστης
Διαβάστε περισσότεραΠεριεχόµενα διαλέξεων 2ης εβδοµάδας
Εισαγωγή οµή και πόροι τηλεπικοινωνιακού συστήµατος Σήµατα Περιεχόµενα διαλέξεων 1ης εβδοµάδας Εισαγωγή Η έννοια της επικοινωνιας Ιστορική αναδροµή οµή και πόροι τηλεπικοινωνιακού συστήµατος οµή τηλεπικοινωνιακού
Διαβάστε περισσότεραΚινητά Δίκτυα Υπολογιστών
Κινητά Δίκτυα Υπολογιστών Καθ. Κώστας Μπερμπερίδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Εξοικείωση του φοιτητή με την έννοια της προσαρμοστικής ισοστάθμισης καναλιού 2 Περιεχόμενα
Διαβάστε περισσότεραΌρια συναρτήσεων. ε > υπάρχει ( ) { } = ± ορίζονται αναλόγως. Η διατύπωση αυτών των ορισµών αφήνεται ως άσκηση. x y = +. = και για κάθε (, ) ( 0,0)
Όρια συναρτήσεων 5 Ορισµός Έστω, : Α συνάρτηση συσσώρευσης του Α και b σηµείο Λέµε ότι η έχει ως όριο το διάνυσµα b καθώς το τείνει προς το και συµβολίζουµε li ή b b αν και µόνο αν, για κάθε ε > υπάρχει
Διαβάστε περισσότεραΙΙ ιαφορικός Λογισµός πολλών µεταβλητών. ιαφόριση συναρτήσεων πολλών µεταβλητών
54 ΙΙ ιαφορικός Λογισµός πολλών µεταβλητών ιαφόριση συναρτήσεων πολλών µεταβλητών Ένας στέρεος ορισµός της παραγώγισης για συναρτήσεις πολλών µεταβλητών ανάλογος µε τον ορισµό για συναρτήσεις µιας µεταβλητής
Διαβάστε περισσότεραmin f(x) x R n b j - g j (x) = s j - b j = 0 g j (x) + s j = 0 - b j ) min L(x, s, λ) x R n λ, s R m L x i = 1, 2,, n (1) m L(x, s, λ) = f(x) +
KΕΦΑΛΑΙΟ 4 Κλασσικές Μέθοδοι Βελτιστοποίησης Με Περιορισµούς Ανισότητες 4. ΠΡΟΒΛΗΜΑΤΑ ΜΕ ΠΕΡΙΟΡΙΣΜΟΥΣ ΑΝΙΣΟΤΗΤΕΣ Ζητούνται οι τιµές των µεταβλητών απόφασης που ελαχιστοποιούν την αντικειµενική συνάρτηση
Διαβάστε περισσότεραΕργαστήριο Επεξεργασίας Σηµάτων και Τηλεπικοινωνιών Κινητά ίκτυα Επικοινωνιών
Εργαστήριο Επεξεργασίας Σηµάτων και Τηλεπικοινωνιών Κινητά ίκτυα Επικοινωνιών Εργασία Προσοµοίωσης ενός Τηλεπικοινωνιακού Συστήµατος και Εκτίµηση Απόκρισης Αραιού Καναλιού Εισαγωγή Στην παρούσα εργασία
Διαβάστε περισσότεραΒέλτιστη παρεμβολή και πρόγνωση άγνωστης συνάρτησης με τη μέθοδο της σημειακής προσαρμογής
Ειδικά Θέματα Συνορθώσεων & Εφαρμογές 8 ο εξάμηνο, Ακαδημαϊκό έτος 2016-2017 Βέλτιστη παρεμβολή και πρόγνωση άγνωστης συνάρτησης με τη μέθοδο της σημειακής προσαρμογής (Least squares collocation) Χριστόφορος
Διαβάστε περισσότεραΚεφάλαιο 1: Προβλήµατα τύπου Sturm-Liouville
Κεφάλαιο : Προβλήµατα τύπου Stur-Liouvie. Ορισµός προβλήµατος Stur-Liouvie Πολλές τεχνικές επίλυσης µερικών διαφορικών εξισώσεων βασίζονται στην αναγωγή της µερικής διαφορικής εξίσωσης σε συνήθεις διαφορικές
Διαβάστε περισσότεραΚεφάλαιο 7 Βάσεις και ιάσταση
Κεφάλαιο 7: Βάσεις και ιάσταση Σελίδα από 9 Κεφάλαιο 7 Βάσεις και ιάσταση n Στο Κεφάλαιο 5 είδαµε την έννοια της βάσης στο και στο Κεφάλαιο 6 µελετήσαµε διανυσµατικούς χώρους. Στο παρόν κεφάλαιο θα ασχοληθούµε
Διαβάστε περισσότερα, όπου οι σταθερές προσδιορίζονται από τις αρχικές συνθήκες.
Στην περίπτωση της ταλάντωσης µε κρίσιµη απόσβεση οι δύο γραµµικώς ανεξάρτητες λύσεις εκφυλίζονται (καταλήγουν να ταυτίζονται) Στην περιοχή ασθενούς απόσβεσης ( ) δύο γραµµικώς ανεξάρτητες λύσεις είναι
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2 ΜΗ ΓΡΑΜΜΙΚΕΣ ΕΞΙΣΩΣΕΙΣ
ΚΕΦΑΛΑΙΟ ΜΗ ΓΡΑΜΜΙΚΕΣ ΕΞΙΣΩΣΕΙΣ Η αδυναµία επίλυσης της πλειοψηφίας των µη γραµµικών εξισώσεων µε αναλυτικές µεθόδους, ώθησε στην ανάπτυξη αριθµητικών µεθόδων για την προσεγγιστική επίλυσή τους, π.χ. συν()
Διαβάστε περισσότεραΑκρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrange
64 Ακρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrage Ας υποθέσουµε ότι ένας δεδοµένος χώρος θερµαίνεται και η θερµοκρασία στο σηµείο,, Τ, y, z Ας υποθέσουµε ότι ( y z ) αυτού του χώρου δίδεται από
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ΙΙ (ΑΡΤΙΟΙ) Ασκησεις - Φυλλαδιο 4
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ΙΙ Τµηµα Β (ΑΡΤΙΟΙ) Ασκησεις - Φυλλαδιο 4 ιδασκων: Α Μπεληγιάννης Ιστοσελιδα Μαθηµατος : http://usersuoigr/abeligia/linearalgebraii/laii9/laii9html Παρασκευή 9 Μαρτίου 9 Ασκηση Εστω (E,,
Διαβάστε περισσότεραΔιδάσκων: Καθηγητής Νικόλαος Μαρμαρίδης, Καθηγητής Ιωάννης Μπεληγιάννης
Τίτλος Μαθήματος: Γραμμική Άλγεβρα ΙΙ Ενότητα: Η Κανονική Μορφή Jordan - I Διδάσκων: Καθηγητής Νικόλαος Μαρμαρίδης, Καθηγητής Ιωάννης Μπεληγιάννης Τμήμα: Μαθηματικών 35 7 Η Κανονική Μορφή Jordan - I Στην
Διαβάστε περισσότεραΚανονικ ες ταλαντ ωσεις
Κανονικες ταλαντωσεις Ειδαµε ηδη οτι φυσικα συστηµατα πλησιον ενος σηµειου ευαταθους ισορροπιας συ- µπεριφερονται οπως σωµατιδια που αλληλεπιδρουν µε γραµµικες δυναµεις επαναφορας οπως θα συνεαινε σε σωµατιδια
Διαβάστε περισσότεραx y max(x))
ΚΕΦΑΛΑΙΟ 0 Απλή Γραµµική Παλινδρόµηση Μωυσιάδης Χρόνης 6 o Εξάµηνο Μαθηµατικών Ένα Πρόβληµα εδοµένα.6 3. 3.8 4. 4.4 5.8 6.0 6.7 7. 7.8 y 5.6 7.9 8.0 8. 8. 9. 9.5 9.4 9.6 9.9 Έχει σχέση το yµε το ; Ειδικότερα
Διαβάστε περισσότεραΣυνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος
ΜΑΘΗΜΑ 10 ο Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος Η μέθοδος της συνολοκλήρωσης είναι ένας τρόπος με τον οποίο μπορούμε να εκτιμήσουμε τη μακροχρόνια σχέση ισορροπίας που υπάρχει μεταξύ δύο ή
Διαβάστε περισσότεραΤμήμα Μηχανικών Η/Υ και Πληροφορικής
Τμήμα Μηχανικών Η/Υ και Πληροφορικής Εργαστήριο Επεξεργασίας Σημάτων και Τηλεπικοινωνιών Κινητά Δίκτυα Επικοινωνιών Μέρος Α: Τηλεπικοινωνιακά Θέματα: Ενότητα Νο 4 Τεχνικές Ισοστάθμισης Διαύλου Βασικές
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Τυχαίες μεταβλητές: Βασικές έννοιες Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (σε αντίθεση με τις
Διαβάστε περισσότεραΚινητά Δίκτυα Επικοινωνιών
Κινητά Δίκτυα Επικοινωνιών Καθ. Κώστας Μπερμπερίδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Η εξοικείωση του φοιτητή με τις διάφορες τεχνικές ισοστάθμισης καναλιού που χρησιμοποιούνται
Διαβάστε περισσότεραΕπίλυση Γραµµικών Συστηµάτων
Κεφάλαιο 3 Επίλυση Γραµµικών Συστηµάτων 31 Εισαγωγή Αριθµητική λύση γενικών γραµµικών συστηµάτων n n A n n x n 1 b n 1, όπου a 11 a 12 a 1n a 21 a 22 a 2n A [a i j, x a n1 a n2 a nn x n, b b 1 b 2 b n
Διαβάστε περισσότεραΣεµινάριο Αυτοµάτου Ελέγχου
Σεµινάριο Ατοµάτο Ελέγχο Μάθηµα 7 Εκτίµηση Esimaion στοχαστικών µεγεθών και παραµέτρων µε σνεχείς και διακριτούς αλγόριθµος Καλλιγερόπολος 7 Εκτίµηση Esimaion στοχαστικών µεγεθών και παραµέτρων Σνεχή και
Διαβάστε περισσότερα4.3. Γραµµικοί ταξινοµητές
Γραµµικοί ταξινοµητές Γραµµικός ταξινοµητής είναι ένα σύστηµα ταξινόµησης που χρησιµοποιεί γραµµικές διακριτικές συναρτήσεις Οι ταξινοµητές αυτοί αναπαρίστανται συχνά µε οµάδες κόµβων εντός των οποίων
Διαβάστε περισσότεραΠαρεμβολή & πρόγνωση άγνωστης συνάρτησης μέσω σημειακής προσαρμογής
Ειδικά Θέματα Συνορθώσεων & Εφαρμογές 8 ο εξάμηνο, Ακαδημαϊκό έτος 2018-2019 Παρεμβολή & πρόγνωση άγνωστης συνάρτησης μέσω σημειακής προσαρμογής (Least squares collocation) Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων
Διαβάστε περισσότεραH = H 0 + V (0) n + Ψ (1) n + E (2) (3) >... Σε πρώτη προσέγγιση µπορούµε να δεχτούµε ότι. n και E n E n
3 Θεωρία διαταραχών 3. ιαταραχή µη εκφυλισµένων καταστάσεων 3.. Τοποθέτηση του προβλήµατος Θέλουµε να λύσουµε µε τη ϑεωρία των διαταραχών το πρόβληµα των ιδιοτιµών και ιδιοσυναρτήσεων ενός συστή- µατος
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 4
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) ΕΡΓΑΣΙΑ 4 Ηµεροµηνία αποστολής στον φοιτητή: 9 Φεβρουαρίου 5. Τελική ηµεροµηνία αποστολής από τον φοιτητή: Μαρτίου 5.
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Ι (ΑΡΤΙΟΙ) Λυσεις Ασκησεων - Φυλλαδιο 2
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Ι Τµηµα Β (ΑΡΤΙΟΙ) Λυσεις Ασκησεων - Φυλλαδιο ιδασκων: Α Μπεληγιάννης Ιστοσελιδα Μαθηµατος : http://usersuoigr/abeligia/linearalgebrai/lai8/lai8html Παρασκευή 6 Οκτωβρίου 8 Υπενθυµίζουµε
Διαβάστε περισσότεραQ 12. c 3 Q 23. h 12 + h 23 + h 31 = 0 (6)
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Πολιτικών Μηχανικών Τοµέας Υδατικών Πόρων Μάθηµα: Τυπικά Υδραυλικά Έργα Μέρος 2: ίκτυα διανοµής Άσκηση E0: Μαθηµατική διατύπωση µοντέλου επίλυσης απλού δικτύου διανοµής
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ΙΙ (ΠΕΡΙΤΤΟΙ) Ασκησεις - Φυλλαδιο 5
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ΙΙ Τµηµα Β (ΠΕΡΙΤΤΟΙ) Ασκησεις - Φυλλαδιο 5 ιδασκων: Α Μπεληγιάννης Ιστοσελιδα Μαθηµατος : http://usersuoigr/abeligia/linearalgebraii/laii018/laii018html ευτέρα 3 Απριλίου 018 Αν C = x
Διαβάστε περισσότεραΙδιάζουσες τιμές πίνακα. y έχουμε αντίστοιχα τις σχέσεις : Αυτές οι παρατηρήσεις συμβάλλουν στην παραγοντοποίηση ενός πίνακα
Ιδιάζουσες τιμές πίνακα Επειδή οι πίνακες που παρουσιάζονται στις εφαρμογές είναι μη τετραγωνικοί, υπάρχει ανάγκη να βρεθεί μία μέθοδος που να «μελετά» τους μη τετραγωνικούς με «μεθόδους και ποσά» που
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Ι (ΠΕΡΙΤΤΟΙ) Λυσεις Ασκησεων - Φυλλαδιο 3
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Ι Τµηµα Β (ΠΕΡΙΤΤΟΙ) Λυσεις Ασκησεων - Φυλλαδιο ιδασκων: Α Μπεληγιάννης Ιστοσελιδα Μαθηµατος : http://usersuoigr/aeligia/linearalgerai/lai07/lai07html Παρασκευή Νοεµβρίου 07 Ασκηση Αν
Διαβάστε περισσότερα