THMMY.gr

Ανέβηκε στο Υλικό Μαθήματος η 2η.
Προθεσμία παράδοσης: Κυριακή 17 Μαΐου 2015

Ξέρει κανείς πως χρησιμοποιούμε αυτό το plant.p ????  :???:

Του δίνεις ως όρισμα ενα μεγάλο διάνυσμα-γραμμή και σου επιστρέφει την έξοδο του συστήματος.

Δεν μπορώ να το ανοίξω να το δω δλδ ή οτιδήποτε...? Απλά το χρησιμοποιώ έτσι?

Προφανώς και όχι, μιας και αυτό είναι το άγνωστο σύστημα προς αναγνώριση H(z).

Τέλεια! Thnx!  :)

Στο τελευταίο ερώτημα τι συμβαίνει με την ταχύτητα σύγκλισης;

Σύμφωνα με τη θεωρία, εφόσον το spread των ιδιοτιμών στο σήμα με τις δύο πηγές θορύβου είναι διαφορετικό από το spread αυτής με μία πηγή, δεν πρέπει η ταχύτητα σύγκλισης να διαφέρει;

Ακριβώς όπως το λες. Αλλάζει το spread, άρα αλλάζει και η ταχύτητα σύγκλισης.

Thanks :D

Πώς γίνεται να τρέξουμε το plant για Μ=16 συντελεστές? Αφού ζητάει τουλάχιστον 32 το σύστημα από μόνο του, δεν πρέπει και το δικό μας φίλτρο να έχει τουλάχιστον 32 συντελεστές?

Το ότι το plant.p μπορεί να έχει εσωτερικά περισσότερους από 16 συντελεστές δε σημαίνει πως δεν μπορείς να το προσεγγίσεις με Μ=16 συντελεστές, με τη μέθοδο LMS.

Το d θα βρούμε από την plant?

Το plant.p υλοποιεί το H(z), οπότε ναι.

παιδια το y(n) που φτιαχνουμε ειναι w(n)' * u(n) οπου το καθενα απο αυτα εχει μήκος 16 ή 32 έτσι; Ενω η λογικη μου φαίνεται απλούστατη, το learning curve που βγάζω έχει απίστευτο θόρυβο σε αντίθεση με αυτα στα παραδείγματα του ( βγάζω μια μουτζούρα μεταξύ 1 και 10^(-6).  Επίσης το σφάλμα αποκλίνει για βήμα μεγαλύτερο από 0.0001 οπότε έχω πολύ μικρά βήματα. Είναι λογικό αυτό ή εχω κάνει λάθος;

Μάλλον κάτι έχεισ κάνει λάθος. Εμένα προσωπικά μου συγκλίνει για βήμα απ'ο 0.1 και κάτω . Συμβουλή.
Δες τον κώδικα του Σισμάνη που είναι στο e-thmmy (adaptLMS.m) άλαξε απλά την είσοδο και το  d και το έχεις
όλο .Αν κατανόησες 2-3 απλά πράγματα μπορείσ να καταλάβεις τι κάνει πολύ άνετα

Μπορεί κάποιος να μου εξηγήσει πώς να χρησιμοποιήσω το Plant.p;; Όπως το αντιλαμβάνομαι στον κώδικα δεν χρειάζεται κάπου. Μακακία μου ε;; :D

Αν δεις σε προηγούμενα post έχω απαντήσει και στο πως καλείται η συνάρτηση plant.p, αλλά και που χρειάζεται στην υλοποίηση του προβλήματος.

Παιδια τα αποτελέσματα πρέπει να βγαίνουν το πανομιότυπα με τα αποτελεσματα που βρίσκονται στις σημειώσεις σωστα? Οταν έχω τους συντελεστες μ για το κανονικό LMS οι γραφικές μου γαίνονται κανονικά όπως στα παραδείγματα! Οταν αλλάξω τα μ όπως γράφει και στις σημειώσεις του μαθήματος και τα κάνω αυτά για το ΝLMS στα αποτελέσματα μου φαίνεται ότι δεν συγκλίνουν. Κάνω κατι λάθος??  Εκανα τις απαραιτητες αλλαγεσ για το d και το σήμα εισόδου.

Ναι, κάτι κάνεις λάθος. Και η μέθοδος NLMS θα έπρεπε να συγκλίνει.

Στο τελευταίο υποερώτημα με την προσθήκη επιπλέον θορύβου, η είσοδος με τις 2 συνιστώσες θορύβου εκτός από γρηγορότερη σύγκλιση έχει και μικρότερο σφάλμα μόνιμης κατάστασης. Αυτό γιατί συμβαίνει?

ok ευχαριστω θα το ξανακοιταξω. Ουσιαστικα τα ιδια βηματα με αυτα του Σισμανη (θεωρω οτι) εκανα, θετωντας απλα για εισοδο το u και d = plant(u) αρα μαλλον καποια απροσεξια θα ειναι.

Παιδία τα σήματα που βγάζω συγκλίνουν αλλά έχουν αρκετό θόρυβο, σε σημείο που επικαλύπτει το ένα το άλλο . Κάνω κατι λάθος?

Αν το τρέξεις 50 φορές και πάρεις τον μέσο όρο λογικά θα είναι πιο ευδιάκριτα. Στο τελυεταίο ερώτημα είδε κανείς καμμία διαφορά στη σύγκλιση γιατί εγώ δεν βλέπω καμμία

Υπάρχει διαφορά. Δοκίμασε να βάλεις πολύ μικρό βήμα.

Για την plant.p και πάλι.. Ουσιαστικά βρίσκουμε το v[n] από τη διασπορά (rand κλπ) και το u[n] με τον τύπο που δίνεται και καλούμε την d = plant( u ) ;;;; Μου βγάζει πρόβλημα έτσι άρα μάλλον κάτι κάνω λάθος... :/

Το W=[2.9 ...] τι ακριβώς ειναι γιατί ψάχνω να το βρω και δεν βρίσκω τι είναι.

Ισχύει οτι μ<2/λμαχ, οπου λμαχ η μέγιστη ιδιοτιμή του Ru. Αν ισχύει γιατί δεν συγκλίνει για 0.5 που είναι εντός ορίων;

d = plant( u' )
θέλει ανάστροφο  ;)

:O :O :O  Ευχαριστώ!!! :)

Παίζει να δοθεί ξανά καμιά παράταση; ::)

Ο Normalized LMS δεν μου κάνει converge στα 25000 βήματα. Απλά μειώνεται συνεχώς αλλά δεν σταθεροποιείται. Γενικώς δεν έχει την μορφή που εμφανίζεται στις σημειώσεις. Έχει και κανείς άλλος αυτό το θέμα?

από όσο ξέρω δεν είσαι ο μόνος!

Το σφάλμα που πρέπει να βρίσκουμε τι τάξη μεγέθους είναι;

ναι και μένα το κάνει αυτό ενώ ακολούθησα αυτά που έλεγε στη διάλεξη για το NLMS...
 :-\ :-\ :-\

τι μ χρησιμοποιείτε;

Άκυρο αυτό!

Οι επαναλήψεις Τ δεν καταλαβαίνω που αποθηκευόνται. Απλά τραβάει μία διαίρεση αλλα δεν φαίνεται να κρατάει ξεχωριστά τα αποτελέσματα για κάθε επανάληψη!

Παιδιά, τις διάφορες εκδοχές του LMS που θέλει για το πρώτο ζητούμενο τις βρίσκουμε πουθενά σε κώδικα ή μόνο στη θεωρία;

Μόνο θεωρία

Thanx  :)

που το λέει αυτό στη θεωρία; Γενικά βλέπω πολύ καλύτερη ταχύτητα συγκλισης οταν προσθετω τον extra θορυβο αλλα δε καταλαβαινω πως εξηγειται αυτο  :(

Το eigenvalue spread είναι μικρότερο στην δεύτερη περίπτωση,γι αυτό συγκλίνει νωρίτερα.Στην διαφάνεια για το lms σελ 18, έχει παράδειγμα.

τέλεια ευχαριστώ!

για το τελευταίο ερώτημα με τον επιπλέον θόρυβο το θέλει για το StandarLMS ή και για τους 3;  :-\

τι αποτελέσματα βγάζετε για το τελευταίο ερώτημα; Για μεγάλα μ φαίνεται να μη συγκλίνει ουσιαστικά ποτέ και η τιμή να παίζει ( έχει καρφιά δηλαδή που ανεβαίνουν πάνω απο το 0)

Ρώτησα το Σισμάνη και είπε μόνο για το Standard

ΟΚ σε ευχαριστωωώ  :)

Όσοι έχετε πρόβλημα με τον NLMS μάλλον θα φταίει ότι έχετε βάλει όλο το u στην νόρμα. Θέλει μόνο τις M τιμές. Δείτε καλά τον τύπο σελ.3 στο LMS-variants με τι ισούται η νόρμα.

Μπορεί να μου εξηγήσει κάποιος αυτό:
Το μέγιστο μ είναι σύμφωνα με τον τύπο 2/λmax. Αλλά στο παράδειγμα στις διαφάνειες του LMS σελ. 17 έχει μέγιστη ιδιοτιμή 2 και το μεγαλύτερο μ που παίρνει είναι 0.075 που είναι κάπου 15 φορές μικρότερο από αυτό που προτείνει ο τύπος. Το έτρεξα για μ=1 και όντως δεν συγκλίνει για κανέναν λόγο, όπως και η δικιά μου εργασία συγκλίνει το πολύ για 0.2 αντί για 4.5 περίπου που βρίσκω την ιδιοτιμή. Άρα δεν ισχύει ο τύπος; Υπάρχει άλλος;

http://en.wikipedia.org/wiki/Least_mean_squares_filter#Normalised_least_mean_squares_filter_.28NLMS.29
Ενότητα : Convergence and stability in the mean.

Εξηγεί  ότι το παραπάνω άνω όριο εξασφαλίζει την σύγκλιση της διαφοράς και όχι των συντελεστών w.
Λέει επίσης ότι πιο πρακτικό είναι 0<μ<1/trace(Ru), αλλά και πάλι το μ να μην είναι κοντά στο άνω όριο.
Για εμένα συγκλινει τουλάχιστον για μια τάξη μεγέθους κάτω. Αν θυμάμαι καλά το 1/trace(Ru)  είναι 3 και κάτι. Για 0,3 που το δοκίμσα νομίζω συγκλίνει.

Θα χρησιμοποιήσουμε και το τμήμα του κώδικα του Σισμάνη που ορίζει το x και το h;

Κατάλαβα, επειδή ο LMS συγκλίνει κατά μέση τιμή χρειαζόμαστε κάτι ισχυρότερο  ;)

Για το τελευταίο ζητούμενο, δεν είναι περίεργο  αυτή που συγκλίνει γρηγορότερα να συγκλίνει σε μεγαλύτερο mean square error;Νομίζω το ρώτησε και άλλος. Υπάρχει λάθος στην υλοποίησή μου ή αυτό που λέει στην σελίδα 18 δεν είναι τόσο απόλυτο όσο αφορά το σφάλμα;

O αριθμός a στην NLMS αρκεί να είναι στο διάστημα (0,1) ή πρέπει να είναι μεγαλύτερος;


Βασικά όσο μεγαλώνεις το a μικραίνεις το μ, αλλά πως θα ξέρεις πόσο θα πάει; Το u στο τετραγωνο με βγαινει 1-11 αρα το α δεν θα πρεπει να ειναι μεγαλυτερο απο 10?

Από ότι κατάλαβα, το α είναι μια σταθερά που χρησιμοποιείται απλά για να μην μηδενιστεί ο παρονομαστής. Δεν θα πρέπει να επηρεάζει τον υπολογισμό. Σε διάφορους κώδικες που το είδα, το βάζουν 0.001 ή κάτι τέτοιο.

Και όμως ανάλογα με το μέγεθος επηρεάζει. Άρα για να μην επηρεάζει πρέπει να μπει όντως 0.001

τα eigenvalue spreads που θέλουμε να υπολογίσουμε στο τελευταίο ερώτημα για να δικαιολογήσουμε την ταχύτητα σύγκλισης, σας βγαίνουν και εσάς το ένα πολύ κοντά στο άλλο?

τον πίνακα R για πόσες παρελθοντικές τιμές των βγάζεις;

ανάλογα με το Μ. Αν Μ=16, τότε βγάζω πίνακα 16x16 για τον R.

εκτός αν δεν κατάλαβα καλά και εννοείς τον αριθμό T των ανεξάρτητων επαναλήψεων (το έχω για Τ=50)

όχι το πρώτο εννοούσα. Υπάρχει κάποιος εύκολος τρόπος για τον υπολογισμό; Για΄τι αν πάμε με το κλασσικό οι πράξεις είναι πολλές!

εννοείς με το χέρι?Εγώ αυτό που δοκίμασα είναι να υπολογίζω με εντόλες Matlab ένα eigenvalue spread για κάθε επανάληψη της εξωτερικής λούπας (t=1:T) και μετά να πάρω τον μέσο όρο ως εκτίμηση για το spread. Bέβαια, δν ξέρω κατά πόσο είναι ορθό, αλλά δεδομένου ότι το η είσοδος u αλλάζει σε κάθε επανάληψη, δν μπόρεσα να σκεφτώ κάποιον άλλο τρόπο για να το κάνω στο Μatlab. Απλά με αυτόν τον τρόπο δν είδα καμιά σημαντική διαφορά ανάμεσα στα spreads είτε με τον επιπλέον θόρυβο είτε χωρίς. Αν έχει κανείς καμια καλύτερη ιδέα ας την πει.

Προσπάθησα να βγάλω άκρη με 3 ιδιοτιμές μόνο, αλλά μου βγαίνει μεγαλύτερο το spread με αυτές μόνο με τον επιπλέον θόρυβο. Σκατά!

Κάτι άσχετο γιατί νομίζω πως το έκανα λάθος. Πως υπολογίζουμε στο Matlab τον πίνακα αυτοσυσχέτισης του σήματος εισόδου u(n) ;

Εγώ πήρα τις παρακάτω εντολές:
z=autocorr(u);
z=z*var(u);
R1=toeplitz(z);
R=R1(1:16,1:16);

Αυτό είναι ή έκανα πατάτα;  :???:

να πάρει δεν σκέφτηκα να πάρω μόνο τις 16 τιμές α δω τι βγάζει... αφήνοντας τις 21 δεν έβγαζε σωστό αποτέλεσμα :/ Την έστειλα τώρα

Ναι απλά όταν έχεις Μ=32 συντελεστές πως θα πάρεις έναν R 32x32 αφού η πράξη σου δίνει 21x21?... εκεί σκαλώνω  και πιστεύω πως κάτι υπολογίζω λάθος   :-\