THMMY.gr

Kαλημέρα!

Γνωρίζει κάποιος σε ποιο κομμάτι των διαφανιών/ύλης απευθύνεται η 3η εργασία ;

Στο 2ο ερωτημα της εργασιας,με τη μεθοδο Lagrange , πώς βρισκουμε του λ ? Ασχοληθηκε  κανενας;

Για το τελευταίο ερώτημα δεν θα έπρεπε να γνωρίζουμε κάποια στοιχεία όπως για παράδειγμα η διακύμανση του θορύβου προκειμένου να τον δημιουργήσουμε ; Ή λογικά πρέπει κάπως αλλιώς να τον υλοπιήσουμε ;

Στις διαφάνειες του Lecture8.pdf, η διαφάνεια στη σελίδα 8 είναι για Joint-process estimation που αντιστοιχεί στο τρίτο ερώτημα της εργασίας. Επίσης, στο Lecture07.pdf η διαφάνεια στη σελίδα 7 είναι για επαυξημένες εξισώσεις Wiener-Hopf (ερώτημα 2). Για το ερώτημα 1 θα ήθελα κι εγώ να πει κάποιος πού μπορούμε να βρούμε βοήθεια.

Στο ερώτημα (1) απλά παίρνεις τυχαίους πίνακες και κάνεις πράξεις!

Για τον <<καθαρισμό>> του μουσικού κομματιού θα χρησιμοποιήσουμε τα προγράμματα LevinsonDurbin.m που έχουν στο elearning έτσι ;

τελικά με αυτό τι έκανες;

Καθάρισα το μουσικό κομμάτι με έναν τρόπο χρησιμοποιωντας LevinsonDurbin πρόγραμμα που έχει στο elearning. Δεν έχω κάνει κάτι ακόμα για τους βέλτιστους συντελεστές του φίλτρου.

όντως λείπουν πράγματα όμως! δεν μπορώ να καταλάβω αν υπάρχει άλλος τρόπος...

Η εκφώνηση ζητάει joint-process estimator. Φαντάζομαι θα εννοεί αυτό που περιγράφεται στο Lecture 8.

Εννοείς για τον καθαρισμό του κομματιού ;

για το δευτερο ερωτημα το κριτηριο που πρεπει να ελαχιστοποιησουμε μεσω lagrange ειναι J=(d(n) - a*u(n))^2 + λ*(α(1)-1); οι επαυξημένοι πινακες που ζηταει ειναι αυτοι για forward prediction του lecture 7 απλα μας ζηταει να τους βρουμε απο αλλη διατυπωση του προβληματος;

Ναι. Χαζομάρα είπα άστο.  :P

Μπορούμε να χρησιμοποιήσουμε τις Συναρτήσεις που δίνουν στο elearning ε;

Εννοώ για τον Levinson Durbin αλγόριθμο και το φιλτράρισμα.

Εγώ τα χρησιμοποιήσα πάντως !

Και γω προς το παρόν.
Δεν νομίζω να έχει νόημα να ξαναγράψουμε τον ίδιο κώδικα αφού τον έχουμε έτοιμο.

να ζητησουμε καμια παραταση;

+1

Γνωριζει κανενας γιατι δουλευει αυτο το φιλτρο και καθαριζει τον θορυβο ενω δεν ξερουμε τιποτα για τον θορυβο;

Ξέρουμε ότι είναι περιοδικές παρεμβολές, οπότε με βάση την αυτοσυσχέτιση του σήματος μπορούμε να απομονώσουμε αυτές τις παρεμβολές ακριβώς επειδή είναι περιοδικές.

Για το ερώτημα 2 αυτό που έχει η διαφάνεια πώς σε βοήθησε? Καταλαβαίνω το περιεχόμενό της και το πώς σχετίζεται με το ερώτημα αλλά δεν βρίσκω κάπου Lagrange κτλ...επίσης στο ερώτημα μιλάμε για forward prediction?

Δυστυχώς δεν πρόλαβα να ασχοληθώ με τα ερωτήματα 1 και 2 της εργασίας αλλά μόνο με το τρίτο. Αν μπορεί κάποιος άλλος ας βοηθήσει.

Απάντησε σε κανέναν για παράταση;

Πήρε παράταση έως Τετάρτη, 23 Μάιος 2018, 11:55 μμ

η συνάρτηση κόστους που θες να ελαχιστοποιήσεις έιναι η f = u_M+1a_M+1 με περιορισμό a(1) = 1

Πήρε παράταση μέχρι την Τετάρτη

Στο 1ο ερώτημα θέλει απόδειξη ή απλά να το εφαρμόσουμε στο matlab και να δείξουμε ότι δουλεύει?

Απόδειξη. Τα πρώτα 2 δεν θέλουν matlab

Στο τελευταίο ερώτημα, αν το πάρουμε σα κλασικό φίλτρο Wiener, το φιλτράρισμα γίνεται πολύ πιο γρήγορα.

Γιατί λοιπόν να κάνουμε Joint Process Estimator? Υπάρχει κάποια διαφορά στην ποιότητα φιλτραρίσματος;

ο δείκτης Μ+1 δείχνει το μέγεθος των διανυσμάτων; Επίσης αυτή η f πως ακριβώς προέκυψε;

Σε εμένα έχει. Ακουστικά καλύτερο είναι το joint process, και τα plot με τα δείγματα είναι σίγουρα διαφορετικά (όχι μόνο λόγω πλάτους σήματος).

ναι όχι ότι έχει μεγάλη σημασία. Lecture7 διαφάνεια 2 forward prediction error. Μας το είπε και μέσα στο μάθημα.

Και αυτό μπορείς να το διαπιστώσεις κάπως μαθηματικά; Γιατί εμένα ίδια μου ακούγονται.

Εγώ δεν το υπολόγισα μαθηματικά αλλά υποθέτω μπορείς.
Δεν ξέρω τις ακριβείς συναρτήσεις στο matlab αλλά η (εξαιρετικά επίπονη) μέθοδος είναι η εξής:
1. Τρέχεις τη συνάρτηση του matlab για να υπολογίσεις το αποθορθβοποιημένο τραγούδι με τη μέθοδο wiener. Κράτα τους συντελεστές.
2. Τρέχεις τον δικό σου κώδικα για το φίλτρο wiener. βρες την απόκλιση με το matlab.
3. Ομοίως και για το joint process.
4. Συγκρίνεις τις αποκλίσεις, η μεγαλύτερη απόκλιση είναι και αυτή που δεν έχει τόσο καλά αποτελέσματα

Αν κάποιος έχει κάποια καλύτερη ιδέα ας πει

δεν μπόρεσα να βρω κάτι αλλά δοκίμασες να τα τρέξεις για περισσότερους από 100 συντελεστές? γιατί για 99 δεν τρέχει και ο joint έχει μια παραπάνω τιμή (βασικά ίδιες απλά δεν είναι απαραίτητο η πρώτη τιμή να είναι 1). Μπορεί για 150 συντελεστές να ακούγονται και τα 2 αρκετά καλά έως ίδια.  :???: