[Ψηφιακά Φίλτρα] 1η εργασία 2016

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

[height=400]

  Όταν ανεβάζουμε φωτογραφίες στις Ανακοινώσεις και Έκτακτα νέα, βάζουμε τη μεγαλύτερη πλευρά 400 (width=400 ή height=400 ). π.χ. [img height=400 (κλείνει η αγκύλη) 

[greekoo]

Παιδιά λίγο αδαείς ερωτήσεις  :

1) Το noise.mat είναι το u που πρέπει να βρώ τον πίνακα αυτοσυσχέτισης R_u?
2) Το P (πίνακας ετεροσυσχετισης) ισχυει οτι θα είναι [σ^2,0,0,0.....,0] (60 θεσεων) οπου σ^2 η διακυμανση του λευκου θορυβου που μας δινεται; 

[c0ndemn3d]

1) Ναι
2) Ναι

[greekoo]

1) Ναι
2) Ναι

Σε ευχαριστώ για την άμεση απάντηση φίλε μου!

Έχω βρει R,p,w0, εφαρμόζω τον SD για n=220500 steps, βρισκω το y ακριβως οπως στο σκριπτακι του σισμανη, και τελικα κανω e=d-y και μετα sound(e, Fs) αλλα παρολαυτα ακουω θορυβο.

δεν εχω καταλαβει το w0 χρησιμοποείται πουθενά για την ακοή του τραγουδιού; Στη loop του SD πρέπει να κάνουμε κάποτε break σύμφωνα με τη θεωρία;

[c0ndemn3d]

Δεν χρειάζεται καν steepest descent νομίζω. Βρες το με τον τύπο για να δεις πρώτα ότι τα έχεις σωστά τα υπόλοιπα. Για τον sd βρίσκεις ένα καλό μ και μετά σταματάς όταν δεν υπάρχει σημαντική αλλαγή στο w

Αν ήμουν σπίτι θα εγραφα καλύτερη απάντηση αλλά από κινητό είμαι δύσκολα

[greekoo]

Δεν χρειάζεται καν steepest descent νομίζω. Βρες το με τον τύπο για να δεις πρώτα ότι τα έχεις σωστά τα υπόλοιπα. Για τον sd βρίσκεις ένα καλό μ και μετά σταματάς όταν δεν υπάρχει σημαντική αλλαγή στο w

Αν ήμουν σπίτι θα εγραφα καλύτερη απάντηση αλλά από κινητό είμαι δύσκολα

και η διαδικασια για να βρω ενα καλο μ ειναι να ακουω καθε φορα τραγουδι με καποιο μ και θα δω ποτε ο θορυβος μειωνεται; ή θα δοκιμάσω το break του αλγορίθμου σαν if |p−Rw(n)|< ε τοτε break ;;

δλδ απλα να βρισκω w0 απο wiener hopf και τα ακουω.

 

[c0ndemn3d]

Ναι δεν νομίζω ότι θέλει steepest descent descent  απαραίτητα.  Εφόσον βρίσκεις το τραγούδι με την εξίσωση είσαι κομπλε. Για τα υπόλοιπα θα σου πωω όταν πάω σπίτι

[Κηπουρίδης]

Δεν χρειάζεται καν steepest descent νομίζω. Βρες το με τον τύπο για να δεις πρώτα ότι τα έχεις σωστά τα υπόλοιπα. Για τον sd βρίσκεις ένα καλό μ και μετά σταματάς όταν δεν υπάρχει σημαντική αλλαγή στο w

Αν ήμουν σπίτι θα εγραφα καλύτερη απάντηση αλλά από κινητό είμαι δύσκολα

και η διαδικασια για να βρω ενα καλο μ ειναι να ακουω καθε φορα τραγουδι με καποιο μ και θα δω ποτε ο θορυβος μειωνεται; ή θα δοκιμάσω το break του αλγορίθμου σαν if |p−Rw(n)|< ε τοτε break ;;

με w0 το ακουσα το τραγουδι αλλα αν ειναι ετσι τοτε δν χρειαζεται καν ο steepest descent, δλδ απλα βρισκω w0 απο wiener hopf και τα ακουω.

 

Αν παρολα αυτα θες να εφαρμοσεις steepest descent, τοτε πρεπει να διαλεξεις τιμη του μ εντος του διαστηματος συγκλισης. Βρισκοντας τις ιδιοτιμες του R, οπως στο 2ο ερωτημα. Και βγαινουν πολυ μικρες οι σωστες τιμες, οποτε για αυτο ισως εχεις προβλημα.

[greekoo]

Δεν χρειάζεται καν steepest descent νομίζω. Βρες το με τον τύπο για να δεις πρώτα ότι τα έχεις σωστά τα υπόλοιπα. Για τον sd βρίσκεις ένα καλό μ και μετά σταματάς όταν δεν υπάρχει σημαντική αλλαγή στο w

Αν ήμουν σπίτι θα εγραφα καλύτερη απάντηση αλλά από κινητό είμαι δύσκολα

και η διαδικασια για να βρω ενα καλο μ ειναι να ακουω καθε φορα τραγουδι με καποιο μ και θα δω ποτε ο θορυβος μειωνεται; ή θα δοκιμάσω το break του αλγορίθμου σαν if |p−Rw(n)|< ε τοτε break ;;

με w0 το ακουσα το τραγουδι αλλα αν ειναι ετσι τοτε δν χρειαζεται καν ο steepest descent, δλδ απλα βρισκω w0 απο wiener hopf και τα ακουω.

 

Αν παρολα αυτα θες να εφαρμοσεις steepest descent, τοτε πρεπει να διαλεξεις τιμη του μ εντος του διαστηματος συγκλισης. Βρισκοντας τις ιδιοτιμες του R, οπως στο 2ο ερωτημα. Και βγαινουν πολυ μικρες οι σωστες τιμες, οποτε για αυτο ισως εχεις προβλημα.

ναι βρισκοντας τη μεγιστη ιδιοτιμη λμαχ του R θα είναι 0<μ<(2/λμαχ)
και καταληγω σε 0<μ<0.019.
για μ = 0.01 το ακούω το τραγούδι αλλά όχι 100% καθαρό απο θόρυβο έχει πολύ λίγα χιόνια (ξεκαθαρίζεται άνετα όμως).  
για μ =0.005 πάλι ξεκαθαρίζεται το τραγούδι, ο θόρυβος είναι ελάχιστα εντονότερος
και όσο μικραίνει το μ και τείνει στο 0 τόσο ο θόρυβος γίνεται εντονότερος.

δεν θα έπρεπε για οποιαδήποτε τιμή του μ εντός του διαστήματος σύγκλισης να μπορώ να ακούω το τραγούδι 100% καθαρό απο θόρυβο;

ισχύει ότι αν υπολογίσω κατευθείαν το y(n) με συντελεστές φίλτρου τους συντελεστές w0(n) του βελτίστου φίλτρου Wiener , τότε κατευθείαν ακούγεται το τραγούδι κυριλέ (πάλι με πολύ πολύ ελάχιστο μπιπ απο πίσω) , αλλά τότε τι νόημα έχει ο Steepest Descent?

[Exomag]

Αν παρολα αυτα θες να εφαρμοσεις steepest descent, τοτε πρεπει να διαλεξεις τιμη του μ εντος του διαστηματος συγκλισης. Βρισκοντας τις ιδιοτιμες του R, οπως στο 2ο ερωτημα. Και βγαινουν πολυ μικρες οι σωστες τιμες, οποτε για αυτο ισως εχεις προβλημα.

ναι βρισκοντας τη μεγιστη ιδιοτιμη λμαχ του R θα είναι 0<μ<(2/λμαχ)
και καταληγω σε 0<μ<0.019.
για μ = 0.01 το ακούω το τραγούδι αλλά όχι 100% καθαρό απο θόρυβο έχει πολύ λίγα χιόνια (ξεκαθαρίζεται άνετα όμως). 
για μ =0.005 πάλι ξεκαθαρίζεται το τραγούδι, ο θόρυβος είναι ελάχιστα εντονότερος
και όσο μικραίνει το μ και τείνει στο 0 τόσο ο θόρυβος γίνεται εντονότερος.

δεν θα έπρεπε για οποιαδήποτε τιμή του μ εντός του διαστήματος σύγκλισης να μπορώ να ακούω το τραγούδι 100% καθαρό απο θόρυβο;

ισχύει ότι αν υπολογίσω κατευθείαν το y(n) με συντελεστές φίλτρου τους συντελεστές w0(n) του βελτίστου φίλτρου Wiener , τότε κατευθείαν ακούγεται το τραγούδι κυριλέ (πάλι με πολύ πολύ ελάχιστο μπιπ απο πίσω) , αλλά τότε τι νόημα έχει ο Steepest Descent?

μετα για μ=0.0005, ο θόρυβος είναι πολύ πιο μεγάλος (το τραγούδι ξεκαθαρίζεται δυσκολότερα) και όσο μικραίνει το μ μέχρι το 0 ο θόρυβος όλο και μεγαλώνει.

Ο Steepest Descent αλγόριθμος έχει το τεράστιο πλεονέκτημα ότι είναι πολύ ταχύτερος από την επίλυση ενός συστήματος γραμμικών εξισώσεων. Στη συγκεκριμένη εργασία, με το πολύ μικρό αριθμό συντελεστών, δε θα φανεί αυτό. Αλλά αν, για παράδειγμα, ο αριθμός των συντελεστών ήταν 10.000, τότε η διαφορά στην ταχύτητα μεταξύ των δύο μεθόδων θα ήταν ξεκάθαρη (και πιθανώς η χρήση του Steepest Descent να ήταν και η μόνη πρακτικά-viable λύση).

Όσον αφορά το βήμα που χρησιμοποιείς και το πόσο καλά καθαρίζει ο ήχος, σαν συνθήκη τερματισμού του αλγορίθμου τι έχεις;

[greekoo]

Αν παρολα αυτα θες να εφαρμοσεις steepest descent, τοτε πρεπει να διαλεξεις τιμη του μ εντος του διαστηματος συγκλισης. Βρισκοντας τις ιδιοτιμες του R, οπως στο 2ο ερωτημα. Και βγαινουν πολυ μικρες οι σωστες τιμες, οποτε για αυτο ισως εχεις προβλημα.

ναι βρισκοντας τη μεγιστη ιδιοτιμη λμαχ του R θα είναι 0<μ<(2/λμαχ)
και καταληγω σε 0<μ<0.019.
για μ = 0.01 το ακούω το τραγούδι αλλά όχι 100% καθαρό απο θόρυβο έχει πολύ λίγα χιόνια (ξεκαθαρίζεται άνετα όμως).  
για μ =0.005 πάλι ξεκαθαρίζεται το τραγούδι, ο θόρυβος είναι ελάχιστα εντονότερος
και όσο μικραίνει το μ και τείνει στο 0 τόσο ο θόρυβος γίνεται εντονότερος.

δεν θα έπρεπε για οποιαδήποτε τιμή του μ εντός του διαστήματος σύγκλισης να μπορώ να ακούω το τραγούδι 100% καθαρό απο θόρυβο;

ισχύει ότι αν υπολογίσω κατευθείαν το y(n) με συντελεστές φίλτρου τους συντελεστές w0(n) του βελτίστου φίλτρου Wiener , τότε κατευθείαν ακούγεται το τραγούδι κυριλέ (πάλι με πολύ πολύ ελάχιστο μπιπ απο πίσω) , αλλά τότε τι νόημα έχει ο Steepest Descent?

μετα για μ=0.0005, ο θόρυβος είναι πολύ πιο μεγάλος (το τραγούδι ξεκαθαρίζεται δυσκολότερα) και όσο μικραίνει το μ μέχρι το 0 ο θόρυβος όλο και μεγαλώνει.

Ο Steepest Descent αλγόριθμος έχει το τεράστιο πλεονέκτημα ότι είναι πολύ ταχύτερος από την επίλυση ενός συστήματος γραμμικών εξισώσεων. Στη συγκεκριμένη εργασία, με το πολύ μικρό αριθμό συντελεστών, δε θα φανεί αυτό. Αλλά αν, για παράδειγμα, ο αριθμός των συντελεστών ήταν 10.000, τότε η διαφορά στην ταχύτητα μεταξύ των δύο μεθόδων θα ήταν ξεκάθαρη (και πιθανώς η χρήση του Steepest Descent να ήταν και η μόνη πρακτικά-viable λύση).

Όσον αφορά το βήμα που χρησιμοποιείς και το πόσο καλά καθαρίζει ο ήχος, σαν συνθήκη τερματισμού του αλγορίθμου τι έχεις;

σε ευχαριστω για την απαντηση

τιποτε, απλως το τρεχω οπως ο σισμανης στο σκριπτακι του:
for i=61:n
  w = w + mu*(p-R*w); % Adaptation steps
  wt(:,i) = w;
  y(i) = s(i:-1:i-1)' * w; % filter
end

[Exomag]

τιποτε, απλως το τρεχω οπως ο σισμανης στο σκριπτακι του:
for i=61:n
  w = w + mu*(p-R*w); % Adaptation steps
  wt(:,i) = w;
  y(i) = s(i:-1:i-1)' * w; % filter
end

Αυτό κάνει εφαρμογή του αλγορίθμου steepest descent για την εύρεση των βέλτιστων συντελεστών, και παράλληλα φιλτράρει το σήμα με τα βάρη του κάθε iteration.

Είναι λογικό επομένως όσο μικρότερο βήμα χρησιμοποιήσεις τόσο χειρότερο να είναι το αποτέλεσμα, μιας και με μικρό βήμα ο steepest descent δεν "προλαβαίνει" να καταλήξει στα σωστά βάρη.

[SportBillyPap]

Να ρωτησω εγω κατι χαζο..Γιατι οταν τρεχω αυτο:

Code:

n = 500; % number of time steps

%% signal
v1 = sqrt(0.27)*randn(n,1); v1 = v1 - mean(v1); % input to AR process

d = zeros(n,1); % initialize

% Desired signal
d(1) = v1(1);
for i=2:n
  d(i) = 0.8458 * d(i-1) + v1(i);
end

%% channel
v2 = sqrt(0.1)*randn(n,1); v2 = v2 - mean(v2); % white noise

x = zeros(n,1); % initialize

x(1) = d(1);
for i=2:n
  x(i) = d(i) + 0.9458 * x(i-1);
end

u = x + v2; % add noise 
nCoeff =2;
a = xcorr(u,u,nCoeff-1,'unbiased');
a = a(nCoeff:(2*nCoeff-1));
R = toeplitz(a);

Μου βγαζει R=[65.77 65.44;65.77 65.44] Ενω θα πρεπε να βγαζει R=[1.1 0.5 ;0.5 1.1]?Εχω καταλαβει κατι λαθος?

[greekoo]

Να ρωτησω εγω κατι χαζο..Γιατι οταν τρεχω αυτο:

Code:

n = 500; % number of time steps

%% signal
v1 = sqrt(0.27)*randn(n,1); v1 = v1 - mean(v1); % input to AR process

d = zeros(n,1); % initialize

% Desired signal
d(1) = v1(1);
for i=2:n
  d(i) = 0.8458 * d(i-1) + v1(i);
end

%% channel
v2 = sqrt(0.1)*randn(n,1); v2 = v2 - mean(v2); % white noise

x = zeros(n,1); % initialize

x(1) = d(1);
for i=2:n
  x(i) = d(i) + 0.9458 * x(i-1);
end

u = x + v2; % add noise 
nCoeff =2;
a = xcorr(u,u,nCoeff-1,'unbiased');
a = a(nCoeff:(2*nCoeff-1));
R = toeplitz(a);

Μου βγαζει R=[65.77 65.44;65.77 65.44] Ενω θα πρεπε να βγαζει R=[1.1 0.5 ;0.5 1.1]?Εχω καταλαβει κατι λαθος?

δεν ξέρω γιατί στο κάνει αυτό αλλά γιατί να το τρέξεις; 

[SportBillyPap]

Να ρωτησω εγω κατι χαζο..Γιατι οταν τρεχω αυτο:

Code:

n = 500; % number of time steps

%% signal
v1 = sqrt(0.27)*randn(n,1); v1 = v1 - mean(v1); % input to AR process

d = zeros(n,1); % initialize

% Desired signal
d(1) = v1(1);
for i=2:n
  d(i) = 0.8458 * d(i-1) + v1(i);
end

%% channel
v2 = sqrt(0.1)*randn(n,1); v2 = v2 - mean(v2); % white noise

x = zeros(n,1); % initialize

x(1) = d(1);
for i=2:n
  x(i) = d(i) + 0.9458 * x(i-1);
end

u = x + v2; % add noise 
nCoeff =2;
a = xcorr(u,u,nCoeff-1,'unbiased');
a = a(nCoeff:(2*nCoeff-1));
R = toeplitz(a);

Μου βγαζει R=[65.77 65.44;65.77 65.44] Ενω θα πρεπε να βγαζει R=[1.1 0.5 ;0.5 1.1]?Εχω καταλαβει κατι λαθος?

δεν ξέρω γιατί στο κάνει αυτό αλλά γιατί να το τρέξεις; 

Πως βρισκουμε τον R ?

[greekoo]

Να ρωτησω εγω κατι χαζο..Γιατι οταν τρεχω αυτο:

Code:

n = 500; % number of time steps

%% signal
v1 = sqrt(0.27)*randn(n,1); v1 = v1 - mean(v1); % input to AR process

d = zeros(n,1); % initialize

% Desired signal
d(1) = v1(1);
for i=2:n
  d(i) = 0.8458 * d(i-1) + v1(i);
end

%% channel
v2 = sqrt(0.1)*randn(n,1); v2 = v2 - mean(v2); % white noise

x = zeros(n,1); % initialize

x(1) = d(1);
for i=2:n
  x(i) = d(i) + 0.9458 * x(i-1);
end

u = x + v2; % add noise 
nCoeff =2;
a = xcorr(u,u,nCoeff-1,'unbiased');
a = a(nCoeff:(2*nCoeff-1));
R = toeplitz(a);

Μου βγαζει R=[65.77 65.44;65.77 65.44] Ενω θα πρεπε να βγαζει R=[1.1 0.5 ;0.5 1.1]?Εχω καταλαβει κατι λαθος?

δεν ξέρω γιατί στο κάνει αυτό αλλά γιατί να το τρέξεις; 

Πως βρισκουμε τον R ?

τα σήματα απο ότι έχω καταλάβει δεν τα φτιάχνεις εσύ, απλά τα κάνεις load
είναι τα sound.mat και noise.mat της εργασίας.

απλά τα κάνεις load('sound.mat') πχ και σου περναει κατευθειαν στον πινακα d το σημα του sound και ομοιως στον u το noise.
και απο εκει τσεκαρε το ποστ του κηπουριδη στην προηγουμενη σελιδα για να βρεις τον πινακα αυτοσυσχεστισης R του u