Luận văn: Xử lý tự thích nghi theo băng con và ứng dụng lọc nhiễu

Luận văn thạc sĩ về xử lý tự thích nghi theo băng con. Nghiên cứu chuyên sâu cùng ứng dụng thực tiễn, giải pháp tối ưu cho các bài toán liên quan.

• Tác giả: Nguyễn Trọng Khánh
• Người hướng dẫn: GS. TSKH Huỳnh Hữu Tuệ
• Trường học: Trường Đại Học Công Nghệ - Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Công nghệ điện tử - viễn thông
• Đề tài: Xử lý tự thích nghi theo băng con và ứng dụng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2006
• Địa điểm: Hà Nội

Mục lục chi tiết

• Mở đầu
• 1. Chương 1: Tóm tắt lý thuyết xử lý tự thích nghi
• 1.1. Mạch lọc tuyến tính tối ưu
• 1.2. Cấu trúc của các mạch lọc thích nghi
• 1.3. Mạch lọc FIR Wiener
• 1.4. Xử lý tín hiệu số đa tốc độ
• 1.5. Bộ giảm tốc độ mẫu (Decimation)
• 1.6. Bộ tăng tốc độ mẫu (Interpolation)
• 1.7. Thay đổi tốc độ mẫu bằng hệ số phân số hữu tỷ
• 1.8. Các yêu cầu về tính toán
• 1.9. Các thuật toán tự thích nghi và ứng dụng
• 1.10. Phương pháp giảm bước nhanh nhất
• 1.11. Thuật toán toàn phương trung bình tối thiểu LMS
• 1.12. Thuật toán bình phương tối thiểu đệ quy RLS
• 2. Chương 2: Cấu trúc dàn lọc và các phép toán
• 2.1. Khái niệm dàn lọc số
• 2.2. Quan hệ giữa các tín hiệu trong dàn lọc QMF
• 2.3. Dàn lọc QMF không chồng phổ
• 3. Chương 3: Xử lý tự thích nghi theo băng con và áp dụng vào bài toán lọc nhiễu âm và loại tiếng vang
• 3.1. Một số chương trình mô phỏng cơ sở
• 3.2. Phân tích dạng tín hiệu nhiễu âm học
• 3.3. Tác dụng của việc tăng giảm mẫu
• 3.4. Lọc thích nghi nhiễu âm học
• 3.5. Lọc thích nghi nhiễu âm học trên toàn dải thông
• 3.6. Lọc thích nghi nhiễu âm học dùng băng con
• 3.7. Bộ khử tiếng vang tự thích nghi
• 3.8. Bộ khử tiếng vang tự thích nghi toàn dải
• 3.9. Bộ khử tiếng vang tự thích nghi theo băng con
• Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Xử Lý Thích Nghi Băng Con Giới Thiệu Chi Tiết

Xử lý thích nghi băng con là một kỹ thuật xử lý tín hiệu mạnh mẽ, đặc biệt hiệu quả trong các ứng dụng lọc nhiễu thích nghi và khử tiếng vang. Thay vì xử lý toàn bộ dải tần, phương pháp này chia tín hiệu thành nhiều băng con hẹp hơn, sau đó áp dụng các thuật toán thích nghi riêng biệt cho từng băng. Điều này mang lại nhiều ưu điểm, bao gồm giảm độ phức tạp tính toán, tăng tốc độ hội tụ và cải thiện hiệu suất trong môi trường tín hiệu không dừng. Theo tài liệu gốc, việc chia nhỏ dải tần giúp "giảm độ phức tạp của hệ thống theo hệ số là số băng con".

Kỹ thuật này đặc biệt hữu ích trong các ứng dụng như lọc nhiễu âm thanh, loại bỏ tiếng vang, và xử lý tín hiệu y sinh (ECG). Trong lĩnh vực xử lý âm thanh, việc loại bỏ nhiễu và tiếng vang là rất quan trọng để cải thiện chất lượng âm thanh trong các hệ thống liên lạc, hội nghị truyền hình và thiết bị trợ thính. Tương tự, trong xử lý tín hiệu ECG, việc loại bỏ nhiễu điện cơ và các nhiễu khác là rất cần thiết để chẩn đoán chính xác các bệnh tim mạch. Các thuật toán như LMS (Least Mean Square) và RLS (Recursive Least Square) thường được sử dụng trong xử lý thích nghi băng con để tối ưu hóa hiệu suất lọc. Việc lựa chọn thuật toán phụ thuộc vào yêu cầu cụ thể của ứng dụng, chẳng hạn như tốc độ hội tụ, độ phức tạp tính toán và khả năng theo dõi tín hiệu không dừng.

1.1. Ưu Điểm Của Bộ Lọc Thích Nghi Băng Con

Một trong những ưu điểm lớn nhất của bộ lọc thích nghi băng con là giảm độ phức tạp tính toán. Bằng cách chia tín hiệu thành nhiều băng con, kích thước của bộ lọc thích nghi trong mỗi băng có thể được giảm đáng kể. Điều này đặc biệt quan trọng trong các ứng dụng thời gian thực, nơi tài nguyên tính toán là hạn chế. Theo luận văn gốc, độ phức tạp của xử lý băng con có thể giảm "theo một hệ số là số băng con". Ngoài ra, việc xử lý tín hiệu trong từng băng con cho phép bộ lọc thích nghi thích ứng nhanh hơn với các thay đổi trong môi trường tín hiệu. Điều này rất quan trọng trong các ứng dụng xử lý tín hiệu không dừng, nơi các đặc tính thống kê của tín hiệu thay đổi theo thời gian.

1.2. Ứng Dụng Thực Tế Của Xử Lý Thích Nghi Băng Con

Xử lý thích nghi băng con được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau. Trong xử lý âm thanh, nó được sử dụng để khử tiếng vang trong các hệ thống hội nghị truyền hình và thiết bị trợ thính. Trong xử lý tín hiệu y sinh, nó được sử dụng để lọc nhiễu trong tín hiệu ECG, giúp cải thiện độ chính xác của chẩn đoán bệnh tim mạch. Ngoài ra, xử lý thích nghi băng con cũng được sử dụng trong các hệ thống điều khiển thích nghi và nhận dạng hệ thống, nơi nó giúp cải thiện hiệu suất và độ tin cậy của hệ thống.

II. Vấn Đề Thách Thức Lọc Nhiễu Âm Thanh Giải Pháp Hiệu Quả

Một trong những vấn đề chính trong lọc nhiễu âm thanh là sự phức tạp của nhiễu và tiếng vang trong môi trường thực tế. Các loại nhiễu có thể bao gồm tiếng ồn xung quanh, tiếng vọng, và các nhiễu khác do thiết bị điện tử gây ra. Để giải quyết vấn đề này, các kỹ thuật lọc nhiễu thích nghi đã được phát triển để tự động điều chỉnh các thông số của bộ lọc để loại bỏ nhiễu và tiếng vang một cách hiệu quả. Tuy nhiên, việc xử lý toàn bộ dải tần có thể đòi hỏi tài nguyên tính toán lớn, đặc biệt là trong các ứng dụng thời gian thực. Ngoài ra, các thuật toán lọc nhiễu truyền thống có thể gặp khó khăn trong việc xử lý các tín hiệu không dừng, nơi các đặc tính thống kê của tín hiệu thay đổi theo thời gian. Do đó, các kỹ thuật xử lý thích nghi băng con đã được phát triển để giải quyết những thách thức này.

2.1. Các Loại Nhiễu Ảnh Hưởng Đến Chất Lượng Âm Thanh

Có nhiều loại nhiễu khác nhau có thể ảnh hưởng đến chất lượng âm thanh, bao gồm nhiễu trắng, nhiễu hồng, nhiễu điện, và tiếng vang. Nhiễu trắng là loại nhiễu có năng lượng phân bố đều trên tất cả các tần số. Nhiễu hồng có năng lượng giảm dần theo tần số. Nhiễu điện thường do các thiết bị điện tử gây ra và có thể có các tần số đặc trưng. Tiếng vang là hiện tượng âm thanh phản xạ từ các bề mặt và có thể làm giảm độ rõ nét của âm thanh gốc.

2.2. Khó Khăn Trong Việc Xử Lý Tín Hiệu Không Dừng

Các thuật toán lọc nhiễu truyền thống thường dựa trên giả định rằng tín hiệu là dừng, tức là các đặc tính thống kê của tín hiệu không thay đổi theo thời gian. Tuy nhiên, trong nhiều ứng dụng thực tế, tín hiệu là không dừng, tức là các đặc tính thống kê của tín hiệu thay đổi theo thời gian. Điều này có thể làm giảm hiệu suất của các thuật toán lọc nhiễu truyền thống, vì các thông số của bộ lọc không thể thích ứng với các thay đổi trong môi trường tín hiệu. Do đó, các thuật toán lọc nhiễu thích nghi đã được phát triển để giải quyết vấn đề này.

III. Phương Pháp Lọc Thích Nghi LMS Ưu Điểm Ứng Dụng Thực

Thuật toán LMS (Least Mean Square) là một thuật toán lọc thích nghi phổ biến, được sử dụng rộng rãi trong nhiều ứng dụng xử lý tín hiệu. Thuật toán LMS hoạt động bằng cách điều chỉnh các thông số của bộ lọc để giảm thiểu sai số giữa tín hiệu đầu ra của bộ lọc và tín hiệu mong muốn. Ưu điểm của thuật toán LMS là đơn giản, dễ thực hiện và có độ phức tạp tính toán thấp. Tuy nhiên, thuật toán LMS có thể hội tụ chậm trong một số trường hợp, đặc biệt là khi tín hiệu đầu vào có các tần số tương quan cao. Theo tài liệu gốc, "thuật toán LMS rất ổn định và bền vững đối với nhiều loại tín hiệu với những điều kiện khác nhau".

3.1. Nguyên Lý Hoạt Động Của Thuật Toán LMS

Thuật toán LMS hoạt động bằng cách lặp đi lặp lại các bước sau: (1) Tính tín hiệu đầu ra của bộ lọc. (2) Tính sai số giữa tín hiệu đầu ra của bộ lọc và tín hiệu mong muốn. (3) Cập nhật các thông số của bộ lọc bằng cách sử dụng một quy tắc cập nhật dựa trên sai số. Quy tắc cập nhật thường là một biến thể của phương pháp gradient descent, trong đó các thông số của bộ lọc được điều chỉnh theo hướng giảm sai số.

3.2. Điều Chỉnh Bước Nhảy Step Size Trong Thuật Toán LMS

Tham số bước nhảy (step size) trong thuật toán LMS là một tham số quan trọng, ảnh hưởng đến tốc độ hội tụ và độ ổn định của thuật toán. Nếu bước nhảy quá lớn, thuật toán có thể hội tụ nhanh, nhưng có thể không ổn định và dao động xung quanh giá trị tối ưu. Nếu bước nhảy quá nhỏ, thuật toán sẽ ổn định, nhưng có thể hội tụ chậm. Do đó, việc lựa chọn giá trị bước nhảy phù hợp là rất quan trọng để đạt được hiệu suất tốt nhất. Thường thì bước nhảy nhỏ thì hội tụ lâu nhưng chính xác, bước nhảy lớn thì hội tụ nhanh nhưng kém chính xác. Vì vậy cần lựa chọn giá trị bước nhảy tối ưu.

IV. Thuật Toán RLS Hiệu Năng Cao Trong Xử Lý Tín Hiệu Thích Nghi

Thuật toán RLS (Recursive Least Square) là một thuật toán lọc thích nghi khác, cung cấp hiệu suất cao hơn so với thuật toán LMS trong nhiều ứng dụng. Thuật toán RLS hoạt động bằng cách ước tính ma trận tương quan của tín hiệu đầu vào và sử dụng ma trận này để cập nhật các thông số của bộ lọc. Ưu điểm của thuật toán RLS là tốc độ hội tụ nhanh và khả năng theo dõi tín hiệu không dừng tốt. Tuy nhiên, thuật toán RLS có độ phức tạp tính toán cao hơn so với thuật toán LMS. Theo luận văn gốc, RLS hội tụ nhanh hơn và bám sát sự biến đổi của tín hiệu theo thời gian.

4.1. Ưu Điểm Vượt Trội Của Thuật Toán RLS

So với thuật toán LMS, thuật toán RLS có nhiều ưu điểm vượt trội. Quan trọng nhất là tốc độ hội tụ nhanh hơn đáng kể, đặc biệt trong các môi trường có tín hiệu không dừng. Điều này có nghĩa là thuật toán RLS có thể thích ứng nhanh chóng với những thay đổi trong môi trường tín hiệu và duy trì hiệu suất lọc tốt hơn. Ngoài ra, thuật toán RLS ít nhạy cảm hơn với giá trị của bước nhảy, giúp đơn giản hóa quá trình điều chỉnh tham số.

4.2. Ứng Dụng Của Thuật Toán RLS Trong Thực Tế

Do hiệu suất cao hơn, thuật toán RLS thường được sử dụng trong các ứng dụng đòi hỏi khắt khe, chẳng hạn như xử lý ảnh, xử lý tiếng nói và truyền thông không dây. Trong xử lý ảnh, thuật toán RLS có thể được sử dụng để loại bỏ nhiễu và cải thiện chất lượng ảnh. Trong xử lý tiếng nói, thuật toán RLS có thể được sử dụng để khử tiếng vang và cải thiện chất lượng âm thanh trong các hệ thống liên lạc. Trong truyền thông không dây, thuật toán RLS có thể được sử dụng để cân bằng kênh và cải thiện tốc độ truyền dữ liệu.

V. Ứng Dụng Lọc Nhiễu ECG Phân Tích Kết Quả Nghiên Cứu Chi Tiết

Một ứng dụng quan trọng của xử lý thích nghi băng con là trong lọc nhiễu ECG. Tín hiệu ECG thường bị ảnh hưởng bởi nhiều loại nhiễu, bao gồm nhiễu điện cơ, nhiễu điện lưới, và nhiễu chuyển động. Việc loại bỏ nhiễu là rất quan trọng để chẩn đoán chính xác các bệnh tim mạch. Xử lý thích nghi băng con có thể được sử dụng để lọc nhiễu trong tín hiệu ECG một cách hiệu quả, giúp cải thiện độ chính xác của chẩn đoán. Theo tài liệu tham khảo, các nghiên cứu đã chứng minh rằng việc áp dụng các thuật toán thích nghi có thể cải thiện đáng kể chất lượng tín hiệu ECG.

5.1. Các Phương Pháp Tiền Xử Lý Tín Hiệu ECG

Trước khi áp dụng các thuật toán lọc nhiễu thích nghi, tín hiệu ECG thường được tiền xử lý để loại bỏ các nhiễu cơ bản và cải thiện chất lượng tín hiệu. Các phương pháp tiền xử lý có thể bao gồm lọc thông thấp, lọc thông cao, và loại bỏ đường cơ sở. Lọc thông thấp được sử dụng để loại bỏ nhiễu tần số cao, chẳng hạn như nhiễu điện cơ. Lọc thông cao được sử dụng để loại bỏ nhiễu tần số thấp, chẳng hạn như nhiễu chuyển động. Loại bỏ đường cơ sở được sử dụng để loại bỏ các biến động chậm trong tín hiệu ECG.

5.2. Đánh Giá Hiệu Quả Lọc Nhiễu Trong Tín Hiệu ECG

Hiệu quả của các thuật toán lọc nhiễu trong tín hiệu ECG có thể được đánh giá bằng cách sử dụng các chỉ số hiệu suất khác nhau, chẳng hạn như tỷ lệ tín hiệu trên nhiễu (SNR), sai số toàn phương trung bình (MSE), và tỷ lệ phần trăm sai (PER). SNR đo tỷ lệ năng lượng của tín hiệu ECG so với năng lượng của nhiễu. MSE đo sai số giữa tín hiệu ECG gốc và tín hiệu ECG đã lọc. PER đo tỷ lệ số lượng nhịp tim bị phát hiện sai so với tổng số nhịp tim.

VI. Kết Luận Hướng Phát Triển Xử Lý Thích Nghi Băng Con

Xử lý thích nghi băng con là một kỹ thuật xử lý tín hiệu mạnh mẽ và linh hoạt, có thể được sử dụng trong nhiều ứng dụng khác nhau. Bằng cách chia tín hiệu thành nhiều băng con và áp dụng các thuật toán thích nghi riêng biệt cho từng băng, kỹ thuật này có thể giảm độ phức tạp tính toán, tăng tốc độ hội tụ, và cải thiện hiệu suất trong môi trường tín hiệu không dừng. Trong tương lai, xử lý thích nghi băng con có thể được kết hợp với các kỹ thuật học sâu để tạo ra các hệ thống xử lý tín hiệu thông minh hơn và hiệu quả hơn. Tuy nhiên, cần chú ý đến việc giảm độ trễ (delay) và loại bỏ chồng phổ (aliasing) để nâng cao hơn nữa chất lượng hệ thống lọc thích nghi. Đồng thời, các thuật toán thích nghi mới, hiệu quả hơn cũng cần được nghiên cứu và phát triển.

6.1. Tích Hợp Xử Lý Thích Nghi Với Học Sâu Deep Learning

Việc tích hợp xử lý thích nghi với các mô hình học sâu mang lại tiềm năng to lớn. Các mô hình học sâu có khả năng học các đặc trưng phức tạp từ dữ liệu, cho phép chúng thực hiện các tác vụ xử lý tín hiệu khó khăn một cách hiệu quả hơn. Chẳng hạn, các mô hình học sâu có thể được sử dụng để ước tính các thông số của kênh truyền trong hệ thống truyền thông không dây hoặc để phát hiện các bất thường trong tín hiệu ECG. Các mô hình này sau đó được sử dụng để cải thiện hiệu suất của các thuật toán lọc nhiễu thích nghi.

6.2. Nghiên Cứu Các Thuật Toán Thích Nghi Mới

Mặc dù các thuật toán LMS và RLS đã được sử dụng rộng rãi, nhưng vẫn còn nhiều không gian để cải thiện hiệu suất và độ tin cậy của các thuật toán lọc thích nghi. Các hướng nghiên cứu tiềm năng bao gồm phát triển các thuật toán có tốc độ hội tụ nhanh hơn, độ ổn định cao hơn, và khả năng thích ứng tốt hơn với tín hiệu không dừng. Ngoài ra, các thuật toán dựa trên các phương pháp tối ưu hóa khác, chẳng hạn như tối ưu hóa bầy đàn (swarm optimization) và thuật toán di truyền (genetic algorithm), cũng có thể mang lại kết quả hứa hẹn.

Trích đoạn nội dung tài liệu

§¹i häc quèc gia Hµ néi Tr−êng ®¹i häc c«ng nghÖ NguyÔn Träng Kh¸nh Xö lý tù thÝch nghi theo b¨ng con vμ øng dông LuËn v¨n th¹c sÜ Hµ Néi - 2006 TIEU LUAN MOI download : [e-mail] §¹i häc quèc gia Hµ Néi tr−êng ®¹i häc c«ng nghÖ NguyÔn Träng Kh¸nh Xö lý tù thÝch nghi theo b¨ng con vμ øng dông Ngµnh: C«ng nghÖ ®iÖn tö – viÔn th«ng Chuyªn ngµnh: Kü thuËt v« tuyÕn ®iÖn tö vµ th«ng tin liªn l¹c M· sè: 2.00 LuËn v¨n th¹c sÜ Ng−êi h−íng dÉn khoa häc: GS. TSKH Huúnh H÷u TuÖ Hµ Néi - 2006 TIEU LUAN MOI download : [e-mail] Môc lôc B¶ng ký hiÖu c¸c ch÷ viÕt t¾t. 2 Ch−¬ng 1: Tãm t¾t lý thuyÕt xö lý tù thÝch nghi. M¹ch läc tuyÕn tÝnh tèi −u.

CÊu tróc cña c¸c m¹ch läc thÝch nghi. M¹ch läc FIR Wiener. Xö lý tÝn hiÖu sè ®a tèc ®é. Bé gi¶m tèc ®é mÉu (Decimation).

Bé t¨ng tèc ®é mÉu (Interpolation). Thay ®æi tèc ®é mÉu b»ng hÖ sè ph©n sè h÷u tØ. C¸c yªu cÇu vÒ tÝnh to¸n. C¸c thuËt to¸n tù thÝch nghi vµ øng dông.

Ph−¬ng ph¸p gi¶m b−íc nhanh nhÊt. ThuËt to¸n toµn ph−¬ng trung b×nh tèi thiÓu LMS. ThuËt to¸n b×nh ph−¬ng tèi thiÓu ®Ö quy RLS. 18 Ch¦¬ng 2: CÊu tróc dμn läc vμ c¸c phÐp to¸n.

Kh¸i niÖm dµn läc sè. Quan hÖ gi÷a c¸c tÝn hiÖu trong dµn läc QMF. Dµn läc QMF kh«ng chång phæ. 29 Ch−¬ng 3: Xö lý tù thÝch nghi theo b¨ng con vμ ¸p dông vμo bμi to¸n läc nhiÔu ©m vμ lo¹i tiÕng vang.

Mét sè ch−¬ng tr×nh m« pháng c¬ së .Ph©n tÝch d¹ng tÝn hiÖu nhiÔu ©m häc. T¸c dông cña viÖc t¨ng gi¶m mÉu. Läc thÝch nghi nhiÔu ©m häc. Läc thÝch nghi nhiÔu ©m häc trªn toµn d¶i th«ng.

Läc thÝch nghi nhiÔu ©m häc dïng b¨ng con. Bé khö tiÕng vang tù thÝch nghi. Bé khö tiÕng vang tù thÝch nghi toµn d¶i. Bé khö tiÕng vang tù thÝch nghi theo b¨ng con.

61 Tμi liÖu tham kh¶o. 68 TIEU LUAN MOI download : [e-mail] B¶ng ký hiÖu c¸c ch÷ viÕt t¾t SNR Signal to noise ratio AWGN Additive white gaussian noise FIR Finite Impulse Response IIR Infinite Impulse Response BER Bit error ratio LMS Least Mean Square RLS Recursive Least Square BPSK Binary pulse shift keying QPSK Quadrature pulse shift keying QAM Quadrature amplitude modulation QMF Quadrature Mirror Filter Bank OFDM Orthogonal frequency-division multiplexing UMF Uniformly modulated filter bank DFT Discrete Fourier Transform 1 TIEU LUAN MOI download : [e-mail] Më ®Çu Chóng ta ®Òu biÕt r»ng lo¹i bá t¹p ©m vµ khö tiÕng vang lµ c«ng viÖc rÊt cÇn thiÕt trong viÖc ®¶m b¶o chÊt l−îng trong lÜnh vùc xö lý ©m thanh [1]. Th«ng th−êng th× chÊt l−îng ©m thanh sÏ ®−îc tèt h¬n nhê bé läc tiÕng vang thÝch nghi (AEC) [2]. CÊu tróc cña bé läc thÝch nghi th«ng dông nhÊt th−êng lµ cÊu tróc LMS hoÆc RLS.

TÊt nhiªn lµ ®èi víi nh÷ng nhµ xö lý tÝn hiÖu sè chuyªn nghiÖp th× cã rÊt nhiÒu ph−¬ng ph¸p thÝch nghi kh¸c, ®−îc sö dông cho c¸c øng dông phï hîp. Giíi h¹n cña cña luËn v¨n nµy chØ lµ 2 ph−¬ng ph¸p LMS vµ RLS. VÊn ®Ò ®Æt ra ®ã lµ ®é phøc t¹p cña viÖc xö lý trªn toµn d¶i th«ng. B»ng c¸ch chia d÷ liÖu ©m thanh thµnh c¸c b¨ng con nhá phï hîp, th× ®é phøc t¹p cña hÖ thèng ®−îc gi¶m theo hÖ sè lµ sè b¨ng con.

NÕu chóng ta ¸p dông ph−¬ng ph¸p ph©n tÝch phæ rêi r¹c DFT hoÆc c¸c dµn läc lÊy mÉu ë tÇn sè giíi h¹n th× t¹i c¸c b¨ng con sÏ xuÊt hiÖn hiÖn t−îng chång phæ vµ ¶nh h−ëng tíi sù héi tô cña c¸c bé läc thÝch nghi. VÊn ®Ò nµy cã thÓ xö lÝ tèt nÕu sö dông tÇn sè lÊy mÉu cao h¬n mµ ë ®©y nghÜa lµ lo¹i bá bít c¸c mÉu d÷ liÖu (sè mÉu bá ®i gi÷a 2 lÇn lÊy mÉu ph¶i nhá h¬n sè b¨ng con). Vµ ®ã chÝnh lµ träng t©m cña luËn v¨n nµy: xö lý tù thÝch nghi theo b¨ng con vµ ¸p dông trong mét bµi to¸n cô thÓ xö lý lo¹i bá tiÕng vang. LuËn v¨n nµy tr×nh bµy tõng b−íc qu¸ tr×nh võa ®−îc ®Ò cËp ®Õn, cÊu tróc bao gåm c¸c ch−¬ng sau: Ch−¬ng 1: Tãm t¾t lý thuyÕt xö lý tù thÝch nghi Ch−¬ng 2: Tr×nh bµy cÊu tróc dµn läc vµ c¸c phÐp to¸n Ch−¬ng 3: Xö lý tù thÝch nghi b¨ng con ¸p dông trong bµi to¸n lo¹i bá tiÕng vang.

PhÇn kÕt luËn tæng kÕt l¹i nh÷ng kÕt qu¶ ®¹t ®−îc trong luËn v¨n. 2 TIEU LUAN MOI download : [e-mail] Ch−¬ng 1: Tãm t¾t lý thuyÕt xö lý tù thÝch nghi 1. M¹ch läc tuyÕn tÝnh tèi −u ThuËt ng÷ “mạch läc” dïng ®Ó chØ c¸c hÖ thèng cã kh¶ n¨ng kh«i phôc l¹i d¹ng cña c¸c thµnh phÇn tÇn sè cña tÝn hiÖu lèi vµo ®Ó t¹o ra tÝn hiÖu lèi ra tháa m·n c¸c yªu cÇu mong muèn. M¹ch läc cã thÓ tuyÕn tÝnh hoÆc phi tuyÕn.

Ta chØ xÐt c¸c m¹ch läc tuyÕn tÝnh, tøc c¸c m¹ch läc cã tÝnh chÊt tu©n theo nguyªn lý chång chÊt. Gi¶n ®å khèi cña bµi to¸n läc thèng kª Trong ®ã : x[n] : tÝn hiÖu vµo d [n] : tÝn hiÖu mong muèn e[n] : tÝn hiÖu sai sè TÝn hiÖu lèi vµo lµ mét d·y thêi gian rêi r¹c x[n] , m¹ch läc ®−îc ®Æc tr−ng bëi ®¸p øng xung h[n] , cßn tÝn hiÖu lèi ra ë thêi ®iÓm n lµ y[n]. Lèi ra nµy ®−îc sö dông ®Ó x¸c ®Þnh mét ®¸p øng mong muèn d [n]. Trong tr−êng hîp m¹ch läc thÝch nghi, c¸c hÖ sè cña m¹ch läc ph¶i ®−îc chän lùa sao cho d·y tÝn hiÖu mong muèn cã d¹ng phï hîp nhÊt víi tÝn hiÖu lèi vµo.

§iÒu nµy cã thÓ thùc hiÖn nÕu d·y tÝn hiÖu sai sè e[n] héi tô vÒ 0 nhanh nhÊt. §Ó lµm ®−îc ®iÒu nµy ta ph¶i tèi −u hãa mét hµm sai sè ®−îc x¸c ®Þnh theo ph−¬ng ph¸p thèng kª hoÆc theo ph−¬ng ph¸p quyÕt ®Þnh. ¾ §èi víi ph−¬ng ph¸p thèng kª, hµm sai sè ®−îc sö dông lµ gi¸ trÞ toµn ph−¬ng trung b×nh cña tÝn hiÖu sai sè e[n]. NÕu tÝn hiÖu vµo vµ tÝn hiÖu mong muèn lµ nh÷ng tÝn hiÖu dõng th× viÖc cùc tiÓu hãa sai sè toµn ph−¬ng trung b×nh ®−a ®Õn m¹ch läc Wiener – m¹ch läc tèi −u theo toµn ph−¬ng 3 TIEU LUAN MOI download : [e-mail] trung b×nh.

HÇu hÕt c¸c thuËt to¸n thÝch nghi lµ ¸p dông cho c¸c lo¹i m¹ch läc Wiener. §Ó thiÕt kÕ m¹ch läc Wiener cÇn ph¶i biÕt tr−íc c¸c tÝnh chÊt thèng kª cña c¸c tÝn hiÖu c¬ së. C¸c tÝn hiÖu nµy ®−îc gi¶ thiÕt lµ ergodic, nghÜa lµ tÝn hiÖu dõng vµ trung b×nh theo thêi gian b»ng trung b×nh thèng kª. ¾ §èi víi ph−¬ng ph¸p quyÕt ®Þnh, c¸ch chän hµm sai sè lµ mét tæng träng sè cña tÝn hiÖu sai sè toµn ph−¬ng.

ViÖc cùc tiÓu hãa hµm nµy dÉn ®Õn mét m¹ch läc tèi −u ®èi víi d·y d÷ liÖu ®· cho 1. CÊu tróc cña c¸c m¹ch läc thÝch nghi CÊu tróc th−êng ®−îc sö dông trong m¹ch läc thÝch nghi [3, 4] lµ cÊu tróc ngang: x[n] x[n − 1] x[n − N + 1] • • Z −1 • Z −1 • Z −1 w0 [n] w1 [n] wN −1 [n] ⊗ ⊗ ⊗ ⊗ ⊕ y[n ] − ThuËt to¸n thÝch nghi ⊕ e[n] + d [n] H×nh 1. CÊu tróc cña mét m¹ch läc ngang thÝch nghi Trong ®ã x[n] : tÝn hiÖu lèi vµo, d [n] : tÝn hiÖu mong muèn, y[n] : tÝn hiÖu lèi ra, e[n] : tÝn hiÖu sai sè Ph−¬ng tr×nh sai ph©n m« t¶ quan hÖ gi÷a lèi ra vµ lèi vµo: N −1 y[n] = ∑ wk [n]x[n − k ] (1.1) k =0 4 TIEU LUAN MOI download : [e-mail] ë ®©y N lµ chiÒu dµi cña m¹ch läc cßn wk [n] lµ c¸c hÖ sè cña m¹ch läc, c¸c hÖ sè nµy cã thÓ thay ®æi theo thêi gian vµ ®−îc ®iÒu khiÓn b»ng thuËt to¸n thÝch nghi. M¹ch läc FIR Wiener Ta chØ xÐt tr−êng hîp c¸c hÖ sè gi¸ trÞ thùc.

BiÓu diÔn lèi vµo vµ c¸c hÖ sè m¹ch läc d−íi d¹ng vÐc t¬ ta cã: w = [w0 w1 K wN −1 ] T (1.3) Ta cã lèi ra cña m¹ch läc: N −1 y[n] = ∑ wk [n]x[n − k ] = wT x[n] (1.5) §èi víi m¹ch läc Wiener, hµm hiÖu n¨ng ®−îc chän lµ sai sè toµn ph−¬ng trung b×nh: [ ξ = E e[n] 2 ] (1.7) Ta ®Þnh nghÜa vÐc t¬ t−¬ng quan chÐo bËc Nx1: p = E [x[n]d [n]] = [ p0 p N −1 ] T p1 p2 K (1.8) Vµ ma trËn tù t−¬ng quan: 5 TIEU LUAN MOI download : skknchat@gmail.9) ⎢ ⎥ ⎢ M M M K M ⎥ ⎢rN −1,0 rN −1,1 rN −1, 2 K rN −1, N −1 ⎥⎦ ⎣ Chó ý r»ng: E [d [n]xT [n]] = pT vµ wT p = pT w ta cã: ξ = E [d 2 [n]] − 2wT p + wT Rw (1.10) §Ó thu ®−îc d·y hÖ sè øng víi hµm phÝ tæn ξ cã gi¸ trÞ cùc tiÓu ta cÇn ph¶i gi¶i hÖ ph−¬ng tr×nh ®−îc t¹o thµnh tõ ®¹o hµm bËc nhÊt cña ξ ®èi víi mçi hÖ sè wi b»ng kh«ng, tøc lµ: ∂ξ = 0 víi i = 0, 1, 2, K N − 1 ∂wi ViÕt d−íi d¹ng ma trËn: Δξ = 0 ë ®©y ∇ lµ to¸n tö vi ph©n ®−îc x¸c ®Þnh nh− mét vÐc t¬ cét: ⎡ ∂ ⎤ ⎢ ∂w ⎥ ⎢ 0 ⎥ ⎢ ∂ ⎥ ∇ = ⎢ ∂w1 ⎥ ⎢ M ⎥ ⎢ ∂ ⎥ ⎢ ⎥ ⎣⎢ ∂wN −1 ⎦⎥ §Ó t×m c¸c ®¹o hµm riªng cña ξ ®èi víi c¸c hÖ sè wi cña m¹ch läc, tr−íc hÕt ta biÓu diÔn hµm phÝ tæn ξ thµnh d¹ng sau: ξ = E [d 2 [n]] − 2∑ pk wk + ∑ ∑ wk wm rkm N −1 N −1 N −1 (1.11) k =0 k =0 m =o N −1 N −1 N −1 N −1 N −1 N −1 Ta cã: ∑ ∑ wk wm rkm = ∑ ∑ wk wm rkm + wi ∑ wk rki + wi ∑ wm rkm + wi2 rki k =0 m=o k =0 m=0 k =0 m=0 k ≠i m≠i k ≠i m≠i ∂ξ N −1 Tõ ®ã: = −2 pi + ∑ wk (rki + rik ) víi i=0, 1, …,N-1 (1.12) ∂wi k =0 6 TIEU LUAN MOI download : [e-mail] Ta thÊy: rki = E [x[n − k ]x[n − i ]] = Φ xx [i − k ] (1.13) ë ®©y: Φ xx [i − k ] lµ hµm tù t−¬ng quan cña x[n] t−¬ng tù: rik == Φ xx [k − i ] Do tÝnh chÊt ®èi xøng cña hµm tù t−¬ng quan Φ xx [k ] = Φ xx [− k ] ta thu ®−îc: rki = rik ∂ξ N −1 Tõ ®ã: = −2 pi + 2∑ rik wk víi i = 0, N − 1 (1.14) ∂wi k =0 BiÓu diÔn d−íi d¹ng ma trËn: ∇ξ = 2 Rw − 2 p (1.