Va<-f . IO
) ' ) Of -
K
ĐẠI HỌC QUỐC GIA HÀ NỘI
KIIOACỎNG NGIIỆ
--------------- fcr> i l l Ciỉ--------------
NGUYỄN HỒNG HẢI
TÁCH CÁC TÍN HIỆU ĐỘC LẬP
I
TỬ HỆm TRỘN
TUYẾN TÍNH VÀ TỪ HỆm TRỘỈ
m
m nSmTNựC i
Cl 1UYÊN NGÀNH: K Ỹ TH U Ậ T VỎ TU YẾN ĐIỆN TỬ V À THÔNG TIN LIÊN LẠ C
MÃ SỐ: 2.07.00
j
I
ị
Giáo viên hướng dẫn : TS. TRỊNH ANH vũ
Hà Nội, 6 - 2002
M ỤC LỤC
Lời nói đầu
Mở đầu
4
Trộn Tuyến tính và mô phỏng
7
Lý thuyết tách mù nguồn tín hiệu bằng phương pháp dự
đoán trước theo thời gian
7
Cấu trúc hệ thống
7
Phương pháp dự đoán trước theo thời gian
8
Tách mù lí» hiệu bằng phương pháp dự đoán trước theo
thời gian
9
Diễn giải thuật toán trên phương diện vật lý
12
Mô phỏng tách mù đối với các tín hiệu có hàm mẠt đô
xác suất khác nhau
16
Hệ trộn chập và
phỏng
19
Lý thuyết tách mù các nguồn tín hiệu tír phương
pháp trộn xoắn
19
Hộ thống í rộn xoắn
19
Mô hình hộ trộn xoắn
19
Hệ thống tách
21
Nguycn lý tách nguồn
21
Cấu í l úc hộ lốiìg lách
23
Lý thuyết tách tín hiệu từ hệ trộn xoắn
26
Kết quả mô phỏng hệ trộn xoắn
35
Mô hình tách tín hiệu có hệ số bộ lọc tách bằng hệ số
bộ lọc trộn
35
ITIÔ
Mô hình hệ thống tách các nguồn tín hiệu
Tách tín hiệu tỉr hệ trộn thực
49
Các yếu tô ảnh hưởng đến tín hiệu trộn thực
49
Trễ đường truyền tín hiệu
49
Ánh hưởng do phản xạ nhiều dường của tín hiệu và các
51
tín hiệu tạp âm trong môi trường thực
Vân đề ghi song hành
52
Xử lý các yếu tố ảnh hưởng đến kết quả trộn
53
BỐ trí đầu thu để khử trễ đường truyền
53
Sử dụng buồng đo dể khử các tín hiệu phản xạ và tạp âm
53
môi trường
Phương pháp sử lý ghi đồng thời các tín hiệu
56
Kết quả tách thực
60
Chương trình Matlab
64
Tài liệu tham khảo
T á c h c á c tín h iệ u d ộ c lậ p từ liệ tr ộ n tu y ế n tín h và từ h ệ th ự c
CIỈƯƠNC. I: MỞ ĐẨU
Tách mù tín hiệu (Blind Source Separation - BSS) và phân tích các thành
phân độc lập (Indepenđent Component Analysis ICA) là kỹ thuật xử lý mảng
và plìân tích dữ liệu giúp cho phục hồi lại dược các tín hiệu không quan sát
dược lừ các tín hiệu trộn quan sát được. Trong các điều kiệu thực tế, thông tin
thu nhận thường được pha trộn m ột cách ngẫu nhiên bởi các nguồn tin khác
nhau. Bởi vẠy vấn đề tách mù tín hiệu và phân tích các thành phần độc lập cho
phép trích lọc ra được những thông tin hữu ích từ các tín hiệu và số liệu thu
nhận dược là nìộl yêu cầu cần thiết dược đặt ra trong nhiều lĩnh vực như sử lý
tín hiệu trong (hông tin, xử lý Am thanh, ầịí lý ảnh . . . Đây là một trong những
bài toán ngược bởi vì chúng la không biết dược các tham số của quá trình trộn
cũng như kliỏng Ihổ thu được lừng lliành pliÀn của các nguổn tin riêng hiệt
cùng tổn tại trong thực tế, vậy làm th ế nào hệ thống có thể tìm được các thông
tin hữu ích chí từ các lín hiệu và số liệu thu nhận được? Tính từ mù “ Blind”
có nghĩa ln th ế nào? có thổ tóm tắt điều này bằng 2 điểm:
1. Nguồn tín hiệu không quan sát được.
2. Không có thông tin vé việc trộn.
Điổu này liên quan đến một loạt vân đề của xử lý mù tín hiệu như:
phương pháp cAn bằng mù cho kênh truyền thông sử dụng mạch lọc thích
nghi, nhím thực, kênh truyền ... đang được rất nhiều nhà khoa học quan tam.
Đã có nhiều bài báo, nhiều công trình khoa học được công bố nhằm đưa ra các
tluiẠt toán
(lể
có
lliổ
ycu cíìu tách mù trong hệ thống thông tin trong hơn
10
năm gổn dây I 1,2,7,14|.
Để có thổ xAy chrng lluiẠt toán tách mù, ta phải nắm được các tính chất
lliố n g k ê c iìíi
các nguổn
lín
hiệu
VỘ I l ý
và quan Irọng là các tính chất phản ánh
mối CỊIĨMII hộ giữa tín hiộu sau khi được trộn với các tín liiộu thành pliíìn trước
khi trộn. Có ha lính chất rAÌ quan trọng trong phcp trôn tuyến tính các tín hiệu
nguồn dộc lẠp tlìông kê được đưa ra là [9|:
N iịn y ễ n H ổ n g H ủ i
4
T á c h c á c till h iệ u (lộ c lậ p tử liệ tr ộ n tu y ến tín h
Ví) từ h ệ
tliự c
Tính chất 1:
Khả năng dụị^oán trước: khả năng dựptoán trưóc theo thời gian của tín
hiệu trộn luôn nhỏ hơn ( hay bằng) với khả năng dự đoán trước theo thời gian
của mỗi tín hiệu thành phẩn trong tín hiệu trộn đó.
Tính chất 2:
Định lý giới hạn trung tAiĩi đã chỉ ra rằng: hàm mật độ xác suất của bất
kỳ tín hiệu nào ( có phân bố Gauss) thì đều lớn hơn (lioặc bằng) hàm mật độ
xác suất của mỗi tín hiệu thành phẩn có trong tín hiệu trộn đó.
Tính chất 3:
Sự độc lập thống kê giữa hai nguồn trộn bất kỳ bao giờ cũng nhỏ hơn
hoặc bằng với sự độc lập thống kê giữa hai tín hiệu nguồn thành phần bất kỳ
có írong tín hiệu trộn.
Có thể nói rằng, ba tính chất trên có vai trò quan trọng và là cơ sở để
đưa ra các thuật toán nhằm giải quyết bài toán tách mù. Trong đó hai tính
chất: 2 và 3 là cơ sỏf cho các thuẠt toán tách mù truyển thống đó là: tách mù
dựa trên cơ
sở
phAn tích đặc tính phổ và hàm mât độ xác suất của các tín hiệu
(tính chất 2) để từ đó xây dựng các hàm: Hàm đánh giá (Contrast Functions)
Hàm ước lượng (Estimating Function)... và kết hợp với các thuật toán: Độ dốc
(Gradient), Xác suất cực đại (M aximum likelihood) đổ thực hiện thuật toán
mù [101 hoặc ta có thể dựa vào tính chất độc lập thống kê của các tín hiệu (
tính chất 3) dể làm cơ sở cho việc tính hàm tích luỹ chéo (bậc cao) ( hay mô
mem chéo bậc cao) giữa các tín hiệu thu được
à
đầu ra rồi " ép" cho các hàm
tích luỹ chéo bậc cao đó bằng 0 để dần dần tách các tín hiệu độc lâp trên các
dầu ra thống qua cơ chế điều khiển thích nghi [13].
Mồ hình tách mù tín hiệu đơn giản nhất là giả sử có n tín hiệu độc lập
S | ( t ) , .... .
s„(t) cho quan sát được n tín hiệu trộn XI(t),...... xn(t). Việc trộn này là
tuyến tính và không đổi có nghĩa
minh hoạ
hỏri
Xj(t)= ^ " a tJ S j ( t )
7*1
phương trình trộn dưới đAy:
x(t) = As(t)
Nguyễn Hồng Hải
(1.1)
5
với i =
1, n.
Điều này được
!•'■■■*
T á c h c ú c tín h iệu đ ộ c lậ p từ h ệ trộ n tu y ê n tín li vù từ h ệ thự c
Ớ đó s(t) = Ị.v,(0...........s„0)] là vector số liệu của n nguồn tin chưa biết
cần phải tìm với giả thiết
Si(t)
tồn tại độc lập, A là ma trận chưa biết. Vấn đề
được đặt ra là cần tìm lại được các thành phần nguồn
phần của tín hiệu nhận
Xj(t),
Sj ( t)
chỉ từ các thành
vì vậy bài toán này được gọi là phân tách mù.
Nguyên tắc chung cho lời giải của hài toán phân tách nguồn tin là tìm ma trận
B, gọi là ma trận phân tách. Nó cho công thức tính giống như ma trận tách B
cổ n
X
II phân tử:
Ị
'
y(t)= Bx(t)=BAs(t) sẽ là ước lượng của véctơ s(t) các nguồn tín hiệu có
tính chất độc lập thống kê, thoả mãn BA=DA, với D là ma trận đường chéo và
A là ma trận hoán vị. như vậy sẽ tìm được vector y(t) ở đầu ra hệ thống phân
tách chưa các thông tin nguổn
Sj ( t) .
Trong khuôn khổ bài luẠn văn này, chúng tôi tìm hiểu phương pháp tách
IĨ1Ù
các nguồn tín hiệu bằng phép dự đoán trước theo thời gian đối với phép
trộn tuyến tính và phương pháp tách mù các nguồn tín hiệu từ hệ thống trộn
xoắn, có mỏ hình của một hộ thực.
N ìịhvởii H ầ m ; H ả i
6
Tách các tili liiệu dộc lập từ hệ trộn tuyến tính và từ hệ thực
CHƯƠNG II: TRỘN TUYẾN TÍNH VÀ MÔ PHỎNG
2.1 LÝ THUYẾT TÁCH MÙ NGUổN TÍN HIỆU BANG p h ư ơ n g
PHÁP D ự ĐOÁN TRƯỚC THEO THỜI GIAN
2.1.1 Cấu trúc hệ thống
Giả sử ta có K nguồn tín hiệu gốc độc lập thống kê với nhau
S|,
s2, s3....sk
và K nguổn tín hiệu này lẠp thành một véctơ đầu vào tín hiệu.
S = (s, s2 s3 s4 ..... sk)‘.
Trong đó : Ký hiệu
"
t" biểu thị phép chuyển vị và tín hiệu
,
Sị
ở hàng thứ i
/K)
của s là tín hiệu được xác định bởi n điếm thòi gian.
(
1
Trong quá trình truyền đến nơi thu các tín hiệu gốc đã chịu tác động của
môi trường truyền thông và
sự
can nhiễu giữa chúng
V. V. .
tất cả các điều đó có
thể được biểu diến bởi: một ma trận A gọi là ma trận trộn với các hệ số {au}
J j
.
.
.
.
.
.
đặc trung cho kênh truyền thông. Ớ đây, trong phép xử lý mù của ta : ma
(rận A là ma trân ta không nhận biết được và thâm chí luôn biến đổi theo thời
gian do vẠy ta có thể mô phỏng theo thời gian.
Việc lạo ra ma IrẠn (rộn (1.1II vào nliờđím g hàm "ra/iíln" trong MATLAB
như sau:
A = Randn (m , n)
Với m, n là số hàng và số cột của ma trận A.
Khi đó, nếu ở nơi thu ta có: một bộ gồm M sensor để thu nhận các tín
hiệu thì : tập M từ các tín hiệu lối ra từ các sensor trên sẽ tạo thành một
vcctơ tín hiệu lối ra.
x = (x ,
x2 x3 x4 ... xMy
và vectơ tín hiệu lối ra này đạt được bằng cách:
X =
NiỊiryễn Hồng Hải
A.s
7
(2.1)
Tách các till h iệu dộc lậ p từ h ệ trộ n tu y ê n tín h vù từ h ệ thự c
với A là ma trộn trộn có kích thước MxK.
Nếu như các hàng của ma trận trộn A là độc lập tuyến tính ( điều này ta
có tlìể có được bằng cách đặt K sensor ở các khoảng cách hoàn toàn khác
nhau đối với mỗi nguồn tín hiệu phát gốc).
Khi đó: hất kỳ một tín hiệu
I ill hiệu trộn
X
Sj
nào, ta đều có thể khôi phục lại được từ
bằng cách sử dụng ma trận tách w nào đó với.
Sị
= w ¡.
X
(2.2)
hình vẽ 1 biểu diễn cấu trúc của một hệ thống tách.
2. í .2. Phi rơng pháp dự đoán trước theo thời gian.
Tín hiệu gốc
Đíỉu thu
Tín hiệu trộn
Tín hiệu tách
Hìnli 1: Cấu trúc hệ thống tách mù
Trên cơ sở phân lích một hệ thống tách mù nêu trên thì một vấn đề đặl ra
ở đây là: ta phải đi tìm một ma trộn giải trộn ( ma trận tách)
w=(
vectơ
Wj
Wị
w2
w3
w nào đó với:
w4 .... wk )' mà mỗi hàng của ma trân này là một
sẽ được sử dụng để khôi phục các tín hiệu y¡ khác nhau ( với y¡ là tín
hiệu lỷ lệ với tín hiệu gốc
Vậy các vcclơ hàng
Sj ) .
Wj
của ma trộn tách
W
được xác định dựa trên cơ sở
nào?. Dã có nhiều hài báo, nhiều tác giả đã đưa ra các Ihuật toán của mình để
có dược cơ chế điều khiển các hệ số của ma trận tách W môt cách thích hợp.
Còn với phương pháp dự đoán trước theo thời gian thì xuất phát điểm bắt
đầu từ tính chất 1 trong 3 tính chất quan trọng mà ta đã nêu ra ở phần đầu dó
Nguyễn Hồng Hài
8
T á c h c á c till liiệ u d ộ c lậ p từ h ệ tr ộ n tu y ế n tín h và từ h ệ th ự c
là: ( khả năng dự đoán theo thời gian của tín hiệu trộn Xị thường là nhỏ hơn(
hoặc bằng) với khả năng dự đoán trước theo thời gian của bất kỳ tín hiệu
thành pliđn s, nào đã tạo nôn tín hiệu trộn đó. Tính chất này hé mỏf giúp ta một
điều đổ là: ta phải xây dựng một hàm đánh giá F( w¡ , n ) là hàm đặc trưng
cho mức độ dự đoán (rước đối với mỗi tín hiệu y¡ ( y, =
Wj
. x) rồi sau đó ta
phải tối líu hoá hàm dự đoán F để giá trị mà ta dự đoán sát thực nhất so với
tíu hiệu thực tế. Vì F lại là hàm của w¡ nên việc tối ưu hoá hàm F đổng nghĩa
với việc ta phải luôn cập nhật và điều khiển các hệ số của vectơ hàng thứ i là
Wj
trong ma trận tách w sao cho: ứng với giá trị w¡ đó hàm F có giá trị cực đại:
Trên cơ sở phân tích trên, hàm đánh giá khả năng dự đoán trước của tín
hiệu I‘'clirực định nghĩa là:
>ỉ[
"
Với những thông tin mà hàm F
( W j , x)
mang lại ta hoàn toàn có thể có
được cơ sở để tách được các tín hiệu gốc ban đầu từ một khối "mù" mà ta có,
bằng cách điều khiển các hệ số của vectơ hàng w¡ trong ma trận tách w bằng
một giá trị nào đó để hàm dự đoán F đạt giá trị cực đại tại giá trị đó của Wj.
Như vậy, vA'n đề ỏf đAy đặt ra là: tìm
Wj
để F đạt giá trị cực đại. Việc giải
quyết vân đề này liên quan đến bài toán riêng tổng quát với việc giải quyết
phương trình tổng quát dể tìm vectơ riêng và giá trị riêng mà ía sẽ trình trong
các phẩn tiếp theo.
2.1.3. Tách mù các nguồn tín hiệu bằng pháp dự đoán trước theo thời
gian:
2.1.3.1 Tách một nguồn tín hiệu đơn:
CĩiA thiết phép trộn của ta là phép trộn tuyến tính. Khi đó tín hiệu y¡ được
tạo ra bằng cách sử dụng ma trân W| (1 X m) ứng với một tập K = M các tín
hiệu Irộn
X,
khi đó với y¡ = WịX có thể được viết hàm F dưới dạng:
\ịf (* Vị/
F=log^ f ^
w, c . vv'
N g u y ễ n H ồ n lị H ả i
9
(2.3)
M/, Xi. VI
■
I't'ii II c á i till h iệ u (lộ c lậ p từ h ệ tr ộ n tu y ế n tín h v à từ h ệ thự c
trong đó c , c là hai ma trận có kích cỡ MxM. Ma trận c là ma trận hiệp
hiến Irong khoảng thời gian dài của các phần tử
Ci ,
, còn ma trận c là ma trận
hiệp biến trong khoảng thời gian ngắn của các phần tử
C,J
và được định nghĩa
là :
c" =Y J(Xn - X , t ) ( X i t
(2.4)
- X j t )
ỉ
Cụ
=1^ ( X i r
~ X ị i ) ( X i t —X / r )
Như vộy, Iheo các công thức (2.3) và (2.4) ta thấy xuất hiện các ma trận
c,c. Song chính từ định nghĩa vé cách xác định các phñ'n tử của các ma trận
hiệp biến trôn (công thức (2.4)) lại giúp ta có được sự nhìn nhận cụ thể hơn
trong việc xác định và đánh giá hàm dự đoán F (w¡, x). Nếu như công thức
(2.3) giúp ta đánh giá một cách định lượng vé ý nghĩa của hàm F(w¡,x) dựa
Iren cư sư lấy dược lừ thành pliổn tín
hiệu
tách lối ra: y¡ tại thời điổm
T
thì
công thức (2.4) giúp ta có được sự đánh giá định tính cho việc tính giá trị của
hàm p dựa trực liếp trôn viộc lAy mẫu của chính các tín hiệu trộn Xị để phán
đoán và xây dựng hàm F và đAy chính là ý nghĩa quan trọng của các ma trận
hiệp biến c , c .Trong chương trình inô phỏng tách mù chúng tôi cũng đã sử
dụng hai ma trận này làm cơ sở cho cách đánh giá và khảo sát hàm F.
Như đã phân tích ở trên, để tách được tín hiệu gốc ta tiến hành tìm giá trị
cú a w
(lổ
hàm 1*' (Wj, x) lối
ƯU
và có nghĩa là tối ưu hoá luôn cả khả nâng dự
đoán cho các mẫu y¡ cần xác định. Để thực hiện điều kiện này ta dùng thuật
loán Gradient dối với hàm F khi đó ta có dạo hàm của F dối với Wị.
A Wjl =
2wẺc
\ -------
„
N I’ll vẻn Hồng Hải
2w ,c
— -4—
I ’/J
i , 9
(2.5)
III
V.
ự»
10
Ị
Tách rác tín h iệ u (lộ c lậ p từ h ệ trộ n tu y ế n tín li vù từ liệ tliự c
Bằng cách dùng phương trình (2.5) để giải phương trình AWjF = 0 và kết
hợp với ghép chọn lựa để tìm một giá trị của Wị sao cho hàm F đạt giá trị lớn
nhất, ta có được giải pháp để tách được một nguồn tín hiệu đơn (yị) trong một
lập K các tín hiệu trộn Xj.
Chú ý:
1. Ta có thể tính được ma trận c ,c với các phần tử của nó được xác định
llieo công thức (2.4) nhờ sử dụng phương pháp tích chập nhanh.
2. Do hàm F chính là thương của các hàm bộc 2 nên hàm F sẽ có chính
xác một giá trị cực đại và giá trị cực tiểu và các điểm khác xẽ là các
điểm “yên ngựa” điều này có nghĩa là ta luôn có thể tìm được một
điểm cực đại chung của hàm F
2.1.3.2. ĩỉài toán riêng tổng quát và phương pháp tách nhiều nguồn cùng
mội lúc.
Không giống vói phương pháp tách một nguồn tín hiệu đơn, trong
phương
pháp tách nhiều nguồn tín hiệu cùng một lúc ta phải đi tìm tất cả các
ị’j á trị Wj để tại đó hàm F đạt cực trị, tức là: ta phải tìm các giá trị của Wj để:
A W jF =
0
W j =
ị
w,
c (2.6)
"Ự . ¿ . 1 , t -
Việc tìm các giá trị Wj thoã mãn phương trình (2.6) chính là ta phải đi
giải bài toán riêng tổng quát với hai ma trận trước là c ,c
vectơ riêng và tỉ số ỵ,= —
và Wị chính là các
là giá trị riêng.
u,
Vấn đề tím các véc tơ riêng ứng với giá trị riêng trong phương trình tổng
cỊiiál
ncu trôn đã được đưa ra và đã được đáp án rất rõ dàng bằng phương pháp
toán học và hằng MATLAB ta cũng có thể dễ dàng tìm được các véctơ riêng
sử dụng lệnh
w = eig ( c ,c )
/ViỊit yển
Hổni’ Iỉải
(2.7)
l ili lí f lic till hit'll (lộ c I(IỊ) lữ liệ tr ộ n tu y ê n lililí \’à từ h ệ thự c
Song điều mà ta cần nói đến ở đây chính ỉà: ý nghĩa vật lý của việc giải
phương trình tổng quát trên trong ý tưởng tách mù đó là: Giải phương trình
tổng quát (2.6) để tìm vectơ riêng ứng với mỗi giá trị riêng
Ỵj
mà giá trị riêng
Y, lại là giá trị đặc trưng cho mức độ dự doán theo thời gian của hàm F. Điều
đó có nghĩa ứng với mỗi giá trị dự đoán tối ưu của F thì ma trận tách w lại
phải thực hiện quá trình cập nhạt của các hệ số mới ứng với môi giá trị của
vcclơ riêng W, lương ứng. Chính điều này đã gợi ý cho ta ý tưởng dùng mạch
lọc thích nghi nơi thực hiện tách mù tín hiệu và việc dùng hàm w = eig ( c ,c )
chính là một công cụ toán học được dùng để mô phỏng mạch lọc thích nghi
(lược sử thing rộng rãi trong các hệ thống xử lý tín hiệu.
2.1.3.3 Tách mù các nguồn tín hiệu trong trường số lượng đầu thu là lớn
SỐ lượng các nguồn tín hiệu gốc. (M >K).
Ở phần trên ta đã xét tới bài toán tách nhiều nguồn cùng m ột lúc song với
giá thiốl là sô nguồn tín hiệu gốc ban đẩu là bằng với số lượng sensor dùng để
thu tín lìiệu (M = K). Trong trường hợp M > K thì ta phái làm như nào?
Nếu số lượng M các plicp trên là lớn lum số lượng tín hiệu gốc thì người
ta pluíi sử dụng một phương pháp chuẩn tắc để giảm giá trị của M mà không
làm ảnh hưởng kết quả tách mù ở các lối ra. Phương pháp này sẽ bao gồm
£
g
c -
t- ,
f jt * *
phương pháp phân tích các thành phần cơ bản PCA (Primary Component
Analysis). Phương pháp được sử dụng để giảm kích cỡ của các phép trộn tín
hiệu hằng cách loại bỏ các vectơ riêng của X thay vì giá trị của các vectơ riêng
sẽ lie'll drill đến 0. Ở đây ta chỉ xct trường hợp M = K mà thôi.
2.1.4. Diễn giai thuật toán trên phương tliện vật lý:
T hực ra, một vấn đề quan trọng nhất được đưa ra trong thuật toán cách
mì. ‘.lằng phương pháp dự đoán trước theo thòi gian đó là: vectơ riêng
Wj
của
ma liậr. c , c . Một lĩnh rất hay của các véc tư riêng này đó là tính chất trực giao
giữa các vectơ riêng, do vây:
Nguyễn HỒiiiị Hải
12
l eli lí t ¡II lili lililí liât lậ p l ừ l i ệ tr ộ n l u y e n lililí Vil từ h ệ thự c
il*#'*’ì
w, c w[ = 0
( 2 . 8)
W, c w' = 0
Trong đó:
{ M', cw' ,Ị= y ^*r ^';)=()
Trong đó E là giá trị trung bình. Điều đó có nghĩa là: Nếu phương pháp
của tách mù của ta được thực hiện một cách hoàn hảo thì việc tìm ra véctơ
riêng để tìm ra các tín hiệu thành phần y ị là thực hiện một quá trình "ép" các
tín hiệu y, là dộc lẠp lliống kê tức llalli bảo li Cy, yj) - 0 111ỘI cách dễ dàng và
hiệu qua này là một thế mạnh lớn của IhuẠt toán tách mil bằng phương pháp
dự đoán trước và Ihời gian so với phương pháp lách mù (lựa vào việc tính tích
luỹ clióo ciìíi các lín hiệu lối ra. Vì dổ đảm hảo lính eliấl (lộc !Ạp (hống kê của
c;íc Im hiệu clÀu I:i phương pháp đùng tích luỹ clióo dã plúii sử dụng lính lích
N g u y ễ n HỒ ihị H à i
13
í á ( li <á( tin h iệ u d ộ c lậ p lử liệ trộ n tu y ế n tinh và từ h ệ thự c
luỹ chéo bậc cao mà điều này đòi hỏi phép tính toán rất phức tạp trong trường
hợp phải tách một số lượng tính hiệu gốc là lớn.
V(w,,n)
11(m>,,«)
X 0
'
,
V
= log —
u.
2
= ! o g ^ --------------
Y J( y , - y , ) 2
I-1
Trong dó: y, = w, . xr là giá trị tín hiệu y tại thời điểm X và
XT
là một
veclo' của K gi;í (lị 11ôn lại 11lòi tliểm I. Ilàm Uj là hàm phản linh mức độ mà
giá Irị yT được dự đoán dựa vào giá trị trung hình dao động trong thời gian
n gắn gần với Ihòi điểm t là y, ngược lại Vị là làm phản ánh sự biến đổi của tín
hiệu (lự đoán y tại lliời diêm t dừa vào giá trị trung bình của các mẫu có được
Irong khoáng (hời gian dài trước thòi điểm T (tại các thời điểm 11 = 1,2,......T-l)
là yT. Đổng thời ta thấy rằng hai giá trị y r và y T đều là tổng Irọng số theo hàm
mfi của các giá Iri mẫu của lín liiệu yT phải cổ trọng số lớn hơn các trọng số
lim dược trong quá khứ nghĩa là:
y,
=K-y,
y r = Ẳ i7r-i
,+ ( 1 - / 1 , ,
i ) - y r-i
với
()<ẢS
< I
với 0 , ( V X ' i n - V + N J n )
(3.4)
/ * I *=(I
\
A2|(z)
tlo')
->
A n (z )
20
- Xem thêm -