Filtro digital adaptivo integrado
Integrated Digital Adaptive Filter
María Teresa Zagaceta Álvarez1 y José de Jesús Medel Juárez2
1 Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada (CICATA-Legaria), Instituto Politécnico Nacional, DF, México mtza79@yahoo.com.mx
]]> 2 Centro de Investigación en Computación, Instituto Politécnico Nacional, DF, México jjmedelj@yahoo.com.mx
Artículo recibido el 10/02/2010.
Aceptado el 04/10/2011.
Resumen
En este documento se presenta el estudio de algunas técnicas de filtrado digital de señales para determinar cuál ofrece la mayor convergencia aplicada en sistemas lineales invariantes en el tiempo como: el método de mínimos cuadrados y el de gradiente estocástico, usando modelos ARMA (1) ("autoregresive moving average", modelos de primer orden estocásticos y descritos de manera recursiva). Se enfatiza en el análisis de las técnicas de filtrado adaptivo, desarrollando algoritmos que permiten identificar y estimar parámetros de manera integrada dentro de un sistema visto como caja negra de tal forma que sea posible conceptualizar su nivel de convergencia y mejorar los algoritmos que actualmente se utilizan en esta importante área que interviene tanto en visión artificial, como en sistemas de control complejos en los que se requiere de la predicción, descripción y reconstrucción de información. Los algoritmos presentados aquí se han desarrollado de manera analítica en base a la literatura citada y a las herramientas matemáticas necesarias, todos ellos simulados en Matlab.
Palabras clave. Filtro adaptivo, error funcional, gradiente estocástico, sistema de referencia.
Abstract
]]> This thesis presents a study of various techniques of digital signal filtering to determine which provides greater convergence when applied to time-invariant linear systems such as the least squares and the stochastic gradient method, using in all of them the ARMA (1) models (autoregressive moving average, first-order stochastic model). We have made emphasis in the analysis of adaptive filtering techniques to develop algorithms that allow us to identify and estimate parameters integrated within a system seen as a black box, in such a manner that it becomes possible to conceptualize their level of convergence and to improve algorithms that are currently used in this important area that is involved in both artificial vision and complex control systems, where information prediction, description and reconstruction are required. The algorithms presented here have been developed in an analytical manner on the basis of cited literature and the necessary mathematical tools. All of them were simulated using MathLab.Keywords. Adaptive filter, functional error, stochastic gradient, reference system.
DESCARGAR ARTÍCULO EN FORMATO PDF
Referencias
1. Ramírez-González, A. & Fernández-Rubio, J.A. (2003). Estudio y Modelado de Errores en Sistemas Inerciales para Navegación Terrestre. XVIII Simposium Nacional de la Unión Científica Internacional de Radio (URSI 2003) La Coruña, España, 1–4. Retrieved from: http://w3.iec.csic.es/ursi/articulos_modernos/articulos_coruna_2003/actas_pdf/SESION%202/S2.%20Aula%202.5/1620%20-%20ESTUDIO%20Y%20MODELADO.pdf. [ Links ]
2. Benchaib , A., Tadjine ,M., & Rachid, A. (1999). Sliding mode control of an induction motor with unknown load: application on a digital-signal-processor-based system. International Journal of Systems Science , 30(8), 849–863. [ Links ]
]]>3. Medel, J. J. (2002). Análisis de Dos Métodos de Estimación para Sistemas Lineales Estacionares e Invariantes en el Tiempo con Perturbaciones Correlacionadas con el Estado Observable del Tipo: Una Entrada una Salida. Computación y Sistemas, 5(3), 215–222. Retrieved from: http://www.cic.ipn.mx/portalCIC/s11/vol05-03/CYS05305.pdf. [ Links ]
4. Vega, L. R., Tressens, S., & Rey, H. (2006). Adaptive filtering using projection onto convex sets. Latin American applied research, 36(2), 123–127. [ Links ]
5. Julier, S. J. & Uhlmann, J.K. (1997). A New Extension of the Kalman Filter to Nonlinear Systems. 11th International Symposium on Aerospace/Defence Sensing, Simulation and Controls, Orlando, FL, USA. Retrieved from: http://www.cs.berkeley.edu/~pabbeel/cs287-fa09/readings/JulierUhlmann-UKF.pdf. [ Links ]
6. Cramér, H. & Leadbetter, M.R. (1967). Stationary and related Stochastic Process: Sample function properties and theirs applications, New York: Wiley. [ Links ]
7. Zagaceta, M. T. & Medel, J.J. (2009). Identification first order stochastic system with estimation parameters: recursive description. 8th WSEAS International Conference on Signal Processing, Robotics and Automation, Cambridge, UK, 299–303. [ Links ]
]]>Notas
Resumen extendido de tesis doctoral. Graduada: María Teresa Zagaceta Álvarez. Director: José de Jesús Medel Juárez. Fecha de graduación: 16/12/2009.
Extended abstract of PhD thesis. Graduated: María Teresa Zagaceta Álvarez. Advisor: José de Jesús Medel Juárez. Graduation date: 16/12/2009.
]]>