Sprawko Aps Lab 1

Laboratorium z Algorytmw przetwarzania
sygnaw
r 17:05
Cel wiczenia: Zrozumienie i przebadanie waciwoci unormowanego algorytmu Levinsona
oraz filtru Levinsona, przy uyciu sygnaw modelowych i rzeczywistych.
Zad1.
Jaka jest zaleno pomidzy szybkoci zbienoci algorytmu Levinsona a szerokoci
pasma parametryzowanego sygnau (sugestia: wykorzystanie sygnau pseudolosowego o
rnej szerokoci pasma)?
K=20
N=20
x = gen(T,0.1,0.15,0.20,0.25)
Leas t-s quares error
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
K=20
10
12
14
16
18
20
N=20
x = gen(T,0.1,0.15,0.30,0.35)
Least-squares error
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
10
12
14
16
18
20
K=20
N=20
x = gen(T,0.1,0.15,0.40,0.45)
Least-squares error
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
K=20
10
12
14
16
18
20
N=20
x = gen(T,0.1,0.15,0.50,0.55)
Least-squares error
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
10
12
14
16
18
20
K=50
N=50
x = gen(T,0.1,0.15,0.80,0.85)
Least-squareserror
1
0.9
0.8
0.7
0.6
0.5
0.4
0
10
15
20
25
30
35
40
45
50
Wnioski : Najlepsza szybko zbienoci algorytmu Levinsona wystpuje w wskim pamie,

co mona zaobserwowa na pierwszym wykresie.
Im wiksza czstotliwo szerokoci tym gorsza szybko zbienoci.
Zad2.
Czy szybko zbienoci algorytmu Levinsona zaley jedynie od szerokoci pasma

parametryzowanego sygnau, czy rwnie od pooenia jego widmowej gstoci mocy (o tej
samej szerokoci pasma) na osi czstotliwoci (sugestia: wykorzystanie sygnau
pseudolosowego)?
x = gen(T,0.20,0.25,0.30,0.35)
Least-squares error
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
12
14
16
18
20
x = gen(T,0.30,0.35,0.40,0.45)
Least-squares error
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
x = gen(T,0.40,0.45,0.50,0.55)
10
12
14
16
18
20
Least-squares error
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
10
12
14
16
18
20
x = gen(T,0.60,0.65,0.70,0.75)
Least-squares error
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
10
12
14
16
18
20
x = gen(T,0.80,0.85,0.90,0.95)
Least-squares error
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
12
14
16
18
20
Wnioski: Szybko zbienoci algorytmu Levinsona jest w bardzo maym stopniu zalena od
szerokoci pasma parametryzowanego sygnau. Zmiana zbienoci obserwujemy tylko na
pocztku sygnaw co jest spowodowane widmow gstoci mocy.
Zad 3
Jaka jest liczba istotnych (w sensie wartoci) wspczynnikw Schura w procesie
parametryzacji sygnaw w zalenoci od ich rosncej zoonoci spektralnej (pojedynczy
sygna sinusoidalny, suma dwch lub trzech przebiegw sinusoidalnych, sygna
pseudolosowy o rosncej szerokoci pasma)?
x = gencomp(T,1,T,1,T,1,T,0.1,0.0,0.0);
e n e r a t e d
x ( n )
t i m
e - s e r ie s
0 . 5
- 0 . 5
- 1
0
2 0
4 0
6 0
8 0
1 0 0
1 2 0
o f
1 4 0
1 6 0
1 8 0
2 0 0
8 0
9 0
1 0 0
x ( n )
0 . 8
0 . 6
0 . 4
0 . 2
1 0
2 0
3 0
4 0
5 0
6 0
7 0
S c h u r c o e ff.
1
0.8
0.6
0.4
0.2
-0 . 2
-0 . 4
-0 . 6
-0 . 8
-1
0
10
12
14
16
18
20
X = gencomp(T,1,T,1,T,1,T,0.1,0.2,0.0);
e n e r a t e d
x ( n )
t i m
e - s e r i e s
2
1 . 5
1
0 . 5
0
- 0 . 5
- 1
- 1 . 5
- 2
0
2 0
4 0
6 0
8 0
1 0 0
1 2 0
o f
1 4 0
1 6 0
1 8 0
2 0 0
8 0
9 0
1 0 0
x ( n )
0 . 8
0 . 6
0 . 4
0 . 2
1 0
2 0
3 0
4 0
5 0
6 0
7 0
S c h u r c o e ff.
1
0 .8
0 .6
0 .4
0 .2
-0 .2
-0 .4
-0 .6
-0 .8
-1
1 0
1 2
1 4
1 6
1 8
2 0
X = gencomp(T,1,T,1,T,1,T,0.1,0.2,0.3);
G
e n e r a t e d
x ( n )
t im
e - s e r ie s
2
1
- 1
- 2
- 3
0
2 0
4 0
6 0
8 0
1 0 0
1 2 0
1 4 0
1 6 0
1 8 0
2 0 0
8 0
9 0
1 0 0
o f x ( n )
0 . 8
0 . 6
0 . 4
0 . 2
0
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
c h u r
c o e ff.
0 . 8
0 . 6
0 . 4
0 . 2
- 0 . 2
- 0 . 4
- 0 . 6
- 0 . 8
0
1 0
1 2
1 4
1 6
1 8
2 0
X = gencomp(T,1,T,1,T,1,T,0.1,0.5,0.9);
e n e r a t e d
x ( n )
t im
e - s e r ie s
2
1
- 1
- 2
- 3
0
2 0
4 0
6 0
8 0
1 0 0
1 2 0
o f x ( n )
1 4 0
1 6 0
1 8 0
2 0 0
7 0
8 0
9 0
1 0 0
0 . 8
0 . 6
0 . 4
0 . 2
0
0
1 0
2 0
3 0
4 0
5 0
6 0
c h u r
c o e ff.
0 . 8
0 . 6
0 . 4
0 . 2
- 0 . 2
- 0 . 4
- 0 . 6
0
1 0
1 2
1 4
1 6
1 8
2 0
Dla rzdu algorytmu 100

X = gencomp(T,1,T,1,T,1,T,0.1,0.2,0.3);
G
e n e r a t e d
x ( n )
t im
e - s e r ie s
2
1
- 1
- 2
- 3
0
2 0
4 0
6 0
8 0
1 0 0
1 2 0
o f x ( n )
1 4 0
1 6 0
1 8 0
2 0 0
7 0
8 0
9 0
1 0 0
0 . 8
0 . 6
0 . 4
0 . 2
1 0
2 0
3 0
4 0
5 0
6 0
c h u r
c o e ff.
0 . 8
0 . 6
0 . 4
0 . 2
- 0 . 2
- 0 . 4
- 0 . 6
- 0 . 8
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0
Sygna losowy o duej szerokoci pasma:

x = gen(T,0.1,0.15,0.9,0.95);
In p u t
s ig n a l P
0 . 6
0 . 7
L e v in s o n
filt e r
0 . 4
0 . 6
0 . 7
1
0 . 8
0 . 6
0 . 4
0 . 2
0
0 . 1
0 . 2
0 . 3
0 . 4
0 . 5
0 . 8
0 . 9
0 . 8
0 . 9
0 . 8
0 . 9
a g n it u d e
1
0 . 8
0 . 6
0 . 4
0 . 2
0
0 . 1
0 . 2
0 . 3
0 . 5
u t p u t
s ig n a l P
1
0 . 8
0 . 6
0 . 4
0 . 2
0
0 . 1
0 . 2
0 . 3
0 . 4
0 . 5
0 . 6
0 . 7
c h u r
c o e ff.
0 . 5
0 . 4
0 . 3
0 . 2
0 . 1
- 0 . 1
- 0 . 2
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0
x = gen(T,0.1,0.15,0.5,0.55);
S c h u r c o e ff.
0 .8
0 .6
0 .4
0 .2
-0 .2
-0 .4
-0 .6
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0
Wnioski : W pojedynczym sygnale sinusoidalnym, nie dostrzegamy adnych wikszych

istotnych szumw. Natomiast dla 2 i 3 sygnaw, dostaj si coraz wicej szumw do widma.
Widmo z najszersz szerokoci pasma jest w ogle nieprzydatne.
Zad 4
Czy charakterystyka amplitudowa filtru Levinsona dopasowuje si do ksztatu widmowej
gstoci mocy sygnau parametryzowanego?
x = gen(T,0.1,0.15,0.2,0.25);
In p u t s ig n a l P S D
1
0 .8
0 .6
0 .4
0 .2
0
0
0 .1
0 .2
0 .3
0 .4
0 .5
L e vin s o n
0 .6
0 .7
0 .8
0 .9
0 .7
0 .8
0 .9
0 .7
0 .8
0 .9
filt e r m a g n it u d e
1
0 .8
0 .6
0 .4
0 .2
0
0
0 .1
0 .2
0 .3
0 .4
0 .5
0 .6
O u t p u t s ig n a l P S D
1
0 .8
0 .6
0 .4
0 .2
0
0 .1
0 .2
0 .3
0 .4
0 .5
0 .6
Sygna losowy o duej szerokoci pasma:

x = gen(T,0.1,0.15,0.9,0.95);
In p u t
s ig n a l P
0 . 6
0 . 7
L e v in s o n
filt e r
0 . 4
0 . 6
0 . 7
1
0 . 8
0 . 6
0 . 4
0 . 2
0
0 . 1
0 . 2
0 . 3
0 . 4
0 . 5
0 . 8
0 . 9
0 . 8
0 . 9
0 . 8
0 . 9
a g n it u d e
1
0 . 8
0 . 6
0 . 4
0 . 2
0
0
0 . 1
0 . 2
0 . 3
0 . 5
u t p u t
s ig n a l P
1
0 . 8
0 . 6
0 . 4
0 . 2
0
0 . 1
0 . 2
0 . 3
0 . 4
0 . 5
0 . 6
0 . 7
X = gencomp(T,1,T,1,T,1,T,0.1,0.0,0.0);
1
0 .8
0 .6
0 .4
0 .2
0
0
0 .1
0 .2
0 .3
0 .4
0 .5
L e vin s o n
0 .6
0 .7
0 .8
0 .9
0 .7
0 .8
0 .9
0 .7
0 .8
0 .9
1
0 .8
0 .6
0 .4
0 .2
0
0
0 .1
0 .2
0 .3
0 .4
0 .5
0 .6
1
0 .8
0 .6
0 .4
0 .2
0
0 .1
0 .2
0 .3
0 .4
0 .5
0 .6
Wnioski : Charakterystyka amplitudowa filtru Levinsona nie dopasowuje si do ksztatu

widmowej gstoci mocy sygnau parametryzowanego, poniewa jest odwrotnie
proporcjonalna do niej. Wystpuje tutaj take bd redniokwadratowy, i co za tym idzie nie
proporcja ta nie jest idealna. Mona jeszcze odwrci sygna, aby dojrze rnic, lecz nie
zdoaem tego dokona na zajciach.
Zad 5
Czy powysze odpowiedzi i wnioski znajduj potwierdzenie przy przetwarzaniu sygnaw
rzeczywistych (sugestia: wykorzystanie prbek sygnaw mowy)?
[x,fp]=wavread('s1.wav');
S c h u r c o e ff.
1
0 .8
0 .6
0 .4
0 .2
-0 .2
-0 .4
0
1 0
1 2
1 4
1 6
1 8
2 0
L e a s t-s q u a re s
e rro r
1 .2
1 .1
0 .9
0 .8
0 .7
0 .6
0 .5
0 .4
0 .3
0 .2
0
1 0
1 5
2 0
2 5
3 0
3 5
4 0
4 5
1
0 .8
0 .6
0 .4
0 .2
0
0
0 .1
0 .2
0 .3
0 .4
0 .5
L e v in s o n
0 .6
0 .7
0 .8
0 .9
0 .7
0 .8
0 .9
0 .7
0 .8
0 .9
1
0 .8
0 .6
0 .4
0 .2
0
0
0 .1
0 .2
0 .3
0 .4
0 .5
0 .6
1
0 .8
0 .6
0 .4
0 .2
0
0
0 .1
0 .2
0 .3
0 .4
0 .5
0 .6
S c h u r c o e ff.
0 .8
0 .6
0 .4
0 .2
-0 .2
-0 .4
-0 .6
-0 .8
-1
1 0
1 5
2 0
2 5
3 0
3 5
4 0
4 5
e rro r
0 .9
0 .8
0 .7
0 .6
0 .5
0 .4
0 .3
0 .2
0 .1
0
1 0
1 5
2 0
2 5
3 0
3 5
4 0
4 5
S c h u r c o e ff.
0 .8
0 .6
0 .4
0 .2
-0 .2
-0 .4
-0 .6
-0 .8
-1
0
1 0
1 5
2 0
2 5
3 0
3 5
4 0
4 5
S c h u r c o e ff.
0 .8
0 .6
0 .4
0 .2
-0 .2
-0 .4
-0 .6
-0 .8
-1
0
1 0
1 5
2 0
2 5
3 0
3 5
4 0
4 5
e rro r
0 .9
0 .8
0 .7
0 .6
0 .5
0 .4
0 .3
0 .2
0 .1
0
1 0
1 5
2 0
2 5
3 0
3 5
4 0
4 5
1
0 .8
0 .6
0 .4
0 .2
0
0
0 .1
0 .2
0 .3
0 .4
0 .5
L e vin s o n
0 .6
0 .7
0 .8
0 .9
0 .7
0 .8
0 .9
0 .7
0 .8
0 .9
1
0 .8
0 .6
0 .4
0 .2
0
0
0 .1
0 .2
0 .3
0 .4
0 .5
0 .6
1
0 .8
0 .6
0 .4
0 .2
0
0 .1
0 .2
0 .3
0 .4
0 .5
0 .6
Wnioski : Powysze odpowiedzi I wnioski znajduj potwierdzenie przy przetwarzaniu

sygnaw rzeczywistych.

Sprawko Aps Lab 1

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sprawko Aps Lab 1

Uploaded by

Copyright:

Available Formats

Laboratorium z Algorytmw przetwarzania

Wnioski : Najlepsza szybko zbienoci algorytmu Levinsona wystpuje w wskim pamie,

Czy szybko zbienoci algorytmu Levinsona zaley jedynie od szerokoci pasma

Dla rzdu algorytmu 100

Sygna losowy o duej szerokoci pasma:

Wnioski : W pojedynczym sygnale sinusoidalnym, nie dostrzegamy adnych wikszych

Sygna losowy o duej szerokoci pasma:

Wnioski : Charakterystyka amplitudowa filtru Levinsona nie dopasowuje si do ksztatu

Wnioski : Powysze odpowiedzi I wnioski znajduj potwierdzenie przy przetwarzaniu

You might also like