SignalProcessing PDF

Xử lý tín hiệu 1
XỬ LÝ TÍN HIỆU
Eastern International University
School of Engineering
Assoc. Prof. Dương Hoài Nghĩa
nghia.duong@eiu.edu.vn - 0918 416 425
Chương 1: Tín hiệu và hệ thống liên tục ……………………………………………………… 3

1.1 Khái niệm chung
1.2 Chuỗi Fourier (tín hiệu tuần hòan)
1.3 Biến đổi Fourier (tín hiệu không tuần hòan)
1.4 Biến đổi Laplace một phía
1.5 Biến đổi Laplace hai phía
1.6 Hàm tương quan
1.7 Hệ thống tuyến tính
1.8 Lọc Butterworth và lọc Chebyshev
Chương 2: Lấy mẫu tín hiệu ………………………………………………………………… 14
2.1 Giới thiệu
2.2 Khâu lấy mẫu lý tưởng
2.3 Khâu giữ bậc không (zero order hold ZOH)
2.4 Mô hình hóa hệ thống điều khiển số
2.5 Hàm truyền đạt xung
Chương 3: Tín hiệu và hệ thống rời rạc ……………………………………………………… 17
3.1 Biến đổi Z
3.2 Biến đổi Fourier
3.3 Hệ thống tuyến tính
3.4 Lọc số
3.4 Tổng hợp lọc số có đáp ứng xung dài hữu hạn (FIR)
3.5 Tổng hợp lọc số có đáp ứng xung dài vô hạn (IIR)
3.6 Biến đổi tần số
Chương 4: Biểu diễn tín hiệu rời rạc trong miền tần số rời rạc ……………………………… 30
4.1 Chuỗi Fourier rời rạc của tín hiệu tuần hoàn
4.2 Biến đổi Fourier rời rạc (DFT) của tín hiệu có chiều dài hữu hạn
4.3 Quan hệ với biến đổi Z và biến đổi Fourier (DTFT)
4.4 Ứng dụng của DFT
4.5 Tính toán nhanh DFT (FFT)
Chương 5: Tín hiệu ngẫu nhiên ………………………………………………………………. 35
5.1 Nhắc lại về xác suất
5.2 Biến ngẫu nhiên
5.3 Quá trình ngẫu nhiên
5.4 Các mô hình của tín hiệu ngẫu nhiên
5.5 Lọc quá trình ngẫu nhiên
Chương 6: Lọc tối ưu …………………………………………………………………………. 60
6.1 Lọc FIR của Wiener
6.2 Lọc IIR của Wiener
6.3 Lọc thích nghi
6.4 Lọc Kalman
Chương 7: Periodogram - Correlogram ……………………………………………………… 71
7.1 Periodogram
7.2 Tính chất
7.3 Cửa sổ
7.4 Biến thể của periodogram
7.5 Correlogram
7.6 Ước lượng hàm tương quan
7.7 Ước lượng mật độ phổ công suất
Chương 8: Mô hình AR, MA, ARMA………………………………………………………… 77
8.1 Mô hình AR
8.2 Dự báo tuyến tính và phương pháp bình phương tối thiểu
8.3 Phương trình Yule-Walker
8.4 Phương pháp autocorrelation và covariance
8.5 Chuyển đổi liên tục rời rạc
8.6 Mô hình MA
8.7 Nhận dạng mô hình MA
8.8 Mô hình ARMA
8.9 Nhận dạng mô hình ARMA
Chương 9: Mô hình Prony và mô hình Pisarenko …………………………………………… 85
9.1 Mô hình Prony
9.2 Mô hình Pisarenko
------------------------------------------------------------------------------------------------------------------
TT Môn học Lớp TG Chương, mục Điểm

1 Xử lý tín hiệu PFIEV CĐT, VL 30 tiết Ch1, Ch2, Ch3, Ch6 (6.1, 6.4) BT: 20% Thi: 80%
2 Các tính chất phổ PFIEV VT, NL 30 tiết Ch7, Ch8, Ch9 BT: 20% Thi: 80%
3 Biểu diễn và xử lý tín PFIEV VT, NL 45 tiết Ch1, Ch2, Ch3, Ch5, Ch6 KT: 20% BTL: 10%
hiệu ngẫu nhiên TN: 10% Thi: 60%
4 Xử lý tín hiệu School of 30 tiết Ch1, Ch2, Ch3, Ch4 KT: 20% Thi: 50%
Engineering TN: 30%
Chương 1 TÍN HIỆU VÀ HỆ THỐNG LIÊN TỤC
1.1 KHÁI NIỆM CHUNG

1. Giới thiệu: Tín hiệu là hàm của một hoặc nhiều biến độc lập (thời gian, không gian…) mang thông
tin về hành vi hoặc bản chất của các hiện tượng (vật lý, kinh tế, xã hội…)
Tín hiệu điện Tín hiệu âm thanh
Giá đồng (USD/Ton từ1986 đến 2011)
Điện tâm đồ
Tín hiệu ảnh
Nhiệt độ và lượng mưa

Xử lý tín hiệu → Trích xuất thông tin từ tín hiệu
Các thành phần của tín hiệu điện não EEG Tiết bị đo tín hiệu EEG và vị trí các điện cực
Phân loại tín hiệu điện não

Tín hiệu Tần số (Hz) Biên độ (µV) Trạng thái xuất hiện
a) Delta <4 < 100 Ngủ, mơ
b) Theta 4-8 < 100 Thất vọng
c) Alpha 8 - 13 < 10 Thư giãn, nghỉ ngơi
d) Beta 13 - 30 < 20 Suy nghĩ, bận rộn
e) Gamma 30 - 100 <2 Thiền định
2. Định nghĩa
• Tín hiệu nhân quả: x(t) = 0 ∀ t < 0
• Tín hiệu phản nhân quả: x(t) = 0 ∀ t > 0
• Tín hiệu không nhân quả: x(t) ≠ 0 ∃ t < 0
+∞
• Năng lượng của tín hiệu x(t): Ex =
∫ -∞ |x(t)|2 dt
Nếu Ex tồn tại ⇒ x(t) là tín hiệu năng lượng
1 T
• Công suất của tín hiệu x(t): Px = lim T→∞
2T ∫- T
|x(t)|2 dt
Nếu Px tồn tại và khác 0 ⇒ x(t) là tín hiệu công suất

1 T
• Công suất của tín hiệu chu kỳ: Px = ∫ |x(t)|2 dt
T 0
3. Các phép biến đổi thời gian

• Phép dịch thời gian
• Phép đảo thời gian
Phân tích tín hiệu thành thành phần chẵn và lẻ

x(t) = xe(t) + xo(t)
x ( t ) + x (− t )
xe(t) chẳn: xe(t) =
2
x ( t ) − x (− t )
xo(t) lẻ: xo(t) =
2
• Phép tỷ lệ thời gian
4. Các tín hiệu thông dụng

1, t > 0
• Bước nhảy đơn vị (unit step): 1( t ) = 
0, t < 0
 +∞, t = 0 +∞
• Xung Dirac (unit impulse) : δ (t ) = 
0 , t ≠ 0
và ∫−∞ δ( t)dt = 1
+∞
Tính chất: f ( t ) = ∫ f ( τ)δ(t − τ)dτ , ∀f(t)
−∞
1.2 CHUỔI FOURIER (TÍN HIỆU TUẦN HÒAN)
2π
x(t) có chu kỳ T → tần số góc cơ bản ωo =
T
1) Dạng lượng giác
+∞
x(t) = Xo + ∑ (S sin(kω t) + C cos(kω t) )
k=1
k o k o
1 T 2 T 2 T
T ∫0 T ∫0 T ∫0
Xo = x(t)dt , Sk = x(t)sin(kωo t)dt , Ck = x(t)cos(kωo t)dt
2) Dạng phức
+∞ +∞
x(t) = ∑ X& k ekωo t = Xo +
k=-∞
∑ 2|X& |cos(kω t+ϕ
k=1
k o k )
& = 1 T x(t)e-jkωo t dt = | X
T ∫0
X & | ∠ϕk
k k
+∞
1 T
T ∫0
Đẳng thức Parseval: Px = | x ( t ) | 2
dt = ∑ | X& k |2
k = −∞
&
3) Phổ biên độ và phổ pha rời rạc | X k | ∠ϕk
Ví dụ:
1.3 BIẾN ĐỔI FOURIER (TÍN HIỆU KHÔNG TUẦN HÒAN)

1) Định nghĩa
+∞ +∞
X(f) = ∫−∞ x(t)e-j2πftdt ⇔ x(t) = ∫−∞ X(f)ej2πftdf
+∞ +∞
Ví dụ 1: x(t) = δ(t) ⇒ X(f) = ∫−∞ δ(t)e-j2πftdt = ∫−∞ δ(t)dt = 1
+∞ +∞
Ví dụ 2: X(f) = δ(f) ⇒ x(t) = ∫−∞ δ(f)ej2πftdf = ∫−∞ δ(f)df = 1
+∞ +∞
Ví dụ 3: x(t) = e j2 πfo t ⇒ X(f) = ∫−∞ e j2 πfo t e-j2πftdt = ∫−∞ e− j2π(f − f o ) t dt = δ(f-fo)
Bảng biến đổi Fourier

x(t) X(f) x(t) X(f)
δ(t) 1 1 δ(f)
e j2 πfo t δ(f-fo) e-αt1(t)

1
j2πf + α
1 1
sin(2πfot) [δ(f-fo) - δ(f+fo)] cos(2πfot) [δ(f-fo) + δ(f+fo)]
2j 2
1 1 1
sign(t) 1(t) δ(f) +
jπf 2 j2πf
2) Tính chất của biến đổi Fourier

Tuyến tính y(t) = a1x1(t) + a2x2(t) ⇔ Y(f) = a1X1(f) + a2X2(f)
Dịch theo t y(t) = x(t±T) ⇔ Y(f) = X(f)e±j2πfT
Dịch theo f y(t) = x(t) e j2 πfo t ⇔ Y(f) = X(f-fo)
dx
Đạo hàm theo t y(t) = ⇔ Y(f) = j2πfX(f)
dt
dX
Đạo hàm theo f y(t) = -j2πtx(t) ⇔ Y(f) =
df
1 f
Time and frequency scaling y(t) = x(at) ⇔ Y(f) = X( )
a a
Symmetry If F{x(t)} = X(f) then F{X(t)} = x(-f)
+∞
Chập theo t z(t) = x(t)*y(t) = ∫ -∞ x (τ) y( t − τ)dτ ⇔ Z(f) = X(f)Y(f)
+∞
Chập theo f z(t) = x(t)y(t) ⇔ Z(f) = X(f)*Y(f) = ∫ -∞ X ( λ ) Y ( f − λ ) dλ
1.4 BIẾN ĐỔI LAPLACE MỘT PHÍA

1) Định nghĩa
1 σ + j∞
X(s)e st ds
∫
+∞
X(s) = ∫ x(t)e-stdt x(t) =
0
j2π σ - j∞
2) Tính chất
Linearity y(t) = a1x1(t) + a2x2(t) ⇒ Y(s) = a1X1(s) + a2X2(s)
dx
y(t) = ⇒ Y(s) = sX(s) - x(0)
dt
Differentiation
dnx
y(t) = n
⇒ Y(s) = snX(s) - sn-1x(0) - sn-2x’(0) - ... - x(n-1)(0)
dt
t X(s)
Integration y(t) = ∫ 0
x(τ)dτ ⇒ Y(s) =
s
Initial value theorem lim s→∞ sX(s) = x(0+)
Final value theorem lim s→0 sX(s) = x(+∞)

y(t) = x(t-T)u(t-T) ⇒ Y(s) = e-TsX(s)
Shift in time
T>0
Complex shifting y(t) = e-atx(t) ⇒ Y(s) = X(s+a)
z(t) = x(t)*y(t) ⇒ Z(s) = X(s)Y(s)
Real convolution +∞
x(t)*y(t) = ∫ -∞
x(τ)y(t-τ)dτ
3) Bảng biến đổi Laplace

x(t) X(s) x(t) X(s)
1
δ(t) 1 1
s
1 ωo
t sin(ωot)
s2 s 2 + ω o2
n! s
tn cos(ωot)
s n +1 s 2 + ω o2
1 ωo
e-at e-at sin(ωot)
s+a (s + a) 2 + ω o2
1 s+a
te-at e-at cos(ωot)
(s + a) 2 (s + a) 2 + ω o2
1.5 BIẾN ĐỔI LAPLACE HAI PHÍA

+∞
X(s) = ∫−∞ x(t)e-stdt
1.6 HÀM TƯƠNG QUAN

1) Tín hiệu năng lượng
Năng lượng của tín hiệu
+∞ +∞ +∞ +∞
Ex =
∫ -∞ |x(t)|2 dt =
∫ -∞ x(t)x*(t) dt =
∫ -∞ ∫ -∞ X(f)ej2πft df x*(t) dt
+∞ +∞ +∞ +∞
=
∫ -∞ X(f)
∫ -∞ x*(t)ej2πft dt df =
∫ -∞ X(f)X*(f) df =
∫ -∞ |X(f)|2 df
+∞ +∞
⇒ Ex =
∫ -∞ |x(t)|2 dt =
∫ -∞ |X(f)|2 df (đẳng thức Parseval)
→ Sx(f) = |X(f)|2 (mật độ phổ năng lượng)

Hàm tương quan chéo giữa các tín hiệu x(t) và y(t)
+∞
rxy(τ) =
∫ -∞ x(t)y*(t-τ) dt
Hàm tự tương quan của tín hiệu x(t)

+∞
rx(τ) =
∫ -∞ x(t)x*(t-τ) dt
Tính chất của hàm tự tương quan

• rx(0) = Ex
• rx(0) ≥ | rx(τ) | , ∀τ
• nếu x(t) thực → rx(τ) là hàm chẳn (theo τ)
Định lý Wiener – Khintchine: Mật độ phổ năng lượng của tín hiệu x(t)
+∞ +∞ +∞
F{rx(τ)} =
∫ -∞ rx(τ)e-j2πfτ dτ =
∫ -∞ ∫ -∞ x(t)x*(t-τ) dt e-j2πfτ dτ
+∞ +∞
=
∫ -∞ x(t)e-j2πft
∫ -∞ x*(t-τ)ej2πf(t-τ) dt dτ
+∞ +∞
=
∫ -∞ x(t)e-j2πft dt
∫ -∞ x*(t’)ej2πft’ dt’ = X(f)X*(f) = |X(f)|2
+∞
⇒ Sx(f) =
∫ -∞ rx(τ)e-j2πfτdτ
Ví dụ: x(t) = 6e-2t1(t) → rx(τ), Sx(f), Ex

y(t) = 8e-5t1(t) → rxy(τ)
2) Tín hiệu công suất

Hàm tương quan chéo giữa các tín hiệu ngẫu nhiên x(t) và y(t)
1 T
rxy(τ) = E{x(t)y*(t-τ)} = lim T→∞
2T ∫ -T x(t)y*(t-τ) dt (giả thiết ergodic)
Hàm tự tương quan của tín hiệu ngẫu nhiên x(t)

1 T
rx(τ) = E{x(t)x*(t-τ)} = lim T→∞
2T ∫ -T x(t)x*(t-τ) dt (giả thiết ergodic)
Tính chất của hàm tự tương quan

• rx(0) = Px
• rx(0) ≥ | rx(τ) | , ∀τ
• nếu x(t) thực → rx(τ) là hàm chẳn (theo τ)
Công suất và hàm tương quan của tín hiệu chu kỳ

Ví dụ: x(t) = 6sin(2t) → rx(τ), Px
y(t) = 8sin(4t) → rxy(τ)
1.7 HỆ THỐNG TUYẾN TÍNH

1. Phân loại
Hệ thống động (dynamical system) ≠ hệ thống không có nhớ (memoryless system)
Hệ thống tuyến tính (linear system) ≠ hệ thống phi tuyến (nonlinear system)
Hệ thống bất biến (time invariant) ≠ hệ thống biến thiên theo thời gian (time varying system)
2. Biểu diễn hệ thống tuyến tính
- Biểu diễn bằng phương trình vi phân

- Biểu diễn bằng phương trình trạng thái
- Biểu diễn bằng hàm truyền đạt
Tính ổn định
B(s)
G(s) =
a n s n + a n −1s n −1 + a n − 2 s n − 2 + L + a1s + a o
Bảng Routh
a a − a n a n −3 a a − a n a n −5 b a − a n −1b n − 3
với b n −1 = n −1 n − 2 , b n − 3 = n −1 n − 4 , c n −1 = n −1 n − 3
a n −1 a n −1 b n −1
- Biểu diễn bằng đáp ứng xung
Tính nhân quả
Chập
+∞ +∞
y(t) = u(t)*h(t) = ∫ u(τ )h(t - τ )dτ = h(t)*u(t) = ∫ h(τ )u(t - τ )dτ
−∞ −∞
Tính chất của chập (tích chập, tích xếp):

- Giao hoán
- Phân phối với phép cộng
- Kết hợp
1.8 LỌC BUTTERWORTH VÀ LỌC CHEBYSHEV
1. Lọc Butterworth (maximal flat)
1
|H(jω)| =
2n
 ω
1 +  
 ωc 
|H(jω)|2 = H(s)H(-s) |s=jω
Hình 3.11: Lọc Butterworth Hình 3.12: Lọc Chebyshev
2. Lọc Chebyshev (equiripples)

1
|H(ω)| =
ω
1 + ε 2 C 2n ( )
ωo
với Cn(x) là đa thức Chebyshev bậc n:
C0(x) = 1
C1(x) = x
Cn(x) = 2xCn-1(x) - Cn-2(x)
Ví dụ: C2(x) = 2x2 - 1
C3(x) = 2x(2x2 - 1) - x = 4x3 - 3x
C4(x) = 2x(4x3 - 3x) - (2x2 - 1) = 8x4 - 8x2 + 1
C5(x) = 2x(8x4 - 8x2 + 1) - (4x3 - 3x) = 16x5 - 20x3 + 5x
C6(x) = 2x(16x5 - 20x3 + 5x) - (8x4 - 8x2 + 1) = 32x6 - 48x4 + 18x2 - 1
C7(x) = 2x(32x6 - 48x4 + 18x2 - 1) - (16x5 - 20x3 + 5x)
= 64x7 - 112x5 + 56x3 - 7x
C8(x) = 2x(64x7 - 112x5 + 56x3 - 7x) - (32x6 - 48x4 + 18x2 - 1)
= 128x8 - 256x6 + 160x4 - 32x2 + 1
3. Lọc elliptic
1
|H(jω)| =
ω
1 + ε 2 R 2n ( , L)
ωo
với ε là hệ số gợn, ωo là tần số cắt, Rn(x) là hàm hữu tỷ Chebyshev bậc n
Hình 3.13
BÀI TẬP
1.1) Cho hệ thống tuyến tính biểu diễn bởi phương trình vi phân
y& + 2y = u
a) Tìm đáp ứng xung h(t) và hàm truyền đạt H(s).
b) Tìm y(t) nếu u(t) = 1(t).
c) Tìm phổ biên độ và phổ pha của y(t) nếu u(t) = e-t1(t).
1.2) Cho hệ thống tuyến tính biểu diễn bởi phương trình vi phân
&y& + 2 y& + 5y = u
a) Tìm đáp ứng xung h(t) và hàm truyền đạt H(s).
b) Tìm y(t) nếu u(t) = 1(t).
c) Tìm phổ biên độ và phổ pha của y(t) nếu u(t) = e-t1(t).
1.3) Xác định lọc thông thấp Butterworth với ωc = 100rad/s, |H(j200)| < 0.2
1.4) Xác định lọc thông thấp Chebyshev với ωo = 100rad/s, |H(j200)| < 0.2, δ = 0.1
Chương 2 LẤY MẪU TÍN HIỆU
2.1 GIỚI THIỆU
Hình 2.1: Hệ thống điều khiển số (T: chu kỳ lấy mẫu)
Hình 2.2: Khâu lấy mẫu thực tế
2.2 KHÂU LẤY MẪU LÝ TƯỞNG
Hình 2.3: Khâu lấy mẫu lý tưởng
+∞
Tín hiệu lấy mẫu: s(t) = ∑ δ(t − kT)
k = −∞
+ ∞ , t = 0 +∞
với δ(t) là xung Dirac δ(t) = 
0 , t ≠ 0
và
∫− ∞ δ(t)dt = 1
Tín hiệu ra của khâu lấy mẫu lý tưởng
+∞ +∞
y*(t) = y(t)s(t) = ∑ y(kT)δ(t − kT) ⇒ Y*(s) = ∑ y(kT)e − kTs
k = −∞ k = −∞
Khai triển chuổi Fourier của tín hiệu lấy mẫu
1 + ∞ jkω t 2π
s(t) = ∑
T k=-∞
e o
với ωo =
T
+∞ +∞
1 1
⇒ y*(t) = y(t)s(t) = y(t)
T
∑e
k=-∞
jkωo t
⇒ Y*(s) =
T
∑ Y(s-jkω )
k=-∞
o
+∞
1
⇒ Y*(jω) =
T
∑ Y(j(ω-kω )) ⇒ Y*(jω) có chu kỳ = ωo ⇒ định lý Shanon.
k=-∞
o
2.3 KHÂU GIỮ BẬC KHÔNG (ZERO ORDER HOLD ZOH)
Hình 2.4: Khâu giữ bậc không

+∞
1 − e −Ts
u*(t) = ∑ u (kT )δ( t − kT ) ⇒ u(t) = u(kT) ∀ t ∈ [kT, kT+T) ⇒ ZOH(s) =
s
k = −∞
2.4 MÔ HÌNH HÓA HỆ THỐNG ĐIỀU KHIỂN SỐ
Hình 2.5: Mô hình hóa khâu lấy mẫu thực tế

Hình 2.6: Mô hình hóa hệ thống điều khiển số
2.5 HÀM TRUYỀN ĐẠT XUNG

1) Định nghĩa
Hình 2.7
Y(z) = Y*(s)
e Ts = z
+∞
∑ U(s − jkωe )
1
Y(s) = G(s)U*(s) = G(s)
T
k = −∞
+∞ +∞ +∞
∑ ∑ ∑ U(s − j(k + n)ωe )

1 1 1
Y*(s) = Y (s − jnωe ) = G (s − jnωe )
T T T
n = −∞ n = −∞ k = −∞
+∞ +∞
∑ ∑ U(s − jkωe ) = G*(s)U*(s)

1 1
= G (s − jnωe )
T T
n = −∞ k = −∞
⇒ Y(z) = G(z)U(z)
2) Tính chất
Y(s) = G(s)U*(s) ⇒ Y(z) = G(z)U(z)
Y(s) = X(s)e-nTs ⇒ Y(z) = X(z)z-n
1
3) Ví dụ: GP(s) = , T = 1s. Tìm hàm truyền đạt xung của hệ thống vòng kín.
1 + 10s
Chương 3 TÍN HIỆU VÀ HỆ THỐNG RỜI RẠC
3.1 BIẾN ĐỔI Z

∞
1) Biến đổi Z một phía X (z) = +
∑ x(k)z-k
k =0
k
Ví dụ: x(k) = 0.8
∞ ∞
1 z
+
X (z) = ∑ k -k
0.8 z = ∑ (0.8z-1)k =
−1
=
z − 0 .8
k =0 k =0 1 − 0 .8 z
Miền hội tụ ROC: |0.8z-1| < 1 ⇒ |z| > 0.8
∞
2) Biến đổi Z hai phía X(z) = ∑ x(k)z-k
k = −∞
|k|
Ví dụ: x(k) = 0.8
∞ −1 ∞ ∞ ∞
X(z) = ∑ 0.8|k|z-k = ∑ 0.8-kz-k + ∑ 0.8kz-k = ∑ 0.8kzk + ∑ 0.8kz-k
k = −∞ k = −∞ k =0 k =1 k =0
∞ ∞
0 .8 z z
= ∑ (0.8z) +k
∑ (0.8z-1)k = +
1 − 0 .8 z z − 0 .8
k =1 k =0
-1
Miền hội tụ ROC: |0.8z | < 1 và |0.8z| < 1 ⇒ 0.8 < |z| < 1/0.8
3) Tính chất của biến đổi Z

1 Tuyến tính y(k) = a1x1(k) + a2x2(k) ⇒ Y(z) = a1X1(z) + a2X2(z)
z
2 Nhân với ak y(k) = akx(k) ⇒ Y(z) = X( )
a
y(k) = x(k-n) ⇒ Y(z) = z-nX(z)
n −1
Dịch trong
Y+(z) = z-nX+(z) + ∑
k =0
x(k-n)z-k
3 miền thời n
gian (n>0) y(k) = x(k+n) ⇒ Y(z) = z X(z)
−1
Y+(z) = znX+(z) - ∑
k =− n
x(k+n)z-k
4 Giá trị cuối lim k→∞ x(k) = lim z→1 (1 – z-1)X(z)

5 Chập y(k) = x(k)*h(k) ⇒ Y(z) = X(z)H(z)
4) Bảng biến đổi Z

X(s) x(t) x(kT) X(z)
δo(k) 1
1 z
u(t) u(k)
s z -1
1 z
e-at e-akT
s+a z - e -aT
1 Tz
t kT
s2 (z - 1) 2
1 -at -akT Te −aT z

te kTe
(s + a) 2 (z − e − aT ) 2
ωo e− aTsin(ωoT)z
e-atsin(ωot) e-akTsin(ωokT)
(s + a) 2 + ω o2 z 2 - 2e-aT cos(ωoT)z + e- 2aT
s+a -at -akT z 2 − e −aT cos(ωoT)z

e cos(ωot) e cos(ωokT)
(s + a) 2 + ω o2 z 2 - 2e-aT cos(ωoT)z + e- 2aT
Nhận xét: Nếu X(s) có cực p thì X(z) có cực epT.
Hình 3.1
5) Biến đổi z ngược

10z + 5
Ví dụ: X+(z) =
(z − 1)(z − 0.2)
a) Phương pháp chia trực tiếp (direct division method)

10z + 5 10z −1 + 5z −2 10z −1 + 5z −2
X+(z) = = =
(z − 1)(z − 0.2) (1 − z −1 )(1 − 0.2z −1 ) 1 − 1.2z −1 + 0.2z − 2
10z-1 + 5z-2 ∟ 1 – 1.2z-1 + 0.2z-2

10z-1 + 17z-2 + 18.4z-3 + 18.68z-4 + …
⇒ x(0) = 0, x(1) = 10, x(2) = 17, …

b) Phương pháp tính (computational method)

10z + 5 10z + 5 X(z)
X+(z) = = = với U(z) = 1 = Z{δo(k)}
(z − 1)(z − 0.2) z − 1.2z + 0.2 U (z)
2
⇒ x(k) = 1.2x(k-1) – 0.2x(k-2) + 10δo(k-1) + 5δo(k-2)

với δo(k): Kronecker delta
⇒ x(0) = 0, x(1) = 10, x(2) = 17, …
c) Phương pháp khai triển thành phân thức tối giản (partial fraction expansion method)
X + (z) 10z + 5 25 18.75 43.75
= = + -
z z(z − 1)(z − 0.2) z z − 1 z − 0 .2
18.75 43.75
⇒ X(z) = 25 + -
−1
1− z 1 − 0.2z −1
⇒ x(k) = 25δ(k) + 18.75u(k) – 43.75(0.2)ku(k)
⇒ x(0) = 0, x(1) = 10, x(2) = 17, …
d) Phương pháp tích phân (inversion integral method)

n
1 + k −1
x(k) =
j2π ∫C
X ( z ) z dz = ∑ Ki
i =1
trong đó C là vòng tròn có tâm ở gốc tọa độ và chứa tất cả các cực của X+(z)zk-1
- Trường hợp zi là cực đơn: Ki = lim z → zi (z - zi)X(z)zk-1
1 d q −1
- Trường hợp zi là cực bội q: Ki = lim z → zi {(z - zi)X(z)zk-1}
(q − 1)! dz q −1
10z + 5
Ví dụ: X+(z) =
(z − 1)(z − 0.2)
(10z + 5)z k
X+(z)zk-1 = ⇒ x(k) = K1 + K2 + K3
z(z − 1)(z − 0.2)
(10z + 5)z k 25, k = 0
K1 = lim z → 0 {zX(z)zk-1} = lim z → 0 =
(z − 1)(z − 0.2) 0, k ≠ 0
(10z + 5)z k 15
K2 = lim z → 1 {(z - 1)X(z)zk-1} = lim z → 1 = = 18.75
z ( z − 0 .2 ) 0 .8
(10z + 5)z k 7
K3 = lim z → 0.2 {(z – 0.2)X(z)zk-1} = lim z → 0.2 = 0.2k = -43.75(0.2k)
z(z − 1) − 0.16
⇒ x(0) = 25 + 18.75 - 43.75 = 0
x(1) = 18.75 – 43.75(0.2) = 10
x(2) = 18.75 – 43.75(0.22) = 17
...
3.2 BIẾN ĐỔI FOURIER

1) Định nghĩa: DTFT (discrete time Fourier transform)
+∞
DTFT: X(ej2πf) = ∑ x(k)e-j2πfk
k =−∞
+1 / 2
IDTFT: x(k) = ∫−1/ 2 X(ej2πf)ej2πfkdf
2) Tính chất của biến đổi Fourier

1 Tuyến tính y(k) = a1x1(k) + a2x2(k) ⇒ Y(ej2πf) = a1X1(ej2πf) + a2X2(ej2πf)
2 Dịch tần y(k) = x(k) e j2 πf o k ⇒ Y(ej2πf) = X( e j2 π(f − f o ) )
3 Trể (n>0) y(k) = x(k-n) ⇒ Y(ej2πf) = e-j2πfnX(ej2πf)
+∞
4 Chập y(k) = x1(k)*x2(k) = ∑ x1 (n ) x 2 (k − n ) ⇒ Y(ej2πf) = X1(ej2πf)X2(ej2πf)
n = −∞
+∞ 1/ 2
Đẳng thức X1 (e j2πf )X *2 (e j2 πf )df
5
Parseval ∑ x1(k) x *2 (k) = ∫
−1 / 2
k = −∞
Chứng minh đẳng thức Parseval:

+∞ +∞ +1 / 2 +1 / 2 +∞
∑ x1(k) x *2 (k) = ∑ ∫−1 / 2 X1(e j2πf
)e j2πfk
df x *2 (k) = ∫
−1 / 2
X1(e j2πf
) ∑ x *2 (k)ej2πfkdf
k = −∞ k = −∞ k = −∞
1/ 2 j2πf
= ∫−1 / 2 X1 (e )X *2 (e j2 πf )df
3.3 HỆ THỐNG TUYẾN TÍNH
Hình 3.2
Y(z)
Hàm truyền đạt: H(z) = (sơ kiện zero)
U(z)
Đáp ứng xung: h(k) = Z-1{H(z)}
u(k) = δo(k) ⇒ y(k) = h(k)
Tính nhân quả: h(k) = 0 ∀k < 0
+∞ +∞
y(k) = u(k)*h(k) = ∑ u(n)h(k-n) = h(k)*u(k) = ∑ h(n)u(k-n)
n = −∞ n = −∞
z z z
Đáp ứng nấc: u(k) = 1(k) ⇒ U(z) = ⇒ Y(z) = H(z) ⇒ y(k) = Z-1{H(z) }
z −1 z −1 z −1
Tính nhân quả: y(k) = 0 ∀k < 0
p q
Biểu diễn bằng phương trình sai phân: y(k) = ∑ aiy(k-i) + ∑ biu(k-i)
i =1 i=0
Biểu diễn bằng phương trình trạng thái:
x(k+1) = Ax(k) + Bu(k)
y(k) = Cx(k) + Du(k)
H(z) = D + C(zI-A)-1B
Điều kiện ổn định: tất cả các cực nằm bên trong vòng tròn đơn vị
pz = epsT (T: chu kỳ lấy mẫu)
Tiêu chuẩn Jury: Ví dụ P(z) = 2z3 + 3z2 + 4z + 5 = 0
2 3 4 5
5 4 3 2
12 5 12 4 12 3
= -10,5 = -7 = -3,5
25 2 25 3 25 4
-3,5 -7 -10,5
1 − 10,5 − 3,5 1 − 10,5 − 7
= -9,3 = -4.7
− 10,5 − 3,5 − 10,5 − 10,5 − 3,5 − 7
-4.7 -9.3
1 − 9,3 − 4,7
= -6,9
− 9,3 − 4,7 − 9,3
Điều kiện ổn định (cần và đủ): tất cả các phần tử ở hàng lẻ trên cột 1 có cùng dấu.
3.4 LỌC SỐ
1) Lọc
Xét hệ thống hình 3.3. Quan hệ giữa tín hiệu vào x(n) và tín hiệu ra y(n) được xác định bởi
+∞
y(n) = ∑ gkx(n-k) (3.8)
k = −∞
với gk là đáp ứng xung của hệ thống. Lấy biến đổi Fourier hai vế của (3.8) ta được
Y(f) = G(f)X(f) (3.9)
trong đó G(f) là hàm truyền đạt của hệ thống.
Hình 3.3
Dải tần số có |G(f)| lớn được gọi là dải thông. Dải tần số có |G(f)| bé được gọi là dải chắn. Để tín
hiệu không bị méo dạng, ta cần có
y(n) = Gox(n-N) (3.10)
-jNf
Y(f) = Goe X(f) (3.11)
nếu mọi thành phần tần số của x(n) đều thuộc dải thông của lọc. Trong đó Go và N ≥ 0 là hằng số.
(3.10) cho thấy y(n) đồng dạng với x(n) và trể N bước lấy mẫu so với x(n). Hàm truyền đạt của lọc
lý tưởng
G e -jTf , f ∈ B
G(f) =  o (3.12)
 0 , f ∉B
2) Phân loại lọc

Theo dải thông: lọc thông thấp, lọc thông cao, lọc thông dải, lọc chắn dải (hình 2.1.2).
lọc thông thấp lọc thông cao lọc thông dải lọc chắn dải
Hình 3.4: Các loại lọc lý tưởng (f: tần số chuẩn hóa, tần số lấy mẫu f ↔ 0.5)
Theo chiều dài của đáp ứng xung: lọc FIR và lọc IIR
Theo giải thuật thực hiện: lọc không đệ quy (non recursive, transversal), lọc đệ quy (recursive) và
lọc dựa vào biến đổi Fourier rời rạc.
3) Các thông số của lọc thực tế

Hình 3.5 trình bày đáp ứng tần số tiêu biểu của một lọc thông cao thực tế. Chú ý rằng |G(f)| không là
hằng số trong dải thông và khác 0 trong dải chắn. Mặt khác giữa giải thông và dải chắn xuất hiện dải
chuyển tiếp. Các thông số đặc trưng cho lọc thực tế là
δ1: giá trị lớn nhất cuả |G(f)| trong dải chắn
δ2: độ gợn cuả |G(f)| trong dải thông
f2 - f1: bề rộng của dải chuyển tiếp.
Lọc thực tế càng gần với lọc lý tưởng khi δ1, δ2 và f2 - f1 càng bé.
Hình 3.5: Các thông số của lọc thực tế

3.4 TỔNG HỢP LỌC SỐ CÓ ĐÁP ỨNG XUNG DÀI HỬU HẠN (FIR)
Lọc FIR (finite impulse response)
L
y(n) = ∑ gkx(n-k) (3.13)
k=0
1) Phương pháp dựa vào biến đổi Fourier ngược đặc tính tần số của lọc lý tưởng
Ví dụ: Lọc thông thấp lý tưởng
Hình 3.6: Lọc thông thấp lý tưởng với tần số cắt fc = 0.05
f: tần số chuẩn hóa (tần số/tần số lấy mẫu), không có đơn vị.
0. 5 fc e j2πnf c − e -j2πnf c sin(2πnf c )
gn = ∫− 0.5 G o (f)e j2 πfn df = ∫− f c e j2πfn df = = 2f c
j2πn 2πnf c
sin(2πnf c )
gn = 2f c ,n∈Z (3.14)
2πnf c
(3.14) cho thấy lọc lý tưởng là hệ thống không nhân quả (do đó không thể thực hiện được) và có đáp
ứng xung dài vô hạn. Để có lọc với đáp ứng xung dài hữu hạn, ta loại bỏ các đáp ứng xung với n lớn
g n , − M ≤ n ≤ M
hn =  = gnwn (3.15)
0, n ≠
1, - M ≤ n ≤ M
với wn =  (3.16)
0, n ≠
là cửa sổ chử nhật. Hàm truyền đạt của lọc (3.15)
M
H(z) = ∑ gnz-n (3.17)
n = −M
(3.17) cho thấy H(z) là lọc không nhân quả, có đáp ứng xung dài hữu hạn. Để có lọc nhân quả ta có
thể dịch phải (làm trể) hn M bước lấy mẫu
M M 2M 2M
H (z) = z-M ∑ gnz-n = ∑ gnz-n-M = ∑ gm-Mz-m = ∑ h mz-m (3.18)
n = −M n = −M m =0 m =0
2M
⇒ H (z) = ∑ h nz-n (3.19)
n =0
sin(2π(n − M)f c )
với h n = gn-M = 2f c (3.20)
2π(n − M )f c
(3.19) cho thấy H (z) là lọc nhân quả với đáp ứng xung dài hữu hạn. Từ (3.15), hn = gnwn, ta có
H(ej2πf) = G(ej2πf)*W(ej2πf) (3.21)
Từ (3.18) và (3.21) ta có
H ( ej2πf) = H(ej2πf)e-j2πfM = [G(ej2πf)*W(ej2πf)]e-j2πfM (3.22)
j2πf
Với * là phép chập (convolution) và W(e ) là biến đổi Fourier của cửa sổ hình chử nhật (3.16)
M
e j2πfM − e − j2πf ( M +1) e − jπf (e j2πf ( M + 0.5) − e − j2πf ( M + 0.5) )
W(ej2πf) = ∑ e-j2πfk = =
k = −M 1 − e − j2πf e − jπf (e jπf − e − jπf )
sin( 2πf (M + 0.5))
⇒ W(ej2πf) = (3.23)
sin( πf )
2) Cửa sổ
1, - M ≤ n ≤ M
Cửa sổ chử nhật wn =  (3.24)
0, n khac
 M +1 - | n |
Cửa sổ tam giác (Bartlett) wn =  M + 1 , - M ≤ n ≤ M (3.25)
0 , n khac
 πn
Cửa sổ Hanning wn = 0.5 + 0.5cos( M + 1), - M ≤ n ≤ M (3.26)
0 , n khac
 πn
Cửa sổ Hamming wn = 0.54 + 0.46cos( M + 1), - M ≤ n ≤ M (3.27)
0 , n khac
 πn 2πn
Cửa sổ Blackman wn = 0.42 + 0.5cos( M + 1) + 0.08cos( M + 1), -M≤ n ≤ M (3.28)
0 , n khac
So sánh các loại cửa sổ
Cửa sổ Peak side-lobe Width of main lobe (f)
2
Chử nhật -13 dB
L +1
4
Bartlett -25 dB
L
4
Hanning -31 dB
L
4
Hamming -41 dB
L
6
Blackman -57 dB
L
Hình 3.7 trình bày đáp ứng xung h(n) và đáp ứng tần số |H(f)| của các lọc FIR với chiều dài N khác
nhau tổng hợp dùng biến đổi Fourier. Tất cả các lọc đều là lọc thông thấp với tần số cắt fc = 0.1. Ta
nhận thấy khi tăng N (tăng bề rộng cửa sổ chử nhật) dải chuyển tiếp của đáp ứng tần số |H(f)| thu
hẹp lại.
A) N = 21 B) N = 51
C) N = 101 D) N = 201
Hình 3.7: Đáp ứng xung h(n) và đáp ứng tần số |H(f)| của các lọc thông thấp
FIR (tần số cắt fc = 0.1) với chiều dài N khác nhau (cửa sổ chử nhật).
Hình 3.8 trình bày đáp ứng tần số |H(f)| và đáp ứng xung h(n) của các lọc thông thấp FIR có tần số
cắt fc = 0.1, chiều dài N = 101 và với cửa sổ chử nhật (A), cửa sổ tam giác (B), cửa sổ Von Hann
(C), và cửa sổ Hamming (D). Ta thấy các cửa sổ tam giác, Von Hann, và Hamming làm giảm độ
gợn của đáp ứng tần số |H(f)| và mở rộng dải tần số chuyển tiếp.
Hình 3.8: Đáp ứng tần số |H(f)| và đáp ứng xung h(n)
của các lọc thông thấp FIR có tần số cắt fc = 0.1, chiều dài N = 101
với các cửa sổ chử nhật (A), tam giác (B), Von Hann (C), và Hamming (D).
3.5 TỔNG HỢP LỌC SỐ CÓ ĐÁP ỨNG XUNG DÀI VÔ HẠN (IIR)
1) Phương pháp dựa vào phân bố của cực và zero
Ví dụ 1: Thiết kế lọc thông dải với
- Tần số giữa của dải thông π/4
- Bề rộng dải thông π/20
- Loại bỏ hoàn toàn các tần số 0 và π
Cực: p = re± jπ/4. Dải thông π/20 ≈2(1 - r) ⇒ r = 1 - π/40 = 0.92 ⇒ p = 0.92e± jπ/4
Zero: 1 và –1
H o (z - 1)(z + 1) H o (z 2 - 1)
Vậy: H(z) = =
(z - 0.92e jπ/4 )(z - 0.92e - jπ/4 ) z 2 - 1.3z + 0.84
|H(ejπ/4)| = 1 ⇒ Ho = 0.42
Hình 3.9: Cực và zero của lọc thông dải Hình 3.10: Cực và zero của lọc chắn dải
Ví dụ 2: Thiết kế lọc chắn dải với

- Tần số giữa của dải chắn π/4
- Bề rộng dải chắn π/20
± jπ/4
Zero: e
Cực: p = re± jπ/4. Dải chắn π/20 ≈2(1 - r) ⇒ r = 1 - π/40 = 0.92 ⇒ p = 0.92e± jπ/4
H o (z - e jπ/4 )(z − e -jπ/4 ) H o (z 2 - 2z + 1)
Vậy: H(z) = =
(z - 0.92e jπ/4 )(z - 0.92e - jπ/4 ) z 2 - 1.3z + 0.84
|H(1)| = 1 ⇒ Ho = 0.92
2) Phương pháp dựa vào lọc tương tự

Phương pháp biến đổi song tuyến tính (bilinear transform)
Ts
Ts/2 1+
z = eTs =
e
≈ 2 ⇒ z - z Ts ≈ 1 + Ts ⇒ Ts (z + 1) ≈ z – 1 ⇒ s = 2 z - 1
e − Ts / 2 Ts 2 2 2 T z +1
1−
2
Hd(z) = H a (s) s = 2(z -1)
T(z +1)
1 1 z +1
Ví dụ: Ha(s) = ⇒ Hd(z) = =
τs + 1 2τ(z - 1) 2τ 2τ
+ 1 ( + 1) z + 1 −
T(z + 1) T T
Quan hệ giữa tần số rời rạc và tần số liên tục:
2 e jΩT - 1 2 e jΩT / 2 - e -jΩT / 2 2 j2sin(ΩT/2) 2 ΩT
jω = = = = j tg( )
T e jΩT + 1 T e jΩT / 2 + e - jΩT / 2 T 2cos(ΩT/2) T 2
2 ΩT
⇒ ω = tg( )
T 2
(frequency warping)
Phép biến đổi song tuyến tính có các ưu điểm sau
- bảo toàn tính ổn định và tính cực tiểu pha
- bảo toàn tính phẳng nhất (maximal flat) của lọc Butterworth và tính equiripple của lọc Chebyshev
- đối với lọc thông thấp: H(jπ) = 0
Ví dụ: Thiết kế lọc thông thấp Butterworth có tần số cắt (3dB) Ωc = 0.2π, |H(0.4π)| ≤ -30dB
1 1
|H(0.4π)| = = ≤ 10-30/20 ⇒ n ≥ 4.29 ⇒ n=5
 tg(0.2π ) 
2n
1 + 2 . 236 2n
1 +  
 tg(0.1π ) 
Phương pháp đáp ứng xung bất biến (impulse-invariant filters)

n n
B(s) A
Lọc tương tự HC(s) =
A(s)
= ∑ s - pi ⇒ đáp ứng xung hC(t) = ∑ Aiep t i
i =1 i i =1
n n
A
⇒ hD(k) = ∑ A i e p kTi ⇒ Lọc số HD(z) = ∑ 1 - e p Ti z -1 i
i =1 i =1
(với T là chu kỳ lấy mẫu)
Ví dụ: Lọc thông thấp cấp 1

t kT
1 1 - 1 - 1/τ
HC(s) = ⇒ hC(t) = e τ ⇒ hD(k) = e τ ⇒ HD(z) =
τs + 1 τ τ 1 - e -T/τ z -1
Ví dụ: Lọc thông thấp Butterworth bậc 3 với tần số cắt 1 rad/s
1
HC(s) =
(s + 1)(s + 0.5 + j0.866)(s + 0.5 − j0.866)
1 − 0.5 + j0.2887 − 0.5 − j0.2887
= + +
s + 1 s + 0.5 + j0.866 s + 0.5 − j0.866
1 − 0.5 + j0.2887 − 0.5 − j0.2887
HD(z) = −T -1
+ -T(0.5+ j0.866) -1
+
1− e z 1− e z 1 − e -T(0.5− j0.866) z -1
z (−0.5 + j0.2887)z (−0.5 − j0.2887)z
= + +
z − e −T z−e -T(0.5+ j0.866)
z − e -T(0.5− j0.866)
3.6 BIẾN ĐỔI TẦN SỐ

ω c − ω' c
-1 sin( )
z' −α 2
Thông thấp → thông thấp: z-1 = α=
1 − αz' −1 ω + ω' c
sin( c )
2
ω c − ω' c
cos( )
z'-1 −α 2
Thông thấp → thông cao: z-1 = − α=
1 − αz' −1 ω + ω' c
cos( c )
2
2kα -1 k - 1 ω' +ω' c1
z'-2 − z' + cos( c2 )
Thông thấp → thông dải: z-1 = − k +1 k +1 α= 2
2kα -1 k - 1 -2 ω' −ω' c1
1− z' + z' cos( c2 )
k +1 k +1 2
ω ω' −ω' c1
k = tg( c )cotg( c2 )
2 2
2α -1 k - 1 ω' +ω' c1
z'-2 − z' − cos( c2 )
Thông thấp → chắn dải: z-1 = − k +1 k +1 α= 2
2α -1 k - 1 -2 ω' −ω' c1
1− z' − z' cos( c2 )
k +1 k +1 2
ω ω' −ω' c1
k = tg( c )tg( c2 )
2 2
Ví dụ: Chuyển lọc thông thấp
0.0030012(1 + z −1 ) 3
H(z) =
(1 − 0.8548248z −1 )(1 − 1.5751076z −1 + 0.7404914z −2 )
với tần số cắt ωc = 0.1π sang lọc thông thấp với tần số cắt ω’c = 0.3π.
0.1π − 0.3π
sin( )
2 z'-1 +0.5257311
Ta có α = = -0.5257311 ⇒ z-1 =
0.1π + 0.3π 1 + 0.5257311z' −1
sin( )
2
0.0514122(1 + z' −1 ) 3
⇒ H’(z’) =
(1 − 0.5977088z' −1 )(1 − 0.479047 z' −1 +0.5013543z' −2 )
BÀI TẬP
3.1) Cho hệ thống tuyến tính biểu diễn bởi phương trình sai phân
y(k+1) = 0.8y(k) + 2u(k)
a) Tìm đáp ứng xung h(k) và hàm truyền đạt H(z).
b) Tìm y(k) nếu u(k) = 1(k).
c) Tìm y(k) nếu u(k) = 1 khi k ≥ 0 và y(-1) = 0.5.
d) Tìm phổ biên độ và phổ pha của y(k) nếu u(k) = 0.8k1(k).
3.2) Cho hệ thống tuyến tính với đáp ứng xung
h(k) = 0.8k + 0.9k
a) Tìm hàm truyền đạt H(z).
b) Tìm y(k) nếu u(k) = 1(k).
c) Tìm y(k) nếu u(k) = 1 khi k ≥ -1 và y(-1) = y(-2) = -1.
Chương 4 BIỂU DIỄN TÍN HIỆU RỜI RẠC TRONG MIỀN TẦN SỐ RỜI RẠC
4.1 CHUỔI FOURIER RỜI RẠC CỦA TÍN HIỆU TUẦN HOÀN
1) Định nghĩa
Giả thiết x(n) có chu kỳ N, x(n) = x(n+mN), ∀m∈ Z
N-1 2π N-1
-j kn
X(k) = ∑
n=0
x(n) e N
= ∑
n=0
x(n) WNkn
N-1 2π N-1 2π
1 j kn 1 -j
x(n) =
N
∑
k=0
X(k) e N
=
N
∑
k=0
X(k) WN-kn với WN = e N
Hình 4.1
2π
-j
Ví dụ: x(n) = n, n = 0, 1, 2, 3, N = 4, W4 = e 4
= -j
X(0) = 6
2π 4π 6π
-j -j -j
X(1) = ( e 4
+ 2e 4
+ 3e 4
) = (-j - 2 + 3j) = (-2 + 2j)
4π 8π 12π
-j -j -j
X(2) = ( e 4
+ 2e 4
+ 3e 4
) = (- 1 + 2 – 3) = -2
6π 12π 18π
-j -j -j
X(3) = ( e 4
+ 2e 4
+ 3e 4
) = (j - 2 - 3j) = (- 2 - 2j)
2π 4π 6π
1 j n j n j n
Vậy x(n) = [ 6 + ( -2 + 2j ) e 4
- 2e 4
+ ( -2 -2j ) e 4
]
4
2) Tính chất
Tuyến tính: x(n) = a1x1(n) + a2x2(n) ⇒ X(k) = a1X1(k) + a2X2(k)
Đối xứng: x(n) thực ⇒ phần thực và module chẳn, phần ảo và argumen lẻ
Trễ: kn o
y(n) = x(n-no) ⇒ Y(k) = WN X(k )
4.2 BIẾN ĐỔI FOURIER RỜI RẠC (DFT) CỦA TÍN HIỆU CÓ CHIỀU DÀI HỮU HẠN
1) Định nghĩa: x(n) có chiều dài N
N-1 2π N-1
1 j kn 1
x(n) =
N
∑
k=0
X(k) e N
=
N
∑
k=0
X(k) WN-kn , 0 ≤ n ≤ N - 1 IDFT
N-1 2π N-1
-j kn
X(k) = ∑
n=0
x(n) e N
= ∑
n=0
x(n) WNkn , 0≤k≤N-1 DFT
2π
-j
với WN = e N
Ví dụ: x(n) = n, n = 0, 1, 2, 3
x(n) = 0, n < 0 hoặc n > 3
Hình 4.2
2π
-j
W4 = e = -j 4
X(0) = 6
2π 4π 6π
-j -j -j
X(1) = e 4
+ 2e 4
+ 3e 4
= -j - 2 + 3j = -2 + 2j
4π 8π 12π
-j -j -j
X(2) = e 4
+ 2e 4
+ 3e 4
= - 1 + 2 - 3 = -2
6π 12π 18π
-j -j -j
X(3) = e 4
+ 2e 4
+ 3e 4
= j - 2 - 3j = - 2 - 2j
2π 4π 6π
1 j n j n j n
Vậy x(n) = [ 6 + ( -2 + 2j ) e 4 - 2 e 4 + ( -2 -2j ) e 4 ], n = 0, 1, 2, 3
4
Dạng ma trận: Đặt
1 1 1 LL 1 
 −1 
 x ( 0)   X ( 0)  1
1 w N w 2Nx1 LL w N 
N
 x (1)   X (1)   
−
xN =   , XN =   , WN = 1 w N
2
wN2 x 2 2
LL w N ( N 1)

 M   M  M M 
     M LL M 
 x ( N − 1) X ( N − 1)
1 w N −1 w 2( N −1) LL w ( N −1)( N −1) 
 N N N 
−1 1 *
Ta có WN = WN
N
DFT: XN = WNxN
1 *
IDFT: xN = WN XN
N
2) Tính chất
Tuyến tính: x(n) = a1x1(n) + a2x2(n) ⇒ X(k) = a1X1(k) + a2X2(k)
Đối xứng: x(n) thực ⇒ phần thực và module chẳn, phần ảo và argumen lẻ
Trễ vòng: DFT{x(n-no)N} = WNkn X(k)N o
IDFT{X(k-ko)N} = WN-k n x(n)N o
Chập vòng: x(n)N = x1(n)N⊗Nx2(n)N ⇒ X(k) = X1(k)X2(k)

N-1 N-1
1
Đẳng thức Parseval: ∑
n=0
|x(n)N|2 =
N
∑
k=0
|X(k)N|2
Hình 4.3
x1 = {1, 2} (M = 2)
x2 = {3, 5, 4} (L = 3)
⇒N=L+M-1=4
⇒ x1 = {1, 2, 0, 0}, x2 = {3, 5, 4, 0}
y(n)4 = x1(n)4⊗4x2(n)4
⇒ y(0) = 3, y(1) = 11, y(2) = 14 ...
4.3 QUAN HỆ VỚI BIẾN ĐỔI Z VÀ BIẾN ĐỔI FOURIER (DTFT)

N-1 N-1 N-1 N-1 N-1
1 1
X(z) = ∑
n=0
x(n)z-n = ∑n=0 N
∑
k=0
X(k) WN-kn z-n =
N
∑
k=0
X(k) ∑ WN-kn z-n
n=0
N-1 N-1 N-1 -kN -N

1 1 1-W z
=
N
∑
k=0
X(k) ∑ ( WN-k z-1)n =
n=0 N
∑
k=0
X(k)
1-W z
N
-k -1
N
-N N-1
1-z X(k)
=
N
∑
k=0 1-WN-k z -1
4.4 ỨNG DỤNG CỦA DFT

1) Lọc
Hình 4.4
{u(n)} có chiều dài M, {h(n)} có chiều dài L ⇒ y(n) có chiều dài N = L+M-1
Bổ sung L – 1 zero vào {u(n)} → Tính {U(k)} với chiều dài N (DFT)
Bổ sung M – 1 zero vào {h(n)} → Tính {H(k)} với chiều dài N (DFT)
Tính Y(k) = H(k)U(k) với k = 1 : N-1 → Tính y(n) (IDFT)
Bài tập: x(n) = {1, 3, 2}, h(n) = {2, -1}. Tìm y(n) = x(n)*h(n)
2) Phân tích phổ

Bài tập: x(n) = {1, 3, 2, 4}. Ước lương X(ej2πf) dùng DFT
4.4 TÍNH TOÁN NHANH DFT (FFT)
Hình 4.5
Hình 4.6
X(k) = FFT{x(n)}
N-1 2π
1 -j kn 1
x*(n) =
N
∑
k=0
X*(k) e N
=
N
FFT{ X*(k)}
Hình 4.7
Hình 4.8
Hình 4.9
Chương 5 TÍN HIỆU NGẪU NHIÊN
5.1 NHẮC LẠI VỀ XÁC SUẤT

1. Định nghĩa:
Gọi Ω là tập hợp các sự kiện (biến cố, event) trong một phép thử. Tập họp Ω được gọi là không gian
mẫu (sample space). Ký hiệu
A : sự kiện A không xảy ra.
A+B: sự kiện A xảy ra hoặc B xảy ra hoặc A và B xảy ra đồng thời.
A-B: sự kiện A xảy ra và B không xảy ra.
AB: sự kiện A và B xảy ra đồng thời.
Ω: sự kiện chắc chắn
Φ: sự kiện không thể xảy ra
Xác suất P(A) thỏa mãn các tiên đề (axiom) sau

• 0 ≤ P(A) ≤ 1, ∀A∈Ω
• P(Ω) = 1, P(Φ) = 0
• A và B xung khắc (loại trừ nhau: mutually exclusive): P(AB) = 0
2. Tính chất
Định lý
• P( A ) = 1 – P(A)
• P(A+B) = P(A) + P(B) – P(AB)
Nếu A và B xung khắc: P(AB) = 0 ⇒ P(A+B) = P(A) + P(B)
Tổng quát nếu A1, A2, … , An là các biến cố đôi một xung khắc
P(A1+A2+…+An) = P(A1) + P(A2) + … + P(An)
• P(A/B) = P(AB)/P(B) xác suất A xảy ra khi B xảy ra
⇒ P(AB) = P(A/B)P(B) = P(B/A)P(A)
Nếu A và B là các biến cố độc lập ⇒ P(A/B) = P(A) ⇒ P(AB) = P(A)P(B)
Tổng quát: P(A1A2 … An) = P(A1)P(A2/A1) … P(An/A1A2 … An-1)
Chứng minh
P(A1A2 … An) = P(An/A1A2 … An-1)P(A1A2 … An-1)
= P(An/A1A2 … An-1)P(An-1/A1… An-2)P(A1A2 … An-2)
= P(An/A1A2 … An-1) P(An-1/A1… An-2)P(An-2/A1… An-3)P(A1… An-3)
= P(An/A1A2 … An-1) P(An-1/A1… An-2)P(An-2/A1… An-3) ... P(A2/A1) P(A1)
Ví dụ: Gieo súc sắc (dice). Gọi Ak là sự kiện xuất hiện mặt có giá trị bằng k với k = 1, 2, 3, 4, 5, 6.
Không gian mẫu: Ω = {A1, A2, A3, A4, A5, A6}. Nếu súc sắc hoàn toàn đối xứng
P(A1) = P(A2) = P(A3) = P(A4) = P(A5) = P(A6) = 1/6.
Gọi B là sự kiện xuất hiện mặt có giá trị bằng bội số của 3 và C là sự kiện xuất hiện mặt có giá trị
bằng bội số của 2. Do các sự kiện A1, A2, A3, A4, A5, A6 xung khắc nhau
P(B) = P(A3) + P(A6) = 1/3.
P(C) = P(A2) + P(A4) + P(A6) = 1/2.
Gọi D là sự kiện không xuất hiện mặt 6: P(D) = 1 - P(A6) = 5/6.
Gọi E là sự kiện xuất hiện mặt 2 hoặc mặt 3: P(E) = P(A2) + P(A3) = 1/3.
Gọi F là sự kiện xuất hiện mặt chẳn: P(F) = P(A2) + P(A4) + P(A6) = 1/2.
Xác suất xuất hiện mặt 2 nếu mặt chẳn xuất hiện: P(A2/F) = P(A2F)/P(F) = 1/3
Ví dụ: Giả thiết xác suất để một thiết bị có tuổi thọ trong khỏang thời gian t ∈ [t1, t2] được cho bởi
t2 3x10 − 9 t 2 (100 − t ) 2 , 0 ≤ t ≤ 100
P{t1 ≤ t ≤ t2} =
∫t 1
f(t)dt với f(t) = 
0 , elsewhere
70
Xác suất để thiết bị có tuổi thọ từ 60 đến 70 năm: P1 =
∫ 60 f(t)dt = 0.154
100
Xác suất để thiết bị có tuổi thọ trên 60 năm: P2 =
∫ 60 f(t)dt = 0.317
Xác suất để thiết bị hỏng sau khi sử dụng từ 60 đến 70 năm nếu tuổi thọ của thiết bị trên 60 năm
P
P3 = 1 = 0.486
P2
Định lý: A1, A2, … , An là 1 nhóm đầy đủ các biến cố (đôi một xung khắc và chắc chắn
một biến cố xảy ra)
• Công thức xác suất đầy đủ (total probability): với mọi biến cố F
n
P(F) = ∑ P(F / Ai )P(Ai )
i =1
• Công thức Bayes: với mọi k
P(F / A k )P(A k ) P(A k )P(F / A k )
P(Ak/F) = =
P(F) n
∑
P(A i )P(F / A i )
i =1
Chứng minh
• Ω = A1 + A2 + … + An ⇒ F = FΩ = FA1 + FA2 + … + FAn
⇒ P(F) = P(FA1) + P(FA2) + … + P(FAn)
n
= P(F/A1)P(A1) + P(F/A2)P(A2) + … + P(F/An)P(An) = ∑ P( F / A i ) P (A i )
i =1
P(F / A k )P(A k )
• P(AkF) = P(Ak/F)P(F) = P(F/Ak)P(Ak) ⇒ P(Ak/F) =
P(F)
Ví dụ: Một hộp chứa 3 banh đỏ và 2 banh trắng. Lấy ngẫu nhiên liên tiếp 2 banh. Tìm xác suất để
banh 1 đỏ và banh 2 trắng.
P(banh 1 đỏ) = 3/5.
P(banh 2 trắng / banh 1 đỏ) = 2/4.
P(banh 1 đỏ và banh 2 trắng) = P(banh 2 trắng / banh 1 đỏ)P(banh 1 đỏ) = 0,3.
Ví dụ: Bốn hộp chứa linh kiện

Số linh kiện tốt Số linh kiện hỏng
Hộp 1 1900 100
Hộp 2 300 200
Hộp 3 900 100
Hộp 4 900 100
Lấy ngẫu nhiên 1 linh kiện trong 1 hộp.

a) Tìm xác suất lấy phải linh kiện hỏng.
b) Tìm xác suất lấy trong hộp 2 nếu lấy phải linh kiện hỏng.
Gọi Ak là sự kiện lấy linh kiện trong hộp k, k = 1, 2, 3, 4, và B là sự kiện lấy phải linh kiện hỏng.
Các sự kiện A1, A2, A3, A4 tạo thành 1 nhóm đầy đủ các biến cố. Ta có
P(A1) = P(A2) = P(A3) = P(A4) = 1/4.
P(B/A1) = 1/20. P(B/A2) = 2/5. P(B/A3) = 1/10. P(B/A4) = 1/10.
4
a) P(B) = ∑ P(B/Ak)P(Ak) = 0.1625
k =1
b) P(A2/B)P(B) = P(B/A2)P(A2) ⇒ P(A2/B) = (2/5)(1/4)/0.1625 = 0.615
Ví dụ: Thảy đồng xu 2 lần liên tiếp. Biết xác suất có mặt xấp (X) là p và xác suất có mặt ngữa (N) là
q = 1–p. Gọi A là sự kiện xuất hiện mặt xấp ở lần 1 và B là sự kiện xuất hiện mặt xấp ở lần 2. Ta có
P(A) = pp + pq
P(B) = pp + qp
P(AB) = pp
P(A)P(B) = (pp + pq)(pp + qp) = pppp + 2pppq + ppqq = pp(pp + 2pq + qq) = pp
⇒ P(A)P(B) = P(AB): A và B là các sự kiện độc lập.
Ví dụ: Hai xe X và Y đến ga một cách ngẫu nhiên và độc lập nhau tại các thời điểm x và y
0 ≤ x ≤ T và 0 ≤ y ≤ T
Xe X dừng lại ga trong khoảng thời gian a. Xe Y dừng lại ga trong khoảng thời gian b.
a) Tìm xác suất để X đến ga trước Y.
b) Tìm xác suất để hai xe gặp nhau.
c) Giả thiết hai xe gặp nhau. Tìm xác suất để X đến ga trước Y.
Định nghĩa không gian xác suất bao gồm các cặp (x,y) tương ứng với 1 điểm trong hình vuông cạnh
T. Xác suất để t1 ≤ x ≤ t2 được xác định bởi 2 vạch thẳng đứng tại các điểm t1 và t2:
P(t1 ≤ x ≤ t2) = (t2-t1)/T.
Xác suất để t3 ≤ y ≤ t4 được xác định bởi 2 vạch nằm ngang tại các điểm t3 và t4:
P(t3 ≤ y ≤ t4) = (t4-t3)/T.
Xác suất để t1 ≤ x ≤ t2 và t3 ≤ y ≤ t4 được xác định bởi:
P(t1 ≤ x ≤ t2 và t3 ≤ y ≤ t4) = (t2-t1)(t4-t3)/T2.
Xác suất để X đến ga trước Y: P( x < y ) = 1/2
Xác suất để hai xe gặp nhau. Điều kiện để 2 xe gặp nhau: y ≤ x+a và x ≤ y+b ⇔ -a ≤ x - y ≤ b
P( -a ≤ x - y ≤ b) = [T2 - (T-a)2/2 - (T-b)2/2]/ T2
Xác suất để X đến ga trước Y và hai xe gặp nhau: : y ≤ x+a và x < y ⇔ -a ≤ x - y < 0
P(-a ≤ x - y < 0) = [T2/2 - (T-a)2/2]/ T2
Xác suất để X đến ga trước Y nếu hai xe gặp nhau: P(-a ≤ x - y < 0)/ P( -a ≤ x - y ≤ b)
5.2 BIẾN NGẪU NHIÊN

1. Định nghĩa: x: Ω → R
2. Hàm phân phối xác suất (probability distribution function): Fx(α) = P{x < α}
Tính chất:
• Fx(α) là hàm không giảm khi α tăng
• Fx(-∞) = 0
Fx(+∞) = 1
• P(a ≤ x < b) = Fx(b) - Fx(a)
d
3. Hàm mật độ xác suất (probability density function): fx(α) = Fx(α)
dα
Tính chất:
• fx(α) ≥ 0
+∞
•
∫ − ∞ f x ( α ) dα = 1
b
•
∫ a f x (α)dα = P(a ≤ x < b)
α
•
∫ − ∞ f x (α)dα = F (α)x
Ví dụ: Gieo súc sắc. Định nghĩa biến ngẫu nhiên x = i.
Hình 5.1: Hàm phân phối xác suất và hàm mật độ xác suất của ví dụ gieo súc sắc.
1 6 1 6
Fx(x) = ∑
6 k =1
1( x − k ) ⇒ fx (x) = ∑ δ(x − k)
6 k =1
( x − m )2
1 −
2 σ2 1 x−m
Ví dụ: Biến ngẫu nhiên Gaussian fx(x) = e ⇒ Fx(x) = +erf( )
2 πσ 2 σ
(erf: error function)
ak
Ví dụ: Biến ngẫu nhiên Poisson P(x=k) = e− a , k = 0, 1, 2, …
k!
(a > 0: thông số của biến ngẫu nhiên.)
∞ ∞ k
−a ak −a a
Fx(x) = ∑e k!
1( x − k ) ⇒ fx(x) = e ∑ δ( x − k )
k!
k =0 k =0
0 ,x< a
 1 x − a
 , a≤x≤b 
Ví dụ: Phân bố đều fx(x) =  b − a ⇒ Fx(x) =  , a≤x≤b
0 , x khac b − a
1 ,x> b
+∞
4. Trung bình theo tập hợp (kỳ vọng toán học): mx = E{x} = ∫
−∞
αf x (α)dα
+∞
5. Phương sai (variance): Var{x} = σ 2x = E{[x- mx]2} = ∫ −∞
[x- mx]2fx(α)dα
Độ lệch chuẩn (standard deviation): σx
x2
−
1 2
Ví dụ: Biến ngẫu nhiên Gaussian fx(x) = e 2σ
2 πσ
1.3.5.7...(n − 1)σ n , n even
E{xn} = 
0 n odd
6. Hàm của biến ngẫu nhiên:
+∞
Tính chất: Nếu y = g(x) thì E{y} = ∫ −∞
g(α)fx(α)dα
Ví dụ 1: Xác định hàm mật độ xác suất của y = g(x) (hình 5.2) theo hàm mật độ xác suất của x.
fy(y)dy = P{y < g(x) < y+dy}
= P{x1 < x < x1+dx1 hoặc x2 +dx2 < x < x2 hoặc x3 < x < x3+dx3 } (do dx2<0)
= fx(x1)dx1 - fx(x2)dx2 + fx(x3)dx3 (sự kiện xung khắc)
dy dy dy
= fx(x1) + fx(x2) + fx(x3) (dy = g’(xi)dxi)
| g ' ( x1 ) | | g' ( x 2 ) | | g' ( x 3 ) |
f x ( x1 ) f (x ) f (x )
⇒ fy(y) = + x 2 + x 3
| g ' ( x1 ) | | g ' ( x 2 ) | | g ' ( x 3 ) |
Hình 5.2 Hình 5.3 Hình 5.4
Ví dụ 2: Xét hàm y = g(x) (hình 5.3)

FY(ym) = P(y ≤ ym) = 1
FY(yo) = P(y ≤ yo) = 0
FY(y4) = P(y ≤ y4) = P(x ≤ x4) = FX(x4)
FY(y1) = P(y ≤ y1) = P(x ≤ x1) + P(x2 ≤ x ≤ x3) = FX(x1) + FX(x3) - FX(x2)
1
Ví dụ 3: Xét hàm y = (hình 5.4)
x2
Cách 1
1 1 1 1 1 1
P(y ≥ yo) = P(- ≤x≤ ) = P(x ≤ ) - P(x ≤ - ) = FX( ) - FX(- )
yo yo yo yo yo yo
1 1
FY(yo) = 1 - P(y ≥ yo) = 1 + FX(- ) - FX( )
yo yo
Cách 2
1 1 1 1
FY(yo) = P(y ≤ yo) = P(x ≤ - ) + P(x ≥ ) = FX(- ) + 1 - FX( )
yo yo yo yo
1
Trường hợp x có phân bố đều trên [-c, c], fX(x) = , ta có
2c
1
−
yo
1 1 1 1
FX(-
yo
)= ∫ 2c
dx =
2c
(c-
y
)
−c o
1
yo
1 1 1 1
FX( )= ∫ dx = (c+ )
yo 2c 2c y o
−c
1
⇒ FY(yo) = 1-
c yo
Ví dụ 4: Cho biến ngẫu nhiên X với hàm phân phối FX(x). Xác định hàm phân phối FY(y) của biến
ngẫu nhiên Y = aX + b.
y−b y−b y−b
Trường hợp a > 0: ax + b ≤ y ⇒ x ≤ ⇒ P{Y ≤ y} = P{ X ≤ } ⇒ FY(y) = FX( )
a a a
y−b y−b y−b
Trường hợp a < 0: ax + b ≤ y ⇒ x ≥ ⇒ P{Y ≤ y} = P{ X ≥ } ⇒ FY(y) = 1 - FX( )
a a a
Ví dụ 5: Biến ngẫu nhiên Poisson x với thông số a

ak
P(X = k) = e− a , k = 0, 1, 2, …
k!
y = bx + c
k
y−c −a a
P(Y = y) = P(X = = k) = e
b k!
7. Hàm phân phối và hàm mật độ xác suất đồng thời

Joint distribution function: Fxy(α,β) = Pr{x < α, y < β}
∂2
Joint density function: fxy(α,β) = Fxy(α,β)
∂α∂β
Joint moment:
- Hàm tương quan: rxy = E{xy*}
- Covariance: cxy = Cov{x,y} = E{(x-mx)(y*-my*)}
cxy
- Hệ số tương quan: ρxy =
σx σy
Tính chất: ρxy ≤ 1
8. Biến ngẫu nhiên độc lập (statistically independent): fxy(α,β) = fx(α)fy(β)

Ví dụ: cho 2 biến ngẫu nhiên x và y. Định nghĩa biến ngẫu nhiên z = x + y
+∞ c− y
Fz(c) = P{z < c} = P{x+y < c} = ∫−∞ ∫−∞ f xy ( x, y)dxdy
dFz +∞
⇒ fz(c) =
dc
= ∫−∞ f xy (c − y, y)dy
Nếu x là và y là các biến ngẫu nhiên độc lập: fxy(c-y,y) = fx(c-y)fy(y)
⇒ fxy(c-y,y) = fx(c-y)fy(y)
+∞
⇒ fz(c) = ∫−∞ f x (c − y)f y ( y)dy = fx(c)*fy(c)
9. Biến ngẫu nhiên không tương quan (uncorrelated): E{xy*} = E{x}E{y*}

⇒ Cxy = E{(x-mx)(y*-my*)} = 0
⇒ Var{x+y} = Var{x} + Var{y}
10. Biến ngẫu nhiên trực giao (orthogonal): rxy = E{xy*} = 0

Các biến ngẫu nhiên có trung bình = 0 và không tương quan ⇒ trực giao
11. Bất đẳng thức Chebyshev:

X là biến ngẫu nhiên bậc 2 với trung bình mX, variance σ 2X
σ 2X
P{| x – mX | ≥ ε} ≤ , ∀ε > 0
ε2
Chứng minh
+∞
σ 2x = E{|x – mX|2} =
∫− ∞ (x – mX)2fX(x)dx ≥
∫ (x – mX)2fX(x)dx
|x − m X | > ε
≥
∫ ε2fX(x)dx = ε2
∫ fX(x)dx = ε2P{| x – mX | ≥ ε}
|x − m X | > ε |x − m X | > ε
12. Chặn trên của Chernoff:

Xét biến ngẫu nhiên X. Ta có
1(x-δ) ≤ eν(x-δ)
với ν ≥ 0 là thông số cần xác định bằng tối ưu hoá.
+∞ +∞
Ta có E{1(x-δ)} = ∫−∞ 1( x − δ)f x ( x )dx = ∫δ f x ( x )dx = P(X ≥ δ) ≤ E{ eν(x-δ)}
Chọn ν sao cho E{eν(x-δ)} min

d
⇒ E{e ν ( x −δ ) } = E{(x-δ)eν(x-δ)} = E{xeνx}e-νδ - δE{eνx}e-νδ = 0
dν
⇒ E{xeνx} - δE{eνx} = 0
13. Mean-square estimation - The orthogonality principle:

• Cho biến ngẫu nhiên x. Tìm a cực tiểu hóa E{(x-a)2} ?
Ta có E{(x-a)2} = E{x2} – 2aE{x} + a2
Đạo hàm theo a ⇒ -2E(x) + 2a = 0 ⇒ a = E(x) (1)
• Cho các biến ngẫu nhiên x và y. Tìm g(x) cực tiểu hóa E{(y-g(x))2} ?
Ta có f(x,y) = f(y | x).f(x)
+∞ +∞
⇒ E{(y-g(x))2} =
∫− ∞ ∫− ∞ (y-g(x))2f(xy)dxdy
+∞ +∞ +∞ +∞
=
∫− ∞ ∫− ∞ (y-g(x))2f(y | x)f(x)dxdy =
∫− ∞ f(x)
∫− ∞ (y-g(x))2f(y | x)dydx
+∞
Vì f(x) ≥ 0 và
∫− ∞ (y-g(x))2f(y | x)dy ≥ 0
+∞
⇒ E{(y-g(x))2} min khi
∫− ∞ (y-g(x))2f(y | x)dy min với mọi x
Tương tự (1)
+∞
g(x) =
∫− ∞ yf(y | x)dy = E(y | x) (2)
• Cho các biến ngẫu nhiên x và y. Tìm a và b cực tiểu hóa E{(y-(ax+b))2} ?
Với 1 giá trị cố định của a: (1) ⇒ b = E(y) – aE(x) = mY – amX
Với b vừa xác định
E{(y-(ax+b))2} = E{(y - (ax + mY – amX))2} = E{((y - mY) - a(x – mX))2}
= σy2 + a2σx2 - 2ρaσxσy
Đạo hàm theo a ⇒ 2aσx2 - 2ρσxσy = 0 ⇒ a = ρσy/σx
Vậy a = ρσy/σx, b = E(y) – aE(x) và giá trị cực tiểu là σy2(1-ρ2) (3)
với ρ = E((x-mX)(y-mY))/σxσy
• Nguyên lý trực giao (the orthogonality principle)

Cho các biến ngẫu nhiên x và y. Gọi a là hằng số cực tiểu hóa E{(y-ax)2}. Ta có
∂
E{(y-ax)2} = -2E{(y-ax)x} = 0
∂a
⇒ E{(y-ax)x} = 0: y – ax trực giao với x
Giá trị cực tiểu được cho bởi
E{(y-ax)2} = E{(y-ax)y} - aE{(y-ax)x} = E{(y-ax)y}
5.3 QUÁ TRÌNH NGẪU NHIÊN

Dãy các biến ngẫu nhiên ở các thời điểm liên tiếp {x(n)}
x: Ω x T → R
1) Luật thời gian (loi temporelle)

Hàm phân phối xác suất: Fx(t)(α) = P{x(t) ≤ α}
d
Hàm mật độ xác suất: fx(t)(α) = Fx(t)(α)
dα
Hàm phân phối xác suất đồng thời: Fk(α1,α2…,αk; t1,t2…,tk) = P{x(t1) ≤ α1, x(t2) ≤ α2…, x(tk) ≤ αk}
Quá trình Markov: ∀ n ≥ 2
P{x(n) ≤ αn / x(n-1) ≤ αn-1 và x(n-2) ≤ αn-2 … x(1) ≤ α1} = P{x(n) ≤ αn / x(n-1) ≤ αn-1}
⇒ Dựa vào luật thời gian bậc 1 và 2 có thể xây dụng luật thời gian bậc > 2
2) Momen
Trung bình (mean): mx(n) = E{x(n)}
Phương sai (variance): σ 2x (n) = E{|x(n) - mx(n)|2}
Auto-covarriance, inter-covarriance
Cx(k,l) = E{[x(k) - mx(k)][x*(l) – mx*(l)}
Cxy(k,l) = E{[x(k) - mx(k)][y*(l) – my*(l)}
Auto-correlation, cross-correlation
rx(k,l) = E{x(k)x*(l)}
rxy(k,l) = E{x(k)y*(l)}
Tính chất của hàm tự tương quan.
Quá trình ngẫu nhiên bậc 2: nếu momen bậc 2 tồn tại
E{||x(n)||2} < ∞, ∀n
với || || là chuẩn Euclidien.
3) Quá trình ngẫu nhiên dừng

x: Ω x T → R
• x dừng theo nghĩa chặt (stationnaire au sens strict) nếu P{x(t1) ≤ α1, …, x(tn) ≤ αn} không phụ thuộc
gốc thời gian.
• x dừng bậc k nếu momen bậc k không phụ thuộc gốc thời gian.
• x dừng theo nghĩa rộng (stationnaire au sens large, wide sense stationary) nếu x dừng bậc 2.
Ví dụ: x(t) = A cos(ωt + ϕ)
A và ω là các hằng số, ϕ là biến ngẫu nhiên có phân bố đều trên [-π,π]
1
 , −π≤α≤π
fϕ(α) =  2 π
 0 , α khaùc
A +π
mx(t) = E{x(t)} =
2π ∫−π
cos(ωt + ϕ)dϕ = 0
rx(t1, t2) = E{x(t1)x*(t2)} = A2E{cos(ωt1 + ϕ)cos(ωt2 + ϕ)}

A2 +π A2
=
2π ∫−π cos(ωt1 + ϕ)cos(ωt2 + ϕ)dϕ =
2
cos(ω(t1-t2): dừng bậc 2.
Ví dụ: x(t) = A1cos(ω1t + ϕ1), y(t) = A2cos(ω2t + ϕ2)

A1, A2, ω1, ω2 là các hằng số, ϕ1, ϕ2 là các biến ngẫu nhiên độc lập, có phân bố đều trên [-π,π]. Tìm
rxy(t1, t2).
Ví dụ: y(t) = ϕ
ϕ là biến ngẫu nhiên có phân bố đều trên [-π,π]
Tìm E{y(t)}, ry(t1, t2)
4) Hội tụ của quá trình ngẫu nhiên thực {xn} về biến ngẫu nhiên bậc 2 X
Xét dãy biến ngẫu nhiên x1, x2, x3, x4, . . . , xn-1, xn (1)
• Hội tụ chắc chắn (convergence everywhere (e.)): Nếu dãy
x1(ω), x2(ω), x3(ω), x4(ω), . . . , xn-1(ω), xn(ω) (2)
hội tụ ∀ω ∈ Ω ta nói dãy biến ngẫu nhiên (1) hội tụ chắc chắn. Giới hạn của (2) cũng là 1 biến ngẫu
nhiên và phụ thuộc vào ω.
• Hội tụ hầu như chắc chắn (convergence almost everywhere (a.e.), convergence with probability 1
(w.p.1), convergence presque surement): Nếu
lim {xn(ω)} = X(ω) khi n → ∞, ∀ω ∈ Ω’ với P(Ω’) = 1
Ta nói dãy biến ngẫu nhiên (1) hội tụ hầu như chắc chắn. Ta viết
P{xn(ω) → X(ω)} = 1 khi n → ∞
• Hội tụ theo trung bình bình phương (convergence in the mean square sense (m.s.), convergence en
moyenne quaratique): Nếu
E{| xn(ω) – X(ω) | 2} → 0 khi n → ∞
Ta nói dãy biến ngẫu nhiên (1) hội tụ theo trung bình bình phương.
• Hội tụ theo xác suất (convergence in probability (p.), stochastic convergence, convergence in
measure, convergence en probabilité). Xét dãy số phụ thuộc vào ε
P{| xn(ω) – X(ω) | > ε} (3)
Nếu (3) hội tụ về 0 ∀ε > 0,
P{| xn(ω) – X(ω) | > ε} → 0 khi n → ∞ , ∀ε > 0
Ta nói dãy biến ngẫu nhiên (1) hội tụ theo xác suất.
• Hội tụ theo phân bố xác suất (convergence in distribution (d.), convergence en loi): Nếu
Fx n (α) → FX(α) khi n → ∞, ∀α ∈ R
Ta nói dãy biến ngẫu nhiên (1) hội tụ theo phân bố xác suất.
So sánh các kiểu hội tụ:

Nếu xn hội tụ theo trung bình bình phương ⇒ xn hội tụ theo xác suất (the converse is not true).
Nếu xn hội tụ hầu như chắc chắn ⇒ xn hội tụ theo xác suất (the converse is not true).
Tiêu chuẩn Cauchy: điều kiện hội tụ | xn - xn+m | → 0 khi n → ∞ ∀m > 0.

Để kiểm tra tính hội tụ theo trung bình bình phương, ta tìm no sao cho E{|xn+m-xn|2} < ε khi n > no và
∀m > 0.
Để kiểm tra hội tụ tính hội tụ theo phân bố xác suất, ta khảo sát |Fx(n+m)(α)-Fx(n)(α)|.
Luật số lớn (law of large numbers): {xk} là dãy biến ngẫu nhiên độc lập, phân bố đều, với trung bình
mx, variance σ2.
n
1
⇒ y(n) =
n ∑ x k hội tụ theo xác suất về m khi n → ∞.
x
k =1
Chứng minh:
E{y(n)} = mx
σ2
Var{y(n)} =
n
σ2
⇒ P{|y(n) - mx| ≥ ε} ≤ , ∀ε > 0 ⇒ P{|y(n) - mx| ≥ ε} → 0 khi n → ∞.
nε 2
Tính chất: {xk} là dãy biến ngẫu nhiên bậc 2. xk hội tụ theo trung bình bình phương nếu và chỉ nếu
lim k→∞, m→∞ E(xkx*m) tồn tại, hữu hạn.
5) Tính liên tục, khả tích, khả vi

Cho tín hiệu ngẫu nhiên phức x thời gian liên tục
x: Ω x T → C
với hàm tự tương quan rx(t1,t2) và dãy các số thực {hk} khác 0, hội tụ về 0.
• x liên tục theo nghĩa trung bình bình phương tại to ∈ T nếu x(to+hk) hội tụ theo trung bình bình
phương về x(to) khi k → ∞.
• x khả vi theo nghĩa trung bình bình phương tại to ∈ T nếu tồn tại biến ngẫu nhiên x’(to) sao cho
x(t o + h k ) − x(t o )
hội tụ theo trung bình bình phương về x’(to) khi k → ∞.
hk
• I = [a,b] ; khoảng compact của R. Chia khoảng I sao cho t1 = a, tN = b. x khả tích theo nghĩa trung
N
bình bình phương trên I nếu ∑ x(t i )[t i +1 − t i ] hội tụ theo trung bình bình phương khi N → ∞.
i =1
Định lý: Cho tín hiệu ngẫu nhiên phức x thời gian liên tục
x: Ω x T → C
bậc 2, với hàm tự tương quan rx(t1,t2) và to ∈ T.
a) x liên tục theo nghĩa trung bình bình phương tại to nếu và chỉ nếu hàm tự tương quan rx(t1,t2) liên
tục tại (to,to)
lim rx (t o + u, t o + v) = rx (t o , t o )
u →0, v →0
b) x khả vi theo nghĩa trung bình bình phương tại to nếu và chỉ nếu
∂ 2 rx (t 1 , t 2 ) ∂ 2 rx (t 1 , t 2 )
=
∂t 1∂t 2 t1 = t 2 = t o
∂t 2 ∂t 1 t1 = t 2 = t o
c) x khả tích theo nghĩa trung bình bình phương trên khoảng [a,b] ⊂ T nếu và chỉ nếu rx(t1,t2) khả
tích trên [a,b]2
∫∫ r x (u, v)dudv ∈ C
[a, b]2
5.4 CÁC MÔ HÌNH CỦA TÍN HIỆU NGẪU NHIÊN

1) Tín hiệu ngẫu nhiên Gaussian (normal, chuẩn)
Biến ngẫu nhiên gaussian X: Ω → Rd
1 −1
1 - (x − m X )T C X (x − m X )
X = N(mX, CX) ⇒ f X(x) = e 2
( 2π ) d . det(C X )
với mX = E{X} là trị trung bình của X và CX = E{[X-mX][X-mX]T} là ma trận covariance, đối xứng
và xác định dương.
Tính chất:
a) Nếu X và Y là 2 biến ngẫu nhiên Gaussian thì Z = aX + bY là biến ngẫu nhiên Gaussian với mZ
= amX+ bmY.
b) Nếu X = N(0, CX) thì
• Tất cả momen lẻ bằng 0. Ví dụ: E{x1x2 … x2p+1} = 0.
• Tất cả các momen chẳn có thể suy ra từ CX.
Ví dụ: E{xixjxkxl} = CijCkl + CikCjl + CilCkj
Tín hiệu ngẫu nhiên gaussian: x: ΩxT→Rd là tín hiệu ngẫu nhiên gaussian ⇔ [X(t1) X(t2) … X(tk)]T
gaussian ∀t1, t2, … tk.
Định lý giới hạn trung tâm (théorème de la limite centrale, the central limit theorem): {x(k)} là dãy
biến ngẫu nhiên thực, độc lập, dừng bậc 2 với trị trung bình mX và ma trận variance - covariance CX
⇒ dãy biến ngẫu nhiên
n
1
y(n) = ∑ [x(k) - m X ]
n k =1
hội tụ theo phân bố về N(0, CX).
2) Tín hiệu ngẫu nhiên AR, MA, ARMA

Ồn trắng:
• Ồn trắng theo nghĩa mạnh (bruit blanc au sens fort): Tín hiệu ngẫu nhiên
e: Ω x T→ Cd
là ồn trắng theo nghĩa mạnh nếu
a) e dừng bậc 2
b) e có hàm auto-covariance E{[e(t)-me][e(t-τ)- me]H} = diag{ σ12 , σ 22 , … , σ d2 }δ(τ)
(với tín hiệu liên tục δ(τ) là phân bố Dirac, với tín hiệu rời rạc δ(τ) là Kronecker delta).
c) e(t) và e(t-τ) độc lập ∀t, ∀τ≠0.
• Ồn trắng theo nghĩa yếu (bruit blanc au sens faible): nếu e chỉ thỏa mãn 2 tính chất a và b.

Hàm tự tương quan của tín hiệu ồn trắng theo nghĩa mạnh, thực, vô hướng
σ 2 δ(τ) = E{[e(t)-me][e(t-τ)- me]} = re(τ) - m e2 ⇒ re(τ) = σ 2 δ(τ) + m e2
Nếu me = 0, ta có
re(τ) = σ 2 δ(τ)
⇒ Pe(f) = σ 2 = hằng số (f)

Tổng quát với tín hiệu ồn trắng theo nghĩa mạnh có me = 0
⇒ Pe(f) = diag{ σ12 , σ 22 , … , σ d2 }

Tín hiệu ồn trắng truyền qua hệ thống tuyến tính
e(k): ồn trắng với trung bình = 0, variance σ 2e = 1
H: tuyến tính, nhân quả, ổn định
bo b o2
• Tín hiệu AR bậc p: H(z) = p
⇒ Py(ej2πf) = 2
p
1+ ∑akz −k
1+ ∑ a ke − j2πfkT
k =1 k =1
T: chu kỳ lấy mẫu, -1/2T ≤ f ≤ 1/2T.

Nếu e ồn trắng theo nghĩa mạnh ⇒ e(n) và e(n-m) độc lập ∀m ≠ 0 ⇒ y(n) là quá trình Markov bậc
p: P{y(n) ≤ αo / y(n-1) ≤ α1,…,y(n - k) ≤ αk} = P{y(n) ≤ αo / y(n-1) ≤ α1,…,y(n - p) ≤ αp} ∀k>p.
q q 2
• Tín hiệu MA bậc q: H(z) = ∑b

k =o
k z −k
⇒ Py(e j2πf
)= ∑b
k =o
k e − j2πfkT
q q 2
∑b k =o
k z −k
j2πf
∑b
m =o
k e − j2πfmT
• Tín hiệu ARMA bậc (p,q): H(z) = p

⇒ Py(e )= p
1+ ∑akz −k
1 + ∑ a k e − j2πfkT
k =1 k =1
3) Tín hiệu ngẫu nhiên band hẹp

Định nghĩa: Tín hiệu ngẫu nhiên, thực, dừng theo nghĩa rộng, với mật độ phổ công suất tập trung
quanh tần số fo (sóng mang) với bề rộng ∆f giới hạn (∆f << fo).
Ví dụ 1: Lọc tín hiệu dừng theo nghĩa rộng dùng lọc thông thấp + điều chế với tần số sóng mang fo
x: Ω x T → R: tín hiệu ngẫu nhiên, thực, liên tục, dừng theo nghĩa rộng với mật độ phổ công suất
Px(f)
1, | f | < fc Px (f ), | f | < fc
H: lọc thông thấp lý tưởng, H(f) =  ⇒ Ps(f) = 
0, | f | > fc 0 , | f | > fc
z(t) = acos(2πfot+ϕ), a và fo: xác định, ϕ: biến ngẫu nhiên, độc lập với x(t), có phân bố đều trên [0,
2π]. Ta có
a2
E{z(t)} = 0 và E{z(t)z(t-τ)} = cos(2πfoτ) ⇒ z(t) dừng theo nghĩa rộng.
2
Tín hiệu điều chế y(t) = s(t)z(t). Ta có
a2
E{y(t)} = 0 và E{y(t)y(t-τ)} = rx(τ)cos(2πfoτ) ⇒ y(t) dừng theo nghĩa rộng.
2
Biến đổi Fourier:
a2 a2
Py(f) = [δ(f-fo) + δ(f+fo)]*Px(f) = [Px(f-fo) + Px(f+fo)]
4 4
Nếu fo >> fc thì y(t) là tín hiệu band hẹp, có tần số sóng mang fo và bề rộng phổ ∆f = 2fc.
Ví dụ 2: điều biên và điều pha

a(t), b(t): tín hiệu ngẫu nhiên thực, trung bình = 0, dừng tương hổ theo nghĩa rộng với hàm tự tương
quan ra(τ) = rb(τ), hàm tương quan chéo rab(τ) là hàm lẻ.
Ta có: rx(τ) = ra(τ)cos(ωoτ) + rab(τ)sin(ωoτ)
ry(τ) = ra(τ)cos(ωoτ) - rab(τ)sin(ωoτ)
⇒ x(t) và y(t) dừng theo nghĩa rộng.
Định nghĩa
c(t) = a2 (t ) + b2 (t ) , cos(ϕ(t)) = a(t)/c(t) và sin(ϕ(t)) = b(t)/c(t)
w(t) = a(t) + jb(t) = c(t)ejϕ(t)
z(t) = x(t) + jy(t) = c(t)ej(ωot + ϕ(t))
rw(τ) =
rz(τ) =
4) Quá trình ngẫu nhiên Poisson

Biến ngẫu nhiên Poisson: Biến ngẫu nhiên X có phân phối Poisson nếu
ak
P{X = k} = e −a
k!
a: tham số của phân phối Poisson.
Tính chất: E{X} = Var{X} = a.
Ví dụ: Nếu số người vào trạm điện thoại trong 30 phút là biến ngẫu nhiên Poisson với trị trung bình
= 3 ⇒ a = 3.
−3 35
⇒ Xác suất để có 5 người vào trạm điện thoại trong 30 phút = e = 0.1,
5!
Quá trình ngẫu nhiên Poisson
{Tn}: dãy biến ngẫu nhiên tăng chặt với giá trị trong R+
∀ω∈Ω, 0 < T1(ω) < T2(ω) < T3(ω) < …
Ti(ω): các thời điểm xảy ra biến cố, không đều nhau.
Định nghĩa dãy biến ngẫu nhiên Xn = Tn+1 – Tn , n ≥ 1 (khoảng thời gian giữa Tn+1 và Tn). Giả thiết
dãy {T1, X1, X2, X3 …} i.i.d. với hàm mật độ xác suất
f(x) = θe-θx1(x), θ > 0
Gọi N(t) là số biến cố xảy ra trong khoảng ]0,t]
(θt )k
P{N(t) = k} = e −θt : phân phối Poisson với tham số θt.
k!
5.5 LỌC QUÁ TRÌNH NGẪU NHIÊN

1) Định lý giao thoa: Tín hiệu liên tục
+∞ +∞
ry1y2(τ) = E{y1(t)y2*(t-τ)} = E{ ∫ h1(u)x1(t-u)du ∫ h2*(v)x2*(t-τ-v)dv}
−∞ −∞
+∞ +∞
= ∫−∞ ∫−∞ h1(u)h2*(v)E{x1(t-u)x2*(t-τ-v)}dudv
+∞ +∞
= ∫−∞ ∫−∞ h1(u)h2*(v)rx1x2(τ+v-u)dudv
+∞
Py1y2(f) = ∫−∞ ry1y2(τ)e-j2πfτdτ
+∞ +∞ +∞
= ∫−∞ ∫−∞ ∫−∞ h1(u)h2*(v)rx1x2(τ+v-u)e-j2πfτdudvdτ
+∞ +∞ +∞
= ∫−∞ ∫−∞ ∫−∞ h1(u)e-j2πfuh2*(v)ej2πfvrx1x2(τ+v-u)e-j2πf(τ+v-u)dudvdτ
+∞ +∞ +∞
= ∫−∞ ∫−∞ ∫−∞ h1(u)e-j2πfuh2*(v)ej2πfvrx1x2(w)e-j2πfwdudvdw
+∞ +∞ +∞
= ∫−∞ h1(u)e-j2πfudu ∫ h2*(v)ej2πfvdv ∫ rx1x2(w)e-j2πfwdw
−∞ −∞
⇒ Py1y2(f) = H1(f)H2*(f)Px1x2(f)
2) Định lý giao thoa: Tín hiệu rời rạc

+∞ +∞
ry1y2(m) = E{y1(n)y2*(n-m)} = E{ ∑ h1(u)x1(n-u) ∑ h2*(v)x2*(n-m-v)}
u = −∞ v = −∞
+∞ +∞
= ∑ ∑ h1(u)h2*(v)E{x1(n-u)x2*(n-m-v)}
u = −∞ v = −∞
+∞ +∞
= ∑ ∑ h1(u)h2*(v)rx1x2(m+v-u)
u = −∞ v = −∞
+∞
Py1y2(ej2πf) = ∑ ry1y2(m)e-j2πfm
m = −∞
+∞ +∞ +∞
= ∑ ∑ ∑ h1(u)h2*(v)rx1x2(m+v-u)e-j2πfm
m = −∞ u = −∞ v = −∞
+∞ +∞ +∞
= ∑ ∑ ∑ h1(u)e-j2πfuh2*(v)ej2πfvrx1x2(m+v-u)e-j2πf(m+v-u)
m = −∞ u = −∞ v = −∞
+∞ +∞ +∞
= ∑ ∑ ∑ h1(u)e-j2πfuh2*(v)ej2πfvrx1x2(w)e-j2πfw
m = −∞ u = −∞ v = −∞
+∞ +∞ +∞
= ∑ h1(u)e-j2πfu ∑ h2*(v)ej2πfv ∑ rx1x2(w)e-j2πfw
u = −∞ v = −∞ w = −∞
j2πf j2πf
⇒ Py1y2(e )H2*(e )Px1x2(ej2πf)
) = H1(e j2πf
1
⇒ Py1y2(z) = H1(z)H2*( )Px1x2(z)
z*
3) Hệ quả
• Biến đổi phổ dùng lọc
x1 = x2 = x, y1 = y2 = y, H1 = H2 = H ⇒ Py(f) = | H(ej2πf) |2 Px(f): argumen của H không ảnh hưởng
đến Py(f).
• x1 = x2 = x ⇒ Py1y2(f) = H1(f)H2*(f)Px(f): nếu phổ của H1(f) và H2(f) không phủ nhau thì y1 và y2
trực giao.
• Phân hoạch phổ (spectral factorization)
Tín hiệu liên tục: Py(s) = H(s)H*(-s*)Px(s)

1
Tín hiệu rời rạc: Py(z) = H(z)H*( )Px(z)
z*
Ví dụ: H(z) = 1 – az-1, Px(z) = 1

1 + a 2 , m = 0

⇒ Py(z) = [1 – az-1][1 – az] = 1 + a2 - az - az-1 ⇒ ry(m) = − a , m = ± 1
0 , m khaùc

Ví dụ: ry(m) = a|m| , -1 < a < 1
(1 - a 2 ) z
⇒ Py(z) =
(z - a)(1 - az)
1
Cực của Py(z): a, 1/a ⇒ cực của H(z): a, cực của H*( ): 1/a.
z*
1
Zero của Py(z): 0, ∞ ⇒ zero của H(z): 0, zero của H*( ): ∞.
z*
z 1 z −1 1
⇒ H(z) = , H*( ) = -1 = , Px(z) = 1 – a2
z-a z* z - a 1 - az
BÀI TẬP
5.1) Cho 2 biến ngẫu nhiên độc lập x và y với hàm mật độ xác suất lần lượt là αe-αx1(x) và βe-βx1(x).
Tìm hàm phân phối xác suất, mật độ xác suất, và trị trung bình của các biến ngẫu nhiên sau
y  x − y, x≥y
a) z= b) w = x – y c) s = 
x 0, x≤y
Bài giải
y
a) fz(α)dα = P{α < z ≤ α+dα} = P{α < ≤ α+dα}
x
E{| x - y | 2 }
5.2) Cho 2 biến ngẫu nhiên x và y. Hảy chứng tỏ P( | x-y | > ε ) ≤ .
ε2
5.3) Xét n biến ngẫu nhiên xk với E(xk) = m, Var(xk) = σ2, ∀k và E{(xi-m)(xj-m)} = 0 ∀i≠j. Định nghĩa
sample mean x và sample variance v
n n
∑xk ∑ (x k − x) 2
1 1
x = v =
n n
k =1 k =1
Tìm E( x ), Var( x ), và E( v ). Áp dụng bất đẳng thức Chebyshev tìm n để
P{m - ε ≤ x ≤ m + ε} ≥ 0.99
với ε = 0.1m.
mX
5.4) X là biến ngẫu nhiên dương với trung bình mX. Chứng tỏ P{x ≥ ε} ≤ , ∀ε > 0.
ε
+∞ +∞ +∞
Chứng minh: mX = E{x} =
∫− ∞ xfX(x)dx =
∫0 xfX(x)dx ≥
∫ε xfX(x)dx
+∞
≥ε
∫ε fX(x)dx = εP{x ≥ ε} 
5.5) Cho các quá trình ngẫu nhiên thực

p
y(n) = ∑ aky(n-k) + e(n)
k =1
w(n) = y(n) + v(n)
Trong đó e(n) và v(n) là các ồn trắng không tương quan với nhau với trung bình bằng 0, variance lần
lượt là σ 2e và σ 2v . Tìm mật độ phổ công suất của y(n) và w(n).
5.6) Tìm hàm tự tương quan và lọc làm trắng tín hiệu của các tín hiệu thực có mật độ phổ công suất sau
1 − 2z 2 + 5z − 2
a) Py(ejω) = b) Py(ejω) = 3 + 2cos(ω) c) Py(z) =
5 + 3cos(ω) 3z 2 + 10z + 3
5.7) Tìm mật độ phổ công suất và lọc làm trắng tín hiệu của các tín hiệu có hàm tự tương quan sau
a) ry(m) = δ(m) + 2(0.5)|m| b) ry(m) = 0.5|m| + 0.9|m|
5.8) Cho hệ thống với đáp ứng xung
h(n) = δ(n) + 0.6δ(n -1) + 0.2δ(n -2)
và tín hiệu vào có trung bình bằng 0 và hàm tự tương quan
ru(m) = 0.5|m|
Tìm variance, covariance và hàm tự tương quan của tín hiệu ra.
Hình P5.5
5.9) Cho mạch điện hình P5.5, trong đó e là nguồn áp ngẫu nhiên dừng theo nghĩa rộng, với trung bình
bằng 0, có hàm tự tương quan ru(τ) = e-λ|τ| với λ > 0. Tìm mật độ phổ công suất của e(t), u1(t), u2(t)
và mật độ phổ công suất chéo của u1(t) và u2(t).
5.10) {x(n)} là quá trình ngẫu nhiên thực i.i.d. (independent identically distributed) với hàm mật độ xác
suất
fx(u) = θe-θu1(u) , θ>0
L-1
1
Định nghĩa y(n) =
L
∑ x(n-k)
k =0
a) Chứng tỏ fx(u) thỏa mãn các tính chất của một hàm mật độ xác suất. Tìm kỳ vọng toán học và
hàm tự tương quan của x. Tín hiệu x(n) có dừng theo nghĩa rộng không? có phải là một ồn trắng
không ?
b) Tìm kỳ vọng toán học và hàm tự tương quan của y. Tín hiệu y(n) có dừng theo nghĩa rộng không
? có phải là một ồn trắng không ?
c) Tìm mật độ phổ công suất của tín hiệu yc(n) = y(n) – 1/θ.
d) Định nghĩa z(n) = [x(n) – 1/θ]2. Tìm hàm mật độ xác suất của z(n). Tìm các moments bậc 1 và 2
của z(n).
e) Định nghĩa xc(n) = x(n) – 1/θ. Người ta muốn ước lượng θ từ các dữ liệu xc(0), xc(1), … , xc(N-
1). Hảy đề xuất bộ ước lượng g thoả các điều kiện sau E{g} = 1/θ2. và limL→+∞ Var{g} = 0.
5.11) Cho các tín hiệu ngẫu nhiên, thực a(t) và b(t) với trung bình bằng 0, dừng theo nghĩa rộng, có các
hàm tự tương quan ra(τ), rb(τ), hàm tương quan chéo rab(τ). Định nghĩa
x(t) = a(t)cos(ωot) - b(t)sin(ωot)
với ωo là một hằng số thực.
a) Tìm E{x(t+τ)x(t)}. Chứng tỏ rằng x(t) dừng theo nghĩa rộng nếu và chỉ nếu ra(τ) = rb(τ) và rab(τ)
là hàm lẻ.
b) Giả thiết x(t) dừng theo nghĩa rộng. Định nghĩa các tín hiệu r(t) và ϕ(t)
a(t) b(t)
r(t) = a 2 (t) + b 2 (t) , cos(ϕ(t)) = , sin(ϕ(t)) =
r(t) r(t)
định nghĩa tín hiệu đối ngẫu
y(t) = a(t)cos(ωot) + b(t)sin(ωot)
và các tín hiệu phức w(t) = a(t) + jb(t), z(t) = x(t) + jy(t). Hảy biểu diễn w(t) và z(t) theo r(t) và
ϕ(t). Xác định mật độ phổ công suất của w(t) theo mật độ phổ công suất của a(t) và mật độ phổ
công suất chéo giữa a(t) và b(t). Xác định mật độ phổ công suất của z(t) theo mật độ phổ công
suất của x(t) và mật độ phổ công suất chéo giữa x(t) và y(t).
5.12) x1(t) và x2(t) có trung bình = 0, hàm tương quan r1(τ), r2(τ) và hàm tương quan chéo r12(τ). Định
nghĩa
x 1 ( t) 
y(t) = x1(t) + jx2(t),
z(t) =  
 x 2 ( t )
Tìm điều kiện để y(t) và z(t) là ồn trắng (Py(f) = const, Pz(f) = const).
5.13) Random walk (promenade aléatoire). Định nghĩa
n
x(n) = ∑ v(i) với v(n) = mv + e(n)
i =1
mv là hằng số xác định, e(n) là ồn trắng với trung bình bằng 0, variance = σ2. Tìm trung bình,
variance và covariance của x(n). x(n) có dừng không ?
5.14) Chuyển động Brown (quá trình ngẫu nhiên Wiener-Lévy). Định nghĩa
t
x(t) = ∫ v( t )dt
0
với v(t) = mv + e(t)
mv là hằng số xác định, e(t) là ồn trắng với trung bình bằng 0. Tìm trung bình, variance và
covariance của x(t). x(t) có dừng không ?
5.15) e(t): ồn trắng theo nghĩa rộng với trung bình = 0. H: hệ thống tuyến tính với đáp ứng xung h(t).
Hình P5.6
a) Tìm ry(τ). Tìm điều kiện để y(t) dừng bậc 2. Tìm điều kiện để y(t) liên tục theo nghĩa trung bình
bình phương. Tìm điều kiện để y(t) khả vi theo nghĩa trung bình bình phương và tìm hàm tự
tương quan của tín hiệu đạo hàm.
b) Áp dụng kết quả của câu a cho các trường hợp
1
 ,0≤t≤T 2 2
-at
h(t) = e 1(t) h(t) =  T h(t) = e − a t
0
5.16) Cho biến ngẫu nhiên X với hàm phân phối xác suất FX(x) và tín hiệu y(t). Tìm hàm phân phối xác
suất của y(t)
Fk(α1,α2,…,αk;t1,t2,…,tk) = P{y(t1) ≤ α1, y(t2) ≤ α2,…, y(tk) ≤ αk}
trong các trường hợp sau:
a) y(t) = x.
b) y(t) = xf(t) với f(t) là 1 tín hiệu dương, tiền định. Mở rộng ra trường hợp f(t) có thể âm.
c) y(t) = f(xt) với f(t) là 1 hàm đơn điệu chặt (strictement monotone).
5.17) Cho biến ngẫu nhiên X với hàm mật độ xác suất fX(x) và tín hiệu y(t) = e-xt. Tín hiệu y(t) có dừng
theo nghĩa rộng không ?
5.18) x1(t) và x2(t) là 2 tín hiệu ngẫu nhiên độc lập, dừng, với trung bình bằng 0, có mật độ phổ công suất
1, − B < f < B
P1(f) = P2(f) = 
0, | f | > B
Định nghĩa y1(t) = x1(t)cos(2πfot), y2(t) = x2(t)sin(2πfot), y(t) = y1(t) + y2(t). Các tín hiệu y1(t), y2(t),
y(t) có dừng theo nghĩa rộng không ? Tìm mật độ phổ công suất của y1(t), y2(t), y(t).
5.19) x(t) là tín hiệu ngẫu nhiên dừng, với trung bình bằng 0, hàm tự tương quan r(τ) thỏa r(T) = r(0).
Chứng tỏ x(t) = x(t-kT) hầu như chắc chắn và r(τ) là hàm có chu kỳ = T.
CM: Đặt y(t) = x(t)-x(t-T) ta có E{y(t)}= 0 và E{y2(t)} = 0 ⇒ P{|y(t)| ≥ ε} ≤ 0, ∀ε > 0 (bất đẳng
thức Chebyshev) ⇒ x(t) = x(t-T) hầu như chắc chắn
5.20) x(t) là tín hiệu ngẫu nhiên dừng, với trung bình bằng 0, hàm tự tương quan r(τ) thỏa r(T) = -r(0).
Chứng tỏ x(t) = (-1)kx(t-kT) hầu như chắc chắn và r(τ) là hàm có chu kỳ = 2T.
5.21) x(t) là tín hiệu ngẫu nhiên dừng, với trung bình bằng m, hàm tự tương quan r(τ). Định nghĩa
T
1
M=
T ∫
x ( t )dt
0
Xác định điều kiện để M hội tụ về m theo trung bình bình phương khi T → ∞. Xác định điều kiện để
M hội tụ về m hầu như chắc chắn khi T → ∞.
Giải: Ta có E{M} = m.
T T
1
∫ ∫
2
E{[M-m] } = E{[x(t)-m][x(t’)-m]}dtdt’
T2
0 0
Điều kiện đủ để M hội tụ về m theo trung bình bình phương khi T → ∞ là
T T
1
T2 ∫ ∫ E{[x(t)-m][x(t’)-m]}dtdt’ → 0 khi T → ∞
0 0
Đó cũng là điều kiện đủ để M hội tụ về m hầu như chắc chắn khi T → ∞.
5.22) x(k) là tín hiệu ngẫu nhiên dừng, với trung bình bằng m, hàm tự tương quan r(n). Định nghĩa
N −1
∑ x (k )
1
M=
N
k =0
Xác định điều kiện để M hội tụ về m theo trung bình bình phương khi N → ∞. Xác định điều kiện
để M hội tụ về m hầu như chắc chắn khi N → ∞.
Giải: Ta có E{M} = m.
N −1 N −1
∑ ∑
2 1
E{[M-m] } = E{[x(k)-m][x(i)-m]}
N 2 k =0 i =0
Điều kiện đủ để M hội tụ về m theo trung bình bình phương khi T → ∞ là
N −1 N −1
∑ ∑
1
E{[x(k)-m][x(i)-m]} → 0 khi N → ∞
N 2 k =0 i =0
Đó cũng là điều kiện đủ để M hội tụ về m hầu như chắc chắn khi N → ∞.
5.23) Cho tín hiệu ngẫu nhiên x(k) = ej(3k+1)Φ, với Φ là biến ngẫu nhiên có phân bố đều trên [0, 2π) và k là
1 số nguyên. x(k) có là ồn trắng theo nghĩa mạnh không ? x(k) có là ồn trắng theo nghĩa yếu không ?
hình P5.7 hình P5.8

5.24) Các hệ thống tuyến tính ở hình P5.7 có đáp ứng xung h1(t) = e 1(t), h2(t) = e-βt1(t) với α và β là các
-αt
số thực dương. Tín hiệu vào x(t) có hàm tự tương quan rx(τ) = e-|λτ|. Tìm hàm tự tương quan ry1(τ),
mật độ phổ công suất Py1(f), hàm tương quan chéo ry12(τ), mật độ phổ công suất chéo Py12(f)
5.25) Hệ thống hình P5.8 có hàm truyền đạt
z −1
1−
H(z) = 2
z −1
1−
3
x(k) có trung bình bằng 0, hàm tự tương quan rx(m) = 0.5|m|. Tìm hàm tự tương quan ry(m), mật độ
phổ công suất Py(z), hàm tương quan chéo rxy(m), mật độ phổ công suất chéo Pxy(z).
5.26) Cho tín hiệu ngẫu nhiên
x(k) = Acos(kω+ϕ) + e(k).
trong đó e(k) là ồn trắng với trung bình bằng 0, variance σe2. Trong trường hợp nào sau đây x(k)
dừng theo nghĩa rộng. Nếu x(k) dừng theo nghĩa rộng, tìm hàm tự tương quan rx(m) và mật độ phổ
công suất Px(z)
a) A là biến ngẫu nhiên Gaussian với trung bình bằng 0, variance σA2, ω và ϕ là hằng số.
b) ϕ là biến ngẫu nhiên có phân bố đều trên đoạn [-π, π], ω và A là hằng số.
c) ω là biến ngẫu nhiên có phân bố đều trên đoạn [ωo-∆, ωo+∆], A và ϕ là hằng số.
5.27) Cho quá trình ngẫu nhiên x(t) = p + qt trong đó p và q là các biến ngẫu nhiên độc lập với hàm mật
độ xác suất lần lượt là fp(p) và fq(q). Tìm hàm mật độ xác suất f(x,t) của x(t).
+∞
1 q
ĐS: f(x,t) = ∫
| t | −∞
f p (x − q)f q ( )dq
t
5.28) Cho quá trình ngẫu nhiên x(t) = acos(ωt) + bsin(ωt) trong đó a và b là các biến ngẫu nhiên độc lập,
có phân bố Gauss với E{a} = E{b} = 0, E{a2} = E{b2} = σ2 và ω là 1 hằng số. x(t) có dừng theo
nghĩa rộng không ?
n
5.29) Cho quá trình ngẫu nhiên x(t) = ∑ a k e jω t
k trong đó ak là các biến ngẫu nhiên không tương quan
k =1
với E{ak} = 0, E{|ak|2} = σk2. x(t) có dừng theo nghĩa rộng không ?
5.30) Cho quá trình ngẫu nhiên
n
x(t) = ∑
k =1
[akcos(ωkt) + bksin(ωkt) ]
trong đó ak và bk là các biến ngẫu nhiên không tương quan với E{ak} = E{bk} = 0, E{|ak|2} =
E{|bk|2} = σk2. x(t) có dừng theo nghĩa rộng không ?
1, x ≤ 0
5.31) Cho hệ thống xác định bởi y =  . Tìm E{y} và Ry(τ) theo hàm phân phối Fx(x).
0, x > 0
5.32) Cho quá trình ngẫu nhiên y(t) = x(t)2. Biết hàm mật độ xác suất của x(t) là fx(x,t). Tìm hàm mật độ
xác suất fy(y,t) của y(t).
N
5.33) Tìm trị trung bình và hàm tự tương quan của y(k) = ∑
i =1
x(k-i+1) với x(k) i.i.d.
5.34) Tìm trị trung bình mx(t) = E{x(t)} và auto-covariance E{(x(t1) – mx(t1))(x(t2) – mx(t2))} của tín hiệu
p
x(t) = ∑C e
k = -p
k
jk(ωo t + θ)
với C-k = C*k
{Ck} là dãy biến ngẫu nhiên bất kỳ, θ là biến ngẫu nhiên độc lập với {Ck}, phân bố đều trên [0, 2π).
5.35) Cho tín hiệu điều chế xung (pulse-code-modulation) lý tưởng
+∞
1, 0 ≤ t ≤ T/2
x(t) = ∑ Aip(t-iT) với p(t) = 
i =- ∞ 0, t ≠
{Ai} là dãy biến ngẫu nhiên i.i.d. với trung bình 0, có giá trị ±1. Định nghĩa y(t) = x(t-θ) với θ là
biến ngẫu nhiên độc lập với {Ai}, phân bố đều trên [0, T). Tìm auto-covariance của x(t) và y(t).
5.36) Cho tín hiệu điều chế QAM (quadrature-amplitude-modulation)
y(t) = x(t)cos(ωot) - z(t)sin(ωot)
x(t) và z(t) là các quá trình ngẫu nhiên độc lập với trung bình 0 và hàm tự tương quan Rx = Rz. Xác
định Ry(t1,t2).
5.37) Tìm hàm tương quan chéo Ryx của các tín hiệu hình 1, biết x(t) dừng theo nghĩa rộng
Hình 1 Hình 2 Hình 3

5.38) Tìm hàm tương quan chéo Rye của các tín hiệu hình 2, biết e là ồn trắng với trung bình 0 trong 2
trường hợp: tín hiệu liên tục và tín hiệu rời rạc.
k
5.39) Cho hệ thống hình 3 với y(k) = ∑ x(i) và z(k) = y(k) - y(k-n). x(k) là tín hiệu ngẫu nhiên i.i.d. với
i =1
trung bình 0 xuất hiện tại thời điểm k = 0. Tìm mật độ phổ công suất và variance của tín hiệu ra z(k).
 |f |
1 - , | f |< B
5.40) Lọc tín hiệu ngẫu nhiên dừng, ergodic x(t) với mật độ phổ công suất Px(f) =  B dùng
0 , | f |>B
1, | f | < f C
bộ lọc H(f) =  . Tìm trị trung bình và variance của các tín hiệu vào và ra bộ lọc.
0, | f | > f C
1, 0 ≤ k ≤ n
5.41) Cho hệ thống tuyến tính bất biến với đáp ứng xung h(k) =  kích thích bởi dãy biến
0, k ≠
ngẫu nhiên độc lập với trung bình 0 và variance σ2. Tìm mật độ phổ công suất và variance của tín
hiệu ra, hàm tương quan chéo và mật độ phổ công suất chéo giữa tín hiệu vào và ra.
5.42) Tìm mật độ phổ công suất của tín hiệu x(t) = z(t) – z(t-T), biết x(t) là ồn trắng với trung bình 0.
Chương 6 LỌC TỐI ƯU
6.1 LỌC FIR CỦA WIENER

1) Lọc
Hình 6.1
s(n): tín hiệu, e(n): nhiểu, không tương quan với s(n), x(n): tín hiệu lẩn nhiểu.
Lọc x(n) dùng lọc FIR bậc p
p p
H(z) = ∑ h k z − k ⇒ ŝ (n) = ∑ h k x(n - k)
k =0 k =0
Tín hiệu sai lệch
p
ε(n) = s(n) - ŝ (n) = s(n) - ∑ h k x(n - k)
k =0
Tìm các hệ số hk sao cho J cực tiểu
p
1 1 1
J=
2
E{|ε(n)|2} = E{|s(n) - ŝ (n)|2} = E{|s(n) -
2 2
∑ h k x(n − k) |2}
k=0
p p
∂J ∂ε *
Ta có = E{ε(n) } = E{-[s(n) - ∑ h k x(n - k) ]x*(n-i) } = -rsx(i) + ∑ h k rx (i − k)
∂h i ∂h i k =0 k=0
p
∂J
J cực tiểu:
∂h i
= 0 ⇒ rsx(i) = ∑ h k rx (i − k)
k =0
(phương trình Wiener Hopf). Dạng ma trận rsx = Rxh
 rsx (0)  rx (0) rx (−1) L rx (− p)  h 0 
 r (1)   r (1)  h 
sx x rx (0) L rx (1 − p)  1
với rsx =   , Rx =  , h= 
 M   rx (2) rx (1) O rx (2 − p)  M 
     
 rsx ( p)  rx ( p) rx (p − 1) L rx (0)   h p 
Nếu s(n) và e(n) trực giao (orthogonal): rse(i) = 0, ta có
• rsx(i) = E{s(k)x*(k-i)} = E{s(k)[s*(k-i) + e*(k-i)]} = rs(i) – rse(i)
⇒ rsx(i) = rs(i)
• rx(i) = E{x(k)x*(k-i)} = E{[s(k) + e(k)][s*(k-i) + e*(k-i)]}
⇒ rx(i) = rs(i) + re(i)
Ví dụ: Xác định lọc tối ưu FIR bậc 1 biết rs(m) = 0.8|m|, e(k) là ồn trắng với variance σ e2 = 0.2 (hình
6.1).
Phương trình Wiener Hopf
1  1.2 0.8 h 0 
rsx =   , R x =   , h= 
0.8  0 . 8 1. 2   h1 
 0 .7 
rsx = Rxh ⇒ h =   ⇒ H(z) = 0.7 + 0.2z-1
 0 .2 
Mật độ phổ công suất của tín hiệu s(n)
0.36
Ps(ejω) =
1.64 -1.6cos(ω )
Trước khi lọc
SNR = 10log10(rs(0)/ σ 2) = 7 dB
Sau khi lọc
1.2 0.8
r ŝ (0) = E{hTx xTh} = hTE{x xT}h = hT   h = 0.86
0.8 1.2 
r ê (0) = E{hTe eTh} = hT E{e eT}h = 0.2hTh = 0.106
SNR = 10log10(r ŝ (0)/ r ê (0)) = 9.1 dB
Ví dụ: Ví dụ trên với lọc FIR bậc 2.
2) Dự báo 1 bước (1 step ahead prediction)

Ví dụ: Dự báo tuyến tính
Hình 6.2
Dự báo giá trị của x(n+1) từ các giá trị x(n), x(n-1), x(n-2), … , x(n-L)
L
x̂ (n+1) = ∑
i=0
hix(n-i)
Tín hiệu sai lệch

L
e(n+1) = x(n+1) – x̂ (n+1) = x(n+1) – ∑
i=0
hix(n-i)
Hàm mục tiêu

L
J = E{e(n+1)2} = E{[ x(n+1) – ∑
i=0
hix(n-i)]2}
Xác định hi cực tiểu hóa J

∂J L
= -2E{x(n-i)[x(n+1) - ∑ hkx(n-k)] } = 0
∂h i k =0
L
⇒ rx(i+1) = ∑
k =0
hkrx(-i+k)
(phương trình Wiener Hopf).

Ví dụ: Xác định bộ dự báo 1 bước có cấu trúc FIR bậc 2. Biết rs(m) = 0.8|m|, e(k) là ồn trắng với
variance σ e2 = 0.2 (hình 6.1). So sánh với kết quả của ví dụ trên. Phân hoạch phổ x(n) để xác định
lọc.
Ví dụ: Dự báo tín hiệu ồn trắng: trường hợp x(n) = δ(n)
3) Dự báo nhiều bước
6.2 LỌC IIR CỦA WIENER

1) Lọc không nhân quả
Vấn đề: tìm lọc IIR H(z) để phục hồi tín hiệu s(n)
+∞
ŝ (n) = ∑
i = −∞
hix(n-i)
Hình 6.3
Hàm mục tiêu
+∞
ê(n) = s(n) - ŝ (n) = s(n) - ∑
i = −∞
hix(n-i)
J = E{ê(n)2}
Xác định hi cực tiểu hóa J
∂J ∂ê
= 2E{ê(n) } = -2E{ê(n)x*(n-i)} = 0
∂h i ∂h i
+∞
⇒ E{ê(n)x*(n-i)} = E{[s(n) - ∑
k = −∞
hkx(n-k)]x*(n-i)} = 0
+∞
⇒ rsx(i) = ∑
k = −∞
hkrx(i-k), ∀ i∈ Z
⇒ rsx(i) = hi*rx(i), ∀ i∈ Z
(tích chập)
⇒ Psx(z) = H(z)Px(z)
P ( z)
⇒ H(z) = sx
Px (z)
b
Ví dụ: s(n) = ε(n)
1 - az -1
với ε(n) và e(n) là ồn trắng không tương quan nhau, có variance lần lượt là 1 và σ2.
b2
Ps(z) =
(1 - az -1 )(1 - az)
b2
Px(z) = Ps(z) + σ2 = σ2 +
(1 - az -1 )(1 - az)
b2
Psx(z) = Ps(z) =
(1 - az -1 )(1 - az)
b2
⇒ H(z) =
b 2 + σ 2 (1 - az -1 )(1 - az)
2) Lọc nhân quả

+∞
ŝ (n) = ∑
i=0
hix(n-i)
Hàm mục tiêu

+∞
ê(n) = s(n) – ŝ (n) = s(n) – ∑
i=0
hix(n -i)
J = E{ê(n)2}
Xác định hk cực tiểu hóa J, k = 0, 1, 2 …
ˆ
∂J ∂e
= 2E{ê(n) } = -2E{ê(n)x*(n-k)} = 0
∂h k ∂h k
+∞
⇒ E{ê(n)x*(n-k)} = E{[s(n) – ∑ hix(n-i)]x*(n-k)} = 0
i=0
+∞
⇒ rsx(k) = ∑ hirx(k-i), ∀k = 0, 1, 2 … (1)
i=0
• Trường hợp x(n) là ồn trắng với variance = 1

1, k =i
⇒ rx(k-i) = 
0, k ≠i
rsx (k ), neáu k ≥ 0
(1) ⇒ hk = 
0 , neáu k < 0
⇒ hk = rsx(k)1(k)
+∞ +∞ −1 −1
⇒ H(z) = ∑ rsx(k)z-k = ∑ rsx(k)z-k - ∑ rsx(k)z-k = Psx(z) - ∑ rsx(k)z-k
k =0 k = −∞ k = −∞ k = −∞
(Psx(z): biến đổi Z 2 chiều của rsx(k))
⇒ H(z) = [Psx(z)]+
([Psx(z)]+: Psx(z) loại bỏ thừa số phản nhân quả)

• Trường hợp x(k) có phổ hữu tỷ: Px(z) = σ o2 Q(z)Q*(1/z*)

Lọc làm trắng x:
+∞
1
F(z) =
σ o Q(z)
= ∑
i = 0
fiz-i
+∞
ε(k) = F(z)x(k) = ∑
i = 0
fix(k-i)
Lọc IIR tối ưu của Wiener (từ ε(k) đến ŝ (k))

G(z) = [Psε(z)]+
+∞ +∞
Ta có rsε(m) = E{ ŝ (k)ε(k-m)} = E{ ŝ (k) ∑
i = 0
fix(k-m-i)} = ∑
i = 0
firsx(m+i)
+∞ +∞ +∞ +∞
Psε(z) = ∑ ∑ firsx(m+i)z-m = ∑ fizi ∑ rsx(m+i)z-(m+i)
m = −∞ i = 0 i = 0 m = −∞
Psx (z)
= Psx(z)F*(1/z*) =
σ o Q * (1/z*)
Psx (z)
⇒ G(z) = [ ]+
σ o Q * (1/z*)
Hình 6.4
Mặt khác gọi H(z) là lọc tối ưu nhân quả của Wiener (hình 6.4), ta có
 Psx (z)  1  Psx (z) 
H(z) = F(z)G(z) = F(z) [Psε (z)]+ = F(z)   = 2  Q * (1/z*) 
 σ o Q * (1/z*)  + σ o Q(z)  +
Ví dụ: s(n) = 0.8s(n-1) + v(n) với v(n) là ồn trắng, variance σ2v = 0.36, e(n) là ồn trắng, variance
σ2e = 1, không tương quan với v(n)
0.36
Ps(z) =
(1 - 0.8z -1 )(1 - 0.8z)
0.36 (1 - 0.5z -1 )(1 - 0.5z)
Px(z) = Ps(z) + Pe(z) = + 1 = 1.6
(1 - 0.8z -1 )(1 - 0.8z) (1 - 0.8z -1 )(1 - 0.8z)
1 - 0.5z -1 1 - 0.5z
⇒ Q(z) = , Q*(1/z*) = , σ o2 = 1.6
1 - 0.8z -1 1 - 0.8z
0.36
Psx(z) = Ps(z) =
(1 - 0.8z -1 )(1 - 0.8z)
Psx (z) 0.36 0.6 0.3z
= -1
= -1
+
Q * (1/z*) (1 - 0.8z )(1 - 0.5z) 1 - 0.8z 1 - 0.5z
0.6
với : thừa số nhân quả(cực = 0.8 < 1),
1 - 0.8z -1
0.3z
: thừa số phản nhân quả (cực = 2 > 1)
1 - 0.5z
 Psx (z)  0.6
⇒  Q * (1/z*)  = -1
  + 1 - 0.8z
1  Psx (z)  1 1 - 0.8z -1 0.6 0.375
⇒ H(z) =  Q * (1/z*)  = -1 -1
=
 + 1.6 1 - 0.5z 1 - 0.8z 1 - 0.5z -1
2
σ o Q(z) 
Dự báo 1 bước (one step ahead prediction)

+∞
x̂ (n+1) = ∑
i=0
hix(n-i)
+∞
ê(n) = x(n+1) – x̂ (n+1) = x(n+1) – ∑
i=0
hix(n -i)
Hàm mục tiêu: J = E{ê(n)2}

1  Psx (z)  1
⇒ H(z) = 2  Q * (1/z*)  = Q(z) [zQ(z)]+
σ Q(z) 
o +
+∞
Q(z) = ∑ qiz-i = qo + q1z-1 + q2z-2 + q3z-3 + …
i=0
+∞
⇒ zQ(z) =
i=0
∑ qiz-i+1 = qoz + q1 + q2z-1 + q3z-2 + …
⇒ [zQ(z)]+ = q1 + q2z-1 + q3z-2 + … = Q(z) - 1

1
⇒ H(z) = [zQ(z)]+ = 1 – 1
Q(z) Q(z)
Ví dụ: x(n) = 0.9x(n-1) – 0.2x(n-2) + v(n) với v(n) là ồn trắng, variance σ2v = 1
X(z) 1 1
= -1 - 2
=
V(z) 1 - 0.9z + 0.2z A(z)
1
Px(z) =
A(z)A(z-1 )
1
⇒ Q(z) = ⇒ H(z) = 1 – A(z) = 0.9z-1 – 0.2z-2
A(z)
6.3 LỌC THÍCH NGHI

1) Lọc thích nghi
Trường hợp tín hiệu không dừng: các thông số của lọc θ sẽ phụ thuộc vào thời điểm n.
p
~
ŝ (n) = ∑ h k x(n - k) = θ T
n xn
k =0
ê(n) = s(n) - ŝ (n) = s(n) - θ Tn ~

xn
p
1 1
J = E{ ê(n) } = E{| s(n) - ∑ h k x (n - k) |2}
2
2 2 k =0
Tìm hi sao cho J cực tiểu, i = 0, 1, 2, … , p.
Hình 6.5 Hình 6.5
2) Giải thuật “steepest descent”

θn+1 = θn - µ∇J
 ∂J 
 ∂h 
 o
 ∂J  1 1
∇J(n) =  ∂h 1  = ∇E{ê(n)2} = E{∇ê(n)2} = E{ ê(n)∇ê(n)} = -E{ ê(n) ~
x n}
 M  2 2
 ∂J 
 
 ∂h p 
⇒ θn+1 = θn + µE{ ê(n) ~ x n}
(µ: step size)
Trường hợp tín hiệu dừng:
 rsx (0)  rx (0) rx (1) L rx (p) 
 r (1)  r (1) r (0) L r (p − 1)
E{ê(n) x n} = E{ x ns(n) - x n x n θn } = 
~ ~ ~ ~  - x  θn = rsx – Rxθn
T sx x x
 M   M M M M 
   
rsx (p) rx (p) rx (p - 1)L rx (0) 
Nếu θn ≡ nghiệm của phương trình Wiener Hopf thì E{ê(n) ~ x n} = 0 ⇒ θn+1 = θn
Gọi θ là nghiệm của phương trình Wiener Hopf: rsx – Rxθ = 0, ta có
θn+1 – θ = θn – θ + µ[rsx – Rxθn] = θn – θ + µ[Rxθ – Rxθn] = θn – θ - µRx[θn – θ]
~
Đặt θ n = θn – θ
~ ~ ~ ~
θ n+1 = θ n - µRx θ n = [I - µRx] θ n
Vì ma trận tương quan Rx là ma trận đối xứng và xác định dương, nó có các trị riêng thực, dương và
có thể phân hoạch theo trị riêng
Rx = VDVT
với D là ma trận đường chéo chứa các trị riêng của Rx và V là ma trận trực chuẩn (VVT = VTV = I:
orthonormal) chứa các vectơ riêng tương ứng của Rx.
~ ~ ~ ~
θ n+1 = [I - µ VDVT] θ n = [VVT - µ VDVT] θ n = V[I - µD]VT θ n
~ ~
⇒ VT θ n+1 = [I - µD]VT θ n
~
Đặt θ n = VT θ n , U = I - µD: ma trận đường chéo với các phần tử 1 - µλ i trong đó λ i là các trị
riêng của ma trận tương quan Rx
⇒ θ n+1 = U θ n
⇒ điều kiện hội tụ | 1 - µλ i | < 1 ∀i
2
⇒ 0<µ<
λ max
Tính chất: trường hợp tín hiệu dừng, giải thuật lọc thích nghi “steepest descent” hội tụ về lời giải
2
của phương trình Wiener Hopf nếu 0 < µ <
λ max
Các bước:
• Khởi động trị θo
• n = 1, 2, 3, …
ước lượng E{ ê(n) ~
x n}
cập nhật θn+1 = θn + µ E{ ê(n) ~
x n}
3) Giải thuật LMS (Least Mean Square)

Thay thế E{ ê(n) ~
x n} bởi ê(n) ~
xn
⇒ ~
θn+1 = θn + µ x nê(n)
6.4 LỌC KALMAN

1) Hệ liên tục
Xét hệ thống với biểu diễn trạng thái
x& = Ax + Bu + Γw

y = Cx + Du + v
Trong đó w và v là các ồn trắng, có phân bố Gauss với trung bình 0
E{w(t)wT(t-τ) = Wδ(τ), W ≥ 0 (W bán xác định dương)
E{v(t)v(t-τ)T} = Vδ(τ), V > 0 (V xác định dương)
T
E{w(t)v (t-τ)} = 0
Giả thiết A và C phân tách được.
Ứớc lượng trạng thái (hình 6.6)
xˆ& = Axˆ + Bu + K f (y - yˆ )

yˆ = Cxˆ + Du
Hình 6.6: Ứơc lượng trạng thái

Sai số ước lượng
~
x = x - x̂
⇒ ~
x& = A ~
x + Γw – Kf(y- ŷ ) = A ~
x + Γw – Kf(C ~
x +v)
⇒ ~
x& = (A - KfC) ~
x + Γw - Kfv
Vấn đề: xác định K sao cho E{ ~
f x T~x } cực tiểu
Kf = PfCTV-1
với Pf là nghiệm của phương trình đại số Riccati
PfAT + APf + ΓWΓT – PfCTV-1CPf = 0
2) Hệ rời rạc
Plant x(k+1) = Ax(k) + Bu(k) + w(k)
y(k) = Cx(k) + v(k)
w, v là các ồn trắng, Gaussian, không tương quan nhau
E{wwT} = Q ≥ 0 (Q bán xác định dương)
T
E{vv } = R > 0 (R xác định dương)
T
E{wv } = 0
Giả thiết: (A, C) phân tách được.
Prediction x̂ (k+1) = A x̂ (k) + Bu(k) + Ko(y(k) - ŷ (k))
ŷ (k) = C x̂ (k)
Estimator x (k+1) = A x̂ (k) + Bu(k)
x̂ (k) = x (k) + Ko(y(k) - y (k))
y (k) = C x (k)
Hình 6.7: Prediction Observer Hình 6.8: Current Estimator
Algorithm
Initialization: x̂ o with error covariance Po
1) Model Forecast Step/Predictor: x k = A x̂ k-1 + Buk-1
Pk = APk-1AT + Q
2) Data Assimilation Step/Corrector: Kk = Pk CT(C Pk CT + R)-1
x̂ k = x k + Kk(yk – C x k)
Pk = (I - KkC) Pk
goto 1)
Where Pk = E{(xk - x k)( xk - x k) }, Pk = E{(xk - x̂ k)( xk - x̂ k) T}
T
Kk hội tụ về ma trận hằng

Bài tập
6.1) Xác định lọc Wiener FIR bậc 2 biết rs(i) = 0.9| i | và re(i) = 0.2| i | . Tìm SNR trước và sau khi lọc.
rs (0) rys (0)
Đáp số: θ = [0.333, 0.175, 0.167]T, = 1, = 2.
re (0) rye (0)
6.2) Xác định bộ dự báo Wiener FIR bậc 2 biết rx(i) = 0.9| i |. Tìm variance của sai số dự báo.
Đáp số: θ = [0.9, 0, 0]T, E{[y(n) – x(n+1)]2} = 0.19.
6.3) Xác định bộ dự báo Wiener FIR bậc 2 biết rx(i) = 0.1| i |. Tìm variance của sai số dự báo.
6.4) Xác định bộ dự báo Wiener FIR bậc 2 biết rx(i) = δ(i). Tìm variance của sai số dự báo.
6.5) Cho quá trình ngẫu nhiên
x(n) = αx(n-1) + v(n) + βv(n-1)
trong đó v(n) là ồn trắng với trung bình mv variance σ v2 . Xác định bộ dự báo 1 bước cực tiểu hóa
J = E([x(n+1) – x(n+1)]2)
và giá trị cực tiểu của J trong 2 trường hợp sau
a) x(n+1) = a1x(n) + a2x(n-1)
b) x(n+1) = ao + a1x(n) + a2x(n-1)
6.6) Xét bộ dự báo 3 bước
x(n+3) = aox(n) + a1x(n-1)
Biết x(n) có hàm tự tương quan
rx(0) = 1, rx(1) = 0, rx(2) = 0.1, rx(3) = -0.2, rx(4) = -0.9.
a) Thành lập phương trình Wiener Hopf cho bộ dự báo.
b) Giải phương trình Wiener Hopf để xác định các thông số ao và a1.
c) Xác định giá trị trung bình bình phương của sai số dự báo E{| x(n+3) - x(n+3)|2}.
Đáp số: ao = -0.2, a1 = -0.9, E{| x(n+3) - x(n+3)|2} = 4.11.
6.7) Làm lại bài 6.6 với bộ dự báo bậc 2
x(n+3) = aox(n) + a1x(n-1) + a1x(n-2)
So sánh kết quả của bài 6.6 và 6.7.
6.8) Ở hình P6.1, x(n) là tín hiệu ngẫu nhiên dừng theo nghĩa rộng với trung bình bằng 0, mật độ phổ
công suất
- 0.4z 2 + 1.82 z − 0.4
Px(z) =
(z - 0.8)(1 - 0.8z)
e(n) là ồn trắng với trung bình bằng 0, variance 0.5, và không tương quan với s(n). Xác định lọc IIR
tối ưu của Wiener H(z) trong 2 trường hợp sau
a) H(z) không nhân quả.
b) H(z) nhân quả.
0.5(z − 0.8)(1 − 0.8z) 1.43
Đáp số: a) H(z) = 1 - b) H(z) =
− 0.4z 2 + 1.82z − 0.4 z − 0.23
hình P6.1
6.9) Ở hình P6.1, x(n) là tín hiệu ngẫu nhiên dừng theo nghĩa rộng với hàm tự tương quan rx(m) = 0.8|m|
+ 0.6|m|, e(n) là ồn trắng với trung bình bằng 0, variance bằng 0.5, không tương quan với s(n), H(z)
là lọc FIR bậc 2.
a) Trình bày giải thuật nhận dạng thích nghi các thông số của H(z) dùng phương pháp steepest
descent.
b) Xác định điều kiện đối với hằng số học µ để giải thuật nhận dạng hội tụ.
c) Xác định điều kiện đối với hằng số học µ để giải thuật nhận dạng hội tụ nhanh hơn hàm mũ
0.95|n|.
d) Tìm giá trị hội tụ của các thông số của H(z).
6.10) Làm lại bài 6.9 với e(n) là tín hiệu ngẫu nhiên dừng theo nghĩa rộng với hàm tự tương quan 0.2|m|,
không tương quan với s(n).
6.11) Xác định lọc tối ưu nhân quả và không nhân quả để phục hồi dữ liệu bị mất.
Chương 7 PERIODOGRAM - CORRELOGRAM
7.1 PERIODOGRAM
Biến đổi Fourier
+∞ +∞
− j2 πft
X(f) = ∫ x(n)e dt ≈ ∑ x(n)e − j2πfnT T (7.1)
-∞ n = -∞
T: chu kỳ lấy mẫu (sampling period). Mật độ phổ công suất
1
P(f) = |X(f)|2 (7.2)
NT
Periodogram
N -1 2 N -1 2
1 T
PPER(f) = T ∑ x(n)e − j2 πfnT = ∑ x(n)e − j2 πfnT
(7.3)
NT n = 0 N n=0
7.2 TÍNH CHẤT

N −1 +∞
XR(f) = ∑ x(n)e− j2πfnT = ∑ x R (n)e− j2πfnT (biến đổi Fourier của tín hiệu rời rạc)
n=0 n = -∞
xR(n) = x(n)wR(n)
với wR(n) là cửa sổ chử nhật (rời rạc)
1 , 0 ≤ n ≤ N − 1
wR(n) = 
0 , n khaùc
⇒ XR(f) = X(f)*WR(f)
1 - e -j2 πfNT sin(πfNT) sin(πfNT)
WR(f) = = e-jπfNT ⇒ |WR(f)| = | |
1- e - j2 πfT
sin(πfT) sin(πfT)
T T
|XR(f)|2 =
PPER(f) = | X(f)*WR(f) |2
N N
Ứơc lượng không lệch tiệm cận nhưng variance không → 0 khi N → ∞
sin(πfNT)
vẽ
sin(πfT)
độ phân giải
Ví dụ: x(t) = cos(2πft) ⇒ X(f) ⇒ WR(f): vẽ phổ
Tín hiệu e(t) Periodogram của tín hiệu e(t)

Periodogram của tín hiệu x(t) = cos(400πt)
Periodogram của tín hiệu x(t) = cos(400πt) + 0.1e(t)
Periodogram của tín hiệu x(t) = cos(400πt) + e(t)

7.3 CỬA SỔ
1, 0 ≤ n ≤ N − 1
Cửa sổ chử nhật wR(n) = 
0, n khaùc
 2n N
N ,0≤ n ≤
2

 2n N
Cửa sổ tam giác (Bartlett) wT(n) = 2 − , ≤n≤N
 N 2
0 , n khaùc


 2πn
0.5 - 0.5cos( ) ,0≤ n ≤ N
Cửa sổ Hanning wV(n) =  N
0 , n khaùc
 2πn
0.54 - 0.46cos( ), 0 ≤ n ≤ N
Cửa sổ Hamming wH(n) =  N
0 , n khaùc
 2πn 4πn
0.42 - 0.5cos( ) + 0.08cos( ), 0 ≤ n ≤ N
Cửa sổ Blackman wB(n) =  N N
0 , n khaùc
So sánh các loại cửa sổ [OS1]
Cửa sổ Peak side-lobe Width of main lobe (Hz)
Chử nhật -13 dB 2/NT
Bartlett -25 dB 4/(N-1)T
Hanning -31 dB 4/(N-1)T
Hamming -41 dB 4/(N-1)T
Blackman -57 dB 6/(N-1)T
Periodogram của tín hiệu x(n) = cos(400πn) + 0.5cos(440πn) với các cửa sổ khác nhau
T = 1ms, N = 512
7.4 BIẾN THỂ CỦA PERIODOGRAM
Phương pháp của Daniel
k+m
1
PDAN(fk) =
2m + 1
∑ PPER(fi)
i = k -m
Phương pháp của Bartlett:
- Chia khoảng quan sát thành M đoạn không phủ nhau
- Xác định periodogram của từng đoạn
- Tính trung bình
M −1
1
PBAR(f) =
M
∑ PPERi(f)
i=0
Phương pháp của Welch (thông dụng nhất):
Tương tự Barlett nhưng các đọan phủ nhau (thường 50%)
Kết hợp sử dụng cửa sổ Hanning
N i -1 2
1
PPERi(f) = T ∑ w(n)x i (n)e − j2πfnT , i = 0, … , M-1
NiT n = 0
N i −1
T
L=
Ni
∑
n=0
w2(n)
M −1
1
PWEL(f) =
ML
∑
i=0
PPERi(f)
Periodogram của tín hiệu x(n) = cos(400πn) + 0.5cos(440πn) + 0.2e(n)
7.5 CORRELOGRAM
Mật độ phổ công suất
+∞ +∞
− j2 πfτ
P(f) = ∫ rx (τ)e dτ ≈ ∑ rx (m)e − j2πfmT T
-∞ m = -∞
-fs/2 ≤ f ≤ fs/2 , T = 1/fs: chu kỳ lấy mẫu (sampling period).

Correlogram
+M
PCOR(f) = T ∑ rx (m)e − j2πfmT
m = -M
M ≈ N/10 (Blackman – Tukey)
7.6 ƯỚC LƯỢNG HÀM TƯƠNG QUAN

N
1
rx(m) = limN→+∞
2N + 1
∑
n = -N
x(n+m)x*(n) (ergodic)
N-m -1
1
Phương pháp 1: rx(m) =
N−m
∑ x(n+m)x*(n) , 0 ≤ m ≤ N-1
n=0
rx(m) = rx*(-m) , -N+1 ≤ m ≤ 0
Tính chất
- Ước lượng không lệch (unbiased): E{rx(m)} = rx(m)
- Nếu m << N thì Var{rx(m)} → 0 khi N → ∞
N-m -1
( 1
Phương pháp 2 r x(m) =
N
∑ x(n+m)x*(n) , 0 ≤ m ≤ N-1
n=0
N + m -1
( 1
r x(m) =
N
∑ x(n)x*(n-m) , 1-N ≤ m ≤ 0
n=0
Tính chất
( N-m
- Ước lượng lệch (biased): E{ r x(m)} = rx(m)
N
(
- Nếu m << N thì Var{ r x(m)} → 0 khi N → ∞
Ví dụ: x = {1, 1.1, 1}

m 0 1 2
rx(m) 1.07 1.10 1.00
(
r x(m) 1.07 0.73 0.33
Ước lương hàm tương quan chéo
 1 N-m -1
 ∑ x(n + m)y * (n) , 0 ≤ m ≤ N −1
N - m n = 0
rxy(m) = 
N + m -1
 1
 N - m ∑ x(n)y * (n - m) , -N +1 ≤ m ≤ 0
 n=0
 1 N-m -1
 ∑ x(n + m)y * (n) , 0 ≤ m ≤ N −1
( N n = 0
r xy(m) = 
N + m -1
1
 N ∑ x(n)y * (n - m) , -N +1 ≤ m ≤ 0
 n=0
7.7 ƯỚC LƯỢNG MẬT ĐỘ PHỔ CÔNG SUẤT
Phương pháp 1
M
Pcor(f) = T ∑ rx(m)e-j2πfmT
m = -M
M
2m
E{Pcor(f)} = T ∑ rx(m)e-j2πfmT = F{rx(m)Π(
M
)} ≡ biến đổi Fourier rời rạc
m = -M
sin( πfMT)
= Px(f)* : cửa sổ chử nhật rời rạc
sin( πfT)
sin(πfNT )
vẽ
sin(πfT)
độ phân giải
Phương pháp 2
( M
(
P cor(f) = T ∑ r (m)e-j2πfmT
m = -M
M
( |m| |m|
E{ P cor(f)} = T ∑ (1-
N
)rx(m)e-j2πfmT = F{rx(m)(1-
N
)}
m = -M
|m|
= Px(f)*F{(1- )} : cửa sổ tam giác rời rạc
N
|m|
vẽ F{(1- )}
N
độ phân giải
Bộ ước lương của Blackman - Tukey

M
PBT(f) = T ∑ w(m)rx(m)e-j2πfmT w(m): cửa sổ với w(0) = 1
m = -M
M
E{PBT(f)} = T ∑ w(m)rx(m)e-j2πfmT = F{w(m)rx(m)}
m = -M
= Px(f)*W(f)
chọn cửa sổ có W(f) > 0 để E{PBT(f)} > 0
Ước lương mật độ phổ công suất chéo

M
Pxy(f) = T ∑ w(m)rxy(m)e-j2πfmT
m = -M
Chương 8 MÔ HÌNH AR, MA, ARMA
8.1 PHÂN HOẠCH PHỔ

Tín hiệu liên tục
Py(s) = H(s)H*(-s*)Pe(s) = H(s)H*(-s*) σ 2e
⇒ Py(f) = |H(j2πf)|2 σ 2e = |H(j2πf)|2

H(s) ổn định và cực tiểu pha.
Hình 8.1: e là ồn trắng với variance σ 2e = 1

Tín hiệu rời rạc
1 1
Py(z) = H(z)H*( )Pe(z) = H(z)H*( ) σ 2e
z* z*
⇒ Py(f) = |H(ej2πfT)|2 σ 2e = |H(ej2πfT)|2
H(z) ổn định và cực tiểu pha.
8.2 MÔ HÌNH AR
bo
H(z) = −1
1 + a1z + a 2 z −2 + ... + a p z − p
⇒ y(n) = - a1y(n-1) - a2y(n-2) - … - apy(n-p) + boe(n)
- Ước lượng các thông số a1, a2, … , ap và bo từ các dữ liệu đo y(0), y(1), … , y(N-1)
- Ước lượng mật độ phổ công suất Py(f) = |H(ej2πfT)|2
8.3 DỰ BÁO TUYẾN TÍNH VÀ PHƯƠNG PHÁP BÌNH PHƯƠNG TỐI THIỂU
1) Phương pháp bình phương tối thiểu
Từ các dữ liệu đo y(0), y(1), … , y(N-1), thành lập hệ phương trình sau
 y( p)   − y(p − 1) − y( p − 2) L − y( 0 )
  a1   e(p) 
 y( p + 1)   − y(p)  a   
  =  − y( p − 1) L − y(1)   2  +  e(p + 1)  bo
 M   M M L M  M  M 
       
y(N − 1) − y(N − 2) − y(N − 3) L − y(N − p − 1) a p  e(N − 1)
y = R θ + bo ~
~ e (N >> p)
min θ || ~
y - Rθ ||2 ⇒ θ = [RTR]-1RT ~
y
|| ~
y - Rθ ||2
E{|| ~
y - Rθ ||2} = bo2(N-p) ⇒ Ước lượng bo =
N−p
2) Ý nghĩa hình học
min θ || ~
y - Rθ ||2 khoảng cách từ ~
y đến bề mặt sinh bởi các vectơ cột của R
3) Dự báo tuyến tính

y(n) = - a1y(n-1) - a2y(n-2) - … - apy(n-p) + boe(n)
⇒ ŷ (n) = - a1y(n-1) - a2y(n-2) - … - apy(n-p)
Sai số dự báo ε(n) = y(n) - ŷ (n) = boe(n) trực giao với các quan sát quá khứ (nếu e(n) là ồn trắng)
E{ε(n)y(n-k)} = 0 ∀k > 0
4) Giải thuật bình phương tối thiểu đệ quy

• Bổ đề nghịch đảo ma trận
(A + BCD)-1 = A-1 - A-1B(C-1 + DA-1B)-1DA-1
Phiên bản đơn giản
T -1 -1 A −1 bd T A −1
(A + bd ) = A -
1 + d T A −1 b
• Bình phương tối thiểu
y = Rθ + ~
~
k k ε k ⇒ θk = [R Tk Rk]-1R Tk ~
yk
~
y k  R k  ~
εk  T T -1 T ~
y  =  T  θ + ε  ⇒ θk+1 = [R k Rk + φk+1φ k+1 ] [R k y k + φk+1yk+1]
 k +1  φ k +1   k +1 
T [R Tk R k ]−1 φ k +1φ Tk +1[R Tk R k ]−1
[R Tk Rk+φk+1φ k+1 ]-1 = [R Tk Rk]-1 -
1 + φ Tk +1 [R Tk R k ]−1 φ k +1
[R Tk R k ]−1 φ k +1φ Tk +1[R Tk R k ]−1 T ~

⇒ θk+1 = [R Tk Rk]-1R Tk ~
yk - Rk yk +
1 + φ Tk +1 [R Tk R k ]−1 φ k +1
[R Tk R k ]−1 φ k +1φ Tk +1[R Tk R k ]−1

+ [R Tk Rk]-1φk+1yk+1 - φk+1yk+1
1 + φ Tk +1 [R Tk R k ]−1 φ k +1
(hóa đồng mẫu số)
− [R Tk R k ]−1 φ k +1φ Tk +1θ k + [R Tk R k ]−1 φ k +1y k +1
= θk +
1 + φ Tk +1[R Tk R k ]−1 φ k +1
[R Tk R k ]−1 φ k +1[y k +1 − φ Tk +1θ k ]

= θk +
1 + φ Tk +1 [R Tk R k ]−1 φ k +1
Đặt Gk = (R T
k Rk)
-1
R k  -1
Gk+1 = [R Tk+1 Rk+1]-1 = ([R T
k φk+1 ] T T
 T  ) = (R k Rk + φk+1φ k+1 )
-1
φ k +1 
T −1 T
[R k R k ] φ k +1φ k +1[R k R k ] T −1 G k φ k +1φ Tk +1G k
= (R T -1
k Rk) - T T −1
= Gk -
1 + φ k +1 [R k R k ] φ k +1 1 + φ Tk +1G k φ k +1
= Gk - Kk+1φ T T
k +1 Gk = (I - Kk+1φ k +1 )Gk
G k φ k +1
Với Kk+1 =
1 + φT
k +1G k φ k +1
Giải thuật đệ quy
(0) Khởi động trị: θ1 = 0, G1 = aI (a lớn)
(1) Với k = 1, 2, 3, 4, …
G k φ k +1
Kk+1 = (nx1)
1 + φ Tk +1G k φ k +1
T
θk+1 = θk + Kk+1[yk+1 - φ k+1 θk] (nx1)
T
Gk+1 = [I - Kk+1φ k+1 ]Gk (nxn)
Quay về (1)
5) Ước lượng bậc p của mô hình

2p
AIC = + ln(b 2øo )
N
N + (p + 1) 2ø
FPE = bo
N - (p + 1)
p.ln(N)
BIC = + ln(b 2øo )
N
8.4 PHƯƠNG PHÁP AUTOCORRELATION VÀ COVARIANCE

e1   e p +1   e N +1   y1   y p +1   y N +1 
e    e  y    y 
E 1 =   , E2 =
2 e p + 2  , E =  N+2  , Y =  2  , Y2 = y p + 2  , Y =  N+2 
M  M  3 M  1 M  M  3 M 
           
e p  e N  e N + p   y p   y N   y N + p 
0 0 L 0
 y p y p−1 L y1  y N y N −1 L y N − p +1 
     
 y1 0 L 0  y p+1 yp L y2  0 yN L y N−p+2 
R1 =  y 2 y1 L 0  , R2 = y y p+1 L y 3  , R3 = 0 0 L y N −p+3 
   p+ 2   
M L L M   M M L M   M L L M 
y    
 p −1 L L 0   0 0 L yN 
 y N −1 y N −2 L y N−p 
Rθ = Y - boE ⇒ θ = (RTR)-1RTY
• R = R2, Y = Y2
R1  Y1 
• R = , Y = Y 
R 2   2
R 2  Y2 
• R = , Y =  
R 3  Y3 
R1  Y1 
• R = R 2  , Y = Y 
 2
R 3  Y3 
8.5 PHƯƠNG TRÌNH YULE-WALKER

y(n) = - a1y(n-1) - a2y(n-2) - … - apy(n-p) + boe(n)
b o , neáu m = 0
e(n): ồn trắng với variance = 1 ⇒ rey(m) = 
0 , neáu m > 0
p  b 2o , neáu m = 0
⇒ ∑ a k E{y(n − k)y(n − m)} = 
k =0 0 , neáu m > 0
R yy (0) R yy (1) L R yy (p)   1  b o2 
R (1) R yy (0) L R yy (p − 1)  a 1   0 
⇒  yy =
 M M M M  M   M 
    
R yy (p) R yy (p − 1) L R yy (0)  a p   0 
Ước lượng ma trận tương quan ⇒ các thông số ai ⇒ bo
8.6 CHUYỂN ĐỔI LIÊN TỤC RỜI RẠC

1) Phương pháp 1: đạo hàm
dx a (t) x(n) - x(n - 1) 1 - z -1
↔ ⇒ s=
dt t = nT T T
2) Phương pháp 2: tích phân
t
T 1 T 1 + z −1 T z +1
y( t ) = ∫ x(τ)dτ ↔ y(n) = y(n-1) + [x(n) + x(n-1)] ⇒ = 1
=
−∞
2 s 2 1− z − 2 z −1
2 z −1
⇒ s=
T z +1
3) Phương pháp 3: lấy mẫu đáp ứng xung

p p
bi
G(s) = ∑ ⇒ h(t) = ∑ b i e pit 1(t)
i =1 s − pi i =1
p +∞
⇒ h(n) = ∑ b i e pi nT 1(nT) ⇒ H(z) = ∑ h(n)z-n
i =1 n = −∞
p +∞ p
bi
⇒ H(z) = ∑ ∑ b i e pi nT z − n = ∑
i =1 n = −∞ i =1 1 − e pi T z −1
⇒ cực pi ↔ e piT
Bài tập: Cho hàm tương quan, ước lượng mô hình
8.7 MÔ HÌNH MA
1) Mô hình MA
e(k): ồn trắng với variance σ 2e = 1

q q
H(z) = ∑ b i z −i ⇒ y(n) = ∑ b i e(n − i)
i =0 i =0
2) Các đặc trưng thống kê
E{y(n)} = 0
q
E{y(n) } =2
∑ b 2i
i =0
3) Các phương pháp ước lượng mật độ phổ công suất
Phương pháp 1:
- Ước lượng các thông số bo, b1, … , bq từ các dữ liệu đo y(0), y(1), … , y(N-1).
- Ước lượng mật độ phổ công suất
q
Py(f) = |H(ej2πfT)|2 = | ∑ b i e − j2 πfTi |2 với -fs/2 < f < fs/2.
i =0
Phương pháp 2:
- Ước lượng hàm tự tương quan ry(m)
min( q,q+ m )
 ∑ b i b i−m , | m |≤ q
ry(m) =  i=max( 0,m )

0 , | m |> q
- Ước lượng mật độ phổ công suất dùng định lý Wiener-Khintchine
q
Py(f) = | ∑ r (m)e
m= −q
y
− j2πfTm 2
| với -fs/2 < f < fs/2.
8.8 NHẬN DẠNG MÔ HÌNH MA

1) Phương pháp moments:
Dùng phương pháp lặp, ví dụ Newton-Raphson, giải phương trình sau để ước lượng các thông số bo,
b 1 , … , bq
b o b1 L b q   b o   ro 
b b 2 L 0  b  r 
 1  1 =  1
 M M N M   M  M
     
 b q 0 0 0   b q   rq 
Phương pháp lặp đơn giản: giải phương trình x = f(x).

Phương pháp Newton-Raphson: giải phương trình f(x) = 0.
f (x n )
f(xn+1) ≈ f(xn) + f’(xn)[xn+1 - xn] = 0 ⇒ xn+1 = xn -
f ' (x n )
2) Phương pháp Durbin

Xấp xỉ H(z)
q
1
H(z) = ∑ b i z −i ≈ P
với N >> P >> q
i =0 −i
∑ βiz
i=0
P
⇒ ∑ β i y(n-i) = ê(n)
i =0
Hàm mục tiêu
P P P P
J = E{ê(n)2} = E{ ∑ β i y(n-i) ∑ β k y(n-k)} = ∑ ∑ βiβkE{y(n-i)y(n-k)}
i =0 k =0 i=0 k =0
P P
= ∑ ∑ βiβkry(k-i)
i=0 k =0
mặt khác
min( q,q+ m )
 ∑ b i b i−m , | m |≤ q
ry(m) =  i=max( 0,m )

0 , | m |> q
Ta có
P P q
J= ∑ ∑ ∑ βiβkblbl-k+i
i=0 k =0 l=0
∂J
min J ⇒ = 0 với k = 1, 2, … , q; bo = 1
∂b j
P P P P P P
∂J
∂b j
= ∑ ∑ βiβkbj-k+i + ∑ ∑ βiβkbj+k-I = 2 ∑ ∑ βiβkbj-k+i
i=0 k =0 i=0 k =0 i=0 k =0
P j+ i
= 2∑
i=0
∑
k = j+ i − q
βiβkbj-k+i (vì 0 ≤ j-k+i ≤ q )
- Ước lượng các thông số βi từ dữ liệu: mô hình AR

- Xác định bi: min J
8.9 MÔ HÌNH ARMA

1) Mô hình ARMA
e(k): ồn trắng với trung bình = 0 và variance σ 2e = 1

q
∑ biz − i
H(z) = i=0 với ao = 1
p
−i
∑ aiz
i=0
p q
⇒ y(n) = - ∑ ai y(n − i) + ∑ b i e(n − i)
i =1 i =0
2) Các đặc trưng thống kê

p
E{y(n)} = 0 (giả thiết ∑ ai ≠ 0 ⇐ hệ thống ổn định tiệm cận)
i=0
p q p q
E{y(n) } = E{y(n).[- ∑ ai y(n − i) +
2
∑ b i e(n − i) ]} = - ∑ ai ry (i) + ∑ bi rye (i)
i =1 i =0 i =1 i=0
+∞
Đáp ứng xung: H(z) = ∑ h i z −i
i =0
+∞ +∞
rye(m) = E{y(k)e(k-m)} = E{ ∑ hie(k-i)e(k-m)} = ∑ hiE{e(k-i)e(k-m)} = hmσ2
i =0 i =0
0, m<0
rye(m) =  2
σ h m , m ≥ 0
3) Mật độ phổ công suất

Ước lượng mật độ phổ công suất Py(f) với -fs/2 < f < fs/2.
q 2
− j2 πfTi
∑ bie
Py(f) = |H(ej2πfT)|2 = i=0 -fs/2 < f < fs/2
p
− j2 πfTi
∑ aie
i=0
với fs = 1/T: tần số lấy mẫu
8.10 NHẬN DẠNG MÔ HÌNH ARMA

- Ước lượng các thông số ai:
p q
∑ a i y( n − i ) = ∑ b i e(n − i) ao = 1
i=0 i =0
p q p q
⇒ ∑ aiy(n − i)y(n − k) = ∑ bie(n − i)y(n − k) ⇒ ∑ ai ry (k − i) = ∑ bi rey (k − i)
i=0 i=0 i=0 i=0
q
Mặt khác rey(k-i) = 0 ∀i < k ⇒ ∑ bi rey (k − i) = 0 ∀k > q
i=0
p p
⇒ ∑ ai ry (k − i) = 0 ∀k > q ⇒ ry(k) = - ∑ ai ry (k − i) ∀k > q
i=0 i =1
 ry (q) ry (q − 1) L ry (q − p + 1)   a1   ry (q + 1) 
 r (q + 1) ry (q) L ry (q − p + 2)  a   r ( q + 2) 
⇒  y  2 =  y  ⇒ ai
 M M O M  M  M 
     
 ry (q + p − 1) ry (q + p − 2) L ry (q)  a p   ry (q + p)
p p
- Lọc y(n) dùng bộ lọc ∑ a i z −i : w(n) = ∑ a i y ( n − i)
i =0 i =0
q
⇒ w(n) = ∑ b i e(n − i)
i =0
- Dùng các phương pháp của mô hình MA: ước lượng mật độ phổ công suất của w(n)
q
Pw (f )
Pw(f) = | ∑ rw (m)e − j2πfTm |2 ⇒ Py(f) =
p 2
m =− q
− j2 πfTi
∑ aie
i=0
q 2
− j2 πfTi
∑ bie
hoặc ước lượng các thông số bi ⇒ Py(f) = |H(e j2πfT 2
)| = i=0
p
∑ aie− j2πfTi
i=0
Chương 9 MÔ HÌNH PRONY VÀ MÔ HÌNH PISARENKO
9.1 MÔ HÌNH PRONY

1) Mô hình Prony
p p  e j( 2 πf i n + θ i ) + e − j( 2 πf i n + θ i ) 
y(n) = ∑ Ymi eα i n cos(2πfin+θi) = ∑ Ymi eα i n 
2

i =1 i =1  
[ ]
p
Ymi α i n j( 2 πf i n + θ i )
= ∑ e e + e − j( 2 πf i n + θ i )
i =1 2
2p 2p
Ymi α n j(2 πf n + θ )
= ∑ 2
e i e i i = ∑ ρi e jθ i e(α i + j2πfi )n
i =1 i =1
2p
= ∑ h i z in (9.1)
i =1
Ymi
với αi = αi+p , fi = -fi+p , , i ≤ p, hi = ρi e jθ i , zi = eα i + j2 πfi
θi = -θi+p , ρi = ρi+p =
2
Vấn đề: ước lượng hi và zi từ các dữ liệu đo và xác định mật độ phổ công suất của tín hiệu.
2) Đa thức đặc trưng

Định nghĩa
2p 2p
P(z) = ∏ (z − z i ) = ∑ a i z 2p−i , ao = 1 (9.2)
i =1 i =0
Từ (9.1) ta có
2p 2p 2p 2p 2p
∑ a i y(k − i) = ∑ ai ∑ h m z km−i = ∑hm ∑ a i z km−i
i =0 i =0 m=1 m =1 i =0
2p 2p
= ∑hm z km−2p ∑ a i z 2pm−i =0 (do P(zi) = 0)
m =1 i =0
Vậy y(n) thỏa mô hình AR với p chẳn
2p
∑ a i y(k − i) = 0 (9.3)
i =0
3) Ước lượng mô hình Prony

- Ước lượng các thông số ai: từ (9.3)
 y(2p − 1) y(2p − 2) L y(0)   a1   y(2p) 
 y(2p) a 
 y(2p − 1) L y(1)  
 2  = -  y(2p + 1)

(9.4)
 M M L M   M   M 
     
 y(4p − 2) y(4p − 3) L y(2p − 1) a 2p   y(4p − 1) 
p
- Ước lượng zi: nghiệm của phương trình đặc trưng ∑ aizmp −i = 0 ⇒ zi
i=0
p
- Ước lượng hi: y(n) = ∑ h izni ⇒ hi
i =1
 1 1 L 1   h1   y(0) 
 z z2 L z p  h   
 1  2  =  y(1)  (9.5)
 M M L M  M   M 
 p −1 p −1 p −1     
z1 z2 L z p   h p  y(p − 1)
4) Phổ của mô hình Prony
2p 2p
h
y(n) = ∑ h i z in ⇒ Y(z) = ∑ 1 − z iz −1 (9.6)
i =1 i =1 i
j2πfT 2
⇒ Py(f) = |TY(e )| (9.7)
9.2 MÔ HÌNH PISARENKO

1) Mô hình Pisarenko
p
y(n) = ∑ hi cos(2πfin + ϕi ) + e(n) (9.8)
i =1
e(n): ồn trắng với trung bình bằng 0, variance σ e2 , ϕi: biến ngẫu nhiên phân bố đều trên [0, 2π]
2) Hàm tự tương quan

1 p 2
ry(m) = E{y(n)y(n-m)} = ∑
2 i =1
h i cos(2 πf i m) + σ e2 δ(m)
1 p 2 j2 πfi m f -i = −f i
= ∑ hi e + σ e2 δ(m) với  (9.9)
4 i =-p h -i = h i , h o = 0
3) Ước lượng mô hình Pisarenko

Trường hợp e(n) ≡ 0
f-i = −fi
1 p 
y (n) = ∑ h i e
o j(2πf i n +ϕ i )
với h -i = h i , h o = 0 (9.10)
2 i =-p ϕ = −ϕ
 −i i
⇒ mô hình Pisarenko là trường hợp riêng của mô hình Prony với zi = exp(-j2πfi): đa thức đặc
trưng có 2p nghiệm trên vòng tròn đơn vị
2p 2p
P(z) = ∏ (z − z k ) = ∑a k z 2p − k , ao = 1
k =1 k =0
2p p
1
∑a ∑
2p
h i e j(2πf i [n + 2p-k]+ϕ i )
P(z)yo(n) = ∑ a k y o (n + 2p − k) =
k =0
k =0
k
2 i =-p
p 2p
1
= 2 ∑ h ie
i = -p
j(2πf i n +ϕ i )
∑a
k =0
k e j2πfi (2p-k)
1 p 2p
= 2 ∑ h ie
i = -p
j(2πf i n +ϕ i )
∑a
k =0
k z i2p-k = 0 (do P(zi) = 0)
2p
⇒ ∑a
k =0
k y o (n + 2p − k) = 0 (9.11)
Trường hợp e(n) ≠ 0

yo(n) = y(n) – e(n)
2p 2p
⇒ ∑ a k y(n + 2p − k) = ∑ a k e(n + 2p - k) (9.12)
k =0 k =0
Vậy y(n) thỏa mô hình ARMA với các hệ số của phần AR = các hệ số của phần MA.
• Ước lượng σ e2 và các hệ số ai

yT(n)θ = eT(n)θ (9.13)
 y(n + 2p)   e(n + 2p)   ao 
 y(n + 2p − 1) e(n + 2p − 1) a 
y(n) =   e(n) =   θ=  
1
với
 M   M   M 
     
 y(n)   e(n)  a 2p 
là các vectơ (2p + 1) x 1.
⇒ E{y(n)yT(n)θ} = E{y(n)eT(n)θ}
 ry (0) ry (1) L ry (2 p) 
 r (1) ry (0) L ry (2 p − 1)
y
E{y(n)yT(n)}= 
 M M O M 
 
 ry (2 p) ry (2 p − 1) L ry (0) 
σ 2e 0 L 0
 
0 σ 2e L 0
E{y(n)e (n)}= 
T
 M M O M 
 
 0 0 L σ 2e 
p
(y(n) = ∑ hi cos(2πfin + ϕi ) + e(n): y(n) không tương quan với e(n+k), ∀k≠0)
i =1
⇒ Ryθ = σ e2 θ (9.14)
⇒ σ e2 và θ là trị riêng và vectơ riêng của ma trận tương quan Ry.
Ry là ma trận đối xứng, xác định không âm ⇒ có thể phân tích thành Ry = V*D*VT với D là ma trận
dường chéo chứa các trị riêng (thực và không âm) của Ry và V là ma trận vuông với các cột là các
vectơ riêng (trực chuẩn VTV = VVT = I) của Ry. Hơn nữa σ e2 là trị riêng nhỏ nhất của ma trận tương
quan Ry. Thật vậy, gọi λi là các trị riêng của ma trận Ry, ma trận tương quan của tín hiệu không
nhiểu (e(n) ≡ 0)
Ro = Ry - σ e2 I
có các trị riêng là λi - σ e2 . Do Ro xác định không âm, λi - σ e2 ≥ 0 ∀i ⇒ λi ≥ σ e2 ∀i
⇒ Ước lượng σ e2 và θ bởi trị riêng nhỏ nhất và vectơ riêng tương ứng của Ry. Do θ ở (9.14)
không duy nhất, ta có thể sử dụng điều kiện buộc ao = 1.
• Ước lượng fi bằng cách giải phương trình đặc trưng P(z) = 0.
• Ước lượng hi dựa vào
1 p 2
ry(m) = ∑
2 i =1
h i cos(2 πf i m) + σ e2 δ(m)
Ví dụ [H1]: Ước lượng mô hình Pysarenko với p = 1

y(n) = Asin(ωon + ϕ) + e(n)
biết ry(0) = 2.2, ry(1) = 1.3, ry(2) = 0.8.
2.2 1.3 0.8
Ry = E{y(n)y (n)}= 1.3 2.2 1.3 
T
 
0.8 1.3 2.2
⇒ các trị riêng λ1 = 4.4815, λ2 = 1.4, λ3 = 0.7185
0.5506 − 0.7071  0.4437 
và các vectơ riêng tương ứng V1 = 0.6275 , V2 =  0 ,V = − 0.7787 
    3  
0.5506  0.7071   0.4437 
⇒ σ e2 = 0.7185
và 0.4437z2 – 0.7787z + 0.4437 = 0
⇒ z = exp(±j0.1595π) ⇒ ωo = 0.1595π.
1 2
Mặt khác ry(m) = A cos(0.1595πm) + σ e2δ o (m) ⇒ A
2
Bài tập
9.1) Cho tín hiệu x(t) = 10sin(400πt+ϕ1) + 10sin(440πt+ϕ2) với ϕ1 và ϕ2 là các biến ngẫu nhiên độc lập
nhau, có phân bố đều trên khoảng [0,2π[. Lấy mẫu x(t) với tần số lấy mẫu fs = 1KHz.
a) Tìm biểu thức của kỳ vọng toán học của mật độ phổ công suất ước lượng được dùng periodogram
với cửa sổ chử nhật. Suy ra số mẫu dữ liệu N phải có để có thể phân biệt được 2 vạch phổ trên
periodogram.
b) Tìm biểu thức của kỳ vọng toán học của mật độ phổ công suất ước lượng được dùng correlogram
với 2 phương pháp ước lượng hàm tương quan. Suy ra số mẫu dữ liệu N phải có để có thể phân biệt
được 2 vạch phổ trên correlogram (với N = 10 chiều dài hàm tương quan).
Quy ước: hai vạch phổ được xem là có thể phân biệt nhau nếu khoảng cách giữa chúng ≥ bề rộng
của main lobe).
9.2) Cho tín hiệu ngẫu nhiên x(t) với hàm tự tương quan rx(τ) = 2-|τ|. Lấy mẫu x(t) với tần số lấy mẫu fs =
10Hz. Tìm biểu thức của mật độ phổ công suất ước lượng được dùng
a) Corrélogramme.
b) Mô hình AR với p = 1 và p = 2 dùng phương trình Yule – Walker. Nhận xét.
9.3) Lấy mẫu tín hiệu ngẫu nhiên xa(t) với tần số lấy mẫu fs = 1KHz. Giả thiết xác định được từ thực
nghiệm hàm tự tương quan của tín hiệu rời rạc rx(0) = 1, rx(1) = 0.9, rx(2) = 0.8, rx(3) = 0.7, rx(4) =
0.6, rx(5) = 0.5, rx(6) = 0.4. Xác định biểu thức của mật độ phổ công suất ước lượng được dùng
a) Corrélogramme.
b) Mô hình AR với p = 1.
c) Mô hình Pisarenko với p = 1.
9.4) Cho tín hiệu ngẫu nhiên x(k) với hàm tự tương quan rx(0) = 2, rx(1) = 0.924, rx(2) = 0.707, rx(3) =
0.38, rx(4) = 0. Ước lượng mật độ phổ công suất của tín hiệu
a) Dùng mô hình AR với p = 2.
b) Dùng mô hình AR với p = 1.
c) Mô hình Pisarenko với p = 1.
9.5) Cho tín hiệu ngẫu nhiên
x(k) = Asin(kωo+ϕ) + e(k)
trong đó e(k) là ồn trắng với variance σ2. Biết rx(0) = 1, rx(1) = β, rx(2) = 0. Ước lượng mật độ phổ
công suất của tín hiệu
a) Dùng correlogram với cửa sổ hình chử nhật.
b) Mô hình Pisarenko.
9.6) Cho tín hiệu ngẫu nhiên x(k) với hàm tự tương quan rx(0) = 3, rx(1) = 2 , rx(2) = 0, rx(3) = - 2 ,
rx(4) = -2, rx(5) = - 2 . Ước lượng mật độ phổ công suất của tín hiệu dùng mô hình Pisarenko với p
= 1.
Đáp số: x(k) = 2cos(kπ/4 + ϕ) + e(k) với σ e2 = 1 ⇒ rx(m) = 2cos(mπ/4) + δ(m)
9.7) Xác định mô hình Pisarenko của tín hiệu x(k) = 2sin(kπ/16 + ϕ1) + sin(kπ/8 + ϕ2) + e(k) với e(k) là
ồn trắng với trung bình me = 0, variance σ e2 = 1, ϕ1 và ϕ2 là các biến ngẫu nhiên không tương quan
nhau, có phân bố đều trên [0, 2π).
kπ kπ
9.8) Xác định mô hình Prony của tín hiệu x(k) = 2sin( ) + sin( ).
4 8
9.9) Cho tín hiệu ngẫu nhiên x(k) với hàm tự tương quan rx(0) = 6, rx(1) = 4, rx(2) = 1, rx(m) = 0 ∀m > 2.
Ước lượng mật độ phổ công suất của tín hiệu dùng mô hình MA (tự chọn bậc của mô hình).
 b o b1 L b q   b o   ro 
b b L 0  b  r 
 1 2   1 =  1
 M M N M  M  M
    
 b q 0 0 0   b q   rq 
ĐS: bo = 1, b1 = 2, b2 = 1.
9.10) Xác định mô hình Prony bậc 2 của tín hiệu x(k) theo các dữ liệu sau
k 0 1 2 3 4 5 6
x(k) 0 0.707 1 0.707 0 -0.707 -1
ĐS: y(k) = cos(kπ/4 + π/2).
TÀI LIỆU THAM KHẢO

[F1] G. Fleury, Analyse Spectrale. Méthodes non-paramétriques et paramétriques, Ellipses, 2001.
[OS1] A.V. Oppenheim, R.W. Schafer, Discrete-Time Signal Processing, Prentice-Hall International,
1989.
[JW1] G.M. Jenkins, D.G. Watts, Spectral Analysis and its applications, Holden-Day, 1968.
[H1] M.H. Hayes, Statistical Digital Signal Processing and Modelling, John Wiley & Sons, 1996.
Phụ lục:
sin(x+y) = sin(x)cos(y) + sin(y)cos(x)
cos(x+y) = cos(x)cos(y) - sin(x)sin(y)
sin(2x) = 2sin(x)cos(x)
cos(2x) = cos2(x) - sin2(x) = 2cos2(x) – 1 = 1 - 2 sin2(x)
sin(x)cos(y) = [sin(x+y) + sin(x-y)]/2
cos(x)sin(y) = [sin(x+y) - sin(x-y)]/2
cos(x)cos(y) = [cos(x-y) + cos(x+y)]/2
sin(x)sin(y) = [cos(x-y) - cos(x+y)]/2
sin(x) + sin(y) = 2sin[(x+y)/2]cos[(x-y)/2]
sin(x) - sin(y) = 2cos[(x+y)/2]sin[(x-y)/2]
cos(x) + cos(y) = 2cos[(x+y)/2]cos[(x-y)/2]
cos(x) - cos(y) = -2sin[(x+y)/2]sin[(x-y)/2]
sin(3x) = 3sin(x) - 4sin3(x)
cos(3x) = 4 cos3(x) - 3 cos(x)
sin(4x) = 4 sin(x)cos(x)[2 cos2(x)-1]
cos(4x) = 8 cos4(x) - 8 cos2(x) + 1
sin(5x) = 5 sin(x) - 20 sin3(x) + 16 sin5(x)
cos(5x) = 16 cos5(x) - 20 cos3(x) + 5 cos(x)
sin(6x) = 2 sin(x)cos(x)[16 cos4(x) - 16 cos2(x) + 3]
cos(6x) = 32 cos6(x) - 48 cos4(x) + 18 cos2(x) - 1
sin(nx) = 2 sin([n-1]x)cos(x) - sin([n-2]x)
cos(nx) = 2 cos([n-1]x)cos(x) - cos([n-2]x)
sin3(x) = (3 sin[x] - sin[3x])/4
cos3(x) = (3 cos[x] + cos[3x])/4
sin4(x) = (3 - 4 cos[2x] + cos[4x])/8
cos4(x) = (3 + 4 cos[2x] + cos[4x])/8

SignalProcessing PDF

Uploaded by

Document Information

Original Title

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

SignalProcessing PDF

Uploaded by

Copyright:

Available Formats

Xử lý tín hiệu 1

Chương 1: Tín hiệu và hệ thống liên tục ……………………………………………………… 3

TT Môn học Lớp TG Chương, mục Điểm

1.1 KHÁI NIỆM CHUNG

Tín hiệu điện Tín hiệu âm thanh

Giá đồng (USD/Ton từ1986 đến 2011)

Tín hiệu ảnh

Nhiệt độ và lượng mưa

Xử lý tín hiệu → Trích xuất thông tin từ tín hiệu

Phân loại tín hiệu điện não

Nếu Px tồn tại và khác 0 ⇒ x(t) là tín hiệu công suất

3. Các phép biến đổi thời gian

• Phép đảo thời gian

Phân tích tín hiệu thành thành phần chẵn và lẻ

4. Các tín hiệu thông dụng

1.3 BIẾN ĐỔI FOURIER (TÍN HIỆU KHÔNG TUẦN HÒAN)

Bảng biến đổi Fourier

e j2 πfo t δ(f-fo) e-αt1(t)

2) Tính chất của biến đổi Fourier

1.4 BIẾN ĐỔI LAPLACE MỘT PHÍA

Final value theorem lim s→0 sX(s) = x(+∞)

3) Bảng biến đổi Laplace

1.5 BIẾN ĐỔI LAPLACE HAI PHÍA

1.6 HÀM TƯƠNG QUAN

→ Sx(f) = |X(f)|2 (mật độ phổ năng lượng)

Hàm tự tương quan của tín hiệu x(t)

Tính chất của hàm tự tương quan

Ví dụ: x(t) = 6e-2t1(t) → rx(τ), Sx(f), Ex

2) Tín hiệu công suất

Hàm tự tương quan của tín hiệu ngẫu nhiên x(t)

Tính chất của hàm tự tương quan

Công suất và hàm tương quan của tín hiệu chu kỳ

1.7 HỆ THỐNG TUYẾN TÍNH

2. Biểu diễn hệ thống tuyến tính

- Biểu diễn bằng phương trình vi phân

Tính chất của chập (tích chập, tích xếp):

Hình 3.11: Lọc Butterworth Hình 3.12: Lọc Chebyshev

2. Lọc Chebyshev (equiripples)

2.1 GIỚI THIỆU

Hình 2.1: Hệ thống điều khiển số (T: chu kỳ lấy mẫu)

Hình 2.2: Khâu lấy mẫu thực tế

2.2 KHÂU LẤY MẪU LÝ TƯỞNG

Hình 2.3: Khâu lấy mẫu lý tưởng

2.3 KHÂU GIỮ BẬC KHÔNG (ZERO ORDER HOLD ZOH)

Hình 2.4: Khâu giữ bậc không

2.4 MÔ HÌNH HÓA HỆ THỐNG ĐIỀU KHIỂN SỐ

Hình 2.5: Mô hình hóa khâu lấy mẫu thực tế

Hình 2.6: Mô hình hóa hệ thống điều khiển số

2.5 HÀM TRUYỀN ĐẠT XUNG

∑ ∑ ∑ U(s − j(k + n)ωe )

∑ ∑ U(s − jkωe ) = G*(s)U*(s)

3.1 BIẾN ĐỔI Z

3) Tính chất của biến đổi Z

4 Giá trị cuối lim k→∞ x(k) = lim z→1 (1 – z-1)X(z)

4) Bảng biến đổi Z

1 -at -akT Te −aT z

s+a -at -akT z 2 − e −aT cos(ωoT)z

Nhận xét: Nếu X(s) có cực p thì X(z) có cực epT.

5) Biến đổi z ngược

a) Phương pháp chia trực tiếp (direct division method)

10z-1 + 5z-2 ∟ 1 – 1.2z-1 + 0.2z-2

⇒ x(0) = 0, x(1) = 10, x(2) = 17, …

b) Phương pháp tính (computational method)

∑ ∑ U(s − jkωe ) = G(s)U(s)

9. Biến ngẫu nhiên không tương quan (uncorrelated): E{xy} = E{x}E{y}

Tín hiệu liên tục: Py(s) = H(s)H(-s)Px(s)