Ε.Μ.Π., Σχολή Η.Μ.Μ.Υ. ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣ΄ΙΑ ΣΗΜΑΤΩΝ Ακαδ.

΄Ετος 2023-24
Ημερομηνία: 25-5-2024 2η Σειρά Αναλυτ. Ασκήσεων Παραδοτέο: 20-6-2024
Οι αναλυτικές σειρές ασκήσεων είναι ατομικές και οι λύσεις που θα δώσετε πρέπει να αντιπροσω-
πεύουν μόνο την προσωπική σας εργασία. Αν χρησιμοποιήσετε κάποια άλλη πηγή εκτός των
σημειώσεων για την λύση σας, πρέπει να το αναφέρετε. Η παράδοση των λύσεων των αναλυτικών
ασκήσεων της σειράς αυτής θα γίνει ηλεκτρονικά στην ιστοσελίδα του μαθήματος στο HELIOS.
Θα πρέπει να υποβάλετε την αναφορά σας ως ένα ενιαίο αρχείο PDF με το εξής filename format
χρησιμοποιώντας μόνο λατινικούς χαρακτήρες: dsp24 hwk2 AM FirstnameLastname.pdf, όπου
ΑΜ είναι ο οκταψήφιος αριθμός μητρώου σας. Σκαναρισμένες χειρόγραφες λύσεις επιτρέπονται
αρκεί να είναι καθαρογραμμένες και ευανάγνωστες. Επίσης στην πρώτη σελίδα των λύσεων θα
αναγράφετε το ονοματεπώνυμο, ΑΜ και email address σας.

΄Ασκηση 2.1 (DFT and Time Aliasing): ΄Εστω X(ejω ) ο μετασχηματισμός Fourier διακριτού
χρόνου της ακολουθίας: 
4 − n, n = 0, 1, 2, . . . , 8
x[n] =
0, διαφορετικά.
(α) Δίχως να υπολογίσετε ευθείς και αντίστροφους DFT, βρείτε και σχεδιάστε μια ακολουθία,
y[n], μήκους 4, που είναι μη μηδενική μόνο για n = 0, 1, 2, 3, και για την οποία ισχύει:

Y [k] = X(ejπk/2 ), k = 0, 1, 2, 3.

Με άλλα λόγια, ο DFT 4-σημείων της ακολουθίας y[n] ισούται με τον DTFT της ακολουθίας
x[n] υπολογισμένο στα σημεία ωk = 2πk/4 για k = 0, 1, 2, 3.
(β) Δίχως να υπολογίσετε ευθείς και αντίστροφους DFT, να προσδιορίσετε μια ακολουθία, z[n],
μήκους 6, που είναι μη μηδενική μόνο για n = 0, 1, . . . , 5, και για την οποία ισχύει:

Z(ej2πk/5 ) = X(ej2πk/5 ), k = 0, 1, 2, 3, 4.

Δηλαδή, ο DTFT της ακολουθίας z[n] ταυτίζεται με τον DTFT της ακολουθίας x[n] στα σημεία
ωk = 2πk/5 για k = 0, 1, 2, 3, 4.
(γ) ΄Εστω τώρα η ακολουθία r[n] που ορίζεται ως εξής:

r[n] = (1/2)n u[n].

Βρείτε μια ακολουθία v[n] μήκους 5, για τον DFT 5-σημείων της οποίας ισχύει:

V [k] = R(ej2πk/5 ), k = 0, 1, 2, 3, 4,

όπου R(ejω ) είναι ο DTFT της r[n].

΄Ασκηση 2.2 (Inverse Filtering): Σε πολλές πρακτικές εφαρμογές η παραμόρφωση που έχει
υποστεί ένα επιθυμητό σήμα x[n] μπορεί να μοντελοποιηθεί μέσω ενός ΓΧΑ σύστηματος με
κρουστική απόκριση h[n], όπως φαίνεται στο Σχήμα 1. Αν y[n] είναι το παραμορφωμένο σήμα,
στόχος μας είναι η ανακατασκευή του x[n] από το y[n]. Θεωρητικά, αυτός ο στόχος μπορεί να
επιτευχθεί με ένα αντίστροφο φίλτρο του οποίου η συνάρτηση μεταφοράς Hi (z) είναι η αντίστροφη
της συνάρτησης μεταφοράς H(z) του φίλτρου παραμόρφωσης.
Υποθέτουμε ότι η κρουστική απόκριση h[n] εκφράζεται ως εξής:

h[n] = δ[n] − 0.5δ[n − 2].

1
 h[n] f [n]
x[n] y[n] x̂[n]

Σχήμα 1

(α) Προσδιορίστε τον Z-μετασχηματισμό H(z) και τον DFT 8-σημείων H[k] της κρουστικής
απόκρισης h[n].
(β) Προσδιορίστε την κρουστική απόκριση hi [n] του ιδανικού φίλτρου ανακατασκευής, υποθέτον-
τας ότι είναι αιτιατό. Είναι φίλτρο πεπερασμένης ή άπειρης κρουστικής απόκρισης;
(γ) Σε μια προσπάθεια να υλοποιήσουμε το αντίστροφο φίλτρο, υποθέτουμε ότι χρησιμοποιούμε
ένα φίλτρο f [n] πεπερασμένης κρουστικής αποκρισης με μήκος 8. ΄Εστω ότι για τον DFT 8-
σημείων του f [n] ισχύει:
F [k] = 1/H[k], k = 0, 1, . . . , 7.
Προσδιoρίστε την f [n] και εξηγήστε γιατί με το φίλτρο αυτό δεν επιτυγχάνεται πλήρης αποκατάσ-
ταση του επιθυμητού σήματος x[n], δηλαδή είναι x̂[n] ̸= x[n].
(δ) Υπολογίστε την συνέλιξη του h[n] με το f [n] και από το αποτέλεσμα που θα πάρετε, αξι-
ολογήστε πόσο καλά το φίλτρο f [n] προσεγγίζει το ιδανικό αντίστροφο φίλτρο.

΄Ασκηση 2.3 (Cepstrum): ΄Ενα ευσταθές ΓΧΑ σύστημα έχει συνάρτηση μεταφοράς

(1 − 1/2z −1 )(1 + 2z −1 )
H(z) = .
(1 + 1/3z −1 )(1 − 2z −1 )

(α) Να προσδιορίσετε την κρουστική απόκριση h[n] του συστήματος.

(β) Να βρείτε αναλυτικά το complex cepstrum ĥ[n] του σήματος h[n] και στη συνέχεια το απλό
cepstrum c[n].
(γ) Εστω το LPC σύστημα μοντελοποίησης ακουστικού σήματος με συνάρτηση μεταφοράς
∞
X G
H(z) = h[n]z −n = Pp
n=−∞
1− k=1 αk z −k

όπου {αk , k = 1, 2, . . . , p} είναι οι LPC συντελεστές. Υποθέτουμε ότι όλοι οι πόλοι του H(z)
βρίσκονται μέσα στο μοναδιαίο κύκλο. Αν ĥ[n] είναι το complex cepstrum του σήματος h[n], να
αποδείξετε αναλυτικά ότι αυτό το cepstrum του LPC μοντέλου μπορεί να υπολογισθεί αναδρομικά
με την σχέση
n−1  
X k
ĥ[n] = αn + ĥ[k]αn−k , n ≥ 1.
k=1
n

΄Ασκηση 2.4 (Linear Prediction, Levinson-Durbin algorithm) [ανεξάρτητα μέρη τα (α),(β),(γ)]:

(α) Δείξτε ότι στη μέθοδο Aυτοσυσχέτισης (Autocorrelation method) για γραμμική πρόβλεψη,
ο πίνακας του συστήματος εξισώσεων που προκύπτει είναι συμμετρικός και Toeplitz.
(β) Για το σχεδιασμό ενός βέλτιστου γραμμικού προβλέπτη τάξης p = 3 με τη μέθοδο της
Αυτοσυσχέτισης, σας δίνονται οι τιμές της αυτοσυσχέτισης του (παραθυρωμένου) σήματος: r[0] =
1.05, r[1] = 0.7, r[2] = 0.5, r[3] = 0.4.
(β.1) Επαληθεύσετε ότι ο 3 × 3 πίνακας αυτοσυσχέτισης που σχηματίζεται από τις παραπάνω
αριθμητικές τιμές των r[k] είναι θετικά ορισμένος. (Υπόδειξη: Ελέγξτε τα πρόσημα των κύριων
υπο-οριζουσών του πίνακα ή τα πρόσημα των ιδιοτιμών του.)

2
(β.2) Χρησιμοποιώντας τον αλγόριθμο Levinson-Durbin, βρείτε τους βέλτιστους LPC συντε-
λεστές {αi }, και τους αντίστοιχους βέλτιστους συντελεστές ανάκλασης {ki }.
(γ) Για ένα γραμμικό προβλέπτη τάξης p = 4, εάν οι βέλτιστοι LPC συντελεστές {αi } είναι οι:
α1 = 0.93, α2 = 0.338, α3 = −1.065, α4 = 0.5
χρησιμοποιείστε την αναδρομή Levinson-Durbin σε μορφή πίνακα για να βρείτε τους αντίστοιχους
συντελεστές ανάκλασης {ki }.
Σημείωση: Ο αλγόριθμος Levinson-Durbin με τον ορθό συμβολισμό περιγράφεται στις συνοπτικές
σημειώσεις (διαφάνειες) του μαθήματος.

΄Ασκηση 2.5 (Discrete-Time Random Signals, Power Spectrum): Εστω ότι μας δίνεται μια
στοχαστική ανέλιξη x[n] με μηδενική μέση τιμή και αυτοσυσχέτιση:
1
rx [k] = 2e− 2 |k| .
Θεωρούμε ότι η x[n] είναι είσοδος σε ένα φίλτρο με κρουστική απόκριση h[n] = (1/2)n u[n] και
έστω y[n] η έξοδος του φίλτρου.
(α) Δώστε τα χαρακτηριστικά μιας στοχαστικής ανέλιξης x[n] τύπου AR(1), που έχει την ακολου-
θία αυτοσυσχέτισης rx [k] που δίνεται παραπάνω.
(β) Να βρείτε το φάσμα ισχύος Px (ejω ) ως πραγματική συνάρτηση της συχνότητας ω.
(γ) Να βρείτε την ακολουθία ετεροσυσχέτισης ryx [k] μεταξύ της εξόδου και της εισόδου του
φίλτρου.
(δ) Να προσδιορίσετε αναλυτικά τα φάσματα Pyx (ejω ) και Py (ejω ), ως συναρτήσεις της συχνότητας
ω.
Εξηγείστε την εργασία σας.

΄Ασκηση 2.6 (AR Process and Wiener Filtering): ΄Εστω μια στοχαστική ανέλιξη s[n] τύπου
AR(2) που δημιουργείται από την εξίσωση διαφορών:
s[n] = 0.75s[n − 1] − 0.5s[n − 2] + η[n],
όπου η[n] είναι λευκός θόρυβος μεταβλητότητας ση2 = 0.1. Παρατηρούμε το σήμα:
x[n] = s[n] + v[n],
όπου v[n] είναι λευκός θόρυβος μεταβλητότητας σv2 = 0.1 και ασυσχέτιστος με το σήμα s[n].
(α) Αξιοποιώντας κατάλληλα τις εξισώσεις Yule-Walker, να υπολογίσετε την ακολουθία αυτο-
συσχέτισης rs [k] για k = 0, 1, 2, 3.
(β) Να σχεδιάσετε ένα βέλτιστο FIR φίλτρο Wiener τρίτης τάξης με συνάρτηση μεταφοράς
W (z) = w(0) + w(1)z −1 + w(2)z −2 .
Να βρείτε την κρουστική απόκριση w[n] του βέλτιστου φίλτρου και το αντίστοιχο ελάχιστο μέσο
τετραγωνικό σφάλμα ξ = E{|e[n]|2 }, όπου e[n] = s[n] − x[n] ∗ w[n].
(γ) Συνεχίζοντας το (β), να υπολογίσετε τον σηματοθορυβικό λόγο πριν και μετά την εφαρμογή
του φίλτρου καθώς και το κέρδος σε dB που έχουμε με την εφαρμογή του φίλτρου.
(δ) Να επαναλάβετε το ερώτημα (β) για το πρόβλημα γραμμικής πρόβλεψης παρουσία θορύβου.
Δηλαδή, να σχεδιάσετε ένα βέλτιστο FIR φίλτρο Wiener τρίτης τάξης, όπου τώρα το σφάλμα που
ελαχιστοποιείται εκφράζεται ως e[n] = s[n + 1] − x[n] ∗ w[n].
Σημείωση: Η θεωρία των φίλτρων Wiener εξηγείται στο Κεφ. 7 του [1].

[1] M. H. Hayes, Statistical Digital Processing and Modeling, Wiley, 1996