Modelli autoregressivi - Ingegneria Biomedica
Modelli autoregressivi - Ingegneria Biomedica
Modelli autoregressivi - Ingegneria Biomedica
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
2.2 <strong>Modelli</strong> Stocastici<br />
2.2.1 Introduzione.<br />
I modelli stocastici a cui faremo riferimento sono basati sull'ipotesi,(Yule),che una<br />
serie temporale si può considerare come l'uscita di un filtro lineare che ha come<br />
ingresso una sequenza di campioni appartenenti ad una funzione membro di un<br />
processo rumore bianco { a(n) } a media nulla e varianza σa 2 (fig.1) .<br />
Fig.1 Modello ingresso-uscita del filtro lineare<br />
Nel continuo per un sistema lineare e causale, si può scrivere:<br />
∞<br />
(2.1) z() t = ∫ g( τ ) •a( t −τ<br />
) dτ<br />
τ = 0<br />
dove g(τ) è la risposta impulsiva del sistema .<br />
Poiché l'identificazione parametrica è una tecnica di analisi che si basa su dati<br />
campionati a partire dal segnale z(t), indicando con tk = kT per k=1,2,... gli istanti di<br />
campionamento, si ha:<br />
∞<br />
(2.2) z( KT) = ∫ g( τ) •aKT ( −τ)<br />
dτ<br />
τ = 0<br />
con T intervallo di campionamento .In genere si suppone<br />
(2.3) a() t = ak KT< t < ( k + 1 ) T<br />
da cui:<br />
(2.4)<br />
avendo posto g () l ∫ g( τ) dτ<br />
.<br />
T<br />
=<br />
( l−1) T<br />
Posto T=1 la (4) si riduce a :<br />
lT<br />
lT<br />
zKT ( ) = g( τ) •akT ( −τ)<br />
dτ<br />
=<br />
∞<br />
⎡<br />
⎢<br />
⎣<br />
lT<br />
∞<br />
∑<br />
l=<br />
1 τ = ( l−1) T<br />
⎤<br />
∞<br />
g( τ) dτ ⎥• ak−l 1 ⎦<br />
=<br />
l=<br />
gT( 1)<br />
•a<br />
∑ ∫ ∑<br />
l=<br />
1 τ = ( l− ) T<br />
1<br />
∫<br />
k−l 38
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
∞<br />
(2.5) zn = ∑ g( k) • an−k n=<br />
01 , ,...<br />
k=<br />
1<br />
L'operazione di filtraggio è, quindi, la somma opportunamente pesata di campioni<br />
del segnale di ingresso precedenti l'istante di osservazione .<br />
Introduciamo, ora, l'operatore ritardo q -1 definito dalle:<br />
Sostituendo nella (5) si ha :<br />
−1<br />
−m<br />
n n−1<br />
n n−m<br />
q a = a q a = a<br />
∞<br />
∞ ⎡<br />
⎤<br />
−k−k zn= ∑ g( k) • q an= g k •q<br />
a G q a<br />
⎣<br />
⎢∑<br />
( )<br />
⎦<br />
⎥• = ( ) •<br />
k = 1<br />
(2.6)<br />
k = 1<br />
z = G ( q ) • a<br />
n n<br />
n n<br />
dove G(q) è l'operatore di trasferimento del sistema lineare e la sua Z trasformata ne<br />
è la funzione di trasferimento. La z trasformata di G(q):<br />
(2.7) Gz gk z k<br />
() = ( ) •<br />
k<br />
−<br />
∞<br />
∑<br />
= 1<br />
è una funzione a valori complessi nella variabile complessa z. I valori Z=βi tali che<br />
G(β)=O sono gli zeri della funzione di trasferimento del sistema , mentre quelli αi per<br />
cui G(αi) tende all'infinito sono i poli della funzione di trasferimento. Se poi G(z) è<br />
una funzione razionale di z, i poli di G(z) sono gli zeri del polinomio al<br />
denominatore. Gli zeri ed i poli della funzione di trasferimento G(z) sono, anche, zeri<br />
e poli dell'operatore di trasferimento G(q).<br />
2.2.2 Condizioni Di Stazionarietà ed Invertibilità.<br />
Diremo che il sistema lineare definito dalla (2.6) è stabile se:<br />
∞<br />
(2.8) ∑ gk ( )
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
è convergente per z > 1 e quindi che G(z) è analitica al di fuori del cerchio unitario .<br />
In particolare, se G(z) è razionale, la (2.8) ci assicura che la funzione di trasferimento<br />
del sistema non ha poli in quell'area. Il modello (2.6) implica che , sotto ben precise<br />
condizioni, Zn si possa esprimere come una somma pesata dei valori passati di z<br />
stesso ed un termine di rumore an. Risulta cioè :<br />
(2.9) z = h • z + h • z + K + a = h • z + a<br />
n 1 n−1 2 n−2 n j n− j<br />
j=<br />
1<br />
il valore corrente del processo è, in termini stocastici "regredito" su tutti i suoi<br />
valori precedenti. La (2.9) può essere riscritta come:<br />
con<br />
∞<br />
∑<br />
Hq ( )= − h•q −<br />
1<br />
j=<br />
1<br />
j<br />
j<br />
∞<br />
∞<br />
∑<br />
− j<br />
( 1−∑h<br />
•q ) • z = a<br />
j<br />
n n<br />
j=<br />
1<br />
(2.10) H( q)• zn = an<br />
Ovviamente il modello (2.6) può essere rappresentato con la (2.10) se la H(q)<br />
soddisfa la condizione di invertibilità. Tale condizione di invertibilità è indipendente<br />
da quella di stazionarietà ed è applicabile, in generale, anche a modelli lineari non<br />
stazionari. Per meglio chiarire il problema dell'invertibilità, prendiamo in<br />
considerazione il modello:<br />
−1<br />
(2.11) z = ( 1−ϑ<br />
•q ) •a<br />
n n<br />
Esprimendo an in funzione dei campioni z;, la (2.11) diventa:<br />
−1 −1<br />
−1 2 −2 k − k k+ 1 − ( k+<br />
1) −1<br />
a n ( 1 ϑ q ) zn= ( 1 ϑ q ϑ q K ϑ q ) ( 1 ϑ q )<br />
= − • • = + • + • + + • • − • • z<br />
per k che tende all'infinito, otteniamo la serie infinita data da:<br />
2<br />
(2.12) z = −ϑ • z −ϑ • z − +<br />
n n−1n−2 ... an Per ϑ 1 il valore corrente Zn nella (2.12)<br />
dipenderà da Zn-l...Zn-k ma con pesi θ crescenti con k e la sua somma sarà infinita. In<br />
ogni caso, qualunque sia il valore di θ, la (2.11) definisce un processo stazionario. In<br />
definitiva, per superare il problema si fa l'ipotesi ϑ < 1, e si definisce la serie<br />
invertibile. In generale questa condizione è verificata se la serie H(q), data da :<br />
j<br />
(2.13) H( q)=<br />
•q− ∑ ϑ<br />
∞<br />
j=<br />
1<br />
j<br />
n<br />
n<br />
40
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
converge per q > 1 (il sistema a( n) = Hq ( ) • zn deve essere stabile), e quindi che il<br />
processo (2.10) è invertibile se la serie H(q) converge all'esterno del cerchio unitario.<br />
Confrontando la (2.6) con la (2.10) è possibile dimostrare che:<br />
(2.14) H( q) = G ( q)<br />
−1<br />
per cui se G(q) è una funzione razionale, la condizione di invertibilità appena vista<br />
per H(q) richiede che G(q) non abbia zeri sul o al di fuori del cerchio unitario. In altri<br />
termini, per le condizioni di invertibilità e stazionarietà, limiteremo la nostra analisi a<br />
sistemi a fase minima, tali cioè che G(q) abbia zeri e poli all'interno del cerchio<br />
unitario.<br />
2.3 <strong>Modelli</strong> Stocastici Autoregressivi (Ar).<br />
Nei modelli <strong>autoregressivi</strong> il valore corrente del processo z(t) è espresso come una<br />
somma finita di valori precedenti più un termine di rumore a(n). Supponendo per<br />
semplicità, che il processo sia a media nulla, si ha:<br />
z( n)= φ1•zn−1 + φ2 • zn−2+ K + φp<br />
• zn−p + an<br />
e z(n) è detto processo autoregressivo di ordine p. In forma più compatta, si ha:<br />
−1−2 −<br />
con Φ( q) = 1−ϕ1•q − φ2•q −K −φ p • q<br />
Risulta, quindi:<br />
(2.17) Φ( q) • z = a<br />
p<br />
n n<br />
−<br />
(2.18) z = Φ q • a n<br />
1 ( ) ( )<br />
cioè, un processo AR può sempre essere visto come l'uscita di un filtro lineare con<br />
−1 operatore di trasferimento pari a Φ ( q)<br />
al cui ingresso è presente un rumore bianco.<br />
2.3.1 Condizioni di Stazionarietà ed Invertibilità.<br />
−1 Consideriamo l'espansione in fratti semplici della Φ ( q)<br />
data da:<br />
(2.19) Φ −<br />
1<br />
n<br />
( q)<br />
=<br />
p<br />
∑<br />
i=<br />
1 1<br />
ki<br />
−1<br />
( −G •q<br />
)<br />
i<br />
41
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
−1 Affinchè Φ ( q) sia convergente per q >= 1, si dovrà verificare Gi < 1, con<br />
i=1,2,...,p; cioè le radici dell' equazione Φ( q ) = 0 devono trovarsi all' interno del<br />
cerchio unitario. L' equazione Φ( q ) = 0 è detta equazione caratteristica del processo.<br />
La condizione di invertibilità per un processo AR di ordine finito non richiede<br />
restrizione sui paramentri del modello autoregressivo. Infatti il polinomio Φ( q ) ,<br />
equivalente all' H( q ) del modello generale dato dalla (2.10), è finito e dunque limitato<br />
qualunque sia il valore dei parametri Φi .<br />
2.3.2 FUNZIONE DI AUTOCORRELAZIONE (ACF)<br />
Nell'ipotesi di processo z(t) almeno debolmente stazionario, moltiplicando<br />
entrambi i membri dell'equazione (2.17) per zn−ke valutandone la media statistica si<br />
ottiene una forma ricorsiva per il calcolo della funzione di autocorrelazione di<br />
processi stazionari <strong>autoregressivi</strong>:<br />
che in forma sintetica può scriversi:<br />
dove<br />
(2.20) r = ϕ • r + ... + ϕ • r k ><br />
−1−2 p<br />
[ ϕ ϕ2Kϕ q ] −<br />
Φ( q) = 1 − 1 • q + • q + + p •<br />
k 1 k−1 p k−p 0<br />
(2.21) Φ( q) • rk= 0<br />
Notiamo, innanzitutto, che Ezn−k • an<br />
= 0 per k > 0 nell'ipotesi che a n e z n−k siano<br />
incorrelati per k>0. A partire dall'espansione in fratti della ϕ −1 ( q ) data dalla 2.19, si<br />
può scrivere, fattorizzando:<br />
(2.22)<br />
p<br />
Φ( q) = ( −Gi• )<br />
−1<br />
∏ 1 q<br />
La (2.22), sostituita nella (2.21) fornisce un'espressione generale della funzione<br />
di autocorrelazione r k di un processo autoregressivo, data da:<br />
i=<br />
1<br />
(2.23) r = A • G + A • G + ... + Ap•G k k k<br />
k 1 1 2 2<br />
p<br />
dove G1, G2,..., G p sono le soluzioni dell' equazione caratteristica ϕ ( q ) = 0.<br />
Poichè<br />
per la condizione di stazionarietà è richiesto che<br />
G i < 1, si ottiene, nell' ipotesi di G<br />
i<br />
42
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
reali, una funzione di autocorrelazione che decresce in maniera esponenziale. Nel<br />
caso di radici complesse e coniugate si ottiene un termine sinusoidale del tipo:<br />
k<br />
d • sin( 2π kf)<br />
In generale la funzione di autocorrelazione per un processo AR stazionario è data<br />
dalla somma di esponenziali decrescenti e sinusoidali smorzate.<br />
2.3.3 PARAMETRI DEL MODELLO AR IN TERMINI DEI COEFFFICIENTI DI<br />
AUTOCORRELAZIONE - EQUAZIONI DI YULEWALKER<br />
Se sostituiamo k = 1,2,...,p nell'equazione ricorsiva (2.21) per il calcolo dei<br />
coefficienti di autocorrelazione ,otteniamo un set di p equazioni lineari nelle<br />
incognite ϕ1, ϕ2, K , ϕp<br />
, in funzione dei coefficienti di autocorrelazione r r r 1, 2,<br />
K , p<br />
r<br />
r = ϕ • r + ϕ<br />
.<br />
.<br />
1<br />
r<br />
2<br />
p<br />
= ϕ<br />
1<br />
1<br />
= ϕ • r<br />
1<br />
.<br />
.<br />
+ ϕ • r + K+<br />
ϕ • r<br />
1<br />
p−1<br />
2<br />
2<br />
.<br />
.<br />
1<br />
+ ϕ • r<br />
2<br />
p<br />
+ K+<br />
ϕ • r<br />
p-2<br />
p<br />
.<br />
.<br />
p−1<br />
+ K+<br />
ϕ<br />
Queste equazioni sono appunto dette di YULE WALKER. Esse sono, peraltro, il<br />
risultato del più generale criterio di minimizzazione dell'errore quadratico medio. Qui<br />
di seguito, prima di discutere della risoluzione del sistema stesso, riportiamo, infatti<br />
la derivazione di dette equazioni a partire da questo generale criterio di<br />
minimizzazione .<br />
Il modello AR dato da:<br />
( ) =+ i • ( − ) + ( )<br />
zn ∑ ϕ zn i an<br />
è, per ipotesi, il segnale che vogliamo determinare. Supponendo che l'ingresso del<br />
filtro lineare AR sia totalmente incognito, è possibile approssimare il segnale z(n)<br />
mediante una somma pesata di campioni precedenti :<br />
p<br />
( ) =+ i • ( − )<br />
~ z n ∑ ϕ z n i<br />
Quindi l'errore tra il valore attuale z(n) e quello predetto z(n) è dato da :<br />
1<br />
p−<br />
2<br />
p<br />
( ) = ( ) − ~ ( ) = ( ) −∑ϕi• ( − )<br />
en zn z n zn zn i<br />
1<br />
p<br />
43
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
detto residuo relativo a z(n) . Nel metodo dei minimi quadrati parametri i sono<br />
ottenuti come risultato della minimizzazione dell'errore quadratico E = E(en 2 )<br />
[valutato come media statistica di un processo aleatorio in cui, al variare di n, le e(n)<br />
sono le variabili aleatorie] rispetto a ciascun parametro ϕi . Risulta, cioè:<br />
ed<br />
L’errore medio minimo è dato da:<br />
( ∑ ϕ 1 )<br />
p<br />
(2.24) E = En z( n) − i •z( n−i) (2.25) δ<br />
E<br />
= 0 , 1 < i < p<br />
δϕ<br />
i<br />
p<br />
(2.26) E E z( n) p = + ∑ ϕk<br />
•E z n •z n−k [ ] [ ( ) ( ) ]<br />
Dalle (2.24),(2.25) si ottiene un sistema di p equazioni dette "normali" dato da :<br />
p<br />
(2.27) • E[<br />
z(<br />
n − k ) • z(<br />
n − m)<br />
] = E[<br />
z(<br />
n)<br />
• z(<br />
n − i)<br />
]<br />
∑<br />
1 k ϕ<br />
Nel caso di processo almeno debolmente stazionario risulta :<br />
(2.28) ( ) ( )<br />
1<br />
[ ]<br />
Ezn•zn− i = Ri ()<br />
essendo R(i) l'autocorrelazione del processo autoregressivo.<br />
Sostituendo la 2.27 nella 2.26 il sistema di p equazioni assume la forma:<br />
(2.2 9 ) ∑<br />
p<br />
1<br />
ϕ • R(<br />
i − k)<br />
= −R(<br />
i)<br />
k<br />
Dalle equazioni introdotte otteniamo una stima YULE-WALKER dei parametri,<br />
sostituendo ai coefficienti di autocorrelazione teorici quelli stimati. Indicando con :<br />
⎡ϕ1<br />
⎤<br />
⎢<br />
ϕ<br />
⎥<br />
2<br />
ϕ = ⎢ ⎥<br />
⎢•<br />
⎥<br />
⎣<br />
⎢ϕ<br />
⎦<br />
⎥<br />
p<br />
⎡R(1)<br />
⎤<br />
⎢<br />
R(2)<br />
⎥<br />
R = ⎢ ⎥<br />
⎢ • ⎥<br />
⎣⎢<br />
R(p) ⎦⎥<br />
⎡ 1 R( 1) • R( p−1)<br />
⎤<br />
⎢<br />
P = ⎢<br />
⎢<br />
R() 1<br />
•<br />
1<br />
•<br />
•<br />
•<br />
R(<br />
p−2)<br />
⎥<br />
⎥<br />
• ⎥<br />
⎣⎢<br />
Rp ( −1) • • 1 ⎦⎥<br />
la soluzione per i parametri ϕi puo essere scritta in forma matriciale:<br />
(2.30) ϕ =<br />
− •<br />
P R<br />
1<br />
2<br />
44
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
Il grado di approssimazione con cui viene effettuata la stima del parametri del<br />
modello AR di ordine p è, ovviamente, legato a quello con cui si stimano i<br />
coefficienti R(k) che come abbiamo visto in precedenza è tanto migliore quanto<br />
maggiore è il numero N di campioni su cui si effettua la stima .<br />
Esistono alcuni metodi diretti di risoluzione del sistema di p equazioni nelle p<br />
incognite ϕi noti come metodo di riduzione di Gauss e di Crout che richiedono , in<br />
generale , p 3 /3 operazioni e p 2 allocazioni in memoria . Il metodo di decomposizione<br />
di Cholesky, richiede , invece , la metà circa delle operazioni ed allocazioni in<br />
memoria .<br />
Il metodo iterativo di Levinson richiede solo p 2 operazioni e 2p allocazioni in<br />
memoria. Il vantaggio di tale metodo è ,inoltre, quello di fornire iterativamente anche<br />
le soluzioni dei modelli AR di ordine minore di p e quindi di permettere la<br />
valutazione dell'errore minimo Ei ad ogni iterazione.<br />
2.3.4 METODO RECURSIVO DI LEVINSON E DURBIN<br />
Levinson e Durbin hanno dimostrato che la stima dei coefficienti di un modello<br />
autoregressivo di ordine p+1 [AR(p+1)] può essere ottenuta a partire dai parametri<br />
calcolati per il modello autoregressivo di ordine p [AR(p)], calcolato sulla stessa serie<br />
numerica. Per illustrare la ricorsione consideriamo le equazioni di Yule-Walker per i<br />
modelli di ordine due e tre:<br />
r2<br />
= ϕ 21r1<br />
+ ϕ 22<br />
(2.31)<br />
r = ϕ + ϕ r<br />
(2.32)<br />
r<br />
r<br />
r<br />
3<br />
2<br />
1<br />
1<br />
= ϕ<br />
31<br />
31 1<br />
31<br />
2<br />
21<br />
= ϕ r + ϕ<br />
32<br />
32 1<br />
22 1<br />
= ϕ r + ϕ r + ϕ<br />
32 1<br />
33 1<br />
33<br />
33<br />
+ ϕ r<br />
+ ϕ r + ϕ r<br />
I coefficienti ϕ31 e ϕ32 possono essere espressi in funzione del coefficiente ϕ33 e dei<br />
valori r1 r2 dell’autocorrelazione calcolata sulla serie numerica. Utilizzando il<br />
simbolismo matriciale si può scrivere:<br />
⎡ϕ<br />
31 ⎤ 1 2 ϕ 33 1<br />
⎢<br />
2<br />
ϕ<br />
⎥<br />
⎣ 32 ⎦<br />
1 ϕ 33 2<br />
1<br />
2<br />
=<br />
⎡ − ⎤<br />
⎢<br />
⎣ −<br />
⎥<br />
⎦<br />
= ⎡<br />
− r r<br />
R<br />
r r<br />
r 1⎤<br />
R ⎢ ⎥<br />
⎣1<br />
r1 ⎦<br />
L’ultima equazione può essere così riscritta:<br />
2<br />
45
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
ϕ ⎡<br />
⎢<br />
⎣ϕ<br />
31<br />
32<br />
⎤ ⎡ ⎤<br />
⎥ = R<br />
⎦<br />
r<br />
−12−1 2 ⎢ ⎥ − R2<br />
⎣r1<br />
⎦<br />
ϕ<br />
⎡r1<br />
⎤<br />
⎢ ⎥<br />
⎣r<br />
⎦<br />
Ricordando che la 2.31 può essere riscritta nella forma<br />
si ottiene:<br />
cioè<br />
⎡ϕ<br />
⎢<br />
⎣ϕ<br />
31<br />
32<br />
⎡ϕ<br />
⎢<br />
⎣ϕ<br />
21<br />
22<br />
⎤ ϕ<br />
⎥ =<br />
⎦ ϕ<br />
⎡<br />
⎢<br />
⎣<br />
⎤ ⎡ ⎤<br />
⎥ = R ⎥<br />
⎦ ⎦<br />
r<br />
21<br />
22<br />
−1<br />
2<br />
2 ⎢<br />
⎣r1<br />
ϕ ϕ ⎤ ⎡<br />
⎥ − 33⎢<br />
⎦ ⎣ϕ<br />
ϕ = ϕ − ϕ ϕ<br />
31 21 33 22<br />
ϕ = ϕ −ϕ<br />
ϕ<br />
32 22 33 21<br />
Per calcolare ϕ31 ϕ32 è necessario calcolare ϕ33, sostituendo le ultime equazioni nelle<br />
2.32 si ottiene:<br />
ϕ<br />
33<br />
33<br />
22<br />
21<br />
r3−ϕ21r2 − ϕ22r1<br />
=<br />
1−ϕ<br />
r −ϕ<br />
r<br />
21 1 22 2<br />
In generale si possono scrivere le seguenti formule ricorsive:<br />
ϕ<br />
ϕ = ϕ − ϕ ϕ<br />
⎤<br />
⎥<br />
⎦<br />
p+ 1, j p, j p+ 1, p+ 1 p, p− j+<br />
1<br />
r<br />
−<br />
p<br />
∑ j<br />
∑<br />
p+<br />
1 = 1<br />
p+<br />
1,<br />
p+<br />
1 = p<br />
ϕ<br />
1− ϕ r<br />
j=<br />
1<br />
pj<br />
r<br />
j<br />
2<br />
p,<br />
j p+<br />
1−<br />
j<br />
2.3.5 STABILITA' DEL MODELLO AUTOREGRESSIVO IDENTIFICATO<br />
Dopo aver stimato i parametri ϕi del processo autoregressivo, è necessario verificare<br />
la stabilità del filtro H(z) =ϕ -1 (z), trasformata della ϕ -1 (q), data da :<br />
(2.33) Hz () = =<br />
p<br />
AZ ( )<br />
− •z −<br />
1 1<br />
1 ϕ<br />
∑<br />
k = 1<br />
k<br />
k<br />
46
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
A(z) è detto filtro inverso .<br />
La condizione di stabilità richiede, come già detto, che tutti poli di H(z) giacciano<br />
all'interno del cerchio unitario (filtro a fase minima ) .<br />
E' possibile dimostrare che se i coefficienti R(i) nella (2.29) sono definiti positivi la<br />
soluzione delle equazioni di YuleWalker fornisce delle stime di ϕi che garantiscono la<br />
stabilità di H(z). In realtà, è stato verificato che il metodo di stima YuleWalker<br />
garantisce sempre per un processo autoregressivo la stabilità del filtro H(z) .<br />
2.3.6 CRITERIO DI SCELTA DELL'ORDINE DEL MODELLO AR IL CRITERIO DI<br />
AKAIKE.<br />
Il criterio d'informazione di Akaike rappresenta una procedura particolare di un più<br />
generale criterio noto come " metodo di predizione dell'errore (PEM) " .<br />
L'applicazione del criterio di Akaike ai modelli <strong>autoregressivi</strong> ha lo scopo di fornire<br />
l'ordine ottimo da assegnare al modello AR , ottenuto minimizzando la seguente<br />
quantità :<br />
(2.34) ( ) ( ϕ )<br />
dove si indica con :<br />
• M = ordine del modello.<br />
• ϕ = vettore stimato dei parametri del modello<br />
• L è la funzione di verosimiglianza<br />
AIC M = −2• L + 2•M<br />
L'idea che sta alla base del criterio di informazione di Akaike è di minimizzare<br />
l'informazione aggiunta alla serie temporale dal modello AR, in quanto ogni<br />
informazione aggiunta è una falsa informazione. Derivando la funzione L rispetto a<br />
ϕi ed eguagliando a zero, si ottiene il vettore dei parametri stimato a massima<br />
verosimiglianza.<br />
Il termine 2 * L(Φ) tende a decrescere rapidamente con l'ordine del modello, mentre<br />
l'altro termine 2 * M a crescere; riportando in ordinate il valore di AIC(M) in<br />
funzione di M, si ottiene un punto di minimo che rappresenta proprio l'ordine ottimo<br />
del modello.<br />
Per processi stocastici Gaussiani, in particolare, l'espressione di Akaike si riduce .<br />
(2.35) AIC( M ) = −ln(<br />
V p ) + ( 2 • M ) / N<br />
2 [ ∑en<br />
]<br />
(2.36) Vp<br />
= 0 < V <<br />
2<br />
p 1<br />
[ ∑zn<br />
]<br />
Con il termine Vp si indica l'energia residua normalizzata, cioè il rapporto tra<br />
l'energia della sequenza d'errore ( differenza tra il segnale originale e quello<br />
47
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
modellato) e l'energia della serie temporale data; N è il numero dei campioni della<br />
serie .<br />
Inoltre, quando l'ordine del modello è quello ottimo, la funzione di autocorrelazione<br />
della sequenza d'errore diventa impulsiva, cioè e(n) diventa rumore bianco. E'<br />
desiderabile avere una misura della bianchezza di {e(n)}, perché se tale sequenza non<br />
fosse bianca il processo stocastico non sarebbe correttamente modellato, e si<br />
perderebbe informazione. Un ordine maggiore, come vedremo, riduce solo la potenza<br />
persa.<br />
2.3.7 FUNZIONE DI PARZIALE AUTOCORRELAZIONE (PACF)<br />
Un parametro molto importante nella fase di identificazione del modello è la<br />
funzione di parziale autocorrelazione del segnale (PACF).<br />
Indichiamo con ϕkj il jmo coefficiente in un processo AR di ordine k, sicché ϕkk è<br />
l'ultimo coefficiente. La quantità ϕkk vista come funzione al ritardo k, è detta funzione<br />
di parziale autocorrelazione.<br />
Per un processo autoregressivo AR(p) , la funzione di parziale autocorrelazione ϕkk<br />
risulta identicamente nulla per k maggiore di p.<br />
(2.39) ϕ kk = 0 k >p<br />
In altre parole, la stima della PACF di un processo AR(p) ha un 'cutoff' al ritardo p.<br />
2.3.8 ERRORE STANDARD NELLA STIMA DELLA PACF<br />
E' stato dimostrato (Quenouille) che se un processo è AR di ordine p , le stime dei<br />
valori ϕkk della PACF per un ritardo maggiore di p+1(ordine maggiore di p+1) sono<br />
distribuite indipendentemente e risulta :<br />
(2.41) [ ]<br />
var ϕ kk<br />
Quindi l'errore standard (S.E.) nella stima di ϕkk é<br />
(2.42) SE. [ ]<br />
=<br />
n<br />
1 k > p +1<br />
. ϕ kk =<br />
n<br />
1 k > p +1<br />
dove n è la lunghezza della sequenza del segnale zn utilizzata.<br />
2.3.9 SPETTRO DEL SEGNALE AUTOREGRESSIVO.<br />
48
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
Per un sistema lineare tempo-invariante numerico con in ingresso un processo WSS<br />
x(t) ed uscita y(t)si può dimostrare la seguente relazione (Papoulis):<br />
jωT ( ω) = ( ω)<br />
( )<br />
S S H e<br />
yy xx<br />
e se h(n) è reale allora H*(e jωT )= H(e -jωT ) e si ottiene:<br />
−1<br />
( z)<br />
= S ( z)<br />
H ( z)<br />
H ( z )<br />
S xx<br />
yy<br />
per un sistema definito da un’ equazione del tipo<br />
yn ( ) + ayn ( − 1 ) + ... + a yn ( − N) = bxn ( ) + ... + bxn ( − r)<br />
con funzione di trasferimento data dalla:<br />
si ottiene per lo spettro:<br />
1 N 0<br />
r<br />
−r<br />
b0+ ... + brz Hz ( ) =<br />
1<br />
1+<br />
az + ... + a z<br />
1<br />
− −N<br />
N<br />
2<br />
Nz ( )<br />
=<br />
Dz ( )<br />
2<br />
− jωMT b0+ ... + bre Syy ( ω) = Sxx<br />
( ω)<br />
•<br />
j T<br />
1 + ae + ... + a e<br />
− ω −jωNT<br />
2<br />
1<br />
N<br />
e quindi per un sistema puramente autoregressivo (AR) il cui ingresso x(n) è un<br />
rumore bianco (Sxx(ω)=σ 2 ) si ottiene:<br />
S<br />
yy<br />
( ω)<br />
σ<br />
=<br />
j T<br />
1 + ae + ... + a e<br />
2<br />
− ω −jωNT<br />
2<br />
1<br />
N<br />
che scritta in termini di variabile z può essere decomposta (Orphanidis) in fratti<br />
semplici del tipo:<br />
b<br />
0<br />
b + b z<br />
−1−1 1−a z 1−<br />
a z + a z<br />
1<br />
1<br />
0 1<br />
che danno contributi come quelli riportati nelle figure seguenti (polo reale e coppia<br />
di poli complessi coniugati.<br />
Le antitrasformate di questi due termini sono esponenziali decrescenti e sinusoidi<br />
smorzate. Ricordando che l’antitrasformata dello spettro è la funzione di<br />
autocorrelazione si ottiene che l’autocorrelazione è la somma di esponenziali<br />
decrescenti e sinusoidi smorzate in perfetto accordo con quanto indicato nei paragrafi<br />
precedenti.<br />
2<br />
−2<br />
49
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
2.3.10 DECOMPOSIZIONE SPETTRALE<br />
Lo spettro di un segnale autoregressivo può essere scritto come:<br />
2<br />
− 1 σ<br />
S yy ( z)<br />
= S xx ( z)<br />
H ( z)<br />
H ( z ) =<br />
−1<br />
D(<br />
z)<br />
D(<br />
z )<br />
e ricordando la relazione di Parseval:<br />
π<br />
N<br />
* jω * jω<br />
−1 −1<br />
∑ ynyn ( ) ( ) = He ( ) H ( e ) d = HzHz ( ) ( ) z dz Rp<br />
i=<br />
∫<br />
ω ∫ =<br />
1<br />
∑ ( i )<br />
−π<br />
Dove C è il cerchio di raggio unitario. L’ultima eguaglianza è valida solo se C è una<br />
curva che racchiude un dominio regolare nel campo di olomorfia della funzione della<br />
variabile complessa z:<br />
HzHz ( ) ( ) −1<br />
i residui potranno essere calcolati come:<br />
( ) ( )<br />
lim HzHz * z<br />
z→pi c<br />
−1 −1<br />
ricordando che la HzHz ( ) ( ) −1 può essere decomposta in fratti semplici l’integrale<br />
presente nella relazione di Parseval può essere decomposto in una sommatoria di<br />
integrali:<br />
ω * ω<br />
( ) ( )<br />
π<br />
N<br />
j j ⎡ bi<br />
bi<br />
∫He H e dω=<br />
∑∫⎢−<br />
−<br />
π<br />
i = 1c<br />
⎣1−az<br />
i 1−az<br />
i<br />
−<br />
1 1<br />
M<br />
i=<br />
1<br />
⎤ −1<br />
⎥ z dz=<br />
⎦<br />
M<br />
N<br />
b b N<br />
−1⎡<br />
⎤<br />
i<br />
i<br />
∑Ra ( i ) = ∑ lim ( z−ai) z ⎢ − bi<br />
i =<br />
i z→a − ⎥ =<br />
1 1 ∑<br />
1 = 1 i ⎣1−az<br />
i 1−az<br />
i ⎦ i = 1<br />
Da cui il contributo offerto dalla i° componente è dato dal suo residuo<br />
n*RE(bi) dove n=1,2 1 se il polo è reale 2 se si tratta di una coppia di poli<br />
complessi coniugati. La componente i° sarà allora data da:<br />
⎡ b b ⎤<br />
i<br />
i<br />
n* RE⎢<br />
−<br />
− 1 1⎥<br />
⎣1−az<br />
i 1−az<br />
i ⎦<br />
con n=1,2 1 se il polo è reale 2 se si tratta di una coppia di poli complessi<br />
coniugati per un polo l’andamento è quello riportato in figura a (passa-basso e<br />
passa-alto), per una coppia di poli complessi coniugati quello riportato in figura<br />
b (passa-banda).<br />
50
Corso di Laurea Specialistica in <strong>Ingegneria</strong> <strong>Biomedica</strong> Elaborazione di Segnali Biomedici<br />
<strong>Modelli</strong> <strong>autoregressivi</strong><br />
0 50 100 150 200 250 300<br />
figura a: Risposta in frequenza per un<br />
sistema con funzione di trasferimento ad<br />
un polo reale<br />
0 50 100 150 200 250 300<br />
figura b: Risposta in frequenza per un<br />
sistema con funzione di trasferimento a<br />
poli complessi coniugati<br />
51