Filtro adattivo: Migliorare la visione artificiale attraverso il filtraggio adattivo
Di Fouad Sabry
()
Info su questo ebook
Cos'è il filtro adattivo
Un sistema che ha un filtro lineare e possiede una funzione di trasferimento controllata da parametri variabili nonché un mezzo per alterare tali parametri secondo una tecnica di ottimizzazione è comunemente indicato come filtro adattivo. La stragrande maggioranza dei filtri adattivi sono filtri digitali. Ciò è dovuto alla complessità delle tecniche di ottimizzazione. Alcune applicazioni richiedono l'utilizzo di filtri adattivi poiché alcuni parametri dell'operazione di elaborazione desiderata sono sconosciuti in anticipo o sono spesso soggetti a modifiche. Il perfezionamento della funzione di trasferimento del filtro adattativo ad anello chiuso viene ottenuto mediante l'utilizzo della retroazione sotto forma di un segnale di errore.
Come trarrai beneficio
(I) Approfondimenti e convalide sui seguenti argomenti:
Capitolo 1: Filtro adattivo
Capitolo 2: Rapporto segnale-rumore
Capitolo 3: Rumore gaussiano bianco additivo
Capitolo 4: Elasticità lineare
Capitolo 5: Controllo della modalità di scorrimento
Capitolo 6: Elaborazione degli array
Capitolo 7: Modello autoregressivo
Capitolo 8: Filtro dei quadrati minimi
Capitolo 9: Filtro ricorsivo dei minimi quadrati
Capitolo 10: ADALINE
(II) Rispondere alle principali domande del pubblico sul filtro adattivo.
(III) Esempi reali dell'utilizzo del filtro adattivo in molti campi.
A chi è rivolto questo libro
Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che vogliono andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di Filtro Adattivo.
Correlato a Filtro adattivo
Titoli di questa serie (100)
Equalizzazione dell'istogramma: Miglioramento del contrasto dell'immagine per una migliore percezione visiva Valutazione: 0 su 5 stelle0 valutazioniVisione computerizzata: Esplorare le profondità della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRiduzione del rumore: Miglioramento della chiarezza, tecniche avanzate per la riduzione del rumore nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata del radon: Svelare modelli nascosti nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniMappatura dei toni: Mappatura dei toni: prospettive illuminanti nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniDiffusione anisotropa: Miglioramento dell'analisi delle immagini attraverso la diffusione anisotropa Valutazione: 0 su 5 stelle0 valutazioniRetinex: Svelare i segreti della visione computazionale con Retinex Valutazione: 0 su 5 stelle0 valutazioniTrasformazione di Hough: Svelare la magia della trasformazione di Hough nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniSistema di gestione del colore: Ottimizzazione della percezione visiva negli ambienti digitali Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale subacquea: Esplorando le profondità della visione artificiale sotto le onde Valutazione: 0 su 5 stelle0 valutazioniCorrezione gamma: Migliorare la chiarezza visiva nella visione artificiale: la tecnica di correzione gamma Valutazione: 0 su 5 stelle0 valutazioniModello di aspetto del colore: Comprendere la percezione e la rappresentazione nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniOmografia: Omografia: trasformazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione stereoscopica del computer: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniScala dello spazio: Esplorare le dimensioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniGruppo congiunto di esperti fotografici: Sfruttare la potenza dei dati visivi con lo standard JPEG Valutazione: 0 su 5 stelle0 valutazioniFunzione di corrispondenza dei colori: Comprendere la sensibilità spettrale nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRidipintura: Colmare le lacune nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniIstogramma dell'immagine: Svelare intuizioni visive, esplorare le profondità degli istogrammi delle immagini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniConsenso del campione casuale: Stima robusta nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevatore di bordi astuto: Svelare l'arte della percezione visiva Valutazione: 0 su 5 stelle0 valutazioniModello a colori: Comprendere lo spettro della visione artificiale: esplorare i modelli di colore Valutazione: 0 su 5 stelle0 valutazioniSpazio colore: Esplorare lo spettro della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniStima della posa del corpo articolato: Sbloccare il movimento umano nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniMappatura dei colori: Esplorare la percezione visiva e l'analisi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevamento delle macchie: Scoprire modelli nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniCompressione delle immagini: Tecniche efficienti per l'ottimizzazione dei dati visivi Valutazione: 0 su 5 stelle0 valutazioniProfilo colore: Esplorare la percezione visiva e l'analisi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione affine: Sbloccare le prospettive visive: esplorare la trasformazione affine nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione di feature invarianti di scala: Svelare il potere della trasformazione delle caratteristiche invarianti su scala nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioni
Ebook correlati
Banca filtri: Approfondimenti sulle tecniche del banco di filtri di Computer Vision Valutazione: 0 su 5 stelle0 valutazioniAnti aliasing: Migliorare la chiarezza visiva nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniDither: Rumore visivo nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCorrezione gamma: Migliorare la chiarezza visiva nella visione artificiale: la tecnica di correzione gamma Valutazione: 0 su 5 stelle0 valutazioniRiduzione del rumore: Miglioramento della chiarezza, tecniche avanzate per la riduzione del rumore nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevatore di bordi astuto: Svelare l'arte della percezione visiva Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento automatico del bersaglio: Progressi nelle tecniche di visione artificiale per il riconoscimento del bersaglio Valutazione: 0 su 5 stelle0 valutazioniFlusso ottico: Esplorazione di modelli visivi dinamici nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniMappatura dei toni: Mappatura dei toni: prospettive illuminanti nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniComputer grafica della radiosità: Avanzamento della visualizzazione attraverso la radiosità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCalcolo automatico di indici di qualità di flussi audio trasmessi su IP Valutazione: 0 su 5 stelle0 valutazioniRegolazione del pacchetto: Ottimizzazione dei dati visivi per una ricostruzione precisa Valutazione: 0 su 5 stelle0 valutazioniCampo di movimento: Esplorando le dinamiche della visione artificiale: svelato il campo del movimento Valutazione: 0 su 5 stelle0 valutazioniMappatura dei colori: Esplorare la percezione visiva e l'analisi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniFiltraggio anisotropico: Svelare la complessità visiva nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniMetodo di impostazione del livello: Avanzamento della visione artificiale, esplorazione del metodo dell'impostazione dei livelli Valutazione: 0 su 5 stelle0 valutazioniCorrelazione incrociata: Sbloccare i modelli nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniAppunti di fonia Valutazione: 0 su 5 stelle0 valutazioniImpulse Response e nuovi sistemi di emulazione applicati all'amplificazione per chitarra elettrica Valutazione: 0 su 5 stelle0 valutazioniDiffusione anisotropa: Miglioramento dell'analisi delle immagini attraverso la diffusione anisotropa Valutazione: 0 su 5 stelle0 valutazioniOTDR: Basic Practical Handbook Valutazione: 0 su 5 stelle0 valutazioniElaborazione Misure Ottiche acquisite con OTDR Valutazione: 0 su 5 stelle0 valutazioniEqualizzazione dell'istogramma: Miglioramento del contrasto dell'immagine per una migliore percezione visiva Valutazione: 0 su 5 stelle0 valutazioniModello di riflessione di Phong: Comprendere le interazioni della luce nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniContorno attivo: Avanzamento della visione artificiale con tecniche di contorno attivo Valutazione: 0 su 5 stelle0 valutazioniAlgoritmo di disegno di linee: Padroneggiare le tecniche per il rendering di immagini di precisione Valutazione: 0 su 5 stelle0 valutazioniComposizione alfa: Padroneggiare l'arte della composizione delle immagini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformata di Hadamard: Svelare il potere della trasformazione Hadamard nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniAnalizzare e interpretare misure ottiche acquisite con OTDR - Eserciziario Valutazione: 0 su 5 stelle0 valutazioniTrasformata del radon: Svelare modelli nascosti nei dati visivi Valutazione: 0 su 5 stelle0 valutazioni
Intelligenza artificiale e semantica per voi
ANonniMus: Vecchi rivoluzionari contro giovani robot Valutazione: 0 su 5 stelle0 valutazioniIl Terzo Like Valutazione: 0 su 5 stelle0 valutazioniGuida Intelligenza Artificiale Valutazione: 0 su 5 stelle0 valutazioni
Recensioni su Filtro adattivo
0 valutazioni0 recensioni
Anteprima del libro
Filtro adattivo - Fouad Sabry
Capitolo 1: Filtro adattivo
Un filtro adattivo è un filtro lineare con una funzione di trasferimento parametrico-variabile e un meccanismo basato sull'ottimizzazione per la messa a punto della funzione di trasferimento. La maggior parte dei filtri adattivi sono filtri digitali a causa della natura computazionale intensiva degli algoritmi di ottimizzazione. Alcune applicazioni richiedono l'uso di filtri adattivi a causa del fatto che alcuni parametri dell'operazione di elaborazione desiderata (come le posizioni delle superfici riflesse in uno spazio riverberante) sono sconosciuti all'inizio o sono soggetti a modifiche. La funzione di trasferimento del filtro adattivo ad anello chiuso è ottimizzata con l'aiuto di un segnale di errore che viene reimmesso nel sistema.
Una funzione di costo, che è un criterio per le prestazioni ottimali del filtro, viene utilizzata per informare un algoritmo, che quindi modifica la funzione di trasferimento del filtro nell'iterazione successiva per ridurre al minimo il costo. La misura di prezzo più popolare è la radice quadrata della media del segnale di errore.
I filtri adattivi sono ora ampiamente utilizzati in un'ampia varietà di dispositivi, dai telefoni cellulari e altri dispositivi di comunicazione alle videocamere e alle fotocamere digitali, e persino alle apparecchiature di monitoraggio medico, grazie alla crescente capacità dei processori di segnali digitali.
L'interferenza della linea elettrica può contaminare la registrazione di un elettrocardiogramma (ECG). La potenza e le sue armoniche possono avere frequenze molto fluttuanti.
Poiché anche il battito cardiaco ha componenti di frequenza nell'intervallo rifiutato, la rimozione del rumore utilizzando un filtro notch alla frequenza di rete e nell'ambiente circostante può danneggiare gravemente la qualità dell'ECG.
È possibile utilizzare un filtro adattivo per prevenire questa perdita di dati. Il paziente e la rete elettrica alimentano entrambi il filtro adattivo, consentendogli di monitorare la frequenza reale del rumore al variare e di rimuoverlo di conseguenza dalla registrazione. Per le applicazioni mediche, la maggiore precisione del segnale di uscita è garantita dal fatto che un tale metodo adattivo produce in genere un filtro con un intervallo di reiezione più ristretto.
L'obiettivo di un filtro adattivo ad anello chiuso è quello di ridurre l'errore, ovvero la differenza tra l'uscita del filtro e il segnale ricercato. È possibile utilizzare un filtro adattivo come il filtro Minimi Quadrati Medi (LMS) o Minimi Quadrati Ricorsivi (RLS).
Ci sono due segnali di ingresso per il filtro adattivo: d_{k} e x_{k} che a volte sono chiamati rispettivamente l' ingresso primario e l' ingresso di riferimento .
Riducendo il segnale residuo, l'algoritmo di adattamento lavora per trasformare l'ingresso di riferimento nell'ingresso di destinazione, \epsilon _{k} .
Quando il cambiamento è per il meglio, l'uscita del filtro y_{k} è effettivamente una stima del segnale desiderato.
d_{k} che include il segnale desiderato più interferenze indesiderate e
x_{k} che include i segnali che sono correlati ad alcune delle interferenze indesiderate in d_{k} .
k è il numero di osservazioni in un campione casuale.
I coefficienti o i pesi L+1 governano l'uscita del filtro.
{\mathbf {W}}_{{k}}=\left[w_{{0k}},\,w_{{1k}},\,...,\,w_{{Lk}}\right]^{{T}}Rappresenta l'insieme o il vettore di pesi, che determinano le impostazioni del filtro al tempo di campionamento k.
dove w_{{lk}} si riferisce al l 'th peso al k'esimo tempo.
{\mathbf {\Delta W}}_{{k}} Rappresenta la variazione dei pesi che si verifica in seguito alle rettifiche calcolate al tempo di campionamento k.
Queste regolazioni verranno effettuate dopo il tempo di campionamento k e prima del tempo di campionamento k+1.
L'uscita è di solito \epsilon _{k} ma potrebbe essere y_{k} o potrebbe anche essere il coefficiente del filtro.( Widrow)
Di seguito sono riportati i parametri per i segnali di ingresso:
d_{k}=g_{k}+u_{k}+v_{k}x_{k}=g_{{k}}^{'}+u_{{k}}^{'}+v_{{k}}^{'}dove:
Se g è uguale al segnale di destinazione, allora, g' = segnale simile a quello desiderato (g), u = un segnale indesiderato che è sovrapposto a g ma non ha alcuna relazione intrinseca né con g né con g'.
Si dice che un segnale u' è correlato con il segnale indesiderato u se e solo se non è correlato con g e g', v = segnale sfavorevole (di solito rumore) non correlato a g, g', u, u' o v', non correlato con g, g', u, u' o v; v' = segnale indesiderato (di solito rumore casuale).
Ecco come caratterizziamo i segnali in uscita:
y_{k}={\hat {g}}_{k}+{\hat {u}}_{k}+{\hat {v}}_{k}\epsilon _{k}=d_{k}-y_{k} .
dove:
{\hat {g}} = l'uscita del filtro se l'ingresso era solo g', {\hat {u}} = l'uscita del filtro se l'ingresso era solo u', {\hat {v}} = l'uscita del filtro se l'ingresso era solo v'.
La risposta all'impulso è uguale ai coefficienti del filtro se il filtro variabile ha una struttura FIR (Finite Impulse Response) con linea di ritardo filettata. L'output del filtro può essere scritto come
y_{k}=\sum _{{l=0}}^{L}w_{{lk}}\ x_{{(k-l)}}={\hat {g}}_{k}+{\hat {u}}_{k}+{\hat {v}}_{k}dove w_{{lk}} si riferisce al l 'th peso al k'esimo tempo.
Nel caso ideale {\displaystyle v\equiv 0,v'\equiv 0,g'\equiv 0} .
Tutti i segnali indesiderati in d_{k} sono rappresentati da u_{k} .
\ x_{k} è costituito interamente da un segnale correlato con il segnale indesiderato in u_{k} .
In un mondo perfetto, il filtro variabile produrrebbe
y_{k}={\hat {u}}_{k} .
Il segnale di errore o la funzione di costo è la differenza tra d_{k} e y_{k}
\epsilon _{k}=d_{k}-y_{k}=g_{k}+u_{k}-{\hat {u}}_{k}.
Il segnale desiderato gk passa attraverso senza essere modificato.
Il segnale di errore \epsilon _{k} è minimizzato nel senso quadratico medio quando [u_{k}-{\hat {u}}_{k}] è minimizzato.
Vale a dire, {\hat {u}}_{k} è la migliore stima quadratica media di u_{k} .
Supponendo che tutto vada bene, u_{k}={\hat {u}}_{k} e \epsilon _{k}=g_{k} , e tutto ciò che rimane dopo la sottrazione è g quale è il segnale desiderato invariato con tutti i segnali indesiderati rimossi.
Ci sono momenti in cui l'ingresso di riferimento x_{k} include componenti del segnale desiderato.
Ciò significa che g' ≠ 0.
Le interferenze indesiderate non possono essere eliminate completamente, ma il rapporto segnale/rumore può essere aumentato. Il risultato è
\epsilon _{k}=d_{k}-y_{k}=g_{k}-{\hat {g}}_{k}+u_{k}-{\hat {u}}_{k}.
Qualsiasi segnale desiderato può essere manipolato (di solito diminuito).
L'inversione di potenza è una formula semplice per calcolare il rapporto segnale/rumore in uscita.
\rho _{{{\mathsf {out}}}}(z)={\frac {1}{\rho _{{{\mathsf {ref}}}}(z)}} .
dove
\rho _{{{\mathsf {out}}}}(z)\ = rapporto segnale/interferenza in uscita.
\rho _{{{\mathsf {ref}}}}(z)\ = rapporto segnale/interferenza di riferimento.
z\ = frequenza nel dominio z.
Sulla base di questo calcolo, il rapporto segnale/rumore alla frequenza di interesse è uguale all'inverso del rapporto utilizzato come riferimento.
Prendiamo come esempio la finestra drive-through di un fast food. I clienti effettuano i loro ordini in anticipo parlando al microfono. Anche i suoni del motore e dell'ambiente vengono captati dal microfono. Il segnale principale proviene da questo microfono. Non c'è alcuna differenza di volume percettibile tra la voce del cliente e il ronzio di sottofondo del motore. Sembra esserci una barriera di comunicazione tra il cliente e il personale del ristorante. Il microfono principale è dotato di un microfono secondario installato vicino al motore per ridurre le interferenze di rumore. Anche la voce del cliente viene captata. Il segnale di riferimento proviene da questo microfono. La voce del cliente viene soffocata dal rumore del motore, che è 50 volte più forte. Il rapporto tra il segnale primario e l'interferenza aumenterà da 1:1 a 50:1 una volta che il cancellatore è convergente.
Non esiste un collegamento presunto tra i valori X nel combinatore lineare adattivo (ALC), il che lo rende simile al filtro FIR della linea di ritardo di maschiatura adattivo. Un filtro adattivo potrebbe essere costruito utilizzando una linea di ritardo toccata e un ALC se i valori X sono stati presi dai rubinetti della linea. I valori X possono, tuttavia, rappresentare i valori dei singoli pixel. Potrebbero anche essere il risultato di linee di ritardo con molti tocchi. L'ALC può essere utilizzato per produrre