Hiba-előjel alapú spektrális megfigyelő Orosz György Konzulensek: Sujbert László, Péceli Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika.

Slides:



Advertisements
Hasonló előadás
Tengeralattjáró győzelmi hírek elmaradása – kilövés
Advertisements

Híranyagok tömörítése
Készítette: Glisics Sándor
Önálló Laboratórium II. Készítette: Varga Róbert
Készítette: Glisics Sándor
ZigBee alapú adatgyűjtő hálózat tervezése
Mágneses lebegtetés: érzékelés és irányítás
Jelkondicionálás.
Csernoch Mária Adatábrázolás Csernoch Mária
A tárgyak internetén használatos kommunikációs technológiák Előadó: Balla Tamás I. éves PhD hallgató Témavezető: Dr. Terdik György április
Elektrotechnika 4. előadás Dr. Hodossy László 2006.
Ozsváth Károly TF Kommunikációs-Informatikai és Oktatástechnológiai Tanszék.
Műszaki kerámiák mázazása – máztulajdonságok vizsgálata
Adaptív jelfeldolgozás Rádiócsatorna kiegyenlítése
Önálló laboratórium II május 23.1 Mobiltelefonon futtatható program készítése Hegedűs Iván Mihály Pázmány Péter Katolikus Egyetem Információs.
Hálózati réteg Csányi Zoltán, A hálózati réteg feladatai Forgalomirányítás Torlódásvezérlés Hálózatközi együttműködés.
Budapesti Műszaki és Gazdaságtudományi Egyetem
Gábor Dénes Főiskola Informatikai Rendszerek Intézete Informatikai Alkalmazások Tanszék Infokommunikáció Beszédjelek Spisák 1. példa Beszéd 4,5 s hosszú.
Folyamatirányítás fermentációknál
Budapesti Műszaki és Gazdaságtudományi Egyetem Biokémiai és Élelmiszertechnológiai Tanszék Mintavétel Élelmiszeranalitika előadás december 3.
Implementált képfeldolgozó algoritmusok
Matematikai ismeretek az alapiskolától az egyetemig Part Edit Selye János Egyetem Komárno, Szlovákia.
„ IKT-val támogatott új tanulási környezetek szerepe az oktatásban” „ IKT-val támogatott új tanulási környezetek szerepe az oktatásban ” augusztus.
"Igazi" jelfeldolgozás vezetéknélküli szenzorhálózatban Orosz György 1. éves PhD hallgató Konzulensek: Dr. Péceli Gábor Dr. Sujbert László.
Méréstechnika és Információs Rendszerek Tanszék
A hiba-előjel alapú FxLMS algoritmus analízise Orosz György Konzulensek: Péceli Gábor, Sujbert László Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika.
Kovács Dániel László Kovács Dániel László BME-VIK, Méréstechnika és Információs Rendszerek Tanszék Önálló laboratórium.
Készítette: Gergó Márton Konzulens: Engedy István 2009/2010 tavasz.
Pókerágens fejlesztése játékelméleti alapokon
Intelligens felderítő robotok Készítette: Györke Péter Intelligens rendszerek MSC szakirány Konzulens: Kovács Dániel László Méréstechnika és Információs.
Mozgás/hangérzékelés mobitelefonokon MobSensor Ekler Péter Budapesti Műszaki és Gazdaságtudományi Egyetem Automatizálási és Alkalmazott Informatikai Tanszék.
Budapesti Műszaki és Gazdaságtudományi Egyetem Elektronikus Eszközök Tanszéke Integrált mikrorendszerek II. MEMS = Micro-Electro-
Budapesti Műszaki és Gazdaságtudományi Egyetem Elektronikus Eszközök Tanszéke Integrált mikrorendszerek II. MEMS = Micro-Electro-
Budapesti Műszaki és Gazdaságtudományi Egyetem Elektronikus Eszközök Tanszéke MIKROELEKTRONIKA, VIEEA306 Integrált mikrorendszerek:
LED-ek élettartam vizsgálata
Programmozás Feladatok Telek Miklós BME Híradástechnikai Tanszék
©Farkas György : Méréstechnika
A MÉRÉSI HIBA TERJEDÉSE
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék 5.3. Predikciós módszerek szenzorjelek alapján BelAmI_H.
BEVEZETŐ Dr. Turóczi Antal
Az áramlástan szerepe az autóbusz karosszéria tervezésében Dr
Danyi Gyula Informatikai fejlesztések fontossága az iskolákban - különös tekintettel a tanári szemléltetés (oktatástechnológia) problémáira Budapesti Műszaki.
Valós idejű adaptív útvonalkeresés
Okostelefonnal támogatott fizikai kísérletek
Analóg digitális átalakítás
Kódelmélet 1. előadás. A tárgy célja Az infokommunikációs rendszerek és szolgáltatások központi kérdése: Mindenki sávszélességet akar: minél többet; minél.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Szondázás alapú diagnosztika 1. Autonóm és hibatűrő információs.
Digitális jelfeldolgozás
5. Folytonos wavelet transzformáció (CWT) – újabb folytatás
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Szondázás alapú diagnosztika 2. Autonóm és hibatűrő információs.
Mikroprocesszor.
CCD spektrométerek szerepe ma
Szabályozási Rendszerek 2014/2015, őszi szemeszter Előadás Automatizálási tanszék.
Az eredő szakasz GE(s) átmeneti függvénye alapján
Menetrend optimalizálása genetikus algoritmussal
Piramis klaszter rendszer
Hibaszámítás Gräff József 2014 MechatrSzim.
Struktúra predikció Struktúra lehet Felügyelt tanulási probléma
Az egyhurkos szabályozási kör statikus jellemzői
1/19 Hogyan tájékozódnak a robotok? Koczka Levente Eötvös Collegium.
FPGA-n implementált, sztochasztikus bitfolyam alapú programozható neurális hálózat Rák Ádám Konzulens: Cserey György, Ph.D OTDK előadás, kiegészített.
KŐZETFIZIKAI VIZSGÁLATOK SZÁMÍTÓGÉPES MÉRŐRENDSZERREL
Óbudai Egyetem, NIK Kalla Mór
Adaptív jelfeldolgozás Rádiócsatorna kiegyenlítése
Számábrázolás.
Klasszikus szabályozás elmélet
Filep Ádám, Dr. Mertinger Valéria
Szabályozott és képes termékek/szolgáltatások, folyamatok, rendszerek
Jelkondicionálás.
BME – PRO PROGRESSIO INNOVÁCIÓS DÍJ PÁLYÁZAT 2018.
Előadás másolata:

Hiba-előjel alapú spektrális megfigyelő Orosz György Konzulensek: Sujbert László, Péceli Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék 15 th PhD Mini-Symposium február 4-5.

Motiváció, előzmények  Vezetéknélküli adaptív jelfeldolgozó rendszerek vizsgálata: visszacsatolt rendszerek  Miért jó? Egyre csökkenő költségek Flexibilis elrendezés  Alapvető problémák Megbízhatóság Kis sávszélesség  Bemutatott algoritmus: módosított, megfigyelő alapú rezonátoros adaptív szabályozás  Konkrét alkalmazás: aktív zajcsökkentés (ANC)

Rezonátoros spektrális megfigyelő  Fourier-együtthatók rekurzív számítása  Jelmodell alapú megfigyelő  Rendszeregyenletek: Megfigyelt periodikus jel: – ynyn + enen 1 z- 1 1 g 1,n g 2,n c 1,n c 2,n y’ n cN,ncN,n 1 z- 1 gN,ngN,n 1 g i,n c i,n Qi(z)Qi(z) i-edik rezonátor csatorna Megfigyelő: bázisfüggvények becsült Fourier - együtthatók

Rezonátoros spektrális megfigyelő  Működés (többféle magyarázat)  Megfigyelési hibanégyzet minimalizálása: – ynyn + enen 1 z- 1 1 g 1,n g 2,n c 1,n c 2,n y’ n cN,ncN,n 1 z- 1 gN,ngN,n 1 g i,n c i,n Qi(z)Qi(z) i-edik rezonátor csatorna Együttható módosítás negatív gradiens módszerével

Adaptív szabályozás  Szabályozandó szakasz a visszacsatoló hurokban  Állapotváltozók frissítése: – ynyn + enen 1 z- 1 1 g 1,n g 2,n c 1,n c 2,n y” n cN,ncN,n 1 z- 1 gN,ngN,n 1 g i,n c i,n Qi(z)Qi(z) i-edik rezonátor csatorna  g n megválasztása: A(z)A(z) y’ n  Alapjel: y n ha e n  0, akkor y’ n  y n  Periodikus alapjel esetén kedvező tulajdonságok

Hiba-előjel alapú spektális megfigyelő ν −ν−ν enen – ynyn + enen y” n Q1(z)Q1(z) Q2(z)Q2(z) QN(z)QN(z) A(z)A(z) y’ n  Algoritmus előnyei: Csupán a hiba előjele szükséges  kevesebb biten ábrázolható Csökkenthető a kommunikációs csatorna terhelése, emiatt:  Növelhető a szenzorok száma  Növelhető a mintavételi frekvencia  Módosított állapotváltozó-frissítési algoritmus:

Hiba-előjel alapú spektális megfigyelő ν −ν−ν enen – ynyn + enen y” n Q1(z)Q1(z) Q2(z)Q2(z) QN(z)QN(z) A(z)A(z) y’ n szenzor  Algoritmus előnyei: Csupán a hiba előjele szükséges  kevesebb biten ábrázolható Csökkenthető a kommunikációs csatorna terhelése, emiatt:  Növelhető a szenzorok száma  Növelhető a mintavételi frekvencia  Módosított állapotváltozó-frissítési algoritmus:

Előjeles algoritmus tulajdonságai Eredeti struktúra beállása  Eredeti algoritmus: lépésméret függ a hiba nagyságától

Előjeles algoritmus tulajdonságai Előjeles algoritmus beállása  Előjellel szorzás az egyszerű összeadás/kivonás: csökkenti a számításigényt  ||c n ||=N, és  = const.  Konstans méretű lépések: Min. beállási idő~ Statikus pontosság~  Ellentmondó feltételek  beállítására  Módosítás: hibanorma használata

Normalizált előjeles algoritmus  Adott időintervallumban vett hiba normájának felhasználása: e m = [e m e m−1 … e m−V+1 ] T  V : frissítési gyakoriság  m : frissítés időpontja  Növekvő adatmennyiség  jobb tulajdonságok  Minimumtól távol nagy hiba  nagyobb lépés: gyorsabb beállás  Minimum közelében kis lépés: kis statikus hiba  V megválasztásával hangolható a rendszer Normalizált előjeles algoritmus V=3

Alkalmazási példa  Aktív zajcsökkentő rendszer  Cél: zajteljesítmény minimalizálása y n : zaj; y’ n : „ellenzaj”. A maradó zaj a zaj és „ellenzaj” szuperpozíciója e n = y n − y’ n : maradó zaj: ezt érzékeli a szenzor. A különbségképzés fizikailag valósul meg.  Miért kritikus az alkalmazás? Viszonylag nagy, néhány kilohertzes mintavételi frekvencia Sok szenzor használata  Adatmennyiség csökkenése az adott rendszerben: 1 / 6 –a az eredeti adatmennyiségnek változatlan mintavételi frekvencia mellett, 8 bites adatok esetén szenzor DSP átjáró Zajforrás − y’n− y’n ynyn rádiós kommunikáció sgn(e n ); ||e m || 1 t enen [+++−−…−−−+] − − … − − − + V=32

Mérési eredmények 1.  „Egyszerű” előjeles algoritmus  dB elnyomás  ~20 sec beállás

Mérési eredmények 2.  Normalizált előjeles algoritmus  dB elnyomás  ~1.5 sec beállás

Összegzés, kitekintés  Hiba-előjeles algoritmus kifejlesztése  Algoritmus tulajdonságainak vizsgálata  Normalizált hiba-előjeles algoritmus  Rendszer implementálása, teszteredmények  Tervek: Szabályozási rendszer tulajdonságainak vizsgálata Eredmények kiterjesztése MIMO rendszerekre