Algoritmo conjunto Kalman–Haar aplicado al procesamiento de señales

• Viegener, Alejandro ^[2] ; Sirne, Ricardo O. ^[1] ; Serrano, Eduardo P. ^[3] ; Fabio, Marcela ^[4] ; D'Attellis, Carlos E. ^[3]
  1. [1] Universidad de Buenos Aires

     Universidad de Buenos Aires

     Argentina

     
  2. [2] Escuela Superior Técnica del Ejército “General Manuel N. Savio”
  3. [3] Universidad de San Martín, Centro de Matemática Aplicada
  4. [4] Universidad de San Martín, Centro de Matemática Aplicada, Escuela Superior Técnica del Ejército “General Manuel N. Savio”

  Mostrar afiliaciones +
• Localización: Revista de Matemática: Teoría y Aplicaciones, ISSN 2215-3373, ISSN-e 2215-3373, Vol. 19, Nº. 1, 2012, págs. 37-47
• Idioma: español
• DOI: 10.15517/rmta.v19i1.2103
• Títulos paralelos:
  • Joint Kalman–Haar Algorithm Applied to Signal Processing
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En el marco del análisis de señales perturbadas por ruido, en esta presentación proponemos una metodología de trabajo orientada a aprovechar la estimación óptima del filtrado de Kalman, combinándola con la caracterización que se logra aplicando un análisis de multirresoluci´on (AMR) mediante onditas (wavelets). Desde el punto de vista del filtrado de Kalman este procedimiento mixto es cuasi-óptimo, sin embargo la modificación que se introduce permite la aplicación simultánea de un esquema de eliminación de ruido con wavelets; con esto disminuye el costo computacional de aplicar ambos procedimientos por separado. Nuestra propuesta consiste en procesar la señal por intervalos sucesivos no solapados, combinando el proceso de cálculo para el filtrado óptimo con un AMR usando la ondita de Haar. El método aprovecha la utilización conjunta de ambas herramientas (Kalman- Haar) y está exento de problemas de borde relacionados con la segmentación de la señal.

  • English

    Under the analysis of signals disturbed by noise, in this paper we propose a working methodology aimed to seize the best estimate of combining Kalman filtering with the characterization that is achieved by applying a multiresolution analysis (MRA) using wavelets. From the standpoint of Kalman filtering this combined procedure is quasi-optimal, but the change to be made allows the simultaneous implementation of a scheme of wavelet denoising; with this decreases the computational cost of applying both procedures separately. Our proposal is to process the signal by successive non-overlapping intervals, combining the process for calculating the optimal filter with a MRA using the Haar wavelet. The method takes advantage of the combined use of both tools (Kalman-Haar) and is free from edge problems related to the signal segmentation.

• Referencias bibliográficas
  • D’Attellis, C.E. (1981) Estimadores Óptimos y sus Aplicaciones. CONICET, Argentina.
  • Hirchoren, G.A.; D’Attellis, C.E. (1998) “Estimation of fractal signals using wavelets and filter banks”, IEEE Trans. on Signal Processing...
  • Hirchoren, G.A.; D’attellis, C.E. (1999) “Estimation of fractional brownian motion with multiresolution Kalman filter banks”, IEEE Trans....
  • Kalman, R.E. (1960) “A new approach to linear filtering and prediction problems”, Trans. ASME-Journal of Basic Engineering 82:35–45.
  • Kalman, R.E.; Bucy, R.S. (1961) “New results in linear filtering and prediction theory”, Trans. ASME-Journal of Basic Engineering: 95– 108.
  • Postalcioglu, S.; Erkan, K.; Bolat, E.D. (2005) “Comparison of Kalman filter and wavelet filter for denoising”, en: IEEE Conference Proceedings...
  • Renaud, O.; Starck, J.; Murtagh, F. (2005) “Wavelet-based combined signal filtering and prediction”, IEEE Trans. on Sytems, Man, and Cybernetics,...
  • Walmut, D.F. (2002) An Introduction to Wavelet Analysis. Birkhaüser, Boston.
  • Zhao, J.; Ma, H.; You, Z.; Umeda, M. (2001) Lecture Notes in Computer Science: Multiscale Kalman filtering of fractal signals using wavelet...