Análise Multiresolução em Detecção e Classificação de Sinais Transientes Francisco M. Garcia Instituto de Sistemas e Robótica - Instituto Superior Técnico Organização da apresentação • Descrição do problema. • Problema de detecção e classificação clássico; caso estacionário e não estacionário; decomposição de Karhunen-Loève. • Esquema de processamento em tempo real. • Transformada wavelet discreta; parametrização de filtros. • Escolha das famílias de wavelets, componentes principais e intervalo de amostragem; redução da complexidade computacional mantendo a qualidade do processador, distância de Chernoff. • Exemplo. • Conclusões. Caracterização do problema e objectivos • Sinais gaussianos de curta duração e passa-banda • Ruído gaussiano e ruído impulsivo • Ambiente multicaminho (acústica submarina) • Baixa relação sinal-ruído • Processadores em tempo real • Avaliação da complexidade computacional dos processadores • Avaliação de limites de desempenho Ruído n(t ) Sinal emitido por uma de entre várias si (t ) fontes possíveis Canal yi (t ) + r (t ) c r (t ) yi (t ) n(t ) na hipótese H i , com yi (t ) f [ si (t ), c] • Sinal determinístico ou estocástico • Canal conhecido ou desconhecido • Distribuição do ruído conhecida • Energia do sinal conhecida ou desconhecida Sinal observado no receptor Classificador Bayesiano Dado um vector de observações X e um conjunto de hipóteses Hi , i=0,…,N-1, escolhe-se a hipótese Hk tal que P(Hk|X) > P(Hi|X), i 0,..., N 1, i k Caso de sinais gaussianos de média nula em ruído gaussiano: l ki 1 1 Hk i k > < X (Q Q ) X T ki , Hi Em que ki depende apenas das probabilidades a-priori das hipóteses Hk e Hi e das respectivas matrizes de covâriancia. Para N hipóteses possíveis, existem C2N combinações de testes para efectuar, embora seja apenas necessário efectuar N-1 cálculos quadráticos. De facto, lki lk 0 li 0 , k , i 1,..., N 1, k i • O processo X é em geral fortemente correlacionado e de elevada dimensão •A cada li0 pode-se aplicar uma transformação linear Mi (H0 ruído branco): li0 X T M i( I 2 M Ti Q 1 i T M i) M i X • A transformação óptima no sentido de reduzir o número de coeficientes é a decomposição de Karhunen-Loève • Os coeficientes obtidos pela DKL são incorrelacionados (matriz de covariância diagonal) • Caso estacionário - a DKL é a série de Fourier • Caso não estacionário - DKL diferentes para cada classe de sinais diferentes Diagrama de blocos do detector binário Td Ts Processo de observação Filtro Passa-baixo ideal Memória dim = Nd Amostragem Decisão H1 < > H0 Limiar de comparação Decomposição linear Redução de ordem Tt Rácio de verosimilhança Memória dim = Nc Teste de verosimilhança Nd - Comprimento dos vectores de decomposição Nc - Número de coeficientes de decomposição Ts - Intervalo de amostragem Td - Ritmo de decomposição Tt - Ritmo de execução dos testes de verosimilhança Decomposição wavelet discreta c0 H 2 G 2 c1 d1 H 2 G 2 H - Filtro passa-baixo c2 d2 H 2 cJ G 2 dJ G - Filtro passa-alto Propriedade de translação: seja Então, TW[c0(n)] = [d1(n) d2(n) … dJ(n) cJ(n)]. TW[c0(n-k2J) ] = [d1(n-k2(J-1)) d2(n-k2(J-2)) … dJ(n-k) cJ(n-k)]. Filtros equivalentes hjk e gjk cj(k) = <c0(n),hjk(n)> = <C0(W),Hjk(W)> dj(k) = <c0(n),gjk(n)> = <C0(W),Gjk(W)> Desenho de filtros G e H de suporte compacto - H é Passa-baixo h( n) 2 n - G é Passa-alto g ( n) 0 n - G e H são ortonormados HG*=0 - Condições de decomposição e reconstrução H*H + G*G = 1 - Outras restrições: regularidade, simetria, etc... => O desenho de filtros QMF com reconstrução perfeita (PR) para um determinado objectivo corresponde a um problema de minimização com restrições. Zou e Tewfik mostraram que todos os filtros de comprimento 2M são parametrizáveis por um conjunto livre de parâmetros qi, i=1,…,M-1. Problema de optimização Objectivos: - Escolher o intervalo de amostragem, família de wavelets e no. de coeficientes de forma a reduzir ao máximo a complexidade computacional Restrições: - Garantir a qualidade do processador • Complexidade computacional reduzida se: - Os Filtros de decomposição forem curtos - O número de coeficientes fôr pequeno - As matrizes de covariância forem esparsas • Qualidade do processador: - Erro quadrático médio E[e2(t)]: Não é fiável - Ideal: Probabilidade de erro (computacionalmente incomportável) - Utilizada: Distância de Chernoff Distância de Chernoff 1 sC (1 s )C d (C0 , C1 ) max ln 0 s (1 s ) 1 s 2 C0 C1 , s 0,1 Válida para: - Matrizes definidas positivas - Processos decompostos na mesma base Permite obter limiares superior e inferior da probabilidade de erro: 1 e s exp d (C0 , C1 ) 2 1 e i 1 1 4e s2 2 Funcionais de optimização computacional da matriz de covariância i) Sejam E[(dij)2] os elementos da diagonal da matriz de covariância J1 Ts E (d i j ) 2 j 2 i ii) Para uma determinada escala j: J 2 ( j ) E (d i j ) 2 i Seja Lij o instante médio do suporte de gij: 1 j 2 E (d i ) 2 em que / Ts 2 S ( L T , ) G (Ts ) d , j i s j / Ts S (t , ) TF k (t , t )( ) Algoritmo de optimização 1 - Encontrar Ts máximo (Tlim), tal que d(Cref,CTs) < e 2 - Para Ts < Tlim e para dim(G,H) = N0, calcular argmax J i , i {1,2} Ts ,G , H 3 - Com os parâmetros calculados em 2, calcular a matriz de coeficientes wavelets Cw equivalente a CTs 4 - Eliminar os termos menos importantes da diagonal de Cw, bem como os respectivos termos cruzados, enquanto d(Cref,Cw) < e 5 - Avaliar a complexidade computacional. se não fôr satisfatória, voltar a 2 e repetir para um valor diferente de dim(G,H). Complexidade computacional Decomposição KL: - comprimento do sinal N - No. de vectores próprios P => (N+2)xP multiplicações no total (decomposição + forma quadrática) Transformada Wavelet: - Filtros G e H de comprimento L - Matriz I 1 ( M Ti Q i M) i com M elementos não nulos - Vector de coeficientes com K elementos - Decomposição entre as escalas J1 e J2 2 J 2 1 j J 2 J1 k => Decomposição: 2 2 L multiplicações k 0 j 0 => Termo quadrático: M+K multiplicações Não é fácil optimizar os parâmetros directamente no número de multiplicações Exemplo Conclusões • Para sinais transientes, de curta duração, de banda larga, a transformada wavelet traz vantagens computacionais comparativamente à decomposição de Karhunen-Loève. • Os parâmetros do processador podem ser obtidos pela maximização de funcionais que utilizam os termos da diagonal da matriz de covariância • A escolha do intervalo de amostragem influencia fortemente a carga computacional do processador. • A família de wavelets, de suporte compacto, pode ser escolhida numa biblioteca de bases, ou optimizada através de uma parametrização sem restrições. • A qualidade das aproximações efectuadas deve ser monitorizada. A distância de Chernoff é a medida adequada em problemas de detecção.