1.

Introduction
Istilah "Sign al Processing" dalam terpreted sebagai
operasi pada sinyal yang disengaja
sebagai dibedakan dari yang tidak dapat dihindari, seperti
misalnya, efek turbulensi atmosfer
propagasi dan sebagainya. Pemrosesan yang disengaja
atau disengaja yang menjadi perhatian dapat, untuk
tujuan dari makalah ini, dikelompokkan sebagai timbul
dari:
(a) Optimalisasi: operasi pada data untuk mengoptimalkan
ekstraksi atau deteksi seperti pada radar
atau komunikasi aplikasi serupa 01 '.
(b) Penanganan data rutin: operasi seperti pengambilan
sampel dan / atau kuantisasi, perubahan skala,
dll.

(C)Teknik adaptif: operasi yang menjadi ciri khas sistem

adaptif tempat
tidak ada pengetahuan apriori tentang sinyal dan / atau
parameter sistem yang mungkin tersedia dan
pembelajaran mandiri
prosedur diperlukan. Meskipun ini dapat dilihat di bawah
(a), ada fitur unik tertentu
dari jenis analisis yang terlibat yang pantas mendapat
perhatian khusus

Minat utama kami adalah meneliti pengaruh operasi ini

terhadap sinyal; lebih khusus lagi, jika kita
merepresentasikan prosesor sebagai kotak hitam, sinyal
menjadi "input," yang ingin kita pelajari
statistik sinyal "keluaran". Jika kita mengartikan ini secara
luas, sinyal input menjadi a
fungsi waktu acak atau proses stokastik, fungsional apa
pun pada proses stokastik dapat
termasuk di bawah judul tulisan ini. Keumuman ini tentu
saja berlaku di terlalu banyak wilayah
untuk menjadi rentan terhadap ulasan yang masuk akal
dan dalam makalah ini kami akan memeriksa aspek-aspek
tertentu dari
masalah-masalah ini didasarkan pada apa yang hanya bisa
menjadi penilaian sewenang-wenang pada pihak penulis
sebagai
untuk apa yang penting saat ini untuk fisika radio. Dalam
matematika tidak akan ada usaha
maksimal kekuatan dengan minimum hipotesis.
Diasumsikan, misalnya, bahwa
Sinyal adalah proses stokastik berperilaku sangat baik
dengan semua momen terbatas dan korelasi
dibatasi dll, tanpa basa-basi lagi. Di sisi lain, kadang-
kadang, sinyalnya mungkin putih
kebisingan dan tidak perlu ribut-ribut tentang ini. Teknik
matematika yang diakui dengan baik
tersedia yang dirancang untuk membingkai pernyataan
kami dengan ketelitian yang diperlukan. Makhluk ini
jika diasumsikan bahwa pembaca yang tertarik dapat
membuat modifikasi yang diperlukan
ketelitian di mana ini penting.
2. Processing Arising From O ptimization

Mari kita wakili sinyal dengan x (t), di mana lit "mungkin

diskrit atau kontinu dan x (t) mungkin
menjadi variabel nyata atau kompleks atau n-dimensi \
rektor. Karena generalisasi yang terlibat
lebih atau kurang rutin, kita asumsikan di sini bahwa x (t)
adalah variabel nyata untuk menghindari notasi
kompleksitas. Juga "t" akan diambil sebagai kontinu dan
untuk memasukkan data diskrit atau sampel
kasus, seseorang hanya perlu mengganti integral dalam
apa yang diikuti oleh jumlah yang sesuai. Fisik apa pun
sistem pada waktu tertentu hanya memiliki segmen waktu
sinyal atau data yang terbatas. Ini
fakta juga akan diasumsikan dalam apa yang berikut.

Representasi integral untuk operasi apa pun, linear atau

nonlinier, yang muncul dalam pengoptimalan - seperti
prediksi, estimasi, atau deteksi optimal - dapat diambil
sebagai:

Rumus 1

di mana 17k (t; 0 "1 • • O" k; Xl, ... Xk) adalah fungsi dari
variabel (2k + 1), dengan t- T <5. 0 "1,
O "k <5. T, -oo <5.x], ... Xk <5. + oo. Intinya adalah bahwa
setiap operasi optimal dapat diperkirakan.
sewenang-wenang erat dengan memilih lin "cukup besar.
Modifikasi yang diperlukan untuk mengkhususkan
untuk prosesor time-invariant jelas. Masalah pertama kita
kemudian dapat dinyatakan sebagai dari
memperoleh statistik dari proses keluaran y (t),
mengingat statistik dari proses input x (t)
dan fungsi 17k (...). Tidak ada metode umum yang belum
tersedia yang mendekati e
soh-ing masalah ini. E \ Sepuluh jika kita membatasi
prosesor menjadi linier, tidak ada yang umum
metode yang dikenal kecuali tentu saja untuk kasus yang
terkenal (dan sekarang sepele) di mana input
sinyal adalah proses Gaussian.

Ada satu metode umum yang relevan di sini. Ini adalah

teori fungsional aditif pada proses Markov [Balakrishnan,
1963, dan Fortet, 1958]. Dalam pandangan
literatur yang luas di atasnya [Fortet, 1958], mungkin
tidak adil untuk melewatkannya, meskipun sebagai
kita akan melihat, dalam hal memberikan jawaban yang
praktis berguna, masih banyak yang harus dilakukan
bahkan
sini. Untuk ini kita perlu mengasumsikan bahwa sinyal x
(t) adalah N [arkovian. Biarkan p (x], t]; x2, t2) menjadi
kernel densitas transisi dari transisi ke X2 pada saat t2
dikondisikan pada x (tl) = XJ 'Mari kita pertama-tama
pertimbangkan sistem atau prosesor yang diwakili oleh:

Rumus 2

Teori ini mengembangkan metode untuk menentukan

fungsi karakteristik acak
variabel y (t). Sebenarnya seseorang mempertimbangkan
fungsi karakteristik bersyarat:

Rumus 3
dan hasil utama adalah sepasang persamaan integral linier
untuk
Rumus 4

Persamaan integral itu sendiri adalah

Rumus 5
Mari kita perhatikan beberapa kelemahan dalam
pendekatan ini. Pertama-tama, kesenangan opsional (2.2)
tidak cukup umum untuk tujuan kita. Sebagai contoh, jika
prosesor atau sistem invarian waktu, maka kita perlu
mempertimbangkan
Rumus 6
dan ini tentu saja tidak direduksi menjadi bentuk (2.2),
kecuali dalam kasus khusus. Satu kasus seperti itu
dimana
Rumus 7
karena kita hanya perlu mempertimbangkan y (t) ekt di
tempat belum). Untuk kasus umum agak moro mana
"memori" semuanya ada di bagian linier prosesor, bagian
linier berasal dari rasional
fungsi transfer, kita perlu mempertimbangkan
Rumus 7
Untuk kasus ini dimungkinkan untuk mendapatkan
persamaan integral lagi tetapi yang sedikit lebih
rumit daripada (2.3) dan (2.4). Karena ini baru dengan
makalah ini, kami akan membuat sketsa metode
derivasi juga. Membiarkan
Rumus 8
di mana U adalah vektor-m (u ".. _ urn). 'kita perhatikan
bahwa kita memperoleh fungsi chautcteristic
untuk y (t) dengan mengambil Ul U ~ ... = Um. Mari kita
perhatikan persamaan forward. Untuk ini, seperti dalam
derivasi biasa (2,4), kami ambil
Rumus 9
Mengalikan dengan p (Xj, s; X2, t) dan mengambil harapan
bersyarat, dan menggunakan ikatan yang tepat dari
proses Markov dalam berurusan dengan integral di sisi
kanan, kami memperoleh:
Rumus 10
Persamaan mundur dapat diperoleh dengan cara yang
jelas.

Tetapi bahkan dalam kasus ini masalah solusi umum

persamaan ini tidak muncul
untuk menjadi yang mudah. Solusi komputer berdasarkan
literasi (pendekatan berturut-turut) berjalan
Dalam kesulitan, pendekatan yang berurutan harus
dibatasi untuk menjadi karakteristik
fungsi.

Jika seseorang harus puas dengan perkiraan pada fungsi

karakteristik, itu mungkin juga cukup perhnps untuk
mendapatkan momen. Untungnya, momen-momen itu
dapat dihitung
langsung dari representasi integral. Jadi untuk
Rumus 11
Kita punya
Rumus 12
dengan P (x, <T) adalah densitas orde pertama dari x (<T).
Demikian pula,
Rumus 13
di mana p (x), <Tl; X2, <T2; X3, 0'3) adalah densitas
gabungan X (<Tl), X (<T2), X (O'3), dan tentu saja dapat
lebih jauh
disederhanakan menggunakan properti Markovian.
Namun, dimungkinkan untuk menghindari penggunaan
multi
integral dengan menggunakan (2.4) atau persamaan
mundur yang sesuai dengan (2.7). Untuk ini, mari
Rumus 14
Kita pakai versi backward
Rumus 15
Let
Rumus 16
Kemudian mengintegrasikan (2.10) sehubungan dengan
variabel X2, kita miliki
Rumus 17
Untuk mendapatkan hubungan pengulangan untuk saat-
saat ini kita dapat melakukan ekspansi Taylor
U untuk ¢ (Xl, s; t, u) dan menyamakan koefisien di kedua
sisi. Kami menghilangkan detail di sini. Setelah
kami menemukan saat-saat kami masih memiliki masalah
perkiraan distribusi jika ini
diperlukan. Apalagi pertanyaannya adalah apakah saat-
saat menentukan
distribusi. Adalah wajar untuk mengasumsikan bahwa
dalam semua proses fisik hal ini akan terjadi
jika statistik sinyal input memiliki properti yang sama,
meskipun bukti umum dari jenis ini adalah
tidak tersedia. Adalah mungkin untuk menyatakan
beberapa kondisi umum yang cukup. Seharusnya,
misalnya, kami pertimbangkan
Rumus 18
Kami berasumsi bahwa proses x (<T) adalah sedemikian
rupa
Rumus 19
yang merupakan kondisi yang memadai yang menjamin
determinan momen untuk x (t). Jika kita
perhatikan itu
Rumus 20
kita dapat dengan mudah menyimpulkan kondisi yang
cukup serupa untuk saat ini) asalkan kita mengasumsikan
bahwa untuk n> l,
Rumus 21
yang sepenuhnya masuk akal. Kondisi yang agak terkait
adalah ini: seandainya kepadatan
x (t) sedemikian rupa sehingga setiap f (x) sedemikian
rupa
Rumus 22
di mana p (x) adalah kepadatan yang sesuai dengan x (t),
kita dapat menemukan urutan polinomial Pn (x)
seperti yang
Rumus 23
Pertanyaannya adalah apakah belum) juga akan
memenuhi kondisi serupa dengan alasan pembatasan
yang dapat dilakukan
pada prosesor, dan sejauh yang diketahui penulis, tidak
ada jawaban umum yang tersedia. Lagi,
[atau semua sistem fisik jawabannya harus afirmatif.

Bentuk-bentuk dalam (2.2) dapat agak disederhanakan

[Balakrishnan, 1963] untuk proses yang "secara fisik
dapat diwujudkan". Kita bisa menggunakan ekspansi
Volterra sebagai gantinya
Rumus 24
Satu keuntungan yang jelas dalam menggunakan bentuk-
bentuk ini adalah bahwa saat-saat belum) dapat
diungkapkan dalam
dalam hal saat-saat proses x (t) tanpa memerlukan
kepadatan sambungan penuh. Kedua
bentuk gelar
Rumus 25
terjadi dalam pekerjaan terbaru yang melibatkan deteksi
kebisingan dalam kebisingan. Untuk sinyal Gaussian dan
positif
pasti W 2 (•• •), perkiraan untuk distribusi telah diberikan
baru-baru ini oleh Grenander,
Pollak, dan Slepian [1959].
Mengingat kesulitan yang terlibat dalam pemecahan (2.3)
dan (2.4), akan terlihat bahwa untuk
sistem spesifik Metode Monte Carlo akan menjadi
alternatif komputasi yang layak. Seperti itu
metode memang telah dilaporkan [Tlwler dan Meltzer,
196]] untuk sistem filter linear-filter-nonlinear-sistem
filter yang menarik dalam aplikasi radar.

ketika proses Marko adalah dari jenis difusi, maka

persamaan Fokker-Planck adalah
tersedia, dimungkinkan [Deutsch, 1963, dan Fortet, 1958]
untuk mendapatkan persamaan diferensial parsial
selain persamaan integral. Tetapi dari sudut pandang
solusi praktis untuk
kasus umum ini hanya memperdagangkan satu masalah
sulit untuk masalah yang sama sulitnya.

Sistem diwakili oleh persamaan diferensial. Sejauh ini

kami telah mengasumsikan prosesnya
yang timbul dari operasi optimal untuk memiliki
representasi integral atau fungsi sistem. Di
beberapa kasus representasi mungkin dalam hal
persamaan dinamis. Penting untuk
radio dan komunikasi adalah sistem fase-kunci-Ioop.

"Input" dalam hal ini adalah fase dengan variasi lambat

dari sinyal berpita sempit yang disertai oleh addi
kebisingan tive. Kami dapat mewakili sinyal bising o
Rumus 26
x (t), belum) menjadi proses kebisingan gaussinn. Tujuan
dari loop-kunci-loop adalah untuk menghasilkan sinyal
"bersih" dari bentuknya
Rumus 27

di mana fase <Pz (t) adalah untuk "mengikuti" <P1 (t) dan
umpan balik atau loop tertutup dirancang untuk mencapai
ini. Detail sistem dapat ditemukan di Viterbi [J 963]. di sini
kita perhatikan hubungannya
dari fase output </> 2 (t) ke "input" </> l (t) dijelaskan
oleh persamaan diferensial dari bentuk
Rumus 28
di mana L (D) adalah operator diferensial (biasanya
rasional di D), n (t) dapat dianggap putih
Gaussian, a dan b adalah konstanta dan
Rumus 29

Kesulitan dalam analisis ini disebabkan oleh munculnya

fungsi nonlinear sinn </> pada
kiri, dan dalam literatur sebelumnya sudah biasa untuk
menggunakan analisis linier perkiraan.
Namun, baru-baru ini, statistik rf> (t) telah diperiksa
menggunakan persamaan Fokker-Planck oleh Viterbi
[1963] dan Tikhonov [1959]. Pendekatan ini layak bila
</> l (t) adalah nonrandom, karena dalam hal ini </> (t)
adalah Markovian stasioner atau satu komponen dari
proses markov vektor stasioner. Misalnya, jika seseorang
menganggap kasus paling sederhana kapan
Rumus 30
kami memiliki proses 'Markov stasioner dan persamaan
Fokker-Planck - persamaan mundur - mudah dicabut
menggunakan teknik standar sebagai:
Rumus 31
dan karena ini hanya berisi satu variabel ruang kemajuan
yang dapat dibuat [Viterbi,
1963] untuk mendapatkan kepadatan transisi.
Kesederhanaan ini hilang karena orang
mempertimbangkan lebih
bentuk umum operator L (D), karena sekarang persamaan
Fkker-Plan ck mengandung lebih dari
satu variabel ace. Beberapa dari kasus ini telah
dipertimbangkan oleh Tikhonoy [1959] dan Viterbi
[1963]. Mantan kesepakatan dengan
Rumus 32
sedangkan yang terakhir meneliti kasus yang lebih
realistis (dalam konteks Teknik Komunikasi):
Rumus 33
Analisis bergeser dari persamaan biasa nonlinier ke
(Masalah Cauchy) menjadi linear
p persamaan artial berbeda dalam beberapa variabel
ruang (dua dalam kasus di atas). Sementara di sana
adalah karya terbaru yang lumayan dalam literatur
matematika tentang persamaan Difusi itu
muncul, masih banyak yang harus dilakukan dalam
mengkhususkan dan menerapkan hasil ini hingga saat ini
masalah. Teknik linierisasi atau kuasi-linierisasi yang
telah digunakan [Develet, 1956] tampaknya memberikan
jawaban yang masuk akal tetapi ukuran akurasi perkiraan
kurang, dan harus menunggu analisis yang lebih tepat.

3. Penanganan Data Rutin

Dari sekian banyak transformasi sinyal dalam mode
kurang lebih rutin atau mapan
penanganan data satu-satunya yang menjamin
pemeriksaan di sini adalah Pengambilan Sampel dan
Kuantisasi.
Biarkan jumlah kuanta atau level yang dipilih menjadi N
sehingga
Rumus 34
Sinyal yang diterima atau dilarutkan y (t) adalah
sedemikian rupa
Rumus 35
sesuai dengan level yang diterima, biasanya
Rumus 36
di mana p (x) adalah densitas yang sesuai dengan x (t).
Biasanya jumlah bunga adalah kesalahan
(katakanlah rata-rata squa re) daripada statistik y (t).
kami dapat menghitung kesalahan ini, termasuk
kesalahan karena gangguan saluran. Jadi,
Rumus 37

di mana P ij adalah probabilitas bersyarat untuk

menerima kata engan dengan asumsi kata j memiliki
telah dikirim. Ini dapat lebih disederhanakan menjadi
Rumus 38
Dimana
Rumus 39
Dua istilah pertama, yang tidak tergantung pada
karakteristik saluran, bersama-sama menghasilkan
"kesalahan antisasi." Harus dicatat bahwa masalahnya
tetap merupakan pilihan tingkat yang tepat.
{ad, yang menjadikan (3.1) minimum untuk suatu N. yang
diberikan Biasanya, ini agak tidak praktis
masalah karena statistik sinyal tidak dapat ditentukan
secara apriori dalam presisi yang diinginkan. Dalam akta,
dalam praktiknya orang mengasumsikan bahwa kesalahan
saluran dapat diabaikan dan bahwa sinyal
memiliki distribusi seragam, dalam hal ini masalahnya
menjadi sepele.

Mari kita periksa efeknya karena pengambilan sampel.

Membiarkan
Rumus 40
Sampel mewakili sinyal x (i) dalam arti bahwa jika sinyal
dibatasi oleh band
Rumus 41
Then
Rumus 42
sehingga statistiknya sama. Dalam praktiknya, tentu saja,
seseorang harus mempertimbangkan akibatnya
untuk memiliki jumlah sampel yang terbatas dan kedua
efeknya karena fakta bahwa sinyal
mungkin tidak terbatas band. Yang pertama dari ini telah
menerima banyak perhatian dan referensi dibuat untuk
Thomas [1963] untuk rincian. Yang kedua adalah apa yang
disebut lipat atau bias
efeknya, dan kesalahan karena ini harus dipertimbangkan
dan diketahui [Balakrishnan, 1957]. SEBUAH
Perbedaan jenis kesalahan terjadi karena
ketidaksempurnaan sampler. Salah satu kesalahan
tersebut adalah karena
waktu jitter. Waktu biasanya berasal dari nol
persimpangan gelombang sinus tetap
frekuensi tetapi biasanya ada beberapa fasa hadir yang
menyebabkan waktu penyilangan sumbu
untuk jitter. Masalah ini telah ditanggulangi oleh
Balakrishnan [1962]. Jadi, sampel sekarang diberikan oleh
Rumus 43
di mana {<Pn} adalah urutan acak, yang menurut
perkiraan pertama dapat dianggap stasioner.
Biarkan 0 menjadi beberapa operasi yang diinginkan pada
sampel {x ,,}. Maka langkah pertama adalah menentukan
operasi optimal 0 'pada sampel merah jitte {Yn}, sehingga
untuk meminimalkan kesalahan, katakanlah kuadrat
Rumus 44
dan hitung kesalahan minimal ini. Detailnya dapat
ditemukan di Balakrishnan [1962]. Sini
mari kita perhatikan bahwa {Yn} stasioner dan kesalahan
langsung
Rumus 45
di mana sinyal diasumsikan terbatas-band dengan w = 1 /
2T, dan p (j) adalah kepadatan spektral
x (t), c (f) adalah fungsi karakteristik dari variabel acak ci>
n. Untuk kasus di mana p (j)
adalah konstan, kesalahan kuadrat dinormalisasi,
dinyatakan sebagai sebagian kecil dari kekuatan sinyal
rata-rata,
diberikan kira-kira oleh
Rumus 46
Where
Rumus 47
Ini juga tentu saja kesalahan kuadrat rata-rata dalam
"langsung" menggunakan) menggunakan
Rumus 47
Kami mencatat bahwa kesalahan sebanding dengan
bandwidth. Jika x (t) adalah gaussian, maka lagi) lagi
gaussian, terlepas dari statistik {ci> n}. Di sisi lain, seperti
yang ditunjukkan oleh Balakrishnan
[1962] untuk statistik jitter tertentu dimungkinkan bahwa
komponen diskrit akan muncul di
spektrum y et) meskipun x (t) tidak memiliki komponen
diskrit. Jika jitter adalah "putih"
yang seperti itu
Rumus 48
kerapatan spektral y (t) diberikan oleh
Rumus 49
where the constant c is given by
Rumus 50
c (j) menjadi fungsi karakteristik yang berhubungan
dengan ci> n.

4. Adaptive Processing

Dalam beberapa tahun terakhir telah terjadi peningkatan

minat dalam metode adaptif dalam komunikasi
sistem karena penerimaan komputer tujuan khusus dan /
atau data komputer
memproses sebagai bagian dari sistem. Efek metode
adaptif pemrosesan pada sinyal
statistik menarik karena analisis yang dicakup dalam
masalah ini menunjukkan fitur tertentu
itu baru.
Pada bagian ini kita akan memeriksa sistem adaptif
tertentu yang, walaupun mungkin tidak tipikal, berfungsi
untuk menggambarkan ide-ide yang terlibat. Sistem yang
akan kita pertimbangkan adalah sarana mencapai
kompresi sinyal 01 'bandwidth bila tidak ada informasi
apriori mengenai statistik sinyal tersedia dan pemrosesan
telah menyertakan fitur pembelajaran. Tanpa masuk ke
definisi yang tepat tentang apa sistem "adaptif" itu,
katakanlah itu adaptif sistem adalah sistem yang
memantau kinerjanya sendiri, dan ketika muncul kondisi
baru menurunkan kinerja, sistem mempelajari bagaimana
kondisi baru ini mempengaruhi kinerja dan mengadaptasi
atau membuat perubahan struktural untuk memulihkan
tingkat kinerja. Sistem adaptif dengan demikian akan
memiliki fitur pemantauan diri dan fitur pembelajaran dan
penyesuaian diri. Untuk menjadi lebih spesifik, misalkan x
(t) mewakili sinyal parameter kontinu atau diskrit. Sudah
menjadi kebiasaan untuk berasumsi bahwa x (t) kemudian
dapat dianggap (setidaknya untuk tujuan analitis) sebagai
proses stokastik. Jika parameter waktu t adalah kontinu,
maka sering kali mungkin untuk menganggapnya
Rumus 51
dalam arti yang sesuai (yaitu, tergantung pada apakah kita
mengadopsi stochastic atau nonstochastic sudut pandang)
untuk B yang cukup besar, bandwidth. Dengan "prinsip
pengambilan sampel" yang terkenal maka seseorang dapat
mewakili bentuk gelombang kontinu menggunakan
sampel periodik yang diambil pada t = n / 2B. DalamDalam
sebagian besar sistem komunikasi yang menggunakan
data sampel jenis ini, laju pengambilan sampel ditentukan
oleh frekuensi B, nominal tertinggi atau tertinggi yang
diharapkan dalam data. Howeyer, dalam banyak hal jenis
data- seperti data ruang-telemetri- frekuensi cutoff aktual
biasanya jauh lebih kecil untuk sebagian besar waktu,
sehingga tidak perlu sampel pada tingkat nominal 2B.
DenganDengan kata lain, dimungkinkan untuk
"memampatkan" laju pengambilan sampel data atau
bandwidth saluran. SEBUAH metode mencapai kompresi
tersebut di P.C.M. sistem adalah untuk mengeksploitasi
redundansi atau prediktabilitas data. Jadi, kami
menggunakan "prediktor" pada pemancar yang
memprediksi data pada waktu t + ~, berdasarkan masa
lalu hingga waktu t. Nilai aktual yang terobsesi kemudian
dibandingkan dengan diprediksi. Jika perbedaannya
melebihi (dalam nilai absolut) ambang standar, maka yang
sebenarnya sampel ditransmisikan. Jika di bawah ambang
batas, kata kode yang diatur sebelumnya menggunakan,
ucapkan satu atau dua digit ditransmisikan alih-alih digit
m, sehingga mengurangi jumlah digit yang ditransmisikan
per detik. Kode bebas koma dapat digunakan untuk
memilah dua jenis kata dengan jelas. Kami tidak akan
membahas detail instrumentasi seperti buffering dan
sebagainya diperlukan, tetapi berkonsentrasi pada teori
adaptif yang terkumpul. Fitur adaptif atau pembelajaran
datang dalam mekanisme prediktor. Prediktor tidak
beroperasi sampai ambang batas terlampaui,
menunjukkan fitur pemantauan mandiri. Prediktor itu
sendiri didasarkan pada "pembelajaran" fase, dan
operator prediksi disesuaikan. Untuk detail tentang
prediktor itu sendiri, referensi dapat dibuat untuk
Bahtkrishnan [1961]. Signifikansi fitur prediksi adaptif
terletak pada fakta bahwa tanpa statistik a priori atau
asumsi lain tentang data diperlukan, dan, khususnya,
disadari bahwa mungkin ada periode dalam data di mana
prediksi (ke set kualitas) mungkin tidak dapat dilakukan.
(Tidak ada prediksi harga pasar saham ditawarkan.)

Filosofi prediksi dasar dapat diindikasikan secara singkat.

kita diberi "wave-form"durasi T -fungsi x (t), 0 5 :. t 5 :. T,
dengan kata lain, dan kita dituntut untuk "memprediksi"
nilai pada waktu ~. Setiap operasi prediksi didasarkan
pada data ini saja, tidak lain tambahan pengetahuan a
priori yang bisa diterima. Ini, tentu saja, masalah kuno dan
di sini kami ingin memperlakukannya secara ketat dalam
konteks pemrosesan data telemetri, dan perhatikan dua
hal utama sudut pandang dalam menghadapinya. Salah
satu yang dapat dianggap sebagai "analisis numerik" titik
yiew terdiri dalam asumsi bahwa tentu saja bentuk
gelombang yang direalisasikan secara fisik harus analitik
dan dengan demikian dapat diperkirakan oleh polinomial.
Dengan demikian data dapat "dipasang" ke polinomial
dengan derajat yang cukup tinggi dan kami kemudian
hanya menggunakan polinomial ini untuk "memprediksi"
nilai masa depan. Tampilan lain dan yang lebih baru
adalah tampilan statistik yang kami asumsikan (mungkin
dengan alasan yang baik) bahwa data adalah sampel
terbatas dari proses stokastik stasioner yang properti
rata-rata seperti momen dan / atau distribusi diketahui
atau dapat dihitung dari data. Untuk proses deskripsi yang
diberikan kita dapat menerapkan kuadrat rata-rata yang
dikembangkan dengan baik teori prediksi. Mungkin
manfaat utama dari pandangan ini adalah bahwa ia
memberi kita gagasan kuantitatif, meskipun teoretis,
tentang error dalam prediksi. Masalah pengukuran
statistik rata-rata dari sampel hingga bisa sangat rumit. Di
polinomial metode pas, interpretasi kesalahan prediksi-
yang, setelah semua, titik penting lebih samar-samar,
terikat dengan derajat polinomial apa yang akan
digunakan dan bagian mana dari data harus dipasang.
Selain itu, seperti yang biasa digunakan, operasi
pemasangan pada data adalah e linier.

Kami mengadopsi alasan untuk prediksi yang bebas dari

asumsi apriori mengenai
"model." Dalam pengertian umum apa yang terlibat dalam
kedua metode di atas adalah "pembuatan model" pertama
yang konsisten dengan data dan sebagai langkah kedua
menggunakan angka-angka yang diturunkan darinya.
untuk melakukan beberapa operasi optimal. Jika
pemahaman tentang mekanisme menghasilkan
Model diinginkan, langkah pertama sangat penting. Jika
yang kita inginkan adalah prediksi, maka kita akan
tunjukkan bahwa dimungkinkan untuk melanjutkan
secara langsung (dan karenanya lebih optimal) ke prediksi
terbaik tanpa
langkah menengah pembuatan model. Tentu saja mungkin
beberapa filosofi memimpin
untuk operasi yang sama pada data. Bahkan di sini,
metode ini menawarkan beberapa cara praktis
keuntungan. : Selain itu, adalah wajar untuk menggunakan
filosofi yang memerlukan paling sedikit sebelumnya
asumsi.

Kami perhatikan pertama bahwa setiap prediksi adalah

operasi atau operator pada bagian data, dan
dalam kasus kami bagian terbatas adalah semua yang
tersedia. Titik keberangkatan utama dalam pandangan
kami adalah bahwa jika kita memiliki operator prediksi,
yang didasarkan pada semua data input yang tersedia,
fungsinya secara optimal di masa lalu langsung dari titik di
mana prediksi diperlukan, ini semua itu kita dapat
meminta secara bermakna sebagai solusi untuk masalah
prediksi. Jadi, satu-satunya dasar di mana kita dapat
menilai apriori metode prediksi mana pun untuk
"mundur" sedikit dari saat ini dan membandingkan data
aktual yang tersedia dengan nilai prediksi menggunakan
prediksi giyen operator. Mari kita lihat bagaimana ini
dapat dirumuskan secara analitis. Biarkan total data yang
dapat diakses digambarkan sebagai fungsi x (t), O :: ;; t ::;
T, dan biarkan diperlukan untuk memprediksi nilai pada T
+ b., b.> O, menjadi sebagian kecil dari T. Mari kita
pertimbangkan data dalam interyal O <t <T - b .. Jika ada
untuk dalam interval ini kita harus memilih untuk
membuat "prediksi" dari nilai fungsi b. didi depan dari
nilai masa lalu hingga menunjukkan nilai yang diprediksi
oleh
Rumus 52
we can explicitly observe the error
Rumus 53
Mari kita perhatikan bahwa operator prediksi umum akan
menjadi "fungsi" dari segmen mini masa lalu. Mari kita
menyatakan panjangnya di segmen ini oleh S. Kemudian,
tentu saja
Rumus 54
O mewakili operator prediksi. Selanjutnya kita harus
menentukan kriteria kesalahan. Sini kami memilih mean
square error, pertama karena lebih sederhana secara
analitis dan hampir secara universal digunakan, membuat
perbandingan dengan metode lain menjadi mungkin. Jenis
solusi yang disajikan jelas bukan "analitik," lebih
didasarkan pada pendekatan yang berurutan, ukuran lain
dari kesalahan dapat digunakan dengan risiko
kompleksitas yang lebih besar. Sejauh alasan metode ini
prihatin, ini sebagian besar masalah detail, bukan prinsip.
Kami dengan demikian menggunakan metode ini untuk
menentukan optimalitas:
Rumus 55
dimana L? S, dan kami melanjutkan dengan dasar bahwa
operator yang terbaik yang meminimalkan (4.2). Kita
tentu saja dapat menggeneralisasi (4.2) sebagai:
Rumus 56
di mana p (t) adalah fungsi bobot positiye dan C (.) adalah,
katakanlah, fungsi biaya positiye simetris.
SebelumSebelum mempertimbangkan masalah
menentukan operator optimal 0, mari kita perhatikan
yang penting prinsip konsistensi. Misalkan data dianggap
sebagai satu sampel panjang dari proses ergodik.
KemudianKemudian (4.2) menghasilkan persis operator
optimal dalam arti statistik. Namun, sudah tidak perlu
membuat asumsi semacam itu mengenai data, juga tidak
harus menghitung rata-rata statistik dulu. Intinya adalah
bahwa sementara data mungkin tidak cukup untuk
menentukan mari kita katakan spektrumnya, mungkin
cukup memadai untuk prediksi itu sendiri. Berbeda
dengan jumlahnya banyak sepatutnya, operasi pada data
dapat menjadi nonlinier sebagaimana diperlukan, dan
pada saat yang sama(4.2) dinormalisasi menjadi
Rumus 57
menghasilkan ukuran kuantitatif kesalahan prediksi untuk
menilai seberapa baik prediksi akan.

Untuk melanjutkan dengan deskripsi sistem, kami

menganggap bahwa penerima melakukan a operasi
prediksi mirip dengan pemancar. Dengan kata lain,
penerima memprediksi nilai data yang tidak dikirim
menggunakan bagian yang ditransmisikan serta yang
diprediksi data. Ini berarti bahwa penerima menetapkan
tingkat kompleksitas yang mungkin sama operator
prediksi seperti halnya pemancar, dan khususnya,
transmitter itu sendiri harus berbasis prediksinya
menggunakan, jika perlu, memperkirakan titik data yang
tidak melebihi ambang kesalahan. Sejauh ini kami telah
menentukan struktur adaptif yang optimal, tetapi masih
ada pertanyaan mengevaluasi sistem. Misalnya, wajar
bertanya berapa kompresi adalah mungkin untuk
mendapatkan dengan cara ini rata-rata, dan apa kesalahan
keseluruhannya. Sini kita harus mendalilkan beberapa
struktur untuk sumber data dan kemudian menghitung
hasilnya kompresi menggunakan sistem adaptif. kita
sekarang akan secara singkat menunjukkan apa pada
analisis ini Jenis melibatkan. Untuk tidak terlalu
memalsukan analisis, mari kita pertimbangkan operasi
prediksi dalam pemancar hanya didasarkan pada sampel
yang sebenarnya. mari kita tunjukkan sampel data dengan
{x ,,}. Kami berasumsi bahwa data dapat diambil sebagai
proses stokastik stasioner. Kami mungkin lebih jauh
menganggap bahwa prosesnya adalah Gaussian sejak
kesalahan prediksi maksimum (dan karenanya kompresi
minimum) terjadi dalam kasus ini karena operasi prediksi
hanya mencakup linier. Mari kita perhatikan kasus di
mana prediktor adaptif juga dibatasi menjadi linier.dalam
hal ini penimbangan filter optimal {aj} ditentukan dengan
meminimalkan
Rumus 58
di mana data yang tersedia sebelumnya terdiri atau
sampel N dan prediksi didasarkan pada sampel "m". kami
tentu saja mempertimbangkan metode "analog" di atas.
The con espollding (kuadrat) kesalahan kemudian
Rumus 59
Rumus 60
Rumus 61
Rumus 62
Rumus 63
Rumus 64
Rumus 65
Rumus 66
Rumus 67

yang merupakan probabilitas melebihi ambang batas, dan

rasio kompresi yang dapat dicapai adalah kemudian siap
menyimpulkan dari ini.

kami tidak akan membahas rincian perhitungan ini.

Namun, jika kita menyederhanakan masalah dan
asumsikan bahwa N cukup besar sehingga kita dapat
mengganti "waktu" rata-rata dalam (4,5) dengan satu fase
rata-rata, {{X;} tentu saja menjadi koefisien regresi
optimal yang meminimalkan
Rumus 68
Rumus 69
Rumus 70
Rumus 71
Oleh karena itu, langkah pertama adalah menghitung ini.
Ini sudah merupakan masalah yang tidak standar ekspresi
eksplisit untuk kesalahan ini tidak diketahui. Beberapa
perkiraan asimptotik diberikan. AnalisisAnalisis lengkap
dengan demikian melibatkan beberapa tenaga kerja,
kecuali jika pendekatan yang disederhanakan sudah
cukup. MisalnyaMisalnya, dalam menghitung statistik
(4.7), kami mungkin puas untuk menghitung yang
pertama momen. Kami menghilangkan detail perhitungan
ini karena tujuan kami di sini hanyalah untuk
menggambarkan jenis analisis yang terlibat.

kami mencatat bahwa teori adaptif berakhir dengan

prosedur "optimal". Untuk mengevaluasi seberapa baik
sistem sebenarnya, kita harus menentukan kelas input
atau parameter sistem- atau statistik mereka jika mereka
dianggap berbeda secara acak. Sangat sering tidak ada
jelas "optima." Ini berarti bahwa kita mungkin harus puas
dengan sistem dan suboptimal biasanya akan ada banyak
dari ini, dan masalah memutuskan di antara mereka
dengan analisis dicara kuantitatif apa pun bisa menjadi
cara yang sulit.

Sebagai kesimpulan, mari kita perhatikan bahwa metode

pemrosesan adaptif dalam teori komunikasi adalah masih
dalam tahap formatif mereka. Kami telah membahas
contoh yang menggambarkan sebagian besar fitur yang
menjadi ciri teori yang terlibat dalam metode ini tanpa
kepura-puraan lengkap.