SciELO - Scientific Electronic Library Online

 
vol.19 número1Estimation of general equilibium model in dynamic economies using Markov Chain Monte Carlo methodsCo-occurrence matrix and fractal dimension for image segmentation índice de autoresíndice de assuntospesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Journal

Artigo

Indicadores

Links relacionados

  • Não possue artigos similaresSimilares em SciELO

Compartilhar


Revista de Matemática Teoría y Aplicaciones

versão impressa ISSN 1409-2433

Rev. Mat vol.19 no.1 San José Jan. 2012

 

Algoritmo conjunto Kalman–Haar aplicado al procesamiento de señales

Joint Kalman–Haar algorithm applied to signal processing

Alejandro Viegener*Ricardo O. Sirne* Eduardo P. SerranoMarcela Fabio§* Carlos E. D’Attellis*


*Dirección para correspondencia:

Resumen

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 multirresolución (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.

Palabras clave: Procesamiento de señales, filtro de Kalman, eliminación de ruido con onditas, análisis de multirresolución.

Abstract

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.

Keywords: Signal processing, Kalman filter, wavelet denoising, multiresolution analysis.

Mathematics Subject Classification: 42C40.



Ver contenido disponible en pdf



Agradecimientos


Los autores agradecen a la Escuela Superior Técnica del Ejército Argentino (EST - IESE) y a la Universidad Nacional de San Mart´ın (ECyT - UNSAM), Argentina, por su apoyo.

        [ Links ]
[2] Hirchoren, G.A.; D’Attellis, C.E. (1998) “Estimation of fractal signals using wavelets and filter banks”, IEEE Trans. on Signal Processing 46(6): 1624–1630.         [ Links ]
[3] Hirchoren, G.A.; D’attellis, C.E. (1999) “Estimation of fractional brownian motion with multiresolution Kalman filter banks”, IEEE Trans. on Signal Processing 47(5): 1431–1434.         [ Links ]
[4] Kalman, R.E. (1960) “A new approach to linear filtering and prediction problems”, Trans. ASME-Journal of Basic Engineering 82: 35–45.         [ Links ]
[5] Kalman, R.E.; Bucy, R.S. (1961) “New results in linear filtering and prediction theory”, Trans. ASME-Journal of Basic Engineering: 95–108.         [ Links ]
[6] Postalcioglu, S.; Erkan, K.; Bolat, E.D. (2005) “Comparison of Kalman filter and wavelet filter for denoising”, en: IEEE Conference Proceedings International Conference on Neural Network and Brain, Vol 2, Beijing, China: 951–954.         [ Links ]
[7] Renaud, O.; Starck, J.; Murtagh, F. (2005) “Wavelet-based combined signal filtering and prediction”, IEEE Trans. on Sytems, Man, and Cybernetics, Part B: Cybernetics 35(6): 1241–1251.         [ Links ]
[8] Walmut, D.F. (2002) An Introduction to Wavelet Analysis. Birkhaüser, Boston.         [ Links ]
[9] Zhao, J.; Ma, H.; You, Z.; Umeda, M. (2001) Lecture Notes in Computer Science: Multiscale Kalman filtering of fractal signals using wavelet transform, Springer-Verlag Berlin, Heidelberg: 305–313.         [ Links ]

*Correspondecia a: Alejandro Viegener. Escuela Superior Técnica del Ejército “General Manuel N. Savio”, I.E.S.E., Argentina, E-Mail: a_viegener@yahoo.com.ar
Ricardo O. Sirne. Departamento de Matemática, Facultad de Ingeniería, Universidad de Buenos Aires, Argentina, E-Mail: rsirne@fi.uba.ar
Eduardo P. Serrano. Centro de Matemática Aplicada, Universidad de San Martín y Escuela Superior Técnica del Ejército “General Manuel N. Savio”, I.E.S.E., Argentina, E-Mail: eserrano@unsam.edu.ar
Marcela Fabio. Misma dirección que/Same address as E.P. Serrano, E-Mail: mfabio@unsam.edu.ar
Carlos E. D’Attellis. Centro de Matemática Aplicada, Univ. de San Martín, Argentina. E-Mail: cdattellis@yahoo.com.ar

*Escuela Superior Técnica del Ejército “General Manuel N. Savio”, I.E.S.E., Argentina, E-Mail: a_viegener@yahoo.com.ar
Departamento de Matemática, Facultad de Ingeniería, Universidad de Buenos Aires, Argentina, E-Mail: rsirne@fi.uba.ar
Centro de Matemática Aplicada, Universidad de San Martín y Escuela Superior Técnica del Ejército “General Manuel N. Savio”, I.E.S.E., Argentina, E-Mail: eserrano@unsam.edu.ar
§Misma dirección que/Same address as E.P. Serrano, E-Mail: mfabio@unsam.edu.ar
Centro de Matemática Aplicada, Univ. de San Martín, Argentina. E-Mail: cdattellis@yahoo.com.ar

Received: 8-Feb-2010; Revised: 10-Nov-2011; Accepted: 30-Nov-2011

Creative Commons License Todo o conteúdo deste periódico, exceto onde está identificado, está licenciado sob uma Licença Creative Commons