24、离散时间系统实现的深入剖析

离散时间系统实现的深入剖析

1. 输出噪声方差与性能优化

输出噪声方差的表达式为:$a_{y}^{2} = \frac{1}{2\pi j}\oint_{|z| = 1}\frac{5}{1 - z^{-1}}dz$ ,利用柯西留数定理计算该积分,我们发现当极点靠近单位圆($r \to 1$)时,输出噪声的方差会增大。

为了改善数字滤波器的噪声性能,可以在量化之前使用 $(2B + 1)$ 位加法器来累加乘积和。此时,直接形式 I 网络的差分方程会相应变化。这样,累加和以 $2B + 1$ 位的精度进行计算,然后再量化为 $B + 1$ 位,以便将 $j(n - 1)$ 和 $j(n - 2)$ 存储在 $(B + 1)$ 位延迟寄存器中,并生成 $(B + 1)$ 位的输出 $j(n)$。由于只有一个量化器对乘积和进行量化,图 8 - 19 中噪声源的方差从 $5\sigma_{e}^{2}$ 降低到 $\sigma_{e}^{2}$。

2. 极点 - 零点配对与排序规则

对于级联或并联形式实现的滤波器,在选择哪些极点与哪些零点配对,以及级联结构中级联节的顺序方面具有很大的灵活性。配对和排序会对输出噪声功率的形状和总输出噪声方差产生显著影响。一般遵循的规则如下:
1. 在 $z$ 平面中,将最靠近单位圆的极点与最靠近它的零点配对,持续进行此配对过程,直到所有极点和零点都完成配对。
2. 然后根据极点与单位圆的接近程度,对得到的二阶节进行级联排序。排序可以按照极点与单位圆接近程度的递增或递减顺序进行。具体采用哪种排序方式取决于多个因素的考虑,包括输出噪声的形状和输出噪声方差。

3. 离散时间系统定点实现中的溢出问题
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值