Bueno como podéis suponer ya que tengo tarea atrasada, voy a hacer una buena Forward Estimation(tiene gracia ._.). Lo que quiero decir es que os contaré desde la más reciente, a excepción de un par de cosas que estamos haciendo ahora mismo y que no tendría sentido esperar.
Este laboratorio de la asignatura de Procesado de Señal(tenemos 1 laboratorio y un examen por tema) trata sobre el famoso(aplausos) Nobert Wiener:
MASSACHUSETTS, UNITED STATES – MAY 1949: Portrait of Professor Norbert Wiener, American mathmematician who founded cybernetics, in classrom at MIT.
Tenemos que «estimar», porque en esta asignatura todo se traba de el mismo problema en realidad aunque nos lo han presentado para unos casos y hemos ido generalizando (y por tanto complicando la notación). Es obvio que vamos a usar «Wiener Filter«.
Procesamiento de Imagen:
Como dice uno de los profesores en la propia práctica, cuando tenemos el problema de acabar con una imagen borrosa»These situations can be avoided by buying a constant-aperture lens with image stabilisation.However,why spend several hundred or several thousand euros, if you can use open source Wiener Filter!»
Pues u os quitáis el tembleque o al turrón:
Orden del filtro utilizado n=5
Orden del filtro utilizado n=1000
Cómo veis hemos recuperado la imagen original con bastante calidad usando un filtro de orden mayor. (Más cosas pasan pero todo no puedo decirlo 😉 ).
Procesamiento de Audio:
Es este aparatado básicamente hemos cogido un trozo del speech más aburrido que podáis imaginaros (si ése), lo hemos lowpassfiltereado(ole) y hemos intentado aplicando el mismo procedimiento anterior.
Y aquí tenéis el resultado(ala ahora a buscar como guardar audios en matlab…):
Muestra de audio original,Muestra de audio tras el LPF(low pass filter),Muestra de audio tras WienerFilter:
(No me dejan subir audios porque tengo la versión free…-_-, asi que… cutre video)
The Wiener Filter for the vector case:
Básicamente consiste en complicar la cosa, en lugar de tener escalares pues ahora hay vectores y matrices y es un lío para indexizar bien en Matlab.
Cogido de mi report 🙂
Este último apartado sólo lo menciono ya que las matemáticas que tienen detrás no las puedo escribir aquí.
Lo que sí es interesante es que a partir de este caso somos capaces de «simular» MIMO(Multiple Input Multiple Output). Dónde las antenas transmisoras están representadas por las N filas de esas matrices H, y las antenas receptoras por las M columnas.Y ver como el MMSE(minimum mean square error) se comporta en función de que se estropee alguna antena en transmisión o recepción.
Siento que haya quedado una entrada tan larga, pero pocas maneras más hay de contarlo. Nos vemos 😉
masterteltecnun 