Table of Contents
بخش کنترل بهینه و پردازش سیگنال
کنترل بهینه زمان دفع شده به یک سنگ بنای پردازش سیگنال دیجیتال مدرن (DSP)، ارائه یک چارچوب دقیق ریاضی برای طراحی سیستم هایی که با حداکثر کارایی، دقت و استحکام کار می کنند، با فرمول کردن وظایف پردازش سیگنال به عنوان مشکلات بهینه سازی در مراحل زمان گسسته، مهندسان می توانند به طور سیستماتیک از اهداف رقابتی مانند رد سر و صدا، ردیابی، مصرف قدرت و هزینه محاسباتی استفاده کنند.
اصول کنترل بهینه سازی زمان ( Dis-Time Optimal Control)
نظریه کنترل بهینه به مسئله تعیین سیاست کنترلی که به حداقل رساندن (یا حداکثر) معیار عملکردی مشخص در هنگام پویایی سیستم رضایت بخش و محدودیت ها می پردازد، در دامنه زمانی گسسته، سیستم در مراحلی که توسط صحیحان (FLT:0LT: 0 = 1، 1، 2، ... [F:2] معادله [F3] و کنترل مستقیم (F8.
[[ویرایش] [[[ویرایش] [[[ویرایش]] [[[ویرایش]]] [[[[ویرایش]]] [[[ویرایش]] [[[ویرایش]] [[۱۰]] [۱۰] [۱۰]] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۳] [۳] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۳] [۳] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۳] [۱۰] [۱۰] [۱۰] [۳] [۱۰] [۳] [۱۰] [۱۰] [۳] [۳] [۳] [۳] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۳] [۱۰] [۱۰] [۱۰] [۳] [۳] [۱۰] [۳] [۳] [۱۰] [۱۰] [۳] [۱۰] [
در جایی که [FLT3] نشان دهنده سر و صدا و یا اختلال فرایند است، هدف این است که یک توالی از کنترل (یا یک سیاست بازخورد) پیدا کنید که به حداقل رساندن یک تابع هزینه مانند یک تابع هزینه مانند.
[[ویرایش] [[[ویرایش] [[[ویرایش]] [[[ویرایش]]] [[[[ویرایش]]] [[[[ویرایش]] [[[ویرایش]] [[[ویرایش]] [[[ویرایش]] [[[[ویرایش] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۳] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱۰] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱۰] [۱۰] [۳] [۳] [۳] [۳] [۱۰] [۳] [۳] [۳] [۳] [۳] [۱۰] [۱۰] [۳] [۳] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۳] [۳] [۱۰] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱۰] [۳] [۳] [۱۰]
با L بودن یک هزینه مرحله و DMT یک هزینه ترمینال است، این فرمول به طور مستقیم بسیاری از وظایف DSP را به هم می رساند - به عنوان مثال، به حداقل رساندن خطای مربعی در یک فیلتر یا به حداکثر رساندن نسبت سیگنال به تزریق در یک گیرنده.
تکنیک های کلیدی راه حل شامل برنامه نویسی پویا، که ریشه در اصل Bellman از بهینه سازی دارد، و معادله ی پاره وقت همیلتون-Jacobi-Bellman، برای سیستم های خطی با هزینه های چهار برابر، قانون کنترل بهینه کاهش می یابد به تنظیم کننده خطی شناخته شده (LQR)، که یک بازخورد خط خطی بسته را ارائه می دهد.
کمک های اصلی به پردازش سیگنال دیجیتال
طراحی فیلتر پیشرفته
نظریه کنترل بهینه به طور عمیقی بر طراحی فیلتر دیجیتال تأثیر گذاشته است، فراتر از مشخصات فرکانس کلاسیک (PLT) برای ترکیب معیارهای عملکرد آماری و پویا (FLT:0) فیلتر وiener ، که به حداقل رساندن خطای مربعی در شرایط ثابت، می تواند به عنوان یک راه حل کنترل پایدار حالت مطلوب مشاهده شود.
فراتر از estimator های خطی، کنترل بهینه طراحی (FLT:0) فیلترها را با محدودیت های ساختاری (به عنوان مثال، پاسخ محرک محدود، سفارش ثابت یا محدودیت های کم تحرک) فعال می کند.با ریخته گری طراحی فیلتر به عنوان یک مشکل بهینه سازی محدود، مهندسان می توانند ضریب هایی را به دست آورند که ترکیب وزن پاس باند، توقف و به تعویق انداختن گروه، و انحراف را به حداقل می رسانند.
پردازش سیگنال سازگار
الگوریتم های سازگار مانند حداقل مربع (LMS) و Recursive حداقل مربع (RLS) نوادگان مستقیم روش های شیب تصادفی برای کنترل بهینه هستند.در این الگوریتم ها، سطح عملکرد توسط خطای مربعی مورد انتظار تعریف می شود و ضریب فیلتر در امتداد گرادیان تنظیم می شود تا راه حل بهینه را دنبال کند. [FACE]
ثبات و ثبات
در سیستم های دنیای واقعی، عدم قطعیت مدل، تحمل جزء و تغییرات محیطی [2] عملکرد را کاهش می دهد.کنترل بهینه زمان، این چالش ها را از طریق سنتز کنترل قوی، به ویژه H [FLT: [FLT:] برنامه های کنترل کیفیت مهم و قابلیت های کاهش عملکرد HLT:2 [F3] جدا از زمان HLT:4 [F] [F] [F] تأخیر در خرابی عملکرد به ویژه تضمین می کند.
بهره وری انرژی و اخراج تجاری محاسباتی
سیستم های جاسازی شده DSP، از سمعک به سنسورهای IoT، باید تحت بودجه های انرژی دقیق عمل کنند.کنترل Optimal قادر به فعال کردن طراحی پردازش و مدیریت انرژی است. [۱۰] با فرمول کردن یک تلفن هوشمند پویا که شامل کیفیت سیگنال و مصرف برق، کنترل کننده ها می تواند به طور پویا نرخ نمونه برداری، ولتاژ و مدل پیش بینی الگوریتم (MP) را به حداقل رساندن این روش های بهینه انرژی است:
برنامه های کاربردی در سراسر DSP Domains
پردازش صوتی و گفتاری
در برنامه های صوتی و گفتار، کنترل بهینه پاره وقت (FLT:0) لغو نویز فعال هدفون، که در آن یک حلقه کنترل سر و صدا محیط را اندازه گیری می کند و یک سیگنال ضد فاز را تولید می کند، کنترل کننده طراحی شده است تا خطای باقی مانده را به حداقل برساند در حالی که حفظ قوی بودن به تغییرات در تناسب کاربر و محیط زیست به طور مشابه، [F:2] الگوریتم های پیاده سازی صدا (به طور چشمگیری در سیستم های شنوایی تمیز (مانند شنوایی واقعی کمک می کند.
تصویر و پردازش ویدئو
بازسازی تصویر – مانند تخریب، تجزیه و تحلیل و درد (نقاشی) – می تواند به عنوان یک مشکل کنترل بهینه بر یک شبکه 2D فرموله شود. تکامل از مرحله به مرحله مطابق با یک فرآیند انتشار، و تابع هزینه انحراف از داده های مشاهده شده در حالی که اجرای محدودیت های صافی.این رویکرد به تحریف می پردازد (FLT0 state-of-art-art) نتایج تست تصویر برداری دقیق (کنترل تصاویر تصویری مستقیم و کد گذاری تصاویر مستقیم)
ارتباطات بی سیم Wireless Communications
استانداردهای بی سیم مدرن به شدت بر مفاهیم کنترل بهینه تکیه می کنند.[۱۰] برابر سازی شهری در گیرنده ها از فیلترینگ Kalman برای جبران محو شدن چندپاتی استفاده می کند.[۱۰] پیکربندی منابع بهینه در سیستم های MIMO وزن آنتن های جداگانه را برای به حداکثر رساندن نسبت تأخیر سیگنال به تاخیر در زمان، و همچنین تنظیم منابع بهینه سازی می کند.
پردازش سیگنال های زیست محیطی
سیگنال های زیست محیطی مانند ECG، EEG و EMG اغلب با مصنوعات حرکتی، سر و صدا عضلانی و مداخله خط قدرت آلوده می شوند.کنترل Optimal یک راه اصولی برای فیلترهای سازگار را فراهم می کند که ردیابی آمار غیر ایستگاهی .
ادغام با ماشین یادگیری
اتحادیه کنترل بهینه و یادگیری ماشین یکی از هیجان انگیزترین مرزهای در DSP آموزش بهینه (RL) است یکی از هیجان انگیزترین مرزهای در DSP است حل مشکلات کنترل بهینه هنگامی که مدل سیستم ناشناخته یا بسیار غیر خطی است.در برابر سازی صدا، عوامل RLD یادگیری پارامترهای فیلتر بر اساس بازخورد کاربر برای تصویر decon، شبکه های خطای عصبی دقیق استفاده می شود.
چالش ها و مسیرهای آینده
علی رغم پیشرفت قابل توجه، چندین چالش باقی مانده است. [FLT] پیاده سازی زمان واقعی از کنترل کننده های بهینه نیاز به خروجی محاسباتی بالا، به ویژه برای عملیات ماتریس در Kalman یا H [FLT] پردازش بهینه سازی سیگنال ها و فیلترهای سخت افزاری [FLT3] دارند.
نتیجه گیری
کنترل بهینه سازی زمان دفع شده اساساً پردازش سیگنال دیجیتال را تغییر داده است، ارائه یک پایه اصولی برای طراحی فیلتر، الگوریتم های سازگار، سیستم های قوی و محاسبات آگاه انرژی، نفوذ آن شامل صدا، ویدئو، ارتباطات و مهندسی زیست پزشکی است و ادغام آن با یادگیری ماشین همچنان به فشار مرزهای آنچه که ممکن است.