Gürültü Filtreleme: İstatistiksel ve Spektral Yöntemler
Gürültü filtreleme, gözlemsel verilerdeki rastgele ve sistematik gürültü bileşenlerini bastırarak fiziksel sinyali ortaya çıkarmayı amaçlar. Astrofiziksel uygulamalar; fotometrik zaman serileri, tayfsal ölçümler ve interferometrik veriler üzerinde yoğunlaşır. Kuramsal çerçeve doğrusal sistem kuramı, olasılık teorisi ve spektral analiz temellidir.
Sinyal–Gürültü Modeli
Genel model:
$$x(t) = s(t) + n(t)$$
\(s(t)\) hedef sinyal, \(n(t)\) gürültüdür.
Gürültü İstatistiği
Ortalama:
$$\mu_n = \langle n(t) \rangle$$
Varyans:
$$\sigma_n^2 = \langle (n-\mu_n)^2 \rangle$$
Gaussian gürültü için olasılık yoğunluğu:
$$p(n) = \frac{1}{\sqrt{2\pi\sigma_n^2}} e^{-\frac{n^2}{2\sigma_n^2}}$$
Hareketli Ortalama Filtresi
Zaman alanında:
$$y_k = \frac{1}{M} \sum_{i=0}^{M-1} x_{k-i}$$
Düşük frekanslı sinyali korur.
Fourier Alanında Filtreleme
Ayrık Fourier dönüşümü:
$$X_k = \sum_{n=0}^{N-1} x_n e^{-2\pi i kn/N}$$
Filtre uygulanması:
$$Y_k = H_k X_k$$
\(H_k\) frekans tepkisidir.
Düşük Geçiren Filtre
İdeal filtre:
$$H(\nu) = \begin{cases} 1 & |\nu| < \nu_c \\ 0 & |\nu| \geq \nu_c \end{cases}$$
\(\nu_c\) kesim frekansıdır.
Wiener Filtresi
Optimum doğrusal filtre:
$$H(\nu) = \frac{S_s(\nu)}{S_s(\nu) + S_n(\nu)}$$
\(S_s\) ve \(S_n\) güç spektrumlarıdır.
Eşleşmiş Filtre
Şablon sinyal için:
$$H(\nu) = \frac{\tilde{s}^*(\nu)}{S_n(\nu)}$$
Sinyal-gürültü oranını maksimize eder.
Sinyal-Gürültü Oranı
Tanım:
$$\text{SNR} = \frac{\langle s^2 \rangle}{\langle n^2 \rangle}$$
Filtre sonrası:
$$\text{SNR}_{\text{out}}^2 = \int \frac{|\tilde{s}(\nu)|^2}{S_n(\nu)} d\nu$$
Dalgaçık Tabanlı Filtreleme
Dalgacık dönüşümü:
$$W(a,b) = \int x(t)\psi^*\left(\frac{t-b}{a}\right) dt$$
Eşikleme kuralı:
$$w_i = \begin{cases} w_i & |w_i| > \lambda \\ 0 & |w_i| \leq \lambda \end{cases}$$
Medyan Filtresi
Tanım:
$$y_k = \text{median}(x_{k-m}, \ldots, x_{k+m})$$
Tekil sapmaları bastırır.
Kovaryanslı Gürültü
Kovaryans matrisi:
$$C_{ij} = \langle n_i n_j \rangle$$
Genel filtreleme problemi:
$$\hat{s} = (C^{-1} + S^{-1})^{-1} C^{-1} x$$
Kalman Filtresi
Durum denklemi:
$$x_{k+1} = F x_k + w_k$$
Gözlem denklemi:
$$z_k = H x_k + v_k$$
Güncelleme adımı:
$$K_k = P_k^- H^T (H P_k^- H^T + R)^{-1}$$
Spektral Gürültü Modeli
Beyaz gürültü:
$$S_n(\nu) = \text{const}$$
Kırmızı gürültü:
$$S_n(\nu) \propto \nu^{-\alpha}$$
\(\alpha > 0\).
Sonuç
Gürültü filtreleme, sinyal modeline ve gürültü istatistiğine bağlı olarak optimize edilir. Fourier tabanlı filtreler frekans ayrıştırması sağlar; Wiener ve eşleşmiş filtre SNR’yi maksimize eder. Dalgaçık ve medyan filtreler geçici veya tekil sapmaları bastırır. Kovaryanslı modeller ve Kalman filtresi zamanla değişen sistemlerde etkilidir. Doğru filtre seçimi, fiziksel parametrelerin güvenilir çıkarımı için kritiktir.