Спектральный анализ и его приложения к обработке сигналов в реальном времени

Автор работы: Пользователь скрыл имя, 13 Января 2013 в 17:04, курсовая работа

Описание работы

Спектральный анализ - это один из методов обработки сигналов, который по-зволяет охарактеризовать частотный состав измеряемого сигнала. Преобразование Фурье является математической основой, которая связывает временной или простран-ственный сигнал (или же некоторую модель этого сигнала) с его представлением в частотной области. Методы статистики играют важную роль в спектральном анализе, поскольку сигналы, как правило, имеют шумовой или случайный характер. Если бы основные статистические характеристики сигнала были известны точно или же их можно было бы без ошибки определить на конечном интервале этого сигнала, то спек-тральный анализ представлял бы собой отрасль точной науки.

Содержание работы

Введение
Постановка проблем, формулировка задач
Глава 1. Теоретический анализ существующих алгоритмов спектрального анали-за.
1.1. Введение в спектральное оценивание
•1.1.1. Задача спектрального оценивания
•1.1.2. Проблемы в области спектрального оценивания.
• 1.1.3. Спектральные оценки по конечным последовательностям данных
• 1.1.4. Общая картина
1.2. Основные определения и теоремы классического спектрального анализа
• 1.2.2 Операции дискретизации и взвешивания для получения дискретно- временных рядов Фурье.
• 1.2.3. Анализ эргодичных дискретных процессов.
1.3. Классические методы спектрального анализа.
• 1.3.1. Введение.
• 1.3.2. Окна данных и корреляционные окна в спектральном анализе.
• 1.3.3. Периодограммные оценки спектральной плотности мощности.
• 1.3.4. Коррелограммные оценки спектра.
• 1.3.5. Область применения.
1.4. Авторегрессионное спектральное оценивание.
• 1.4.1. Введение.
• 1.4.2. Оценивание корреляционной функции - метод Юла-Уалкера.
• 1.4.3. Методы оценивания коэффициентов отражения.
• 1.4.3.1. Геометрический алгоритм.
• 1.4.3.2. Гармонический алгоритм Берга.
• 1.4.4. Оценивание линейного предсказания по методу наименьших квадра-тов.
• 1.4.5. Градиентный адаптивный авторегрессионный метод
• 1.4.6. Рекурсивный авторегрессионный метод наименьших квадратов
1.5. Спектральное оценивание на основе моделей авторегрессии - скользящего среднего .
1.6. Спектральное оценивание по методу минимума дисперсии.
1.7. Методы оценивания частоты, основанные на анализе собственных значений.
• 1.7.1. Введение.
• 1.7.2. Процедуры оценки частоты в пространстве сигнала.
• 1.7.3. Оценки частоты в пространстве шума.
Глава 2. Экспериментальный анализ алгоритмов спектрального анализа.
Особенности реализации.
Заключение.
Выводы.
Приложениe А. Смещение периодограммы Уэлча.

Файлы: 1 файл

спектр анализ.doc

— 1.64 Мб (Скачать файл)

 

1.1.4.Общая картина

Из формального определения спектра, следует, что спектр является некоторой функцией  одних лишь статистик второго порядка, относительно которых в свою очередь предполагается, что они остаются неизменными, или стационарными во времени. Следовательно, такой спектр не передает полной статистической информации об анализируемом случайном процессе, а значит, дополнительная информация может содержаться в статистиках третьего и более высокого порядка. Кроме того, многие обычные сигналы, которые приходится анализировать на практике, не являются стационарными. Однако короткие сегменты данных, получаемые из более длинной записи данных, можно считать локально стационарными. Анализируя изменения спектральных оценок от одного такого сегмента к другому, можно затем составить представление и об изменяющихся во времени статистиках сигналов, то есть нестационарных.  

 

 

1.2.Основные определения и теоремы классического спектрального анализа

1.2.1.Непрерывно-временное преобразование Фурье.

Определение: Непрерывно-временным преобразованием Фурье называется функция

В спектральном анализе переменная в комплексной синусоиде   соответствует частоте, измеряемой в герцах, если переменная измеряется в единицах времени (в секундах). По сути дела, непрерывно-временное преобразование Фурье идентифицирует частоты и  амплитуды тех комплексных синусоид, на которые разлагается некоторое произвольное колебание.

Определение: Обратное преобразование Фурье определяется выражением

Существование прямого и обратного преобразований Фурье с непрерывным временем для данной функции определяется целым рядом условий. Одно из достаточных условий состоит в том, что сигнал

должен быть абсолютно интегрируемым в смысле

 

 

1.2.2 Операции дискретизации и взвешивания для получения дискретно-временных рядов Фурье.

Определение: Функцией отсчетов с интервалом называется следующая функция :

 

Предположим, что берутся отсчеты непрерывного действительнозначного сигнала с ограниченным спектром, верхняя частота которого равна герц, так что преобразование Фурье равно нулю при частотах больше . Отсчеты сигнала с интервалом Т могут быть получены посредством умножения этого сигнала на функцию отсчетов:

Теперь найдем непрерывное преобразование Фурье , это свертка спектра сигнала и преобразования Фурье функции отсчетов по времени с интервалом Т секунд :

 

То есть свертка с преобразованием Фурье функции отсчетов просто периодически продолжает с частотным интервалом 1/T Гц, соответствующим частотному интервалу между импульсными функциями. В общем случае отсчеты в одной области (например, временной) приводят к периодическому продолжению в области преобразования (например, частотной). Если частота отсчетов выбрана достаточно низкой, так что , то периодически продолженные спектры будут перекрываться с соседними (эффект наложения в частотной области). Частота отсчетов получила название частоты отсчетов Найквиста.

Для того чтобы восстановить исходный временной сигнал по его отсчетам, то есть осуществить интерполяцию некоторого континуума значений между этими отсчетами, можно пропустить дискретизованные данные через идеальный фильтр нижних частот, обладающий  прямоугольной частотной характеристикой (взвешивание в частотной области ), используя теоремы о свертке во временной и частотной областях, получим :

Полученное выражение представляет собой математическую запись теоремы отсчетов во временной области, которая утверждает, что с помощью этой интерполяционной формулы  действительный сигнал с ограниченным спектром может быть точно восстановлен по бесконечному счетному числу известных временных отсчетов, взятых с частотой . Аналогичный результат может быть получен и для комплексных сигналов с ограниченным спектром.

 

Дуальной к теореме отсчетов во временной области является следующая  
Теорема. Для ограниченного временем по длительности сигнала верно, что

где

Таким образом, преобразование Фурье некоторого сигнала с ограниченной длительностью может быть однозначно восстановлено по эквидистантным отсчетам спектра такого сигнала, если выбранный интервал отсчетов по частоте удовлетворяет условию герц.

Пусть дан произвольный непрерывный сигнал и его преобразование , которые в общем случае могут быть неограниченными по спектру и по длительности. Если положить, что N отсчетов во времени взяты с равномерным интервалом T секунд, то ограничим спектр этого сигнала частотами герц взвешиванием в частотной области: , здесь - функция окна в частотной области. При этом сигнал трансформируется следующим образом . Далее берутся отсчеты во временной области сформированного первой операцией и ограниченного по спектру сигнала , соответствующие изменения в спектре можно представить как . Теперь ограничимся длительностью сигнала NT : . И снова свертка в частотной области для спектра полученного на этапе 2 . Последнее что осталось сделать - взятие отсчетов по частоте с интервалом 1/NT герц, это приводит к периодическому продолжению исходных N временных отсчетов. Сигнал на последнем этапе принимает следующий вид : , а его преобразование : .

Окончательно можно получить, что если исходный сигнал и - его преобразование, то на четвертом шаге  и связаны следующими соотношениями :

 

, где

Последние соотношения называют дискретно-временными рядами Фурье. Исходя из процесса построения дискретно-временных рядов Фурье, можно установить требуемое точное соотношение между рядом Фурье временной последовательности и соответствующей непрерывно-временной функцией или между рядом Фурье преобразования и исходной функции преобразования. Если ширина спектра ограничена частотой 1/T герц, то ряд Фурье  временной последовательности будет сохранять исходные значения в отсчетных точках, однако ряд Фурье последовательности преобразований будет состоять из отсчетов некоторого «размытого» варианта исходного преобразования . С другой стороны, если длительность  фактически ограничена интервалом NT секунд, то ряд Фурье последовательности преобразований сохраняет исходные значения в отсчетных точках, однако ряд Фурье  временной последовательности будет состоять из некоторого «размытого» варианта исходного сигнала . Эффекты размытия можно ослабить за счет уменьшения T  (так что 1/T будет соответствовать более широкой полосе) или увеличения N (так что NT будет соответствовать большей длительности), в результате чего дискретно-временной рад Фурье будет точнее аппроксимировать  непрерывное преобразование. Ряд будет идентичным непрерывному преобразованию только в случае периодических сигналов, которые можно представить в виде суммы из комплексных  синусоид с частотами k/NT герц, где k=0,1,...N-1.

1.2.3. Анализ эргодичных дискретных процессов.

Определение: Дискретный случайный процесс эргодичен в среднем  если

 

Определение: Дискретный случайный процесс автокорреляционно эргодичен  если

Допущение об эргодичности позволяет не только ввести через усреднение по времени определения для среднего значения и автокорреляции, но позволяет дать  подобное  определение спектральной плотности мощности  :

Определение:

Эта эквивалентная форма спектральной плотности мощности получается посредством статистического усреднения модуля дискретно-временного преобразования Фурье взвешенной совокупности данных, для случая когда число отсчетов данных увеличивается до бесконечности. Статистическое усреднение необходимо здесь потому, что дискретно-временное преобразование само является случайной величиной, изменяющейся для каждой используемой реализации . Это определение эквивалентно определению спектральной плотности мощности как дискретно-временное преобразование Фурье автокорреляционной последовательности.

Если в последнем определении не учитывать операцию математического ожидания, то получим оценку спектральной плотности мощности, которая называется выборочным спектром :

Хотя выборочный спектр не является состоятельной оценкой истинной спектральной плотности мощности, эта оценка может быть использована если выполнять некоторого рода усреднение или сглаживания. На использовании этой оценки основан классический периодограммый метод определения спектральной плотности мощности.

 

 

1.3. Классические методы спектрального анализа.

1.3.1 Введение

Оценки СПМ, основанные на прямом преобразовании данных и последующем усреднении, получили название периодограмм. Оценки СПМ, для получения которых по исходным данным сначала формируется корреляционные оценки, получили название коррелограммных методов спектрального оценивания.

При использовании любого метода оценивания СПМ пользователю приходится принимать множество компромиссных решений, с тем, чтобы по конечному количеству отсчетов данных получать статистически устойчивые спектральные оценки с максимально возможным разрешением. К этим компромиссным решениям относятся, в частности, выбор таких функций окна для взвешивания данных и корреляционных функций и таких параметров усреднения во временной и в частотной областях, которые позволяют сбалансировать требования к снижению уровня боковых лепестков, выполнению эффективного усреднения по ансамблю и к обеспечению приемлемого спектрального разрешения. Устойчивые результаты (малые спектральные флюктуации) и хорошая точность (малое смещение относительно истинных спектральных значений на всех частотах) достижимы только тогда, когда произведение TB, где Т - полный интервал записи данных, а B - эффективное разрешение по частоте, значительно превышает единицу. Все эти компромиссы можно количественно охарактеризовать в случае гауссовских процессов, для которых подробно теоретически изучены статистические характеристики классических спектральных оценок. Однако выбор конкретного метода спектрального оценивания в случае негауссовских процессов зачастую обосновывается только экспериментальными данными. Да и выбор функции окна очень часто основывается на данных экспериментальных, а не теоретических исследований.

 

1.3.2. Окна данных и корреляционные окна в спектральном анализе.

Окна представляют собой весовые функции, используемые для уменьшения размывания спектральных компонент, обусловленного конечностью интервалов наблюдения. Так, можно считать, что воздействие окна на массив данных (как мультипликативной весовой функции) состоит в уменьшении порядка разрыва на границе периодического продолжения. Этого добиваются, согласуя на границе возможно большее число производных взвешенных данных. Проще всего обеспечить такое согласование, сделав эти производные равными или, по крайней мере, близкими к нулю. Таким образом, вблизи границ интервала взвешенные данные плавно стремятся к нулю, так, что периодическое продолжение сигнала оказывается непрерывным вплоть до производных высших порядков.

С другой стороны, можно считать, что окно мультипликативно воздействует на базисное множество так, чтобы сигнал произвольной частоты имел значительные проекции только на те базисные векторы, частоты которых близки к частоте сигнала. Оба подхода ведут, конечно, к одинаковым результатам.

 

1.3.3. Периодограммные оценки Спектральной Плотности Мощности.

Пренебрегая операцией  вычисления математического ожидания и полагая, что конечное множество данных содержит N отсчетов, получаем выборочный спектр

который может быть вычислен по конечной последовательности данных. Однако поскольку была опущена операция математического ожидания, эта оценка будет неустойчивой или несостоятельной. И для сглаживания применяется что-то вроде псевдоусреднения  по ансамблю. Существует три различных типа сглаживания быстрых флюктуаций спектра.

 

Первый метод заключается в усреднении по соседним спектральным частотам. Если для вычисленный выборочный спектр на сетке частот , то модифицированная оценка периодограммы на частоте может быть получена посредством усреднения в P точках с каждой стороны от этой частоты

 

Обобщением этого подхода является обработка выборочного спектра с помощью фильтра нижних частот с частотной характеристикой . В этом случае модифицированную периодограмму можно записать в виде свертки частотной характеристики фильтра нижних частот и самого выборочного спектра

 

Вторым методом сглаживания выборочного спектра является усреднение по псевдоансамблю периодограмм за счет деления последовательности из N отсчетов данных на P неперекрывающихся сегментов по D отсчетов в каждом, так что DP<N (называемым периодограмма Бартлетта). Тогда p-ый сегмент будет состоять из отсчетов , где n=0,1,..,D-1,p=0,1,..P-1. Для каждого сегмента независимо вычисляется выборочный спектр в диапазоне частот

Далее на каждой частоте, представляющей интерес, P отдельных немодифицированных  периодограмм усредняются, с тем чтобы получить окончательную оценку:

 

Математическое ожидание и дисперсия даются следующими выражениями:

Из выражения для дисперсии видно, что устойчивость спектральной оценки Бартлетта улучшается как величина, обратная числу сегментов P.

 

Третьим и одним из самых эффективных методов является метод периодограмм Уэлча. Основное отличие от периодограммы Бартлетта состоит в том, что здесь используется окно данных и осуществлено перекрывающееся сегментирование последовательности отсчетов. Применение окна данных дает незначительное ухудшение разрешения по частоте, так как сам спектр окна вносит погрешности в результирующий спектр, однако удается достичь уменьшения влияния боковых лепестков спектра прямоугольного окна, которое косвенно применяется при сегментировании последовательности данных. Целью перекрытия сегментов является увеличение числа усредняемых сегментов и тем самым уменьшение дисперсии оценки спектральной плотности мощности. Сам метод состоит в следующем. Пусть дана запись комплексных данных , которая разбивается на число сегментов D со сдвигом S отсчетов между соседними сегментами, тогда взвешенный p-ый сегмент будет состоять из отсчетов, где n = 0,1..D-1, p = 0,1..P-1, P=[(N-D)/S+1]. А выборочный спектр взвешенного p-ого сегмента в диапазоне частот

Информация о работе Спектральный анализ и его приложения к обработке сигналов в реальном времени