DSP Лекция 11 Digital Signal Processing

DSP Экспериментальное исследование алгоритмов спектрального оценивания на основе АР- моделей и моделей АРСС Измерение характеристик разрешения алгоритмов Измерение характеристик разрешения алгоритмов Исследование спектральных оценок моделей стационарных процессов Исследование спектральных оценок моделей стационарных процессов Измерение спектров нестационарных сигналов Измерение спектров нестационарных сигналов

DSP Цифровой спектральный анализ Измерение характеристик разрешения алгоритмов Для определения частотного разрешения алгоритмов ЦСА используют тест - сигнал, состоящий из пары синусоид равной амплитуды с близкими частотами в сумме с шумом наблюдения. Частотная расстройка, при которой спектральная оценка позволяет зафиксировать два пика с провалом между ними не менее 3 дб, зависит как от способа получения оценки, так и от совокупности параметров сигнала: длины реализации, отношения сигнал / шум, порядка модели. Для классических методов ЦСА процедурой закрытия окна добиваются нужного компромисса между частотным разрешением и устойчивостью (дисперсией) получаемой спектральной оценки при фиксированной длине реализации. При этом, увеличивая длину временного окна, достигают нужного частотного разрешения за счет возрастания дисперсии флюктуаций спектральной оценки, которое вызвано соответствующим уменьшением числа сегментов в процедуре усреднения оценки СПМ. Предельное частотное разрешение, обеспечиваемое классическими методами, не превосходит величины, обратной длине записи данных, и не зависит от характеристик анализируемых данных. Авторегрессионные методы оценки СПМ требуют правильного выбора важного параметра - порядка АР-модели.

DSP Цифровой спектральный анализ Увеличение порядка модели приводит к возрастанию частотного разрешения, однако при этом в спектральных оценках могут появляться ложные пики, что ассоциируется с ухудшением устойчивости оценки (большей ее дисперсией). Предельное значение порядка не должно, как правило, превышать половины длины записи данных. Для определения наиболее подходящего порядка АР-модели приходится испытывать много различных порядков, и эта процедура, называемая «закрытием» порядка модели, сходна с процедурой закрытия окна в классических методах. Временное разрешение как характеристика анализатора спектра, а также понятие частотно - временной разрешающей способности возникают при оценке качества измерения нестационарных (изменяющихся во времени) спектров. При скользящих спектральных измерениях временное разрешение отождествляется с минимальной длиной временного окна, перемещающегося по длине реализации обрабатываемого сигнала, при котором раздельно измеряются спектральные пики двух близких по частоте синусоид. Измерения параметров разрешения различных алгоритмов АР-оценивания СПМ показали, что наихудшее разрешение имеет алгоритм Юла-Уолкера, а лучшее - реализует модифицированный ковариационный метод, основанный на линейном предсказании вперед и назад. Метод Берга и ковариационный метод имеют сравнимые характеристики разрешения и существенно лучшие, чем у классических методов оценки СПМ.

DSP Цифровой спектральный анализ В качестве примера сравнительных измерений частотного и временного разрешений алгоритмов АР-оценивания СПМ приведем численные значения параметров для пары комплексных синусоид в шуме. Так синусоиды с относительными частотами f 1 = 0.2 и f 2 =0.25 и равными амплитудами ( А 1 = А 2 = 1.0 ) удавалось разрешить при минимально возможном числе временных отсчетов N = 4 и порядке модели p= 2 только модифицированным ковариационным методом при отношении сигнал / шум SNR > 40 дб, что соответствовало частотно - временному разрешению = 0.05 * 4 = 0.2. При увеличении числа отсчетов до N = 6 ( p= 2, SNR = 40 дб ) разрешает синусоиды и алгоритм Берга, а при N = 7 ( p = 2, SNR = 40 дб ) - ковариационный алгоритм. Алгоритм Юла - Уолкера начинает разрешать эти синусоиды при N = 14 ( p = 7, SNR = 40 дб ). Заметим, что периодограммный метод при односегментном анализе и прямоугольном окне разрешает синусоиды при N =16. При увеличении числа отсчетов до N = 8 (p = 3, 4 ) методы Берга и модифицированный ковариационный начинают разрешать синусоиды при SNR = 25 дб. Аналогичные измерения для пары синусоид равной амплитуды с частотами f 1 = 0.2 и f 2 =0.21 при относительной расстройке и отношении сигнал / шум =60 дб показали, что модифицированный ковариационный метод разрешает их при N = 6 (p =2,3 ), что соответствует частотно - временному разрешению. Метод Юла - Уолкера разрешает эти синусоиды при N > 70 (p = 35), периодограммный метод при односегментном анализе - при N >80.

DSP Цифровой спектральный анализ В таблицу 6.1 сведены значения числа отсчетов N, порядка модели p и соответствующего отношения сигнал / шум (SNR) (дб), при которых модифицированный ковариационный метод разрешает синусоиды с частотами 0.2 и При увеличении отношения сигнал / шум от 10 дб до 60 дб частотно - временное разрешение возрастает от величины 0.48 до SNR (дб) N p Таблица 6.1. Характеристики разрешения модифицированного ковариационного метода АР - оценивания СПМ

DSP Цифровой спектральный анализ На рис. 6, 7 и 8 представлены спектрограммы, отображающие оценки СПМ суммы двух синусоид в шуме для предельных значений параметров разрешения, соответственно для периодограммного, Юла-Уолкера и модифицированного ковариационного методов. Рисунок 6. Периодограмма суммы двух синусоид в шуме ( 80 отсчетов, SNR =60дб)

DSP Цифровой спектральный анализ Рисунок 7. Спектральная АР(35)-оценка суммы двух синусоид в шуме, полученная методом Юла-Уолкера ( 70 отсчетов, SNR =60 дб )

DSP Цифровой спектральный анализ Рисунок 8. Спектральная АР(3)-оценка суммы двух синусоид в шуме, полученная модифицированным ковариационным методом ( 6 отсчетов, SNR = 60 дб )

DSP Цифровой спектральный анализ Рисунок 9. Спектральная АР(28)-оценка суммы двух синусоид в шуме, полученная модифицированным ковариационным методом ( 56 отсчетов, SNR = 0 дб )

DSP Цифровой спектральный анализ Для малых отношений сигнал / шум высокое частотное разрешение АР- оценок СПМ может быть реализовано только при больших порядках модели и, следовательно, больших длинах последовательности данных. Так, пара синусоид с частотами 0.2 и 0.21 при отношении сигнал / шум SNR = 0 дб ( А 1,2 = 1, дисперсия шума =0.5) разрешается модифицированным ковариационным методом при N =56 и p =28, что отображено спектрограммой, представленной на рис.9. Однако большое число ложных пиков, связанное с большим порядком модели и эквивалентное большой дисперсии спектральной оценки, затрудняют правильную ее интерпретацию. Для сравнения на рис.10 приведена АРСС(9, 9)-оценка той же последовательности при N =56 и SNR = 0 дб при существенно меньшем эквивалентном порядке модели, равном p + q = 18, и, следовательно, меньшей дисперсии оценки с разрешенными синусоидами. Для этого случая АР- параметры оценивались алгоритмом Берга, СС-параметры оценивались на основе длинной АР-модели (p =30), параметры которой определялись также алгоритмом Берга, с последующей оценкой СС-параметров ковариационным методом. Из сравнения спектрограмм можно сделать вывод о том, что АРСС-модель позволяет получить лучшие оценки СПМ и реализовать лучшее разрешение, чем АР-модель для сильно зашумленных синусоид. Этот весьма важный для практики вывод в пользу АРСС-оценок СПМ подтвержден и многими другими вариантами полученных АРСС- оценок.

DSP Цифровой спектральный анализ Рисунок 10. Спектральная АРСС (9, 9)-оценка суммы двух синусоид в шуме (56 отсчетов, SNR = 0 дб ) с раздельным оцениванием АР- и СС-параметров

DSP Цифровой спектральный анализ Исследование спектральных оценок моделей стационарных процессов Примеры четырех авторегрессионных оценок СПМ 64-точечной тест- последовательности Марпла, полученных соответственно по алгоритмам Юла-Уолкера, Берга, ковариационного и модифицированного ковариационного, приведены на рис.11, 12, 13, 14. Для всех методов использовался АР-процесс 13-го порядка. Все алгоритмы, кроме Юла- Уолкера, хорошо разрешают все четыре комплексные синусоиды и примерно одинаково отображают спектры коррелированных шумов. Алгоритм Юла- Уолкера имеет худшее разрешение из всех описанных здесь методов АР- оценивания СПМ, превосходящее однако разрешение классических методов. Синусоиды тест-последовательности разрешаются методом Юла-Уолкера только для максимального порядка модели, равного 32, классические методы близкие по частоте синусоиды не разрешают, ввиду малой длины последовательности.

DSP Цифровой спектральный анализ Рисунок 11. АР(13)-оценка СПМ тест-последовательности Марпла, полученная методом Юла-Уолкера.

DSP Цифровой спектральный анализ Рисунок 12. АР(13)-оценка СПМ тест-последовательности Марпла, полученная методом Берга

DSP Цифровой спектральный анализ Рисунок 13. АР(13)-оценка СПМ тест-последовательности Марпла, полученная ковариационным методом

DSP Цифровой спектральный анализ Рисунок 14. АР(13)-оценка СПМ тест-последовательности Марпла, полученная модифицированным ковариационным методом

DSP Цифровой спектральный анализ Рисунок 15. АР(28)-оценка СПМ суммы четырех синусоид, полученная методом Берга, иллюстрирующая эффект расщепления спектральной линии на частоте -0.4

DSP Измерения характеристик точности оценки частоты синусоидального сигнала в шуме в зависимости от длины реализации, отношения сигнал / шум для различных методов АР- оценивания СПМ показали, что дисперсия и смещение оценки частоты синусоиды в шуме примерно обратно пропорциональны длине реализации и отношению сигнал / шум. Абсолютные значения смещения и дисперсии оценки частоты синусоиды с частотой 0.2 при отношении сигнал / шум = -10 дб составили соответственно величины и 0.04 для реализации длиной 5 отсчетов и 0.01 и для реализации длиной 15 отсчетов. Для алгоритма Берга зафиксирован эффект раcщепления спектральных линий, отображенный на рис. 15, где представлена спектральная АР(28)- оценка суммы четырех синусоид с частотами -0.4, 0.1, 0.2, 0.25, по реализации длиной 56 отсчетов при дисперсии шума равной Раcщепленным оказался спектральный пик, соответствующий частоте Эффект расщепления наблюдался, как правило, для малых длин реализаций, большого порядка модели и малой дисперсии шума при использовании алгоритма Берга. Цифровой спектральный анализ

DSP Цифровой спектральный анализ Проведенные измерения спектральных оценок для процессов, соответствующих АР-моделям, при различных длинах реализаций, уровне аддитивного шума наблюдения, порядке модели показали, что в случае, когда измеряемый процесс и его модель соответствуют друг другу, большинство методов АР-оценивания СПМ дают хорошие спектральные оценки, дисперсия которых уменьшается обратно пропорционально длине реализации и отношению сигнал / шум. На рис.16 и 17 в качестве примера приведены соответственно истинная СПМ и ее АР(4)- оценка методом Берга последовательности, состоящей из 40 отсчетов следующего АР(4)- процесса: x(n) = x(n-1) x(n-2) x(n-3) x(n-4) + u(n), где u(n) - белый гауссовский шумовой процесс. На рис.18 эти спектрограммы совмещены для лучшего уяснения их различий.

DSP Цифровой спектральный анализ Рисунок 16. Истинный спектр АР(4)-процесса

DSP Цифровой спектральный анализ Рисунок 17. АР(4)-оценка СПМ методом Берга модельного АР(4)-процесса

DSP Цифровой спектральный анализ Рисунок 18. Совмещенные спектрограммы, представленные на рис и 6.17.

DSP Цифровой спектральный анализ На рис.19 представлен истинный спектр АРСС(2, 2)-процесса, удовлетворяющего следующему разностному уравнению: x(n) = x(n-1) x(n-2) + u(n) - u(n-1), где u(n) - белый гауссов шум. Пики спектра этого процесса соответствуют относительным частотам и , а провалы (нули) - частотам 0 и 0.5. На рис. 20 представлена АРСС(2, 2)- оценка СПМ этого процесса без шума наблюдения для реализации длиной 100 отсчетов при оценке АР- параметров ковариационным методом, СС-параметров - методом Юла - Уолкера с использованием эквивалентной длинной АР(20)- модели, параметры которой оценивались ковариационным алгоритмом. Очевидно хорошее соответствие оценки истинному спектру.

DSP Цифровой спектральный анализ Рисунок 19. Истинный спектр АРСС (2, 2)-процесса

DSP Цифровой спектральный анализ Рисунок 20. АРСС (2, 2)-оценка СПМ процесса, спектр которого отображен на рис. 6.19, по реализации длиной 100 отсчетов.

DSP Обработка реальных временных рядов иллюстрируется на примерах спектрального анализа чисел солнечных пятен (чисел Вольфа), наблюдения за которыми имеют давнюю историю и связаны с поиском их периодичностей. Сведения о среднемесячных числах солнечных пятен за период с 1700 по 1997 г. получены из Internet`а и представляют собой реализацию длиной 2975 значений. АР(75)- оценка методом Берга 1000 значений этого процесса представлена на рис. 21, где на фоне сильного пика постоянной составляющей, обусловленного положительностью чисел солнечных пятен, заметен пик на частоте, близкой к 0.09 цикла на год, соответствующий классическому 11-летнему периоду активности солнечных пятен. Для более точного измерения параметров этого пика и других выполнена децимация (прореживание) временного ряда в 6 раз с тем, чтобы частота отсчетов снизилась до двух в год, при этом относительная частота, равная 0.5, на спектрограмме будет соответствовать одному циклу в год и, следовательно, пик, соответствующий частоте 0.1 цикла на год, будет на относительной частоте, равной Для устранения эффекта наложения исходная реализация перед децимацией обрабатывалась фильтром низких частот (ФНЧ), представляющим собой КИХ - фильтр с линейной ФЧХ, имеющий 49 коэффициентов и переходную зону в пределах от до относительной частоты. Прореженные в 6 раз числа солнечных пятен обрабатывались далее фильтром верхних частот (ФВЧ) с тем, чтобы устранить мешающее действие постоянной составляющей (эффект смещения близкого информационного пика). ФВЧ имел 51 коэффициент и переходную зону шириной от 0 до относительной частоты. Цифровой спектральный анализ

DSP Цифровой спектральный анализ На рис. 22 представлена АР(40)- оценка СПМ фильтрованных чисел солнечных пятен, полученная модифицированным ковариационным методом по реализации длиной 555 отсчетов. На этой спектрограмме видны сильные пики на частотах ( цикла на год летний цикл), ( цикла на год летний цикл), а также пик на частоте ( цикла на год летний цикл).

DSP Цифровой спектральный анализ Рисунок 21. АР(75)-оценка СПМ среднемесячных чисел солнечных пятен, полученная методом Берга

DSP Цифровой спектральный анализ Рисунок 22. АР(40)-оценка СПМ фильтрованных и прореженных чисел солнечных пятен, полученная модифицированным ковариационным методом.

DSP Цифровой спектральный анализ Измерение спектров нестационарных сигналов Поскольку частотно-временное разрешение параметрических алгоритмов спектрального оценивания в сравнении с классическими существенно выше, представляется целесообразным использование их для измерении переменных во времени спектров таких, например, как спектры частотно-модулированных, импульсных и других сигналов с целью определения областей локализации их энергии в плоскости частота-время, измерений законов модуляции и т. д. Измерение переменного во времени (активного) спектра сигнала можно выполнить, анализируя спектры его сегментов, наблюдаемых через перемещающееся по длине реализации временное окно и связывая спектр сегмента с временным положением (началом) окна. Совокупность полученных спектров образует в координатах интенсивность, частота, время частотно-временное распределение энергии (мощности) сигнала (ЧВРМ), по которому и определяются соответствующие характеристики сигнала. Так, например, для ЧМ -сигнала проекция максимумов распределения на плоскость частота-время (так называемый скелет максимумов) позволяет определить закон изменения во времени мгновенной частоты, вдоль которого в достаточно узкой полосе концентрируется энергия (мощность) сигнала. На рис. 23 отображен закон изменения во времени мгновенной частоты комплексного ЧМ-сигнала, модулированного синусоидой с периодом 50 отсчетов (несущая частота - 0.1, девиация частоты ), измеренный с помощью скользящей АР(1)-оценки СПМ методом Берга (окно длиной 6 отсчетов, шаг перемещения окна 1 отсчет, длина реализации 100 отсчетов, отношение сигнал / шум 42 дб ). Именно вдоль этой кривой в весьма узкой области локализовано ЧВРМ данного ЧМ-сигнала.

DSP Цифровой спектральный анализ Рисунок 23. Зависимость мгновенной частоты от времени ЧМ-сигнала, измеренная с помощью скользящей АР(1) спектральной оценки методом Берга

DSP Цифровой спектральный анализ АР(20)- оценка СПМ методом Берга данного сигнала представлена на рис. 24, который отображает по сути дела проекцию ЧВРМ на вертикальную плоскость, проходящую через ось частот, т.е. обычный (пассивный) спектр широкополосного ЧМ-сигнала с базой равной 2*0.3*100=60. Рисунок 24. АР(20)-оценка СПМ методом Берга ЧМ-сигнала с синусоидальным законом модуляции

DSP Цифровой спектральный анализ На рис. 25 представлена частотно-временная картина, отображающая зависимости, вдоль которых в узкой области локализовано ЧВРМ суммы двух комплексных ЛЧМ-сигналов с противоположными законами модуляции (длина реалазации отсчетов, диапазон изменения частоты от до ), полученная с помощью скользящей АР(2)- оценки СПМ модифицированным ковариационным методом (длина окна - 6 отсчетов, шаг перемещения окна - 1 отсчет). АР(20)- оценка СПМ методом Берга данного широкополосного сигнала представлена на рис. 26.

DSP Цифровой спектральный анализ Рисунок 25. Зависимости мгновенных частот от времени суммы двух ЛЧМ- сигналов, измеренные с помощью скользящей АР(2)-спектральной оценки модифицированным ковариационным методом.

DSP Цифровой спектральный анализ Рисунок 26. АР(20)-оценка СПМ методом Берга суммы двух ЛЧМ-сигналов с встречными законами модуляции по реализации длиной 100 отсчетов.

DSP Цифровой спектральный анализ На рис.27 представлена частотно-временная зависимость, вдоль которой в узкой области локализовано ЧВРМ комплексного сигнала длиной 100 отсчетов, состоящего из суммы двух синусоид с частотами 0.15 и 0.25 со сдвигом моментов их появления на 50 отсчетов и шума (отношение сигнал / шум 28 дб ), полученная с помощью скользящей АР(2)- оценки СПМ ковариационным методом (длина окна - 6 отсчетов, шаг перемещения окна - 1 отсчет). Рисунок 27. Частотно-временная зависимость, соответствующая сумме двух синусоид с частотами 0.15 и 0.25, сдвинутых во времени на 50 отсчетов, полученная на основе скользящей АР(2)-оценки ковариационным методом.

DSP Цифровой спектральный анализ На рис. 28 отображена частотно-временная зависимость положений спектральных пиков сигнала, соответствующего фильтрованной и прореженной последовательности ежемесячных чисел солнечных пятен длиной 555 отсчетов, полученной с помощью скользящей АР(8)- оценки СПМ модифицированным ковариационным методом (длина окна - 24 отсчетов, шаг перемещения окна - 6 отсчетов), которая иллюстрирует нестационарность основного 11-летнего периода солнечной активности. Рисунок 28. Частотно-временная зависимость положений спектральных пиков фильтрованных чисел солнечных пятен, полученная на основе скользящей АР(8)- спектральной оценки модифицированным ковариационным методом

DSP Цифровой спектральный анализ На рис. 29 отображена частотно-временная зависимость, соответствующая закону частотной модуляции комплексного ЛЧМ-сигнала с шумом наблюдения, вдоль которой в узкой полосе локализовано ЧВРМ этого сигнала (длина 100 отсчетов, начальная частота 0.1, девиация частоты 0.3, отношение сигнал / шум 42 дб ), полученная с помощью скользящей АР(1)- оценки СПМ методом Берга (длина окна - 6 отсчетов, шаг перемещения окна - 1 отсчет). На рис. 30 представлена АР(20)- оценка СПМ методом Берга этого широкополосного сигнала с базой равной 0.3*100=30. Рисунок 29. Закон модуляции ЛЧМ-сигнала, измеренный с помощью скользящей АР(1)-оценки СПМ методом Берга

DSP Цифровой спектральный анализ Рисунок 30. АР(20)-оценка СПМ методом Берга ЛЧМ-сигнала с начальной частотой 0.1 и девиацией по реализации длиной 100 отсчетов.

DSP Цифровой спектральный анализ Анализируя результаты измерений переменных во времени спектров и построения на их основе ЧВРМ сложных многокомпонентных сигналов, можно отметить следующие моменты. Для однокомпонентного, например, ЧМ-сигнала при большом отношении сигнал / шум длина скользящего окна может быть выбрана предельно малой ( 4-6 отсчетов), что позволяет осуществить весьма точные измерения ЧВРМ и закона модуляции сигнала. Увеличение числа компонент сигнала, а также уменьшение отношения сигнал / шум требует соответствующего увеличения порядка модели, что, в свою очередь, вызывает необходимость расширения окна и уменьшает точность измерения законов модуляции. При скользящих измерениях активных спектров многокомпонентных сигналов на основе параметрических методов не возникают перекрестные компоненты, затрудняющие интерпретацию ЧВРМ, что выгодно отличает их от других нелинейных алгоритмов СВА, таких, например, как алгоритм Вигнера-Вилля. Измерения пассивных спектров сложных широкополосных ЧМ-сигналов и других на основе параметрических моделей показали возможность точного воспроизведения их формы при правильном выборе порядка моделей.