План лекции 14 лекция 4 Весовые окна Периодограммный метод оценки спектра Кореллограммный метод оценки спектра Функция когерентности Авторегрессионные методы оценки спектра Весовые окна Конечная последовательность x n , n 0,.., N 1 N n xnrect n N rect n X лекция 4 x 1, 0n N 1; 0, other n f X f R f N N Весовые окна |X(f)|2 X(n) б) a) f n 0 T 2T -1/2T f0 -f0 1/2T |XN(f)|2 XN(n) г) в) n 0 T лекция 4 2T f -1/2T -f0 f0 1/2T Весовые окна Прямоугольное окно wn 1 n 0, N 1 Окно Бартлета 2n 1 ;n 1, N 2 1 N wn w N m 2;n N 2 2, N Окно Хэмминга 2n 1 wn 054 . 0.46 cos N лекция 4 Весовые окна Характеристики весовых окон Тип окна Максимальный уровень БЛ, Дб Скорость спадания БЛ Эквивалентная ширина полосы Прямоугольное -13 -6 1 Бартлетта -26 -12 1.33 Хэмминга -43 -6 1.36 Чебышева -50 0 1.39 Блэкмана (=3) -98 -6 1.8 лекция 4 Весовые окна Прямоугольное окно Треугольное окно лекция 4 Окно Хэмминга Коррелограммный метод оценки Теорема Винера-Хинчина Спектральная плотность мощности дискретного сигнала G x f T Bx m exp j 2 fmT m B m E{xn xn m } x Автокорреляционная функция 1 B m x 2T Gx f exp j 2 fmT df 1 2T Взаимная спектральная плотность мощности G f T B xy m exp j 2mfT xy m лекция 4 Коррелограммный метод оценки Математическое ожидание случайной величины x[n] Автокорреляционная функция M 1 * * B m E xn x n m lim x[n m]x [n] x M 2M 1 n M B 1 x B 2 x m 1 N m 1 x n x n m , 0 m N 1 Несмещенная N m n 0 m 1 N m 1 x n x n m , 0 m N 1 N n 0 N m (1) B ( m) Bx (m) N ( 2) x лекция 4 Смещенная Коррелограммный метод оценки спектра G x f M T Bx m exp j 2 fmT m M Gˆ x ( f ) T M w(m) B (m) exp( j 2 fmT ) mM ˆ (f ) T G xy B лекция 4 xy x m M w(m) B mM xy (m) exp( j 2 fmT ) 1 N m 1 x(n) y (n m), 0 m N 1 N n 0 Коррелограммный метод оценки спектра 1. Выбрать последовательность x[n] n=0,…,N-1 2. Вычислить корреляционную функцию – смещенную или несмещенную для максимального корреляционного сдвига L 3. Выбрать число отсчетов в частотной области M. M > 2L 4. Выбрать функцию окна размерности 2L 5. Умножить корреляционную функцию на функцию окна ~ Bx (m) Bx (m)w(m) 6. Доопределить корреляционную функцию ~ Bx (m), m 0,..., L ~ ~ Bx (m) Bx ( M m), m M L,..., M 1 0, m L 1,..., M L 1 7. Вычислить Фурье преобразование лекция 4 T Gx ( k ) U M 1 ~ Bx (m) exp( j 2km / M ) m 0 Периодограммный метод оценки спектра Свойство эргодичности – усреднение по ансамблю заменить усреднением по времени. Определение. Процесс является эргодичным, если с вероятностью, равной 1, все его статистические характеристики можно предсказать по одной реализации из ансамбля процесса с помощью усреднения по времени 2 N 1 Gx ( f ) lim E T x[n] exp( j 2fnT ) N (2 N 1)T n N 1 T G( k ) S (k ) NT N лекция 4 N 1 x(n) exp( j 2 kn / N ) n0 2 Периодограммный метод оценки спектра Алгоритм 1. Исходная x[n], n=0,…,N-1, разбивается на P перекрывающихся участков (i ) x (m) x(m (i 1) M C ) M C int{M / C} m=0,M-1, I=1,..,P 2. Центрирование сигнала. x (i ) 1 M P int{C( N M ) / M} 1 x (i ) (m) x (i ) (m) x (i ) M 1 x (i ) (m) m 0 3. Взвешивание сигнала s (m) w(m) xˆ (m), m 0,... M 1 (i ) лекция 4 (i ) U M 1 w( m) m0 2 Периодограммный метод оценки спектра 4. Для каждого участка вычисляется ДПФ X (i ) ( k ) M 1 (i ) s (m) exp( j2 km / M ) m0 5. Усреднение по участкам P 2 T (i ) ˆ Gxx (k ) X (k ) U P i 1 6. Взаимный спектр P T (i ) (i ) ˆ Gxy ( k ) X (k ) Y (k ) U P i 1 лекция 4 Функция когерентности 1. Функция когерентности xy ( f ) ˆ (f) G xy ˆ (f) G ˆ (f) G xx yy 2. Модуль Функции когерентности xy ( f ) ˆ (f) G xy ˆ (f) G ˆ (f) G xx yy 3. Фаза функции когерентности ( f ) arctg Im xy ( f )/ Re xy ( f ) лекция 4 Параметрические методы спектральной оценки Последовательность можно представить в виде p q k 1 k 0 x(n) a( k ) x(n k ) b( k ) u(n k ) h( k ) u(n k ) k 0 x(n)- выходная последовательность каузального фильтра с импульсной характеристикой h(n), u(n) – входная возбуждающая последовательность p B( z) H ( z) A( z ) A( z) 1 a( k ) z k k 1 q B( z ) 1 b(k )z k k 1 H ( z) 1 h( k ) z k лекция 4 k 1 Параметрические методы спектральной оценки Z-преобразование – автокорреляции входа и автокореляции выхода связаны соотношением Gxx ( z) Guu ( z) H ( z) H (1 / z ) Guu ( z) Пусть вход u(n) – белый шум. лекция 4 B( z) B (1 / z ) A( z) A (1 / z ) Guu ( z) Параметрические методы спектральной оценки Спектральная плотность мощности для АРСС-процесса z exp( j 2 fT ) GAPCC ( f ) T B( f ) A( f ) 2 2 p A( f ) 1 a( k ) exp( j2 fkT ) k 1 q B( f ) 1 b( k ) exp( j2 fkT ) k 1 лекция 4 Параметрические методы спектральной оценки Если все АР-параметры, кроме a(0)=1 равны нулю, то x( n) q b( k )u(n k ) u(n) k 1 Будет строго процессом скользящего среднего (ССпроцесс) порядка q. Если все ССпараметры равны 0, то процесс станет АРпроцессом (авторегрессионным) p GCC ( f ) T B ( f ) G AP ( f ) T x( n) a( k ) x( n k ) u( n) k 1 лекция 4 2 1 A( f ) 2 Параметрические методы спектральной оценки Алгоритм АР-оценки спектра 1. АРСС оценка: вычислить дисперсию белого шума , Коэффициенты скользящего среднего b(k), авторегрессионные Коэффициенты a(k) 2. АР оценка: вычислить дисперсию белого шума , авторегрессионные коэффициенты a(k) 3. СС оценка: вычислить дисперсию белого шума , Коэффициенты скользящего среднего b(k) Методы поиска коэффициентов: 1. Метод Бурга 2. Метод максимального правдоподобия 3. Ковариационный метод (модифицированный) 4. Метод Юла-Уолкера лекция 4 Параметрические методы спектральной оценки Методы поиска коэффициентов авторегрессии p x(n) a(k ) x(n k ) e f (n) k 1 Оценка модели линейного предсказания вперед p xˆ f (n) a(k ) x(n k ) k 1 Оценка модели линейного предсказания назад p xˆ b (n) a(k ) x(n k ) k 1 2 f e f ( n) b e b ( n) лекция 4 2 Параметрические методы спектральной оценки Авторегрессионный метод Метод скользящего среднего лекция 4