Реферат: Спектральный анализ и его приложения к обработке сигналов в реальном времени
то матрица принимает теплицевый вид (далее ее будем обозначать ).
Нормальные уравнения, минимизирующие средний квадрат ошибки имеют следующий вид:
Элементы эрмитовой матрицы имеют вид корреляционных форм
, где
Таким образом, авторегрессионные параметры могут быть получены в результате решения нормальных уравнений. Рассмотрим алгоритм, который в решении нормальных уравнений учитывает тот факт, что эрмитова матрица получена как произведение двух теплицевых и в результате этого сводит количество вычислений к . При использовании алгоритма Холецкого потребовалось бы операций.
Ошибки линейного предсказания вперед и назад p-ого порядка
Здесь вектор данных , вектор коэффициентов линейного предсказания вперед и вектор линейного предсказания назад определяется следующими выражениями:
, ,
На основе отсчетов измеренных комплексных данных ковариационный метод линейного предсказания позволяет раздельно минимизировать суммы квадратов ошибок линейного предсказания вперед и назад:
,
что приводит к следующим нормальным уравнениям :
,
Введем необходимые для дальнейшего определения :
,
исходя из вида и можно записать :
, ,
где вектор столбцы и даются выражениями :
,
Важными также являются следующие выражения :
Пара векторов-столбцов и определяются из выражений :
Аналогично определяются вектора и , а также и через матрицы и .
Процедура, используемая для обновления порядка вектора линейного предсказания вперед выглядит следующим образом :
, где , в котором
Соответствующий вид имеет процедура обновления порядка для вектора предсказания назад:
, где ,
Векторы и должны удовлетворять следующим рекурсиям обновления порядка:
Используя тот факт, что является эрмитовой матрицей имеем следующие выражения для и :
Введем скалярные множители
Соответствующие рекуррентные выражения для и имеют следующий вид :
Наконец, еще одна рекурсия обновления порядка необходима для вектора :
Обновление временного индекса в векторе коэффициентов линейного предсказания вперед осуществляется в соответствии с выражением :
Выражение для обновления временного индекса у квадрата ошибки линейного предсказания вперед :
Аналогичным образом обновление временного индекса в векторе коэффициентов линейного предсказания назад ведется в соответствии с выражением :
Выражение для обновления временного индекса у квадрата ошибки линейного предсказания назад :
,
где комплексный скаляр удовлетворяет выражениям :
Соответствующие рекурсии по временному индексу для действительных скаляров и даются следующими выражениями:
,
Начальные условия необходимы для того, чтобы начать рекурсивное решение с порядка равного нулю:
, , ,
, ,
,
Экспериментальные результаты приведены в соответствующем разделе.
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 .
Модель авторегресии-скользящего среднего имеет больше степеней свободы, чем авторегрессионная модель, поэтому следует ожидать, что получаемые с ее помощью оценки спектральной плотности мощности будут обладать большими возможностями для передачи формы различных спектров. Основой спектрального оценивания при помощи модели авторегрессии-скользящего среднего является аппроксимация СС-процесса авторегрессионной моделью высокого порядка. Пусть
- системная функция СС(q)-процесса
-системная функция АР-процесса,
эквивалентного этому СС(q)-процессу, то есть
Применим обратное z-преобразование к обеим частям последнего равенства, используя теорему об обратном преобразовании произведения функций, получим:
причем
Таким образом, СС-параметры можно определить по параметрам некоторой эквивалентной авторегрессионной модели посредством решения произвольной подсистемы из q уравнений. Используя АР-оценки высокого порядка можно записать следующую систему уравнений :
В идеальном случае ошибка должна быть равна нулю при всех значениях m, за исключением m=0, однако на практике при использовании конечной записи данных эта ошибка не будет равна нулю, поэтому оценки для CC-параметров должны определятся посредством минимизации дисперсии квадрата ошибки:
Из структуры уравнения для оценок параметров скользящего среднего видно, что эти оценки можно найти, решив соответствующие нормальные уравнения (здесь используется либо «Оценивание корреляционной функции - метод Юла-Уалкера», либо
«Оценивание линейного предсказания по методу наименьших квадратов»)
Общая процедура раздельного оценивания авторегрессионных параметров и параметров скользящего среднего заключается в следующем. Этап первый - определение авторегрессионных параметров по исходным данным, после этого исходную последовательность данных необходимо подвергнуть фильтрации для получения временного ряда приближенно соответствующего некоторому СС-процессу (этап второй). Этот фильтр имеет системную функцию вида :
, где - оценки
авторегрессионных параметров, определенные с помощью метода наименьших квадратов. Системная функция процесса авторегресии-скользящего среднего равна , поэтому
Таким образом, пропуская запись измеренных данных через фильтр с системной функцией , получаем на его выходе аппроксимирующий процесс скользящего среднего. Этап третий : для оценивания СС-параметров применяется процедура, описанная в начале этого раздела. Оценка спектральной плотности мощности АРСС-процесса имеет вид :
, где
- оценка автокорреляции, полученная по фильтрованной последовательности
Экспериментальные результаты приведены в соответствующем разделе.
.
1.6. Спектральное оценивание по методу минимума дисперсии.
Оценка спектральной плотности мощности по методу минимума дисперсии не является
истинной функцией СПМ, поскольку площадь под графиком МД-оценки не характеризует полную мощность измеряемого процесса. Обратное преобразование Фурье, соответствующее МД-оценке, также не совпадает с автокорреляционной последовательностью. Таким образом, МД-оценку можно считать спектральной оценкой в том смысле, что она описывает относительные интенсивности компонент частотного спектра, но не является оценкой истинной СПМ. Минимальная дисперсия - это характеристика, которая более информативна вблизи начала координат оценки. Она получается посредством минимизации дисперсии процесса на выходе узкополосного фильтра, частотная характеристика которого адаптируется к спектральным компонентам входного процесса на каждой представляющей интерес частоте.
Рассмотрим фильтр с p+1 коэффициентами . Выход этого фильтра, соответствующий входу , определяется сверткой:
Дисперсия на выходе рассматриваемого фильтра определяется выражением :
Коэффициенты фильтра необходимо выбирать таким образом, чтобы на частоте частотная характеристика этого фильтра имела единичный коэффициент усиления. Это ограничение можно записать следующим образом:
, где
Отсюда следует, что синусоида с частотой , поданная на вход такого фильтра, пройдет без искажений. Для режекции компонент спектра, удаленных от частоты , необходимо минимизировать дисперсию на выходе рассматриваемого фильтра при последнем ограничении. То есть рассматривается задача условной минимизации:
Несложно показать, что при таком ограничении решение по методу минимума дисперсии для коэффициентов фильтра будет удовлетворять уравнению:
Само значение дисперсии:
Отсюда получается выражение для спектральной оценки минимальной дисперсии:
Экспериментальные результаты приведены в соответствующем разделе.
1.7. Методы оценивания частоты, основанные на анализе собственных значений.
1.7.1. Введение
Ключевой операцией в методах, основанных на анализе собственных значений, является разделение информации, содержащейся в автокорреляционной матрице или матрице данных, на два векторных подпространства - подпространство сигнала и подпространство шума. В этих подпространствах можно определять различные функции от векторов сигнала и шума для получения оценок частоты. Однако эти оценки не сохраняют мощность анализируемого процесса и, следовательно, не являются оценками истинной СПМ. Далее будет рассмотрен метод классификации множественных сигналов.