Методы оценки спектральной плотности мощности сигнала. Свойства спектральной плотности мощности Скалярное произведение сигналов

Подразумевая под случайным процессом множество (ансамбль) функций времени, необходимо иметь в виду, что функциям, имеющим различную фор­му, соответствуют различные спектральные характеристики. Усреднение комплексной спектральной плотности, определяемойой (1.47), по всем функциям приводит к нулевому спектру процесса (при М[х (t )]=0 ) из-за случайности и независимости фаз спектральных составляющих в различных реализациях.

Можно, однако, ввести понятие спектральной плотности сред­него квадрата случайной функции, поскольку значение среднего квадрата не зависит от соотношения фаз суммируемых гармоник. Если под случай­ной функцией х(t) подразумевается электрическое напряжение или ток, то средний квадрат этой функции можно рассматривать как среднюю мощ­ность, выделяемую в сопротивлении 1 Ом. Эта мощность распределена по частотам в некоторой полосе, зависящей от механизма образования случай­ного процесса.

Спектральная плотность средней мощности представляет со­бой среднюю мощность, приходящуюся на 1 Гц при заданной частоте ω . Размерность функции W (ω) , являющейся отношением мощности к полосе частот, есть

Спектральную плотность случайного процесса можно найти, если из­вестен механизм образования случайного процесса. Применительно к шу­мам, связанным с атомистической структурой материи и электричества, эта задача будет позже. Здесь же мы ограничимся несколькими определениями общего характера.

Выделив из ансамбля какую-либо реализацию x k (t ) и ограничив ее дли­тельность конечным интервалом Т , можно применить к ней обычное преоб­разование Фурье и найти спектральную плотность X kT (ω). Тогда энергию рассматриваемого отрезка реализации можно вычислить с помощью форму­лы:

(1.152)

Разделив эту энергию на T , получим среднюю мощность k-й реализации на отрезке Т

(1.153)

При увеличении Т энергия Э кТ возрастает, однако отношение стремится к некоторому пределу. Совершив предельный переход , получим:

г
де

представляет собой спектральную плотность средней мощности рассматри­ваемой k-й реализации.

В общем случае величина W k (ω) должна быть усреднена по множеству реализаций. Ограничиваясь в данном случае рассмотрением стационарного и эргодического процесса, можно считать, что найденная усреднением по одной реализации функция W k (ω) характеризует весь процесс в целом. Опуcкая индекс k, получаем окончательное выражение для средней мощности случайного процесса

Для процесса с нулевым средним

(1.156)

Из определения спектральной плотности (1.155) очевидно, что W х (ω) является четной и неотрицательной функцией ω.

1.5.3 Соотношение между спектральной плотностью и ковариационной функцией случайного процесса

С одной стороны, скорость изменения х(t ) во времени определяет шири­ну спектра. С другой стороны, скорость изменения х (t) определяет ход ковариационной функции. Очевидно, что между W х (ω) и К х (τ) имеется тес­ная связь.

Теорема Винера - Хинчина утверждает, что К х (τ) и W x (ω) связаны между собой преобразованиями Фурье:

(1.157)

(1.158)

Для случайных процессов с нулевым средним аналогичные выражения имеют вид:

Из этих выражений вытекает свойство, аналогичное свойствам преобра­зований Фурье, для детерминированных сигналов: чем шире спектр случайного процесса, тем меньше интервал корреляции, и соответственно чем больше интервал корреляции, тем уже спектр процесса (см.рис.1.20).

Рис.1.20. Широкополосный и узкополосный спектры случайного процесса; границы центральной полосы: ±F 1

Большой интерес представляет белый шум, когда спектр равномерен на всех частотах .

Если в выражение 1.158 подставить W x (ω) = W 0 = const, то получим

где δ(τ) - дельта-функция.

Для белого шума с бесконечным и равномерным спектром корреляцион­ная функция равна нулю для всех значений τ, кроме τ = 0 , при котором R x (0) обращается в бесконечность. Подобный шум, имеющий игольчатую структуру с бесконечно тонкими случайными выбросами, иногда называют дельта-коррелированным процессом. Дисперсия белого шума бесконечно велика.

Вопросы для самопроверки

Назовите основные характеристики случайного сигнала.

Как связаны математически корреляционная функция и энергетический спектр случайного сигнала.

Какой случайный процесс называется стационарным.

Какой случайный процесс называется эргодическим.

Как определяется огибающая, фаза и частота узкополосного сигнала

Какой сигнал называется аналитическим.

В теории управления существуют и взаимно дополняют друг друга два подхода:

1) временнóй – исследование процессов во времени;

2) частотный – исследование частотных свойств сигналов и систем (с помощью передаточных функций и частотных характеристик).

Аналогичная ситуация наблюдается и при рассмотрении случайных процессов. Основная временная характеристика стационарного процесса – это корреляционная функция, а частотные свойства описываются спектральной плотностью.

Спектральная плотность – это функция, которая показывает распределение мощности сигнала по частотам. Такая информация о полезных сигналах, помехах и возмущениях очень важна для разработчика систем управления. Система должна быть спроектирована так, чтобы усиливать сигналы с «полезными» частотами и подавлять «вредные» частоты, характерные для помех и возмущений.

Для перехода от временнóго описания детерминированных (не случайных) процессов к частотному, используют преобразования Фурье и Лапласа. Аналогично спектральная плотность случайного процесса может быть найдена как преобразование Фурье от корреляционной функции:

Здесь – мнимая единица, а – угловая частота в рад/с ( , где – «обычная» частота в герцах). Используя формулу Эйлера, можно представить экспоненту в виде сумму вещественной (косинусной) и мнимой (синусной) составляющих: . Функция – нечетная по , поэтому интеграл от нее в симметричных пределах равен нулю. Напротив, функция – четная, так что при интегрировании можно взять интервал от 0 до и удвоить результат:

Спектральная плотность чем-то похожа на плотность распределения вероятностей, только она характеризует плотность распределения мощности сигнала по частотам. Если случайный процесс – это напряжение в вольтах, то его корреляционная функция измеряется в В 2 , а спектральная плотность – в В 2 /Гц.

Спектральная плотность случайного процесса, имеющего корреляционную функцию , вычисляется как

Интервал интегрирования разбит на две части. При имеем , а при – . Выполняя интегрирование, получаем

На рисунке слева показана корреляционная функция, а справа – соответствующая ей спектральная плотность мощности:

Свойства спектральной плотности:

1) это неотрицательная, четная функция угловой частоты (график расположен выше оси абсцисс и симметричен относительно вертикальной оси);

2) интеграл от на некотором интервале частот дает мощность, которая связана с этими частотами; поскольку функция – четная, результат интегрирования на нужно удвоить, чтобы учесть также и полосу ;

3) площадь под кривой определяет средний квадрат случайного процесса (для центрированного процесса он равен дисперсии):

Множитель нужен для согласования единиц измерения, поскольку угловая частота измеряется не в герцах, а в рад/с. Учитывая, что функция четная, можно интегрировать ее только при , а результат удвоить.

1) По своему физическому смыслу спектр мощности вещественен и неотрицателен:

Поэтому по спектру мощности принципиально невозможно восстановить какую - либо отдельно взятую реализацию случайного процесса.

2) Поскольку чётная функция аргумента , то соответствующий спектр мощности представляет собой чётную функцию частоты . Отсюда следует, что пару преобразований Фурье (6.14), (6.15) можно записать, используя интегралы в полубесконечных пределах:

(6.17)

(6.18)

3. Целесообразно ввести так называемый односторонний спектр мощности случайного процесса, определив его следующим образом:

(6.19)

Функция позволяет вычислить дисперсию стационарного случайного процесса путём интегрирования по положительным (физическим частотам):

(6.20)

4. В технических расчётах часто вводят односторонний спектр мощности N(f), представляющий собой среднюю мощность случайного процесса, приходящуюся на интервал частот шириной в 1 Гц:

(6.21)

При этом, как легко видеть

Весьма важным параметром случайных процессов является интервал корреляции. Случайные процессы, как правило, обладают следующими свойствами: их функция корреляции стремится к нулю с увеличением временного сдвига . Чем быстрее убывает функция , тем меньше оказывается статистическая связь между мгновенными значениями случайного сигнала в два несовпадающих момента времени.

Числовой характеристикой, служащей для оценки «скорости изменения» реализации случайного процесса, является интервал корреляции определяемый выражением:

(6.22)

Если известна информация о поведении какой-либо реализации «в прошлом», то возможен вероятностный прогноз случайного процесса на время порядка .

Ещё одним существенным параметром для случайного процесса является эффективная ширина спектра. Пусть исследуемый случайный процесс характеризуется функцией - односторонним спектром мощности, причём - экстремальное значение этой функции. Заменим мысленно данный случайный процесс другим процессом, у которого спектральная плотность мощности постоянна и равна в пределах эффективной полосы частот , выбираемой из условия равенства средних мощностей обоих процессов:

Отсюда получается формула для эффективной ширины спектра:

(6.23)

Вне пределов указанной полосы спектральная плотность случайного процесса считается равной 0.

Этой числовой характеристикой часто пользуются для инженерного расчёта дисперсии шумового сигнала: .

Если реализации случайного процесса имеют размерность напряжения (В), то относительный спектр мощности N имеет размерность .

Белый шум и его свойства. Гауссовский случайный процесс.

А) Белый шум.

стационарный случайный процесс с постоянной на всех частотах спектральной плотностью мощности называется белым шумом.

(7.1)

По теореме Винера-Хинчина функция корреляции белого шума:

равна нулю всюду кроме точки . Средняя мощность (дисперсия) белого шума неограниченно велика.

Белый шум является дельта-коррелированным процессом. Некоррелированность мгновенных значений такого случайного сигнала означает бесконечно большую скорость изменения их во времени – как бы мал ни был интервал , сигнал за это время может измениться на любую наперёд заданную величину.

Белый шум является абстрактной математической моделью и отвечающий ему физический процесс, безусловно, не существует в природе. Однако это не мешает приближённо заменять реальные достаточно широкополосные случайные процессы белым шумом в тех случаях, когда полоса пропускания цепи, на которую воздействует случайный сигнал, оказывается существенно уже эффективной ширины спектра шума.

Взаимная спектральная плотность мощности(взаимный спектр мощности) двух реализаций и стационарных эргодических случайных процессов и определяется как прямое преобразование Фурье над их взаимной ковариационной функцией

или, с учетом соотношения между круговой и циклической частотами ,

Обратное преобразование Фурье связывает взаимные ковариационную функцию и спектральную плотность мощности:

Аналогично (1.32), (1.33) вводится спектральная плотность мощности(спектр мощности) случайного процесса

Функция обладает свойством четности:

Для взаимной спектральной плотности справедливо следующее соотношение:

где – функция, комплексно сопряженная к .

Введенные выше формулы для спектральных плотностей определены как для положительных, так и для отрицательных частот и носят название двухсторонних спектральных плотностей . Они удобны при аналитическом изучении систем и сигналов. На практике же пользуются спектральными плотностями, определенными только для неотрицательных частот и называемыми односторонними (рисунок 1.14):

Рисунок 1.14 – Односторонняя и двусторонняя

спектральные плотности

Выведем выражение, связывающее одностороннюю спектральную плотность стационарного СП с его ковариационной функцией:

Учтем свойство четности для ковариационной функции стационарного СП и функции косинус, свойство нечетности для функции синус, а также симметричность пределов интегрирования. В результате второй интеграл в полученном выше выражении обращается в нуль, а в первом интеграле можно сократить вдвое пределы интегрирования, удвоив при этом коэффициент:

Очевидно, что спектральная плотность мощности случайного процесса является действительной функцией.

Аналогично можно получить обратное соотношение:

Из выражения (1.42) при следует, что

Это означает, что общая площадь под графиком односторонней спектральной плотности равна среднему квадрату случайного процесса. Другими словами, односторонняя спектральная плотность интерпретируется как распределение среднего квадрата процесса по частотам.

Площадь под графиком односторонней плотности, заключенная между двумя произвольными значениями частоты и , равна среднему квадрату процесса в этой полосе частот спектра (рисунок 1.15):

Рисунок 1.15 – Свойство спектральной плотности

Взаимная спектральная плотность мощности является комплексной величиной, поэтому ее можно представить в показательной форме записи через модуль и фазовый угол :

где – модуль;

– фазовый угол;

, – действительная и мнимая части функции соответственно.

Модуль взаимной спектральной плотности входит в важное неравенство

Это неравенство позволяет определить функцию когерентности (квадрат когерентности), которая аналогична квадрату нормированной корреляционной функции:

Второй способ введения спектральных плотностей состоит в непосредственном преобразовании Фурье случайных процессов.

Пусть и – два стационарных эргодических случайных процесса, для которых финитные преобразования Фурье -х реализаций длины определяют в виде

Двусторонняя взаимная спектральная плотность этих случайных процессов вводится с использованием произведения через соотношение

где оператор математического ожидания означает операцию усреднения по индексу .

Расчет двусторонней спектральной плотности случайного процесса осуществляют по соотношению

Аналогично вводятся и односторонние спектральные плотности:

Функции , определенные формулами (1.49), (1.50), идентичны соответствующим функциям, определенным соотношениями (1.32), (1.33) как преобразования Фурье над ковариационными функциями. Это утверждение носит называние теоремы Винера-Хинчина.

Контрольные вопросы

1. Приведите классификацию детерминированных процессов.

2. В чем отличие между полигармоническими и почти периодическими процессами?

3. Сформулируйте определение стационарного случайного процесса.

4. Какой способ усреднения характеристик эргодического случайного процесса предпочтителен – усреднение по ансамблю выборочных функций или усреднение по времени наблюдения одной реализации?

5. Сформулируйте определение плотности распределения вероятности случайного процесса.

6. Запишите выражение, связывающее корреляционную и ковариационную функции стационарного случайного процесса.

7. В каком случае два случайных процесса считаются некоррелированными?

8. Укажите способы расчета среднего квадрата стационарного случайного процесса.

9. Каким преобразованием связаны спектральная плотность и ковариационная функции случайного процесса?

10. В каких пределах изменяются значения функции когерентности двух случайных процессов?

Литература

1. Сергиенко, А.Б. Цифровая обработка сигналов / А.Б. Сергиенко. – М: Питер, 2002.– 604 с.

2. Садовский, Г.А. Теоретические основы информационно-измерительной техники / Г.А. Садовский. – М.: Высшая школа, 2008. – 480 с.

3. Бендат, Д. Применение корреляционного и спектрального анализа / Д. Бендат, А. Пирсол. – М.: Мир, 1983. – 312 с.

4. Бендат, Д. Измерение и анализ случайных процессов / Д. Бендат, А. Пирсол. – М.: Мир, 1974. – 464 с.

Оценка спектральной плотности мощности представляет известную проблему для случайных процессов. Примерами случайных процессов может служить шум, а также сигналы, несущие информацию. Обычно требуется найти статистически устойчивую оценку. Анализ сигналов подробно рассматривается в курсе «Цифровая обработка сигналов» . Начальные сведения изложены в .

Для сигналов с известными статистическими характеристиками спектральный состав может быть определен по конечному интервалу этого сигнала. При неизвестности статистических характеристик сигнала по отрезку сигнала можно получить только оценку его спектра. Разные методы использую различные допущения, и поэтому дают различные оценки.

При выборе оценки исходят из того, что в общем случае анализируемый сигнал представляет собой случайный процесс. И требуется выбрать несмещенную оценку, обладающую малой дисперсией, позволяющую усреднить спектр сигнала. Смещением называют разницу между средним значением оценки и истинным значением величины. Несмещенной оценкой называют оценку с нулевым смещением. Оценка с малой дисперсией хорошо локализует искомые величины, т.е. плотность вероятности сконцентрирована около среднего значения. Желательно иметь состоятельную оценку, т.е. оценку, которая при увеличении размера выборки стремится к истинному значению (смещение и дисперсия стремятся к нулю). Различают оценки параметрические, использующие только информацию о самом сигнале и непараметрические, использующие статистическую модель случайного сигнала, и осуществляющие подбор параметров этой модели.

При оценках случайных процессов распространено использование корреляционных функций.

Для эргодичного процесса возможно определение статистических параметров процесса путем усреднения по одной реализации.

Для стационарного случайного процесса корреляционная функция R x (t) зависит от интервала времени, для которого она определяется. Эта величина характеризует связь между значениями x(t), разделенными промежутком t. Чем медленнее убывает R(t), тем больше промежуток, в течение которого наблюдается статистическая связь между значениями случайного процесса.

где - математическое ожидание x(t).

Соотношение между корреляционной функцией R(t) и спектральной плотностью мощности W(w) для случайного процесса определяется теоремой Винера-Хинчина

Для дискретных процессов теорема Винера-Хинчина устанавливает связь между спектром дискретного случайного процесса W(w) и его корреляционной функции R x (n)

W(w)= R x (n)·exp(-j·w·n·T)

Для оценки энергии сигнала во временной и частотной областях используется равенство Парсеваля

Одним из распространенных способов получения оценки спектральной плотности является применение метода периодограмм.

Периодограмма (Periodogram) .В этом методе производится дискретное преобразование Фурье для сигнала x(n), заданного в дискретных точках выборки длиной N отсчетов и его статистическое усреднение. Фактическое вычисление спектра X(k), выполняется только в конечном количестве частотных точек N. Применяется быстрое преобразование Фурье (FFT). Вычисляется спектральная плотность мощности, приходящаяся на один отсчет выборки:

P xx (X k)=|X(k)| 2 /N, X(k)= , k=0,1,…,N-1.

Для получения статистически устойчивой оценки, имеющиеся данные разбивают на перекрывающиеся выборки, с последующим усреднением спектров, полученных по каждой выборке. Задается число отсчетов на выборку N и сдвиг начала каждой последующей выборки относительно начала предыдущей N t . Чем меньше число отсчетов в выборке, тем больше выборок и меньшая дисперсия у оценок. Но поскольку длина выборки N связана с частотным разрешением (2.4), то уменьшение длины выборки ведет к уменьшению частотного разрешения.

Таким образом, сигнал просматривается через окно, а данные, не попадающие в окно, принимаются равными нулю. Конечный сигнал x(n) состоящий из N отсчетов, обычно представляют как результат умножения бесконечного по времени сигнала (n) на прямоугольное окно с конечной длиной w R (n):

x(n) = (n) ∙w R (n),

а непрерывный спектр X N (f) наблюдаемых сигналов x(n) определится как свертка Фурье-образов X(f), W R (f) бесконечного по времени сигнала (n) ∙и окна w R (n)

X N (f)=X(f)*W R (f)=

Спектр непрерывного прямоугольного окна (rect) имеет форму интегрального синуса sinc(x)=sin(x)/x. Он содержит главный «лепесток» и несколько боковых, из которых самый большой приблизительно на 13 dB ниже основного пика (см. рис.15).

Фурье-образ (спектр) дискретной последовательности, получаемой N-точечной дискретизацией непрерывного прямоугольного окна, показан на рис.32. Он может быть вычислен суммированием смещенных интегральных синусов (2.9), в результате получается ядро Дирихле

Рис. 32. Спектр дискретного прямоугольного окна

В то время как сигнал с бесконечной длиной сконцентрирует его мощность точно в дискретной частоте f k , прямоугольная выборка сигнала имеет распределенный спектр мощности. Чем короче выборка, тем более распределенный спектр.

При спектральном анализе производится взвешивание данных с помощью оконных функций, чем добиваются уменьшения влияния боковых «лепестков» на спектральные оценки.

Чтобы обнаружить две гармоники f 1 и f 2 с близкими частотами, необходимо, чтобы для временного окна T ширина главного «лепестка» Df -3 ≈ Df L =0 =1/Т, определяемая на значении -3дБ, была меньше разности искомых частот

Df=f 1 -f 2 > Df -3

Ширина временного окна Т связана с частотой дискретизацией f s и числом отсчетов выборки формулой (2.4).

Инструментальные средства гармонического анализа . Для исследования сигналов очень удобно применение пакета MATLAB, в частности, его приложения (Toolbox) Signal Processing.

Модифицированные периодограммы используют непрямоугольные оконные функции, уменьшающие эффект Гиббса. Примером может служить использование окна Хэмминга (Hamming). Но при этом одновременно происходит примерно вдвое увеличение ширины главного лепестка спектрограммы. Несколько более оптимизировано окно Кайзера (Kaiser). Увеличение ширины главных лепестков при создании фильтров нижних частот ведет к увеличению переходной полосы (между полосами пропускания и задержания).

Оценочная функция Уэлча (Welch) . Метод состоит из деления последовательных данных времени в сегменты (возможно с перекрытием), далее обрабатывается каждый сегмент, а затем оценивают спектр путем усреднения результатов обработки сегментов. Для улучшения оценки могут использоваться непрямоугольные оконные функции, например окно Хэмминга. Увеличение числа сегментов уменьшает дисперсию, но при этом уменьшается разрешение метода по частоте. Метод дает неплохие результаты при малом превышении полезного сигнала над шумом и достаточно часто используется на практике.

На рис.33 приведены оценки гармонического состава для данных, содержащих узкополосые полезные сигналы и белый шум, при различных выборках (N=100, N=67), и использовании различных методов.

Рис. 33. Оценка гармоник сигнала для 1024 точечного FFT-преобразования

Параметрические методы используют авторегрессионные модели (AR). В методах строятся модели фильтров и с их помощью оценивают спектры сигналов. Все методы при наличии шума в сигнале дают смещенные оценки. Предназначены методы для обработки сигналов имеющих гармонические составляющие на фоне шума. Порядок метода (фильтра) задается в два раза больше, чем число гармоник, присутствующих в сигнале. Предложено несколько параметрических методов .

Метод Берга (Burg) дает высокую разрешающую способность по частоте для коротких выборок. При большом порядке фильтра спектральные пики расщепляются. Положение спектральных пиков зависит от начальных фаз гармонических.

Ковариационный (covariance) метод позволяет оценить спектр сигнала, содержащего сумму гармонических компонентов.

Метод Юла-Уоркера (Yule-Walker) дает хорошие результаты на длинных выборках и не рекомендуется для коротких выборок.

Корреляционные методы . Методы MISIC (Multiple Signal Classification) и EV (eigenvectors) выдают результаты в форме псевдоспектра. В основе методов лежит анализ векторов корреляционной матрицы сигнала. Эти методы дают несколько лучшее разрешение по частоте, чем автокорреляционные методы.