Documente Academic
Documente Profesional
Documente Cultură
Aceast idee poate fi aplicat n cazul tuturor metodelor care necesit matricea de autocorelaie
O prim metod bazat pe acest principiu este aceea propus de Pisarenko. In acest caz se ia =P+1 i se determin valorile proprii ale matricei de autocorelaie
1>2>...> . Cea mai mic dintre valorile proprii, i vectorul propriu asociat vor corespunde spaiului zgomot i deci
eiH v
= 0 , i = 1,..., P.
( ) = e H ( )v
j
e( ) = 1, e
, , e
j ( 1) T
Frecvenele i vor putea fi deci deduse ca frecvene la care acesta i atinge maximele (teoretic infinite). Dac se dorete un calcul analitic, se observ c zi = e j i sunt rdcini ale polinomului
A ( z ) = ak z -k , ak = v
k=0 P
,k
, k = 0,...,P
Exemplu Fie un semnal sinusoidal cu amplitudinea A=10 i frecvena normat 0,2, suprapus peste un zgomot alb, cu variana 0,01. Se calculeaz mai nti estimatul funciei de autocrelaie. Pentru o estimare bun este util s se ia un numr ct mai mare de eantioane.
x 10 10 8 6 4 2 0 -2 100
-3
100 50 40 0 20 0 80 60
Se va lucra deci cu N=P+1=3. Se calculeaz matricea vectorilor proprii i valorile proprii (procedura eig ). v=
0.9425
0 0
0 59.8100 0
0 90.4390
Evident, cea mai mic valoare proprie este 1. Vectorul propriu asociat este v=
0.6481 -0.3999 0.6481 Cu acesta se construiete pseudospectrul. S-a utilizat scar logaritmic, n dB.
-0.4
-0.3
-0.2
0.2
0.3
0.4
0.5
Acesta are dou zerouri pe cercul unitar, ale cror argumente sunt arg ( zi ) = 2 i0, 2
1 0.8 0.6 0.4 Imaginary Part 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 -1 -0.5 0 Real Part 0.5 1 2
sau
e
H
( )G
Lucrnd cu valorile estimate n locul celor reale, norma de mai sus nu va mai fi zero, dar va prezenta minime pronunate.
( )
1 e ( )G
H 2
1 = H H e ( )GG e( )
1
P
i =1
i eH g
Dac s-ar lucra cu valorile exacte (fr estimri), pentru oricare din frecvenele k , k=1,..P
P MUSIC ( ) pentru = k , k = 1,.., P.
n realitate, din cauza erorilor de estimare, valorile estimatorului sunt finite, dar cu nite maxime foarte pronunate la frecvenele k. O prim posibilitatea de a gsi frecvenele k va consta deci n cutarea maximelor pseudospectrului.
i = 1,, P
( )g i = Gi (e
);
( )g i
= Gi ( z )G i 1 z
( ) z =e
e H ( ) g i
= Gi ( z ) G i (1 z )
z = e j
MUSIC( )= P
1 ( z)G (1 z ) z =e G
i * i i=1 P
= j
1 D ( z ) D (1 z )
z =e
Nulurile lui D (z) sunt poli ai estimatorului. Sunt n total N-1 nuluri, din care P sunt cele cutate, care ar trebui s se afle exact pe cercul de raz unitate. Celelalte nu se afl pe acest cerc i vor fi eliminate. In msura n care ele se apropie de cerc, pot fi confundate cu rdcini utile.
Observaii n toate aceste metode este esenial identificarea corect a celor dou categorii de vectori proprii. Dac ordinul P este cunoscut, lucrul acesta se poate face relativ uor, spaiul semnalelor fiind caracterizat prin vectorii proprii corespunztori valorilor proprii cele mai mari, n numr de P. Celelalte valori proprii vor fi mai mici i aproximativ egale ntre ele. Aceast observaie poate fi utilizat atunci cnd P nu este cunoscut. Separarea devine cu att mai dificil cu ct raportul semnal/zgomot este mai mic. Metoda presupune calculul matricei de autocorelaie, deci calculul unui estimat al funciei de autocorelaie, pe un numr L de eantioane.
Exemplu Vom lua acelai caz ca mai nainte. Alegem N=5. Calculm vectorii i valorile proprii cu procedura eig, care face implicit i ordonarea dup valorile proprii, dar n sens cresctor. v=
0.3261 0.3634 -0.6022 -0.3707 0.5114 -0.3480 0.5844 0.3707 -0.6022 -0.1934 0.7383 0.2299 -0.0000 0.0000 -0.6341 -0.3480 0.5844 -0.3707 0.6022 -0.1934 0.3261 0.3634 0.6022 0.3707 0.5114
0.6358
0 0
0 0 0
0 0 0 0
0 1.3127 0 0 0
0 1.6182 0 0
0 124.5163 0
0 124.7127
Pseudospectru MUSIC 50
40
30
-0.4
-0.3
-0.2
0.2
0.3
0.4
0.5
Imaginary Part
-1
-2
-3 -2 -1 0 1 2 3 Real Part 4 5 6
Metoda ESPRIT
Fie matricele de tip
1) P
A1 = [ I 1 0] A A 2 = [ 0 I 1 ] A
A = [e1 (n ), e 2 (n ),, e P (n )]
unde
D = diag e j1 , e j 2 ,, e j P
D = diag e j1 , e j 2 ,, e j P
D este o matrice unitar, aa nct transformarea de mai sus este o rotaie, de aici venind denumirea metodei (Estimation of Signal Parameters by Rotational Invariance Techniques). La fel, definim
S1 = [ I 1 0] S S 2 = [ 0 I 1 ] S
S = [s1 , s 2 ,, s P ]
P)
2 2 RS = S1 = S ( S + w I ) = APA H S + w S
S S = APA H S
unde
S = diag{ S1 ,, SP }
deci
S = AC,
1 C = PA H S S
C este nesingular, deoarece A i S sunt de rang maxim, iar P i S sunt diagonale, cu elemente nenule pe diagonal.
S1 = [ I
0] AC = A1C
1
S 2 = [0 I
] AC = A C
2
sau
S 2 = A 2C = A1DC = S1C 1DC = S1
unde
= C 1DC
Observaii
i D au aceleai valori proprii, Di = e j i , i = 1,, P ;
Datorit structurii Vandermonde a matricei A, matricele A1 , A 2 au rangul i deci de aceeai proprietate se bucur S1 , S 2 ,
Algorimul ESPRIT
; se estimeaz matricea R
; se deduce matricea S
, S ; din aceasta se deduc S 1 2
HS =S se calculeaz 1 1
1 H S S 1 2;
{ }
Metoda Capon
Se pornete de la ideea utilizrii unui filtru trece band, de band ct mai ngust, centrat pe frecvena . Acesta va selecta deci din spectrul semnalului componenta respectiv. Variind aceast frecven se pot gsi componentele spectrale ale semnalului. Fie funcia pondere
h H = [h0 , h1,, h 1 ]
(n ),
+ 1)]
E y F (n )
}= E{y
H H H } { } ( ) ( ) ( ) ( ) n y n = E h y n y n h = h Rh F F
cu conditia h H e( ) = 1
Pentru rezolvarea problemei de extrem condiionat se utilizeaz metoda multiplicatorilor Lagrange, conducnd la minimizarea expresiei reale
L(h ) = h H Rh + 2 Re h H e( ) 1 = h H Rh + h H e( ) 1 + e H ( )h 1
{(
)}
) (
{(
)}
) (
=
Rezult
h=
1 e H ( )R 1e( )
R 1e( ) e H ( )R 1e( )
}= e
1
H
( )R 1e( )
}= e
2
H
( )e( )
Relaia aceasta sugereaz c se poate obine un estimator pentru densitatea spectral de putere prin nmulire cu :
PMV ( ) =
e H ( )R 1e( )
n realitate se lucreaz cu estimatori ai corelaiei, aa nct estimatorul de varian minim al densitii spectrale de putere devine
MV ( ) = P
1e( ) e H ( )R
i
y F (n ) = 1
y(n k )e jk
k =0