285

CAPITOLUL 5





ESTIMAREA SPECTRULUI DE PUTERE

Analiza spectral a semnalelor deterministe a fost introdus
ca un mijloc de caracterizare a semnalelor n domeniul frecven.
Semnalele periodice sunt analizate n domeniul frecven cu ajutorul
seriei Fourier, iar cele aperiodice de energie finit, cu ajutorul
transformatei Fourier.
n capitolul de fa se urmrete estimarea caracteristicilor
spectrale ale semnalelor considerate a fi procese aleatoare, pentru
care, datorit fluctuaiilor aleatoare, nu este posibil aplicarea
direct a analizei Fourier, ci se adopt o tratare statistic a lor. n
particular, funcia de autocorelaie a proceselor aleatoare staionare
n sens larg este potrivit pentru caracterizarea lor statistic, iar
transformata Fourier a acesteia, care reprezint densitatea spectral
de putere, face legtura ntre domeniile timp i frecven. n
capitolul de fa, problema estimrii spectrale const n
determinarea componentelor spectrale ale procesului aleator
staionar n sens larg, pe baza unei mulimi finite de observaii
asupra procesului.

5.1. Estimarea spectrului semnalelor din observarea
pe intervale de lungime finit

Lungimea finit a datelor de analizat reprezint o limitare
286
esenial asupra calitii estimatului spectrului de putere. Pentru
semnale staionare, cu ct lungimea datelor este mai mare, cu att va
fi mai bun estimatul construit pe baza datelor. Pentru semnale
nestaionare nu se poate selecta o nregistrare de lungime finit
pentru estimarea spectrului, lungimea acesteia fiind determinat de
parametrii statisticii semnalului. Se urmrete selectarea datelor de
lungimea cea mai mic posibil, care s permit obinerea
caracteristicilor spectrale ale semnalului de date.
Una din problemele care poate aprea n metodele clasice de
estimare a spectrului de putere, pe baza unor date de lungime finit,
este distorsionarea spectrului datorit trunchierii datelor. Aceast
problem apare att n calculul spectrului semnalelor deterministe,
ct i n estimarea spectrului de putere al semnalelor aleatoare.
Deoarece este mai uor de observat efectul lungimii finite a datelor
pentru un semnal determinist, se va analiza nti acest caz,
considernd ulterior semnalele aleatoare i estimarea spectrului lor
de putere.

5.1.1. Calculul densitii spectrale de energie

Se urmrete calculul spectrului unui semnal determinist
dintr-o secven finit de date. Secvena x[n] este, de obicei,
rezultatul eantionrii unui semnal continuu x
a
(t) cu o frecven
constant F
s
.
Se urmrete obinerea unui estimat al spectrului real dintr-o
secven de durat finit x[n]. Dac x
a
(t) este un semnal de energie
finit, adic

2
( )
a
E x t dt

= <

, (5.1)
atunci transformata sa Fourier exist i este dat de relaia
287

2
( ) ( )
j Ft
a a
X F x t e dt

(5.2)
Conform teoremei lui Parseval, energia semnalului este

2 2
( ) ( )
a a
E x t dt X F dF


= =

(5.3)
Cantitatea
2
( )
a
X F reprezint distribuia de energie a
semnalului funcie de frecven i se numete densitate spectral de
energie ( )
xx
S F , adic se poate scrie:

2
( ) ( )
xx a
S F X F = (5.4)
Pe de alt parte, S
xx
(F) este transformata Fourier a funciei de
autocorelaie R
xx
() a semnalului de energie finit
( ) ( ) ( )
xx a a
R x t x t dt

= +

(5.5)
ntr-adevr,

( ) { }
( ) ( )
2
2
( ) ( )
j F
xx xx xx
j F
a a
S F F R R e d
x t x t e dt d

= = =
= +



Cu schimbarea de variabil t p + = , d dp = , se obine
( ) ( )
( ) ( )
2 2
2
( )
( )
j Fp j Ft
xx a a
a a a
S F x t x p e e dt dp
X F X F X F

= =
= =

(5.6)
n continuare, se calculeaz densitatea spectral de energie a
semnalului x
a
(t) din eantioanele sale, prelevate cu frecvena F
s
.
Pentru a evita eroarea alias, banda semnalului, B, se limiteaz prin
prefiltrare, astfel nct F
s
> 2B.
Spectrul semnalului eantionat x[n] este
[ ]
( )
j n
n
X x n e

=
=

sau [ ]
2
( )
j fn
n
X f x n e

=
=

(5.7)
care se exprim n funcie de spectrul semnalului analogic, n forma
[70]
288
( ) ( )
s a s
k
s
F
X f X F X F kF
F

=

= =



(5.8)
n absena erorii alias, n domeniul fundamental
2
s
F
F exist
relaia
( )
s a
s
F
X F X F
F

=



2
s
F
F (5.9)
Densitatea spectral de energie a semnalului eantionat este
( )
2
2
2
( )
xx xx s a
s s
F F
S f S X F X F
F F

= = =


(5.10)
Se poate arta uor c, dac funcia de autocorelaie a
semnalului eantionat este

[ ] [ ] [ ]
xx
n
r k x n x n k

=
= +

(5.11)
atunci, transformat sa Fourier este egal cu densitatea spectral de
energie, ( )
xx
S f , adic
{ } [ ]
2
( ) [ ]
j k f
xx xx xx
k
S f F r k r k e

=
= =

. (5.12)
Din cele prezentate anterior rezult dou metode de calcul
pentru densitatea spectral de energie:
1) metoda direct, care implic calculul transformatei
Fourier pentru {x[n]} i apoi

2
2
2
( ) ( ) [ ]
j fn
xx
n
S f X f x n e

=
= =

(5.13)
2) metoda indirect sau corelativ, care necesit doi pai de
calcul:
a) calculul funciei de autocorelaie r
xx
[k] din x[n],
b) transformata Fourier a funciei r
xx
[k], cu relaia (5.12).
289
n practic, se poate calcula densitatea spectral de energie
numai pentru secvene finite x[n], 0 1 n N . Limitarea duratei
unei secvene x[n] la N puncte, echivaleaz cu multiplicarea lui
x[n] cu o fereastr rectangular, astfel nct


[ ] [ ] [ ]
[ ]
, 0 1
0, n rest
R
x n n N
x n x n w n

= =

(5.14)
Aceast multiplicare echivaleaz cu convoluia spectrelor [26],
adic

1
2
1
2
( ) ( ) * ( ) ( ) ( )
R R
X f X f W f X W f d

= =

(5.15)
Spectrul funciei ( ) X f

aproximeaz mai fidel spectrul X(f),

dac spectrul W
R
(f) este ngust n comparaie cu X(f), fapt ce
implic w
R
[n] de lungime suficient de mare [71]. Chiar dac W
R
(f)
este ngust fa de X(f), convoluia dintre X(f) i lobii laterali ai
lui W
R
(f) are ca rezultat lobi laterali n ( ) X f

n benzi de frecven
n care spectrul semnalului x[n] este nul. Aceast energie din lobii
laterali se numete rezidual sau scurgere spectral (leakage).
Pentru a ilustra problema scurgerii spectrale, se consider urmtorul
exemplu.

Exemplul 5.1.
Se consider un semnal cu spectrul
1, | | 0,1
( )
0, n rest
f
X f

.
S se efectueze convoluia dintre semnalul ( ) X f i spectrul
ferestrei rectangulare, cu lungimea N=61.
Soluie
Spectrul ( )
R
W f al ferectrei rectangulare cu lungimea N=61
este prezentat n figura 5.1. Se observ c limea lobului principal
al funciei fereastr este 4 / 61 = sau 2/ 61 f = , care este
290
ngust comparativ cu ( ) X f . Convoluia dintre ( ) X f i ( )
R
W f este
ilustrat n figura 5.2. Se observ c energia s-a scurs n
domeniul de frecven 0,1 | | 0, 5 f < , unde ( ) 0 X f = . Acest lucru
este determinat de limea lobului principal al lui ( )
R
W f , care
cauzeaz o lire a lui ( ) X f n afara domeniului | | 0,1 f . Energia
din lobii laterali ai lui ( ) X f

se datoreaz prezenei lobilor laterali

n ( )
R
W f cu care se efectueaz convoluia lui ( ) X f .

Fig. 5.1. Spectrul ferestrei rectangulare de lungime M=61

Fig.5.2. Spectrul obinut din convoluia ferestrei rectangulare de lungime M=61
cu spectrul filtrului ideal din exemplul 5.1.

Ca i n cazul proiectrii filtrelor FIR prin metoda ferestrelor,
scurgerea spectral din cauza lobilor laterali poate fi redus prin
291
selectarea ferestrelor cu lobi laterali redui, fapt care determin o
cretere a netezirii sau lirii caracteristicilor spectrale ale lui X(f)
[71].


Fig. 5.3. Spectrul ferestrei Blackman de lungime M=61


Fig.5.4. Spectrul obinut din convoluia ferestrei Blackman de lungime M=61 cu
spectrul filtrului ideal din exemplul 5.1.

De exemplu, folosirea unei ferestre Blackman de aceeai
lungime N=61, al crui spectru este reprezentat n figura 5.3, pentru
acelai semnal din exemplul 5.1, are ca rezultat caracteristica
spectral
1
( ) X f

din figura 5.4. Se observ c scurgerea spectral

s-a redus, dar limea lobulu principal a crescut cu aproximativ
50%.
292
Lirea spectrului ce urmeaz a fi estimat, ca urmare a
trunchierii, reprezint o problem n cazul n care separaia de
frecven ntre componentele unui semnal este mic, cum este cazul
semnalului
1 2
( ) ( ) ( ) X f X f X f = + reprezentat n figura 5.5.

Fig.5.5. Spectrul unui semnal cu dou componente de
band ngust, apropiate

n cazul acestui semnal, pot aprea dou probleme:
1- dac lungimea datelor i, implicit, a ferestrei, scade, cei
doi lobi spectrali principali rezultai n urma convoluiei spectrului
ferestrei cu X(f) cresc n lime,
2- dac separaia de frecven f devine foarte mic, este
posibil ca cei doi lobi principali ai spectrului s se uneasc.
n aceste cazuri exist o limit la care cei doi lobi sunt nc
distinci. Aceast limit se numete rezoluie. De obicei, rezoluia se
definete ca fiind limea de band a lobului principal msurat la
jumtate din nivelul puterii maxime, adic banda corespunztoare la
-6dB a spectrului de putere sau, echivalent, limea lobului principal
al spectrului de amplitudine la -3dB. n concluzie, componentele
semnalului ( ) X f nu pot fi identificate din semnalul
( ) ( ) ( ) X f X f W f =

, dac limea lobului principal al ferestrei nu

este semnificativ mai mic dect separaia de frecven f dintre
1
( ) X f i
2
( ) X f .
293
Din cele prezentate anterior se observ ca densitatea
spectral de energie a secvenei multiplicate cu o fereastr este o
aproximare a spectrului real al secvenei, adic
2
1
2
2
0
( ) ( ) [ ]
N
j fn
xx
n
S f X f x n e

=
= =

(5.16)
Spectrul ( )
xx
S f

poate fi calculat cu ajutorul DFT n N puncte [70]:
1
2 /
0
[ ] [ ]
N
j kn N
n
X k x n e

=
=

(5.17)

2
[ ] ( )
xx xx k
f
N
k
X k S f S
N
=

= =

(5.18)
2
1
2 /
0
[ ]
N
j nk N
xx
n
k
S x n e
N

=

=



(5.19)
care este o versiune distorsionat a spectrului real S
xx
(k/N).

5.1.2. Estimarea funciei de autocorelaie i a densitii
spectrale de putere a semnalelor aleatoare. Periodograma

Semnalelor de energie finit considerate n paragraful
precedent, li se poate aplica transformata Fourier, fiind caracterizate
n domeniul frecven de densitate spectral de energie. Spre
deosebire de acestea, semnalele caracterizate de procese aleatoare
staionare nu au energie finit i, deci, nu li se poate aplica
transformata Fourier. Astfel de semnale au, n general, putere medie
finit, motiv pentru care acestea vor fi caracterizate de densitatea
spectral de putere.
Dac x(t) este un proces aleator, staionar n sens larg, funcia
sa de autocorelaie este
( ) [ ( ) ( )]
xx i i
B E x t x t = + (5.20)
unde E[] reprezint media statistic.
294
Pentru simplificarea scrierii, uneori se renun la indicele i,
adic se va scrie { } { } ( ) ( )
i
E x t E x t = . Din acest motiv, prin abuz de
limbaj, se spune valoarea medie statistic a procesului aleator ( ) x t
i nu valoarea medie statistic a variabilei aleatoare ( )
i
x t obinut
din procesul aleator ( ) x t .
Conform teoremei Wiener-Khintcine, densitatea spectral de
putere a unui proces aleator staionar este transformata Fourier a
funciei de autocorelaie, adic [48]:
2
( ) ( )
j F
xx xx
S F B e d

(5.21)
n practic nu se dispune de toate realizrile particulare ale
procesului aleator din care s poate fi determinat funcia de
autocorelaie ( )
xx
B , motiv pentru care se urmrete estimarea
funciei de autocorelaie a procesului pe baza unei singure realizri a
acestuia. Pentru ca acest lucru s fie posibil, este necesar ca procesul
aleator s fie ergodic. Pe baza unei singure realizri particulare se
poate calcula funcia de autocorelaie temporal
0
0
0
1
( ) ( ) ( )
2
T
xx
T
R x t x t dt
T

= +

, (5.22)
unde 2T
o
este intervalul de observare a realizrii particulare a
procesului aleator. Dac procesul staionar este ergodic n medie i
corelaie, atunci

0
0 0 0
0
1
( ) lim ( ) lim ( ) ( )
2
T
xx xx
T T T
B R x t x t dt
T


= = +

(5.23)
Aceasta relaie justific folosirea funciei de autocorelaie
temporale R
xx
() ca un estimat al funciei de autocorelaie statistice
B
xx
().
Mai mult, transformata Fourier a lui R
xx
() furnizeaz un
estimat P
xx
(F) al spectrului densitii de putere, adic
295
0
0
0 0
0 0
2
2
0
( ) ( )
1
( ) ( )
2
T
j F
xx xx
T
T T
j F
T T
P F R e d
x t x t dt e d
T

= =

= +

(5.24)
Dac se consider toate realizrile particulare ale procesului,
densitatea spectral de putere se poate determina cu relaia
[ ]
0
0 0 0
2
2
0
1
( ) lim ( ) lim ( )
2
T
j Ft
xx xx
T T T
S F E P F E x t e dt
T



= =

(5.25)
P
xx
(F) se poate calcula n dou moduri: prin metoda direct,
ca n relaia (5.25) i prin metoda indirect, n care se calculeaz
nti R
xx
() i apoi transformata sa Fourier.
Se va analiza n continuare estimarea densitii spectrale de
putere din eantioanele unei singure realizri a procesului aleator.
Se presupune c realizarea particular x
a
(t) este eantionat cu o
frecven F
s
>2B, unde B este cea mai mare frecven din spectrul
densitii de putere, rezultnd o secven de durat finit x[n];
0 1 n N .
Din aceste eantioane se poate calcula estimatul funciei de
autocorelaie,
'
[ ]
xx
r m , cu relaia
1
'
0
1
'
| |
1
[ ] [ ] [ ], 0,1,..., 1
1
[ ] [ ] [ ], 1, 2,..., 1
| |
N m
xx
n
N
xx
n m
r m x n x n m m N
N m
r m x n x n m m N
N m

=

= + =

= + = +

(5.26)
i apoi transformata sa Fourier

1
' ' 2
1
( ) [ ]
N
j fm
xx xx
m N
P f r m e

= +
=

(5.27)
Factorul de normalizare N m din (5.26) se impune pentru
ca valoarea medie statistic a estimatului s fie egal cu funcia de
296
autocorelaie statistic. ntr-adevr, considernd mulimea
realizrilor particulare trunchiate ale procesului, se poate scrie
1
0
'
1
| |
1
[ [ ] [ ]] [ ], 0,1,..., 1
[ [ ]]
1
[ [ ] [ ]] [ ], 1, 2,..., 1
N m
xx
n
xx
N
xx
n m
E x n x n m m m N
N m
E r m
E x n x n m m m N
N m

+ = =

+ = = +

(5.28)
unde
xx
[m] este funcia de autocorelaie statistic a lui x[n].
Deoarece valoarea medie a estimatului funciei de
autocorelaie este egal cu funcia de autocorelaie statistic,
estimatul r

xx
[m] se spune c este nedeplasat.
Dispersia acestuia se calculeaz dup cum urmeaz:

( )
2
' ' 2 '
var[ [ ]] [ ] [ ]
xx xx xx
r m E r m E r m =

(5.29)
Pentru calculul acestei mrimi se folosete relaia [61]
1 2 3 4 1 2 3 4 1 3 2 4
1 4 2 3
( ) ( ) ( ) ( ) ( )
( ) ( )
E x x x x E x x E x x E x x E x x
E x x E x x
= + +
+
(5.30)
unde
1 2 3 4
, , , , x x x x sunt variabile aleatoare gaussiene, de medie zero,
dependente.
Cu (5.30) i (5.26), relaia (5.29) devine pentru 0 m :
1 1
'
2
0 0
1
var( [ ]) [ ] [ ] [ ] [ ]
( )
N m N m
xx
n k
r m E x n x n m x k x k m
N m

= =

= + +

)
1 1
2
2
0 0
1 1
2 2 2
2
0 0
1
[ ] ( [ ] [ ]) ( [ ] [ ])
( )
( [ ] [ ]) ( [ ] [ ]) ( [ ] [ ]) ( [ ] [ ])
1
[ ] [ ] [ ]
( )
N m N m
xx
n k
N m N m
xx xx xx
n k
m E x n x n m E x k x k m
N m
E x n x k E x n m x k m E x n x k m E x n m x k
m m n k
N m

= =

= =

= + + +

+ + + + +

= + +

)
2
[ ] [ ] [ ]
xx xx xx
n k m n k m m + =
297
1 1
2
2
0 0
1
[ ] [ ] [ ]
( )
N m N m
xx xx xx
n k
n k n k m n k m
N m


= =

= + +

Cu schimbarea de variabil n-k=p, relaia devine
1 1
' 2
2
0
1
var( [ ]) [ ] [ ] [ ]
( )
N m N m k
xx xx xx xx
k p k
r m p p m p m
N m


= =

= + + =

1 2
2 2
0 1
[ ] [ ] [ ] [ ] [ ] [ ]
N m N m
xx xx xx xx xx xx
p p
p p m p m p p m p m

= =
+ + + + +

0
2
1
... [ ] [ ] [ ]
xx xx xx
p N m
p p m p m
= + +
+ + + + =

(
(
)
2 2 2
2
2 2 2 2
1
[0] [1] ... [ 1] [ ] [ ]
( )
[1 ] [1 ] ... [ 1 ] [ 1 ]
[ 1] [ ] ... [ 1] [0]
[ 1 ] [ 1 ] ... [ ] [ ]
xx xx xx xx xx
xx xx xx xx
xx xx xx xx
xx xx xx xx
N m m m
N m
m m N m m N m m
N m N m
N m m N m m m m




= + + + + +

+ + + + + +
+ + + + + + + + +
+ + + + + + + =

(
2
2
2 2
1
( )( [0] [ ] [ ]) ( 1)
( )
( [1] [1 ] [1 ]) ( 2)( [2] [2 ] [2 ])
xx xx xx
xx xx xx xx xx xx
N m m m N m
N m
m m N m m m


= + +

+ + + + +

)
( )
2
2
2
2
2
... ( ( 1))( [ 1] [ 1 ]
[ 1 ]) ... ( 1)( [ 1] [ 1 ] [ 1 ])
... ( ( 1))( [ 1] [ 1 ]
[ 1 ]
1
( ) [ ] [ ] [ ]
( )
xx xx
xx xx xx xx
xx xx
xx
xx xx xx
n
N m N m N m N m m
N m m N m m m
N m N m N m N m m
N m m
N m n n n m n m
N m

=
+ + +
+ + + + + +
+ + + + + + +
+ + + =
+ +

( )
1
1
1
2
2
1
1 [ ] [ ] [ ]
( )
N m
N m
N m
xx xx xx
n N m
N m n
n n m n m
N m N


+ +

= + +
=
+

+ +

(5.31)
298
Efectund un calcul similar, pentru 0 m < , se obine:
( )
'
1
2
2
1
var( [ ])
1 [ ] [ ] [ ]
( | |)
xx
N m
xx xx xx
n N m
r m
N m n
n n m n m
N m N

+
= +
=
+
= + +

(5.31)
Relaiile (5.31) i (5.31) pot fi combinate n una singur, i anume
( )
'
| | 1
2
2
| | 1
var( [ ])
| |
1 [ ] [ ] [ ]
( | |)
xx
N m
xx xx xx
n N m
r m
N m n
n n m n m
N m N


= + +
=
+
= + +

(5.31)
Deoarece
| |
lim 1 1
N
m n
N

+

=


i dac
2
[ ]
xx
n
n

< , atunci
( )
( )
'
| | 1
2
2
| | 1
lim var{ [ ]}
| |
lim 1 [ ] [ ] [ ] 0
| |
xx
N
N m
xx xx xx
N
n N m
r m
N m n
n n m n m
N
N m

= + +
=

+
+ + =

(5.32)
Deoarece
'
[ [ ]] [ ]
xx xx
E r m m = i dispersia estimatului converge
la 0 pentru N , estimatul r

xx
[m] se numete consistent.
n general, dac N este finit, pentru valori mari ale
parametrului m, estimatul r

xx
[m] dat de (5.26) are o dispersie mare.

Dac estimatul se calculeaz cu relaia
1
0
1
1
[ ] [ ], 0 1
[ ]
1
[ ] [ ], 1 0
N m
n
xx
N
n m
x n x n m m N
N
r m
x n x n m N m
N

=

+ + <

(5.33)
atunci, valoarea medie statistic a acestuia calculat pe mulimea
realizrilor particulare rezult
299
1
0
1
| |
1
[ [ ] [ ]] [ ], 0 1
[ [ ]]
1 | |
[ [ ] [ ]] [ ], 1 0
N m
xx
n
xx
N
xx
n m
N m
E x n x n m m m N
N N
E r m
N m
E x n x n m m N m
N N

+ =

+ = + <

(5.34)
sau, ntr-o singur relaie
| |
[ [ ]] [ ]
xx xx
N m
E r m m
N

= (5.34)
Valoarea medie statistic a estimatului prezint o deplasare
de [ ]
xx
m
m
N
.
Estimatul r
xx
[m] se spune c este asimptotic nedeplasat, deoarece
lim [ [ ]] [ ]
xx xx
N
E r m m

= (5.35)
Dispersia acestui estimat este dat de relaia
( )
| | 1
2
| | 1
var( [ ])
1 | |
1 [ ] [ ] [ ]
xx
N m
xx xx xx
n N m
r m
m n
n n m n m
N N


= + +
=
+
= + +

(5.36)
Deoarece
| |
lim 1 1
N
m n
N

+

=


i dac
2
[ ]
xx
n
n

< , atunci
lim var{ [ ]} 0
xx
N
r m

= .
Deoarece estimatul [ ]
xx
r m este asimptotic nedeplasat i
dispersia sa converge la 0 pentru N , se spune c acesta este un
estimat consistent pentru
xx
[m].
n estimarea spectrului de putere se va folosi estimatul r
xx
[m]
dat de (5.33).
Estimatul corespunztor al densitii spectrale de putere este

1
2
( 1)
( ) [ ]
N
j fm
xx xx
m N
P f r m e

=
=

(5.37)
300
nlocuind (5.33) n (5.37), se obine
1 1 1
2 2 2
( 1) ( 1) 0
1 1
2 2
1 0
( ) [ ] [ ] [ ]
[ ] [ ]
N N
j fm j fm j fm
xx xx xx xx
m N m N m
N N
j fm j fm
xx xx
m m
P f r m e r m e r m e
r m e r m e




= = =

= =
= = + =
+ =



( )
1 1 1 1
2 2
1 0 0 0
1 1 1
2 2
0 0 0
1
[ ] [ ] [ ] [ ]
1
[ ] [ ] [ ] [ ] [ ] [ ]
N N m N N m
j fm j fm
m n m n
N N m N
j fm j fm
m n n
x n x n m e x n x n m e
N
x n x n m e x n x n m e x n x n
N

= = = =

= = =

+ + + =



+ + + =




( ) ( )
1 2
2 1 2 1
0 0
1
[ ] [ ] [ ] [ ] [ ] [ 1] [ ] [ 1]
N N
j f j f
n n
x n x n x n x n x n x n e x n x n e
N

= =

+ + + + + +

( )
[
0
2 ( 1) 2 ( 1)
0
1
2 1
0
2 1 2 2 2 ( 2) 2 ( 1)
... [ ] [ 1] [ ] [ 1]
1
[ ] [ ] [0] [0] [1] [1] ... [ 1] [ 1] [0] [1]
[1] [2] ... [ 2] [ 1]
j f N j f N
n
N
j f
n
j f j f j f N j f N
x n x n N e x n x n N e
x n x n x x x x x N x N x x e
N
x e x e x N e x N e

=

+ + + + +

= + + + +

+ + + +

2 1 2 2 2 1 2 ( 1) 2 ( 2)
2 2 2 ( 3) 2 ( 1)
2 2 2 ( 1) 2 ( 3)
[1] [0] [2] [1] ... [ 1] [ 2]
... [0] [2] ... [ 3] [ 1]
[2] [0] ... [ 1] [ 3] ...
[0] [ 1]
j f j f j f j f N j f N
j f j f N j f N
j f j f N j f N
x e x x e x e x N e x N e
x x e x N e x N e
x e x x N e x N e
x x N e






+ +
+ + + + +
+ + +

2 ( 1) 2 ( 1)
[ 1] [0]
j f N j f N
x N e x

+ =

( )
( )
2 1 2 ( 1)
2 1 2 1 2 ( 1)
1
[0] [0] [1] ... [ 1]
[1] [0] [1] ... [ 1] ...
j f j f N
j f j f j f N
x x x e x N e
N
x e x x e x N e

+ + + +

+ + + + + +

( )
2 ( 1) 2 1 2 ( 1)
[ 1] [0] [1] ... [ 1]
j f N j f j f N
x N e x x e x N e

+ + + =

2
1 1 1
2 2 2
0 0 0
1 1
[ ] [ ] [ ]
N N N
j fn j fk j fn
n k n
x n e x k e x n e
N N



= = =

=




adic
301
2 1
( ) ( ) ,
xx
P f X f
N
= (5.38)
Aceast form a estimatului se numete periodogram.
Din (5.37) se calculeaz valoarea medie a estimatului P
xx
(f)

1 1
2 2
( 1) ( 1)
[ ( )] [ ] [ [ ]]
N N
j fm j fm
xx xx xx
m N m N
E P f E r m e E r m e



= =

= = =




1
2
( 1)
1 [ ]
N
j fm
xx
m N
m
m e
N

=

=

(5.39)
Interpretarea acestei relaii este c media spectrului estimat
este transformata Fourier a funciei de autocorelaie nmulit cu o
fereastr, adic
[ ] 1 [ ]
xx xx
m
m m
N


=


(5.40)
unde funcia fereastr este fereastra triunghiular Bartlett [71].
Media spectrului estimat este
1
2 2
1
2
[ ( )] [ ] ( ) ( )
j fm
xx xx B
m
E P f m e W f d

=
= =

(5.41)
unde W
B
(f) este transformata Fourier a ferestrei Bartlett, iar ( )
xx
f
este densitatea spectral de putere ce se dorete a fi estimat.
Relaia (5.41) arat c media spectrului estimat este
convoluia dintre densitatea spectral de putere
xx
(f) i transformata
Fourier a ferestrei Bartlett. Aceast medie este o versiune netezit a
spectrului real i sufer de aceleai inconveniente de scurgere
spectral, cauzate de lungimea finit a secvenei de date.
Spectrul estimat este asimptotic nedeplasat, deoarece
1
2
( 1)
lim [ ( )] lim [ ]
N
j fm
xx xx
N N
m N
E P f E r m e

=

= =

(5.42)
302

2
[ ] ( )
j fm
xx xx
m
m e f

=
= =

Calculul dispersiei periodogramei este, n general, relativ
complicat i, tot n general, aceasta nu tinde la zero pentru N .
Cnd datele reprezint un proces aleator gausian, dispersia se
caluleaz dup cum urmeaz:
Fie [ ] x n zgomot alb, gausian, cu media nul i dispersia
2
x
.
Folosind expresia momentului reunit de ordinul patru pentru
variabile aleatoare gausiene dat de relaia (5.30), se poate scrie
{
}
1 2 1 1 2 2 2
1 1 2 2 2
1 2 1 2
1 2 1 2
1
[ ( ) ( )] [ ( ) ( ) ( ) ( )]
1
[ ( ) ( )] [ ( ) ( )]
[ ( ) ( )] [ ( ) ( )]
[ ( ) ( )] [ ( ) ( )]
xx xx
E P f P f E X f X f X f X f
N
E X f X f E X f X f
N
E X f X f E X f X f
E X f X f E X f X f
= =
+
+

(5.43)

1 2
1 1
2 2
1 2
0 0
[ ( ) ( )] [ ] [ ]
N N
j f n j f k
n k
E X f X f E x n e x k e



= =

= =




1 2 1 2
1 1 1 1
2 2 2 2 ( )
0 0 0
[ ] [ ] [ ]
N N N n N n k v
j f n j f k j f n j f n v
xx
n k n v n
x n x k e e v e e

+ + =

= = = =
= =


1 2
2 1 2
1 2
2 ( )
1 1
2 2 ( )
2 2 ( )
( 1) 0
1
[ ] ( )
1
j f f N
N N
j f v j f f n
xx xx j f f
v N n
e
v e e f
e

+

+
+
= =

= =

1 2
1 2
( )( 1)
1 2
2
1 2
( )( 1) 2
1 2
1 2
sin ( )
( )
sin ( )
sin ( )
sin ( )
j f f N
xx
j f f N
x
f f N
f e
f f
f f N
e
f f

+
+
+
= =
+
+
=
+
(5.44a)
Similar, se calculeaz expresiile
2
1 1
[ ( ) ( )]
x
E X f X f N = (5.44b)
2
2 2
[ ( ) ( )]
x
E X f X f N = (5.44c)
303

1 2
( )( 1) 2
1 2
1 2
1 2
sin ( )
[ ( ) ( )]
sin ( )
j f f N
x
f f N
E X f X f e
f f

+
+
=
+
(5.44d)
1 2
( )( 1) 2
1 2
1 2
1 2
sin ( )
[ ( ) ( )]
sin ( )
j f f N
x
f f N
E X f X f e
f f

(5.44e)
1 2
( )( 1) 2
1 2
1 2
1 2
sin ( )
[ ( ) ( )]
sin ( )
j f f N
x
f f N
E X f X f e
f f

(5.44f)
nlocuind relaiile (5.44a,b,c,d,e,f) n (5.43), se obine relaia
2 2
4 1 2 1 2
1 2
1 2 1 2
sin ( ) sin ( )
[ ( ) ( )] 1
sin ( ) sin ( )
xx xx x
f f N f f N
E P f P f
N f f N f f

+
= + +


+



(5.45)
Particulariznd (5.45) pentru
1 2
f f f = = , n cazul unui
proces alb, gausian, de medie nul, rezult

( ) ( )
2
2
2
2
var[ ( )] ( ) ( ( )
sin 2
( ) 1
sin 2
xx xx xx
xx
P f E P f E P f
fN
f
N f

= =



= +





(5.46)
care, pentru N devine

2
limvar[ ( )] ( )
xx xx
N
P f f

= (5.47)
n concluzie, spre deosebire de funcia de autocorelaie
estimat, periodograma nu este un estimat consistent al densitii
spectrale de putere. P
xx
(f) este un estimat asimptotic nedeplasat
pentru
xx
(f), dar, pentru o secven de durat finit, valoarea sa
medie este deplasat. Spectrul estimat sufer de efecte de netezire i
scurgere spectral, cauzate de nmulirea cu ferestra Bartlett.

5.1.2.1. Periodograma modificat

n cazul periodogramei, un proces aleator [ ] x n de lungime
finit este echivalent cu poriunea din proces creia i s-a aplicat
304
fereastra rectangular. Pe lng fereastra rectangular, se pot folosi
i alte ferestre, ca Bartlett, Hamming, Hanning, Blackman, Kaiser.
Periodograma modificat este periodograma aplicat
procesului aleator trunchiat cu o fereastr oarecare [ ] w n i este dat
de

2
mod 2
1
( ) [ ] [ ]
j fn
xx
n
P f x n w n e
NU

=
=

(5.48)
unde N este lungimea ferestrei i
1
2
0
1
| [ ] |
N
n
U w n
N

=
=

(5.49)
este o constant aleas astfel nct
mod
( )
xx
P f s fie asimptotic
nedeplasat. Cele mai folosite ferestre i caracterizrile lor sunt
prezentate n Tabelul 5.1.
Acest tabel arat performanele ferestrelor uzuale, cum ar fi
nivelul lobilor secundari i rezoluia. Se observ c fereastra
rectangular are cea mai bun rezoluie (cel mai ngust lob
principal), astfel nct creeaz cea mai redus netezire spectral, dar
prezint cei mai mari lobi secundari, care pot masca spectre ale
semnalelor mai slabe. Fereastra Hamming are cel mai ntins lob
principal, dar lobul lateral este mai redus.

Tabelul 5.1
Tipul
ferestrei
Definiia ferestrei
cauzale w[n]
0 n N-1;

Limea
lobului
principal
Atenuarea
primului
lob
secundar
[dB]
Rezolu-ia
3
( )
dB
f
Rectangular 1
4
N

-13
0,89
N

Triunghiular
1 2
1 2
1
N
N
n

8
1 N

-25
1, 28
N

305
Hanning
2
1
0, 5 0, 5cos
n
N

8
1 N

-31
1, 44
N

Hamming
2
1
0, 54 0, 46cos
n
N

8
1 N

-41
1, 30
N

Blackman
2
1
4
1
0, 42 0, 5cos
0, 08cos
n
N
n
N

+
+

12
1 N

-58
1, 68
N


Caracterizarea estimatului
Urmnd o procedur similar celei folosite la analiza
performanelor periodogramei, se pot obine performanele
periodogramei modificate, adic valoarea medie, dispersia i
rezoluia.
Valoarea medie este dat de relaia
{ }
2
mod
1
( ) ( ) ( )
xx xx
E P f f W f
N
= (5.50)
Unde ( ) W f este transformata Fourier a ferestrei folosite.
Urmnd un mers de calcul similar celui folosit la
periodograma simpl, n cazul variabilei aleatoare gaussiene,
variana estimatului este [62]
mod 2
var[ ( )] ( )
xx xx
P f f (5.51)
Rezoluia periodogramei modificate este egal cu limea de
band la -3dB a lobului principal al ferestrei. Se observ c
periodograma modificat este un estimat asimptotic nedeplasat, dar
neconsistent al spectrului de putere ( )
xx
f .
Problemele care apar din cauza scurgerii spectrale i a
rezoluiei de frecven, ca i faptul c periodograma nu este un
estimat consistent, au reprezentat un motiv pentru dezvoltarea altor
metode de estimare a densitii spectrale de putere, ce vor fi
prezentate n paragraful 5.3.
306
5.1.3. Folosirea Transformatei Fourier Discrete n
estimarea spectrului de putere

Dup cum se observ din (5.16) i (5.38), densitatea spectral
de energie estimat, ( )
xx
S f , i periodograma P
xx
(f) pot fi calculate
cu ajutorul Transformatei Fourier Discrete (DFT) care, la rndul
su, se poate calcula cu algoritmii FFT [53]. Dac lungimea datelor
este N, DFT se poate calcula n cel puin N puncte. n acest caz,
rezult urmtoarele eantioanele ale periodogramei
2
1
2
0
1
[ ]
N
k
j n
N
xx
n
k
P x n e
N N

=

=



k = 0, 1, ., N 1 (5.53)
la frecvenele f
k
=k/N.
n practic, este posibil ca o astfel de eantionare a spectrului
s fie rar i s nu ofere o bun reprezentare grafic a estimatului
spectrului continuu, lucru ce poate fi remediat prin evaluarea lui
P
xx
(f) la unele frecvene adiionale, prin creterea lungimii secvenei
prin adugarea de zerouri pn la o lungime a secvenei de L>N
puncte.
2
1
2
0
1
[ ]
N
k
j n
L
xx
n
k
P x n e
L N

=

=



, k = 0, 1, . . ., L 1. (5.54)
Adugarea de zerouri i evaluarea DFT n L>N puncte nu
mbuntete rezoluia de frecven a estimatului, ci ofer numai o
metod de interpolare a valorilor spectrului calculat la mai multe
frecvene. Rezoluia de frecven este determinat de lungimea N a
datelor nregistrate.

Exemplul 5.2.
Secvena discret de lungime N=16 eantioane
[ ] sin 2 (0,135) cos 2 (0,135 ) , 0,1,...,15 x n n f n n = + + =
307
se obine prin eantionarea unui semnal analogic compus din dou
componente. f reprezint separaia de frecven ntre aceste
componente. S se evalueze spectrul de putere
2 1
( ) ( ) P f X f
N
= , la
frecvenele
k
k
f
N
= , 0,1,..., 1 k L = , pentru 8,16, 32 128 i L = ,
pentru valorile 0, 06 0, 01 i f f = = .
Soluie
Prin completarea cu zerouri s-a mrit lungimea datelor pentru
care se calculeaz spectrul de putere
xx
k
P
L



.
Rezultatele pentru 0, 06 f = sunt prezentate n figurile 5.6a,
b, c, d pentru L=8, 16, 32 i, respectiv, 128 de puncte.



Fig. 5.6. Spectrul unui semnal cu dou componente sinusoidale cu separaia de
frecven 0, 06 f =
308
Se observ c adugarea de zerouri nu a modificat rezoluia,
dar are efect de interpolare a spectrului
xx
k
P
L



. n acest caz,
separaia de frecven este suficient de mare, nct cele dou
componente spectrale pot fi identificate n semnal.

Estimaii spectrali pentru 0, 01 f = sunt prezentai n figura
5.7a, b, c, d pentru L=8, 16, 32 i, respectiv, 128 de puncte.
n acest caz cele dou componente spectrale nu mai pot fi
identificate. Efectul adugrii de zerouri const n interpolarea
valorilor spectrului, astfel nct se obine o imagine grafic mai
bun a estimatului spectrului, fr, ns, a se mbunti rezoluia de
frecven.



Fig. 5.7. Spectrul unui semnal cu dou componente sinusoidale cu separaia de
frecven 0, 01 f =

309
5.2. Metode neparametrice pentru estimarea
densitii spectrale de putere

Metodele neparametrice de estimare a spectrului sunt relativ
simple i uor de implementat cu ajutorul algoritmilor FFT. Ele
necesit secvene lungi de date pentru a produce rezoluia de
frecven necesar n unele aplicaii. Aceste metode sufer de
scurgere spectral datorit folosirii ferestrelor i, implicit, a
datelor de lungime finit, N. De multe ori scurgerea spectral
mascheaz semnalele slabe prezente n date.
Limitarea principal a metodelor neparametrice este
presupunerea c estimatul funciei de autocorelaie r
xx
[m] este zero
pentru m N , ceea ce limiteaz rezoluia n frecven i calitatea
estimatului spectrului de putere.
Metodele neparametrice descrise n acest paragraf nu in
seama de modul n care au fost generate datele. Deoarece obinerea
estimailor se bazeaz complet pe date de lungime finit, rezoluia
de frecven obinut prin aceste metode este, n cel mai bun caz,
egal cu limea spectral a ferestrei rectangulare de lungime N,
care este de aproximativ 1/N la -3dB [33]. Metodele neparametrice
urmresc obinerea unui estimat consistent al densitii spectrale de
putere prin operaii de mediere i netezire efectuate direct asupra
periodogramei i a funciei de autocorelaie. Dup cum se va vedea,
efectul acestora este de reducere a rezoluiei de frecven, odat cu
scderea dispersiei estimatului.

5.2.1. Metoda Bartlett. Periodograma mediat

Metoda Bartlett de reducere a dispersiei periodogramei,
implic trei pai:
310
1. Secvena de date de lungime N se mparte n K segmente
care nu se suprapun, fiecare de lungime M
x
i
[n] = x[n + iM], i = 0, 1, , K-1
n = 0, 1, , M-1 (5.55)
2. Pentru fiecare segment se calculeaz periodograma
2
1
( ) 2
0
1
( ) [ ]
M
i j fn
xx i
n
P f x n e
M

=
=

, i = 0, 1, , K-1 (5.56)
3. Pentru a se obine estimatul Bartlett al densitii spectrale
de putere, se consider media aritmetic a celor K periodograme,
adic
1
( )
0
1
( ) ( )
K
B i
xx xx
i
P f P f
K

=
=

(5.57)
Caracterizarea estimatului
Presupunnd datele staionare i M suficient de mare,

1
( ) ( )
0
1
[ ( )] [ ( )] [ ( )]
K
B i i
xx xx xx
i
E P f E P f E P f
K

=
= =

(5.58)
Din (5.39) i (5.41) rezult valoarea medie a fiecrei periodograme
ca fiind
1/ 2
1
( ) 2
1
1/ 2
2
1/ 2
1/ 2
[ ( )] 1 [ ] ( ) ( )
1 sin ( )
( )
sin ( )
M
i j fm
xx xx xx B
m M
xx
m
E P f m e W f d
M
f M
d
M f

= +

= =



=

(5.59)
unde

2
1 sin
( )
sin
B
fM
W f
M f

=


(5.60)
este transformata Fourier a ferestrei Bartlett, definit de relaia
311

1 , 1
[ ]
0, n rest
B
m
m M
w n
M

(5.61)
Reducerea lungimii datelor de la N la M=N/K are ca rezultat
o fereastr care are o caracteristic de frecven cu limea lobului
principal crescut de K ori, aa nct rezoluia de frecven s-a redus
de K ori,
3
( ) 0,89
dB
K
f
N
= . Admind ipoteza anterioar asupra
datelor i faptul c seturile de date sunt independente, dispersia
estimatului Bartlett este
1
( ) ( )
2
0
1 1
var[ ( )] var[ ( )] var[ ( )]
K
B i i
xx xx xx
i
P f P f P f
K K

=
= =

(5.62)
nlocuind (5.51) n (5.62), pentru un proces aleator gaussian,
se obine
2
2 2
1 sin 2 1
var[ ( )] ( ) 1 ( )
sin 2
B
xx xx xx
fM
P f f f
K M f K

= +



(5.63)
adic dispersia s-a redus de K ori.
n realitate seturile de date nu sunt independente dect n
unele cazuri particulare, cum este cel al zgomotului alb i, n
consecin, reducerea dispersiei este mai mic dect K ori.

5.2.2. Metoda Welch. Periodograma mediat modificat

Welch a operat dou modificri eseniale asupra metodei
Bartlett:
1. Segmentele de date se pot suprapune
x
i
[n] = x[n + iD] n = 0, 1, , M 1
i = 0, 1, , L 1 (5.64)
312
unde iD este punctul de ncepere pentru secvena i. Dac D = M,
segmentele nu se suprapun i numrul L de segmente este egal cu K
din metoda Bartlett. Dac D = M/2, exist 50% suprapunere peste
segmente succesive i L = 2K segmente. Se pot obine K segmente
de lungime 2M fiecare. Ca urmare a suprapunerii blocurilor, se
obine, aa cum se va vedea, o anumit reducere a dispersiei.
2. nainte de a calcula periodograma, segmentele de date sunt
ponderate cu o fereastr, ceea ce conduce la o periodogram
modificat
2
1
( ) 2
0
1
( ) [ ] [ ]
M
i j fn
xx i
n
P f x n w n e
MU

=
=

, i = 0, 1, , L 1 (5.65)
unde U este un factor de normalizare a puterii funciei fereastr i
este ales ca

1
2
0
1
[ ]
M
n
U w n
M

=
=

(5.66)
Utilizarea funciei fereastr are drept efect reducerea lobilor
laterali i, deci, a fenomenului de scurgere spectral.
Estimatul Welch al densitii spectrale de putere este media
aritmetic a acestor periodograme modificate, adic

1
( )
0
1
( ) ( )
L
w i
xx xx
i
P f P f
L

=
=


(5.67)
Caracterizarea estimatului
Valoarea medie a estimatului Welch este

1
( ) ( )
0
1
[ ( )] [ ( )] [ ( )]
L
w i i
xx xx xx
i
E P f E P f E P f
L

=
= =

(5.68)
Valoarea medie a periodogramei modificate se determin astfel:

1 1
( ) 2 ( )
0 0
1
[ ( )] [ ] [ ] [ [ ] [ ]]
M M
i j f n m
xx i i
n m
E P f w n w m E x n x m e
MU



= =
= =

313
1 1
2 ( )
0 0
1
[ ] [ ] ( )
M M
j f n m
xx
n m
w n w m n m e
MU

= =
=

(5.69)
Dar
1/ 2
2
1/ 2
[ ] ( )
j n
xx xx
n e d

(5.70)
nlocuind relaia (5.70) n (5.69), se obine
1/ 2
1 1
( ) 2 ( )( )
0 0
1/ 2
1/ 2
1/ 2
1
[ ( )] ( ) [ ] [ ]
( ) ( )
M M
i j n m f
xx xx
n m
xx
E P f w n w m e d
MU
W f d





= =

= =


=

(5.71)
unde, prin definiie

2
1
2
0
1
( ) [ ]
M
j fn
n
W f w n e
MU

=
=

(5.72)
Factorul de normalizare asigur c

1/ 2
1/ 2
( ) 1 W f df

(5.73)
Dispersia estimatului Welch este
1 1
( ) ( ) 2
2
0 0
1
var[ ( )] [ ( ) ( )] { [ ( )]}
L L
w i j w
xx xx xx xx
i j
P f E P f P f E P f
L

= =
=

(5.74)
Estimatul acesta este, evident, echivalent cu periodograma, n
cazul cnd w[m] este o fereastr dreptunghiular i M=N-1.
n cazul nesuprapunerii segmentelor succesive (L=K) i a
folosirii ferestre triunghiulare, s-a artat [62] c
( ) 2
1 1
var[ ( )] var[ ( )] ( )
w i
xx xx xx
P f P f f
L L
=

(5.75)
n cazul suprapunerii cu 50% a segmentelor succesive i
folosind fereastr triunghiular, dispersia estimatului Welch a
densitii spectrale de putere, este [62]
314

2
9
var[ ( )] ( )
8
w
xx xx
P f f
L
(5.76)
Estimatul Welch este asimptotic nedeplasat i consistent.
Rezoluia acestuia depinde de fereastra folosit.
Dei s-a considerat numai fereastra triunghilar, n calculul
dispersiei pot fi folosite i alte ferestre. n general, acestea vor
determina dispersii diferite pentru estimai. n plus, segmentele de
date pot fi suprapuse cu mai mult sau mai puin de 50%, ct s-a
considerat n acest paragraf, n scopul mbuntirii caracteristicilor
relevante ale estimatului.


5.5.3.Metoda Blackman Tukey. Netezirea periodogramei

Autorii metodei au propus i analizat metoda n care secvena
de autocorelaie este nti multiplicat cu o fereastr i apoi se
calculeaz transformata Fourier pentru a estima densitatea spectral
de putere. Motivul pentru care funcia de autocorelaie estimat se
nmulete cu o fereastr este c, pentru deplasri mari, estimaii
sunt de ncredere mai mic deoarece sunt calculai dintr-un numr
mai mic, (N-m), de date. Pentru m apropiat de N, dispersia acestor
estimai este foarte mare i, deci, acetia ar putea interveni cu o
pondere mai mic n densitatea spectral de putere estimat.
Estimatul Blackman-Tukey este

1
2
1
( ) [ ] [ ]
M
BT j fm
xx xx
m M
P f r m w m e

= +
=

(5.77)
unde w[n] este o fereastr aplicat estimatorului funciei de
autocorelaie, cu proprietatea c are lungimea 2M-1, 0 [ ] 1 w m ,
[0] 1 w = , [ ] [ ] w m w m = i este zero pentru m M .
315
Cu aceast definiie pentru w[n], limitele sumei din (5.77) pot
fi extinse la ( , ) . Expresia echivalent n domeniul frecven a
relaiei (5.77) este

1/ 2
1/ 2
( ) ( ) ( )
BT
xx xx
P f P W f d

(5.78)
unde P
xx
() este periodograma. Efectul nmulirii cu o fereastr a
secvenei de autocorelaie este de netezire a estimatului
periodogramei, deci descreterea dispersiei estimatului se face cu
preul reducerii rezoluiei. Ca urmare, rezoluia sau capacitatea de a
identifica dou componente spectrale apropiate este dependent de
limea lobului principal al caracteristicii de frecven a ferestrei. n
principiu, ar putea fi folosite toate ferestrele utilizate la sinteza
filtrelor FIR [72]. Trebuie avut ns n vedere ca estimatul s fie real
i nenegativ ( ( ) 0, 1/ 2
BT
xx
P f f ), deziderate asigurate de
proprietatea ca ferestra considerat s fie o funcie par, iar spectrul
su s fie nenegativ:
( ) 0 W f , 1/ 2 f (5.79)
Unele ferestre nu satisfac aceast condiie, de exemplu, n
ciuda nivelului sczut al lobilor laterali, ferestrele Hamming i
Hanning pot avea ca rezultat estimai negativi ai spectrului n unele
domenii de frecven.
Caracterizarea estimatului
Valoarea medie a estimatului densitii spectrale de putere
Blackman-Tukey este

1/ 2
1/ 2
[ ( )] [ ( )] ( )
BT
xx xx
E P f E P W f d

(5.80)
unde, din (5.41), rezult

1/ 2
1/ 2
[ ( )] ( ) ( )
xx xx B
E P W d

(5.81)
316
unde W
B
(f) este transformata Fourier a ferestrei Bartlett. nlocuind
(5.81) n (5.80), se obine
1/ 2 1/ 2
1/ 2 1/ 2
[ ( )] ( ) ( ) ( )
BT
xx xx B
E P f W W f d d

=

(5.82)
Echivalent, n domeniul timp, valoarea medie a estimatului
Blackman-Tukey este
1
2
1
1
2
1
[ ( )] [ [ ]] [ ]
[ ] [ ] [ ]
M
BT j fm
xx xx
m M
M
j fm
xx B
m M
E P f E r m w m e
m w m w m e

= +

= +
= =
=

(5.83)
unde

1 ,
[ ]
0, n rest
B
m
m N
w m
N

<
=

(5.84)
Lungimea ferestrei pentru w[n] trebuie aleas astfel nct M << N,
adic fereastra w[n] s fie de lungime mai mic dect fereastra
B
w [m] pentru a produce o netezire suplimentar a periodogramei. n
aceste condiii (5.82) devine

1/ 2
1/ 2
[ ( )] ( ) ( )
BT
xx xx
E P f W f d

(5.85)
deoarece
1/ 2 1/ 2
1/ 2 1/ 2
( ) ( ) ( ) ( )
( )
B B
W W f d W W f d
W f

=


(5.86)
Dispersia estimatului Blackman-Tukey al spectrului este

2 2
var[ ( )] {[ ( )] } { [ ( )]}
BT BT BT
xx xx xx
P f E P f E P f = (5.87)
unde valoarea medie poate fi aproximat de relaia (5.85), iar
valoarea ptratic medie este
317

2
1/ 2 1/ 2
1/ 2 1/ 2
{[ ( )] }
[ ( ) ( )] ( ) ( )
BT
xx
xx xx
E P f
E P P W f W f d d

=
=

(5.88)
n ipoteza c procesul aleator este gaussian, folosind
rezultatul din exemplul 5.2, se obine
2 2
[ ( ) ( )]
sin ( ) sin ( )
( ) ( ) 1
sin ( ) sin ( )
xx xx
xx xx
E P P
N N
N N




=

+
= + +


+



(5.89)
nlocuind (5.89) n (5.88), se obine
2
1/ 2
2
1/ 2
1/ 2 1/ 2
1/ 2 1/ 2
2 2
{[ ( )] } ( ) ( )
( ) ( ) ( ) ( )
sin ( ) sin ( )
sin ( ) sin ( )
BT
xx xx
xx xx
E P f W f d
W f W f
N N
d d
N N

= +


+

+
+


+

(5.90)
Primul termen din (5.90) este ptratul valorii medii a lui
( )
BT
xx
P f , astfel nct al doilea termen din (5.90) reprezint dispersia.
n cazul n care N M >> , funciile sin( + )N/Nsin( +
) i sin( - )N/Nsin( - ) sunt relativ nguste n comparaie
cu W(f) n apropiere de = - i, respectiv = . Prin
urmare
2 2
1/ 2
1/ 2
sin ( ) sin ( )
( ) ( )
sin ( ) sin( )
( ) ( ) ( ) ( )
xx
xx xx
N N
W f d
N N
W f W f
N

+
+


+



+ +

(5.91)
318
Cu aceast aproximare, dispersia lui ( )
BT
xx
P f devine
1/ 2
1/ 2
var[ ( )]
1
( ) ( )[ ( ) ( ) ( ) ( )]
BT
xx
xx xx xx
P f
W f W f W f d
N

+ +

1/ 2
2 2
1/ 2
1
( ) ( )
xx
W f d
N

(5.92)
n care, s-a efectuat aproximarea

1/ 2
1/ 2
( ) ( ) ( ) ( ) 0
xx xx
W f W f d

(5.93)
n relaia (5.92) mai poate fi fcut o aproximare. Dac W(f) este
ngust, comparativ cu spectrul real
xx
(f), (5.92) se poate
aproxima ca
1/ 2
2 2
1/ 2
1
2 2
1
1
var[ ( )] ( ) ( )
1
( ) [ ]
BT
xx xx
M
xx
m M
P f f W d
N
f w m
N

= +

(5.94)
i n acest caz se evideniaz cerine contradictorii n
obinerea unor estimatori de bun calitate:
- pentru o deplasare mic este necesar M mare,
- pentru o dispersie mic, M trebuie s fie ct mai mic.
De obicei se recomand o valoare de cel mult M=N/5.

5.2.4. Caracteristici de performan ai estimatorilor
densitii spectrale de putere neparametrici

Pentru a compara calitatea estimailor periodogram, Bartlett,
Welch, Blackman-Tukey, s-a introdus ca masur a calitii, raportul
dintre ptratul valorii medii i dispersia estimatului, numit factor de
calitate, adic
319

2
{ [ ( )]}
var[ ( )]
A
xx
A A
xx
E P f
Q
P f
= (5.95)
unde A = P, B, W sau BT pentru cei patru estimai.
Inversul acestei mrimi se numete variabilitate i poate fi,
de asemenea, folosit ca o msur a performanei.

a) Periodograma
Valoarea medie a periodogramei este
1/ 2
1/ 2
[ ( )] ( ) ( )
P
xx xx B
E P f W f d

(5.96)
unde
2
1 sin
( )
sin
B
fN
W f
N f

=


(5.97)
i dispersia


2
2
sin 2
var[ ( )] ( ) 1
sin 2
xx
P
xx
fN
P f f
N f

= +



(5.98)
Pentru N
1/ 2
1/ 2
2
[ ( )] ( ) ( ) [0] ( ) ( )
var[ ( )] ( )
xx xx B B xx xx
xx xx
E P f f W d w f f
P f f

= =

(5.99)
adic, aa cum s-a precizat anterior, periodograma este un estimat
asimptotic nedeplasat al spectrului de putere, dar nu este consistent.
Asimptotic, periodograma este caracterizat de factorul de
calitate

2
2
( )
1
( )
xx
P
xx
f
Q
f

= =

(5.100)
320
Faptul c Q
P
este fix i independent de lungimea datelor arat
calitatea sczut a acestui estimat.

b) Estimatul Bartlett
Media i dispersia estimatului Bartlett al spectrului de putere
sunt
1/ 2
1/ 2
[ ( )] ( ) ( )
B
xx xx B
E P f W f d

(5.101)

2
2
1 sin 2
var[ ( )] ( ) 1
sin 2
B
xx xx
fM
P f f
K M f

= +



(5.102)
unde
2
1 sin
( )
sin
B
fM
W f
M f

=


(5.103)
Pentru N i M , astfel nct
N
K
M
= rmne fix
1/ 2
1/ 2
2
[ ( )] ( ) ( ) ( ) (0) ( )
1
var[ ( )] ( )
B
xx xx B xx B xx
B
xx xx
E P f f W f df f w f
P f f
K

= =

(5.104)
Se observ c estimatul Bartlett este asimptotic nedeplasat i
dac K crete odat cu N, estimatul este consistent. Asimptotic,
factorul de calitate al estimatului devine

B
N
Q K
M
= = (5.105)
Rezoluia n frecven a estimatului Bartlett, msurat prin
considerarea limii de band la 3dB a lobului principal al ferestrei
rectangulare, este [62]
321

0, 9
f
M
= (5.106)
nlocuind (5.106) n (5.105) rezult
1,1
0, 9/
B
N
Q N f
f
= =

(5.107)

c) Estimatul Welch
Media i dispersia estimatului Welch al spectrului de putere
sunt

1/ 2
1/ 2
[ ( )] ( ) ( )
W
xx xx
E P f W f d

(5.108)
unde

2
1
2
0
1
( ) [ ]
M
j fn
n
W f w n e
MU

=
=

, (5.109)
respectiv
2
2
1
( ) f r suprapunere
var[ ( )]
pentru suprapunere 50%
9
( )
i fereastr triunghiular 8
xx
W
xx
xx
f
L
P f
f
L

(5.110)
Pentru N i M
[ ( )] ( )
W
xx xx
E P f f (5.111)
Dac L crete odat cu N, dispersia 0, deci estimatul este
consistent.
n condiiile (5.110), factorul de calitate devine
fr suprapunere
50%suprapunere i
8 16
fereastr tringhiular 9 9
W
N
L
M
Q
L N
M

(5.112)
322
Limea de band a ferestrei triunghiulare la 3 dB este [71]

1, 28
f
M
= (5.113)
n consecin, factorul de calitate, exprimat n funcie de i f N
este
0, 78 fr suprapunere
50%suprapunere i
1, 39
fereastr triunghiular
W
N f
Q
N f

(5.114)

d) Estimatul Blackman -Tukey
Media i dispersia acestui estimat sunt date aproximativ de

1/ 2
1/ 2
1
2 2
1
[ ( )] ( ) ( )
1
var[ ( )] ( ) [ ]
BT
xx xx
M
BT
xx xx
m M
E P f W f d
P f f w m
N

= +

(5.115)
unde w[m] este secvena fereastr cu care se nmulete funcia de
autocorelaie estimat.
Pentru ferestrele triunghiular i rectangular, avem
1
2
1
2 / fereastra dreptungiular
1
[ ]
2 / 3 fereastra triunghiular
M
n M
M N
w n
M N N

= +

(5.116)
Valoarea medie a estimatului este asimptotic nedeplasat. Factorul
de calitate al estimatului, pentru fereastra triunghiular este
1, 5
BT
N
Q
M
= (5.117)
Deoarece lungimea ferestrei este 2M 1, rezoluia n
frecven msurat la 3dB este

1, 28 0, 64
2
f
M M
= = (5.118)
i, deci
323

1, 5
2, 34
0, 64
BT
Q N f N f = = (5.119)
Din analiza factorului de calitate se observ c estimaii
Welch i Blackman-Tukey sunt relativ mai buni dect cel Bartlett.
Oricum, ns, diferenele de performane ntre estimatori sunt mici.
Factorul de calitate crete odat cu creterea lungimii datelor, ceea
ce nu se ntmpl pentru periodogram. Mai mult, factorul de
calitate depinde de produsul dintre lungimea datelor i rezoluia n
frecven. Pentru un nivel de calitate dorit, rezoluia n frecven
poate fi mbuntit prin creterea lungimii datelor.

5.3. Metode parametrice pentru estimarea spectrului
de putere

Metodele parametrice nu necesit presupunerile semnalate n
paragraful 5.2, ele extrapolnd valorile funciei de autocorelaie
pentru deplasri m N . Acest lucru este posibil dac exist
informaii despre modul cum au fost generate datele. n acest caz se
poate construi un model de generare a semnalului cu un numr de
parametri ce poate fi estimat din datele observate. Drept urmare,
aproximarea prin modelare elimin necesitatea funciilor fereastr i
presupunerea c secvena de autocorelaie este zero pentru
m N , ceea ce conduce la situaia c metodele parametrice de
estimare spectral ofer rezoluie n frecven mai bun dect cele
neparametrice.
Metodele parametrice se bazeaz pe modelarea secvenei de
date x[n] ca fiind ieirea unui sistem liniar caracterizat de o funcie
de sistem raional, de forma
324

0
1
( )
( )
( )
1
q
k
k
k
p
k
k
k
b z
B z
H z
A z
a z

=
= =
+

(5.120)
creia i corespunde ecuaia cu diferene
1 0
[ ] [ ] [ ]
p q
k k
k k
x n a x n k b w n k
= =
= +

, (5.121)
unde w[n] este secvena de intrare n sistem.
n estimarea spectrului de putere, secvena de intrare nu este
observabil, dar dac ieirea [ ] x n este un proces aleator staionar,
atunci i secvena de intrare este, de asemenea, un proces aleator
staionar.
ntr-un astfel de caz, densitatea spectral de putere a datelor
(ieirii [ ] x n ) este
2
( ) ( ) ( )
xx ww
f H f f = (5.122)
unde ( )
ww
f este densitatea spectral de putere a secvenei de
intrare i H(f) este rspunsul n frecven al modelului.
Deoarece obiectivul este estimarea spectrului ( )
xx
f , este
convenabil a presupune c secvena de intrare w[n] este o secven
de zgomot alb, de medie zero, cu funcia de autocorelaie
2
[ ] [ ]
ww w
m m = (5.123)
unde
2
w
este dispersia
2
2
( [ [ ] ])
w
E w n = . Rezult atunci
2
2
2 2
2
( )
( ) ( )
( )
xx w w
B f
f H f
A f
= = (5.124)

n seciunea 1.22 a fost descris reprezentarea unui proces
aleator staionar n forma (5.124). n abordarea pe baz de model,
estimarea spectrului se efectueaz n doi pai. Dat fiind secvena
finit x[n], 0 1 n N , se estimeaz nti funcia de autocorelaie
325
dintr-o sum finit, apoi, pe baza acestor estimai, se estimeaz
parametrii {
k
a } i {

k
b } ai modelului. Pe baza acestora, se
estimeaz spectrul de putere conform relaiei
2
2
2

( )
( )

( )
xx w
B f
P f
A f
= (5.124).
Relaia (5.124) reprezint cazul general al metodelor
parametrice de estimare spectral, care arat c n acest demers
trebuie determinai estimaii parametrilor sistemului, {
k
a } i {

k
b }.
Se reamintete c procesul aleator x[n] generat de modelul
poli-zerouri dat de (5.120) sau (5.121) se numete proces
autoregresiv cu medie alunectoare (ARMA) de ordin (p,q).
Dac q=0 i
0
b =1, modelul rezultat are o funcie de sistem
H(z)=
1
( ) A z
i ieirea sa, x[n], se numete proces autoregresiv de
ordin p i se noteaz AR(p).
Al treilea model posibil se obine impunnd A(z)=1, astfel
nct H(z)=B(z). Ieirea x[n] se numete proces cu medie
alunectoare (MA) de ordin q , notat MA(q).
Dintre acestea, modelul AR este de departe cel mai folosit,
din dou motive:
1- este potrivit pentru reprezentarea spectrelor de band
ngust;
2- are ca rezultat ecuaii liniare foarte simple pentru
determinarea parametrilor AR.
Fa de acesta, modelul MA necesit mult mai muli coeficieni
pentru reprezentarea spectrelor de band ngust i este rareori
folosit singur ca model pentru estimarea spectrului.
326
Combinnd polii i zerourile, modelul ARMA produce o
reprezentare mai eficient din punct de vedere al numrului
parametrilor modelului pentru reprezentarea spectrului procesului
aleator, cu dezavantajul complicrii calculelor pentru parametrii
MA, care rezult din rezolvarea unor ecuaii neliniare.
Estimatorii parametrici au deplasri i dispersii mai mici
dect cei neparametrici. Folosind metodele parametrice de estimare,
se poate mbunti semnificativ rezoluia n frecven, cu condiia
ca modelul s fie adecvat procesului. n caz contrar, pot rezulta
estimatori neconformi cu realitatea, care conduc la decizii eronate.

5.3.1. Relaii ntre funcia de autocorelaie i parametrii
modelului

n paragraful 1.24 s-au stabilit relaiile dintre funcia de
autocorelaie
xx
[m] i parametrii {a
k
} i {b
k
} ai modelului ARMA
adoptat pentru proces. Pentru un proces ARMA(p,q), aceste relaii
sunt
1
2
1 0
*
[ ]
[ ] [ ] [ ] 0
[ ] 0
p
k xx
k
p q m
xx k xx w k m
k k
xx
a m k m q
m a m k h k b m q
m m

+
= =

>

= +

<

(5.125)
Prin restricionarea lui m>q, relaiile (5.125) conduc la un
sistem de ecuaii liniare din care se pot determina parametrii {a
k
}.
Acestea sunt
327

1
2
[ ] [ 1] ... [ 1]
[ 1] [ ] ... [ 2]
.
... .............. ............. ... .....................
[ 1] [ 2] ... [ ]
xx xx xx
xx xx xx
p xx xx xx
a q q q p
a q q q p
a q p q p q



+

+ +

=


+ +



[ 1]
[ 2]
........
[ ]
xx
xx
xx
q
q
q p

+


+

=


+

(5.126)
n practic se cunoate numai un interval finit dintr-o
realizare particular a procesului, din care se estimeaz valorile
funciei de autocorelaie. Folosind aceste valori estimate n loc de

xx
[m], din sistemul de ecuaii (5.126) se determin parametrii
k
a .
Din relaia (5.126) se observ c dac se cunosc parametrii
{a
k
} i funcia de autocorelaie pentru valori ale argumentului din
intervalul 0 m p , atunci valoarea funciei de autocorelaiei se
poate determina n mod unic i pentru m > q. n consecin, modelul
sistemului liniar extinde valorile funciei de autocorelaie pentru
m>p.
Parametrii {a
k
} sunt obinui din (5.126), dar acetia nu pot fi
folosii n determinarea facil a parametrilor MA, deoarece n
ecuaia
2
0 1
[ ] [ ] [ ]
q m p
w k m xx k xx
k k
h k b m a m k

+
= =
= +

, 0 m q (5.127)
intervine rspunsul la impuls h[k] al sistemului. Acesta poate fi
exprimat n funcie de parametrii {b
k
} i {a
k
} prin mprirea lui
B(z) la A(z), dar aceasta conduce la un set de ecuaii neliniare pentru
parametrii MA.

328
5.3.2. Estimarea spectrului de putere pe baza modelului
autoregresiv (AR)

Dac se adopt un model AR(p) pentru datele observate,
relaia dintre parametrii modelului i secvena de autocorelaie se
obine din (5.125), pentru q=0, adic

1
2
1
*
[ ] 0
[ ] [ ] 0
[ ] 0
p
k xx
k
p
xx k xx w
k
xx
a m k m
m a m k m
m m

=
=

>

= + =

<

(5.128)
n acest caz parametrii {a
k
} se obin din soluia sistemului de
ecuaii
1
2
[0] [ 1] ... [ 1] [1]
[1] [0] ... [ 2] [2]
.
... ... ... ... ... ...
[ 1] [ 2] ... [0] [ ]
xx xx xx xx
xx xx xx xx
p xx xx xx xx
a p
a p
a p p p



+

+

=




(5.129)
care reprezint ecuaiile Yule-Walker sau normale.
Dispersia
2
w
poate fi obinut din ecuaia

2
1
[0] [ ]
p
w xx k xx
k
a k
=
= +

(5.130)
Ecuaiile (5.129) i (5.130) sunt de obicei combinate n una
singur, de forma
2
1
1 [0] [ 1] ... [ ]
[1] [0] ... [ 1] 0
.
... .............. ............. ... ..................... ........
[ ] [ 1] ... [0] 0
xx xx xx w
xx xx xx
p xx xx xx
p
a p
a p p





+

=

(5.131)
329
Matricea de corelaie din (5.129) sau (5.131) este Toeplitz,
motiv pentru care ecuaiile Yule Walker pot fi rezolvate eficient cu
algoritmul Levison-Durbin. Toi parametrii modelului AR(p) pot fi
determinai din secvena de autocorelaie
xx
[m], pentru 0 m p .
Mai mult, din (5.128), dup ce s-au determinat coeficienii {a
k
}, se
poate calcula funcia de autocorelaie pentru m > p. Dac procesul
aleator este cunoscut numai pentru un interval finit , 0 1 n N ,
n determinarea parametrilor modelului vor interveni estimai ai
funciei de autocorelaie. Exist mai multe posibiliti de a estima
funcia de autocorelaie a procesului, lucru care conduce la diferite
metode de estimare a spectrului de putere pentru semnale modelate
AR.

5.3.3. Estimarea spectrului de putere a semnalelor
modelate AR folosind metoda autocorelaiei sau Yule-
Walker

n aceast metod se estimeaz secvena de autocorelaie din
date i apoi estimaii se folosesc n relaiile Yule-Walker (5.129)
pentru a determina parametrii modelului AR.
Funcia de autocorelaie se determin cu relaia

1
0
1
[ ] [ ] [ ], 0
N m
xx
n
r m x n x n m m
N

=
= +

(5.132)
Din paragraful 3.5 se reamintete c parametrii
k
a ai
procesului AR( ) p sunt egali cu coeficienii predictorului
[ ] { }
p
a k
de ordin p i eroarea ptratic medie minim a predictorului de
ordinul p este egal cu dispersia zgomotului alb care se aplic
modelului pentru a forma datele.
330
Datorit egalitii semnalate anterior, parametrii AR se
determin cu ajutorul algoritmul Levison-Durbin n care [ ]
xx
m se
nlocuiete cu [ ]
xx
r m .
Estimatul corespunztor al spectrul de putere este

2
2
2
1

( )
1 [ ]
wp YW
xx
p
j kf
p
k
P f
a k e

=
=
+

(5.133)
unde [ ]
p
a k sunt estimaii parametrilor AR rezultai din ecuaiile
recursive Levison-Durbin, iar
( )
2
2
1

[0] 1 [ ]
p
f
wp p xx k
k
E r a k
=

= =

(5.134)
este valoarea ptratic medie minim a erorii de predicie estimate
pentru predictorul de ordin p.
Un exemplu care ilustreaz performanele acestui estimator
din punct de vedere al rezoluiei n frecven, comparativ cu alte
metode, este prezentat n paragraful 5.3.9.

5.3.4. Estimarea spectrului de putere a semnalelor
modelate AR folosind metoda Burg

Metoda propus de Burg pentru estimarea parametrilor
modelului AR poate fi asimilat cu o metod lattice recursiv n
care coeficienii de reflexie se estimeaz pe baza minimizrii
erorilor din predicia liniar nainte i napoi, exprimate n form
compus, cu costrngerea c parametrii AR s satisfac ecuaiile
recursive Levison-Durbin.
Pentru a obine estimatul, fie datele x[n], n = 1,2,..,N-1 i fie
estimaii prediciei liniare nainte i napoi, de ordin m, dai de
relaiile
331

1
1
[ ] [ ] [ ]
[ ] [ ] [ ]
m
m
k
m
m
k
x n a k x n k
x n m a k x n k m
=
=
=
= +

(5.135)
i erorile de predicie corespunztoare f
m
[n] i respectiv, g
m
[n], date
de
1
1
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
m
m m
k
m
m
m
k
f n x n x n x n a k x n k
g n x n m x n m
x n m a k x n m k
=
=
= = +
= =
= + +

(5.136)
unde a
m
[k], 0 1 k m , m = 1, 2,, p, sunt coeficienii de
predicie.
Eroarea ptratic global se determin cu relaia

1
2 2
[ [ ] [ ] ]
N
m m m
n m
f n g n

=
+ =

(5.137)
Aceast eroare urmeaz a fi minimizat prin alegerea
coeficienilor de predicie, supui costrngerii de a satisface
ecuaiile recursive Levison-Durbin, date de
1 1
[ ] [ ] [ ], 1 1, 1
m m m m
a k a k K a m k k m m p

= + (5.138)
unde K
m
= a
m
[m] este al m-lea coeficient de reflexie din realizarea
lattice a predictorului.
Se reamintete c prin nlocuirea relaiei (5.138) n (5.136)
rezult perechea de ecuaii recursive pentru erorile de predicie
nainte i napoi, de forma
1 1
1 1
[ ] [ ] [ 1]
[ ] [ 1] [ ]
m m m m
m m m m
f n f n K g n
g n g n K f n


= +
= +
(5.139)
nlocuind (5.139) n (5.137) i minimiznd n raport cu K
m
,
rezult
332
( ) ( )
1
2 2
1 1 1 1
[ ] [ 1] [ 1] [ ]
N
m m m m m m m
n m
f n K g n g n K f n


=

= + + + =

1
2 2 2
1 1 1 1
[ ] 2 [ ] [ 1] [ 1]
N
m m m m m m
n m
f n K f n g n K g n

=
= + + +

2
1 1 1 1
[ 1] 2 [ ] [ 1] [ ]
m m m m m m
g n K f n g n K f n

+ + + (5.140)
Condiia necesar de extrem este
( )
1
2 2
1 1 1 1

4 [ ] [ 1] 2 [ 1] [ ] 0
N
m
m m m m m
n m
m
f n g n K g n f n
K

= + + =

(5.141)
de unde rezult
( ) ( )
1
1 1
1
2 2
1 1
[ ] [ 1]

1, 2,...,
1
[ ] [ 1]
2
N
m m
n m
m N
m m
n m
f n g n
K m p
f n g n

=

= =

+

(5.142)
Numrtorul relaiei (5.142) este un estimat al coeficientului
de corelaie dintre erorile de predicie nainte i napoi. Se observ
c

1
m
K < , astfel nct modelul numai cu poli obinut din date este
stabil. De asemenea, se observ similitudinea dintre (5.142) cu
corespondentul K
m
statistic dat de (3.61). Numitorul relaiei (5.142)
este estimatul pe baza celor mai mici ptrate a erorilor nainte i
napoi
1
f
m
E

i
1
b
m
E

, aa c se poate scrie

1
1 1
1 1
[ ] [ 1]

1, 2,...,
1

2
N
m m
n m
m
f b
m m
f n g n
K m p
E E

=


= =

+

(5.143)
unde
1 1

f b
m m
E E

+ este un estimat al erorii ptratice globale
m
.
n concluzie, algoritmul Burg calculeaz coeficienii de
reflexie ai structurii lattice echivalente cu relaia (5.143), iar
parametrii modelului AR sunt obinui apoi cu ajutorul algoritmului
Levison -Durbin.
333
Din estimaii astfel obinui rezult estimatul spectrului de
putere

2
2
1

( )
1 [ ]
p BU
xx
p
j fk
p
k
E
P f
a k e

=
=
+

(5.144)
unde

p
E este valoarea ptratic medie a erorii globale de predicie
estimate pentru predictorul de ordin p.
Avantajele majore ale metodei Burg sunt:
1- are rezoluie bun n frecven;
2- determin un model AR stabil;
3- este eficient din punct de vedere al calculelor.
Dezavantaje:
Algoritmul prezint o scindare a liniilor sau componentelor
(vrfurilor) spectrale pentru raporturi semnal zgomot ridicate [39].
Aceasta nseamn c, dac spectrul semnalului x[n] are o singur
component spectral la o anumit frecven, n spectrul estimat cu
ajutorul metodei Burg pot aprea dou sau mai multe componente
apropiate n imediata vecintate a frecvenei respective. Aceast
situaie este ilustrat n figura 5.15. Pentru ordine mari, metoda
poate introduce vrfuri (componente) false, de nivel sczut, n
spectrul estimat la frecvene la care spectrul semnalulul este nul.
Mai mult, pentru semnale sinusoidale de durat mic, afectate de
zgomot, rezult o deplasare de frecven fa de frecvena adevrat,
funcie de faza semnalului sinusoidal [15] [72].
n literatura de specialitate se trateaz modificri ale metodei
Burg pentru surmontarea acestor dezavantaje, modificri care, n
esen, constau n introducerea unei ferestre de ponderare a erorilor
ptratice nainte i napoi. n felul acesta se optimizeaz eroarea
ptratic ponderat
334

1
2 2
[ ] [ ] [ ]
N
WB
m m m m
n m
w n f m g n

=

= +

(5.145)
nlocuind (5.139) n (5.145) i minimiznd n raport cu
coeficienii de reflexie, rezult, prin parcurgerea unei proceduri
similare celei folosite la optimizarea erorii neponderate

1
1 1 1
1
2 2
1 1 1
[ ] [ ] [ 1]

1
[ ] [ ] [ 1]
2
N
m m m
n m
m N
m m m
n m
w n f n g n
K
w n f n g n

=

=

+

(5.146)
Rezultate bune au fost obinute prin folosirea ferestrelor
Hamming i parabolic [61].
Un exemplu care ilustreaz performanele metodei Burg este
prezentat n paragraful 5.3.9.

5.3.5. Estimarea spectrului de putere a semnalelor
modelate AR folosind metoda covarianei modificate sau
a celor mai mici ptrate fr constrngeri

Dup cum s-a prezentat anterior, metoda Burg const n
folosirea unui algoritm lattice utiliznd metoda celor mai mici
ptrate cu constngerea pentru coeficienii predictorului de a
satisface ecuaiile Levison-Durbin.
Ca urmare a acestei constrngeri, creterea ordinului
modelului AR necesit numai o singur optimizare a parametrilor la
fiecare etap. Spre deosebire de aceast abordare, se poate folosi
algoritmul celor mai mici ptrate fr aceast costrngere.
Pentru a detalia, se construiete estimatul prediciei liniare
nainte i napoi i erorile corespunztoare ca n relaiile (5.135) si
(5.136).
Se minimizeaz suma ptratelor ambelor erori, adic
335
1
2 2
2 2
1
1 1
[ ] [ ]
[ ] [ ] [ ] [ ] [ ] [ ]
N
p p p
n p
p p N
p p
n p k k
f n g n
x n a k x n k x n p a k x n k p

= = =

= + =


+ + + +

(5.148)
ca n metoda Burg.
n (5.148) nu se mai impune ca parametrii AR s satisfac
relaiile Levison-Durbin. Minimizarea fr constrngeri a lui
p
n
raport cu coeficienii de predicie determin setul de ecuaii liniare
1
[ ] [ , ] [ , 0]
p
p xx xx
k
a k r l k r l
=
=

1, 2,..., l p = (5.149)
unde, prin definiie, secvena [ , ]
xx
r l k este
[ ]
1
[ , ] [ ] [ ] [ ] [ ]
N
xx
n p
r l k x n k x n l x n p l x n p k

=
= + + +

(5.150)
Eroarea rezultat utiliznd metoda celor mai mici ptrate (LS) este

1
[0, 0] [ ] [0, ]
p
LS
p xx p xx
k
r a k r k
=
= +

(5.151)
Estimatul spectrului de putere rezultat n urma folosirii
algoritmului LS fr costrngeri este

2
2
1
1 [ ]
LS
p LS
xx
p
j fk
p
k
P
a k e

=
=
+

(5.152)
Matricea de corelaie din (5.150) nu este Toeplitz, aa c
algoritmul Levison-Durbin nu poate fi aplicat, dar pot fi dezvoltai
ali algoritmi pentru eficientizarea calculelor, de complexitate O(p
2
).
Caracteristicile acestei metode sunt superioare metodei Burg,
n sensul c nu prezint aceeai senzitivitate la apariia scindrii
liniilor spectrale, a vrfurilor false i a deplasrii de frecven.
Aceast metod, n schimb, nu garanteaz c parametrii AR astfel
estimai determin un model AR stabil.
336
Un exemplu care ilustreaz aceast metod este prezentat n
paragraful 5.3.9.

5.3.6. Alegerea ordinului modelului AR

Ca regul general, dac se adopt un ordin prea mic pentru
modelul AR, se obine un spectru puternic netezit. Dac ordinul p
este prea mare, exist riscul introducerii de vrfuri false de nivel
sczut n spectru.
Un indicator de performan al modelului AR este valoarea
ptratic medie a erorii care, n general, este diferit pentru fiecare
din estimatorii prezentai. Valoarea ptratic medie a erorii
descrete cu creterea ordinului modelului. Se poate observa viteza
de descretere i apoi s se decid ncetarea creterii ordinului, cnd
eroarea devine mic. Aceasta abordare este, de obicei, imprecis i
necontrolabil.
Dou din cele mai bune criterii pentru selectarea ordinului
modelului au fost propuse de Akaike [34]:
1-Criteriul erorii de predicie finale FPE (Final Prediction
Error) n care ordinul este selectat astfel nct s se minimizeze
indicele de performan
2
1
( )
1
wp
N p
FPE p
N p

+ +
=



(5.153)
unde
2

wp
este dispersia estimat a erorii de predicie liniar.
2-Criteriul informaiei Akaike AIC(p),(Akaike Information
Criterion) se bazeaz pe alegerea ordinului care minimizeaz
cantitatea
2
( ) ln 2 /
wp
AIC p p N = + (5.154)
337
Cu creterea ordinului, descrete
2
ln
wp
, n timp ce termenul
2p/N crete.
3- O form alternativ pentru criteriul AIC este criteriul care
minimizeaz lungimea de descriere (MDL) (Minimize Description
Length)

2
( ) ln ln
wp
MDL p N p N = + (5.155)
4- Criteriul de transfer autoregresiv (CAT) (Criterion
Aotoregresive Transfer)

2 2
1
1
( )

p
k
wk wp
N k N p
CAT p
N N N
=

=

(5.156)
Ordinul p se alege s minimizeze cantitatea CAT(p).
Exemple privind alegerea ordinului i influena ordinului
asupra estimatului spectrului de putere sunt prezentate n paragraful
5.3.9.
Trebuie precizat faptul c pentru aplicarea criteriilor
prezentate, din date trebuie nlturat valoarea medie. n general,
ordinul modelului depinde de criteriul folosit. Criteriul de selecie al
ordinului nu conduce totdeauna la rezultate definitive. n absena
oricrei informaii asupra procesului care are ca rezultat datele
observate, trebuie ncercate diferite ordine pentru model i diferite
criterii, care, ns, pot conduce la rezultate diferite.

5.3.7. Estimarea spectrului de putere pe baza modelului
cu medie alunectoare (MA)

n modelul MA(q), pentru datele observate, legtura dintre
secvena de autocorelaie
xx
[m] i parametrii MA ai modelului este
dat de sistemul de ecuaii
338

2
0
*
0
( ) 0
[ ] 0
q
w k k m
k
xx
xx
b b m q
m m q
m m

+
=

= >

<

(5.157)
obinut din (5.125), prin impunerea a
k
= 0, pentru k = 1,2,,p i
nlocuirea h[k] cu {b
k
}.
Pentru modelul considerat, din (5.124) rezult
2 1 2 1
( ) ( ) ( ) ( ) ( )
xx w w
z H z H z B z B z

= = (5.158)
innd cont c

1
( ) ( ) ( )
q
m
m
m q
B z B z D z d z

=
= =

(5.159)
unde coeficienii {d
m
} sunt legai de parametrii MA prin relaia
0
,
q m
m k k m
k
d b b m q

+
=
=

(5.160)
rezult atunci

2
[ ]
0
w m
xx
d m q
m
m q

=

>

(5.161)
Spectrul de putere pentru procesul MA(q) este

2 2 2
( ) [ ]
q q
MA j fm j fm
xx xx w m
m q m q
f m e d e



= =
= =

(5.162)
Se observ c nu este necesar a determina parametrii MA
pentru a estima spectrul de putere, ci sunt suficieni estimaii
secvenei de autocorelaie
xx
[m] pentru m q , adic

2
( ) [ ]
q
MA j fm
xx xx
m q
P f r m e

=
=

, (5.163)
exact ca estimatul spectrului de putere neparametric.
339
Deoarece [ ] 0
xx
m = pentru m q > , spectrul are aceeai
form ca i periodograma estimat. Ordinul procesului MA se
determin, de obicei, empiric. De exemplu, criteriul AIC pentru
modelul MA are aceeai form ca pentru modelul AR

2
( ) ln 2 /
wq
AIC q q N = + (5.164)
unde
2

wq
este un estimat al dispersiei zgomotului alb.
Un alt mod de a verifica modelul este de a filtra datele prin
inversul modelului MA(q) i de a testa dac ieirea se apropie de
zgomotul alb. De asemenea, se poate urmri dac valoarea
estimailor nedeplasai ai secvenei de autocorelaie sunt apropiai
de zero pentru deplasri mari. Dac nu se ntmpl astfel, modelul
MA va avea rezultate slabe referitor la rezoluia n frecven i va fi
abandonat n favoarea modelului AR sau ARMA.

12.3.8. Estimarea spectrului de putere pentru semnale
modelate ARMA

Algoritmul Burg i variantele sale, precum i metoda celor
mai mici ptrate descrise anterior, furnizeaz estimai ai spectrului
de putere robuti, de rezoluie ridicat, pe baza modelului AR.
Modelul ARMA ofer posibilitatea mbuntirii estimatului
spectrului AR, prin folosirea a mai puini parametri pentru sistem.
Modelul ARMA este potrivit n special cnd datele sunt afectate de
zgomot, deoarece n acest caz semnalul rezultant conduce la un
proces ARMA. ntr-adevr, se presupune c datele x[n] sunt
generate de un sistem AR, a crui ieire este afectat de zgomot alb,
aditiv.
Transformata Z a funciei de autocorelaie a semnalului
rezultat poate fi exprimat ca
340
2 2 2 1
2
1 1
( ) ( )
( )
( ) ( ) ( ) ( )
w w n
xx n
A z A z
z
A z A z A z A z

+
= + = (5.165)
unde
2
n
este dispersia zgomotului aditiv. Procesul x[n] este
ARMA(p,p), unde p este ordinul procesului.
Dup cum s-a artat, parametrii modelului ARMA sunt legai
de secvena de autocorelaie prin relaia
1
2
1 0
*
[ ] ( )
[ ] [ ] [ ] 0 ( )
[ ] 0 ( )
p
k xx
k
p q m
xx k xx w k m
k k
xx
a m k m q a
m a m k h k b m q b
m m c

+
= =

>

= +

<

(5.166)
Pentru deplasri m q > , ecuaia implic numai parametrii
{a
k
}. Cu estimaii funciei de autocorelaie nlocuii n locul lui

xx
[m], se pot rezolva cele p ecuaii din (5.166a) pentru a afla { }
k
a .
Pentru modele de ordin superior, este posibil ca aceast
abordare s conduc la estimai modeti pentru parametrii AR,
motiv pentru care aceasta nu este recomandat.
O metod mult mai demn de ncredere este de a construi un
sistem de ecuaii liniare cu mai multe ecuaii dect necunoscute
pentru m > q i a folosi metoda celor mai mici ptrate n
optimizarea coeficienilor modelului.
Pentru a detalia, se presupune c secvena de autocorelaie
poate fi estimat fidel pn la deplasarea M, unde M>p+q. n acest
caz, se poate scrie

1
[ ] [ ]
p
xx k xx
k
r m a r m k
=
=

,
1, 2,..., m q q M N = + + < , M>p+q (5.167)
341
Parametrii {a
k
} se selecteaz astfel nct s minimizeze
eroarea ptratic

2
2
1 1 1
[ ] [ ] [ ]
p M M
xx k xx
m q m q k
e n r m a r m k
= + = + =
= = +

(5.168)
Minimizarea lui conduce la setul de ecuaii liniare pentru
parametrii {a
k
}
1
2
[ ] [ 1] ... [ 1] [ 1]
[ 1] [ ] ... [ 2] [ 2]
.
... .............. ............. ... ..................... ........
[ 1] [ 2] ... [ ] [ ]
xx xx xx xx
xx xx xx xx
p xx xx xx xx
a r q r q r q p r q
a r q r q r q p r q
a r M r M r M p r M
+ +

+ + +

=

(5.169)
Aceast relaie poate fi scris matriceal n forma
[ ][ ] [ ]
xx xx
R a r = (5.169)
unde

[ ] [ 1] ... [ 1]
[ 1] [ ] ... [ 2]
[ ]
.............. ............. ... .....................
[ 1] [ 2] ... [ ]
xx xx xx
xx xx xx
xx
xx xx xx
r q r q r q p
r q r q r q p
R
r M r M r M p
+


+ +

=






1
2
[ 1]
[ 2]
[ ] , [ ]
... ........
[ ]
xx
xx
xx
p xx
a r q
a r q
a r
a r M
+

+

= =




Deoarece [ ]
xx
R este o matrice de dimensiune (M-q) x p i (M-q) >p,
vectorul coeficienilor estimai se obine cu relaia
1
[ ] ([ ][ ]) [ ][ ]
t t
xx xx xx xx
a R R R r

= (5.170)
Procedura se numete metoda Yule-Walker modificat a
celor mai mici ptrate.
342
Secvenei de autocorelaie i se poate aplica o fereastr de
ponderare, pentru a scdea ponderea estimailor mai puin demni de
ncredere pentru deplasri mari. Odat estimai parametrii prii AR
ai modelului, se poate construi sistemul a crui funcie de sistem
este
1

( ) 1
p
k
k
k
A z a z

=
= +

(5.171)
Secvena x[n] poate fi apoi filtrat prin filtrul de tip FIR, cu funcia
de sistem

( ) A z , obinndu-se secvena

1
[ ] [ ] [ ]
p
k
k
v n x n a x n k
=
= +

, 0,1, 2,..., 1 n N = (5.172)

Cascada dintre modelul ARMA(p,q) i modelul

( ) A z este
aproximativ procesul MA(q) generat de modelul B(z). Astfel se
poate folosi estimatul MA pentru a obine spectrul MA. n
particular, secvena filtrat v[n] pentru 1 p n N este folosit
pentru a forma secvena de corelaie estimat r
vv
[m], din care se
obine spectrul MA

2
( ) [ ]
q
MA j fm
vv vv
m q
P f r m e

=
=

(5.173)
Se observ c parametrii {b
k
} nu sunt necesari n
determinarea spectrului de putere i c r
vv
[m] este un estimat al
autocorelaiei pentru modelul MA din (5.157).
n formarea estimatului r
vv
[m] se poate folosi ponderarea cu o
fereastr Bartlett, pentru dezaccentuarea estimailor corelaiei pentru
deplasri mari.
n final rezult

2
2
1
( )

( )
1
MA
ARMA
vv
xx
p
j fk
k
k
P f
P f
a e

=
=
+

(5.174)
343
Problema seleciei ordinului modelului ARMA(p,q) se
rezolv prin minimizarea indicelui AIC [62].
2
2( )
( , ) ln
wpq
p q
AIC p q
N

+
= + (5.175)
unde
2

wpq
este un estimat al dispersiei erorii zgomotului alb aplicat
la intrarea modelului. Un test suplimentar asupra adecvrii unui
model particular ARMA(p,q) este de a filtra datele prin model i de
a testa dac la ieire se furnizeaz o secven de zgomot alb.
Aceasta ar putea necesita ca parametrii modelului MA, s fie
calculai din secvena de autocorelaie estimat, folosind
factorizarea spectral pentru a determina B(z) din
1
( ) ( ) ( ) D z B z B z

= .

5.3.9. Rezultate experimentale

n acest paragraf sunt prezentate cteva rezultate
experimentale privind performanele estimailor AR i ARMA ai
spectrelor de putere, folosind date generale artificial. Scopul acestor
simulri const n compararea metodelor de estimare spectral, din
punct de vedere al rezoluiei de frecven, deplasrii i robusteii n
prezena zgomotului aditiv. n aceste experimente, datele sunt
compuse din una sau dou sinosoide i zgomot aditiv. Cele dou
sinusoide sunt distanate n frecven cu f . n acest caz, procesul
real este de tip ARMA(4,4). n experimente se folosete un model
AR(p). Pentru raporturi semnal/zgomot mari, este de ateptat ca
modelul AR(4) s fie adecvat. Pentru raporturi semnal/zgomot
sczute este necesar un model AR de ordin mai mare pentru a
aproxima procesul ARMA (4,4). Rezultatele experimentale sunt n
concordan cu aceste aspecte. Raportul semnal/zgomot se definete
344
ca
2 2
10
10log / 2 SNR A = , unde
2
este dispersia zgomotului
aditiv, considerat alb, iar A, amplitudinea sinusoidei.
Frecvena sinusoidelor componente ale semnalului, nivelul
zgomotului, faza iniial i lungimea datelor sunt trecute pe fiecare
grafic.
n figura 5.8 sunt prezentai estimaii spectrului de putere
obinui prin metodele Yule-Walker, Burg i a celor mai mici ptrate
(LS), pentru o lungime a datelor de N=20, SNR=20dB i 0,13 f = .
Se observ c metoda Yule-Walker furnizeaz un estimat
puternic netezit, cu vrfuri mici. Dac distanarea n frecven
descrete la 0, 07 f = , metoda Yule-Walker nu mai poate decela
ntre cele dou vrfuri, situaie ilustrat n figura 5.9.
De asemenea, se observ o deplasare n cazul metodei Burg.
Prin creterea lungimii datelor, metoda Yule-Walker poate decide
prezena celor dou componente spectrale. Din compararea acestor
trei metode se remarc faptul c metodele Burg i a celor mai mici
ptrate sunt superioare pentru nregistrri de lungime mic.



Fig. 5.8. Comparaie ntre metodele AR de estimare spectral
345



Fig. 5.9. Comparaie ntre metodele AR de estimare spectral

Efectul zgomotului aditiv asupra estimailor este ilustrat n
figura 5.10 pentru metoda celor mai mici ptrate.



Fig. 5.10. Efectul zgomotului aditiv asupra estimatului prin metoda LS

346
Efectul ordinului filtrului asupra metodelor Burg i LS este
prezentat n figurile 5.11, respectiv 5.12. Ambele metode arat
vrfuri false cnd ordinul filtrului este crescut la p=12.



Fig. 5.11. Efectul ordinului filtrului asupra metodei Burg



Fig. 5.12. Efectul ordinului filtrului asupra metodei LS

347
Efectul fazei iniiale este ilustrat n figurile 5.13 i 5.14
pentru metoda Burg i, respectiv, metoda LS. Se observ c metoda
LS este mai puin senzitiv la faza iniial dect metoda Burg.



Fig. 5.13. Efectul fazei iniiale asupra metodei Burg



Fig. 5.14. Efectul fazei iniiale asupra metodei LS

348
n figura 5.15 este artat scindarea liniilor spectrale n cazul
metodei Burg, pentru p=12. Se observ c pentru un model de
ordinul 8, acest lucru nu se produce. Metoda LS nu prezint
scindarea liniilor spectrale pentru aceleai condiii folosite n
simularea precedent. Aceast scindare din cazul metodei Burg
dispare cu creterea lungimii datelor.



Fig. 5.15. Scindarea liniilor spectrale n metoda Burg

n figurile 5. 16 i 5. 17 sunt prezentate proprietile de
rezoluie ale metodelor Burg i LS pentru 0, 07 f = i 20 N = ,
pentru un SNR sczut (3dB). Deoarece procesul care conine
zgomot aditiv este ARMA, este necesat un model AR de ordin nalt
pentru o aproximare adecvat la SNR sczut. Se observ c
rezoluia de frecven se mbuntete cu creterea ordinului.
349


Fig. 5.16. Rezoluia de frecven n metoda Burg cu N=20



Fig. 5.17. Rezoluia de frecven n metoda LS cu N=20

n figura 5.18 se prezint eroarea de predicie final pentru
metoda Burg i un SNR =3dB. Pentru aceast valoare a raportului
350
semnal /zgomot, valoarea optim a ordinului modelului este p=12,
conform criteriului erorii de predicie finale (FPE).


Fig. 5.18. Eroarea de predicie final pentru estimatul Burg

n figura 5.19 este prezentat estimatul spectrului de putere
pentru dou sinusoide neafectate de zgomot, folosind un model
ARMA(10,10).

Fig. 5.19. Estimatul spectrului de putere pentru dou sinusoide neafectate de
zgomot, folosind modelul ARMA (10,10)
351
n figura 5.20 este prezentat estimatul spectrului de putere
pentru dou sinusoide afectate de zgomot, folosind un model
ARMA(10,10). Se observ calitatea bun a estimailor obinui prin
aceast metod. Condiiile n care au fost obinui aceti estimai
sunt prezentate n figur.

Fig. 5.20. Estimatul spectrului de putere pentru dou sinusoide n zgomot,
folosind modelul ARMA (10,10)

5.4. Probleme rezolvate

1. Fie procesul AR(3) generat de ecuaia cu diferene

14 9 1
[ ] [ 1] [ 2] [ 3] [ ]
24 24 24
x n x n x n x n w n = + +
unde w[n] este zgomot alb de dispersie
2
w

a) S se determine coeficienii predictorului liniar optim
pentru 3 p = .
b) S se determine funcia de autocorelaie [ ], 0 5.
xx
m m
c) S se determine coeficienii de reflexie corespunztori
predictorului liniar anterior.
352
Soluie
a)
1 2 3
1
( )
14 9 1
1
24 24 24
H z
z z z

=
+


1 2 3
3
14 9 1
( ) 1
24 24 24
A z z z z

= +
Coeficienii predictorului optim sunt:
3 3 3 3
14 9 1
[0] 1; [1] ; [2] ; [3]
24 24 24
a a a a = = = =
b) Particulariznd relaia (5.131) pentru datele problemei,
rezult sistemul

2
14 9 1
[0] [1] [2] [3]
24 24 24
14 15 1
[0] [1] [2] 0
24 24 24
9 13
[0] [1] [2] 0
24 24
1 9 14
[0] [1] [2] [3] 0
24 24 24
xx xx xx xx w
xx xx xx
xx xx xx
xx xx xx xx

+ =

+ + =

+ =

+ =

cu soluia:
2 2 2 2
[0] 1, 47 ; [1] 1, 29 ; [2] 1, 25 ; [3] 1,15 .
xx w xx w xx w xx w
= = = =
Pentru a determina valorile funciei de autocorelaie pentru
3 m > , se folosete relaia

3
1
[ ] [ ]
xx k xx
k
m a m k
=
=

de unde rezult
[4] 1, 091; [5] 0, 964.
xx xx
= =
c) Coeficienii de reflexie se determin cu relaia
[ ], 1
m m
K a m m p = , unde [ ]
m
a m se determin din polinoamele
353
corespunztoare structurii lattice cu m trepte.

1 2
( ) ( )
( ) , 3, 2,1.
1
m m m
m
m
A z K B z
A z m
K

= =

3 3
[3] 0, 042 K a = =

1 2 3
3
1 2 3
3
14 9 1
( ) 1
24 24 24
1 9 14
( )
24 24 24
A z z z z
B z z z z


= +
= +


1 2
2 2 2
1 2
2
327 202 202
( ) 1 [2] 0, 351
575 575 575
202 327
( )
575 575
A z z z K a
B z z z


= + = = =
= + +


1
1 1 1
( ) 1 0, 452 [1] 0, 452 A z z K a

= + = = .

2. Secvena de autocorelaie a unui proces aleator este

1, 0
0, 5, 1
[ ]
0, 625, 2
0, 6875, 3
xx
m
m
m
m
m

=

=

S se determine funciile de sistem ( )
m
A z pentru filtrele
erorii de predicie pentru 1, 2, 3 m = , coeficienii de reflexie
m
K i
erorile ptratice medii de predicie corespunztoare.
Soluie
Particulariznd relaiile (5.129) pentru datele problemei,
rezult
1
2
3
[0] [1] [2] [1]
[ 1] [0] [1] [2]
[ 2] [ 1] [0] [3]
xx xx xx xx
xx xx xx xx
xx xx xx xx
a
a
a





=




354

1
2
3
1 0, 5 0, 625 0, 5
0, 5 1 0, 5 0, 625
0, 625 0, 5 1 0, 6875
a
a
a


=




cu soluia

3 3 3
3 1
[1] 0; [2] ; [3]
8 2
a a a = = = .

2 3
3
3 1
( ) 1
8 2
A z z z

= + ,
3 3
1
[3]
2
K a = =
Funciile de sistem ale predictorului de ordin inferior se
determin recursiv din relaia

1 2
( ) ( )
( ) , 3, 2,1
1
m m m
m
m
A z K B z
A z m
K

= =

,
care conduce la soluiile

1 2
2
1 1
( ) 1
4 2
A z z z

= + ,
2 2
1
[2]
2
K a = =

1
1
1
( ) 1
2
A z z

= + ,
1 1
1
[1]
2
K a = =
Eroarea de predicie a predictorului cu m trepte se determin
cu relaia

2
1
(1 )
f f
m m m
E E K

= , cu
0
[0]
f
xx
E = .
Rezult atunci:

2
2
1 0 1
1 3
(1 ) [0] 1
2 4
f f
xx
E E K


= = =







2 2 2
2 1 2 1 2
2 2
(1 ) [0](1 )(1 )
1 1 9
1 1
2 2 16
f f
xx
E E K K K = = =


= =






355

2 2 2 2
3 2 3 1 2 3
2 2 2
(1 ) [0](1 )(1 )(1 )
1 1 1 27
1 1 1
2 2 2 64
f f
xx
E E K K K K = = =


= =







3. a) S se determine spectrele de putere pentru procesele
aleatoare generate de urmtoarele ecuaii cu diferene:
1) [ ] 0,81 [ 2] [ ] [ 1] x n x n w n w n = + +
2) [ ] [ ] [ 2] x n w n w n =
3) [ ] 0,81 [ 2] [ ] x n x n w n = +
b) pentru procesele (2) i (3), s se determine funciile de
autocorelaie.
Soluie
a1.
1
2
1
( )
1 0,81
z
H z
z

=
+

( )( )
( )( )
1
2 1 2
2 2
1
2
2 2
1 1
( ) ( ) ( )
1 0,81 1 0,81
2 ( )
1, 6561 0,81( )
xx w w
w
z z
z H z H z
z z
z z
z z

= = =
+ +
+
=
+ +

Evalund ( )
xx
z pe cercul unitate, se obine
2
2(1 cos 2 )
( )
1, 6561 1, 62 cos 4
xx w
f
f
f

=
+

a2.
2
( ) 1 H z z

=
2 1 2 2 2 2 2 2
( ) ( ) ( ) (1 )(1 ) (2 )
xx w w w
z H z H z z z z z

= = =
Evalund ( )
xx
z pe cercul unitate, se obine
2
( ) (2 2cos 4 )
xx w
f f =
356
a3.
2
1
( )
1 0,81
H z
z

=
+

( )( )
2 1 2
2 2
2
2 2
1
( ) ( ) ( )
1 0,81 1 0,81
1
1, 6561 0,81( )
xx w w
w
z H z H z
z z
z z

= = =
+ +
=
+ +

Evalund ( )
xx
z pe cercul unitate, se obine
2
1
( )
1, 6561 1, 62 cos 4
xx w
f
f

=
+

b2.

( )
1 1 2 2 2
2
[ ] { ( )} { (2 )}
[ 2] 2 [ ] [ 2]
xx xx w
w
m Z z Z z z
n n n



= = =
= + +


b3.

( )( )
( )( )( )( )
1 1 2
2 2
2 1
1 1
2 | |
1
[ ] { ( )}
1 0,81 1 0,81
1
1 0, 9 1 0, 9 1 0, 9 1 0, 9
2, 9 (0, 9) cos
2
xx xx w
w
n
w
m Z z Z
z z
Z
j z j z j z j z
n

= = =

+ +




=

+ +


=


4. S se arate c un filtru trece tot, cu funcia de sistem
*
1
1
( ) , | | 1
N
i
i
i i
zz
H z z
z z
=

= <

, are proprietatea c
| ( ) | 1, pentru | | 1
| ( ) | 1, pentru | | 1
| ( ) | 1, pentru | | 1
H z z
H z z
H z z
> <
< >
= =
(p4.1)
357
Soluie
Exprimnd z i
*
i
z n forma polar ,
j j
i i
z r e z r e

= = ,
pentru fiecare factor al produsului din enun se poate scrie

1/ 2
( ) * 2 2
2 2
1 1 1 2 cos( )
| ( ) |
2 cos( )
i
i
j
i i i i i
i j j
i i i i
zz rre r r rr
H z
z z re re r r rr

+
= = =

+


innd cont c 1
i
r < , rezult

| ( ) | 1, pentru | | 1
| ( ) | 1, pentru | | 1
| ( ) | 1, pentru | | 1
i
i
i
H z z
H z z
H z z
> <
< >
= =

Prin nmulirea factorilor ( )
i
H z , rezult relaia (p4.1).

5. S se arate c dac coeficienii de reflexie | | 1
m
K < pentru
toi m p , atunci
,
| | 1
p i
z < pentru toi i p , unde
, p i
z sunt
rdcinile polinomului
1
( ) 1 [ ]
p
k
p p
k
A z a k z

=
= +

.
Soluie
Se folosete metoda induciei. Pentru 1 p = , dac
1
| | 1 K < ,
polinomul
1 1
1 1 1
( ) 1 [1] 1 A z a z K z

= + = + are rdcina
1,1 1
z K = ,
deci, ntr-adevr,
1,1
| | 1 z < .
n continuare, se presupune c dac | | 1
m
K < pentru toi
1 m p ,
1,
| | 1
p j
z

< pentru toi 1 j p , unde
1, p j
z

sunt
rdcinile polinomului
1
1
1
( ) 1 [ ]
p
k
p p
k
A z a k z

=
= +

i se arat c
,
| | 1
p i
z < .
ntre polinoamele
1
( )
p
A z

i ( )
p
A z exist relaia recursiv
1
1 1
( ) ( ) ( )
p
p p p p
A z A z K z A z


= + (p5.1)
358
, p i
z este o rdcin a polinomului ( )
p
A z , astfel nct nlocuind
aceast rdcin n (p5.1), rezult
1
, 1 , , 1 ,
( ) ( ) ( ) 0
p
p p i p p i p p i p p i
A z A z K z A z


= + = (p5.2)
Expresia
1
1
1
1
( )
( )
( )
p
p
p
p
z A z
Q z
A z

= (p5.3)
este de tip trece tot. Din (p5.2) rezult c expresia
1
, 1 ,
1 ,
1 ,
( )
1
( )
( )
p
p i p p i
p p i
p p p i
z A z
Q z
K A z

= = (p5.4)
care caracterizeaz un sistem de tip trece tot. Deoarece | | 1
p
K < ,
rezult
1 ,
1
( ) 1
p p i
p
Q z
K

= > . innd cont de rezultatul din problema

4, rezult
,
| | 1
p i
z < .

6.Dac
,
| | 1
p i
z < pentru toi i p , atunci
| | 1
m
K < (p6.1)
pentru toi m p , unde
, p i
z sunt rdcinile polinomului
1
( ) 1 [ ]
p
k
p p
k
A z a k z

=
= +

, iar
m
K sunt coeficienii de reflexie
corespunztori polinomului ( )
p
A z .
Soluie
Produsul rdcinilor polinomului ( )
p
A z este egal cu [ ]
p
a p ,
adic
,1 ,2 ,
[ ] ...
p p p p p p
K a p z z z = = . Cum modulul tuturor polilor
este subunitar, rezult | | 1
p
K < , adic relaia (p6.1) este adevrat
pentru m p = .
359
Pentru a arta c relaia (p6.1) este adevrat pentru
1 m p = , este suficient a arta c
1,
| | 1
p j
z

< pentru 1 j p .
Pentru aceasta se formeaz funciile trece tot

1
( )
( )
( )
p
p
p
p
z A z
Q z
A z

=
De asemenea, se folosete relaia de recuren
1
1 2
( ) ( )
( )
1
p
p p p
p
p
A z K z A z
A z
K

(p6.2)
Deoarece
1 1,
( ) 0
p p j
A z

= , din (p6.2) rezult

2
1, 1,
( ) ( ) 0
p
p p j p p p j
A z K z A z

= , adic

1
1, 1,
1,
1,
( )
1
( ) 1
( ) | |
p
p j p p j
p p j
p p j p
z A z
Q z
A z K

= = > , deci
1,
| | 1
p j
z

< i

1 1 1,1 1,1 1, 1
| | | [ 1] | | ... | 1
p p p p p p
K a p z z z

= = < .
Continund n acelai mod, se decide c | | 1
m
K < pentru toi
m p .

7. Dac | | 1
m
K < pentru toi 1 m p i | | 1
p
K = , atunci
polinomul ( )
p
A z are toate rdcinile pe cercul unitate, adic
,
| | 1
p i
z = pentru toi i p .
Soluie
Din problema 6 rezult c
1,
| | 1
p j
z

< , deoarece | | 1
k
K <
pentru toi 1 m p .
Expresia

1
1
1
1
( )
( )
( )
p
p
p
p
z A z
Q z
A z

=
este de tip trece tot. Din (p5.2) rezult c expresia
360
1
, 1 ,
1 ,
1 ,
( )
1
( ) 1
( )
p
p i p p i
p p i
p p i p
z A z
Q z
A z K

= = = , ceea ce, conform relaiei

(p4.1), conduce la concluzia c
,
| | 1
p i
z = .

8. Dac | | 1
m
K < pentru toi 1 m p i | | 1
p
K > , atunci
polinomul ( )
p
A z are toate rdcinile n exteriorul cercului unitate,
adic
,
| | 1
p i
z > pentru toi i p .
Soluie
n acest caz
1
, 1 ,
1 ,
1 ,
( )
1
( ) 1
( )
p
p i p p i
p p i
p p i p
z A z
Q z
A z K

= = < , ceea ce, conform relaiei

(p4.1), conduce la concluzia c
,
| | 1
p i
z > .

9. Un proces aleator staionar AR(p) satisface ecuaiile

2
1
, 0
[ ] [ ] [ ]
0, 1
p
w
xx p xx
k
m
m a k m k
m p

=
=
+ =

unde [ ]
p
a k sunt coeficienii predictorului liniar de ordin p i
2
w

este eroarea ptratic medie minim de predicie. Dac matricea de
autocorelaie

1
[0] [1] [ ]
[1] [0] [ 1]
[ ] [ 1] [0]
xx xx xx
xx xx xx
p
xx xx xx
p
p
p p



+

este pozitiv definit, s se arat c pentru 1 m p , coeficienii de
reflexie satisfac relaia | | 1
m
K < .

361
Soluie
Relaia din enun poate fi scris matriceal sub forma

2
[0] [0] [1] [ ]
[1] [1] [0] [ 1] 0
[ ] [ ] [ 1] [0] 0
p xx xx xx w
p xx xx xx
p xx xx xx
a p
a p
a p p p

Din acest sistem de ecuaii, rezult
1
2
[0]
p
p
w
p
a

+

, unde
p

este deternminantul matricei

p
, iar
1 p+

, determinantul matricei
1 p+
.
Dar [0] 1
p
a = , fapt ce conduce la
1 2 p
p
w

. Cum matricea
de autocorelaie este pozitiv definit, ambii determinani din relaia
precedent sunt pozitivi, de unde rezult c
2
0
w
> . Folosind
recursiv relaia (3.83), rezult
2 2
1
(1 ) [0] 0
p
w m xx
m
K
=
= >

, unde
m
K
reprezint coeficienii lattice corespunztori predictorului liniar.
Relaia precedent implic | | 1
m
K < .