Documente Academic
Documente Profesional
Documente Cultură
SEMNALE ALEATOARE
1 Noiunea de semnal aleator
Un semnal (proces) aleator este un semnal a crei evoluie n timp este supus hazardului.
Pentru a caracteriza proprietile statistice ale semnalelor aleatoare trebuie s introducem
noiunile de funcie de repartiie i densitate de probabilitate.
Fie N realizri ale unui semnal aleator (fig. 1). Presupunem c, printre acestea, sunt un
numr de n1 realizri care au la momentul t1 valori inferioare sau egale cu x1. Funcia repartiie
de ordinul nti se definete ca:
n1
N N
F1 x1 , t1 prob x t1 x1 lim
(1)
t1
t2
1 x1 , t1
F1 x1 , t1
x1
2 x1 , t1; x2 , t2
2 F2 x1 , t1; x2 , t2
x1x2
(5)
(6)
n x1 , t1;...xn , tn
n Fn x1, t1;...xn , tn
x1...xn
(7)
adic realizarea xn la tn este independent de realizrile anterioare. Deoarece fiecare realizare este
independent, rezult:
n
n x1 , t1; x2 , t2 ;...xn , tn 1 xi , ti ,
(8)
i 1
(9)
O bs er vaii :
Procesele aleatoare pure nu se ntlnesc niciodat n realitate. Semnalele aleatoare reale pot
fi considerate ca fiind procese Markov simple.
Parametrii unui proces aleator pur se calculeaz plecnd de la densitatea de probabilitate de
ordinul nti. Acetia sunt:
Valoarea medie (moment de ordinul nti)
(10)
x% t1 E x t1
x11 x1 , t1 dx1
x2 t1 E
x t x% t E x t x% t
2
Pentru dou procese aleatoare, x(t) i y(t), considerate ca fiind procese Markov simple,
putem defini funcia de intercorelaie:
(13)
1 x1 , t1 1 x1
(14)
2 x1 , t1; x2 , t2 2 x1, x2 , , t2 t1
(15)
x% x 1 x dx
2
x2 x 2 x%
Rxx x1 x2 2 x1 , x2 , dx1dx2
(18)
(19)
Rxy xy 2 x, y, dxdy
O bs er vaie :
Semnalele ale cror proprieti sunt complet descrise de momentele de ordinul unu i doi se
numesc staionare n sens larg, sau staionare pn la ordinul doi. Relaiile (14) i (15)
definesc procesele aleatoare staionare n sens strict. Procesele staionare n sens strict sunt i
staionare n sens larg.
3. Modalitatea de calcul a valorii medii
Dup acest criteriu de clasificare putem considera:
A. Procese aleatoare generale, pentru care valorile medii sunt determinate pe ntregul set
de date, utiliznd relaiile date mai sus.
B. Procese ergodice, atunci cnd valorile medii statistice sunt egale cu valorile medii
temporale.
n cazul proceselor ergodice sunt valabile relaiile:
1 T
x t d t
T 2T T
(20)
x% x 1 x dx x lim
(21)
2
x2 x 2 x%
x2 x
ergodice
staionare n
sens strict
staonare n
sens larg
stochastice
1 T
x t x t d t
t 2T T
(22)
Rxx
x t x t x t x t lim
(23)
Rxy
x t y t x t y t lim
1 T
T x t y t d t
t 2T
1 T
x t x t d t
T 2T T
Rxx lim
(25)
(26)
R xx
Observaie:
Dac x 0 , atunci Rxx() este numit funcie de autocovarian, sau funcie de covarian.
B. Caracteristica n domeniul frecven a unui semnal aleator este funcia de densitate
spectral a puterii, Sxx(), definit prin relaia:
(27)
2
1
XT ,
T 2T
S xx lim
unde XT() este transformata Fourier a semnalului xT(t). Acesta este o parte din procesul
aleator, vzut prin fereastra de timp [-T,T] (fig. 4).
xT t
x t
fereastr de timp
lim S xx 0 ,
O bs er vaie :
Pentru dou procese aleatoare, x(t) i y(t), se poate defini densitatea spectral mutual
(densitatea interspectral), prin relaia:
(29)
X T YT ,
T 2T
S xy lim
unde XT() i YT() sunt transformatele Fourier ale semnalelor xT(t) i yT(t). Densitatea
interspectral este o funcie complex.
Teorema Wiener Hincin
Aceast teorem stabilete legtura ntre caracteristica temporal, Rxx(), i caracteristica
frecvenial, Sxx(), a unui semnal aleator:
(30) S xx F Rxx
(31)
Rxx F1 S xx
jt
Rxx cos jsin d 2 Rxx cos d
(32) S xx Rxx e
(33) Rxx
1
1
j
S xx e d S xx cos d
2
0
S xx
R xx
a)
b)
Fie x(t) un semnal aleator pur. Funcia de corelaie are forma unui impuls delta (fig. 5, a)) i
densitatea spectral de putere este constant, deci ea conine componente pentru toate frecvenele
(fig. 5, b)). Acest semnal, care nu este ntlnit n natur (este de putere infit), se numete
zgomot alb.
Semnalele reale se numesc colorate i au forme diferite pentru funciile de corelaie i cea
de densitate spectral de putere (fig. 6 i 7). Ct timp un semnal are o funcie de corelaie
ngust, banda de densitate spectral a puterii este larg (fig. 6) i n acest caz semnalul este mai
apropiat de zgomotul alb. Dac funcia de corelaie este larg, banda spectral a semnalului este
ngust (fig. 7) i semnalul este mai apropiat de un semnal periodic (determinist).
R xx
S xx
F
R xx
S xx
S yy ( ) H ( j ) H ( j ) Suu ( ) H ( j ) Suu ( )
Dac dorim s generm un proces aleator cu o caracteristic spectral dat, fie aceasta
Syy(), atunci se aplic un zgomot alb avnd Szz()=S0 la intrarea unui sistem avnd
caracteristica de frecven (35). La ieirea sistemului se obine procesul aleator cu
caracteristica spectral impus. Sistemul se numete filtru de formare.
Predicia pe M pai : s se determine x(k+M-1) pe baza datelor x(k-N : k-1) v. fig. 2.a
Alt formulare : s se determine x(k) be baza datelor x(k-N-1 : k-M) v. fig. 2b.
Pr
Predicie
k-N
k-1
Fig. 1
Predicie
a)
k-N
k-1
k .
k+(M-1)
Predicie
b)
k-N-1
k-M
Fig. 2
Observaie :
Predicia este realizat strict pe baz de date. La un predictor recursiv se face, la pasul k-1,
predicia pentru momentul k+(M-1) (v. Fig. 2a). Apoi, se ateapt pn la momentul (k+(M-1))
pentru a afla valoarea adevrat x(k+(M-1)), care determin corecia parametrilor predictorului.
In consecin, nu este vorba de o succesiune de predicii pe un pas, care utilizeaz predicia
pasului anterior (predicie pe baza prediciilor).
1.
Clasificri
a.
b.
c.
2.
Noiuni teoretice
Un proces aleator ARMA este generat prin schema din fig. 3, unde :
B q 1
H q
A q 1
1
(1)
B q 1 b1q 1 b2 q 2 L am q m
A q 1 1 a1q 1 a2 q 2 L an q n
e(k)
H(q-1)
(2)
(3)
x(k)
Fig. 3
Acest sistem este numit filtru de formare. Ecuaia n diferene intrare-ieire a acestuia este :
x k a1x k 1 a2 x k 2 L an x k n b1e k 1 L bme k m
(4)
Pentru analiza n frecven a filtrului de formare, vom nlocui q-1 prin z-1, deci se utilizeaz
funcia de transfer n z :
H z
A z 1
B z 1
(5)
e(k)
+
x(k-1)
a.x(k-1)
z-1
a
Fig. 4
Densitatea spectral de putere a seriei de timp x(t) este :
x(k)=
a.x(k-1)+e(k)
S x e j H e j H e j e2
Iar funcia de autocorelaie este :
TF 1 S x a 0
e2
1 a 2 2a cos
0
e2
1 a2
(8)
(9)
Dac parametrul a este foarte apropiat de 1 (ex. a=a1), atunci 1 este apropiat de 0 ,
avnd semnificaia c x(k) este foarte corelat cu x(k-1). In acest caz, x(k) poate fi prezis cu
uurin. Din contr, dac a este mic, (ex. a=a2), 1 este mic, adic x(k) este slab corelat cu
x(k-1), i deci este greu de prezis. Dac a 0, atunci x(k) e(k) care este un zgomot alb
acesta fiind prin definiie nepredictibil.
()
S()
a1 a a
1
a2 a a
2
1 2
-4 -3 -2 -1
11
a)
b)
Fig. 5
3.
Se face ipoteza c modelul procesului aleator staionar care trebuie prezis este cunoscut sub
forma densitii spectrale de putere, S x , cu = Te .
In conformitate cu teorema factorizrii spectrale, avem
S x H e j H e j e2
(10)
sau
S x z
z e j
H z H z
z e j
e2
(11)
1
H p z z 1
(12)
H z
1. Predicia (vezi ecuaia. 12) implic inversarea unui sistem : filtrul de formare H(z).
2. Dac procesul este modelat printr-un model de tip ARMA, adic H z
, atunci
A z 1
B z 1
(13)
1 a1z 1 a2 z 2 L an z n
Prin inversarea acestui model se obine un predictor sub forma unui filtru FIR.
Deci, toate predictoarele pentru procese AR sunt filtre FIR (numite i filtre
transversale). Schema bloc a acestui predictor este dat n fig. 6.
x(k)
a1
z-1
..
a2
..
z-1
an
x (k)
x(k)
_
r(k)
Fig. 6
Dac cu adevrat x(k) este de tip AR, atunci r(k) este un zgomot alb, deci schema din
figura 6 realizeaz albirea lui x(t) (de fapt, inversarea operaiei de formare a lui x(k)
pornind de la un zgomot alb).
num=[1 zeros(1,m-1)];
den=[-p(imax,m:-1:1)];
sys1=tf(den,num,Te);
bode(sys1),hold on;
bode(sysd,'r');grid;hold off;
title('Caracteristica Bode a filtrului de formare (rosu) si a filtrului
predictor');
axis([0.01 5 -60 60]);
axis([0.01 5 -360 1000]);
% convergenta de adaptare
figure(4);
semilogy(0:N-n,tr(n:N)),grid;
title('Urma matricii Cxx');
% ddeviatia standard a erorii
ind=std(e(30:imax))
cory=xcorr(e,N);
figure(10);
stem(N-20:N+20,cory(N-20:N+20)/cory(N+1),'r');grid;