Sunteți pe pagina 1din 9

Ministerul Educaiei al Republicii Moldova

Universitatea Tehnic a Moldovei


Facultatea Radioelectronica i Telecomunicaii
Catedra Sisteme Optoelectronice

Darea de seam
La lucrarea de laborator nr.9
Tema : METODE NUMERICE DE ANALIZ SPECTRAL A
SEMNALELOR ALEATOARE

Disciplina Teoria transmiterii informaiei

A efectuat st. gr. IMTC-101:

Griza Vitalie

A verificat lectorul superior:

Drguan N.

Chiinu 2012

Scopul lucrrii: Studierea metodelor principale de descriere a caracteristicilor


spectrale ale semnalelor aleatoare i a metodelor lor de calcul i vizualizare,
realizate n sistemul de modelare MATLAB.

Mersul lucrrii
S se efectueze evaluarea spectral a semnalului ce const din dou sinusoide cu
frecvene apropiate plus zgomot, utiliznd metoda periodogramelor pentru trei
lungimi diferite de nregistrare a semnalului i raport semnal/zgomot diferit.
a) a=19;
fs=a/2*100;
randn('state',0);fs;
t=(0:fs)./fs;%lungimea intervalului de scriere 1s
xn=2*sin(2*pi*160*t)+3*sin(2*pi*170*t)+0.1*randn(size(t));
periodogram(xn,[],'twosided',1024,fs)
Periodogram Power Spectral Density Estimate

10
0

Power/frequency (dB/Hz)

-10
-20
-30
-40
-50
-60
-70

100

200

300

400
500
600
Frequency (Hz)

700

800

900

a) S se micoreze lungimea succesiunii semnalului de 10 ori comparativ cu cazul


precedent, pentru care este necesar de a nlocui vectorul t din punctul a):
>> t=(0:fs/10)./fs;%lungimea intervalului de nregistrare 0.1s
Periodogram Power Spectral Density Estimate

0
-10
-20
Power/frequency (dB/Hz)

1.

-30
-40
-50
-60
-70
-80

100

200

300

400
500
600
Frequency (Hz)

700

800

900

a=19;
fs=a/2*100;
randn('state',0);fs;
t=(0:fs/15)./fs;%lungimea intervalului de ?nregistrare 0.1s

xn=2*sin(2*pi*160*t)+3*sin(2*pi*170*t)+0.1*randn(size(t));
periodogram(xn,[],'twosided',1024,fs);

b) S se efectueze acelai lucru micornd lungimea succesiunii de 15 ori.


>> t=(0:fs/15)./fs;
a=19;
fs=a/2*100;
randn('state',0);fs;
t=(0:fs/15)./fs;%lungimea intervalului de ?nregistrare 0.1s
xn=2*sin(2*pi*160*t)+3*sin(2*pi*170*t)+0.1*randn(size(t));
periodogram(xn,[],'twosided',1024,fs);

Periodogram Power Spectral Density Estimate

Power/frequency (dB/Hz)

-10

-20

-30

-40

-50

-60

100

200

300

400
500
600
Frequency (Hz)

700

800

900

Comparai rezultatul cu variantele a) i b) i facei concluzia cum se schimb


rezoluia spectral cu micorarea lungimii de nregistrare.
c) Utiliznd aceeai parametrii ai semnalului ca i n cazul b) efectuai calculul
periodogramei la mrirea nivelului de zgomot, schimbnd coeficientul 0.1 de la
componenta zgomotului cu 1.5:
a=19;
fs=a/2*100;
randn('state',0);fs;
t=(0:fs/15)./fs;%lungimea intervalului de ?nregistrare 0.1s
xn=2*sin(2*pi*160*t)+3*sin(2*pi*170*t)+1.5*randn(size(t));
periodogram(xn,[],'twosided',1024,fs);

Periodogram Power Spectral Density Estimate

Power/frequency (dB/Hz)

-10

-20

-30

-40

-50

-60

100

200

300

400
500
600
Frequency (Hz)

700

800

900

Facei concluziile despre influena raportului semnal/zgomot asupra


periodogramei.
S se analizeze evalurile spectrale ale semnalului puternic perturbat, ce conine
dou sinusoide cu frecvenele 140 i 150 Hz, obinute prin metoda
periodogramelor i metoda Welch:
a=19;
fs=a/2*100;
randn('state',1);fs;
A=a/4*100;
B=a/7*100;
R=a/100*3;
t=(0:0.3*fs)./fs;% 101 esantioane
xn=2*sin(2*pi*A*t)+8*sin(2*pi*B*t)+R*randn(size(t));
periodogram(xn,boxcar(length(xn)),1024,fs)
Periodogram Power Spectral Density Estimate

10
0
-10
Power/frequency (dB/Hz)

2.

-20
-30
-40
-50
-60
-70

50

100

150

200
250
300
Frequency (Hz)

350

400

450

Efectuai acum pentru acelai semnal evaluarea DSP dup metoda Welch,
utiliznd trei segmente cu 50% suprapunere.
>> pwelch(xn,boxcar(150),75,512,fs)

Welch Power Spectral Density Estimate

10

Power/frequency (dB/Hz)

-10

-20

-30

-40

-50

50

100

150

200
250
300
Frequency (Hz)

350

400

450

n periodograma obinut mai sus zgomotele i efectul de scurgere a


spectrului fac una din sinusoide practic indesluibil pe fonul maximelor parazite.
Spre deosebire de aceasta, cu toate c DSP obinut dup metoda Welch are
maximele mai largi, se poate clar de desluit dou sinusoide deasupra nivelului
zgomotelor.
ns dac vom ncerca suplimentar s micorm dispersia evalurii, rezoluia
spectral se va nruti ntr-att nct una din sinusoide se va pierde.
>> pwelch(xn,hamming(100),75,512,fs)
Welch Power Spectral Density Estimate

5
0

Power/frequency (dB/Hz)

-5
-10
-15
-20
-25
-30
-35
-40

3.

50

100

150

200
250
300
Frequency (Hz)

350

400

450

S se analizeze evalurile spectrale ale semnalului puternic perturbat, ce conine


dou sinusoide cu frecvenele 140 i 150 Hz, obinute prin metoda
periodogramelor i metoda Welch:
>> randn('state',1);fs=950;
>> t=(0:0.3*fs)./fs;% 101 esantioane
>> xn=2*sin(2*pi*150*t)+8*sin(2*pi*140*t)+
+5*randn(size(t));
>> periodogram(xn,boxcar(length(xn)),1024,fs)

Periodogram Power Spectral Density Estimate

20

Power/frequency (dB/Hz)

10

-10

-20

-30

-40

50

100

150

200
250
300
Frequency (Hz)

350

400

450

Efectuai acum pentru acelai semnal evaluarea DSP dup metoda Welch,
utiliznd trei segmente cu 50% suprapunere.
>> pwelch(xn,boxcar(150),75,512,fs)
Welch Power Spectral Density Estimate

10

Power/frequency (dB/Hz)

5
0
-5
-10
-15
-20
-25

50

100

150

200
250
300
Frequency (Hz)

350

400

450

n periodograma obinut mai sus zgomotele i efectul de scurgere a


spectrului fac una din sinusoide practic indesluibil pe fonul maximelor parazite.
Spre deosebire de aceasta, cu toate c DSP obinut dup metoda Welch are
maximele mai largi, se poate clar de desluit dou sinusoide deasupra nivelului
zgomotelor.
ns dac vom ncerca suplimentar s micorm dispersia evalurii, rezoluia
spectral se va nruti ntr-att nct una din sinusoide se va pierde.
>> pwelch(xn,hamming(100),75,512,fs)

Welch Power Spectral Density Estimate

Power/frequency (dB/Hz)

-5

-10

-15

-20

4.

50

100

150

200
250
300
Frequency (Hz)

350

400

450

S se compare evalurile spectrale ale semnalului vocal, scris n fiierul audio


mtlb, utiliznd metodele Welch i Yule-Walker.
>> load mtlb
>> [P1,f]=pwelch(mtlb,hamming(256),128,1024,fs);
>> [P2,f]=pyulear(mtlb,14,1024,fs);
>> plot(f,10*log10(P1),':',f,10*log10(P2));grid
>> ylabel('Evaluarea DSP(dB/Hz)');
>> xlabel('Frecventa(Hz)');
>> legend('Welch','Yule-Walker AR')

-10
Welch
Yule-Walker AR

Evaluarea DSP(dB/Hz)

-20

-30

-40

-50

-60

-70

5.

50

100

150

200
250
300
Frecventa(Hz)

350

400

450

500

Spectrul Yule-Walker, prezentat cu linie continu este mult mai neted ca


periodograma din cauza simplei utilizri a modelului AR.
S se compare spectrele semnalului puternic perturbat obinute prin metodele
Welch i Burg.
>> randn('state',0);fs;t=(0:fs)/fs;
>>xn=sin(2*pi*150*t)+2*sin(2*pi*140*t)+0.1*randn(size(t));
>> [P1,f]=pwelch(xn,hamming(256),128,1024,fs);
>> [P2,f]=pburg(xn,14,1024,fs);
>> plot(f,10*log10(P1),':',f,10*log10(P2));grid

>> ylabel('Evaluarea DSP(dB/Hz)');


>> xlabel('Frecventa(Hz)'); legend('Welch','Burg')
0
Welch
Burg

Evaluarea DSP(dB/Hz)

-10

-20

-30

-40

-50

-60

6.

50

100

150

200
250
300
Frecventa(Hz)

350

400

450

500

S se efectueze evaluarea DSP a semnalului ce conine dou sinusoide amestecate


cu zgomot, utiliznd metoda MUSIC. n acest caz dimensiunea subspaiului
semnalului este egal cu 4, deoarece fiecare sinusoid este o sum de dou
componente complexe.
>> randn('state',0); n=0:199;
>> x=cos(0.28*pi*n)+sin(0.21*pi*n)+0.02*randn(size(n));
>> pmusic(x,4)
Pseudospectrum Estimate via MUSIC

120
100

Power (dB)

80
60
40
20
0
-20

7.

0.1

0.2

0.3
0.4
0.5
0.6
0.7
0.8
Normalized Frequency ( rad/sample)

0.9

S se utilizeze metoda vectorilor proprii pentru aflarea sumei a trei sinusoide i


zgomot, utiliznd metoda modificat de covarian pentru evaluarea matricei de
corelaie.
>> randn('state',1); n=0:99;
>> s=exp(i*pi/3*n)+3*exp(i*pi/4*n)+
+exp(i*pi/5*n)+randn(1,100);
>> x=corrmtx(s,12,'mod'); peig(x,3,'whole')

Pseudospectrum Estimate via Eigenvector Method

80

60

Power (dB)

40

20

-20

-40

0.2

0.4

0.6
0.8
1
1.2
1.4
1.6
Normalized Frequency ( rad/sample)

1.8

Concluzie:Pe parcursul efecturii acestei lucrri de laborator am fcut cunotin


cu sistemul de modelare MATLAB,modelnd diferite semnale i ob innd
caracteristicile lor spectrale.Modelnd semnalul am observat c el i schimb
forma mrind coeficientul zgomotului.Astfel modificnd diferii coeficieni ai
funciei semnalului are loc modificarea semnalului.Aceaste metode sunt foarte
eficiente pentru analiza semnalelor deoarece semnalul poate fi analizat i
modificat. Aceasta posibilitate de prelucrare a semnalelor ne permite s studiem
diferite sisteme de prelucrare i de transmisie a informaiei.