26

Programul de Masterat IISC – Curs PASD

3. Estimarea spectrului de putere

Spectrele de amplitudine au o larga utilizare teoretica si practica in analiza

semnalelor deterministe, la care comportarea in timp a procesului examinat poate fi
prevazuta apriori. In cazul semnalelor nedeterministe, stochastice, de durata
nelimitata in timp, este dificil de pus in evidenta si de interpretat spectrul de
amplitudine, deseori complex, motiv pentru care comportarea procesului in
domeniul frecventa este nesatisfacator descrisa de spectrul de amplitudine.
Semnalul purtator de informatie aduce cu sine o cantitate de energie,
repartizata in mod specific in domeniul temporal sau frecvential, dupa natura
semnalului. De aceea, spectrele de putere si de energie ofera o imagine mai
completa asupra caracteristicilor procesului, mai ales sub raport experimental.

Exista doua tipuri de metode pentru estimarea spectrului de putere al

semnalelor aleatoare: metode neparametrice si metode parametrice.
 Metodele neparametrice ofera avantajul folosirii pentru implementare a
algoritmilor TFR. In schimb, pentru secvente de lungime mica, rezolutia in
frecventa obtinuta cu aceste metode este redusa. De asemena, trebuie acordata o
atentie deosebita efectuarii calculelor pentru a obtine rezultate plauzibile.
 Metodele parametrice se bazeaza pe realizarea unui model al procesului
aleator, cu ajutorul caruia sunt estimati parametrii spectrali. Aceste metode ofera o
rezolutie mai buna, in conditiile unui efort de calcul mai mic. De asemenea, sunt
eliminate unele dintre inconvenientele metodelor neparametrice care apar in cazul
prelucrarii secventelor de durata redusa. In schimb, este necesara investigarea atenta
a semnalelor pentru creearea unui model suficient de precis al procesului. Cea mai
comuna abordare parametrica este aceea de a determina spectrul plecind de la
parametrii unui model autoregresiv al semnalului. In practica sunt folosite si
modelele cu medie alunecatoare (moving average) sau cele cu medie alunecatoare
 27
Programul de Masterat IISC – Curs PASD

autoregresiva (autoregressive moving average). Deoarece si aceste metode prezinta

unele dezavantaje, au fost propuse metode alternative (metodele secventiale,
metodele de estimare de verosimilitate maxima, etc.)

3.1. Metode neparametrice

Exista doua categorii de metode neparametrice (clasice) pentru estimarea

spectrului de putere: metode directe (care folosesc direct vectorul de date pentru a
calcula estimatorul), respectiv metode indirecte (care au la baza secventa de
autocorelatie). In cazul metodelor indirecte se calculeaza intii un estimator al
secventei de autocorelatie, care in etapa a doua este folosit pentru calculul
estimatorului spectrului de putere.

3.1.1. Periodograma ca estimator al spectrului de putere

Anterior au fost definiti doi estimatori pentru secventa de autocorelatie.
Deoarece s-a stabilit ca acestia sunt estimatori consistenti ar rezulta ca
transformatele lor Fourier asigura un bun estimator al densitatii spectrale de putere.
Acest lucru nu este adevarat intrucit se va arata ca transformata Fourier a unui
estimator consistent a secventei de autocorelatie nu este un estimator consistent a
spectrului de putere, deoarece dispersia estimatorului nu tinde catre zero atunci cind
lungimea secventei tinde catre infinit. Totusi se va demonstra ca, prin netezirea
transformatei Fourier a estimatorului secventei de autocorelatie, se obtine un
estimator suficient de bun al densitatii spectrale de putere.
In general, stabilirea unor expresii exacte pentru dispersia estimatorului
spectrului este dificila, motiv pentru care sunt propuse formule aproximative, care
sunt utile din punct de vedere practic.

3.1.1.1. Definitia periodogramei

 28
Programul de Masterat IISC – Curs PASD

Relatia (22) defineste densitatea spectrala de putere ca fiind transformata

Fourier a secventei de autocorelatie a procesului aleator. Pentru un proces aleator cu
valoarea medie nula secventa de autocorelatie este identica cu secventa de
autocovariatie. Pentru o secventa reala, de durata finita a unui proces aleator
stationar in sens larg, un estimator al densitatii spectrale de putere, Pxx ( ) , poate fi
considerat transforamata Fourier a estimatorului deplasat al secventei de
autocorelatie
N 1
I N ( )   rˆxx (k )e  jk (50)
k   ( N 1)

Deoarece transformata Fourier a unei secvente de durata finita, x(n), este

N 1
X (e j
)  x(n)e  jn
n0

se poate arata ca
N 1
1
 X (e  )
2
I N (e j )  j
(51)
N n 0

Estimatorul I N ( ) al densitatii spectrale de putere este denumit periodograma.

Sa evaluam eroarea dintre densitatea spectrala de putere definita de relatia
(22) si stimatorul propus, prin deplasarea si dispersia acestuia. Valoarea asteptata a
lui I N ( ) este
N -1
E[ I N ( )]   E[rˆxx (k )]e  jk (52)
k =-( N -1)

Deoarece pentru un proces aleator cu valoarea medie nula

Nk
E[rˆxx (k )]  rxx (k )
N
rezulta ca valoarea asteptata pentru estimatorul propus este
N 1 N  k 
E[ I N ( )]    N rxx (k )e  jk (53)
k   ( N 1)  
 29
Programul de Masterat IISC – Curs PASD

Datorita limitelor finite ale sumei si a factorului ( N  k ) / N , E[I N ( )] nu este

egal cu transformata Fourier a lui rxx (k ) , ceea ce arata ca periodograma este un
estimator deplasat al spectrului de putere, Pxx ( ) .
Daca se considera transformata Fourier a secventei de autocorelatie data de
relatia (49), rezulta
N 1
PN ( )   rˆxx' (k )e  jk (54)
k   ( N 1)

Valoarea asteptata a acestui estimator este

N 1 N 1
E[ PN ( )]   E[rˆxx' (k )]e  jk   rxx (k )e  jk (55)
k =-( N -1) k   ( N 1)

Se constata de asemenea ca, datorita limitelor finite ale sumei, estimatorul este
deplasat, chiar daca rˆxx' (k ) este un estimator nedeplasat al secventeei de
autocorelatie. Relatiile (53) si (55) pot fi interpretate ca fiind transformatele Fourier
ale secventelor de autocorelatie ferestruite. In cazul relatiei (53) a fost utilizata
fereastra triunghiulara
 Nk
 , k N
w B (k )   N (56)
0, in rest


Aceasta functie fereastra este denumita fereastra Bartlett. In relatia (55) a fost
utilizata functia fereastra dreptunghiulara
 1, k N

w R (k )   (57)
0, in rest

Relatiile (53) si (55) se transforma in relatii de convolutie in domeniul frecventa

1 j (  )
E[I N ( )] 
2  Pxx ( )WB (e ) d (58a)

 30
Programul de Masterat IISC – Curs PASD


1 j (  )
E[ PN ( )] 
2  Pxx ( )WR (e )d (58b)


unde transformatele Fourier ale functiilor fereastra sunt

2
j 1  sin(N / 2) 
WB (e )   (59a)
N  sin( / 2) 
sin[ (2 N  1) / 2]
WR ( e j )  (59b)
sin( / 2)

3.1.1.2. Dispersia periodogramei

Sa consideram ca x(n) este o secventa reala, cu medie nula, a unui proces
aleator gaussian. Periodograma I N ( ) poate fi scrisa si sub forma
N 1 N 1
1 1
  x(l ) x( p)e jp e  jl
2
I N ( )  X (e j )  (60)
N N l 0 p 0

Pentru evaluarea covariatiei lui I N ( ) la 2 frecvente, 1 si 2, se calculeaza întâi

expresia
1
E[ I N (1 ) I N ( 2 )] 
N 2  E[ x(k ) x(l ) x( p) x(n)]e j[ (k l )] ( p n)]
1 2
(61)
k l p n

Aceasta relatie este, in general, dificil de calculat si interpretat pentru ca nu este

posibil sa fie obtinut un rezultat simplu, chiar atunci cind x(n) este semnal de tip
zgomot alb. Aceasta pentru ca E[ x(n) x(n  k )]   x2 (k ) nu implica obtinerea unei
expresii simple pentru E[ x(k ) x(l ) x( p) x(n)] , pentru toate combinatiile lui k, l, p si n.
Totusi, in cazul proceselor gaussiene se poate arata ca
E[ x(k ) x(l ) x( p) x(n)]  E[ x(k ) x(l )]E[ x( p) x(n)]
+ E[ x(k ) x( p)]E[ x(l ) x(n)]
+ E[ x(k ) x(n)]E[ x(l ) x( p)] (62)
si in consecinta
 31
Programul de Masterat IISC – Curs PASD

  x4 , k  l si p  n sau


 k  p si l  n sau

E[ x(k ) x(l ) x( p) x(n)]   (63)
 k  n si l  p

0, in rest


Pentru alte procese, decit cele cu functie densitate de probabilitate gaussiana,
rezultatul poate sa nu fie la fel de simplu. Din relatiile (61) si (63) rezulta
 x4  N 1 N 1 N 1 N 1
j ( n  p )(1  2 ) 
E[ I N (1 ) I N ( 2 )]  N 
N2 
2
 e j ( p  n )(1  2 )
  e 
p 0 n 0 p 0 n 0 
sau
2 2
 x4  2 sin[( 1   2 ) N / 2   sin[( 1   2 ) N / 2  
E[ I N ( 1 ) I N ( 2 )]  2  N     
N  N sin[( 1   2 ) / 2 ]   N sin[( 1   2 ) / 2 ]  

(64)
Covariatia periodogramei devine
cov[I N ( 1 ), I N ( 2 )]  E[I N ( 1 )I N ( 2 )]  E[I N ( 1 )]E[I N ( 2 )]

(65)
Deoarece E[I N ( 1 )]  E[I N ( 2 )]   2x , din relatiile (64) si (65) rezulta

 sin[(   ) N / 2]  2  sin[(   ) N / 2  2 
4  
cov[ I N ( 1 ), I N ( 2 )]   x 
1 2
 
1 2
 
 N sin[( 1   2 ) / 2]  N sin[( 1   2 ) / 2] 
 
(66)
Dispersia estimatorului spectrului la o frecventa particulara    1   2 este

4
  sin(N ) 
2


var[I N ( )]  cov[I N ( ), I N ( )]   x 1     (67)
  N sin( )  
 
 32
Programul de Masterat IISC – Curs PASD

Este evident ca periodograma nu reprezinta un estimator consistent al spectrului de

putere pentru ca dispersia lui I N ( ) nu tinde catre zero cind N tinde catre infinit.
Din relatia (66) se observa ca, pentru frecventele  1  2k / N si  2  2l / N ,
unde k si l sunt intregi,

sin[ (k  l )] 
4 
2
 sin[ (k  l )] 
2


cov[I N ( 1 ), I N ( 2 )]   x     
 N sin[ (k  l ) / N ]  N sin[ (k  l ) / N ] 
 
(68)
care este egala cu zero pentru kl. Prin urmare, valorile periodogramei situate in
domeniul frecventa la distante multiplu intreg de 2/N sunt necorelate. Cu cit N
creste, aceste esantioane necorelate, avind covariatia zero, devin mai apropiate.
In fig. 5 este prezentata periodogrma simpla a secventei de date din fig. 4,
calculata pe baza estimatorului deplasat al functiei de autocorelatie (dat de relatia
(42)), precum si media acesteia.
 33
Programul de Masterat IISC – Curs PASD

Fig. 5

Este de asteptat deci ca un bun estimator al spectrului de putere tinde sa devina o

constanta cind N creste, deoarece s-a presupus ca semnalul este de tip zgomot alb.
O consecinta a faptului ca dispersia periodogramei tinde catre o constanta nenula si
ca distanta dintre esantioanele spectrului cu covariatie zero descreste cind N

creste, este ca, atunci cind lungimea inregistrarii semnalului creste, fluctuatiile in
periodograma se indesesc. Deoarece reducerea dispersiei se traduce printr-o crestere
a deplasarii este necesar sa fie realizat un compromis intre cei doi parametri.

3.1.1.3. Expresia generala a dispersiei estimatorului

Prezentarea anterioara s-a referit la estimarea spectrului semnalului de tip
zgomot alb. Daca semnalul nu este de tip zgomot alb, dar gaussian, analiza este si
mai dificila. Pentru evaluarea covariatiei dintre esantioanele spectrului este necesara
o abordare euristica si stabilirea unei expresii aproximative.
Pentru o astfel de abordare se pleaca de la presupunerea ca o secventa
aleatoare colorata poate fi obtinuta prin prelucrarea zgomotului alb cu un sistem
liniar. Densitatea spectrala de putere a zgomotului de iesire este produsul dintre
 34
Programul de Masterat IISC – Curs PASD

densitatea spectrala de putere a intrarii si amplitudinea patratica a raspunsului in

frecventa al sistemului. Fie o secventa de lungime N de zgomot colorat. Nu este in
totalitate adevarat ca secventa de zgomot colorat poate fi obtinuta printr-o operatie
de filtrare a unei secvente de zgomot alb cu un sistem liniar, datorita efectelor
tranzitorii care apar la capetele secventei. Totusi, daca lungimea inregistrarii este
mare comparativ cu durata raspunsului la impuls a filtrului, este plauzibil ca
secventa de zgomot colorat sa fie obtinuta pe aceasta cale.
Fie o secventa de zgomot colorat a unui proces gaussian cu densitatea
spectrala de putere Pxx ( ) . Fie x N (n) secventa de lungime N de zgomot colorat
obtinuta din prelucrarea secventei de zgomot alb de lungime N, y N (n) , cu dispersia
unitara. Se poate afirma ca secventa x N (n) este rezultatul prelucrarii secventei
y N (n) cu un sistem liniar a carui amplitudine patratica a raspunsului in

frecventa este Pxx ( ) . Daca se noteaza cu I N ( ) periodograma zgomotului colorat

si cu I Ny ( ) periodograma zgomotului alb, atunci

1 2 1 2
I N ( )  X N (e j ) I Ny ( )  YN (e j )
N N

si deci
2 2
X N (e j )  Pxx ( ) YN (e j )

ceea ce conduce la
I N ( )  Pxx ( )I Ny ( )
Folosind relatia (66) covariatia periodogramei la diferite frecvente poate fi
aproximata de
cov[ I N ( 1 ), I N ( 2 )] 

 sin[(   ) N / 2]  2  sin[(   ) N / 2]  2 

Pxx ( 1 ) Pxx ( 2 )  1 2
 
1 2
 
 N sin[( 1   2 ) / 2]  N sin[( 1   2 ) / 2] 

(69)
 35
Programul de Masterat IISC – Curs PASD

Daca relatia (69) este evaluata la frecvente echidistante, de distanta 2/N,

covariatia dintre esantioanele in frecventa este zero. In plus, dispersia
periodogramei este

  sin(N )  
2

var[ I N ( )]  Pxx2 ( )1     (70)
  N sin   
 
ceea ce arata ca, pe masura ce N creste dispersia devine proportionala cu patratul
spectrului. Se constata de asemenea ca pentru frecvente departate de zero sau de
±π/2 dispersia estimatorului are o valoare aproximativ egala cu patratul marimii
estimate, care nu scade odata cu cresterea lui N. Prin urmare, deoarece
periodograma nu este un estimator consistent al spectrului de putere, este de asteptat
ca aceasta sa fluctueze din ce in ce mai rapid in jurul valorii adevarate a spectrului si
nu descresc ca amplitudine. Cu toate ca rezultatul a fost obtinut in ipoteza ca
semnalul are distributie gaussiana, el este cantitativ valabil pentru o gama mai larga
de distributii.
Deoarece analiza spectrala este efectuata pe baza unui segment de date de
lungime finita rezultatul poate fi interpretat ca fiind convolutia complexa a
spectrului real cu spectrul unei functii fereastra dreptunghiulare. Rezulta o rezolutie
finita spectrului determinat, deci o capacitate limitata de a evidentia doua
componente spectrale de frecvente diferite. Rezolutia este cu atit mai buna cu cit
latimea lobului principal al functiei fereastra este cu atit mai mica, ceea ce in cazul
ferestrei dreptunghiulare se obtine marind durata N si micsorind perioada de
esantionare T. Existenta unor lobi laterali ai functiei fereastra poate sa conduca la
mascarea unor componente spectrale de amplitudine mica datorita prezentei unor
componente spectrale de amplitudine mare (fenomenul de scurgere spectrala). De
aceea in locul ferestrei dreptunghiulare pot fi utilizate alte functii fereastra care
reduc aceste fenomene.

3.1.2. Variante ale metodei periodogramei

 36
Programul de Masterat IISC – Curs PASD

Daca semnalul investigat are durata mare, comparativ cu intervalul de timp in

care ea poate fi considerata ca avind momente statistice constante, atunci este
probabil ca spectrul sa fie estimat imprecis. Acesta este cazul semnalelor puternic
afectate de zgomot. Deoarece periodograma nu este un estimator consistent al
spectrului de putere este necesar sa fie efectuate modificari ale metodei pentru a
obtine un estimator imbunatatit.

3.1.2.1. Metode de mediere a periodogramei

O solutie pentru reducerea dispersiei estimatorului spectrului consta in
medierea unui numar de estimatori independenti. In felul acesta se obtine netezirea
spectrului prin eliminarea efectelor aleatoare.

a)- Estimatorul Bartlett

O metoda de mediere a fost propusa de Bartlett. Secventa de date x(n),
0  n  N  1, este impartita in K segmente disjuncte, adiacente,de lungime M,
astfel încât N = KM. Se formeaza segmentele de date

x (i ) (n)  x (n  iM  M ), 0  n  M  1, 1 i  K (71)

si se calculeaza K periodograme
M 1 2
1
(i )
IM ) 
(
M
x (i )
(n)e  jn
, 1 i  K (72)
n 0

Daca rxx (m) este mic pentru m > M, este posibil de presupus ca periodogramele
(i )
IM ( ) sunt independente unele fata de altele. In aceasta situatie poate fi definit un
alt estimator al spectrului de putere
1 K (i )
Bxx ( )   I M ( ) (73)
K i 1
Valoarea asteptata a estimatorului propus este
 37
Programul de Masterat IISC – Curs PASD

1 K
E[Bxx ( )]   E[I M
(i )
( )]  E[I M
(i )
( )] (74)
K i 1
Din relatiile (58a) si (59a) rezulta
 2
1  sin[(   ) M / 2]
E[Bxx ( )]   )]   Pxx ( ) sin[(   ) / 2]  d
(i )
E[I M ( (75)
2M 

Deci valoarea asteptata a estimatorului Bartlett al spectrului de putere este dat de

convolutia dintre spectrul adevarat, Pxx ( ) , si transformata Fourier a functiei
fereastra triunghiulare, corespunzind periodogramei unei secvente de M esantioane,
unde M = N/K. Prin urmare estimatorul propus este, de asemenea, deplasat. Daca se
presupune ca cele K periodograme mediate din relatia (73) sunt statistic
independente, atunci Bxx ( ) este media setului de K valori independente ale
periodogramei I M ( ) . Pe baza relatiilor (34) si (70) se poate scrie

1 1 2 
  sin(M )  
2

var[Bxx ( )]  var[I M ( )]  Pxx ( )1     (76)
K K   M sin   
 
Din relatia (76) reiese ca dispersia lui Bxx ( ) este invers proportionala cu numarul
de periodograme care sunt mediate si ca, atunci cind K devine foarte mare, dispersia
tinde catre zero, astfel ca estimatorul propus de Bartlett este un estimator consistent.
O comparatie intre relatiile (75), pentru E[Bxx ( )] , si (58a), pentru
E[I N ( )] , arata ca in ambele cazuri valoarea asteptata a estimatorului este data de
o relatie de convolutie intre spectrul adevarat si o “fereastra spectrala” de forma

1  sin(N  ) 
2
WB ( )   
N   sin  
unde N   N pentru periodograma si N   M  N / K pentru estimatorul Bartlett.
Deplasarea lui Bxx ( ) este mai mare decit cea a lui I N ( ) datorita cresterii
largimii lobului principal a functiei fereastra. Deplasarea poate fi deci interpretata
prin efectul asupra rezolutiei spectrului. Pentru o lungime fixa a secventei de date,
cu cit numarul periodogramelor creste, dispersia descreste, dar odata cu descresterea
 38
Programul de Masterat IISC – Curs PASD

lui M, rezolutia obtinuta descreste si ea. Prin urmare, in cazul estimatorului Bartlett
trebuie realizat un compromis intre deplasare sau rezolutia spectrala si dispersie.
Alegerea valorilor pentru N si M se face pe baza cunoasterii
anterioare a comportarii semnalului analizat. De exemplu, daca se stie ca semnalul
prezinta un virf foarte ingust care este necesar sa fie detectat, se alege o valoare
mare pentru M pentru a avea o rezolutie buna in frecventa.

b)- Estimatorul Welsh

Welsh a propus o metoda modificata de mediere a periodogramelor in care
segmentele, in care este impartita secventa, se suprapun partial, iar periodogramele
sunt calculate pe baza segmentelor de date ferestruite. Secventa de date este
împărțită in K = N/M segmente de M esantioane fiecare, definite ca in
relatia (71). Daca w(n) este functia fereastra aplicata direct asupra segmentului de
date, cele K periodograme modificate sunt definite astfel
M 1 2
1
(i )
JM ) 
(
MU
x (i )
(n)w(n)e  jn
, i  1,2,..., K (77)
n 0

unde factorul de normare U compenseaza pierderile de energie ale semnalului

datorita operatiei de ferestruire si este dat de relatia
M 1
1
U
M
 w 2 (n) (78)
n 0

Estimatorul Welsh al densitatii spectrale de putere este deci

1 K (i )
Bxxw ( )   J M ( )
M i 1
(79)

Se poate arata ca valoarea asteptata a estimatorului este


1 j (  )
 )]   Pxx ( )W (e )d
w
E[ B xx ( (80)
2 

unde
 39
Programul de Masterat IISC – Curs PASD

M 1 2
1
W (e j
)
MU
 w(n)e  jn
(81)
n 0

Daca N   si M   estimatorul Welsh converge catre valoarea adevarata a

densitatii spectrale de putere, Pxx ( ) . Astfel, pentru valori mari ale lui N si M,
estimatorul este nedeplasat. In aceleasi conditii dispersia estimatorului converge
catre zero, ceea ce inseamna ca estimatorul este consistent. Cind segmentele nu se
suprapun avem
1 2
var[Bxxw ( )]  Pxx ( ) (82)
K
ca in cazul estimatorului Bartlett, calculat in aceleasi conditii. Pentru o suprapunere
de 50 a segmentelor avem var[ Bxxw ()  (9 / 8K ) Pxx2 () , care este mai redusa decit in
cazul estimatorului Bartlett cu factorul 9/16 = 0,56. Deoarece segmentele de date se
suprapun, periodogramele nu mai sunt independente. Prin ferestruirea datelor
inainte de a calcula periodograma se obtine reducerea dispersiei si netezirea
spectrului, concomitent cu reducerea rezolutiei.

3.1.2.2. Metode de ponderare a periodogramei

S-a constatat ca dispersia estimatului Bartlett a periodogramei se reduce cu
pretul cresterii deplasarii si a scaderii rezolutiei in frecventa. In cazul metodei
Bartlett rezolutia spectrului scade datorita folosirii unor segmente de date de
lungime redusa. O alta solutie pentru a imbunatati calitatea estimatorului este de
efectua convolutia periodogramei cu o fereastra spectrala diferita de fereastra
dreptunghiulara. Daca S xx ( ) este periodograma ponderata, atunci

1 j (  )
S xx ( ) 
2  I N ( )W (e )d (83)

 40
Programul de Masterat IISC – Curs PASD

unde W (e j ) este spectrul ferestrei alese. Deoarece periodograma este transformata

Fourier a functiei de autocorelatie, rˆxx (m) , atunci S xx ( ) este transformata Fourier

a produsului dintre rˆxx (m) si transformata inversa a lui W (e j ) . Daca


1 j
w( m)   W (e )e jmd (84)
2 

este o fereastra temporala de lungime finita, 2M-1, atunci

M 1
S xx ( )   rˆxx (m)w(m)e  jm (85)
m   ( M 1)

Fereastra w(m) trebuie sa fie o secventa para astfel incit S xx ( ) sa fie reala si o
functie para, cind secventa de date x(n) este reala. In plus reamintim ca spectrul de
putere este o functie nenegativa in frecventa si deci putem pretinde ca si S xx ( ) sa
fie nenegativa. De retinut ca atit periodograma cit si estimatorul Bartlett sunt functii
de frecventa nenegative. Din relatia (83) este clar ca, o conditie necesara, dar nu
neaparat si suficienta, ca S xx ( ) sa fie nenegativa, este

W (e j )  0,    (86)

Aceasta este adevarat in cazul ferestrei Bartlett dar nu este adevarat in cazul altor
functii fereastra (Hamming, Hanning, etc.). Aceste ferestre asigura o rezolutie mai
buna in frecventa si lobi laterali mai mici ai spectrului insa produc estimatori
negativi ai spectrului.

3.1.2.3. Efectele ferestruirii asupra estimarii spectrului

Valoarea asteptata a estimatorului dat de relatia (83) este

1 j (  )
E[ S xx ( )] 
2  E[ I N ( )]W (e )d (87)


Deoarece, din relatia (58a)

 41
Programul de Masterat IISC – Curs PASD


1 j (  )
E[ I N ( )] 
2  Pxx ( )WB (e d


se constata ca E[ S xx ( )] este convolutia in domeniul frecventa a produsului dintre

WB (e j ) si W (e j ) cu Pxx ( ) . Deci E[ S xx ( )] este transformata Fourier a

secventei de autocorelatie, inmultita cu produsul dintre w B ( m) si w(m),

M 1
E[ S xx ( )]   rxx (m)wB (m)w(m)e  jm (88)
m   ( M 1)

unde
m
w B ( m)  1  , mN
N

Daca m este mic comparativ cu N, atunci W (e j ) va fi mai lata decit WB (e j ) si

deci relatia (87) poate fi aproximata cu

1 j (  )
E[ S xx ( )] 
2  Pxx ( )W (e )d (89)


Din relatiile (87) si (89) se vede ca, o crestere a latimii spectrului ferestrei produce o
netezire suplimentara a spectrului dat de estimator cu pretul reducerii rezolutiei in
frecventa a acestuia.
Pentru calculul dispersiei estimatorului densitatii spectrale de putere se
evalueaza covariatia periodogramei ponderate. Covariatia intre frecventele 1 si 2
este
cov[S xx ( 1 ), S xx ( 2 )]  E[{S xx ( 1 )  E[S xx ( 1 )]}{S xx ( 2 )  E[S xx ( 2 )]}] (90)

Pe baza relatiilor (83) si (87) se poate scrie

1
S xx ( )  E[S xx ( )]   (I N ( )  E[I N ( )])W (e j (  ) )d (91)
2

astfel ca
 42
Programul de Masterat IISC – Curs PASD

 
1 j ( 1  )
cov[ S xx ( 1 ), S xx ( 2 )]    W (e )W (e j ( 2  ) ) cov[ I N ( ), I N ( )]dd
4 2
 
(92)
Tinind seama de relatia (69) rezulta
 sin[(   ) N / 2]  2  sin[(   ) N / 2]  2 
cov[I N ( ), I N ( )]  Pxx ( ) Pxx ( )    
 N sin[(   ) / 2]  N sin[(   ) / 2] 

(93)
Daca se presupune ca termenii
2 2
 sin[(   ) N / 2]   sin[(   ) N / 2] 
  si  
 N sin[(   ) / 2]  N sin[(   ) / 2]

variaza mult mai lent decit Pxx ( ) si W (e j ) . deci sunt strins concentrate in jurul
valorilor  = - si  =  (pentru valori mari ale lui N), aproximind intii integrala
dupa valorile lui , rezulta

1 j (  2  )
cov[ S xx ( 1 ), S xx ( 2 )]   Pxx ( )W (e
2
)[W (e j ( 1  ) )  W (e j ( 1  ) )]d
2N 
(94)
De asemenea, daca se face ipoteza ca spectrul functiei fereastra este suficient de
ingust, astfel incit termenul W (e j ( 1  )W (e j ( 2  ) ) este neglijabil, relatia (94)
devine

1 j ( 1  )
cov[S xx ( 1 ), S xx ( 2 )]   Pxx ( )W (e
2
)W (e j ( 2  ) )d (95)
2N 

Aceasta relatie arata ca daca latimea spectrului functiei fereastra creste, astfel ca
W (e j ( 1  ) ) si W (e j ( 2  ) ) se suprapun mult, covariatia la diferite frecvente dintre
estimatori creste.
Pentru a calcula dispersia estimatorului S xx ( ) , se evalueaza covariatia
pentru  1   2  
 43
Programul de Masterat IISC – Curs PASD


1
var[S xx ( )]   Pxx ( )W
2
(e j (  ) )d (96)
2N 

Sa presupunem ca spectrul ferestrei W (e j ) este ingust in raport cu variatiile lui

Pxx ( ) ; deci ca se poate alege lungimea secventei fereastra w(m) suficient de mare
pentru a obtine rezolutia dorita in frecventa. Atunci relatia (96) poate fi aproximata
de

1 1
var[ S xx ( )]  Pxx2 ( ) W
2
(e j )d (97)
N 2 

Aplicând relatia lui Parceval, daca w(m) = w(-m),

 M 1`
1
2 W
2 j
(e )d   w 2 (m) (98)
 m ( M 1)

se poate obtine o relatie convenabila pentru dispersia estimatorului

1 M 1  2
var[ S xx ( )]  
N
 w 2
( m) Pxx ( )

(99)
m ( M 1)

Relatiiile (89) si (99) sunt valabile in ipoteza ca lungimea ferestrei w(m) , 2M-1,
aplicata estimatorului functiei de autocorelatie, rˆxx (m) , este astfel incit spectrul sau,

W (e j ) , este ingust fata de variatiile spectrului Pxx ( ) , si in acelasi timp, este larg

in raport cu [sin(N / 2) / sin( / 2)] 2 . Aceste expresii pot fi comparate cu

expresiile coresunzatoare ale periodogramei pentru a observa imbunatatirile care
apar datorita folosirii ferestrei.
Din relatia (53) se constata ca periodograma este un estimator asimptotic
nedeplasat, deoarece
lim E[I N ( )]  Pxx ( )
N 

Daca lungimea inregistrarii creste, din relatia (89) se vede ca se poate mari si
latimea ferestrei, astfel incit spectrul ei, W (e j ) , sa fie ingust fata de variatiile lui
Pxx ( ) , ceea ce implica
 44
Programul de Masterat IISC – Curs PASD


1 j
lim E[S xx ( )]  Pxx ( )
M  2  W (e )d


Aceasta arata ca, pentru ca un estimat ponderat al spectrului de putere sa fie

asimptotic nedeplasat, este necesar ca

1 j
w(0) 
2  W (e )d  1


Din relatia (70) se constata ca dispersia periodogramei poate fi aproximata cu


 2 Pxx2 (0),  0


var[ I N ( )]   2 Pxx2 ( ),  

 P 2 ( ), in rest
 xx

Prin urmare, pentru 0     , dispersia periodogramei ponderate difera de
dispersia periodogramei I N ( ) prin factorul
M 1 
1 1
N
 w (m)  2N
2
W
2
(e j )d (100)
m ( M 1) 

Pentru calculul estimatorului trebuie aleasa valoarea lui M si forma ferestrei

astfel ca dispersia lui S xx ( ) sa fie mai mica decit cea a lui I N ( ) . Aceasta
inseamna ca factorul dat de relatia (100) trebuie sa fie subunitar.
Influentele functiei fereastra asupra spectrului real sunt reprezentate in fig.6.
 45
Programul de Masterat IISC – Curs PASD

Fig. 6
In aceasta figura sunt puse in evidenta doua efecte ale functiei fereastra:
– fenomenul de scurgere spectrala (leakage) care consta in deplasarea
componentelor spectrale, induse de lobii laterali ai functiei fereastra, in alte zone ale
spectrului unde pot obtura componentele de amplitudine mai redusa.
– efectul de grilaj (picket fence) care consta in distorsionarea componentelor
spectrale atunci cand punctele de esantionare a spectrului nu coincid cu cele in care
lobii laterali ai functiei fereastra au amplitudine maxima.
Efectul de grilaj poate fi atenuat prin supraesantionarea transformatei. In
practica aceasta se obtine prelungind secventa temporala cu esantioane zero. In fapt
aceasta operatie nu mareste rezolutia in frecventa a transformatei ci determina
esantionarea la intervale mici a lobului principal al spectrului ferestrei.
Scurgerea spectrala poate fi atenuata utilizind in locul ferestrei
dreptunghiulare alte tipuri de functii fereastra. Se aleg functii fereastra la care lobul
principal al transformatei este mai ingust decat cel al ferestrei dreptunghiulare.
Totusi reducerea latimii lobului principal al ferestrei se obtine in detrimentul
cresterii amplitudinii lobilor laterali. In consecinta functia fereastra trebuie sa
satisfaca urmatoarele calitati:
– sa aiba lobi laterali de amplitudine redusa;
– latimea lobului principal sa fie cat mai mica;
– sa fie eficienta din punct de vedere al volumului de calcul.
Cerintele de mai sus sunt contradictorii, ele impunind realizarea unui
compromis intre parametrii enumerati.
 46
Programul de Masterat IISC – Curs PASD

Cele mai folosite functii fereastra sunt urmatoarele:

 Fereastra dreptunghiulara
 1, n  ( N  1) / 2

w(n)  
0, in rest

 Fereastra Hamming
  2n 
0,54  0,46 cos N  , n  ( N  1) / 2
w(n)  
 0, in rest

 Fereastra Blackman
  2n   4n 
 0,42  0,5 cos N  1  0,08 cos N  1 , n  ( N  1) / 2
w(n)  
0, in rest

 Fereastra Kaiser
 I 0 ( {1   2 n / ( N  1) 2 }1 2 ) (*)
 , n  ( N  1) / 2
 I 0 ( )
w(n)  
 0, in rest


(*) I 0 ( ) este functia Bessel de speta intii si ordinul zero

Citiva parametri caracteristici ai functiilor fereastra sunt prezentati in tabelul

urmator:
Tabelul 3.1
==========================================================
Numele Latimea normata a Riplul in banda Atenuarea maxima in
ferestrei benzii de tranzitie (dB) de trecere (dB) banda de oprire (dB)
--------------------------------------------------------------------------------------------------------------------
Dreptunghiulara 0,9/N 0,4716 21

Hanning 3,1/N 0,0546 44

Hamming 3,3/N 0,0194 53

Blackman 5,5/N 0,0017 74

Kaiser (=6,76) 4,32/N 0,00275 70

==========================================================
 47
Programul de Masterat IISC – Curs PASD

Erorile care apar la estimarea spectrala folosind metodele prezentate apar, in

principal, datorita ipotezelor referitoare la proces in afara intervalului de observare,
corespunzator secventei de date prelucrata. In locul secventei reale, de lungime
infinita, se prelucreaza produsul acesteia cu o functie fereastra dreptunghiulara, ceea
ce echivaleaza cu faptul ca secventa este nula in afara intervalului de observare.
Operatia de multiplicare din domeniul timp este echivalenta cu operatia de
convolutie in domeniul frecventa. In domeniul frecventa, functia fereastra prezinta
un lob principal, in care este concentrata cea mai mare parte a energiei, precum si
lobi laterali cu amplitudinea descrescatoare. In cazul semnalelor la care puterea este
concentrata intr-o banda ingusta de frecvente, prezenta acestor lobi laterali
determina o scurgere de putere (spectral leakage) catre regiunile de frecventa
adiacente lobului principal al caracteristicii de frecventa, modificind forma
adevarata a spectrului. Fenomenul de scurgere a puterii are implicatii nedorite si
asupra procesului de detectare si de estimare a puterii unor componente sinusoidale.
Astfel, lobii laterali corespunzatori unei componente sinusoidale de putere mare pot
masca lobul principal al unei componente de putere mai mica. De asemenea,
rezolutia estimarii spectrale este influentata de latimea lobului principal al ferestrei.

Pentru a minimiza efectul de scurgere spectrala au fost propuse functii

fereastra diferite de cea dreptunghiulara, care urmaresc sa minimizeze amplitudinea
lobilor laterali ai transformatei. Aceasta conduce insa la cresterea latimii lobului
principal, el extinzindu-se peste lobii laterali adiacenti, determinind aparitia
fenomenului de suprapunere spectrala (aliasing). Deoarece procesul are loc pentru
fiecare componenta armonica, rezultatul global este o suprapunere a spectrului
semnalului. In consecinta, functia fereastra utilizata si parametrii acesteia trebuie
alesi cu grija pentru a obtine un compromis optim intre rezolutia in frecventa si
precizia statistica a estimatorului spectral.