1. Bevezetés a waveletekhez (folytatás)
description
Transcript of 1. Bevezetés a waveletekhez (folytatás)
1. Bevezetés a waveletekhez (folytatás)
Speciálkurzus 2009 tavasz
2
Matematikai alapok (folytatás)
• Lineáris algebra, lineáris tér
• Függvényterek, ortogonalitás
• Fourier transzformáció, DFT, FFT
• Lineáris rendszerek, konvolúció
• Sztochasztikus jelek spektrálanalízise, PSD
3
Fourier transzformáció
A folytonos Fourier transzformáció (CFT)
ω a körfrekvencia, t az idő, az integrálás az f(t) jel ill. F(ω) transzformált teljes értelmezési tartományára vonatkozik
4
CFT, frekvencia változóAz ω helyett a ν frekvencia változóval szimmetrikus
egyenleteket kapunk:
ω = 2πν
5
Ablakfüggvény, CFTA Π(t) ablakfüggvény CFT-je a sinc(f) függvény (most f a
frekvencia):
ω = 2πf
6
CFT, tulajdonságoklinearitás:
eltolás (fázis változás):
7
Fourier transzformált nagysága és fázisa
nagyság és fázis:
F(ω) = nagyság{F(ω)} e-i fázis{F(ω)}
I(ω) = nagyság{F(ω)2}
Φ(ω) = fázis{F(ω)}
Φ(ω)
Re
Im
F(ω)
√I(ω
)
8
Konvolúció tétel
a konvolúció CFT-je a tényező függvények CFT-inek szorzata
9
Lineáris időinvariáns rendszerek
a rendszert jellemzi a g(t) impulzusválasz vagy a G(ω) frekvencia átviteli függvény.
bemeneti jel kimeneti jel
rendszer
10
Diszkrét Fourier transzformáció, DFT
Mintavételezés hatása a spektrumban (‘aliasing’, átlapolódás)
11
DFT, mintavételezési tétel
A mintavételezési frekvencia legalább kétszerese legyen a jelben előforduló legnagyobb frekvenciának (Nyquist frekvencia). Ekkor nincs átlapolódás:
12
Mintavételezett ablak, Dirichlet kernelA Π(t) ablakfüggvényt mintavételezzük – a transzformáltja a
sinc(f) függvény analógiája – a Dirichlet kernel (magfüggvény). A frekvencia folyamatos (0, 0.5) között
13
DFT, véges jelsorozat
A mintavételezett jelsorozat térben korlátozott kiterjedésű – ez egy levágó ablak alkalmazásának felel meg.
Eredmény: spektrális ‘szivárgás’, a spektrum elkenődése
14
DFT transzformált pár
N db. mintát veszünk a jelből mind az idő- mind a frekvencia tartományban. Ez a diszkrét Fourier transzformáció:
1,,1,0
1,,1,0
1
0
1
0
NneFf
NkefF
N
k
Tinkkn
N
n
Tinknk
Műveletigény:
N2 db. komplex szorzás, N(N – 1) db. komplex összeadás
15
FFT, 2D DFTMűveletigény: A diszkrét transzformáció műveletigénye csökkenthető
~N2 -ről, N log2N –re: ez a gyors Fourier transzformáció (FFT)
Két dimenzió esetén először az adattömb sorait, majd az eredmény oszlopait transzformáljuk: 2D FFT
16
Sztochasztikus folyamatok, idősorok, stacionaritás
Sztochasztikus folyamat – realizációk
E{xn} : realizációkra vett átlag
17
Stacionárius folyamatok, ergodicitás
Stacionárius folyamat: statisztikai jellemzők t-től nem függnek
pl. az átlag: xxE n
Tágabb értelemben stacionárius folyamat (WSS): statisztikai jellemzők csak az idő eltolástól (t – τ )
függnek
Ergodikus folyamat: a realizációkra vett átlagot helyettesíthetjük az idő szerinti átlagokkal
18
Fehérzaj (WN) A fehérzaj kifejezés nem ír le egyértelműen egy
sztochasztikus folyamatot!
19
Sztochasztikus folyamatok spektrálanalízise
• Penc, KGO permanens GPS állomás magassági koordináta adatsora (cm)
20
Fourier transzformált nem létezik Diszkrét idősor spektruma (–½, ½) intervallumra:
n
ifnnexfX 2)( –½ ≤ f ≤ ½
az alábbi módon állíthatjuk vissza:
2/1
2/1
2)( dfefXx ifnn
xn most sztochasztikus folyamat – a FT nem létezik!
21
... helyette van a PSD (teljesítmény spektrum) egy keskenysávú sáváteresztő szűrő
Sx(f) a jel PSD (teljesítmény sűrűség) spektruma
0f
)*var()(00 xdffS fx
2
2)(2
1lim)(
T
T
iftT
Tx dtetx
TEfS
egyébként
TtTtxtxT 0
)()(
22
PSD másik definíciója Sx(f ) az Rx(t) autokorreláció Fourier transzformáltja:
inverz transzformáltját véve:
dtetRtRFfS iftxxx
2)()()(
dfefStR iftxx
2)()(
2)var()()()0( xx xtxtxER
23
Fehérzaj PSD
a fehérzaj autokovariancia függvénye a Dirac-féle delta függvény (disztribúció) számszorosa, s2(t)
a PSD:
2222 )()()( sdtetsdtetRfS iftift
WW
a folytonos fehérzaj fizikai értelemben fikció – nincs végtelen energiájú sztochasztikus folyamat!
24
Szűrt folyamat PSD-je
a konvolúciós szűrés egyenlete szerint a szűrt y(t) jel:
)()()( txtgty ahol g(t) a szűrő impulzus átviteli függvénye (magfüggvénye)
Ha ismerjük Sx(f )-et, akkor számíthatjuk Sy(f )-t
)()()(2
fSfGfS xy
25
Idősor PSD-jediszkrét Fourier transzformációk határértéke
22
2
1lim)(
N
Nn
ifnn
Nx exE
NfS
Alternatív definíció az autokovariancia függvény segítségével:
N
Nn
ifnxx enRfS 2)()( –½ ≤ f ≤ ½
26
Spektrum (PSD) becslése adatok alapján
a sztochasztikus folyamatból nem végtelen, hanem csak N db. mintával rendelkezünk
• a valódi spektrum helyett egy olyan spektrumot kapunk, amely a valódi spektrum és a Dirichlet-féle magfüggvény konvolúciója – az egzakt dekonvolúció (kijavítás) lehetetlen
végső soron egy olyan függvényt akarunk meghatározni, amely több ismeretlentől függ mint ahány mérésünk van ez inverz feladat, rosszul kondicionált!
A megfelelő közelítést adó eljárás megtalálása jó hozzáértést és tapasztalatot kíván
27
Spektrum (PSD) periodogram becslése
torzítatlan, de inkonzisztens becslés
2
0
21)(ˆ
N
n
ifnnx ex
NfS
2)()](ˆvar[ fSfS xx
a becslés szórása Sx(f )2, azaz megegyezik magával a becsléssel!
28
Spektrum (PSD) periodogram becslése
29
Spektrum becslésének paraméteres és nemparaméteres módszerei
• Yule-Walker egyenletek
• Maximum Entropy Spectral Estimation (MESE)
• Welch módszer (szekció átlagolás)
• Multitaper módszer
30
Spektrum becslésének paraméteres és nemparaméteres módszerei
62 Hz-es szinuszhullám, amelynek amplitúdója –75 dB.
31
Spektrum becslésének paraméteres és nemparaméteres módszerei
Átlagolás nélküli és Welch-féle szekció átlagolással meghatározott spektrumok
32
Spektrum becslésének paraméteres és nemparaméteres módszerei
Welch-féle ablakfüggvénnyel meghatározott spektrum és adaptív DPSS multitaper spektrum