Problema estimării frecvenţelor unor semnale sinusoidale ... · Valori proprii, vectori proprii...
Transcript of Problema estimării frecvenţelor unor semnale sinusoidale ... · Valori proprii, vectori proprii...
Problema estimării frecvenţelor unor semnale
sinusoidale în prezenţa zgomotului
Modelul semnalului. Caracteristici spectrale şi
de corelaţie
Să considerăm cazul unor exponenţiale complexe în prezenţa unui zgomot alb,
necorelat cu semnalul, de valoare medie nulă şi dispersie σw2:
( ) ( ) ( ) ( )1 1
ii
P Pj j n
i
i ii
y n = + w n n + w ne eA xφ ω
= =
=∑ ∑
• Amplitudinile [ )∞∈ ,0iA şi frecvenţele unghiulare [ ]ππω ,−∈i se
presupun deterministe, dar necunoscute;
• fazele iϕ sunt variabile aleatoare necorelate, uniform distribuite în [ ]ππ ,− .
Modelul ARMA
( ) ii jnjii eeAnx
ωϕ=
( ) ( )1−= nxenx ij
iiω
sau introducând operatorul “întârziere cu un tact” 1−q , sau introducând operatorul “întârziere cu un tact” q ,
( ) ( ) ( ) ( ) 01 11 =−⇒= −− nxqenxqenx ij
ij
iii ωω
Pentru P=1
( ) ( ) ( )( ) ( ) ( )nwnxny
nwnxny
i
i
+=
−+−=− 111
Înmulţind prima ecuaţie cu ije
ω şi scăzând-o din a doua se elimină ( )nxi :
( ) ( ) ( ) ( )nwqenyqe ii jj 11 11 −− −=− ωω ( ) ( ) ( ) ( )nwqenyqe ii 11 −=−
În cazul general a P componente se obţine deci
( ) ( ) ( ) ( ) ( ) ( )∏=
−−==P
i
jqeqAnwqAnyqA i
1
11unde ω
Observații
-Este o formă particulară de model ARMA (model ARMA degenerat)
-Polinomul ( )qA poartă informaţia completă asupra frecvenţelor { }Pii 1=ω ,
deoarece rădăcinile sale sunt
Pieq iji ,,1⋯== ω
-Scriind
( ) 1, 00
== −
=∑ aqaqA iP
ii
rezultă
( ) ( )∑∑==
−=−P
ii
P
ii inwainya
00
Funcţia de autocorelaţie
Evaluăm mai întâi
( ) ( ) ( ){ } { }( ) { }lili
llii
jjnjli
njjl
njjili
eeeAA
eeAeeAnxnxliF
ϕϕωω
ωϕωϕ
−−
−−∗
=
===
E
EE,
Pentru li = ,
{ } 1E =− li jjee
ϕϕ { } 1E =ee
iar pentru li ≠
{ } { } { } 0d2
1d
2
1EEE =
== ∫∫
−
−
−
−− ϕπ
ϕπ
π
π
ϕπ
π
ϕϕϕϕϕ jjjjjjeeeeee lili
deci
( )
≠
==li
liAliF i
0
,,
2
La fel se deduce că
( ) ( ){ }
≠
==−∗
li
lieAknxnxE
ijki
li0
,2 ω
aşa încât rezultă
( ) ( ) ( ){ } ( ) ( ) ( ) ( ){ }P P = − = − + − =∑ ∑
( ) ( ) ( ){ } ( ) ( ) ( ) ( ){ }
( ) ( ){ } ( ) ( )i
1 1
2 2w w
1 1 1
E E
E +
l
l
P P
yy ii l
P P Pjk2
iii l i
k y n y n k x n x n k E w n w n kr
x n x n k k keAωδ δσ σ
∗ ∗ ∗
= =
∗
= = =
= − = − + − =
= − + =
∑ ∑
∑∑ ∑
Densitatea spectrală de putere
Se calculează ca transformată Fourier în timp discret a funcţiei de autocorelaţie.
( ) ( ){ } ( ) 2
1
22TFTD w
P
iiiyy
jyy AkreP σωωδπω +−== ∑
=
( )ωjyy eP
2π
222 Aπ
232 Aπ
2w
σ
π π−
1ω 2ω 3ω
212 Aπ
Vectorul de date
( ) ( ) ( ) ( )[ ]T'nynynyn 1,,1, +−−= ⋯y
Vectorii frecvenţă
( )[ ] PieeeT'jjj
iiii ,,1,,,,,1 12
⋯⋯ == −−−− ωωωe
Matricea de autocorelaţie R asociată vectorului de date este Matricea de autocorelaţie R asociată vectorului de date este
( ) ( ){ }
( ) ( ) ( )( ) ( ) ( )
( )( ) ( )( ) ( )
−−−−
−−
−
==
021
201
110
E
xxxxxx
xxxxxx
yyyyyy
H
r'r'r
'rrr
'rrr
nn
⋯
⋮⋱⋮⋮
⋮⋱⋮⋮
⋯
⋯
yyR
( ) ( ) ( ) ( )[ ]nxnxnxn Pc ,,, 21 ⋯=x
( ) ( ) ( )[ ]nnn PeeeA ,,, 21 ⋯=
Deoarece
( ) ( ) ( ) ( ) ( )∑∑=
−
=−+=−+−=−
P
i
jki
P
ii knwenxknwknxkny i
11
ω
( ) ( ) ( )nnn c wAxy +=
( ) ( ){ } ( ) ( ){ } ( ) ( ){ }( ) ( ){ } IAxxA
wwAxAxyyR
2E
EEE
wHH
cc
HHHcc
H
nn
nnnnnn
σ+=
=+==
( ) ( ){ } { }2 2 21 2diag , , ,H
c c PE n n A A A=P x x≜ ⋯
( ) ( ){ } ( ) ( ){ } 2E EH H H
c c wn n n n σ= = +R y y A x x A I
IAPAR 2v
H σ+= v
( ) ( ) ,=}{E= 2w
1i
2 IeeyyR σ+∑=
Hii
P
iH
Ann
Dar
∑=
==P
i
HHiiiS A
1
2 APAeeR
este matricea de autocorelaţie a semnalului, iar
IR 2σ= IR 2wW σ=
este matricea de autocorelaţie a zgomotului, deci:
WS RRR +=
Valori proprii, vectori proprii
Vom presupune '>P.
Rangul matricei SR este P, iar al matricelor WR deci şi R, este '.
In consecinţă, matricea SR are P valori proprii PiSi ,,1, ⋯=λ nenule
(pozitive), iar restul de '-P sunt nule.
Vectorii proprii vi asociaţi valorilor proprii nenule poartă numele de
vectori proprii principali. În consecinţă, SR poate fi exprimat sub forma:
∑=
=P
i
HiiSiS
1vvR λ
Vectorii vi definesc acelaşi subspaţiu al semnalelor P-dimensional ca şi vectorii ei.
Într-adevăr, ei sunt ortogonali şi satisfac relaţia:
iSiiS vvR λ=
iSii
P
k
Hkkk
A vvee λ=∑=1
2
�� =���2��
�=1���� �� =����2�� �� ���
�=1�� =����
�=1��
∑=
='
i
Hii
1vvI
deci
( ) Hi
'
iii
Hi
'
Piiw
Hi
P
iiwSi
Hi
'
iiw
Hi
P
iiSi vvvvvvvvvvR ∑∑∑∑∑
=+=====++=+=
11
2
1
2
1
2
1λσσλσλ
Din relaţia de mai sus rezultă că se pot împărţi vectorii proprii λ ai matricei de Din relaţia de mai sus rezultă că se pot împărţi vectorii proprii iλ ai matricei de
autocorelaţie în două categorii
-vectorii proprii principali, v1,...,vP, care corespund valorilor proprii
PiwSii ,,1,2⋯=+= σλλ
(cele mai mari); ei sunt în acelaşi timp vectori proprii ai matricei de autocorelaţie
a semnalului; vom spune că aceştia generează subspaţiul semnal şi îi vom nota
Piii ,,1, ⋯== vs Piii ,,1, ⋯==
Cu aceştia se formează matricea
[ ] ( )P'P ×= sssS ,,, 21 ⋯
-vectorii proprii vP+1,...,vN, corespund toţi valorilor proprii 221 ,,, w'PP σλλλ =++ ⋯ ; ei
generează subspaţiul zgomot. Aceşti vectori se vor nota
P'iiPi −== + ,,1, ⋯vg
şi cu ei se formează matricea
[ ] ( )( )P'' −×= gggG ,,, ⋯ [ ] ( )( )P''P' −×= −gggG ,,, 21 ⋯
[ ]1 2, , ,'
Q v v v≜ ⋯
=RQ QΛ
{ }
==
2
11,diag
Λ0
0ΛΛ 'λλ ⋯
{ }Pλλ ,,diag 11 ⋯=Λ { }'P λλ ,,diag 12 ⋯+=Λ
=RQ QΛ
[ ] [ ]
=
2
1
Λ0
0ΛGSGSR
[ ] [ ]
=
2
1
Λ0
0ΛGSGSR
2
1
GΛRG
SΛRS
=
=
Din ultima relaţie
01Pλ
+ ⋯
GGAPAG
0
GRG 221
wH
w
'
P
σσλ
+==
=
+
⋯
⋮⋱⋮
⋯
de unde
0GAPA =H
Dar P este o matrice diagonală cu elemente nenule pe diagonală, iar A este de tip
Vandermonde, deci are rangul egal cu numărul de coloane, aşa încât rezultă
0GA =H
ceea ce implică
P'kPikikHi −==∀= ,,1,,,1,,,0 ⋯⋯ge
deci
PiHi ,,1, ⋯== 0Ge
Totodată, relaţia de mai sus implică
P'kkH −== ,,1, ⋯0gA
ceea ce înseamnă că vectorii kg aparţin spaţiului nul al matricei HA :
( )Hk Ag Ν∈
sau spaţiul coloană al matricei G este identic cu spaţiul nul al matricei HA : sau spaţiul coloană al matricei G este identic cu spaţiul nul al matricei A :
( ) ( )HAG NC =
Dar din ortogonalitatea vectorilor proprii rezultă
( ) ( )HSG NC =
Din ultimele două relaţii
( ) ( )HH AS NN =
În mod asemănător se deduce că
( ) ( )AS CC =
În consecinţă vectorii ei generează acelaşi subspaţiu ca şi vectorii proprii principali şi
sunt ortogonali pe subspaţiul zgomot. sunt ortogonali pe subspaţiul zgomot.
Pornind de la observaţiile de mai sus există două categorii de metode de estimare
a frecvenţelor. Unele se bazează pe subspaţiul semnal, celelalte pe subspaţiul zgomot.