Процедура, используемая для обновления порядка вектора линейного предсказания вперед выглядит следующим образом :
, где , в котором
Соответствующий вид имеет процедура обновления порядка для вектора предсказания назад:
, где ,
Векторы и должны удовлетворять следующим рекурсиям обновления порядка:
Используя тот факт, что является эрмитовой матрицей имеем следующие выражения для и :
Введем скалярные множители
Соответствующие рекуррентные выражения для и имеют следующий вид :
Наконец, еще одна рекурсия обновления порядка необходима для вектора :
Обновление временного индекса в векторе коэффициентов линейного предсказания вперед осуществляется в соответствии с выражением :
Выражение для обновления временного индекса у квадрата ошибки линейного предсказания вперед :
Аналогичным образом обновление временного индекса в векторе коэффициентов линейного предсказания назад ведется в соответствии с выражением :
Выражение для обновления временного индекса у квадрата ошибки линейного предсказания назад :
,
где комплексный скаляр удовлетворяет выражениям :
Соответствующие рекурсии по временному индексу для действительных скаляров и даются следующими выражениями:
,
Начальные условия необходимы для того, чтобы начать рекурсивное решение с порядка равного нулю:
, , ,
, ,
,
Экспериментальные результаты приведены в соответствующем разделе.
1.4.5. Градиентный адаптивный авторегрессионный метод
1.4.6. Рекурсивный авторегрессионный метод наименьших квадратов
1.5. Спектральное оценивание на основе моделей авторегрессии - скользящего среднего .
Модель авторегресии-скользящего среднего имеет больше степеней свободы, чем авторегрессионная модель, поэтому следует ожидать, что получаемые с ее помощью оценки спектральной плотности мощности будут обладать большими возможностями для передачи формы различных спектров. Основой спектрального оценивания при помощи модели авторегрессии-скользящего среднего является аппроксимация СС-процесса авторегрессионной моделью высокого порядка. Пусть
- системная функция СС(q)-процесса
-системная функция АР-процесса,
эквивалентного этому СС(q)-процессу, то есть
Применим обратное z-преобразование к обеим частям последнего равенства, используя теорему об обратном преобразовании произведения функций, получим:
причем
Таким образом, СС-параметры можно определить по параметрам некоторой эквивалентной авторегрессионной модели посредством решения произвольной подсистемы из q уравнений. Используя АР-оценки высокого порядка можно записать следующую систему уравнений :
В идеальном случае ошибка должна быть равна нулю при всех значениях m, за исключением m=0, однако на практике при использовании конечной записи данных эта ошибка не будет равна нулю, поэтому оценки для CC-параметров должны определятся посредством минимизации дисперсии квадрата ошибки:
Из структуры уравнения для оценок параметров скользящего среднего видно, что эти оценки можно найти, решив соответствующие нормальные уравнения (здесь используется либо «Оценивание корреляционной функции - метод Юла-Уалкера», либо
«Оценивание линейного предсказания по методу наименьших квадратов»)
Общая процедура раздельного оценивания авторегрессионных параметров и параметров скользящего среднего заключается в следующем. Этап первый - определение авторегрессионных параметров по исходным данным, после этого исходную последовательность данных необходимо подвергнуть фильтрации для получения временного ряда приближенно соответствующего некоторому СС-процессу (этап второй). Этот фильтр имеет системную функцию вида :
, где - оценки
авторегрессионных параметров, определенные с помощью метода наименьших квадратов. Системная функция процесса авторегресии-скользящего среднего равна , поэтому
Таким образом, пропуская запись измеренных данных через фильтр с системной функцией , получаем на его выходе аппроксимирующий процесс скользящего среднего. Этап третий : для оценивания СС-параметров применяется процедура, описанная в начале этого раздела. Оценка спектральной плотности мощности АРСС-процесса имеет вид :
, где
- оценка автокорреляции, полученная по фильтрованной последовательности
Экспериментальные результаты приведены в соответствующем разделе.
.
1.6. Спектральное оценивание по методу минимума дисперсии.
Оценка спектральной плотности мощности по методу минимума дисперсии не является
истинной функцией СПМ, поскольку площадь под графиком МД-оценки не характеризует полную мощность измеряемого процесса. Обратное преобразование Фурье, соответствующее МД-оценке, также не совпадает с автокорреляционной последовательностью. Таким образом, МД-оценку можно считать спектральной оценкой в том смысле, что она описывает относительные интенсивности компонент частотного спектра, но не является оценкой истинной СПМ. Минимальная дисперсия - это характеристика, которая более информативна вблизи начала координат оценки. Она получается посредством минимизации дисперсии процесса на выходе узкополосного фильтра, частотная характеристика которого адаптируется к спектральным компонентам входного процесса на каждой представляющей интерес частоте.
Рассмотрим фильтр с p+1 коэффициентами . Выход этого фильтра, соответствующий входу , определяется сверткой:
Дисперсия на выходе рассматриваемого фильтра определяется выражением :
Коэффициенты фильтра необходимо выбирать таким образом, чтобы на частоте частотная характеристика этого фильтра имела единичный коэффициент усиления. Это ограничение можно записать следующим образом:
, где
Отсюда следует, что синусоида с частотой , поданная на вход такого фильтра, пройдет без искажений. Для режекции компонент спектра, удаленных от частоты , необходимо минимизировать дисперсию на выходе рассматриваемого фильтра при последнем ограничении. То есть рассматривается задача условной минимизации:
Несложно показать, что при таком ограничении решение по методу минимума дисперсии для коэффициентов фильтра будет удовлетворять уравнению:
Само значение дисперсии:
Отсюда получается выражение для спектральной оценки минимальной дисперсии:
Экспериментальные результаты приведены в соответствующем разделе.
1.7. Методы оценивания частоты, основанные на анализе собственных значений.
1.7.1. Введение
Ключевой операцией в методах, основанных на анализе собственных значений, является разделение информации, содержащейся в автокорреляционной матрице или матрице данных, на два векторных подпространства - подпространство сигнала и подпространство шума. В этих подпространствах можно определять различные функции от векторов сигнала и шума для получения оценок частоты. Однако эти оценки не сохраняют мощность анализируемого процесса и, следовательно, не являются оценками истинной СПМ. Далее будет рассмотрен метод классификации множественных сигналов.
Основная формула практически всех методов оценивания частоты, основанных на анализе собственных значений имеет следующий вид:
, здесь
- собственные значения автокорреляционной матрицы, упорядоченные по степени их убывания; главные собственные вектора (), соответствующие собственным значениям .На собственные векторы натянуто подпространство шума матрицы и всем им соответствует одно и то же собственное значение . На главные собственные векторы натянуто подпространство сигнала матрицы .
Разложение автокорреляционной матрицы на собственные значения можно двумя способами использовать для получения спектральных оценок или, точнее говоря, улучшенных процедур оценок частоты. Сохранение одной лишь информации, соответствующей собственным векторам пространства сигнала, то есть формирование для матриц аппроксимации пониженного порядка, эффективно способствует увеличению отношения сигнал/шум, поскольку устраняет вклад мощности компонент подпространства шума. Этот факт лежит в основе процедур оценок частоты главных компонент (подпространства сигнала). Свойство инвариантных прямых подпространств (подпространств шума и сигнала) положено в основу процедур оценок частоты в подпространстве шума.
1.7.2.Процедуры оценки частоты в пространстве сигнала.
1.7.3.Оценки частоты в пространстве шума.
Глава 2. Экспериментальный анализ алгоритмов спектрального анализа.
В данной работе математическое моделирование и вычислительные эксперименты преследовали следующие задачи:
1.) Провести сравнительный анализ численных методов спектрального анализа на различных типах тестовых сигналах.
2.) Выявить особенности каждого из методов и на их основе сделать вывод о целесообразности применения того или иного алгоритма в следующих условиях вычислительного эксперимента:
2.0.) Тест-сигнал состоит из смеси комплексных синусоид и шумовых процессов (белых шумов, пропущенных через фильтры с частотными характеристиками типа приподнятого косинуса) (используем для проверки способности метода к сохранению «достоверности» формы спектра)
2.1.) Несколько комплексных синусоид, присутствующие в анализируемом сигнале, имеют близкие частоты (этот тип тестовых сигналов используем для получения предельной разрешающей способности по частоте)
2.2.) В сигнале присутствуют слабые синусоидальные составляющие на фоне сильных шумовых процессов (анализируем способность спектральных оценок обеспечивать обнаружение слабых компонент сигнала).
