Спектральная мощность. Примеры определения спектральной плотности сигналов

Подразумевая под случайным процессом множество (ансамбль) функций времени, необходимо иметь в виду, что функциям, имеющим различную фор­му, соответствуют различные спектральные характеристики. Усреднение комплексной спектральной плотности, определяемойой (1.47), по всем функциям приводит к нулевому спектру процесса (при М[х (t )]=0 ) из-за случайности и независимости фаз спектральных составляющих в различных реализациях.

Можно, однако, ввести понятие спектральной плотности сред­него квадрата случайной функции, поскольку значение среднего квадрата не зависит от соотношения фаз суммируемых гармоник. Если под случай­ной функцией х(t) подразумевается электрическое напряжение или ток, то средний квадрат этой функции можно рассматривать как среднюю мощ­ность, выделяемую в сопротивлении 1 Ом. Эта мощность распределена по частотам в некоторой полосе, зависящей от механизма образования случай­ного процесса.

Спектральная плотность средней мощности представляет со­бой среднюю мощность, приходящуюся на 1 Гц при заданной частоте ω . Размерность функции W (ω) , являющейся отношением мощности к полосе частот, есть

Спектральную плотность случайного процесса можно найти, если из­вестен механизм образования случайного процесса. Применительно к шу­мам, связанным с атомистической структурой материи и электричества, эта задача будет позже. Здесь же мы ограничимся несколькими определениями общего характера.

Выделив из ансамбля какую-либо реализацию x k (t ) и ограничив ее дли­тельность конечным интервалом Т , можно применить к ней обычное преоб­разование Фурье и найти спектральную плотность X kT (ω). Тогда энергию рассматриваемого отрезка реализации можно вычислить с помощью форму­лы:

(1.152)

Разделив эту энергию на T , получим среднюю мощность k-й реализации на отрезке Т

(1.153)

При увеличении Т энергия Э кТ возрастает, однако отношение стремится к некоторому пределу. Совершив предельный переход , получим:

г
де

представляет собой спектральную плотность средней мощности рассматри­ваемой k-й реализации.

В общем случае величина W k (ω) должна быть усреднена по множеству реализаций. Ограничиваясь в данном случае рассмотрением стационарного и эргодического процесса, можно считать, что найденная усреднением по одной реализации функция W k (ω) характеризует весь процесс в целом. Опуcкая индекс k, получаем окончательное выражение для средней мощности случайного процесса

Для процесса с нулевым средним

(1.156)

Из определения спектральной плотности (1.155) очевидно, что W х (ω) является четной и неотрицательной функцией ω.

1.5.3 Соотношение между спектральной плотностью и ковариационной функцией случайного процесса

С одной стороны, скорость изменения х(t ) во времени определяет шири­ну спектра. С другой стороны, скорость изменения х (t) определяет ход ковариационной функции. Очевидно, что между W х (ω) и К х (τ) имеется тес­ная связь.

Теорема Винера - Хинчина утверждает, что К х (τ) и W x (ω) связаны между собой преобразованиями Фурье:

(1.157)

(1.158)

Для случайных процессов с нулевым средним аналогичные выражения имеют вид:

Из этих выражений вытекает свойство, аналогичное свойствам преобра­зований Фурье, для детерминированных сигналов: чем шире спектр случайного процесса, тем меньше интервал корреляции, и соответственно чем больше интервал корреляции, тем уже спектр процесса (см.рис.1.20).

Рис.1.20. Широкополосный и узкополосный спектры случайного процесса; границы центральной полосы: ±F 1

Большой интерес представляет белый шум, когда спектр равномерен на всех частотах .

Если в выражение 1.158 подставить W x (ω) = W 0 = const, то получим

где δ(τ) - дельта-функция.

Для белого шума с бесконечным и равномерным спектром корреляцион­ная функция равна нулю для всех значений τ, кроме τ = 0 , при котором R x (0) обращается в бесконечность. Подобный шум, имеющий игольчатую структуру с бесконечно тонкими случайными выбросами, иногда называют дельта-коррелированным процессом. Дисперсия белого шума бесконечно велика.

Вопросы для самопроверки

Назовите основные характеристики случайного сигнала.

Как связаны математически корреляционная функция и энергетический спектр случайного сигнала.

Какой случайный процесс называется стационарным.

Какой случайный процесс называется эргодическим.

Как определяется огибающая, фаза и частота узкополосного сигнала

Какой сигнал называется аналитическим.

Взаимная спектральная плотность мощности(взаимный спектр мощности) двух реализаций и стационарных эргодических случайных процессов и определяется как прямое преобразование Фурье над их взаимной ковариационной функцией

или, с учетом соотношения между круговой и циклической частотами ,

Обратное преобразование Фурье связывает взаимные ковариационную функцию и спектральную плотность мощности:

Аналогично (1.32), (1.33) вводится спектральная плотность мощности(спектр мощности) случайного процесса

Функция обладает свойством четности:

Для взаимной спектральной плотности справедливо следующее соотношение:

где – функция, комплексно сопряженная к .

Введенные выше формулы для спектральных плотностей определены как для положительных, так и для отрицательных частот и носят название двухсторонних спектральных плотностей . Они удобны при аналитическом изучении систем и сигналов. На практике же пользуются спектральными плотностями, определенными только для неотрицательных частот и называемыми односторонними (рисунок 1.14):

Рисунок 1.14 – Односторонняя и двусторонняя

спектральные плотности

Выведем выражение, связывающее одностороннюю спектральную плотность стационарного СП с его ковариационной функцией:

Учтем свойство четности для ковариационной функции стационарного СП и функции косинус, свойство нечетности для функции синус, а также симметричность пределов интегрирования. В результате второй интеграл в полученном выше выражении обращается в нуль, а в первом интеграле можно сократить вдвое пределы интегрирования, удвоив при этом коэффициент:

Очевидно, что спектральная плотность мощности случайного процесса является действительной функцией.

Аналогично можно получить обратное соотношение:

Из выражения (1.42) при следует, что

Это означает, что общая площадь под графиком односторонней спектральной плотности равна среднему квадрату случайного процесса. Другими словами, односторонняя спектральная плотность интерпретируется как распределение среднего квадрата процесса по частотам.

Площадь под графиком односторонней плотности, заключенная между двумя произвольными значениями частоты и , равна среднему квадрату процесса в этой полосе частот спектра (рисунок 1.15):

Рисунок 1.15 – Свойство спектральной плотности

Взаимная спектральная плотность мощности является комплексной величиной, поэтому ее можно представить в показательной форме записи через модуль и фазовый угол :

где – модуль;

– фазовый угол;

, – действительная и мнимая части функции соответственно.

Модуль взаимной спектральной плотности входит в важное неравенство

Это неравенство позволяет определить функцию когерентности (квадрат когерентности), которая аналогична квадрату нормированной корреляционной функции:

Второй способ введения спектральных плотностей состоит в непосредственном преобразовании Фурье случайных процессов.

Пусть и – два стационарных эргодических случайных процесса, для которых финитные преобразования Фурье -х реализаций длины определяют в виде

Двусторонняя взаимная спектральная плотность этих случайных процессов вводится с использованием произведения через соотношение

где оператор математического ожидания означает операцию усреднения по индексу .

Расчет двусторонней спектральной плотности случайного процесса осуществляют по соотношению

Аналогично вводятся и односторонние спектральные плотности:

Функции , определенные формулами (1.49), (1.50), идентичны соответствующим функциям, определенным соотношениями (1.32), (1.33) как преобразования Фурье над ковариационными функциями. Это утверждение носит называние теоремы Винера-Хинчина.

Контрольные вопросы

1. Приведите классификацию детерминированных процессов.

2. В чем отличие между полигармоническими и почти периодическими процессами?

3. Сформулируйте определение стационарного случайного процесса.

4. Какой способ усреднения характеристик эргодического случайного процесса предпочтителен – усреднение по ансамблю выборочных функций или усреднение по времени наблюдения одной реализации?

5. Сформулируйте определение плотности распределения вероятности случайного процесса.

6. Запишите выражение, связывающее корреляционную и ковариационную функции стационарного случайного процесса.

7. В каком случае два случайных процесса считаются некоррелированными?

8. Укажите способы расчета среднего квадрата стационарного случайного процесса.

9. Каким преобразованием связаны спектральная плотность и ковариационная функции случайного процесса?

10. В каких пределах изменяются значения функции когерентности двух случайных процессов?

Литература

1. Сергиенко, А.Б. Цифровая обработка сигналов / А.Б. Сергиенко. – М: Питер, 2002.– 604 с.

2. Садовский, Г.А. Теоретические основы информационно-измерительной техники / Г.А. Садовский. – М.: Высшая школа, 2008. – 480 с.

3. Бендат, Д. Применение корреляционного и спектрального анализа / Д. Бендат, А. Пирсол. – М.: Мир, 1983. – 312 с.

4. Бендат, Д. Измерение и анализ случайных процессов / Д. Бендат, А. Пирсол. – М.: Мир, 1974. – 464 с.

Международная образовательная корпорация

Факультет Прикладных Наук

Реферат

на тему «Спектр плотности мощности и его связь с функцией корреляции»

По дисциплине «Теория электрической связи»

Выполнила: студент группы

ФПН-РЭиТ(з)-4С *

Джумагельдин Д

Проверила: Глухова Н.В

Алматы, 2015

І Введение

ІІ Основная часть

1. Спектральная плотность мощности

1.1 Случайные величины

1.2 Плотность вероятности функции от случайной величины

2. Случайный процесс

3. Метод определения спектральной плотности мощности по корреляционной функции

ІІІ Заключение

ІV Список использованной литературы

Введение

Теория вероятностей рассматривает случайные величины и их характеристики в "статике". Задачи описания и изучения случайных сигналов "в динамике", как отображения случайных явлений, развивающихся во времени или по любой другой переменной, решает теория случайных процессов.

В качестве универсальной координаты для распределения случайных величин по независимой переменной будем использовать, как правило, переменную "t" и трактовать ее, чисто для удобства, как временную координату. Распределения случайных величин во времени, а равно и сигналов их отображающих в любой математической форме, обычно называют случайными процессами. В технической литературе термины "случайный сигнал" и "случайный процесс" используются как синонимы.

В процессе обработки и анализа физико-технических данных обычно приходится иметь дело с тремя типами сигналов, описываемых методами статистики. Во-первых, это информационные сигналы, отображающие физические процессы, вероятностные по своей природе, как, например, акты регистрации частиц ионизирующих излучения при распаде радионуклидов. Во вторых, информационные сигналы, зависимые от определенных параметров физических процессов или объектов, значения которых заранее неизвестны, и которые обычно подлежать определению по данным информационным сигналам. И в третьих, это шумы и помехи, хаотически изменяющиеся во времени, которые сопутствуют информационным сигналам, но, как правило, статистически независимы от них как по своим значениям, так и по изменениям во времени.

Спектральная плотность мощности

Спектральная плотность мощности позволяет судить о частотных свойствах случайного процесса. Она характеризует его интенсивность при различных частотах или, иначе, среднюю мощность, приходящуюся на единицу полосы частот.

Картину распределения средней мощности по частотам называют спектром мощности. Прибор, при помощи которого измеряется спектр мощности, называется анализатором спектра. Найденный в результате измерений спектр называется аппаратным спектром.

Работа анализатора спектра основана на следующих методах измерений:

· методе фильтрации;

· методе преобразования по теореме Винера-Хинчена;

· методе Фурье-преобразования;

· методе с использованием знаковых функций;

· методе аппаратного применения ортогональных функций.

Особенность измерения спектра мощности состоит в значительной продолжительности эксперимента. Нередко она превышает длительность существования реализации, или время, в течение которого сохраняется стационарность исследуемого процесса. Оценки спектра мощности, получаемые по одной реализации стационарного эргодического процесса, не всегда приемлемы. Часто приходится выполнять многочисленные измерения, так как необходимо усреднение реализаций как по времени, так и по ансамблю. Во многих случаях реализации исследуемых случайных процессов предварительно запоминают, что позволяет многократно повторять эксперимент с изменением продолжительности анализа, использованием различных алгоритмов обработки и аппаратуры.

В случае предварительной записи реализаций случайного процесса аппаратурные погрешности могут быть уменьшены до значений, обусловленных конечной длительностью реализации и нестационарностью.

Запоминание анализируемых реализаций позволяет ускорить аппаратурный анализ и автоматизировать его.

Случайные величины

Случайная величина описывается вероятностными законами. Вероятность того, что непрерывная величина х при измерении попадет в какой-либо интервал х 1 <х <х 2 , определяется выражением:

, где p(x) - плотность вероятности, причем . Для дискретной случайной величины х i P(x = x i)=P i , где P i - вероятность, соответствующая i-у уровню величины х.

Наиболее важной характеристикой стационарных случайных процессов является спектральная плотность мощности, описывающая распределение мощности шума по частотному спектру. Рассмотрим стационарный случайный процесс, который может быть представлен беспорядочной последовательностью импульсов напряжения или тока, следующих друг за другом через случайные интервалы времени. Процесс со случайной последовательностью импульсов является непериодическим. Тем не менее, можно говорить о спектре такого процесса, понимая в данном случае под спектром распределение мощности по частотам.

Для описания шумов вводят понятие спектральной плотности мощности (СПМ) шума, называемой также в общем случае спектральной плотностью (СП) шума,которая определяется соотношением:

где P (f ) - усредненная по времени мощность шума в полосе частотf на частоте измеренияf .

Как следует из соотношения (2.10), СП шума имеет размерность Вт/Гц. В общем случае СП является функцией частоты. Зависимость СП шума от частоты называют энергетическим спектром , который несет информацию о динамических характеристиках системы.

Если случайный процесс эргодический, то можно находить энергетический спектр такого процесса по его единственной реализации, что широко используется на практике..

При рассмотрении спектральных характеристик стационарного случайного процесса часто оказывается необходимым пользоваться понятием ширины спектра шума. Площадь под кривой энергетического спектра случайного процесса, отнесенную к СП шума на некоторой характерной частоте f 0 , называютэффективной шириной спектра , которая определяется по формуле:

(2.11)

Эту величину можно трактовать как ширину равномерного энергетического спектра случайного процесса в полосе
, эквивалентного по средней мощности рассматриваемому процессу.

Мощность шума P , заключенная в полосе частотf 1 …f 2 , равна

(2.12)

Если СП шума в полосе частот f 1 ...f 2 постоянна и равнаS 0 , тогда для мощности шума в данной полосе частот имеем:
гдеf =f 2 -f 1 – полоса частот, пропускаемая схемой или измерительным прибором.

Важным случаем стационарного случайного процесса является белый шум, для которого спектральная плотность не зависит от частоты в широком диапазоне частот (теоретически – в бесконечном диапазоне частот). Энергетический спектр белого шума в диапазоне частот -∞ < f < +∞ дается выражением:

= 2S 0 = const, (2.13)

Модель белого шума описывает случайный процесс без памяти (без последействия). Белый шумвозникает в системах с большим числом простых однородных элементов и характеризуется распределением амплитуды флуктуаций по нормальному закону. Свойства белого шума определяются статистикой независимых одиночных событий (например, тепловым движением носителей заряда в проводнике или полупроводнике). Вместе с тем истинный белый шум с бесконечной полосой частот не существует, поскольку он имеет бесконечную мощность.

На рис. 2.3. приведена типичная осциллограмма белого шума (зависимость мгновенных значений напряжения от времени) (рис. 2.3а) и функция распределения вероятности мгновенных величин напряжения e ,которая является нормальным распределением (рис. 2.3б). Заштрихованная площадь под кривой соответствует вероятности появления мгновенных величин напряженияe , превышающих значениеe 1 .

Рис. 2.3. Типичная осциллограмма белого шума (а) и функция распределения плотности вероятности мгновенных величин амплитуды напряжения шума (б).

На практике при оценке величины шума какого-либо элемента или п/п прибора обычно измеряют среднеквадратичное шумовое напряжение в единицах В 2 или среднеквадратичный токв единицах А 2 . При этом СП шума выражают в единицах В 2 /Гц или А 2 /Гц, а спектральные плотности флуктуаций напряженияS u (f ) или токаS I (f ) вычисляются по следующим формулам:

(2.14)

где
и – усредненные по времени шумовое напряжение и ток в полосе частотf соответственно. Черта сверху означает усреднение по времени.

В практических задачах при рассмотрении флуктуаций различных физических величин вводят понятие обобщенной спектральной плотности флуктуаций. При этом СП флуктуаций, например, для сопротивления R выражается в единицах Ом 2 /Гц; флуктуации магнитной индукции измеряются в единицах Тл 2 /Гц, а флуктуации частоты автогенератора – в единицах Гц 2 /Гц = Гц.

При сравнении уровней шума в линейных двухполюсниках одного и того же типа удобно пользоваться относительной спектральной плотностью шума, которая определяется как

=
, (2.15)

где u – падение постоянного напряжения на линейном двухполюснике.

Как видно из выражения (2.15), относительная спектральная плотность шума S (f ) выражается в единицах Гц -1 .

Оценка спектральной плотности мощности представляет известную проблему для случайных процессов. Примерами случайных процессов может служить шум, а также сигналы, несущие информацию. Обычно требуется найти статистически устойчивую оценку. Анализ сигналов подробно рассматривается в курсе «Цифровая обработка сигналов» . Начальные сведения изложены в .

Для сигналов с известными статистическими характеристиками спектральный состав может быть определен по конечному интервалу этого сигнала. При неизвестности статистических характеристик сигнала по отрезку сигнала можно получить только оценку его спектра. Разные методы использую различные допущения, и поэтому дают различные оценки.

При выборе оценки исходят из того, что в общем случае анализируемый сигнал представляет собой случайный процесс. И требуется выбрать несмещенную оценку, обладающую малой дисперсией, позволяющую усреднить спектр сигнала. Смещением называют разницу между средним значением оценки и истинным значением величины. Несмещенной оценкой называют оценку с нулевым смещением. Оценка с малой дисперсией хорошо локализует искомые величины, т.е. плотность вероятности сконцентрирована около среднего значения. Желательно иметь состоятельную оценку, т.е. оценку, которая при увеличении размера выборки стремится к истинному значению (смещение и дисперсия стремятся к нулю). Различают оценки параметрические, использующие только информацию о самом сигнале и непараметрические, использующие статистическую модель случайного сигнала, и осуществляющие подбор параметров этой модели.

При оценках случайных процессов распространено использование корреляционных функций.

Для эргодичного процесса возможно определение статистических параметров процесса путем усреднения по одной реализации.

Для стационарного случайного процесса корреляционная функция R x (t) зависит от интервала времени, для которого она определяется. Эта величина характеризует связь между значениями x(t), разделенными промежутком t. Чем медленнее убывает R(t), тем больше промежуток, в течение которого наблюдается статистическая связь между значениями случайного процесса.

где - математическое ожидание x(t).

Соотношение между корреляционной функцией R(t) и спектральной плотностью мощности W(w) для случайного процесса определяется теоремой Винера-Хинчина

Для дискретных процессов теорема Винера-Хинчина устанавливает связь между спектром дискретного случайного процесса W(w) и его корреляционной функции R x (n)

W(w)= R x (n)·exp(-j·w·n·T)

Для оценки энергии сигнала во временной и частотной областях используется равенство Парсеваля

Одним из распространенных способов получения оценки спектральной плотности является применение метода периодограмм.

Периодограмма (Periodogram) .В этом методе производится дискретное преобразование Фурье для сигнала x(n), заданного в дискретных точках выборки длиной N отсчетов и его статистическое усреднение. Фактическое вычисление спектра X(k), выполняется только в конечном количестве частотных точек N. Применяется быстрое преобразование Фурье (FFT). Вычисляется спектральная плотность мощности, приходящаяся на один отсчет выборки:

P xx (X k)=|X(k)| 2 /N, X(k)= , k=0,1,…,N-1.

Для получения статистически устойчивой оценки, имеющиеся данные разбивают на перекрывающиеся выборки, с последующим усреднением спектров, полученных по каждой выборке. Задается число отсчетов на выборку N и сдвиг начала каждой последующей выборки относительно начала предыдущей N t . Чем меньше число отсчетов в выборке, тем больше выборок и меньшая дисперсия у оценок. Но поскольку длина выборки N связана с частотным разрешением (2.4), то уменьшение длины выборки ведет к уменьшению частотного разрешения.

Таким образом, сигнал просматривается через окно, а данные, не попадающие в окно, принимаются равными нулю. Конечный сигнал x(n) состоящий из N отсчетов, обычно представляют как результат умножения бесконечного по времени сигнала (n) на прямоугольное окно с конечной длиной w R (n):

x(n) = (n) ∙w R (n),

а непрерывный спектр X N (f) наблюдаемых сигналов x(n) определится как свертка Фурье-образов X(f), W R (f) бесконечного по времени сигнала (n) ∙и окна w R (n)

X N (f)=X(f)*W R (f)=

Спектр непрерывного прямоугольного окна (rect) имеет форму интегрального синуса sinc(x)=sin(x)/x. Он содержит главный «лепесток» и несколько боковых, из которых самый большой приблизительно на 13 dB ниже основного пика (см. рис.15).

Фурье-образ (спектр) дискретной последовательности, получаемой N-точечной дискретизацией непрерывного прямоугольного окна, показан на рис.32. Он может быть вычислен суммированием смещенных интегральных синусов (2.9), в результате получается ядро Дирихле

Рис. 32. Спектр дискретного прямоугольного окна

В то время как сигнал с бесконечной длиной сконцентрирует его мощность точно в дискретной частоте f k , прямоугольная выборка сигнала имеет распределенный спектр мощности. Чем короче выборка, тем более распределенный спектр.

При спектральном анализе производится взвешивание данных с помощью оконных функций, чем добиваются уменьшения влияния боковых «лепестков» на спектральные оценки.

Чтобы обнаружить две гармоники f 1 и f 2 с близкими частотами, необходимо, чтобы для временного окна T ширина главного «лепестка» Df -3 ≈ Df L =0 =1/Т, определяемая на значении -3дБ, была меньше разности искомых частот

Df=f 1 -f 2 > Df -3

Ширина временного окна Т связана с частотой дискретизацией f s и числом отсчетов выборки формулой (2.4).

Инструментальные средства гармонического анализа . Для исследования сигналов очень удобно применение пакета MATLAB, в частности, его приложения (Toolbox) Signal Processing.

Модифицированные периодограммы используют непрямоугольные оконные функции, уменьшающие эффект Гиббса. Примером может служить использование окна Хэмминга (Hamming). Но при этом одновременно происходит примерно вдвое увеличение ширины главного лепестка спектрограммы. Несколько более оптимизировано окно Кайзера (Kaiser). Увеличение ширины главных лепестков при создании фильтров нижних частот ведет к увеличению переходной полосы (между полосами пропускания и задержания).

Оценочная функция Уэлча (Welch) . Метод состоит из деления последовательных данных времени в сегменты (возможно с перекрытием), далее обрабатывается каждый сегмент, а затем оценивают спектр путем усреднения результатов обработки сегментов. Для улучшения оценки могут использоваться непрямоугольные оконные функции, например окно Хэмминга. Увеличение числа сегментов уменьшает дисперсию, но при этом уменьшается разрешение метода по частоте. Метод дает неплохие результаты при малом превышении полезного сигнала над шумом и достаточно часто используется на практике.

На рис.33 приведены оценки гармонического состава для данных, содержащих узкополосые полезные сигналы и белый шум, при различных выборках (N=100, N=67), и использовании различных методов.

Рис. 33. Оценка гармоник сигнала для 1024 точечного FFT-преобразования

Параметрические методы используют авторегрессионные модели (AR). В методах строятся модели фильтров и с их помощью оценивают спектры сигналов. Все методы при наличии шума в сигнале дают смещенные оценки. Предназначены методы для обработки сигналов имеющих гармонические составляющие на фоне шума. Порядок метода (фильтра) задается в два раза больше, чем число гармоник, присутствующих в сигнале. Предложено несколько параметрических методов .

Метод Берга (Burg) дает высокую разрешающую способность по частоте для коротких выборок. При большом порядке фильтра спектральные пики расщепляются. Положение спектральных пиков зависит от начальных фаз гармонических.

Ковариационный (covariance) метод позволяет оценить спектр сигнала, содержащего сумму гармонических компонентов.

Метод Юла-Уоркера (Yule-Walker) дает хорошие результаты на длинных выборках и не рекомендуется для коротких выборок.

Корреляционные методы . Методы MISIC (Multiple Signal Classification) и EV (eigenvectors) выдают результаты в форме псевдоспектра. В основе методов лежит анализ векторов корреляционной матрицы сигнала. Эти методы дают несколько лучшее разрешение по частоте, чем автокорреляционные методы.