Главная
страница 1

Обработка сигналов в радиотехнических системах

МОДЕЛИРОВАНИЕ РАДИОТЕХНИЧЕСКИХ СИГНАЛОВ С УЧЕТОМ ИХ ФАЗОВЫХ ПОРТРЕТОВ


Андреев В.Г., Кошелев В.И.

ГОУВПО «Рязанский государственный радиотехнический университет»


390005, г. Рязань, ул. Гагарина, 59/1, РГРТУ, каф. РТС. rts@rgrta.ryazan.ru

Известно [1,2], что в ряде практических приложений, связанных с цифровой обработкой сигналов, непосредственное практическое использование первичных экспериментальных данных затруднено вследствие их большого объема и наличия аномальных ошибок эксперимента. Для компактного их представления используют математические модели временных рядов. Как правило, в теории и технике моделирования основное внимание уделяется статистическому описанию модуля корреляционной функции или спектральной плотности мощности (СПМ) [1,3], а фазовые портреты часто игнорируются. В докладе предлагается метод построения модели сигналов, учитывающей не только их амплитудные, но фазовые компоненты его комплексного спектра.

Методы математического описания, основывающиеся на корреляционных свойствах экспериментального процесса или на его СПМ широко известны. Вычисление вектора c комплексного спектра экспериментальной временной последовательности x=xk, k=0, …, (n−1) дает возможность построения модели y=yk, k=0, …, (m−1) с комплексными частотными характеристиками, определяемыми комплексным вектором s. Компактность полученной модели предполагает выполнение условия m<<n.

В качестве критерия адекватности моделирования удобно использовать величину Εn нормированного квадрата длины L мерного вектора ε=cs невязки: Εn=εHε/L→min, (1), где H – знак транспонирования и комплексного сопряжения. Критерий (1) эквивалентен минимизации длины Ε вектора ε невязки: Ε=(cs)H(cs)→min, (2), который не предполагает нормировку к количеству L дискретных спектральных отсчетов.

Вектор y модели во временной области связан с ее комплексным частотным спектром матрицей F комплексных векторов преобразования Фурье: s=Fy, (3), где y – m мерный вектор-столбец комплексных отсчетов yk последовательности модельных данных, а компоненты Fk, l матрицы F рассчитываются из соотношений [1]: Fk, l=exp(−i2πkl/L), k=0, …, (m−1); l=0, …, (L−1), где i – мнимая единица.

Тогда оптимальное с точки зрения минимума Ε в (2) значение ycut последовательности-модели сводится к решению системы нормальных уравнений [1]: ycut=(FHF)−1FHс. (4).

Учитывая ортогональность векторов-столбцов матрицы F преобразования Фурье выражение (4) удается существенно упростить, исключив обращение матрицы FHF: ycut=(LI)−1FHс=FHс/L, (5), где I – (L×L) мерная единичная матрица. Выражение (5) фактически сводится к построению модели путем обратного преобразования Фурье от вектора c спектральных отсчетов. При равенстве мерностей m, L векторов y и с (соответственно) оптимальное решение сводится к взаимообратному преобразованию, т.е. модель y исходной выборки x просто повторяет ее отсчеты xk. При m<nL вектор ycut отсчетов последовательности-модели может быть получен из вектора x путем простого отбрасывания его последних (nm) отсчетов xk, k=(m−1), …, (n−1). Но ситуация изменяется, когда априорно известны частоты, на которых адекватность спектра модели более значима, чем на других частотах. В этом случае критерий (2) модифицируется с учетом неравновесного вклада элементов вектора ε невязки в результирующее значение Εw целевой функции. Модифицированный критерий представим в следующем виде [4]: Εw=(diag(w)ε)H(diag(w)ε)→min,(6), где Εw – значение целевой функции с учетом неравного вклада элементов вектора ε невязки, wL мерный вектор с элементами wl]0; 1]. Единичное значение wl соответствует наибольшей значимости, а близкое к нулю – малой значимости l го отсчета sl вектора s комплексного спектра последовательности-модели y. Тогда с учетом (2) и (3) можно сформулировать модифицированный критерий синтеза: Εw=[diag(w)(сFy)]H[diag(w)(сFy)]→, (7), где Cm – комплексное m мерное пространство.

Найдем глобальный минимум целевой функции (7). Для этого возьмем первую производную по комплексному вектору y и, приравняв ее к L мерному нулевому вектору 0, выразим искомый оптимальный вектор yw отсчетов последовательности-модели при заданном векторе w значимости ее спектральных отсчетов sl. После взятия производной (7) и приравнивания ее к нулевому вектору, получим: d [сH diag(w)H diag(w)с] /dy−d [сHdiag(w)Hdiag(w)Fy+yHFHdiag(w)Hdiag(w)с]/dy+d[yHFHdiag(w)Hdiag(w)Fy] /dy = 0. (8)

Учтем, что матрица diag(w) диагональная и действительная, поэтому операции транспонирования и комплексного сопряжения для нее являются пустыми, кроме того d[сHdiag(w)Hdiag(w)с]/dy=0.

Указанные упрощения дают возможность свести выражение (8) к виду

w/dy=−d(сHWWFy+yHFHWWс)/dy+d(yHFHWWFy)/dy=0, (9), где W=diag(w). Оптимальное значение вектора yw отсчетов последовательности-модели из (9) принимает вид:

yw=(FHWWF)−1FHWWс. (10).

Убедимся, что найденное значение yw в (10) является глобальным минимумом целевой функции (7). Для этого проанализируем определенность матрицы ее вторых производных d2Εw/dy2=FHWWF>0, (11), т.к. матрица вторых производных получена перемножением WF на свою транспонированную и комплексно сопряженную копию. Поэтому, согласно (11), значение yw в (10) является оптимальным по критерию (7).

Проанализируем эффективность предлагаемой методики моделирования на примере описания экспериментальной последовательности x=xk, k=0, …, (n−1) дискретных отсчетов мгновенных значений тока в высоковольтной кабельной сети при однофазном замыкании на землю. Отметим, что при диагностике высоковольтных линий важны не только амплитудные (см. рис. 1), но и фазовые соотношения.

Рис. 1.


Наибольшую значимость имеют амплитудно-фазовые соотношения гармоник тока, кратных частоте 50 Гц. Поэтому коэффициенты wl значимости весового вектора w выбраны равными единице на тех спектральных отсчетах, которые соответствуют частотам гармоник, а на остальных частотах принято wl=0,1. На рис. 1 показаны нормированные к максимальной амплитуде max(c0, …, cL−1) амплитудные спектры A(f ), а на рис. 2 – фазовые спектры φ(f ) исходной последовательности. Причем спектральные характеристики исходной последовательности x изображены сплошной тонкой линией 1, усеченной последовательности ycut – пунктирной линией 3, а последовательности yw, синтезированной по предлагаемой методике, – сплошной жирной линией 2. При построении зависимостей были приняты n=50, m=10, L=50.

Рис. 2.


Для объективной оценки эффективности описания исходной последовательности x проанализируем квадраты нормированных длин Εw=εw2/L, Εcut=εcut2/L векторов εw=diag(w)(cFyw), εcut=diag(w)(cFycut) взвешенных невязок для предлагаемой yw и усеченной ycut последовательностей (соответственно). В приведенном выше примере выигрыш μ=Εwcut в отношении величин квадратов нормированных длин векторов невязок составляет величину μ≈1,9 раза при Εw≈16,4 и Εcut≈31,1.

Эксперименты показали, что тенденция сохранения выигрышей μ>1 сохраняется при наращивании длины модельной выборки m. На рис. 3 для приведенного выше примера сплошной жирной линией 2 показана зависимость μ(m), а ее тренд (общая тенденция) иллюстрируется пунктирной линией 3.

Анализ рис. 3 показывает, что эффективность предлагаемой методики существенно зависит от избранного количества m отсчетов модельной выборки. Поэтому на практике целесообразно подбирать величину m, чтобы достичь лучшей адекватности описания экспериментальной последовательности x. Хотя общая тенденция возрастания выигрыша μ с уменьшением разности (nm) между длинами исходной и модельной последовательностями сохраняется (см. кривую 3 на рис. 3), но при этом достигается выигрыш в 3…4 раза.

В заключении ответим на следующий вопрос: не приводит ли использование предлагаемой методики к сильным искажениям описания исходной последовательности по сравнению с ее простым усечением, если выделять приоритетные спектральные компоненты не требуется?


Рис. 3.


Для ответа на этот вопрос проанализируем нормированные квадраты длин Εw, Εcut векторов εw=cFyw; εcut=cFycut невязок без учета различий в весовых коэффициентах wl=1, l=0, …, L вектора w. Фактически при этом предполагается, что все L отсчетов sl спектра s одинаково важны, т.е. задача моделирования ставится известным [Error: Reference source not found] образом. Для изложенной выше методики равенство значимости спектральных отсчетов – это лишь частный случай, соответствующий условию diag(w)=W=I, при котором выражение (10) вырождается в (4).

На рис. 3 сплошной тонкой линией 1 показана зависимость μ(m) при W=I, причем коэффициенты модельной последовательности yw взяты из предыдущего примера с неравной значимостью wl спектральных отсчетов sl. Из рис. 3 видно, что адекватность моделирования снижается незначительно, и μ≈1 во всем диапазоне изменений m. Поэтому предлагаемая методика приемлема и в том случае, когда выдвигается требование сохранения общего характера спектрального портрета без выделения его приоритетных частот.

Таким образом, разработан метод описания исходных временных экспериментальных последовательностей, который состоит в синтезе коротких модельных временных последовательностей, сохраняющих на заданных частотах фазовые и амплитудные свойства исходных последовательностей. Выигрыш μ по сравнению с процедурами усечения исходных временных последовательностей достигается за счет весовой функции значимости отдельных спектральных отсчетов модельных последовательностей при их синтезе. Достигаемые величины выигрыша μ, составляющие 2…4 раза по критерию отношения Εwcut квадратов нормированных длин векторов ε невязок, дают возможность при сохранении адекватности амплитудно-фазового описания сократить в 1,5…2 раза длину m модельной выборки yw экспериментальной последовательности x по сравнению с усеченной выборкой ycut.

Литература

1. Марпл-мл. С.Л. Цифровой спектральный анализ и его приложения: Пер. с англ.– М.: Мир, 1990.– 584 с.

2 Кошелев В.И. АРСС модели случайных процессов. Прикладные задачи синтеза и оптимизации.– М.: Радио и связь, 2002.– 112 с.

3. Кошелев В.И., Андреев В.Г. Модифицированный алгоритм АР–моделирования узкополосных процессов // Цифровая обработка сигналов и ее применения: Материалы докладов 2 Международной конференции.– Москва, 1999.– Т. III.– C. 703 705.

4 Koshelev Vitaly I., Andrejev Vladimir G., Voskresensky Aleksey V. The Modified Procedure Analysis of the Cardiac Pulse Sequences // The IEEE – Siberian Conference of Students, Post-graduate Students and Young Scientists on Electron Devices and Materials (SIBEDEM-2002). Proceedings.– Tomsk: The Tomsk IEEE Chapter & Student Branch. Russia, March 19 20, 2002.– PP. 61 62.– (IEEE Catalog Number: 02EX529; ISBN: 0-7803-7274-3).

5. Кошелев В.И., Андреев В.Г. Авторегрессионное моделирование токов нулевой последовательности // Теория и техника передачи, приема и обработки информации: Тезисы докладов 3 Международной конференции.– Харьков-Туапсе, 1997.– C. 362 363.



МОДЕЛИРОВАНИЕ РАДИОТЕХНИЧЕСКИХ СИГНАЛОВ С УЧЕТОМ ИХ ФАЗОВЫХ ПОРТРЕТОВ


Andrejev V., Koshelev V.

Ryazan state radio engineering university

390005, Ryazan, Gagarin's street, 59/1, RGRTU, chair RTS. rts@rgrta.ryazan.ru

Direct practical using of initial experimental data is complicated in some practical applications of digital signal processing, due to great volume and abnormal errors existing of experimental data. Mathematical models of time series are intended for data compact representation.

However, as a rule, in the theory and a simulation technique the basic attention is given statistical description of the data, as a rule correlation function or a power spectral density (PSD) is considered only, but phase portraits of initial data are often ignored. The method of signal model synthesis, that considers not only amplitude, but phase components of signal complex spectrum is offered in the report.

The methods of mathematical description which are based on correlative properties of experimental process or on it's PSD are well known. But the calculation of a vector c of complex spectrum of experimental time sequence x=xk, k=0, …, (n−1) allows to build the model y=yk, k=0, …, (m−1) with complex frequency characteristics defined by a complex vector s. Compactness of the model assumes realization of a condition m<<n.

As a criterion of modeling adequacy it is convenient to use the magnitude of quadrate of length Ε of L dimensional discrepancy vector ε=cs: Ε=εHε/L→min, (1), where H – transposition and complex mating sign. In view of the nonequilibrium contribution of elements of a discrepancy vector ε in the criterion function result Εw the criterion (1) inoculates: Εw=(diag(w)ε)H(diag(w)ε)→min, (2), where wL dimensional vector with elements wl]0; 1]. If weight wl=1 it means greatest significance of spectral component sl, if wl→ – significance of spectral component sl is low.

In this case optimal value of vector-model yw becomes: yw=(FHWWF)−1FHWWс, where W=diag(w) – diagonal matrix of significance weights wl.

The example of offered model using is from the sphere of high-voltage energy nets monitoring where amplitude and phase values of a current have the greatest significance in harmonicses, multiple to frequency of 50 Hz.

So coefficients of vector w have maximal value (wl=1) in those spectral components, which according to harmonicses (50, 100, 150 ect. Hz), but on remaining frequencies – wl=0,1. For an objective estimation of effectiveness of initial sequence x describing we have analyzed quadrates of lengths Εw=εw2/L, Εcut=εcut2/L of vectors εw=diag(w)(cFyw), εcut=diag(w)(cFycut) weighed discrepancies for offered yw and cut ycut sequences.

Thus, the method of initial time experimental sequences x describing which consists in synthesis of the short modeling time sequences yw keeping on frequencies set both phase and amplitude properties of initial sequences x is offered.

The improving  in comparison with procedures of initial time sequences cutting (ycut) is achieved due to using of a weight function w of a separate spectral significance wl for synthesis of modeling sequences yw from initial time sample set x.

The values of improving  lay in a range 2…4 times by criterion Εwcut of relation of lengths quadrates of discrepancies vectors ε. This improving coefficient  is achieved in the example that devoted to high-voltage energy net monitoring. Such  values allow to reduce the length m of model sequences yw in 1,5…2 times in comparison with the length of cut sequences ycut under condition of the same adequacy of initial time sample x modeling by criterion (2).







Цифровая обработка сигналов и ее применение

Digital signal processing and its applications


Смотрите также:
Моделирование радиотехнических сигналов с учетом их фазовых портретов
132.48kb.
1 стр.
Обработка сигналов в радиотехнических системах
107.7kb.
1 стр.
Программа вступительных испытаний для поступления в магистратуру по направлению 210400 "Радиотехника"
54.52kb.
1 стр.
Программа экзамена по курсу «Радиотехнические цепи и сигналы, ч. 1»
62.36kb.
1 стр.
Рабочая программа учебной дисциплины «радиотехнические цепи и сигналы» Цикл: профессиональный
123.59kb.
1 стр.
«…и ольга царственно благая» (К истории нескольких портретов в Константиновском дворце)
229.77kb.
1 стр.
Численное моделирование образования наноразмерных структур на поверхности подложек при ионной бомбардировке
35kb.
1 стр.
Статистическое моделирование плазмы с учетом масштабов разрешения измерений
17.95kb.
1 стр.
Моделирование экономического роста с учетом экологического и социального факторов
318.74kb.
2 стр.
Идентификация сигналов от сцинтилляционных детекторов ионизирующего излучения Анатолий Васильевич Давыдов
259.01kb.
1 стр.
Вычислительная система цифровой обработки сигналов в реальном времени пояснительная записка к курсовому проекту по дисциплине: «Процессоры для цифровой обработки сигналов»
160.29kb.
1 стр.
Краткое содержание этапов исследований в 2007 году Сроки начала и оконча-ния темы Подразделение научного учреждения
16.08kb.
1 стр.