рефераты конспекты курсовые дипломные лекции шпоры

Реферат Курсовая Конспект

Введение в теорию сигналов и систем.

Введение в теорию сигналов и систем. - раздел Связь, Содержание Дисциплины ...

СОДЕРЖАНИЕ ДИСЦИПЛИНЫ

Наименование темы Литература
1.1.Введение в теорию сигналов и систем. Математическое описание сигналов. Классификация сигналов. Типы сигналов. Преобразования сигналов. Тестовые сигналы. Системы преобразования сигналов. Линейные системы. Понятие информации. Количественная мера информации. Информационная емкость сигналов. [1], c. 11-15, [2], с. 21-24, [3], тема 1, 24 стр.
1.2.Пространство и метрология сигналов. Множества сигналов. Линейное пространство сигналов. Норма и метрика сигналов. Скалярное произведение. Коэффициент корреляции сигналов. Координатный базис пространства. Ортогональные сигналы. Разложение сигнала в ряд. Ортонормированные системы функций. Понятия мощности и энергии сигналов. Шумы и помехи в сигналах. [1], c. 23-33, [2], с. 25-29, [3], тема 2, 19 стр.
1.3.Динамическая форма сигналов. Единичные импульсы. Разложение сигналов по единичным импульсам. Импульсный отклик линейной системы. Свертка (конволюция) сигналов. Интеграл Дюамеля. Свойства свертки. Системы свертки. [1], c. 16-22, [3], тема 3, 8 стр.
1.4.Спектральное представление сигналов. Разложение сигналов по гармоническим функциям. Непрерывные преобразования Фурье и Лапласа. Интеграл Фурье. Обобщенный ряд Фурье. Свойства преобразований Фурье. Теорема запаздывания. Преобразование свертки, производной, интеграла, произведения сигналов. Спектры мощности. Равенство Парсеваля. Спектры типовых сигналов. [1], c. 38-60, [3], тема 4, 24 стр.
1.5.Энергетические спектры сигналов и функций. Мощность и энергия сигналов. Энергетические спектры сигналов. Скалярное произведение сигналов. Взаимный энергетический спектр. [1], c. 72-76, [3], тема 5, 5 стр.
1.6.Корреляционные функции сигналов. Корреляционные и ковариационные функции сигналов. Корреляционные функции финитных, периодических, дискретных и кодовых сигналов. Взаимнокорреляционные функции сигналов. Спектральные плотности корреляционных функций. Интервал корреляции сигнала. [1], c. 77-90, [3], тема 6, 12 стр.
1.7.Дискретизация сигналов и функций. Принципы дискретизации и воспроизведения сигналов. Равномерная дискретизация. Спектры дискретных сигналов. Интерполяционный ряд Котельникова-Шеннона. Информационная тождественность динамической и спектральной формы сигналов. Соотношение спектров одиночного и периодического сигналов. Дискретизация по критерию наибольшего отклонения. Адаптивная дискретизация. Квантование сигналов. Децимация и интерполяция сигналов. [1], c. 122-126, [2], с. 183-194, [3], тема 7, 17 стр.
1.8.Дискретные преобразования сигналов и функций. Дискретные преобразования Фурье и Лапласа. Быстрое преобразование Фурье. Z-преобразование сигналов. Свойства z-преобразования. Связь с преобразованиями Фурье и Лапласа. Аналитическая форма z-образов. Обратное z-преобразование. Дискретная свертка сигналов. [1], c. 382-395, [2], с. 30-55, 78-89, 215-242, [3], тема 8, 10 стр.
1.9.Случайные процессы и сигналы. Случайные процессы. Корреляционные функции процессов. Взаимные моменты случайных процессов. Функции спектральной плотности. Каноническое разложение случайных функций, финитное преобразование Фурье. Спектры функций случайных процессов. Теорема Винера-Хинчина. Преобразования случайных функций. Функция когерентности. Модели случайных сигналов и помех. [1], c. 140-161, [2], с. 271-278, [3], тема 9, 21 стр.

 

ТЕМАТИКА ПРАКТИЧЕСКИХ РАБОТ

  ВВЕДЕНИЕ В ТЕОРИЮ СИГНАЛОВ

Содержание

1. Общие сведения и понятия.

1.1 Понятие сигнала.

1.2 Шумы и помехи.

1.3 Размерность сигналов.

1.4 Математическое описание сигналов.

1.5 Спектральное представление сигналов.

1.1. Общие сведения и понятия [1,10, 15, 25]

Понятие сигнала. В XVIII веке в теорию математики вошло понятие функции, как определенной зависимости какой-либо величины y от другой величины – независимой переменной х, с математической записью такой зависимости в виде у(х). Довольно скоро математика функций стала базовой основой теории всех естественных и технических наук. Особое значение функциональная математика приобрела в технике связи, где временные функции вида s(t) используемые для передачи информации, стали называть сигналами.

В технических отраслях знаний термин "сигнал" (signal, от латинского signum – знак) очень часто используется в широком смысловом диапазоне, без соблюдения строгой терминологии. Под ним понимают и техническое средство для передачи, обращения и использования информации - электрический, магнитный, оптический сигнал; и физический процесс, представляющий собой материальное воплощение информационного сообщения - изменение какого-либо параметра носителя информации (напряжения, частоты, мощности электромагнитных колебаний, интенсивности светового потока и т.п.) во времени, в пространстве или в зависимости от изменения значений каких-либо других аргументов (независимых переменных); и смысловое содержание определенного физического состояния или процесса, как, например, сигналы светофора, звуковые предупреждающие сигналы и т.п. Все эти понятия объединяет конечное назначение сигналов. Это определенные сведения, сообщения, информация о каких-либо процессах, состояниях или физических величинах объектов материального мира, выраженные в форме, удобной для передачи, обработки, хранения и использования этих сведений.

Термин “сигнал” очень часто отождествляют с понятиями “данные” (data) и “информация” (information). Действительно, эти понятия взаимосвязаны и не существуют одно без другого, но относятся к разным категориям.

Понятие информация имеет много определений, от наиболее широкого (информация есть формализованное отражение реального мира) до практического (сведения и данные, являющиеся объектом хранения, передачи, преобразования, восприятия и управления). В настоящее время мировая наука все больше склоняется к точке зрения, что информация, наряду с материей и энергией, принадлежит к фундаментальным философским категориям естествознания и относится к одному из свойств объективного мира, хотя и несколько специфичному. Что касается “данных” (от латинского datum – факт), то это совокупность фактов, результатов наблюдений, измерения каких-либо физических свойств объектов, явлений или процессах материального мира, представленных в формализованном виде, количественном или качественном. Это не информация, а только атрибут информации - сырье для получения информации путем соответствующей обработки и интерпретации (истолкования).

Наука и техника интернациональны, и используют, в основном, общепринятые термины, большинство из которых англоязычны. Термин "signal" в мировой практике является общепринятым для характеристики формы представления данных, при которой данные рассматриваются как результат некоторых измерений объекта исследований в виде последовательности значений скалярных величин (аналоговых, числовых, графических и пр.) в зависимости от изменения каких-либо переменных значений (времени, энергии, температуры, пространственных координат, и пр.). С учетом этого, в дальнейшем под термином “сигнал” в узком смысле этого слова будем понимать каким-либо образом упорядоченное отображение изменения физического состояния какого-либо объекта – материального носителя сигнала. На это формализованное отображение переносятся данные о характере изменения в пространстве, во времени или по любой другой переменной определенных физических величин, физических свойств или физического состояния объекта исследований. А так как данные содержат информацию, как об основных целевых параметрах объекта исследований, так и о различных сопутствующих и мешающих факторах измерений, то в широком смысле этого слова можно считать, что сигнал является носителем общей измерительной информации. При этом материальная форма носителей сигналов (механическая, электрическая, магнитная, акустическая, оптическая и любая другая), равно как и форма отображения данных в каких-либо физических параметрах или процессах носителей, значения не имеет. Информативным параметром сигнала может являться любой параметр носителя сигнала, функционально и однозначно связанный со значениями информационных данных.

Наиболее распространенное представление сигналов - в электрической форме в виде зависимости напряжения от времени U(t). Так, например, сигнал изменения напряженности магнитного поля по профилю аэросъемки – это и временная последовательность изменения электрического напряжения на выходе датчика аэромагнитометра, и запись этого напряжения на ленте регистратора, и последовательные значения цифровых отсчетов при обработке лент регистратора и вводе сигнала в ЭВМ.

Рис. 1.1.1. Сигнал.

С математической точки зрения сигнал представляет собой функцию, т.е. зависимость одной величины от другой, независимой переменной. По содержанию это информационная функция, несущая сообщение о физических свойствах, состоянии или поведении какой-либо физической системы, объекта или среды, а целью обработки сигналов можно считать извлечение определенных информационных сведений, которые отображены в этих сигналах (кратко - полезная или целевая информация) и преобразование этих сведений в форму, удобную для восприятия и дальнейшего использования.

Под "анализом" сигналов (analysis) имеется в виду не только их чисто математические преобразования, но и получение на основе этих преобразований выводов о специфических особенностях соответствующих процессов и объектов. Целями анализа сигналов обычно являются:

- Определение или оценка числовых параметров сигналов (энергия, средняя мощность, среднее квадратическое значение и пр.).

- Разложение сигналов на элементарные составляющие для сравнения свойств различных сигналов.

- Сравнение степени близости, "похожести", "родственности" различных сигналов, в том числе с определенными количественными оценками.

Математический аппарат анализа сигналов весьма обширен, и широко применяется на практике во всех без исключения областях науки и техники.

С понятием сигнала неразрывно связан термин регистрациисигналов, использование которого также широко и неоднозначно, как и самого термина сигнал. В наиболее общем смысле под этим термином можно понимать операцию выделения сигнала и его преобразования в форму, удобную для дальнейшего использования. Так, при получении информации о физических свойствах каких-либо объектов, под регистрацией сигнала понимают процесс измерения физических свойств объекта и перенос результатов измерения на материальный носитель сигнала или непосредственное энергетическое преобразование каких-либо свойств объекта в информационные параметры материального носителя сигнала (как правило - электрического). Но так же широко термин регистрации сигналов используют и для процессов выделения уже сформированных сигналов, несущих определенную информацию, из суммы других сигналов (радиосвязь, телеметрия и пр.), и для процессов фиксирования сигналов на носителях долговременной памяти, и для многих других процессов, связанных с обработкой сигналов.

Применительно к настоящему курсу под термином регистрации будем понимать регистрацию данных (data logging) которые проходят через конкретную систему или точку системы и определенным образом фиксируются на каком-либо материальном носителе или в памяти системы. Что касается процесса получения информации при помощи технических средств, обеспечивающих опытным путем нахождение соотношения измеряемой величины с принятой по определению образцовой единицей этой величины, и представление измеренного соотношения в какой-либо физической или числовой форме информационного сигнала, то для этого процесса будем применять, в основном, термин детектирования.

Шумы и помехи (noise). При детектировании сигналов, несущих целевую для данного вида измерений информацию, в сумме с основным сигналом одновременно регистрируются и мешающие сигналы - шумы и помехи самой различной природы (рис. 1.1.2). К помехам относят также искажения полезных сигналов при влиянии различных дестабилизирующих факторов на процессы измерений, как, например, влияние микрокаверн в стенках скважины на измерения в рентгенорадиометрических методах каротажа, грозовых разрядов на электроразведочные методы измерений и т.п. Выделение полезных составляющих из общей суммы зарегистрированных сигналов или максимальное подавление шумов и помех в информационном сигнале при сохранении его полезных составляющих является одной из основных задач первичной обработки сигналов (результатов наблюдений).

Рис. 1.1.2. Сигнал с помехами.

Типы помех разделяют по источникам их возникновения, по энергетическому спектру, по характеру воздействия на сигнал, по вероятностным характеристикам и другим признакам.

Источники помех бывают внутренние и внешние.

Внутренние шумы могут быть присущи физической природе источников сигналов, как, например, тепловые шумы электронных потоков в электрических цепях или дробовые эффекты в электронных приборах, или возникают в измерительных устройствах и системах передачи и обработки сигналов от влияния различных дестабилизирующих факторов - температуры, повышенной влажности, нестабильности источников питания, влияния механических вибраций на гальванические соединения, и т.п.

Внешние источники шумов бывают искусственного и естественного происхождения. К искусственным источникам помех относятся индустриальные помехи - двигатели, переключатели, генераторы сигналов различной формы и т.д. Естественными источниками помех являются молнии, флюктуации магнитных полей, всплески солнечной энергии, и т.д.

Электрические и магнитные поля различных источников помех вследствие наличия индуктивных, емкостных и резистивных связей создают на различных участках и цепях сигнальных систем паразитные разности потенциалов и токи, накладывающиеся на полезные сигналы.

Помехи подразделяются на флюктуационные, импульсные и периодические. Флюктуационные или шумовые помехи представляют хаотический и беспорядочный во времени процесс в виде нерегулярных случайных всплесков различной амплитуды. Как правило, флюктуационные помехи распределены по нормальному закону с нулевым средним и оказывают существенное влияние только на сигналы низкого уровня.

Импульсные помехи во многом похожи на шумовые помехи и проявляются как в виде отдельных импульсов, так и в виде последовательности импульсов, форма и параметры которых имеют случайный характер. Причинами импульсных помех являются резкие броски тока и напряжения в промышленных установках, транспортных средствах, а также природные электрические явления. Распределение импульсных помех, как правило, симметричное с произвольной плотностью распределения.

Периодические помехи вызываются периодическими низкочастотными или высокочастотными полями линий электропередач, силовых электроустановок и др. Если основная мощность помех сосредоточена на отдельных участках диапазона частот, например, на частоте напряжения промышленной сети или кратна этой частоте, то такие помехи называют сосредоточенными.

В зависимости от характера воздействия на сигнал помехи разделяют на аддитивные и мультипликативные. Аддитивные (налагающиеся) помехи суммируются с сигналом, не зависят от его значений и формы и не изменяют информативной составляющей самого сигнала. Мультипликативные или деформирующие помехи могут изменять форму информационной части сигнала, иметь зависимость от его значений и от определенных особенностей в сигнале и т.п. При известном характере мультипликативных помех возможна коррекция сигнала на их влияние.

Следует заметить, что деление сигналов на полезные и мешающие (шумовые) является достаточно условным. Источниками мешающих сигналов также могут быть определенные физические процессы, явления или объекты. При выяснении природы мешающих сигналов они могут переводиться в разряд информационных. Так, например, вариации диаметра скважин является мешающим фактором практически для всех ядерно-физических методов каротажа. Вместе с тем этот же фактор, при соответствующем методическом и аппаратурном обеспечении, может дать возможность бесконтактного определения диаметра скважин в качестве дополнительного информационного параметра.

Размерность сигналов. Простейшими сигналами являются одномерные сигналы, как, например, импульсы s(t), измерения каких-либо параметров полей (электрических, магнитных, и пр.) по профилям на поверхности земли s(x) или по стволу скважины s(h), и т.п. Значения одномерных сигналов зависят только от одной независимой переменной, как, например, на рис. 1.1.1 и 1.1.2.

Рис. 1.1.3. Двумерный сигнал.

В общем случае сигналы являются многомерными функциями пространственных, временных и прочих независимых переменных - сейсмическая волна вдоль линии профиля s(x,t), аномалия гравитационного поля на поверхности наблюдений s(x,y), пространственно - энергетическое распределение потока ионизирующих частиц или квантов от источника излучения s(x,y,z,Е) и т.п. Все большее применение находят также многомерные сигналы, образованные некоторым множеством одномерных сигналов, как, например, комплексные каротажные измерения нескольких физических параметров горных пород по стволу скважины одновременно.

Многомерные сигналы могут иметь различное представление по своим аргументам. Так, полный акустический сигнал сейсмического профиля дискретен по пространству (точкам расположения приемников) и непрерывен по времени.

Многомерный сигнал может рассматриваться, как упорядоченная совокупность одномерных сигналов. С учетом этого при анализе и обработке сигналов многие принципы и практические методы обработки одномерных сигналов, математический аппарат которых развит достаточно глубоко, распространяются и на многомерные сигналы. Физическая природа сигналов для математического аппарата их обработки значения не имеет.

Вместе с тем обработка многомерных сигналов имеет свои особенности, и может существенно отличаться от одномерных сигналов в силу большего числа степеней свободы. Так, при дискретизации многомерных сигналов имеет значение не только частотный спектр сигналов, но и форма растра дискретизации. Пример не очень полезной особенности - многомерные полиномы сигнальных функций, в отличие от одномерных, не разлагаются на простые множители. Что касается порядка размерности многомерных сигналов, то ее увеличение выше двух практически не изменяет принципы и методы анализа данных, и сказывается, в основном, только на степени громоздкости формул и чисто техническом усложнении вычислений.

Учитывая эти факторы, при рассмотрении общей теории анализа, преобразований и обработки сигналов ограничимся, в основном, одно- и двумерными сигнальными функциями, а в качестве универсальных независимых переменных (аргументов функций) будем использовать, как правило, переменную "t" для одномерных сигналов и переменные "x,t" или "x,y" для двумерных сигналов, безотносительно к их физическому содержанию (пространство, время, энергия и пр.).

Математическое описание сигналов. Сигналы могут быть объектами теоретических исследований и практического анализа только в том случае, если указан способ их математического описания. Математическое описание позволяет абстрагироваться от физической природы сигнала и материальной формы его носителя, проводить классификацию сигналов, выполнять их сравнение, устанавливать степень тождества, моделировать системы обработки сигналов.

Большинство сигналов, встречающихся на практике, представлены во временной области функциями времени. При отображении сигналов на графике одной из координат (независимой) является ось времени, а другой координатой (зависимой) – ось амплитуд. Тем самым мы получаем амплитудно-временное представление сигнала. В общем случае описание сигнала задается функциональной зависимостью определенного информационного параметра сигнала от независимой переменной (аргумента) – s(х), y(t) и т.п. Такая форма описания и графического представления сигналов называется динамической (сигнал в реальной динамике его поведения по аргументам). Функции математического описания сигналов могут быть как вещественными, так и комплексными. Выбор математического аппарата описания определяется простотой и удобством его использования при анализе и обработке сигналов.

Отметим двойственность применения описания сигналов функциями типа s(t) и т.п. С одной стороны s(t) – это величина, равная значению функции в момент времени t. С другой стороны мы обозначаем через s(t) и саму функцию, т.е. то правило, по которому каждому значению t ставится в соответствие определенная величина s. В большинстве аналитических выражений это не вызывает недоразумений и при однозначном соответствии значений сигналов их аналитическим выражениям принимается по умолчанию.

Сделаем также одно замечание по терминологии описания сигналов. В теоретических работах по анализу сигналов конкретные значения величины сигнала (отсчеты значений по аргументу) часто именуют координатами сигнала. В отраслях знаний, связанных с геологией и горным делом, и в геофизической практике в том числе, этот термин используется по своему прямому смысловому назначению – пространственных координат результатов измерений, и является неизменным атрибутом всех геолого-геофизических данных. С учетом последнего фактора условимся применять термин “координата” по своему традиционному смысловому назначению в качестве обобщающего термина для независимых переменных сигнальных функций. При этом под понятием координат значений сигнала будем понимать не только какие-либо пространственные координаты, как это непосредственно имеет место для результатов измерений при геолого-геофизических съемках, но и любые другие аргументы, на числовой оси которых отложены значения или отсчеты сигнала и рассматривается динамика его изменения (пример на рис. 1.1.1).

Спектральное представление сигналов. Кроме привычного динамического представления сигналов и функций в виде зависимости их значений от определенных аргументов (времени, линейной или пространственной координаты и т.п.) при анализе и обработке данных широко используется математическое описание сигналов по аргументам, обратным аргументам динамического представления. Так, например, для времени обратным аргументом является частота. Возможность такого описания определяется тем, что любой сколь угодно сложный по своей форме сигнал, не имеющий разрывов второго рода (бесконечных значений на интервале своего задания), можно представить в виде суммы более простых сигналов, и, в частности, в виде суммы простейших гармонических колебаний, что выполняется при помощи преобразования Фурье. Соответственно, математически разложение сигнала на гармонические составляющие описывается функциями значений амплитуд и начальных фаз колебаний по непрерывному или дискретному аргументу – частоте изменения функций на определенных интервалах аргументов их динамического представления. Совокупность амплитуд гармонических колебаний разложения называют амплитудным спектром сигнала, а совокупность начальных фаз – фазовым спектром. Оба спектра вместе образуют полный частотный спектр сигнала, который по точности математического представления тождественен динамической форме описания сигнала.

Линейные системы преобразования сигналов описываются дифференциальными уравнениями, причем для них верен принцип суперпозиции, согласно которому реакция систем на сложный сигнал, состоящий из суммы простых сигналов, равна сумме реакций от каждого составляющего сигнала в отдельности. Это позволяет при известной реакции системы на гармоническое колебание с определенной частотой определить реакцию системы на любой сложный сигнал, разложив его в ряд гармоник по частотному спектру сигнала. Широкое использование гармонических функций при анализе сигналов объясняется тем, что они являются достаточно простыми ортогональными функциями и определены при всех значениях непрерывных переменных. Кроме того, они являются собственными функциями времени, сохраняющими свою форму при прохождении колебаний через любые линейные системы и системы обработки данных с постоянными параметрами (изменяются только амплитуда и фаза колебаний). Немаловажное значение имеет и то обстоятельство, что для гармонических функций и их комплексного анализа разработан мощный математический аппарат.

Примеры частотного представления сигналов приводятся ниже (рис. 1.1.5 – 1.1.12).

Кроме гармонического ряда Фурье применяются и другие виды разложения сигналов: по функциям Уолша, Бесселя, Хаара, полиномам Чебышева, Лаггера, Лежандра и др. Главное условие однозначности и математической идентичности отображения сигналов - ортогональность функций разложения. Но при качественном анализе сигналов могут применяться и неортогональные функции, выявляющие какие-либо характерные особенности сигналов, полезные для интерпретации физических данных.

 


Лекция 1. ОПИСАНИЕ СИГНАЛОВ

Содержание

1. Математические модели сигналов. Виды моделей. Классификация сигналов.

2. Типы сигналов. Аналоговый сигнал. Дискретный сигнал. Цифровой сигнал. Преобразования типа сигналов. Графическое отображение сигналов. Тестовые сигналы.

3. Системы преобразования сигналов. Общее понятие систем. Основные системные операции. Линейные системы.

4. Информационная емкость сигналов. Понятие информации. Количественная мера информации. Энтропия источника информации. Основные свойства энтропии Энтропия непрерывного источника информации. Информационная емкость сигналов.

 

Математические модели сигналов. Теория анализа и обработки физических данных базируется на математических моделях соответствующих физических полей и физических процессов, на основе которых создаются математические модели сигналов. Математические модели сигналов дают возможность обобщенно, абстрагируясь от физической природы, судить о свойствах сигналов, предсказывать изменения сигналов в изменяющихся условиях, заменять физическое моделирование процессов математическим. С помощью математических моделей имеется возможность описывать свойства сигналов, которые являются главными, определяющими в изучаемых процессах, и игнорировать большое число второстепенных признаков. Знание математических моделей сигналов дает возможность классифицировать их по различным признакам, характерным для того или иного типа моделей. Так, сигналы разделяются на неслучайные и случайные в зависимости от возможности точного предсказания их значений в любые моменты времени. Сигнал является неслучайным и называется детерминированным, если математическая модель позволяет осуществлять такое предсказание. Детерминированный сигнал задается, как правило, математической функцией или вычислительным алгоритмом, а математическая модель сигнала может быть представлена в виде

s = F(t, z, w,…; A, B, C,…),

где s – информативный параметр сигнала; t, z, w, … – независимые аргументы (время, пространственная координата, частота и др.); A, B, C… – параметры сигналов.

Модель должна быть, по возможности, проще, минимизирована по количеству независимых аргументов и адекватна изучаемому процессу, что во многом предопределяет результаты измерений.

Математическое описание не может быть всеобъемлющим и идеально точным и, по существу, всегда отображает не реальные объекты, а их упрощенные (гомоморфные) модели. Модели могут задаваться таблицами, графиками, функциональными зависимостями, уравнениями состояний и переходов из одного состояния в другое и т.п. Формализованное описание может считаться математической моделью оригинала, если оно позволяет с определенной точностью прогнозировать состояние и поведение изучаемых объектов путем формальных процедур над их описанием.

Неотъемлемой частью любой математической модели сигнала является область определения сигнала, которая устанавливается интервалом задания независимой переменной. Примеры задания интервала для переменных:

a ≤ x ≤ b, x Î [a, b].

a < y ≤ b, y Î (a, b].

a < z < b, z Î (a, b).

Пространство значений независимой переменной обычно обозначается через индекс R. Так, например, R:=(-¥ , +¥), x Î R.

Кроме задания области определения сигнала могут быть также заданы виды численных значений переменных (целые, рациональные, вещественные, комплексные).

Математические модели полей и сигналов на первом этапе обработки и анализа результатов наблюдений должны позволять в какой-то мере игнорировать их физическую природу и возвращать ее в модель только на заключительном этапе интерпретации данных.

Виды моделей сигналов. При анализе физических данных используются два основных подхода к созданию математических моделей сигналов.

Первый подход оперирует с детерминированными сигналами, значения которых в любой момент времени или в произвольной точке пространства (а равно и в зависимости от любых других аргументов) являются априорно известными или могут быть достаточно точно определены (вычислены). Такой подход удобен в прямых задачах (расчеты полей для заданных моделей сред). Для описания неслучайных сигналов используются также квазидетерминированные модели, в которых значения одного или нескольких параметров априорно неизвестны, и считаются случайными величинами с малой случайной компонентой, влиянием которой можно пренебречь.

Второй подход предполагает случайный характер сигналов, закон изменения которых во времени (или в пространстве) носит случайный характер, и которые принимают конкретные значения с некоторой вероятностью. Модель такого сигнала представляет собой описание статистических характеристик случайного процесса путем задания законов распределения вероятностей, корреляционной функции, спектральной плотности энергии и др.

Случайность может быть обусловлена как собственной физической природой сигналов, что характерно, например, для радиосигналов, так и вероятностным характером регистрируемых сигналов как по времени или месту их появления, так и по содержанию. С этих позиций случайный сигнал может рассматриваться как отображение случайного по своей природе процесса или физических свойств объекта (процесса), которые определяются случайными параметрами влияющими на распространение сигнала в среде, результаты измерений в которой трудно предсказуемы.

Между этими двумя видами сигналов нет резкой границы. Строго говоря, детерминированных процессов и отвечающих им детерминированных сигналов в природе не существует. Даже сигналы, хорошо известные на входе в среду (при внешнем воздействии на нее), по месту их регистрации всегда осложнены случайными помехами, влиянием дестабилизирующих факторов и априорно неизвестными параметрами и строением самой среды. С другой стороны, модель случайного поля часто аппроксимируется методом суперпозиции (сложения) сигналов известной формы. Детерминированные модели могут использоваться и для изучения чисто случайных процессов, если уровень полезного сигнала в этом процессе значительно выше уровня статистических флюктуаций.

На выбор математической модели поля в том или ином случае в немалой степени влияет также сложность математического аппарата обработки сигналов. Не исключается и изменение модели, как правило, с переводом из вероятностной в детерминированную, в процессе накопления информации об изучаемом явлении или объекте.

Классификация сигналов осуществляется на основании существенных признаков соответствующих математических моделей сигналов.Все сигналы разделяют на две крупных группы: детерминированные и случайные. Классификация сигналов внутри групп приведена на рис. 1.1.4.

Рис. 1.1.4. Классификация сигналов.

С математических позиций группы сигналов обычно называют множествами, в которые объединяют сигналы по какому-либо общему свойству. Принадлежность сигнала s к множеству LР записывается в виде LP = {s; P}, где Р – определенное свойство данного множества сигналов.

Классификация детерминированных сигналов. Обычно выделяют два класса детерминированных сигналов: периодические и непериодические.

К множеству периодических относят гармонические и полигармонические сигналы. Для периодических сигналов выполняется общее условие s(t) = s(t + kT), где k = 1, 2, 3, ... - любое целое число (из множества целых чисел I от -∞ до ∞), Т - период, являющийся конечным отрезком независимой переменной. Множество периодических сигналов:

LP = {s(t); s(t+kT) = s(t), -∞ < t < ∞, kÎI}.

Рис. 1.1.5. Гармонический сигнал и спектр его амплитуд.

Гармонические сигналы (синусоидальные), описываются следующими формулами:

 

s(t) = A×sin (2pfоt+f) = A×sin (wоt+f),

s(t) = A×cos(wоt+j), (1.1.1)

где А, fo, wo, j, f - постоянные величины, которые могут исполнять роль информационных параметров сигнала: А - амплитуда сигнала, fо - циклическая частота в герцах, wо = 2pfо - угловая частота в радианах, j и f- начальные фазовые углы в радианах. Период одного колебания T = 1/fо = 2p/wo. При j = f-p/2 синусные и косинусные функции описывают один и тот же сигнал. Частотный спектр сигнала представлен амплитудным и начальным фазовым значением частоты fо (при t = 0).

Полигармонические сигналы составляют наиболее широко распространенную группу периодических сигналов и описываются суммой гармонических колебаний:

s(t) =An sin (2pfnt+jn), (1.1.2)

или непосредственно функцией s(t) = y(t ± kTp), k = 1,2,3,..., где Тр - период одного полного колебания сигнала y(t), заданного на одном периоде. Значение fp =1/Tp называют фундаментальной частотой колебаний. Полигармонические сигналы представляют собой сумму определенной постоянной составляющей (fо=0) и произвольного (в пределе - бесконечного) числа гармонических составляющих с произвольными значениями амплитуд An и фаз jn, с периодами, кратными периоду фундаментальной частоты fp. Другими словами, на периоде фундаментальной частоты fp, которая равна или кратно меньше минимальной частоты гармоник, укладывается кратное число периодов всех гармоник, что и создает периодичность повторения сигнала. Частотный спектр полигармонических сигналов дискретен, в связи с чем второе распространенное математическое представление сигналов - в виде спектров (рядов Фурье).

В качестве примера на рис. 1.1.6 приведен отрезок периодической сигнальной функции, которая получена суммированием постоянной составляющей (частота постоянной составляющей равна 0) и трех гармонических колебаний с разными значениями частоты и начальной фазы колебаний. Математическое описание сигнала задается формулой:

s(t) =Ak×cos(2×p×fk×t+jk),

где: Ak = {5, 3, 4, 7} - амплитуда гармоник; fk = {0, 40, 80, 120} - частота в герцах; jk = {0, -0.4, -0.6, -0.8} - начальный фазовый угол колебаний в радианах; k = 0, 1, 2, 3. Фундаментальная частота сигнала 40 Гц.

Рис. 1.1.6. Модель сигнала. Рис. 1.1.7. Спектр сигнала.

Частотное представление данного сигнала (спектр сигнала) приведено на рис. 1.1.7. Обратим внимание, что частотное представление периодического сигнала s(t), ограниченного по числу гармоник спектра, составляет всего восемь отсчетов и весьма компактно по сравнению с временным представлением.

Периодический сигнал любой произвольной формы может быть представлен в виде суммы гармонических колебаний с частотами, кратными фундаментальной частоте колебаний fр = 1/Тр. Для этого достаточно разложить один период сигнала в ряд Фурье по тригонометрическим функциям синуса и косинуса с шагом по частоте, равным фундаментальной частоте колебаний Df = fp:

s(t) =(ak cos 2pkDft + bk sin 2pkDft), (1.1.3)

ao = (1/T)s(t) dt, ak = (2/T)s(t) cos 2pkDft dt, (1.1.4)

bk = (2/T)s(t) sin 2pkDft dt. (1.1.5)

Количество членов ряда Фурье K = kmax обычно ограничивается максимальными частотами fmax гармонических составляющих в сигналах так, чтобы fmax < K·fp. Однако для сигналов с разрывами и скачками имеет место fmax ® ¥ , при этом количество членов ряда ограничивается по допустимой погрешности аппроксимации функции s(t).

Одночастотные косинусные и синусные гармоники можно объединить и представить разложение в более компактной форме:

s(t) = Sk cos (2pkDft-jk), (1.1.3')

Sk =, jk = argtg (bk/ak). (1.1.6)

Рис. 1.1.8. Прямоугольный периодический сигнал (меандр).

Пример представления прямоугольного периодического сигнала (меандра) в виде амплитудного ряда Фурье в частотной области приведен на рис. 1.1.8. Сигнал четный относительно t=0, не имеет синусных гармоник, все значения jk для данной модели сигнала равны нулю.

Информационными параметрами полигармонического сигнала могут быть как определенные особенности формы сигнала (размах от минимума до максимума, экстремальное отклонение от среднего значения, и т.п.), так и параметры определенных гармоник в этом сигнале. Так, например, для прямоугольных импульсов информационными параметрами могут быть период повторения импульсов, длительность импульсов, скважность импульсов (отношение периода к длительности). При анализе сложных периодических сигналов информационными параметрами могут также быть:

- Текущее среднее значение за определенное время, например, за время периода:

(1/Т)s(t) dt.

- Постоянная составляющая одного периода:

(1/Т)s(t) dt.

- Среднее выпрямленное значение:

(1/Т)|s(t)| dt.

- Среднее квадратичное значение:

.

К непериодическим сигналам относят почти периодические и апериодические сигналы. Основным инструментом их анализа также является частотное представление.

Почти периодические сигналы близки по своей форме к полигармоническим. Они также представляют собой сумму двух и более гармонических сигналов (в пределе – до бесконечности), но не с кратными, а с произвольными частотами, отношения которых (хотя бы двух частот минимум) не относятся к рациональным числам, вследствие чего фундаментальный период суммарных колебаний бесконечно велик.

Рис. 1.1.9. Почти периодический сигнал и спектр его амплитуд.

Так, например, сумма двух гармоник с частотами 2fo и 3.5fo дает периодический сигнал (2/3.5 – рациональное число) с фундаментальной частотой 0.5fo, на одном периоде которой будут укладываться 4 периода первой гармоники и 7 периодов второй. Но если значение частоты второй гармоники заменить близким значением fo, то сигнал перейдет в разряд непериодических, поскольку отношение 2/не относится к числу рациональных чисел. Как правило, почти периодические сигналы порождаются физическими процессами, не связанными между собой. Математическое отображение сигналов тождественно полигармоническим сигналам (сумма гармоник), а частотный спектр также дискретен.

Апериодические сигналы составляют основную группу непериодических сигналов и задаются произвольными функциями времени. На рис. 1.1.10 показан пример апериодического сигнала, заданного формулой на интервале (0, ¥):

s(t) = exp(-a×t) - exp(-b×t),

где a и b – константы, в данном случае a = 0.15, b = 0.17.

Рис. 1.1.10. Апериодический сигнал и модуль спектра. Рис. 1.1.11. Импульсный сигнал и модуль спектра.

К апериодическим сигналам относятся также импульсные сигналы, которые в радиотехнике и в отраслях, широко ее использующих, часто рассматривают в виде отдельного класса сигналов. Импульсы представляют собой сигналы, как правило, определенной и достаточно простой формы, существующие в пределах конечных временных интервалов. Сигнал, приведенный на рис. 1.1.11, относится к числу импульсных.

Частотный спектр апериодических сигналов непрерывен и может содержать любые гармоники в частотном интервале [0, ¥]. Для его вычисления используется интегральное преобразование Фурье, которое можно получить переходом в формулах (1.1.3) от суммирования к интегрированию при Df ® 0 и kDf ® f.

s(t) =(a(f) cos 2pft + b(f) sin 2pft) df =S(f) cos(2pft-j(f)) df. (1.1.7)

a(f) = s(t) cos 2pft dt, b(f) = s(t) sin 2pft dt, (1.1.8)

S(f) =, j(f) = argtg (b(f)/a(f)). (1.1.9)

Частотные функции a(f), b(f) и S(f) представляют собой не амплитудные значения соответствующих гармоник на определенных частотах, а распределения спектральной плотности амплитуд этих гармоник по частотной шкале. Формулы (1.1.8-1.1.9) обычно называют формулами прямого преобразования Фурье, формулы (1.1.7) – обратного преобразования.

Если нас не интересует поведение сигнала за пределами области его задания [0, Т], то эта область может восприниматься, как один период периодического сигнала, т.е. значение Т принимается за фундаментальную частоту периодический колебаний, при этом для частотной модели сигнала может применяться разложение в ряды Фурье по области его задания (1.1.3-1.1.6).

В классе импульсных сигналов выделяют подкласс радиоимпульсов. Пример радиоимпульса приведен на рис. 1.1.12.

Рис. 1.1.12. Радиоимпульс и модуль его спектра.

Уравнение радиоимпульса имеет вид:

s(t) = u(t) cos(2pfot+jo).

где cos(2pfot+jo) – гармоническое колебание заполнения радиоимпульса, u(t) – огибающая радиоимпульса. Положение главного пика спектра радиоимпульса на частотной шкале соответствует частоте заполнения fo, а его ширина определяется длительностью радиоимпульса. Чем больше длительность радиоимпульса, тем меньше ширина главного частотного пика.

С энергетических позиций сигналы разделяют на два типа: с ограниченной (конечной) энергией и с бесконечной энергией.

Для множества сигналов с ограниченной энергией должно выполняться условие:

L2E = {s; |s(t)|2 dt < ∞}.

О сигналах s(t) данного множества принято говорить, что они интегрируемы с квадратом. Очевидно, что этому множеству могут соответствовать только сигналы, стремящиеся к нулю на бесконечности: s(t) → 0.

Как правило, к этому типу сигналов относятся апериодические и импульсные сигналы, не имеющие разрывов 2-го рода при ограниченном количестве разрывов 1-го рода. Любые периодические, полигармонические и почти периодические сигналы, а также сигналы с разрывами и особыми точками 2-го рода, уходящими в бесконечность, относятся к сигналам с бесконечной энергией. Для их анализа применяются специальные методы.

Для бесконечных по энергии сигналов, в том числе для периодических, ограничение по энергии может задаваться для определенного интервала (периода) T = t1-t2:

L2E(T) = {s;|s(t)|2 dt < ∞}.

Иногда в отдельный класс выделяют сигналы конечной длительности, отличные от нуля только на ограниченном интервале аргументов (независимых переменных). Такие сигналы обычно называют финитными.

С позиций временной динамики сигналы подразделяются на стационарные и нестационарные. Стационарными называются сигналы, частотный спектр которых не изменяется во времени и не зависит от интервала задания сигналов. К ним относятся периодические и почти периодические сигналы. Большинство практических сигналов являются нестационарными на достаточно больших интервалах задания, но могут содержать в своем составе стационарные частотные составляющие. Так, модулированные сигналы радио и телевидения относятся к числу нестационарных, но имеют стационарные несущие частоты.

Классификация случайных сигналов. Случайным сигналом называют функцию времени, значения которой заранее неизвестны, и могут быть предсказаны лишь с некоторой вероятностью. Случайный сигнал отображает случайное физическое явление или физический процесс, причем, зарегистрированный в единичном наблюдении, сигнал не воспроизводится при повторных наблюдениях и не может быть описан явной математической зависимостью. При регистрации случайного сигнала реализуется только один из возможных вариантов (исходов) случайного процесса, а достаточно полное и точное описание процесса в целом можно произвести только после многократного повторения наблюдений и вычисления определенных статистических характеристик ансамбля реализаций сигнала. В качестве основных статистических характеристик случайных сигналов принимают:

а) закон распределения вероятности нахождения величины сигнала в определенном интервале значений;

б) спектральное распределение мощности сигнала.

Случайные сигналы подразделяют на стационарные и нестационарные. Случайные стационарные сигналы сохраняют свои статистические характеристики в последовательных реализациях случайного процесса. Что касается случайных нестационарных сигналов, то их общепринятой классификации не существует. Как правило, из них выделяют различные группы сигналов по особенностям их нестационарности.

1.2. Типы сигналов [1,10,15]

Выделяют следующие типы сигналов, которым соответствуют определенные формы их математического описания.

Рис. 1.2.1. Аналоговый сигнал.

Аналоговый сигнал (analog signal) является непрерывной функцией непрерывного аргумента, т.е. определен для любого значения аргументов. Источниками аналоговых сигналов, как правило, являются физические процессы и явления, непрерывные в динамике своего развития во времени, в пространстве или по любой другой независимой переменной, при этом регистрируемый сигнал подобен (“аналогичен”) порождающему его процессу. Пример математической записи сигнала: y(t) = 4.8 exp[-(t-4)2/2.8]. Пример графического отображения данного сигнала приведен на рис. 1.2.1, при этом как сама функция, так и ее аргументы, могут принимать любые значения в пределах некоторых интервалов y1 £ y £ y2, t1 £ t £ t2. Если интервалы значений сигнала или его независимых переменных не ограничиваются, то по умолчанию они принимаются равными от -¥ до +¥. Множество возможных значений сигнала образует континуум - непрерывное пространство, в котором любая сигнальная точка может быть определена с точностью до бесконечности. Примеры сигналов, аналоговых по своей природе - изменение напряженности электрического, магнитного, электромагнитного поля во времени и в пространстве.

Рис. 1.2.2. Дискретный сигнал

Дискретный сигнал (discrete signal) по своим значениям также является непрерывной функцией, но определенной только по дискретным значениям аргумента. По множеству своих значений он является конечным (счетным) и описывается дискретной последовательностью отсчетов (samples) y(nDt), где y1 £ y £ y2, Dt - интервал между отсчетами (интервал или шаг дискретизации, sample time), n = 0, 1, 2,...,N. Величина, обратная шагу дискретизации: f = 1/Dt, называется частотой дискретизации (sampling frequency). Если дискретный сигнал получен дискретизацией (sampling) аналогового сигнала, то он представляет собой последовательность отсчетов, значения которых в точности равны значениям исходного сигнала по координатам nDt.

Пример дискретизации аналогового сигнала, приведенного на рис. 1.2.1, представлен на рис. 1.2.2. При Dt = const (равномерная дискретизация данных) дискретный сигнал можно описывать сокращенным обозначением y(n). В технической литературе в обозначениях дискретизированных функций иногда оставляют прежние индексы аргументов аналоговых функций, заключая последние в квадратные скобки - y[t]. При неравномерной дискретизации сигнала обозначения дискретных последовательностей (в текстовых описаниях) обычно заключаются в фигурные скобки - {s(ti)}, а значения отсчетов приводятся в виде таблиц с указанием значений координат ti. Для числовых последовательностей (равномерных и неравномерных) применяется и следующее числовое описание: s(ti) = {a1, a2, ..., aN}, t = t1, t2, ...,tN. Примеры дискретных геофизических сигналов - результаты вертикального электрического зондирования (дискретная величина разноса токовых электродов), профили геохимического опробования, и т.п.

Цифровой сигнал (digital signal) квантован по своим значениям и дискретен по аргументу. Он описывается квантованной решетчатой функцией yn = Qk[y(nDt)], где Qk - функция квантования с числом уровней квантования k, при этом интервалы квантования могут быть как с равномерным распределением, так и с неравномерным, например - логарифмическим. Задается цифровой сигнал, как правило, в виде дискретного ряда (discrete series) числовых данных - числового массива по последовательным значениям аргумента при Dt = const, но в общем случае сигнал может задаваться и в виде таблицы для произвольных значений аргумента.

Рис. 1.2.3. Цифровой сигнал

По существу, цифровой сигнал по своим значениям (отсчетам) является формализованной разновидностью дискретного сигнала при округлении отсчетов последнего до определенного количества цифр, как это показано на рис 1.2.3. Цифровой сигнал конечен по множеству своих значений. Процесс преобразования бесконечных по значениям аналоговых отсчетов в конечное число цифровых значений называется квантованием по уровню, а возникающие при квантовании ошибки округления отсчетов (отбрасываемые значения) – шумами (noise) или ошибками (error) квантования (quantization).

В системах цифровой обработки данных и в ЭВМ сигнал всегда представлен с точностью до определенного количества разрядов, а, следовательно, всегда является цифровым. С учетом этих факторов при описании цифровых сигналов функция квантования обычно опускается (подразумевается равномерной по умолчанию), а для описания сигналов используются правила описания дискретных сигналов. Что касается формы обращения цифровых сигналов в системах хранения, передачи и обработки, то, как правило, они представляет собой комбинации коротких одно- или двуполярных импульсов одинаковой амплитуды, которыми в двоичном коде с определенным количеством числовых разрядов кодируются числовые последовательности сигналов (массивов данных).

Рис. 1.2.4. Дискретно-аналоговый сигнал

В принципе, квантованными по своим значениям могут быть и аналоговые сигналы, зарегистрированные соответствующей аппаратурой (рис. 1.2.4), которые принято называть дискретно-аналоговыми. Но выделять эти сигналы в отдельный тип не имеет смысла - они остаются аналоговыми кусочно-непрерывными сигналами с шагом квантования, который определяется допустимой погрешностью измерений.

Большинство сигналов, с которыми приходится иметь дело при обработке данных, относятся к классу цифровых.

Преобразования типа сигналов. Формы математического отображения сигналов, особенно на этапах их первичной регистрации (детектирования) и в прямых задачах описания геофизических полей и физических процессов, как правило, отражают их физическую природу. Однако последнее не является обязательным и зависит от методики измерений и технических средств детектирования, преобразования, передачи, хранения и обработки сигналов. На разных этапах процессов получения и обработки информации как материальное представление сигналов в устройствах регистрации и обработки, так и формы их математического описания при анализе данных, могут изменяться путем соответствующих операций преобразования типа сигналов.

Операция дискретизации (discretization) осуществляет преобразование аналоговых сигналов (функций), непрерывных по аргументу, в функции мгновенных значений сигналов по дискретному аргументу. Дискретизация обычно производится с постоянным шагом по аргументу (равномерная дискретизация), при этом s(t) Þ s(nDt), где значения s(nDt) представляют собой отсчеты функции s(t) в моменты времени t = nDt, n = 0, 1, 2,..., N. Частота, с которой выполняются замеры аналогового сигнала, называется частотой дискретизации. В общем случае, сетка отсчетов по аргументу может быть произвольной, как, например, s(t) Þ s(tk), k=1, 2, …, K, или задаваться по определенному закону. В результате дискретизации непрерывный (аналоговый) сигнал переводится в последовательность чисел.

Операция восстановления аналогового сигнала из его дискретного представления обратна операции дискретизации и представляет, по существу, интерполяцию данных.

Дискретизация сигналов может приводить к определенной потере информации о поведении сигналов в промежутках между отсчетами. Однако существуют условия, определенные теоремой Котельникова-Шеннона, согласно которым аналоговый сигнал с ограниченным частотным спектром может быть без потерь информации преобразован в дискретный сигнал, и затем абсолютно точно восстановлен по значениям своих дискретных отсчетов.

Как известно, любая непрерывная функция может быть разложена на конечном отрезке в ряд Фурье, т.е. представлена в спектральной форме - в виде суммы ряда синусоид с кратными (нумерованными) частотами с определенными амплитудами и фазами. У относительно гладких функций спектр быстро убывает (коэффициенты модуля спектра быстро стремятся к нулю). Для представления "изрезанных" функций, с разрывами и "изломами", нужны синусоиды с большими частотами. Говорят, что сигнал имеет ограниченный спектр, если после определенной частоты F все коэффициенты спектра равны нулю, т.е. сигнал представляется в виде конечной суммы ряда Фурье.

Теоремой Котельникова-Шеннона устанавливается, что если спектр сигнала ограничен частотой F, то после дискретизации сигнала с частотой не менее 2F можно восстановить исходный непрерывный сигнал по полученному цифровому сигналу абсолютно точно. Для этого нужно выполнить интерполяцию цифрового сигнала "между отсчетами" специальной функцией (Котельникова-Шеннона).

На практике эта теорема имеет огромное значение. Например, известно, что диапазон звуковых сигналов, воспринимаемых человеком, не превышает 20 кГц. Следовательно, при дискретизации записанных звуковых сигналов с частотой не менее 40 кГц мы можем точно восстановить исходный аналоговый сигнал по его цифровым отсчетам, что и выполняется в проигрывателях компакт-дисков для восстановления звука. Частота дискретизации звукового сигнала при записи на компакт-диск составляет 44100 Гц.

Операция квантования или аналого-цифрового преобразования (АЦП; английский термин Analog-to-Digital Converter, ADC) заключается в преобразовании дискретного сигнала s(tn) в цифровой сигнал s(n) = sn » s(tn), n = 0, 1, 2,.., N, как правило, кодированный в двоичной системе счисления. Процесс преобразования отсчетов сигнала в числа называется квантованием по уровню (quantization), а возникающие при этом потери информации за счет округления – ошибками или шумами квантования (quantization error, quantization noise).

При преобразовании аналогового сигнала непосредственно в цифровой сигнал операции дискретизации и квантования совмещаются.

Операция цифро-аналогового преобразования (ЦАП; Digital-to-Analog Converter, DAC) обратна операции квантования, при этом на выходе регистрируется либо дискретно-аналоговый сигнал s(tn), который имеет ступенчатую форму (рис. 1.2.4), либо непосредственно аналоговый сигнал s(t), который восстанавливается из s(tn), например, путем сглаживания.

Так как квантование сигналов всегда выполняется с определенной и неустранимой погрешностью (максимум - до половины интервала квантования), то операции АЦП и ЦАП не являются взаимно обратными с абсолютной точностью.

Алиасинг. А что произойдет, если спектр аналогового сигнала был неограниченным или имел частоту, выше частоты дискретизации?

Рис. 1.2.5. Появление кажущейся частоты при дискретизации.

Предположим, что при записи акустического сигнала оркестра в помещении от какого-то устройства присутствует ультразвуковой сигнал с частотой 30 кГц. Запись выполняется с дискретизацией сигнала на выходе микрофона с типовой частотой 44.1 кГц. При прослушивании такой записи с использованием ЦАП мы услышим шумовой сигнал на частоте 30 – 44.1/2 » 8 кГц. Восстановленный сигнал будет выглядеть так, как если бы частоты, лежащие выше половины частоты дискретизации, "зеркально" от нее отразились в нижнюю часть спектра и сложились с присутствующими там гармониками. Это так называемый эффект появления ложных (кажущихся) частот (aliasing). Эффект аналогичен всем известному эффекту обратного вращения колес автомобиля на экранах кино и телевизоров, когда скорость их вращения начинает превышать частоту смены кадров. Природу эффекта можно наглядно видеть на рис. 1.2.5. Аналогично в главный частотный диапазон дискретных сигналов "отражаются" от частоты дискретизации и все высокочастотные шумы, присутствующие в исходном аналоговом сигнале.

Для предотвращения алиасинга следует повышать частоту дискретизации или ограничить спектр сигнала перед оцифровкой фильтрами низких частот (НЧ-фильтры, low-pass filters), которые пропускают без изменения все частоты, ниже заданной, и подавляют в сигнале частоты, выше заданной. Эта граничная частота называется частотой среза (cutoff frequency) фильтра. Частота среза анти-алиасинговых фильтров устанавливается равной половине частоты дискретизации. В реальные АЦП почти всегда встраивается анти-алиасинговый фильтр.

Графическое отображение сигналов общеизвестно и особых пояснений не требует. Для одномерных сигналов график – это совокупность пар значений {t, s(t)} в прямоугольной системе координат (рис. 1.2.1 – 1.2.4). При графическом отображении дискретных и цифровых сигналов используется либо способ непосредственных дискретных отрезков соответствующей масштабной длины над осью аргумента, либо способ огибающей (плавной или ломанной) по значениям отсчетов. В силу непрерывности геофизических полей и, как правило, вторичности цифровых данных, получаемых дискретизацией и квантованием аналоговых сигналов, второй способ графического отображения будем считать основным.

Тестовые сигналы (test signal). В качестве тестовых сигналов, которые применяются при моделировании и исследовании систем обработки данных, обычно используются сигналы простейшего типа: гармонические синус-косинусные функции, дельта-функция и функция единичного скачка.

Дельта-функция или функция Дирака. По определению, дельта-функция описывается следующими математическими выражениями (в совокупности):

d(t-t) = 0 при t ¹ t,

d(t-t) dt = 1.

Функция d(t-t) не является дифференцируемой, и имеет размерность, обратную размерности ее аргумента, что непосредственно следует из безразмерности результата интегрирования. Значение дельта-функции равно нулю везде за исключением точки t, где она представляет собой бесконечно узкий импульс с бесконечно большой амплитудой, при этом площадь импульса равна 1.

Дельта-функция является полезной математической абстракцией. На практике такие функции не могут быть реализованы с абсолютной точностью, так как невозможно реализовать значение, равное бесконечности, в точке t = t на аналоговой временной шкале, т.е. определенной по времени также с бесконечной точностью. Но во всех случаях, когда площадь импульса равна 1, длительность импульса достаточно мала, а за время его действия на входе какой-либо системы сигнал на ее выходе практически не изменяется (реакция системы на импульс во много раз больше длительности самого импульса), входной сигнал можно считать единичной импульсной функцией со свойствами дельта - функции.

При всей своей абстрактности дельта - функция имеет вполне определенный физический смысл. Представим себе импульсный сигнал прямоугольной формы П(t-t) длительностью q, амплитуда которого равна 1/q, а площадь соответственно равна 1. При уменьшении значения длительности q импульс, сокращаясь по длительности, сохраняет свою площадь, равную 1, и возрастает по амплитуде. Предел такой операции при q Þ 0 и носит название дельта - импульса. Этот сигнал d(t-t) сосредоточен в одной координатной точке t = t, конкретное амплитудное значение сигнала не определено, но площадь (интеграл) остается равной 1. Это не мгновенное значение функции в точке t = t, а именно импульс (импульс силы в механике, импульс тока в электротехнике и т.п.) – математическая модель короткого действия, значение которого равно 1.

Дельта-функция обладает фильтрующим свойством. Суть его заключается в том, что если дельта-функция d(t-t) входит под интеграл какой-либо функции в качестве множителя, то результат интегрирования равен значению подынтегральной функции в точке t расположения дельта-импульса, т.е.:

f(t) d(t-t) dt = f(t).

Интегрирование в этом выражении может ограничиваться ближайшими окрестностями точки t.

Функция единичного скачка или функция Хевисайда иногда называется также функцией включения. Полное математическое выражение функции:

При моделировании сигналов и систем значение функции скачка в точке t=0 очень часто принимают равным 1, если это не имеет принципиального значения.

Функция единичного скачка используется при создании математических моделей сигналов конечной длительности. При умножении любой произвольной функции, в том числе периодической, на прямоугольный импульс, сформированный из двух последовательных функций единичного скачка

s(t) = s(t) - s(t-T),

из нее вырезается участок на интервале 0-Т, и обнуляются значения функции за пределами этого интервала.

Функция Кронекера. Для дискретных и цифровых систем разрешающая способность по аргументу сигнала определяется интервалом его дискретизации Dt. Это позволяет в качестве единичного импульса использовать дискретный интегральный аналог дельта-функции - функцию единичного отсчета d(kDt-nDt), которая равна 1 в координатной точке k = n, и нулю во всех остальных точках. Функция d(kDt-nDt) может быть определена для любых значений Dt = const, но только для целых значений координат k и n, поскольку других номеров отсчетов в дискретных функциях не существует.

Математические выражения d(t-t) и d(kDt-nDt) называют также импульсами Дирака и Кронекера. Однако, применяя такую терминологию, не будем забывать, что это не просто единичные импульсы в координатных точках t и nDt, а полномасштабные импульсные функции, определяющие как значения импульсов в определенных координатных точках, так и нулевые значения по всем остальным координатам, в пределе от -¥ до ¥.

1.3. Системы преобразования сигналов [1, 9, 14, 18]

Сигналы, в любой форме материального представления, содержат определенную полезную информацию. Если при преобразованиях сигналов происходит нарушение заключенной в них информации (частичная утрата, количественное изменение соотношения информационных составляющих или параметров, и т.п.), то такие изменения называются искажениями сигнала. Если полезная информация остается неизменной или адекватной содержанию во входном сигнале, то такие изменения называются преобразованиями сигнала.

Математические преобразования сигналов осуществляются для того, чтобы получить какую-то дополнительную информацию, недоступную в исходном сигнале, или выделить из входного сигнала полезную информацию и сделать ее более доступной для дальнейшей обработки, измерений каких-либо параметров, передаче по каналам связи, и пр. Преобразованный сигнал принято называть трансформантой исходного.

Любые изменения сигналов сопровождаются изменением их спектра, и по характеру этого изменения разделяются на два вида: линейные и нелинейные. К нелинейным относят изменения, при которых в составе спектра сигналов появляются (вводятся) новые гармонические составляющие, отсутствующие во входном сигнале. При линейных изменениях сигналов изменяются амплитуды и/или начальные фазы гармонических составляющих спектра (вплоть до полного подавления в сигнале определенных гармоник). И линейные, и нелинейные изменения сигналов могут происходить как с сохранением полезной информации, так и с ее искажением. Это зависит не только от характера изменения спектра сигналов, но и от спектрального состава самой полезной информации.

Общее понятие систем.Преобразование и обработка сигналов осуществляется в системах. Понятия сигнала и системы неразрывны, так как любой сигнал существует в пределах какой-либо системы. Система обработки сигналов может быть реализована как в материальной форме (специальное устройство, измерительный прибор, совокупность физических объектов с определенной структурой взаимодействия и т.п.), так и программно на ЭВМ или любом другом специализированном вычислительном устройстве. Форма реализации системы существенного значения не имеет, и определяет только ее возможности при анализе и обработке сигналов.

Рис. 1.3.1. Графическое представление системы.

Безотносительно к назначению система всегда имеет вход, на который подается внешний входной сигнал, в общем случае многомерный, и выход, с которого снимается обработанный выходной сигнал. Собственно система представляет собой системный оператор (алгоритм) преобразования входного сигнала s(t) – воздействия или возбуждения, в сигнал на выходе системы y(t) – отклик или выходную реакцию системы. Символическое обозначение операции преобразования (трансформации сигнала): y(t) = T[s(t)].

Системный оператор T - это набор правил преобразования (transformation) сигнала s(t) в сигнал y(t). Так, например, в самом простейшем случае таким правилом может быть таблица перекодировки входных сигналов в выходные.

Для детерминированных входных сигналов соотношение между выходными и входными сигналами всегда однозначно задается системным оператором. В случае реализации на входе системы случайного входного процесса происходит изменение статистических характеристик сигнала (математического ожидания, дисперсии, корреляционной функции и пр.), которое также определяется системным оператором.

Для полного определения системы необходимо задание характера, типа и области допустимых величин входных и выходных сигналов. По типу обработки входных сигналов они обычно подразделяются на системы непрерывного времени для обработки сигналов в процессе измерений, и цифровые системы для обработки данных, зарегистрированных на промежуточных носителях. Совокупность системного оператора Т и областей входных и выходных сигналов образует математическую модель системы.

Линейные и нелинейные системы составляют два основных класса систем обработки сигналов.

Термин линейности (linear) означает, что система преобразования сигналов должна иметь произвольную, но в обязательном порядке линейную связь между входным сигналом (возбуждением) и выходным сигналом (откликом) с определенным изменением спектрального состава входного сигнала (усиление или подавление определенных частотных составляющих сигнала. В нелинейных (nonlinear) системах связь между входным и выходным сигналом определяется произвольным нелинейным законом с дополнением частотного состава входного сигнала частотными составляющими, отсутствующими во входном сигнале.

Стационарные и нестационарные системы. Система считается стационарной и имеет постоянные параметры, если ее свойства (математический алгоритм оператора преобразования) в пределах заданной точности не зависят от входного и выходного сигналов и не изменяются ни во времени, ни от каких-либо других внешних факторов. В противном случае система является нестационарной, и называется параметрической или системой с переменными параметрами. Среди последних большое значение имеют так называемые адаптивные системы обработки данных. В этих системах производится, например, оценивание определенных параметров входных и выходных сигналов, по результатам сравнения которых осуществляется подстройка параметров преобразования (переходной характеристики системы) таким образом, чтобы обеспечить оптимальные по производительности условия обработки сигналов или минимизировать погрешность обработки.

Основные системные операции. К базовым линейным операциям, из которых могут быть сформированы любые линейные операторы преобразования, относятся операции скалярного умножения, сдвига и сложения сигналов:

y(t) = c ´ s(t), y(t) = s(t-Dt), y(t) = a(t)+b(t).

Для нелинейных систем выделим важный тип безинерционных операций нелинейной трансформации сигнала, результаты которой зависят только от его входных значений. К ним относятся, например, операции квадратирования и логарифмирования сигнала:

y(t) = [s(t)]2, y(t) = log[s(t)].

Линейные системы.Система считается линейной, если ее реакция на входные сигналы аддитивна (выполняется принцип суперпозиции сигналов) и однородна (выполняется принцип пропорционального подобия). Другими словами, отклик линейной системы на взвешенную сумму входных сигналов должен быть равен взвешенной сумме откликов на отдельные входные сигналы независимо от их количества и для любых весовых коэффициентов, в том числе комплексных.

При программной реализации линейных систем на ЭВМ особых затруднений с обеспечением линейности в разумных пределах значений входных и выходных сигналов, как правило, не возникает. При физической (аппаратной) реализации систем обработки данных диапазон входных и выходных сигналов, в котором обеспечивается линейность преобразования сигналов, всегда ограничен и должен быть специально оговорен.

Инвариантность систем к сдвигу. Система называется инвариантной к сдвигу, если сдвиг входного сигнала по аргументам (времени, координатам пространства и т.п.) вызывает соответствующий сдвиг выходного сигнала:

y(x,t) = T[s(x,t)], T[s(x-Dx,t-Dt)] = y(x-Dx,t-Dt).

Это означает, что форма выходного сигнала зависит только от входного сигнала, и не зависит от времени поступления сигнала на вход системы. Инвариантность системы к сдвигу является одним из подтверждений постоянства ее параметров.

Линейные системы, инвариантные к сдвигу. Линейность и инвариантность к сдвигу являются независимыми свойствами систем и не определяют друг друга. Так, например, операция квадратирования сигнала инвариантна к сдвигу, но нелинейна.

В теории анализа и обработки данных основное место занимают системы, линейные и инвариантные к сдвигу (ЛИС - системы). Они обладают достаточно широкими практическими возможностями при относительной простоте математического аппарата. В дальнейшем, если это специально не оговаривается, будем иметь в виду именно такие системы.

Преимущество, которое отдается ЛИС - системам в методах обработки информации, базируется на возможности разложения входного сигнала любой, сколь угодно сложной формы, на составляющие простейших форм, отклик системы на которые известен и хорошо изучен, с последующим вычислением выходного сигнала в виде суммы откликов на все составляющие входного сигнала. В качестве простейших форм разложения сигналов используются, как правило, единичные импульсы и гармонические составляющие. Разложение по единичным импульсам применяется при динамическом представлении сигнала в зависимости от реальных физических аргументов (времени, координат и пр.) и использует операцию свертки. Разложение на гармонические составляющие использует спектральное (частотное) представление сигнала и преобразование Фурье.

Соединения ЛИС - систем.При последовательном (каскадном) соединении систем выходной сигнал одной системы служит входным сигналом для второй и т.д. в зависимости от количества составляющих систем каскада. По отношению к общей системной операции преобразования порядок соединения входящих в нее систем значения не имеет. Так, для двух последовательно соединенных систем на рис. 1.3.2:

Рис. 1.3.2 Соединения систем.

y(t) = T2[T1[s(t)]] = T1[T2[s(t)]].

При параллельном соединении входной сигнал поступает одновременно на входы всех составляющих систем, а выходные сигналы систем суммируются:

y(t) = T1[s(t)] + T2[s(t)] + ... + TN[s(t)].

Образуемые в результате соединений системы в целом также являются ЛИС - системами, если линейны и инвариантны к сдвигу системы, в них входящие.

Обобщенная схема системы цифровой обработки сигналов на рис. 1.3.3 приведена в качестве примера.

Рис. 1.3.3. Структурная схема системы дифференцирования сигналов.

1.4. информационная емкость сигналов [10,12,28]

Объем информации, находящейся в обращении и необходимой для функционирования и развития современного общества, нарастает примерно пропорционально квадрату развития производительных сил. В передовых по научно-техническому развитию странах мира доля рабочей силы, занятой вопросами сбора, обработки и обеспечения информацией, превышает долю рабочей силы в сфере материального производства. Применение методов и средств автоматизации на всех этапах обращения информации, эффективная организация ее хранения, обработки и обмена, приобретают все большее значение в качестве основного условия успешного функционирования экономики стран.

Понятие информации.В настоящее время нет общепринятого и однозначного понимания термина "Информация". Спектр бытующих понятий весьма широк, от общего философского - информация есть отражение реального мира, до узко практического - информация есть сведения, являющиеся объектом хранения, передачи и преобразования. Расхождения существуют и по вопросу места информации в материальном мире. Это свойство индивидуальных объектов или результат их взаимодействия? Присуща ли информация всем видам материи или лишь определенным образом организованной материи?

В информатике под информацией понимается, как правило, совокупность сведений смыслового содержания, которые можно собирать, обрабатывать, передавать и т.п. Причем именно сведений в изначальном смысле латинского слова informatio, а не данных или сигналов, которые являются носителями этих сведений. В таком понимании процессы извлечения сведений из данных и их интерпретации неразрывно связаны с разумом, а конечным результатом обработки и восприятия информации с помощью разума является раскрытие неопределенности знаний о каком-либо объекте, явлении или процессе. Но при таком подходе размывается само понятие разума.

С одной стороны, существование любого живого существа поддерживается до тех пор, пока действуют его органы чувств (датчики), преобразующие физические воздействия окружающего мира в определенным образом организованные сигналы, которые в материальной форме отображают данные об этих воздействиях. Данные собираются и интерпретируются определенной системой, которую в самой общей форме мы называем "разумом", из общей суммы данных извлекаются определенные сведения, степень неопределенности сведений об окружающей обстановке снижается, и ... лиса распутывает заячий след. Живое существо существует до тех пор, пока способно воспринимать и обрабатывать внешние и внутренние воздействия. Нет сомнений и в том, что в коллективных сообществах его члены не только способны собирать и обрабатывать информацию, но и передавать ее другим членам сообщества, как, например, в пчелиной семье точный путь до продуктивного цветочного массива. Информационный танец пчелы в этом отношении по компактности содержания ничем не уступает телеграфному сообщению. Естественно, в принятой у пчел символьной форме.

С другой стороны, если информация неразрывно связана с "разумом", то в этом случае нельзя отказать в "разуме" и электронной вычислительной машине, обыгрывающей в шахматы чемпиона мира, а равно и любым устройствам технической кибернетики любого уровня, так как все они имеют определенные системы сбора, передачи, накопления, хранения и обработки информации той или иной степени сложности, и на основе этой информации способны формировать сигналы обратной связи для управления определенными процессами.

В технических отраслях знаний, где вопросы соотношения информации с разумом не стоят на первом месте, преобладает понимание информации в виде отображения такого всеобщего свойства материи, как разнообразие, как характеристики внутренней организованности материальных систем, процессов или явлений по множеству состояний, которые для них возможны. В такой трактовке информация существует независимо от того, воспринимается она каким-либо "разумом" или нет, и является одним из свойств материальных объектов. "Информация есть информация, а не материя и не энергия" (Норберт Винер). Это свойство в какой-то мере имеет потенциальный характер. Информация может проявлять себя только при взаимодействии объектов или процессов, может возникать (создаваться) и исчезать (уничтожаться).

Но и в такой трактовке возникает очень много вопросов, на которые трудно дать однозначные ответы. Насекомое третичного периода, неизвестное в настоящее время ученым, прилипло к капле смолы хвойного дерева. Новый слой смолы закрыл насекомое. Дерево упало, и его занесло песком. Смола превратилась в янтарь. Янтарь в потенциале содержит полную информацию о насекомом, потому как в нем десятки тысяч фрагментов ДНК - информация, достаточная для восстановления ДНК и воспроизводства насекомого, если не в настоящее время, то в ближайшем будущем. Но когда она возникла? В момент появления насекомого с его ДНК? В момент прилипания к смоле? В момент окаменения? Можно ли говорить о появлении информации, если еще не существовал субъект, способный извлечь и использовать эту информацию? Наконец, янтарь с насекомым найден и попал на глаза палеонтолога. Определен новый вид насекомого. Появилась первая частичная информация? Так может быть, информация появляется только при активном и целенаправленном воздействии на объект исследований? А если янтарь оказался непрозрачным, и его переплавили? Исчезла ли информация? И можно ли считать, что она вообще была?

Ответы на эти и подобные им вопросы тяготеют к двум полюсам, а по существу, к двум диаметрально противоположным философским позициям.

Сторонники первой позиции считают, что информация присуща только определенным образом организованным объектам или процессам, и понимают под информацией только то, что может восприниматься, обрабатываться, осмысливаться и использоваться, т.е. является продуктом целенаправленного процесса сбора, организации, систематизации и использования сведений о материальных объектах и процессах.

Противоположная позиция, это понятие информации как свойства объектов и процессов воспринимать и перерабатывать внутреннее состояние и внешнее воздействие окружающей среды, сохранять его результаты и передавать их другим объектам. С этой позиции все материальные объекты и процессы являются источниками, носителями и потребителями информации, на основе которой и идет развитие реального мира. По существу, это соответствует принятию материальности информации и информационной основы мироздания.

При неопределенности самого понятия информации можно достаточно обоснованно считать, что информация проявляется, хранится и передается от одного объекта к другому в материально - энергетической форме в виде сигналов. Сигналом, как материальным носителем информации, может быть любой физический процесс (электрический, магнитный, оптический, акустический и пр.), определенные параметры которого (амплитуда, частота, энергия, интенсивность и др.) однозначно отображают информационные данные (сообщения).

Количественная мера информации.Теория любого явления начинается с появления количественных взаимоотношений между объектами исследований, т.е. при установлении принципов измеряемости каких-либо свойств объектов. Единицу количественной меры информации - БИТ (сокращение binary digit - двоичная цифра), впервые предложил Р. Хартли в 1928 году. 1 бит - это информация о двух возможных равновероятных состояниях объекта, неопределенность выбора из двух равновероятных событий. Математически это отображается состоянием 1 или 0 одного разряда двоичной системы счисления. Количество информации Н (в битах), необходимое и достаточное для полного снятия неопределенности состояния объекта, который имеет N равновозможных состояний, измеряется как логарифм по основанию 2 из числа возможных состояний:

H = log 2 N. (1.4.1)

Соответственно, двоичный числовой информационный код одного из N возможных состояний объекта занимает Н двоичных разрядов.

Пример. Необходимо поднять груз на определенный этаж 16 -ти этажного здания (нумерация этажей 0-15, N = 16). Сколько бит информации полностью определяют задание?

H = log2 N = log2 16 = 4.

Следовательно, 4 бита информации необходимы и достаточны для полного снятия неопределенности выбора. В этом можно убедиться применением логики исчисления с последовательным делением пополам интервалов состояний. Например, для 9-го этажа:

1. Выше 7-го этажа? Да = 1. 2. Выше 11-го этажа? Нет = 0.

3. Выше 9-го этажа? Нет = 0. 4. Выше 8-го этажа? Да = 1.

Итог: этаж номер 9 или 1001 в двоичном исчислении, четыре двоичных разряда.

Если в приведенном примере на этажах имеется по 4 квартиры с нумерацией на каждом этаже 0-3 (М=4), то при адресации груза в квартиру потребуется еще 2 бита информации. Такой же результат получим, если вместо независимой нумерации этажей и квартир на этажах (два источника неопределенности) мы будем иметь только сквозную нумерацию квартир (один обобщенный источник):

H = log 2 N + log 2 M = log 2 16 + log 2 4 = 6 º log 2 (N ´ M) = log 2 64 = 6,

т.е. количество информации отвечает требованию аддитивности: неопределенность объединенного источника равна сумме неопределенностей исходных источников, что соответствует интуитивному требованию к информации: она должна быть однозначной, а ее количество должно быть одним и тем же независимо от способа задания.

Основание логарифма не имеет принципиального значения и определяет только масштаб или единицу неопределенности. Так, если за единицу неопределенности принять три равновероятных состояния, то для определения, например, одной фальшивой золотой монеты (более легкой) из 27 внешне неотличимых монет потребуется только H = log 3 27 = 3, т.е. три взвешивания на равноплечных весах. Логику исчисления взвешиваний предлагается определить самостоятельно.

Двоичная мера информации получила общее признание в связи с простотой реализации информационной техники на элементах с двумя устойчивыми состояниями. В десятичном исчислении единицей информации является один десятичный разряд - ДИТ.

Энтропия источника информации.Степень неопределенности состояния объекта (или так называемого источника информации) зависит не только от числа его возможных состояний, но и от вероятности этих состояний. При неравновероятных состояниях свобода выбора для источника ограничивается. Так, если из двух возможных состояний вероятность одного из них равна 0.999, то вероятность другого состояния соответственно равна 1-0.999 = 0.001, и при взаимодействии с таким источником результат практически предрешен.

В общем случае, в соответствии с теорией вероятностей, источник информации однозначно и полно характеризуется ансамблем состояний U = {u1, u2,..., uN} с вероятностями состояний соответственно {р(u1), р(u2),..., р(uN)} при условии, что сумма вероятностей всех состояний равна 1. Мера количества информации, как неопределенности выбора дискретным источником состояния из ансамбля U, предложена К. Шенноном в 1946 году и получила название энтропии дискретного источника информации или энтропии конечного ансамбля:

H(U) = -pn log2 pn. (1.4.2)

Выражение Шеннона совпадает с выражением Больцмана для энтропии физических систем при оценке степени разнообразия их состояний. Мера энтропии Шеннона является обобщением меры Хартли на случай ансамблей с неравновероятными состояниями, в чем нетрудно убедиться, если в выражении (1.4.2) значение pn заменить значением p=1/N для ансамбля равновероятных состояний. Энтропия конечного ансамбля H(U) характеризует неопределенность, приходящуюся в среднем на одно состояние ансамбля.

Учитывая, что в дальнейшем во всех математических выражениях, касающихся энтропии, мы будем использовать только двоичное основание логарифма, индекс 2 основания логарифма в формулах будем подразумевать по умолчанию.

 

ui pi ui pi ui pi ui pi ui pi
а .064 з .015 о .096 х .009 э .003
б .015 и .064 п .024 ц .004 ю .007
в .039 й .010 р .041 ч .013 я .019
г .014 к .029 с .047 ш .006 - .124
д .026 л .036 т .056 щ .003    
е,ё .074 м .026 у .021 ъ,ь .015    
ж .008 н .056 ф .020 ы .016    

Пример.Вычислить энтропию ансамбля 32 букв русского алфавита. Вероятности использования букв приведены в таблице. Сравнить энтропию с неопределенностью, которая была бы у алфавита при равновероятном их использовании.

Неопределенность на одну букву при равновероятности использования:

H(u) = log 32 = 5

Энтропия алфавита по ансамблю таблицы:

H(u) = - 0.064 log 0.064 - 0.015 log 0.015 - . . . . . . . . . . . . . . . . . . - 0.143 log 0.143 » 4.42.

Таким образом, неравновероятность состояний снижает энтропию источника.

Основные свойства энтропии:

1. Энтропия является величиной вещественной и неотрицательной, т.к. значения вероятностей pn находятся в интервале 0-1, значения log pn всегда отрицательны, а значения -pn log pn в (1.4.2) соответственно положительны.

2. Энтропия - величина ограниченная, т.к. при pn Þ 0 значение -pn×log pn также стремится к нулю, а при 0 < pn £ 1 ограниченность суммы всех слагаемых очевидна.

3. Энтропия равна 0, если вероятность одного из состояний источника информации равна 1, и тем самым состояние источника полностью определено (вероятности остальных состояний источника равны нулю, т.к. сумма вероятностей должна быть равна 1).

4. Энтропия максимальна при равной вероятности всех состояний источника информации:

Hmax(U) = -(1/N) log (1/N) = log N.

Рис. 1.4.1.

5. Энтропия источника с двумя состояниями u1 и u2 при изменении соотношения их вероятностей p(u1)=p и p(u2)=1-p определяется выражением:

H(U) = -[p log p + (1-p) log (1-p)],

и изменяется от 0 до 1, достигая максимума при равенстве вероятностей. График изменения энтропии приведен на рис. 1.4.1.

6. Энтропия объединенных статистически независимых источников информации равна сумме их энтропий.

Рассмотрим это свойство на двух источниках информации u и v. При объединении источников получаем обобщенный источник информации (u,v), который описывается вероятностями p(unvm) всех возможных комбинаций состояний un источника u и vm источника v. Энтропия объединенного источника при N возможных состояниях источника u и М возможных состояниях источника v:

H(UV) = -p(unvm) log p(unvm),

Источники статистически независимы друг от друга, если выполняется условие:

p(unvm) = p(un)×p(vm).

С использованием этого условия соответственно имеем:

H(UV) = -p(un)p(vm) log [p(un)p(vm)] =

= -p(un) log p(un)p(vm) -p(vm) log p(vm)p(um).

С учетом того, что p(un) = 1 иp(vm) = 1, получаем:

H(UV) = H(U) + H(V). (1.4.3)

7. Энтропия характеризует среднюю неопределенность выбора одного состояния из ансамбля, полностью игнорируя содержательную сторону ансамбля. С одной стороны, это расширяет возможности использования энтропии при анализе самых различных явлений, но, с другой стороны, требует определенной дополнительной оценки возникающих ситуаций. Как это следует из рис. 1.4.1, энтропия состояний может быть неоднозначной, и если в каком-либо экономическом начинании действие u с вероятностью pu=p приводит к успеху, а действие v с вероятностью pv=1-p к банкротству, то выбор действий по оценке энтропии может оказаться и прямо противоположным, т.к. энтропия при pv=p равна энтропии при pu=p.

Энтропия непрерывного источника информации должна быть бесконечна, т. к. неопределенность выбора из бесконечно большого числа возможных состояний бесконечно велика.

Разобьем диапазон изменения непрерывной случайной величины U на конечное число n малых интервалов Du. При реализации значений u в интервале (un, un+Du) будем считать, что реализовалось значение un дискретной случайной величины U', вероятность реализации которой:

p(un<u<un+Du) =p(u) du » p(un) Du.

Энтропия дискретной величины U':

H(U') = -p(un) Du log (p(un) Du).

Заменяем log (p(un) Du) = log p(un)+log Du, принимаем во внимание, что сумма p(un)Du по всем возможным значениям un равна 1, и получаем:

H(U') = -p(un) Du log p(un) – log Du. (1.4.4)

В пределе, при Du ® 0, получаем выражение энтропии для непрерывного источника:

H(U) = -p(u) log p(u) du –. (1.4.5)

Значение энтропии в (1.4.5), как и ожидалось, стремится к бесконечности за счет второго члена выражения. Для получения конечной характеристики информационных свойств непрерывных сигналов используют только первый член выражения (1.4.5), получивший название дифференциальной энтропии. Ее можно трактовать, как среднюю неопределенность выбора произвольной случайной величины по сравнению со средней неопределенностью выбора случайной величины U', имеющей равномерное распределение в диапазоне (0-1). Действительно, для такого распределения p(un) = 1/N, Du = 1/N, и при N ® ¥ из (1.4.4) следует:

H(U') = - (log N)/N - log Du ® -.

Соответственно, разность энтропий дает дифференциальную энтропию:

h(U) = H(U) – H(U') = -p(u) log p(u) du. (1.4.6)

Дифференциальная энтропия не зависит от конкретных значений величины U:

h(U+a) = h(U), a = const,

но зависит от масштаба ее представления:

h(kU) = h(U) + log k.

Практика анализа и обработки сигналов обычно имеет дело с сигналами в определенном интервале [a, b] их значений, при этом максимальной дифференциальной энтропией обладает равномерное распределение значений сигналов:

h(U) = -p(u) log p(u) du = log (b-a).

По мере сужения плотности распределения значение h(U) уменьшается, и в пределе при p(u) ® d(u-c), a<c<b стремится к нулю.

Информационная емкость сигналов существенно зависит от типа сигналов и определяет требования к каналам передачи данных, равно как и технические характеристики каналов связи ограничивают информационную емкость сигналов, передаваемых по этим каналам.

Для каналов передачи дискретных сигналов (дискретные канала связи) используют понятия технической и информационной скорости передачи данных.

Под технической скоростью передачи подразумевают число элементарных сигналов (символов), передаваемых по каналу в единицу времени. Простейший элементарный символ – однополярный электрический импульс длительностью t на тактовом интервале T. В дискретных каналах используют, как правило, двуполярные импульсы, положительные на первой половине интервала Т и отрицательные на второй половине. Это позволяет поддерживать нулевой потенциал кабеля и выполнять тактовую синхронизацию приемо-передачи сигналов. Единицей измерения технической скорости Vt = 1/T служит БОД – один символ в секунду. Полоса пропускания канала связи ограничивается предельной частотой Fпред по уровню затухания сигнала до уровня статистических помех, при этом значение технической скорости передачи данных не может быть выше Fпред без специальных устройств выделения информационных сигналов.

При известной технической скорости Vt скорость передачи информации измеряется в битах в секунду и задается соотношением:

Vh = Vt H(s),

где H(s) – энтропия символа. Для двоичных дискретных символов [0, 1] при постоянной амплитуде импульсов значение H(s) равно 1. При числе L возможных равновероятных уровней амплитуды импульсов (уровень помех меньше разности уровней амплитуд импульсов) значение H(s) равно log L.

Информационная емкость сигнала или полное количество информации в сигнале S (сообщении, кодовой последовательности/слове) определяется полным количеством N = t/T энтропии символов в битах на интервале задания сигнала t:

It(S) = N log L = (t/T) log L. (1.4.7)

Увеличение числа уровней L увеличивает пропускную способность каналов связи, но усложняет аппаратуру кодирования данных и снижает помехоустойчивость связи.

Для непрерывных сигналов передача по каналам связи возможна только при условии, что максимальная информационная частота в сигнале Fmax не превышает предельной частоты Fпред передачи сигналов каналом связи. Для оценки информационной емкости непрерывного сигнала выполним его дискретизацию с интервалом Dt = 1/2Fmax. Как установлено Котельниковым и Шенноном, по мгновенным отсчетам непрерывного сигнала с таким интервалом дискретизации аналоговый сигнал может быть восстановлен без потери информации. При полной длительности сигнала Ts число отсчетов:

N = Ts/Dt = 2Fmax Ts.

Определим максимально возможное число выборок в каждом отсчете при наличии шума в канале со средней мощностью Рш = d2. При средней мощности сигнала Ps = s2:

L = =.

Информационная емкость сигнала:

I(S) = 2Fmax Ts log L. (1.4.8)

Информационные возможности сигнала возрастают с расширением его спектра и превышением его уровня над уровнем помех.

Литература

1. Баскаков С.И. Радиотехнические цепи и сигналы: Учебник для вузов. - М.: Высшая школа, 1988.

9. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов. – М.: Мир, 1988. – 488 с.

10. Дмитриев В.И. Прикладная теория информации: Учебник для вузов. - М.: Высшая школа, 1989.

12. Игнатов В.А. Теория информации и передачи сигналов. - М.: Советское радио, 1979.

14. Купер Дж., Макгиллем А. Вероятностные методы анализа сигналов и систем. – М.: Мир, 1989.

15. Лосев А.К. Линейные радиотехнические цепи: Учебник для вузов. - М.: Высшая школа, 1971.

18. Оппенгейм А.В., Шафер Р.В. Цифровая обработка сигналов. – М.: Связь, 1979. – 416 с.

25. Сергиенко А.Б. Цифровая обработка сигналов. / Учебник для вузов. – СПб.: Питер, 203. – 608 с.

28. Колесник В.Д., Полтырев Г.Ш. Курс теории информации. – М.: Наука, 1982. – 416 с.


Лекция 2. ПРОСТРАНСТВО и МЕТРОЛОГИЯ СИГНАЛОВ

Содержание

1. Пространство сигналов. Множества сигналов. Линейное пространство сигналов. Норма сигналов. Метрика сигналов. Скалярное произведение сигналов. Коэффициент корреляции сигналов. Координатный базис пространства.

2. Мощность и энергия сигналов. Понятия мощности и энергии сигналов.

3. Пространства функций. Нормирование метрических параметров. Ортогональные сигналы. Ортонормированный базис пространства. Разложение сигнала в ряд. Ортонормированные системы функций. Разложение энергии сигнала.

4. Функции корреляции сигналов. Корреляционные функции сигналов. Взаимная корреляционная функция.

5. Математическое описание шумов и помех. Шумы и помехи. Природа помех. Характеристики помех.

ВВЕДЕНИЕ

В данной теме метрология сигналов рассматривается, в основном, на уровне понятий и базовых определений, предваряя их более подробное изучение в дальнейших темах курса. Это объясняется тем, что при детальном изучении каких-либо характеристик или свойств сигналов их рассмотрение не может выполняться в отрыве от других метрологических характеристик сигналов и требует определенной ориентировки в общей метрологии сигналов, хотя бы на уровне понятий.

Пространство сигналов [1,3,16,29].

Множества сигналов. Сигналы обычно рассматриваются в составе определенных множеств L, объединенных каким-либо свойством Р, характерным для всех и…

Пример 1. Множество гармонических сигналов.

L = {s; s(t) = A·cos (wt+j), -¥ < t < ¥}.

Множество содержит гармонические сигналы с произвольными значениями амплитуд, частот и фаз.

Пример 2. Множество периодических сигналов.

L(Т) = {s; s(t) = s(t+kT), -¥ < t < ¥, k Î I}.

Пример 3. Множество сигналов, ограниченных по амплитуде и длительности.

L(K,T) = {s; |s(t)| ≤ K, s(t)=0 при |t| > T}.

Терминология операций с множествами сигналов. Множества сигналов могут образовываться из других (ранее определенных) множеств логическими операциями объединения (индекс объединения - È) и пересечения (индекс - Ç):

L = S1 È S2 = {s; s Î S1 или s Î S2},

L = S1 Ç S2 = {s; s Î S1 и s Î S2}.

Возможно также разбиение множества сигналов на непересекающиеся подмножества, более удобные для обработки, при этом для множества S, разбитого на совокупность подмножеств {S1, S2, S3, …, SN}, должны выполняться условия:

S = S1 È S2 È S3 È … È SN,

Sn Ç Sm = Æ для n ≠ m.

Запись S1 Ì S означает, что множество S1 входит в состав множества S, т.е. является подмножеством в составе S.

Преобразование элементов vi множества V в элементы gi множества G называется отображением (трансформацией, преобразованием) V в G (символьные записи: g = T[v] или v → g), при этом элементы v называют прообразом множества g, а элементы g – образом множества v.

Если преобразование выполняется над числами одного множества R (например, x = T[y]), то такое преобразование порождает функциональную зависимость x = f(y).

Если преобразование выполняется над функциями одного и того же множества L (например, f(t) = T[g(t)]), то алгоритм преобразования T[..] называют оператором преобразования f(t) в g(t).

Преобразование g = T[f(t)] функций f(t) множества F называют функционалом, если результатом преобразования являются числовые значения g множества G. Примерами функционалов являются интегралы функций в определенных пределах.

Преобразование может выполняться функциональными операторами с переводом функций одной переменной, например t, в функции по другой переменной, например w, Типичным примером функционального оператора является преобразование Фурье. В комплексной форме:

S(w) = s(t) exp(-jwt) dt.

Пространство сигналов. Для анализа и обработки информации, которая может быть заключена в сигналах, требуется выделять из множества сигналов сигналы с определенными параметрами, сравнивать сигналы друг с другом, оценивать изменение сигналов при их прохождении через системы обработки данных, и т.п. Это может выполняться только при "помещении" множества сигналов в определенные метрические пространства с заранее оговоренными свойствами и единицами измерений. Так, "квартирное пространство" любого города включает, как минимум, три структурных единицы: названия улиц, номера домов, номера квартир, что и определяет пространство "квартирных сигналов". Но это пространство не является метрическим, так как оно не имеет нулевой точки и единиц измерений, по нему нельзя определить расстояние между двумя "квартирными сигналами". Положение на поверхности Земли любого объекта однозначно определяется по "координатному сигналу" в заранее сформированных метрических координатных пространствах с нулевыми точками и принятыми единицами измерений. Для практического использования определенными структурными ограничениями сформированы также различные пространства картографических проекций, жестко установленная метрология которых позволяет трансформировать информацию из одного пространства в другое, например, более удобное для обработки определенными программами.

Главным условием превращения множество сигналов L{s1(t), s2(t), …}, которые имеют какие-то общие свойства, в функциональное пространство сигналов является выполнение условия однозначной реализации. Если пространство значений независимой переменной t задано выражением R:=(-¥,+¥), то пространство сигналов LP[R] определяет множество сигналов в этом пространстве, для которых условие однозначной реализации записывается в следующей форме:

|s(t)|p dt < ¥.

Для анализа сигналов наиболее часто используется гильбертово пространство, сигналы в котором должны удовлетворять условию интегрирования с квадратом:

|s(t)|2 dt < ¥.

Периодические сигналы обычно рассматриваются в пространстве L2 [0, 2p] одного периода:

|s(t)|2 dt < ¥.

Интуитивно понятно, что метрические пространства должны иметь определенную систему координат, что позволяет рассматривать любые произвольные сигналы х и у, принадлежащие пространству, в виде векторов, соединяющих начало координат с определенными точками этого пространства, и определять расстояние между этими точками r(x,y). Так как расстояние между точками должно быть числовым, а сигналы х и у представляют собой функции, то r(x,y) представляет собой функционал, для которого в метрическом пространстве должны быть справедливы следующие аксиомы:

  • r(x,y) ≥ 0; r(x,y) = 0 при х = у,
  • r(x,y) = r(y,x),
  • r(x,z) ≤ r(x,y) + r(y,z) - неравенство треугольника.

Каждый элемент векторного пространства может отображаться проекциями на координатные оси, а для обработки и преобразований сигналов могут использоваться операции векторной алгебры. Достаточно простые алгебраические взаимосвязи между сигналами характерны для линейных пространств.

Линейное пространство сигналов. Множество сигналов L образует линейное пространство сигналов, если для него справедливы следующие аксиомы:

1. Множество содержит такой нулевой элемент Æ, что для всех сигналов u(t) Î L выполняется равенство u(t) + Æ = u(t).

2. Для любых сигналов u(t) Î L и v(t) Î L существует их сумма s(t) = u(t)+v(t), которая также содержится в L. При этом операция суммирования должна быть

- коммутативна: u(t)+v(t) = v(t)+u(t),

- ассоциативна: u(t)+(v(t)+x(t)) = (u(t)+v(t))+x(t),

- однородна: u(t) + (-u(t)) = Æ.

3. Существует множество скалярных элементов a, на которые может выполняться умножение любого сигнала s(t) Î L, при этом результат умножения является новым сигналом y(t) = as(t) в том же пространстве, у(t) Î L. Операция умножения должна быть

- ассоциативна: a(b·s(t)) = ab·s(t),

- дистрибутивна: a(u(t)+s(t)) = au(t)+as(t), (a+b)s(t) = as(t)+bs(t),

- пропорциональна: 1·s(t) = s(t), 0·s(t) = 0.

Пример.Множество сигналов L состоит из импульсных сигналов произвольной формы с амплитудой не более 10 вольт. Образуют ли эти сигналы линейное пространство?

Нет, не образуют, так как не выполняется, по крайней мере, вторая аксиома линейного пространства (сумма двух сигналов с амплитудой более 5 вольт превышает 10 вольт). Требуются дополнительные структурные ограничения по параметрам сигналов.

Сигналы могут описываться как вещественными, так и комплексными функциями, и линейные пространства также могут быть вещественными или комплексными. Скалярные множества обычно отождествляются с множествами действительных или комплексных чисел, но на них также могут накладываться определенные ограничения. Так, например, в теории связи широко применяется бинарное скалярное множество {0, 1}.

Множество L, для которого выполняются приведенные выше аксиомы, при анализе сигналов и систем может рассматриваться как специальным образом сконструированное многомерное (в пределе – бесконечномерное) геометрическое пространство. Рассмотрим это на конкретном примере.

Имеем произвольный сигнал s(t), заданный на интервале [a, b]. Дискретизируем сигнал с равномерным шагом дискретизации и переведем в цифровую форму (представим сигнал N последовательными выборками):

s = (s1, s2, … , sN).

В таком отображении величина s может рассматриваться в виде N-мерного вектора в N-мерном пространстве, в котором значения sn представляют собой проекции s-вектора на координатные оси данного пространства. Двумерный вектор в двумерном пространстве – это точка с координатами s1 и s2 на рис. 2.1.1. Соответственно, в трехмерном пространстве сигнал s представлен точкой в трехмерном пространстве. Представить себе N-мерное пространство при N>3 можно только абстрактно, но с математических позиций такое пространство вполне реально и N-мерный сигнал s отображается вполне определенной точкой в этом пространстве с координатами sn по осям пространства. При уменьшении интервала дискретизации сигнала до бесконечно малой величины значение N стремится к бесконечности, и пространство сигналов превращается в бесконечномерное пространство аналоговых сигналов. Следовательно, и аналоговые сигналы могут рассматриваться как предельный случай бесконечномерных векторов.

Рис. 2.1.1. Пространства сигналов и функций.

С учетом вышеизложенного, для математического анализа систем и сигналов в линейном пространстве может использоваться математика векторов.

В линейном пространстве L{uk; k=0,1,2,…,K} всегда можно выделить множество векторов {xk; k=0,1,2,…,K}, для которых выполняется равенство нулю их линейной комбинации

ak xk = 0 (2.1.1)

только при условии равенства нулю всех значений ak. Такое множество векторов называется линейно независимым. Ни один вектор этого линейно независимого множества не может быть выражен в виде какой-либо линейной комбинации других векторов этого пространства. Такое множество векторов называется базисом К-мерного пространства L{uk; K}. Линейные пространства сигналов имеют, как правило, не единственный базис. Выбор базиса определяется простотой и удобством его использования при обработке сигналов.

Пример.Имеем множество сигналов в виде числовых последовательностей, каждая из которых состоит из N чисел (N-мерные вектор-строки). Для сигналов задано скалярное пространство чисел R = {a, 0 ≤ a ≤ 10}. При этом пространство сигналов N-мерно и может быть определено линейной комбинацией:

L = {y; y =an xn, 0 ≤ a ≤ 10, xn – базис пространства}.

x0 = {1,0,0,0,…,0},

x1= {0,1,0,0,…,0},

x2= {0,0,1,0,…,0},

………………….

xN= {0,0,0,0,…,1},

Любой сигнал в этом пространстве определен точкой с N - координатами в базисе xn.

Основными метрическими параметрами линейного пространства являются норма, метрика и скалярное произведение сигналов.

Норма сигналов в линейном пространстве является аналогом длины векторов, и обозначается индексом ||s(t)|| - норма (norm). В математике существуют различные формы норм. При анализе сигналов обычно используются квадратичные нормы:

||s(t)|| =. (2.1.2)

Соответственно, для дискретных сигналов:

||s(n)|| =. (2.1.2')

Для комплексных сигналов:

||s(t)|| =, (2.1.2'')

где s*(t) – величины, комплексно сопряженные с s(t).

Линейное пространство сигналов L является нормированным, если каждому сигналу пространства s(t) однозначно сопоставлена его числовая норма ||s(t)||, и выполняются следующие аксиомы:

1. Норма неотрицательна (||s(t)|| ≥ 0) и равна нулю тогда и только тогда, когда сигнал равен нулю (||s(t)|| = Æ, при s(t) = Æ).

2. Для любого числа b должно быть справедливо равенство: ||bs(t)|| = |b| × ||s(t)||.

3. Если v(t) и u(t) – сигналы из пространства L, то должно выполняться неравенство треугольника: ||v(t)+u(t)|| £ ||v(t)|| + ||u(t)||.

Пример норм для двумерных цифровых сигналов приведен на рис. 2.1.2.

Метрика сигналов. Линейное пространство сигналов L является метрическим, если каждой паре сигналов s(t) Î L и v(t) Î L однозначно сопоставляется неотрицательное число r(s(t), v(t)) – метрика (metric) или расстояние между векторами. Пример метрики для двух векторов в двумерном пространстве приведен на рис. 2.1.2.

Рис. 2.1.2. Норма и метрика сигналов.

Для метрик сигналов в метрическом пространстве любой размерности должны выполняться аксиомы:

1. r(s(t),v(t)) = r(v(t),s(t)) – рефлексивность метрики.

2. r(s(t),s(t)) = 0 для любых s(t) Î L.

3. r(s(t),v(t)) £ r(s(t),a) + r(a,v(t)) для любых a Î L.

Метрика определяется нормой разности двух сигналов (см. рис. 2.1.2):

r(s(t),v(t)) = || s(t) – v(t) ||. (2.1.3)

В свою очередь норму можно отождествлять с расстоянием от выбранного элемента пространства до нулевого: ||s(t)|| = r(s(t),Æ).

По метрике сигналов можно судить, например, о том, насколько точно один сигнал может быть аппроксимирован другим сигналом, или насколько изменяется выходной сигнал относительно входного при прохождении через какое-либо устройство.

Рис. 2.1.3.

Пример.Сигнал на интервале (0,Т) представляет собой половину периода синусоиды амплитудой A: s(t) = A×sin(pt/T), 0 £ t £ T. Требуется аппроксимировать сигнал прямоугольным импульсом п(t) (см. рис. 2.1.3).

Если принять амплитуду импульса п(t) равной В, то квадрат расстояния между сигналами: r2(s,п) =(A sin(pt/T)-В)2 dt = A2T/2 - 4ABT/p + B2T.

Для решения задачи требуется найти минимум выражения r2(s,п). Дифференцируем полученное выражение по В, приравниваем нулю и, решая относительно В, находим значение экстремума: В = 2A/p » 0.64А. Это искомое значение минимума функции r2(s,п) (вторая производная функции по В положительна). При этом минимальное значение метрики: rmin » 0.31A. Вычислим нормы сигналов при А = 1:

Еs = А2sin2 (pt/T) dt = A2 T/2 = 10. Норма: ||s(t)|| == 0.707 A» 3.16.

Еп = B2dt = B2 T » 8.1. Норма: ||п(t)|| = = B» 2.85.

Скалярное произведение произвольных сигналов u(t) и v(t) отражает степень их связи (сходства) по форме и положению в пространстве сигналов, и обозначается как áu(t), v(t)ñ.

áu(t), v(t)ñ = ||u(t)||×||v(t)|| cos j, (2.1.4)

Физическую сущность скалярного произведения векторов в двумерном пространстве можно видеть достаточно наглядно (рис. 2.1.4). Это произведение "длины" (нормы) одного вектора на проекцию второго вектора по "направлению" первого вектора.

Рис. 2.1.4. Скалярное произведение сигналов в двумерном пространстве.

При кажущейся абстрактности скалярного произведения сигналов оно может приобретать вполне конкретный физический смысл для конкретных физических процессов, которые отображаются этими сигналами. Так, например, если v = F – сила, приложенная к телу, а u = s – перемещение тела под действием этой силы, то скалярное произведение W = F·s определяет выполненную работу, при условии совпадения силы с направлением перемещения. В противном случае, при наличии угла j между векторами силы и перемещения, работа будет определяться проекцией силы в направлении перемещения, т.е. W = s·F·cos j.

Вычисление скалярного произведения обычно производится непосредственно по сигнальным функциям. Поясним это на примере двумерных сигналов с использованием рисунка 2.1.2. Для квадрата метрики сигналов s и v имеем:

||s-v||2 = ||s||2 + ||v||2 – 2 ||s|| ||v|| cos j = ||s||2 + ||v||2 – 2 ás, vñ.

2 ás,vñ = ||s||2 + ||v||2 - ||s-v||2 = (s12+s22)+(v12+v22)–{(s1-v1)2+(s2-v2)2} = 2 (s1v1+s2v2).

ás,vñ = s1v1+s2v2.

Обобщая полученное выражение на аналоговые сигналы:

ás(t), v(t)ñ =s(t)v(t) dt. (2.1.5)

Соответственно, для дискретных сигналов в N-мерном пространстве:

ásn, vnñ =sn vn. (2.1.5')

Скалярное произведение обладает следующими свойствами:

1. ás,vñ ³ 0;

2. ás,vñ = áv,sñ;

3. áas,vñ = aás,vñ, где а – вещественное число;

4. ás+v, añ = ás,añ + áv,añ.

Линейное пространство аналоговых сигналов с таким скалярным произведением называется гильбертовым пространством Н (второе распространенное обозначение - L2). Линейное пространство дискретных и цифровых сигналов - пространством Евклида (обозначение пространства - R2). В этих пространствах справедливо фундаментальное неравенство Коши-Буняковского (модуль косинуса в (2.1.4) может быть только равным или меньше 1):

|ás,vñ| £ ||s||×||v||. (2.1.6)

Для комплексного гильбертова пространства скалярное произведение вычисляется по формуле:

ás(t), v(t)ñ =s(t)v*(t) dt. (2.1.7)

При определении функций в пространстве L2[a,b] вычисление скалярного произведения производится соответственно с пределами интегрирования от а до b.

Из выражения (2.1.4) следует косинус угла между сигналами:

cos j = ás(t),v(t)ñ /(||s||×||v||). (2.1.8)

Пример.Имеется два смещенных во времени прямоугольных импульса с одинаковой амплитудой и длительностью: s1(t) = 2 при 0 £ t £ 5, s1(t) = 0 при других t; и s2(t) = 2 при 4 £ t £ 9, s2(t) = 0 при других t.

Квадраты норм сигналов: ||s1||2 =s12(t)dt = 20. ||s2||2 =s22(t)dt = 20

Скалярное произведение: ás1,s2ñ = s1(t) s2(t) dt = 8.

Отсюда имеем: cos j = (s1,s2)/ (||s1||×||s2||) = 8/20 = 0.4 и j » 1.16 радиан » 66о

При полном совмещении сигналов: ás1,s2ñ =s1(t) s2(t) dt = 20, cos j = 1, j = 0.

При отсутствии перекрытия сигналов; ás1,s2ñ = 0, cos j = 0, j = 90о.

Физическое понятие "угла" между многомерными сигналами довольно абстрактно. Однако при рассмотрении выражения (2.1.8) совместно с выражением для квадрата метрики сигналов

r2(s,v) =[s(t)-v(t)]2 dt = ||s||2 + ||v||2 - 2×||s||×||v|| cos j.

можно отметить следующие закономерности. При j = 0 (cos j = 1) сигналы "совпадают по направлению" и расстояние между ними минимально. При j = p/2 (cos j = 0) сигналы "перпендикулярны друг другу" (иначе говоря – ортогональны), и проекции сигналов друг на друга равны 0. При j = p (cos j = -1) сигналы "противоположны по направлению" и расстояние между сигналами максимально. Фактор расстояния между сигналами играет существенную роль при их селекции в многоканальных системах.

Коэффициент корреляции сигналов. Одновременно заметим, что значение косинуса в (2.1.8) изменяется от 1 до -1, и не зависит от нормы сигналов ("длины" векторов). Максимальное значение cos j = 1 соответствует полной тождественности относительной динамики сигналов, минимальное значение cos j = -1 наблюдается при полной противоположности значений относительной динамики сигналов. По существу, коэффициент r = cos j является интегральным коэффициентом степени сходства формы сигналов по пространству их задания. С учетом этого он и получил название коэффициента корреляции сигналов. На рис. 2.1.5 можно наглядно видеть значения коэффициента корреляции двух сигналов в зависимости от их формы и сдвига по независимой переменной.

Рис. 2.1.5. Коэффициент корреляции сигналов.

Рис. 2.1.6.

Однако количественные значения коэффициентов корреляции существенно зависят от выбора нулевой точки сигнального пространства. Рассмотрим это более детально на конкретном примере.

На рис. 2.1.6 приведено изменение средней месячной температуры воздуха в трех городах земного шара в течение одного календарного года. Характер корреляции между изменениями температур в городах достаточно хорошо виден на графиках. Вычислим (см. пример ниже) значения коэффициентов корреляции для шкалы температур по Цельсию.

Пример.Среднемесячная температура воздуха в городах по Цельсию:

Екатеринбург: Ek = {-12,-10,-4,5,11,19,23,21,15,5,-3,-8}. Дели: Dk = {15,18,22,28,33,35,33,32,30,28,21,17}.

Буэнос-Айрес: Bk = {26,24,21,18,14,11,10,10,12,15,20,23}. Нумерация месяцев: k = 1, 2, 3, …, 12.

Норма сигналов: ||E|| = = 45.39, ||D|| = = 93.05, ||B|| = = 61.9.

Скалярные произведения: áE, Dñ = = 2542, áE, Bñ = 268, áB, Dñ = 4876.

Коэффициенты корреляции: Екатеринбург – Дели: rED = áE, Dñ / (||E|| ||D||) = 0.602.

Екатеринбург – Буэнос-Айрес: rEB = 0.095, Дели – Буэнос-Айрес: rDB = 0.847,

Как следует из вычислений, полученные коэффициенты корреляции маловыразительны. Практически не регистрируется разнонаправленная корреляция Екатеринбург - Буэнос-Айрес, и не различаются одно- (Екатеринбург – Дели) и разнонаправленные (Дели – Буэнос-Айрес) типы корреляции.

Повторим вычисления в шкале Фаренгейта (0оF = -17,8oC, 100oF = +37,8oC), и в абсолютной шкале температур Кельвина. Дополнительно вычислим значения коэффициентов корреляции в шкале Цельсия и Фаренгейта для центрированных сигналов. Центрированный сигнал вычисляется путем определения среднего значения сигнала по интервалу его задания и вычитания этого среднего значения из исходных значений сигнала, т.е. среднее значение центрированного сигнала равно нулю. Сводные результаты вычислений приведены в таблице.

Таблица 2.1.1.

Коэффициенты корреляции сигналов

Пары городов Нецентрированные сигналы Центрированные сигналы
Цельсий Фаренгейт Кельвин Цельсий Фаренгейт
Екатеринбург – Дели Екатеринбург – Буэнос-Айрес Дели – Буэнос-Айрес 0.602 0.095 0.847 0.943 0.803 0.953 0.998 0.999 0.954 -0.988 -0.960 0.954 -0.988 -0.960

Как видно из таблицы, значения коэффициента корреляции нецентрированных сигналов существенно зависят от положения сигналов относительно нулевой точки пространства. При одностороннем смещении сигналов относительно нуля (шкала Фаренгейта) значение коэффициента корреляции может быть только положительным, и тем ближе к 1, чем дальше от сигналов нулевая точка (шкала Кельвина), т.к. при больших значениях сигналов-векторов значение скалярного произведения сигналов стремится к значению произведения норм сигналов.

Для получения значений коэффициентов корреляции, независимых от нуля сигнального пространства и от масштаба единиц измерений, необходимо вычислять коэффициент по центрированным сигналам, при этом в оценках коэффициента, как это видно из результатов, приведенных в таблице, появляется знаковый параметр совпадения (или несовпадения) по "направлению" корреляции и исчезает зависимость от масштаба представления сигналов. Это позволяет вычислять коэффициенты корреляции различных сигналов вне зависимости от физической природы сигналов и их величины.

Координатный базис пространства. Для измерения и отображения одномерных величин достаточно одного нормированного параметра – стандарта величины или единицы ее измерения (для измерения длины – сантиметр, для измерения тока – ампер, и т.п.).

В пространстве сигналов роль такого метрологического стандарта выполняет координатный базис пространства - подмножество векторов {е1, е2, е3, …} со свойствами ортогональных координатных осей с определенной единицей измерений, по которым можно разложить любой произвольный сигнал, принадлежащий этому линейному пространству.

Число базисных векторов определяет размерность векторного пространства. Так, для двумерных векторов в качестве ортогонального базиса пространства могут быть приняты векторы {v1, v2}, если выполняется условие их взаимной перпендикулярности – нулевое значение скалярного произведения áv1, v2ñ = 0. При ||v1|| = ||v2|| = 1 эта пара векторов является ортонормированным базисом с единичными векторами координатных осей в качестве стандарта (единицы измерения) пространства.

Пример. Могут ли быть приняты в качестве координатного базиса двумерного пространства векторы

v1 = (/2, 1/2), v2 = (-1/2, /2).

áv1, v2ñ = (/2)·(-1/2) + (1/2)·(/2) = 0. Векторы ортогональны.

||v1|| = = 1. ||v2|| = = 1. Векторы нормированы. Векторы могут быть ортонормированным базисом пространства.

Разложение произвольного двумерного вектора - сигнала s в двумерном пространстве, по координатным осям v1 и v2 элементарно:

s = c1v1 + c2v2, (2.1.9)

где коэффициенты с1 и с2 выражают значения составляющих вектора s по направлениям векторов v1 и v2, т.е. являются проекциями вектора s на координатный базис пространства {v1, v2}. Значения проекций определяются скалярными произведениями:

c1 = ás, v1ñ, c2 = ás, v2ñ.

В этом нетрудно убедиться, если вычислить скалярные произведения левой и правой части выражения (2.1.9) сначала с вектором v1:

ás, v1ñ = á(c1v1+c2v2), v1ñ = áс1v1, v1ñ + áс2v2, v1ñ = с1áv1, v1ñ + с2áv2, v1ñ.

При ортонормированности базиса {v1, v2} имеем:

áv1, v1ñ = ||v1||2 = 1, áv2, v1ñ = 0.

Отсюда следует: ás, v1ñ = с1. Аналогичным образом можно получить и выражение для значения c2 = ás, v2ñ.

Пример. Разложить вектор s = (/2, 5/2) по базису, представленному векторами

v1 = (/2, 1/2) и v2 = (-1/2, /2) из предыдущего примера.

s = c1v1 + c2v2.

с1 = ás, v1ñ = (/2)·(/2) + (5/2)·(1/2) = 2.

с2 = ás, v2ñ = (/2)·(-1/2) + (5/2)·(/2) = .

Результат:В пространстве с базисом {v1, v2} вектор s однозначно определяется двумя векторами v1 и v2: s = 2v1 + v2.

Множество векторов {vk, k = 1, 2, …, N} может быть принято в качестве ортонормированного координатного базиса N-мерного пространства, если их совокупность является линейно независимой, равенство aivi = Æ выполняется только в случае одновременного обращения в нуль всех числовых коэффициентов ai, и для всех векторов этого множества при единичной норме выполняется условие взаимной ортогональности:

ávm, vnñ = (2.1.10)

Выражение (2.1.10) обычно записывается в следующей форме:

ávm, vnñ = dmn,

где dmn – импульс Кронекера.

С использованием ортонормированного базиса любой произвольный сигнал можно представить в виде линейной комбинации взвешенных базисных векторов:

s = c1v1 + c2v2 + … + cNvN = civi,

где весовое значение сk представляет собой проекцию вектора s на соответствующее координатное направление и определяется скалярным произведением:

ck = ás, vkñ.

Коэффициенты ck называют коэффициентами Фурье в базисе {vk}. Базисную систему {vk} называют полной, если ее размерность (и размерность соответствующего пространства) равна размерности представляемых в этой системе сигналов.

Комплексное линейное пространство, векторам которого также может быть поставлено в соответствие комплексное число скалярного произведения ás, vkñ, называют унитарным. Для него действительны все свойства скалярного произведения с учетом сопряжения:

1. ás, vñ = áv, sñ*;

2. ás, аvñ = áаv, sñ* = a*ás,vñ, где а – комплексное число.

Мощность и энергия сигналов [1, 3, 16].

Для произвольного, в общем случае комплексного, сигнала s(t) = a(t)+jb(t), где а(t) и b(t) - вещественные функции, мгновенная мощность… w(t) = s(t) s*(t) = [a(t)+jb(t)] [a(t)-jb(t)] = a2(t)+b2(t) = |s(t)|2,… т.е. функция распределения мгновенной мощности по аргументу сигнала равна квадрату функции его модуля, для…

Пространства функций [1,3,11,16,29].

Нормирование метрических параметров. Норма функций в пространстве L2[a, b] определяется выражением: ||s(t)|| =. Нетрудно заключить, что чем больше интервал [a, b] в этой формуле, тем больше (при прочих равных условиях) будет…

Функции корреляции сигналов [1, 25, 29].

Автокорреляционные функции (АКФ) сигналов (correlation function, CF). Применительно к детерминированным сигналам с конечной энергией АКФ является… Bs(t) = s(t) s(t+t) dt. (2.4.1) Как следует из этого выражения, АКФ является скалярным произведением сигнала и его копии в функциональной зависимости…

Математическое описание шумов и помех [1, 30].

Если помехи известны и регулярны, как например, фон переменного тока, то борьба с ними особых затруднений не представляет. Наибольшие трудности… y(t) = V(s(t), q(t)), (2.5.1) где s(t) – информационная (полезная) часть сигнала, q(t) – помеха.

Литература

1. Баскаков С.И. Радиотехнические цепи и сигналы: Учебник для вузов. - М.: Высшая школа, 1988.

3. Васильев Д.В. Радиотехнические цепи и сигналы: Учебное пособие для вузов. - М.: Радио и связь, 1982. - 528 с.

11. Зиновьев А.Л., Филиппов Л.И. Введение в теорию сигналов и цепей: Учебное пособие для вузов. - М.: Высшая школа, 1975. - 264 с.

16. Макс Ж. Методы и техника обработки сигналов при физических измерениях: В 2-х томах.- М.: Мир, 1983.

25. Сергиенко А.Б. Цифровая обработка сигналов. / Учебник для вузов. – СПб.: Питер, 203. – 608 с.

29. Сато Ю. Обработка сигналов. Первое знакомство. – Изд.: ДОДЭКА, 2002.

30. Харкевич А.А. Борьба с помехами. – М.: Наука, 1965.


Лекция 3. ДИНАМИЧЕСКАЯ ФОРМА ОТОБРАЖЕНИЯ СИГНАЛОВ

Содержание

1. Разложение сигналов по единичным импульсам. Единичные импульсы. Разложение сигнала. Импульсный отклик линейной системы.

2. Свертка (конволюция) сигналов. Интеграл Дюамеля. Интеграл свертки. Техника свертки. Свойства свертки. Системы свертки. Начальные условия свертки.

Введение

Динамическая форма представления сигналов соответствует естественному и привычному для нас математическому описанию в виде функций независимых переменных (аргументов) в реальном (текущем) масштабе времени. Динамические модели сигналов позволяют определять текущие значения сигналов в любых системах по заданным априори математическим функциям описания физических процессов в реальных физических системах или системных операций в программных системах. Достоинством динамических моделей является их универсальность, основные математические инструменты реализации - дифференциальные уравнения и интеграл Дюамеля, для цифровых сигналов - разностные уравнения и операция свертки.

Основной задачей динамической модели является математическое описание реакции системы (выходного сигнала системы) на определенное входное воздействие (входной сигнал). Моделирование и анализ линейных стационарных систем обработки сигналов произвольной формы в динамическом представлении базируется на разложении сигналов по единичным импульсам простейшей формы.

Разложение сигналов по единичным импульсам [1, 11].

Дельта-функция или функция Дирака. По определению, дельта-функция описывается следующими математическими выражениями (в совокупности): d(t-t) = 0 при t ¹ t, d(t-t) dt = 1. Функция d(t-t) не является дифференцируемой, и имеет размерность, обратную размерности ее аргумента, что…

Свертка (конволюция) сигналов [1, 11].

y(t)= y(0)+g(t)s(t-t) dt, (3.2.1) Рис. 3.2.1. где y(0) – начальное значение выходного сигнала системы. Пример расчета выходного сигнала системы на ступенчатый входной сигнал приведен на рис. 3.2.1. Ступенчатая форма…

Литература

1. Баскаков С.И. Радиотехнические цепи и сигналы: Учебник для вузов. - М.: Высшая школа, 1988.

11. Зиновьев А.Л., Филиппов Л.И. Введение в теорию сигналов и цепей: Учебное пособие для вузов. - М.: Высшая школа, 1975. - 264 с.

 


Лекция 6. ЭНЕРГЕТИЧЕСКИЕ СПЕКТРЫ СИГНАЛОВ

Содержание

1. Мощность и энергия сигналов.

2. Энергетические спектры сигналов. Скалярное произведение сигналов. Взаимный энергетический спектр. Энергетический спектр сигнала.

Введение

Понятия мощности и энергиив теории сигналов не относятся к характеристикам каких-либо физических величин сигналов, а являются их количественными характеристиками, отражающими определенные свойства сигналов и динамику изменения их значений во времени, в пространстве или по любым другим аргументам.

Для произвольного, в общем случае комплексного, сигнала мгновенная мощность по определению равна квадрату функции его модуля, для вещественных сигналов - квадрату функции амплитуд. Энергия сигнала, также по определению, равна интегралу от мощности по всему интервалу существования или задания сигнала.

Энергия сигналов может быть конечной или бесконечной. Конечную энергию имеют финитные сигналы и сигналы, затухающие по своим значениям в пределах конечной длительности, которые не содержат дельта-функций и особых точек (разрывов второго рода и ветвей, уходящих в бесконечность). В противном случае их энергия равна бесконечности. Бесконечна также энергия периодических сигналов.

Мощность и энергия сигналов [1,3,16].

Как уже рассматривалось ранее, для произвольного сигнала s(t) = a(t)+jb(t), где а(t) и b(t) - вещественные функции, мгновенная мощность сигнала… w(t) = s(t)s*(t) = a2(t)+b2(t) = |s(t)|2. Энергия сигнала равна интегралу от мощности по всему интервалу существования сигнала. В пределе:

Энергетические спектры сигналов [1].

E =[u(t)+v(t)]2 dt = Eu + Ev + 2u(t)v(t) dt. (5.2.1) Как следует из этого выражения, энергии сигналов, в отличие от самих сигналов,… Euv = 2u(t)v(t) dt. (5.2.2)

Литература

1. Баскаков С.И. Радиотехнические цепи и сигналы: Учебник для вузов. - М.: Высшая школа, 1988.

3. Васильев Д.В. Радиотехнические цепи и сигналы: Учебное пособие для вузов. - М.: Радио и связь, 1982. - 528 с.

16. Макс Ж. Методы и техника обработки сигналов при физических измерениях. - М.: Мир, 1983.

 


Лекция 7. КОРРЕЛЯЦИЯ СИГНАЛОВ

Содержание

1. Автокорреляционные функции сигналов. Понятие автокорреляционных функций (АКФ). АКФ сигналов, ограниченных во времени. АКФ периодических сигналов. Функции автоковариации (ФАК). АКФ дискретных сигналов. АКФ зашумленных сигналов. АКФ кодовых сигналов.

2. Взаимнокорреляционные функции сигналов (ВКФ). Взаимная корреляционная функция (ВКФ). Взаимная корреляция зашумленных сигналов. ВКФ дискретных сигналов.Оценка периодических сигналов в шуме. Функция взаимных корреляционных коэффициентов.

3. Спектральные плотности корреляционных функций. Спектральная плотность АКФ. Интервал корреляции сигнала. Спектральная плотность ВКФ. Вычисление корреляционных функций при помощи БПФ.

Введение

Корреляция (correlation), и ее частный случай для центрированных сигналов – ковариация, является методом анализа сигналов. Приведем один из вариантов использования метода. Допустим, что имеется сигнал s(t), в котором может быть (а может и не быть) некоторая последовательность x(t) конечной длины Т, временное положение которой нас интересует. Для поиска этой последовательности в скользящем по сигналу s(t) временном окне длиной Т вычисляются скалярные произведения сигналов s(t) и x(t). Тем самым мы "прикладываем" искомый сигнал x(t) к сигналу s(t), скользя по его аргументу, и по величине скалярного произведения оцениваем степень сходства сигналов в точках сравнения.

Корреляционный анализ дает возможность установить в сигналах (или в рядах цифровых данных сигналов) наличие определенной связи изменения значений сигналов по независимой переменной, то есть, когда большие значения одного сигнала (относительно средних значений сигнала) связаны с большими значениями другого сигнала (положительная корреляция), или, наоборот, малые значения одного сигнала связаны с большими значениями другого (отрицательная корреляция), или данные двух сигналов никак не связаны (нулевая корреляция).

В функциональном пространстве сигналов эта степень связи может выражаться в нормированных единицах коэффициента корреляции, т.е. в косинусе угла между векторами сигналов, и, соответственно, будет принимать значения от 1 (полное совпадение сигналов) до -1 (полная противоположность) и не зависит от значения (масштаба) единиц измерений.

В варианте автокорреляции (autocorrelation) по аналогичной методике производится определение скалярного произведения сигнала s(t) с собственной копией, скользящей по аргументу. Автокорреляция позволяет оценить среднестатистическую зависимость текущих отсчетов сигнала от своих предыдущих и последующих значений (так называемый радиус корреляции значений сигнала), а также выявить в сигнале наличие периодически повторяющихся элементов.

Особое значение методы корреляции имеют при анализе случайных процессов для выявления неслучайных составляющих и оценки неслучайных параметров этих процессов.

Заметим, что в терминах "корреляция" и "ковариация" существует некоторая путаница. В математической литературе термин "ковариация" применяется к центрированным функциям, а "корреляция" – к произвольным. В технической литературе, и особенно в литературе по сигналам и методам их обработки, часто применяется прямо противоположная терминология. Принципиального значения это не имеет, но при знакомстве с литературными источниками стоит обращать внимание на принятое назначение данных терминов.

Автокорреляционные функции сигналов [1,25].

Bs(t) =s(t) s(t+t) dt = ás(t), s(t+t)ñ = ||s(t)|| ||s(t+t)|| cos j(t). (6.1.1) Как следует из этого выражения, АКФ является скалярным произведением сигнала и… Bs(0) =s(t)2 dt = Es.

Взаимные корреляционные функции сигналов [1,19].

Bsu(t) =s(t) u(t+t) dt. (6.2.1) Взаимная корреляция сигналов характеризует определенную корреляцию явлений и… |Bsu(t)| £ ||s(t)||×||u(t)||,

Спектральные плотности корреляционных функций [1,25].

В соответствии с выражением (6.1.1) АКФ представляет собой функцию скалярного произведения сигнала и его копии, сдвинутой на интервал t, при -¥… Bs(t) = ás(t), s(t-t)ñ. Скалярное произведение может быть определено через спектральные плотности сигнала и его копии, произведение которых…

Литература

1. Баскаков С.И. Радиотехнические цепи и сигналы: Учебник для вузов. - М.: Высшая школа, 1988.

19. Отнес Р., Эноксон Л. Прикладной анализ временных рядов. – М.: Мир, 1982. – 428 с.

25. Сергиенко А.Б. Цифровая обработка сигналов. / Учебник для вузов. – СПб.: Питер, 203. – 608 с.

33. Айфичер Э., Джервис Б. Цифровая обработка сигналов. Практический подход. / М., "Вильямс", 2004, 992 с.

 


Лекция 8. ДИСКРЕТИЗАЦИЯ СИГНАЛОВ

Содержание

1. Задачи дискретизации функций. Сигналы и системы дискретного времени. Принципы дискретизации. Воспроизведение сигнала.

2. Равномерная дискретизация. Спектр дискретного сигнала. Интерполяционный ряд Котельникова-Шеннона. Дискретизация с усреднением. Дискретизация спектров. Информационная тождественность динамической и спектральной формы сигнала. Дискретизация усеченных сигналов. Соотношение спектров одиночного и периодического сигналов.

3. Дискретизация по критерию наибольшего отклонения.

4. Адаптивная дискретизация.

5. Квантование сигналов.

6. Децимация и интерполяция данных.

Введение.

В первой половине ХХ века при регистрации и обработке информации использовались, в основном, измерительные приборы и устройства аналогового типа, работающие в реальном масштабе времени, при этом даже для величин, дискретных в силу своей природы, применялось преобразование дискретных сигналов в аналоговую форму. Положение изменилось с распространением микропроцессорной техники и ЭВМ. Цифровая регистрация и обработка информации оказалась более совершенной и точной, более универсальной, многофункциональной и гибкой. Мощь и простота цифровой обработки сигналов настолько преобладают над аналоговой, что преобразование аналоговых по природе сигналов в цифровую форму стало производственным стандартом.

Под дискретизацией сигналов понимают преобразование функций непрерывных переменных в функции дискретных переменных, по которым исходные непрерывные функции могут быть восстановлены с заданной точностью. Роль дискретных отсчетов выполняют, как правило, квантованные значения функций в дискретной шкале координат. Под квантованием понимают преобразование непрерывной по значениям величины в величину с дискретной шкалой значений из конечного множества разрешенных, которые называют уровнями квантования. Если уровни квантования нумерованы, то результатом преобразования является число, которое может быть выражено в любой числовой системе. Округление с определенной разрядностью мгновенных значений непрерывной аналоговой величины с равномерным шагом по аргументу является простейшим случаем дискретизации и квантования сигналов при их преобразовании в цифровые сигналы.

Как правило, для производственных задач обработки данных обычно требуется значительно меньше информации, чем ее поступает от измерительных датчиков в виде непрерывного аналогового сигнала. При статистических флюктуациях измеряемых величин и конечной погрешности средств измерений точность регистрируемой информация также всегда ограничена определенными значениями. При этом рациональное выполнение дискретизации и квантования исходных данных дает возможность снизить затраты на хранение и обработку информации. Кроме того, использование цифровых сигналов позволяет применять методы кодирования информации с возможностью последующего обнаружения и исправления ошибок при обращении информации, а цифровая форма сигналов облегчает унификацию операций преобразования информации на всех этапах ее обращения.

Задачи дискретизации функций [10, 21].

Система дискретного времени – это алгоритм с входной последовательностью s(k) и выходной последовательностью y(k), которая может быть линейной или… y(k) =h(n) x(k-n), где h(n) – дискретная импульсная характеристика (импульсный отклик) системы. Система устойчива, если выполняется…

Равномерная дискретизация [16,21].

sDt(t) = s(t)×ШDt(t) = s(t)d(t-kDt) =s(kDt)d(t-kDt). (7.2.1) С учетом известного преобразования Фурье гребневой функции ШDt(t) Û (1/T)d(f-nF) = F·ШF(f), (7.2.2)

Курсовая работа 1 – Исследование и разработка основных правил ограничения интервала суммирования при интерполяции данных рядом Котельникова-Шеннона.

s(t) =s(kDt) × sinc[pF(mt-kDt)]. По аналогичной формуле может выполняться пересчет дискретных данных на другой… s(n·Dtnew) = s(kDt) × sinc[pF(n·Dtnew-kDt)].

Дискретизация по критерию наибольшего отклонения [10].

В процессе дискретизации по критерию наибольшего отклонения задается допустимое значение погрешности восстановления сигнала s. При восстановлении… L(t) = s(t) - sa(t) = s(t). Шаг дискретизации выбирается из условия обеспечения L(t) < s по всему интервалу определения функции s(t). Как…

Адаптивная дискретизация [10].

Наиболее простой является техника адаптивной дискретизации с использованием многочлена нулевой степени. На момент ti начала каждого интервала… При использовании аппроксимирующего многочлена первой степени вычисляется…

Курсовая работа 2 – Исследовать и разработать программу оценки спектра дискретного сигнала при неравномерном шаге дискретизации.

f(x)лин = а0 + а1х. f(x)кв = а0 + а1х + а2х2. Эти уравнения являются частным случаем полиномиальной интерполяции с помощью… f(x) = а0 + а1х + а2х2 + … + anxn =ai·xi. (7.4.1) Рис. 7.4.1. Интерполяция данных.

Курсовая работа 3 – Исследовать и обосновать оптимальный метод полиномиальной интерполяции произвольных данных с равномерным шагом дискретизации. Разработать программу интерполяции.

Курсовая работа 4 – Исследовать и обосновать оптимальный метод полиномиальной интерполяции произвольных данных с неравномерным шагом дискретизации. Разработать программу интерполяции.

Рис. 7.4.2. Интерполяция по Лагранжу.

Для практического использования более удобны формулы аппроксимации, не требующие предварительного определения коэффициентов аппроксимирующих полиномов. К числу таких формул относится интерполяционных многочлен по Лагранжу /30/. При аппроксимации функции у(х) многочленом n-ой степени f(x):

f(x) = + +…

…+ . (7.4.2)

Пример интерполяции по Лагранжу приведен на рис. 7.4.2.

Курсовая работа 5 – Исследовать и обосновать оптимальный метод интерполяции по Лагранжу произвольных данных с неравномерным шагом дискретизации. Разработать программу интерполяции.

Квантование сигналов [5,21].

si(ti) = , где скобки [..] означают целую часть значения в скобках. При квантовании сигналов в большом динамическом диапазоне значений шаг квантования может быть и неравномерным,…

Децимация и интерполяция данных [4,5,17].

Децимации должна предшествовать низкочастотная фильтрация данных. Это связано с тем, что в процессе децимации шаг дискретизации Dt заменяется на… Значение коэффициента р при децимации может быть произвольным, но, как… Интерполяция данных отличается от децимации только значением коэффициента р<1, с соответствующим увеличением…

Литература

4. Гольденберг Л.М. и др. Цифровая обработка сигналов: Справочник. - М.: Радио и связь, 1985.

5. Гольденберг Л.М. и др. Цифровая обработка сигналов: Учебное пособие для вузов.- М.: Радио и связь, 1990.- 256 с.

10. Дмитриев В.И. Прикладная теория информации: Учебник для вузов. - М.: Высшая школа, 1989.

16. Макс Ж. Методы и техника обработки сигналов при физических измерениях. - М.: Мир, 1983.

17. Никитин А.А. Теоретические основы обработки геофизической информации: Учебник для вузов.- М.: Недра, 1986.- 342 с.

21. Рапопорт М.Б. Вычислительная техника в полевой геофизике: Учебник для вузов.- М.: Недра, 1993. - 350 с.

30. Корн Г., Корн Е. Справочник по математике для научных работников и инженеров. – М.: Наука, 1984.


Лекция 9. ДИСКРЕТНЫЕ ПРЕОБРАЗОВАНИЯ СИГНАЛОВ

Содержание

1. Преобразование Фурье. Дискретное преобразование Фурье. Быстрое преобразование Фурье.

2. Преобразование Лапласа.

3. Z - преобразование сигналов. Определение преобразования. Примеры z-преобразования. Связь с преобразованиями Фурье и Лапласа. Свойства z-преобразования. Отображение z-преобразования. Аналитическая форма z-образов. Обратное z-преобразование.

4. Дискретная свертка (конволюция). Уравнение дискретной свертки. Техника свертки.

Введение

Цифровая обработка сигналов оперирует с дискретными преобразованиями сигналов и обрабатывающих данные сигналы систем. Математика дискретных преобразований зародилась в недрах аналоговой математики еще в 18 веке в рамках теории рядов и их применения для интерполяции и аппроксимации функций, однако ускоренное развитие она получила в 20 веке после появления первых вычислительных машин. В принципе, в своих основных положениях математический аппарат дискретных преобразований подобен преобразованиям аналоговых сигналов и систем. Однако дискретность данных требует учета этого фактора, и его игнорирование может приводить к существенным ошибкам. Кроме того, ряд методов дискретной математики не имеет аналогов в аналитической математике.

Преобразование Фурье [5,17,21].

S(f) =s(t) exp(-j2pft) dt, S(fn) = Dts(tk) exp(-j2pfnkDt), (8.1.1) s(t) =S(f) exp(j2pft) df, s(tk) = DfS(fn) exp(j2pnDftk). (8.1.2) Напомним, что дискретизация функции по времени приводит к периодизации ее спектра, а дискретизация спектра по частоте…

Преобразование Лапласа.

Y(p) =y(t) exp(-pt) dt, Y(pn) = Dty(tk) exp(-pntk), (8.2.1) где p = s+jw - комплексная частота, s ³ 0. y(t) = (1/2pj) Y(p) exp(pt) dp. y(tk) = DtY(pn) exp(pntk). (8.2.2)

Z - преобразование сигналов [2,13,21].

Произвольной непрерывной функции s(t), равномерно дискретизированной и отображенной отсчетами sk = s(kDt), равно как и непосредственно дискретной… sk = s(kDt) Û TZ[s(kDt)] =sk zk = S(z). (8.3.1) где z = s+jw = r×exp(-jj) - произвольная комплексная переменная. Полином S(z) называют z-образом или…

Дискретная свертка (конволюция) [5,17,21].

Уравнение дискретной свертки двух функций (сигналов) может быть получено непосредственно из интегрального уравнения свертки при замене… y(kDt) = Dth(nDt) s(kDt-nDt). (8.4.1) При выполнении дискретной свертки мы имеем дело с цифровыми массивами, при этом шаг дискретизации для массивов по…

Литература

2. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. – М.: Мир, 1989. – 540 с.

5. Гольденберг Л.М. и др. Цифровая обработка сигналов: Учебное пособие для вузов. - М.: Радио и связь, 1990.- 256 с.

13. Канасевич Э.Р. Анализ временных последовательностей в геофизике. - М.: Недра, 1985.- 300 с.

17. Никитин А.А. Теоретические основы обработки геофизической информации: Учебник для вузов. - М.: Недра, 1986.- 342 с.

18. Оппенгейм А.В., Шафер Р.В. Цифровая обработка сигналов. – М.: Связь, 1979. – 416 с.

21. Рапопорт М.Б. Вычислительная техника в полевой геофизике: Учебник для вузов. - М.: Недра, 1993.- 350 с.


Лекция 10. СЛУЧАЙНЫЕ ПРОЦЕССЫ И СИГНАЛЫ

Нет ничего более противного разуму и постоянству природы, чем случайность. Сам бог не может знать того, что произойдет случайно. Ибо если знает, то это определенно произойдет, а если определенно произойдет, то не случайно.

Марк Туллий Цицерон. Римский философ и политик, I в.д.н.э.

 

Содержание

Введение.

1. Случайные процессы и функции. Случайный процесс. Функциональные характеристики случайного процесса. Одномерная функция распределения вероятностей. Одномерная плотность вероятностей. Функции математического ожидания, дисперсии, среднего квадратического отклонения. Двумерная плотность распределения вероятностей. Корреляционные и ковариационные функции случайных процессов. Свойства функций автоковариации и автокорреляции. Взаимные моменты случайных процессов. Статистическая независимость случайных процессов. Классификация случайных процессов. Эргодические процессы.

2. Функции спектральной плотности. Каноническое разложение случайных функций. Комплексные случайные функции. Финитное преобразование Фурье. Спектры мощности случайных функций. Теорема Винера-Хинчина. Спектр ковариационных функций. Взаимные спектральные функции. Эффективная ширина спектра мощности. Соотношение неопределенности.

3. Преобразования случайных функций. Системы преобразования случайных функций. Связь выходных статистических функций с входными. Математическое ожидание выходного сигнала. Корреляционная функция выходного сигнала. Функция взаимной корреляции входного и выходного сигналов. Спектральные соотношения. Дисперсия выходного сигнала. Функция когерентности. Преобразования случайных функций. Преобразования стационарных случайных функций.

4. Модели случайных сигналов и помех. Телеграфный сигнал. Белый шум. Гауссовый шум. Гауссовые случайные процессы.

Введение.

Наряду с полезными информационными составляющими в реальных сигналах присутствуют помехи и шумы. К помехам обычно относят сигналы от других посторонних источников, "наводки" аппаратуры, влияние дестабилизирующих факторов на основной сигнал и т.п. Физическая природа помех, как правило, не случайна, и после соответствующего изучения может переводиться в разряд детерминированной помехи или исключаться из сигнала. К шумам относят случайные флуктуации сигнала, обусловленные природой его источника или устройств детектирования и формирования сигнала. При неизвестной природе помех они также могут относиться к числу случайных, если имеют случайное вероятностное распределение с нулевым средним значением и дельта-подобную функцию автокорреляции.

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 (или стохастическими) процессами. В технической литературе термины "случайный сигнал" и "случайный процесс" используются как синонимы.

В отличие от детерминированных сигналов значения случайных сигналов в произвольные моменты времени не могут быть вычислены. Они могут быть только предсказаны в определенном диапазоне значений с определенной вероятностью, меньшей единицы. Количественные характеристики случайных сигналов, позволяющие производить их оценку и сравнение, называют статистическими.

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. При обработке таких сигналов обычно ставятся задачи:

· обнаружение полезного сигнала,

· оценка параметров сигнала,

· выделение информационной части сигнала (очистка сигнала от шумов и помех),

· предсказание поведения сигнала на некотором последующем интервале (экстраполяция).

Случайные процессы и функции [1, 2, 25].

Случайный процесс в его математическом описании Х(t) представляет собой функцию, которая отличается тем, что ее значения (действительные или… Рис. 9.1.1. Выборочные функции случайного процесса.

Функции спектральной плотности [2,25,26].

X(t) = X×j(t), (9.2.1) где Х - обычная случайная величина, j(t) - произвольная неслучайная функция.… mx(t) = M{Xj(t)}= j(t)×M{X}= j(t)×mx, (9.2.2)

Преобразования случайных функций [1, 26, 27].

z(t) = h(t) ③ x(t-t) =h(t)×x(t-t) dt. где h(t) - математическая функция импульсного отклика системы на единичное… Для неслучайных (детерминированных) входных сигналов соотношение между выходными и входными сигналами всегда…

Модели случайных сигналов и помех [2, 28].

Телеграфный сигнал - это случайный процесс xk(t), представляющий собой последовательность прямоугольных положительных и отрицательных импульсов со… P(n) = (a|t|)2 exp(-a|t|)/n! (9.4.1) Рис. 9.4.2. Функция… При вычислении корреляционной функции телеграфного сигнала каждое отдельное произведение xk(t)xk(t+t) равно либо с2,…

Литература

1. Баскаков С.И. Радиотехнические цепи и сигналы: Учебник для вузов. - М.: Высшая школа, 1988.- 448 с.

2. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. – М.: Мир, 1989. – 540 с.

25. Сергиенко А.Б. Цифровая обработка сигналов. – СПб.: Питер, 2003. – 608 с.

26. Вероятностные методы в вычислительной технике: Учебное пособие для вузов./ А.В.Крайников и др. - М.: Высшая школа, 1986. - 312 с.

26. Вероятностные методы в вычислительной технике: Учебное пособие для вузов./ А.В.Крайников и др. - М.: Высшая школа, 1986. - 312 с.

27. Гурский Е.И. Теория вероятностей с элементами математической статистики: Учебное пособие для вузов. - М.: Высшая школа, 1971.- 328 с.

28. Игнатов В.А. Теория информации и передачи сигналов. - М.: Советское радио, 1979.

42. Ю.М. Яневич. Задачи приема сигналов и определения их параметров на фоне шумов: Курс лекций. / СПбУ.

 


Основная литература.

1. Баскаков С.И. Радиотехнические цепи и сигналы: Учебник для вузов. - М.: Высшая школа, 2000. - 462 с.

2. Солонина А.И. и др. Основы цифровой обработки сигналов: Учебное пособие для вузов. – СПб.: БХВ-Петербург, 2005. – 768 с.

3. Давыдов А.В. Сигналы и линейные системы. Тематические лекции: Учебное пособие в электронной форме. – Екатеринбург, УГГУ, ИГиГ, каф. ГИН. – http://www.prodav.narod.ru/signals/index.html.

 

– Конец работы –

Используемые теги: Введение, теорию, сигналов, систем0.063

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Введение в теорию сигналов и систем.

Что будем делать с полученным материалом:

Если этот материал оказался полезным для Вас, Вы можете сохранить его на свою страничку в социальных сетях:

Еще рефераты, курсовые, дипломные работы на эту тему:

ТЕЛЕКОММУНИКАЦИОННЫЕ СИСТЕМЫ. СИГНАЛЫ И КАНАЛЫ ЭЛЕКТРИЧЕСКОЙ СВЯЗИ. СИСТЕМЫ СВЯЗИ С ЧАСТОТНЫМ РАЗДЕЛЕНИЕМ КАНАЛОВ. ЦИФРОВЫЕ СИСТЕМЫ ПЕРЕДАЧИ
Лабораторные работы часа... Практические занятия часа... Всего аудиторных занятий часов...

Лекция 1. Тема: Операционная система. Определение. Уровни операционной системы. Функции операционных систем. 1. Понятие операционной системы
Понятие операционной системы... Причиной появления операционных систем была необходимость создания удобных в... Операционная система ОС это программное обеспечение которое реализует связь между прикладными программами и...

Система координат действия и общая теория систем действия: культура, личнсть и место социальных систем
В центре данного исследования стоит разработка теоретической схемы. Систематическое рассмотрение ее эмпирического использования будет предпринято… Основные положения системы координат действия подробно излагались ранее, и… При помощи ее анализируются структура и процессы систем, состоящих из отношений таких элементов к их ситуациям,…

Введение в операционные системы. Определение, назначение, состав и функции операционных систем
Государственное образовательное учреждение высшего профессионального образования... ТОЛЬЯТТИНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СЕРВИСА...

Непротиворечивая система аксиом называется независимой, если никакая из аксиом этой системы не является следствием других аксиом этой системы
При аксиоматическом построении теории по существу все утверж дения выводятся путем доказательства из аксиом Поэтому к системе аксиом предъявляются... Система аксиом называется непротиворечивой если из нее нельзя логически... Если система аксиом не обладает этим свойством она не может быть пригодной для обоснования научной теории...

Экспертные системы. Классификация экспертных систем. Разработка простейшей экспертной системы
Глава 2. Структура систем, основанных на знаниях. 1. Категории пользователей экспертных систем. 2.2. Подсистема приобретения знаний. 3. База… ЭС выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение ЭС на предприятиях способствует эффективности работы и повышению квалификации специалистов.

Системы с прерывистым входным сигналом. Математическое описание дискретных систем
Фиксатор (экстраполятор нулевого порядка) состоит из сумматора , линии задержки на время и интегратора Инт. В фиксаторе во время действия импульса… Перед приходом очередного импульса интегратор разряжается задержанным на время… Рис.3. Функциональная схема следящей системы с фиксатором. Временные диаграммы, поясняющие принцип работы фиксатора,…

Микропроцессорные системы: система ДЦ-МПК, система "Юг"
Использован практический опыт внедрения линейных пунктов управления (ЛПУ) на 60 станциях в увязке с ЭЦ-4, ЭЦ-9, МРЦ-12, МРЦ-13. Выполнен переход на… В состав аппаратуры центрального пункта управления (ПУ) входят IBM-совместные… Круглосуточный режим работы аппаратных средств ПУ обеспечивается источниками бесперебойного питания, а также системой…

Платежные системы в Интернете: кредитовые и дебитовые системы
Список литературы - 25 наименований. Предметом исследования курсовой работы является платежные системы во всемирной сети (паутине) Internet.… Анализ, проведенный в рамках курсовой работы, основан на использовании… Целями и задачами исследования являются привлечь как много больше Интернет - пользователей для использования платежных…

0.044
Хотите получать на электронную почту самые свежие новости?
Education Insider Sample
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Реклама
Соответствующий теме материал
  • Похожее
  • По категориям
  • По работам