Выделение полезного сигнала на фоне шумов
Сигналы, несущие информацию об исследуемом физическом процессе, обычно сопровождаются шумом. Шум порождается как рассмотренными выше случайными флуктуациями внутри физических систем, так и наводками искусственного и естественного происхождения: двигателями, переключателями, модуляторами, грозовыми разрядами и т.п. С точки зрения выделения сигналов шумом можно считать любой сигнал, создаваемый не источником полезного сигнала. По-прежнему полагая, что шум аддитивный, рассмотрим методы выделения полезного сигнала из тока или напряжения, представляющего собой сумму полезного сигнала и шума.
Наиболее распространен частотный метод выделения сигнала из шума, который заключается в различном усилении частот, соответствующих сигналу и шуму, с помощью селективного усилителя, в полосу пропускания которого попадает сигнал (или основные частотные составляющие сигнала) и не попадает (или частично не попадает) шум. Этот метод эффективен, когда спектры сигнала и шума не перекрываются или перекрываются частично. При этом выделение возможно даже тогда, когда в некоторой области частот мощность шума значительно превосходит мощность сигнала (рис.3, а, б). Если спектр сигнала полностью перекрыт спектром шума (строго говоря, это имеет место всегда!), то частотное выделение возможно лишь тогда, когда в каком-то частотном интервале мощность сигнала больше мощности шума (рис.3, б).
Фактически любой радиоприемник осуществляет частотное разделение: из широкого спектра он выделяет сигнал соответствующей радиостанции; сигналы всех остальных радиопередатчиков, атмосферные помехи, электрические и магнитные наводки любого происхождения выступают в роли шумов.
Рис. 3. Случаи, в которых сигнал может быть выделен из шума частотной фильтрацией
Частотный метод выделения полезных сигналов получил широкое распространение. При многих физических измерениях можно искусственно создать условия, когда спектр шума и спектр сигнала укладываются в рамки случаев, изображенных на рис.4. Для этого регистрируемую физическую величину модулируют с частотой щмод и производят усиление сигнала (и шума) на частоте модуляции, например, периодически прерывают исследуемый световой поток (что не влияет на шум регистрирующего этот поток фотоумножителя) и усиливают выходной сигнал фотоумножителя селективным усилителем, настроенным на частоту прерывания сигнала (рис. 4). В результате напряжение на выходе селективного усилителя (амплитуда первой гармоники) пропорционально интенсивности светового потока.
Чувствительность таких методов регистрации определяется минимально обнаружимым сигналом (для схемы на рис.4 — наименьшей интенсивностью светового потока, который может быть измерен). Чувствительность улучшается при уменьшении полосы пропускания усилителя (В). Сужение полосы усилителя возможно и целесообразно только до определенного предела, так как при очень малых значениях начинает проявляться взаимная нестабильность несущей частоты щмод и центральной частоты полосы пропускания усилителя, в результате чего коэффициент усиления полезного сигнала хаотически изменяется, внося тем самым дополнительный шум и ухудшая характеристики измерителя в целом.
Рис. 4. Блок-схема измерения непрерывного светового потока методом усиления сигнала фотоумножителя на частоте прерывания (метод переменного тока)
шумовая флуктуация мощность сигнал
Источник
§ 16. ФИЛЬТРЫ ДЛЯ СИГНАЛОВ ИЗВЕСТНОЙ ФОРМЫ
В гл. I и II мы считали, что сигнал и помеха являются случайными процессами с известными корреляционными свойствами. Как мы уже отмечали выше (см. § 7), в радиолокации, а также в ряде других областей радиотехники форма полезного сигнала, поступающего в приемник, является фиксированной. В этом случае полезный сигнал нужно рассматривать не как случайный процесс, а как заданную функцию с одним или несколькими неизвестными параметрами (амплитуда, время прихода, высокочастотная фаза и т. п.). Цель фильтрации заключается уже не в воспроизведении формы сигнала (известной) с минимумом средней квадратичной ошибки, а в наиболее надежном обнаружении полезного сигнала на фоне случайных помех и в наиболее точном изхмерении его параметров, в особенности времени прихода сигнала, фиксирующего расстояние до отражающего объекта. Поэтому качество фильтра, выделяющего сигналы известной формы, характеризуется отношением сигнал/помеха на выходе фильтра. Связь этого отношения с более тонкими вероятностными свойствами приемника будет исследована во второй части книги.
Предполагая, что полезный сигнал имеет вполне определенную форму, рассмотрим процесс его прохождения через линейный фильтр К с частотной характеристикой Л». На вход фильтра подается смесь полезного сигнала имеющего известную форму, и помехи представляющей собой стационарный случайный процесс,
Полезный сигнал может отсутствовать, тогда на выходе фильтра имеется одна помеха
Мы будем сначала считать, что функция полностью известна, так что искомый фильтр должен максимально облегчить обнаружение полезного сигнала, т. е. помочь решить, какая из возможностей — (16.01) или — реализуется в данном опыте. Более сложный случа, когда сигнал зависит от неизвестных параметров, будет рассмотрен в конце параграфа. На выходе фильтра при наличии сигнала мы получаем функцию
где есть результат преобразования полезного сигнала фильтром результат преобразования помехи. Сигнал можно, например, себе представить в виде прямоугольных радиоимпульсов, часто применяемых в радиолокации. Считая, что полезный сигнал имеет конечную длительность (или достаточно быстро стремится к нулю при мы можем разложить его в интеграл Фурье
где
Функция полезный сигнал на выходе фильтра К — равна
где формулу (2.23)] есть комплексная частотная характеристика фильтра К.
Для случайного процесса — помехи — вместо спектральных выражений вида (16.06) следует воспользоваться теоремой Хинчина (см. § 3), согласно которой, в частности, можно написать
Здесь есть интенсивность помехи (черта означает образование статистического среднего), спектральная интенсивность помехи на входе фильтра. На выходе фильтра К помеха будет иметь согласно формуле (3.09) интенсивность
Отношение сигнал/помеха (по мощности) на выходе фильтра мы будем определять выражением
где значение сигнала на выходе в некоторый момент Пользуясь формулами (16.06) и (16.08), получим
Будем искать фильтр, который бы давал на выходе наибольшее значение по сравнению со всеми остальными. Это значит, что мы будем принимать решение по значению
поэтому нам важно, чтобы слагаемое по своей абсолютной величине как можно более превосходило
Частотную характеристику искомого фильтра можно найти из следующего неравенства
которое показывает, что
Мы получили таким образом верхний предел для Если взять
где с — произвольная константа, то такой фильтр будет давать максимально достижимое значение равное
Неравенство (16.12) является обобщением известного алгебраического неравенства Шварца-Буняковского. Чтобы его доказать, возьмем двойной интеграл
поскольку исходный интеграл отрицательных значений принимать не может. Учитывая, что
мы получим неравенство
для любых двух функций и если выписанные интегралы имеют смысл (сходятся). Полагая
мы и приходим к неравенству (16.12).
Таким образом, среди линейных фильтров наилучшим является фильтр с частотной характеристикой (16.14). Если помеха есть нормальный случайный процесс, то такой фильтр является абсолютно оптимальным, как мы покажем во второй части книги. Поэтому нелинейные фильтры могут иметь значение лишь при помехах, не являющихся нормальными, а тогда математическое исследование оптимальных фильтров и оптимальных приемников усложняется настолько, что ощутимых практических результатов получить не удается.
Физический смысл формулы (16.14) очень прост: оптимальный линейный фильтр К пропускает элементарный интервал частот в тем большей степени, чем больше спектральная амплитуда полезного сигнала и чем меньше спектральная интенсивность помех в этом интервале. Формула (16.15) при этом показывает, что отношение сигнал/помеха на выходе такого фильтра тем больше, чем больше отличие спектра сигнала от спектра помехи (ср. конец § 2). Так, например, если спектральная интенсивность весьма мала в некоторой части частотного диапазона, занятого сигналом, то оптимальный фильтр К будет пропускать практически только эту часть диапазона, и величина (16.15) будет весьма большой. Полезный сигнал на выходе фильтра сильно отличается по форме от сигнала на его входе (ср. далее § 17 и 20), однако эта форма известна и поэтому никаких опасностей при ее искажении не возникает.
Заметим, что из формул (16.06) и (16.14) вытекает соотношение
откуда (ср. § 3)
При использовании данного фильтра для обнаружения полностью известного сигнала нужно только значение (16.11), т. е. значение выходной функции фильтра в один определенный момент времени, поскольку в другие моменты согласно формуле (16.21) полезный сигнал на выходе фильтра меньше. Если же полезный сигнал имеет вид
т. е. зависит от неизвестных параметров амплитуда, время появления сигнала, известная функция времени), то результаты несколько изменяются. Прежде всего, по формуле (16.05) мы будем иметь
где
так что функция зависит от неизвестных параметров. Чтобы не вводить в формулу (16.14) неизвестного параметра ее приходится изменить следующим образом:
так как в противном случае мы должны применять столько фильтров, сколько имеется возможных значений Формула (16.20) тогда принимает вид:
так что
где
есть отношение сигнал/помеха на выходе фильтра с частотной характеристикой (16.25), определяемое с помощью соотношения
При произвольном отношение сигнал/помеха можно определить по формуле
или же пользоваться усредненным параметром
где вычисляется в соответствии с законом распределения случайной величины
Очевидно, что частотная характеристика (16.25) обеспе чивает максимальное значение параметров (16.30) и (16.31), причем в данном случае процесс на выходе фильтра используется более полно: а именно, если параметр может принимать значения то необходимы значения . В частности, если может принимать все значения в интервале 0 то нужно использовать функцию при Если помехи отсутствуют то получающаяся таким образом функция позволит полностью определить параметры находится по положению максимума функции по величине этого максимума [см. формулу (16.27)]. Слабые помехи большие значения приводят, очевидно, к некоторым ошибкам в определении поскольку помехи случайным образом смещают максимум [по отношению к максимуму так, что положение максимума на оси и его абсолютная величина изменяются. При увеличении помех (т. е. при уменьшении эти ошибки растут, причем при достаточно больших помехах (достаточно малых наличие или отсутствие полезного сигнала почти полностью маскируется помехами и даже оптимальный фильтр, обеспечивающий максимальное значение не может выделить сигнала на фоне помех. Такова качественная картина работы оптимального линейного фильтра.
Заметим в заключение, что если в формуле (16.14) положить , то в силу соотношений (16.09) и (16.21) мы будем иметь
Таким образом, параметр —отношение сигнал/помеха — дает нам одновременно полезный сигнал и интенсивность помех на выходе оптимального линейного фильтра. Отметим также интересное соотношение
связывающее полезный сигнал и корреляционную функцию помех на выходе оптимального фильтра. Аналогичные формулы можно вывести для частотной характеристики (16.25).
Источник
— [ Страница 1 ] —
На правах рукописи
ШЕРСТОБИТОВ АЛЕКСАНДР ИВАНОВИЧ
МЕТОД И АЛГОРИТМЫ ВЫДЕЛЕНИЯ ПОЛЕЗНОГО СИГНАЛА НА ФОНЕ ШУМОВ ПРИ ОГРАНИЧЕНИЯХ НА ОБЪЕМ ВЫБОРКИ И В УСЛОВИЯХ АПРИОРНОЙ НЕОПРЕДЕЛННОСТИ
Специальность: 05.12.04 – «Радиотехника, в том числе системы
и устройства телевидения»
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Шахты 2007
Работа выполнена на кафедре «Радиоэлектронные системы» Государственного образовательного учреждения высшего профессионального образования «Южно-российского государственного университета экономики и сервиса»
НАУЧНЫЙ РУКОВОДИТЕЛЬ:
доктор технических наук,
доцент (ЮРГУЭС, г. Шахты) Марчук Владимир Иванович
ОФИЦИАЛЬНЫЕ ОППОНЕНТЫ:
доктор технических наук,
профессор (ЮФУ ТТИ, г. Таганрог) Федосов Валентин Петрович
кандидат технических наук,
доцент
(РВИРВ (РАУ), г. Ростов-на-Дону) Елисеев Александр Вячеславович
ВЕДУЩАЯ ОРГАНИЗАЦИЯ: Филиал института аналитического приборостроения РАН (г. Пятигорск)
Защита состоится ………………. в 1400 часов на заседании диссертационного совета Д.212.208.20 в Технологическом институте Южного федерального университета в г. Таганроге в аудитории Д-406 по адресу:
пер. Некрасовский, 44, г. Таганрог, Ростовская обл., ГСП-17А, 347928
С диссертацией можно ознакомиться в Зональной научной библиотеке Южного федерального университета.
Отзыв на автореферат, заверенный гербовой печатью организации, просим направлять ученому секретарю диссертационного совета Д212.208.20 ТТИ ЮФУ по адресу:
пер. Некрасовский, 44, г. Таганрог, Ростовская обл., ГСП-17А, 347928
Автореферат разослан «___»______ 2007 г.
Ученый секретарь
диссертационного совета Д.212.208.20
кандидат технических наук, доцент В.В. Савельев
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность работы. Развитие научного и технического потенциала отражается ростом технического оснащения промышленных, народно-хозяйственных объектов. В основу их функционирования входят новые образцы техники, позволяющие автоматизировать процессы управления, контроля техническими объектами. Основу многих разработок составляют системы сбора и обработки измерительной информации. Для упрощения систем непрерывного контроля, управления, в большинстве случаев реализуются устройства без передачи информации по каналам связи и последующего их хранения. Использование таких систем предъявляет серьезные требования к обработке получаемой измерительной информации и точности принимаемых решений. Дополнительно необходимо обеспечить высокую достоверность и скорость обработки информации в случае реализации нелинейных методов обработки или использовать эффективные линейные методы. Сложность системы, реализующей обработку измерительной информации, во многом определяется решаемой задачей. В результате практической реализации большинства систем обработки, априорная информация о характеристиках обрабатываемого процесса ограничена.
Обработка измерительной информации, полученной в результате эксперимента, в системах контроля, управления и диагностики является сложной комплексной задачей, требующей для своего решения привлечения разнообразных методов математической статистики, которые представлены в работах Дж. Бендата, Т. Андерсена, Б.Р. Левина, Э.И. Цветкова, В.И. Тихонова, С.А. Айвазяна, или фильтрации – работы Н. Винера, Р.Е. Калмана, Л. Рабинера, Б. Голда, Б. Уидроу. Как правило, при проведении уникальных экспериментов, невозможно повторить проводимый опыт при всех прочих равных условиях, реализация результатов измерений ограничена по объему. Анализ таких данных затруднен наличием ошибок, имеющих случайный характер, которые не позволяют достоверно оценить характеристики полученных зависимостей или описать их функционально. Необходимо применять специальные методы для ослабления случайной составляющей (шума) и выделения полезного сигнала. Оценка полезного сигнала может осуществляться как параметрическими, так и непараметрическими методами в зависимости от априорной информации о полезной и шумовой составляющей. Для использования параметрических методов обработки необходима априорная информация о модели функциональной зависимости полезного сигнала с целью оценки её параметров по исходной реализации результатов измерений – решение задачи аппроксимации. Строгое решение задачи аппроксимации возможно получить только для ограниченного класса функций. Оптимальность и эффективность такой оценки, в большинстве случаев, достигается при гауссовском законе распределения шумовой составляющей, что редко выполняется на практике (работы А.И. Орлова). Использование непараметрических метод обработки требует значительно меньше априорной информации, но погрешность оценки сигнала имеет ярко выраженную зависимость от параметров обработки, значениях которых зависят от характеристик выделяемого полезного сигнала и закона распределения шума, объема исходной реализации сигнала. Предпринимаются различные попытки получить квазиоптимальные или эвристические методы выделения полезного сигнала на фоне аддитивного шума, оценки которых, при определенных условиях, наиболее близки к оптимальным.
В связи с этим, задача разработки методов анализа нестационарных случайных сигналов в условиях априорной неопределенности и единственной реализации обрабатываемого сигнала является весьма актуальной как с теоретической так и с практической точек зрения.
Объектом исследования является выделение полезного сигнала методом кусочного размножения оценок и алгоритмы его реализации.
Предметом исследований является уменьшение погрешности оценки полезной составляющей в условиях априорной неопределенности.
Целью диссертационной работы является разработка метода кусочного размножения оценок для обработки нестационарных случайных сигналов, в условиях априорной неопределенности и алгоритмов его реализации.
Для достижения поставленной цели необходимо решить следующие основные задачи:
1. Провести анализ основных методов ослабления аддитивной помехи при обработке дискретных сигналов в условиях априорной неопределенности.
2. Разработать и провести исследования метода кусочного размножения оценок в условиях априорной неопределенности.
3. Исследовать временные и спектральные характеристики устройства, реализующего метод кусочного размножения оценок, и разработать его структурную схему.
4. Провести сравнительный анализ ослабления шумовой составляющей при обработке методом кусочного размножения оценок и наиболее широко используемых методов.
5. Провести исследования эффективности метода кусочного размножения оценок при ослаблении аддитивной шумовой составляющей в результате обработки натурных реализаций сигналов.
Научная новизна.
В рамках диссертационной работы получены следующие новые научные результаты:
1. Разработан метод кусочного размножения оценок для обработки нестационарного случайного сигнала (патент № 2257610) в условиях априорной неопределенности и ограниченного объема исходной реализации, который основан на скользящем кусочном размножении оценок полезного сигнала с последующим усреднением их в каждом сечении процесса.
200
Источник