Что такое спектральная плотность распределения амплитуд импульсной помехи

Спектральная плотность

В теории управления существуют и взаимно дополняют друг друга два подхода:

1) временнóй – исследование процессов во времени;

2) частотный – исследование частотных свойств сигналов и систем (с помощью передаточных функций и частотных характеристик).

Аналогичная ситуация наблюдается и при рассмотрении случайных процессов. Основная временная характеристика стационарного процесса – это корреляционная функция, а частотные свойства описываются спектральной плотностью.

Спектральная плотность – это функция, которая показывает распределение мощности сигнала по частотам. Такая информация о полезных сигналах, помехах и возмущениях очень важна для разработчика систем управления. Система должна быть спроектирована так, чтобы усиливать сигналы с «полезными» частотами и подавлять «вредные» частоты, характерные для помех и возмущений.

Для перехода от временнóго описания детерминированных (не случайных) процессов к частотному, используют преобразования Фурье и Лапласа. Аналогично спектральная плотность случайного процесса может быть найдена как преобразование Фурье от корреляционной функции[4]:

.

Здесь – мнимая единица, а – угловая частота в рад/с ( , где – «обычная» частота в герцах). Используя формулу Эйлера, можно представить экспоненту в виде сумму вещественной (косинусной) и мнимой (синусной) составляющих: . Функция – нечетная по , поэтому интеграл от нее в симметричных пределах равен нулю. Напротив, функция – четная, так что при интегрировании можно взять интервал от 0 до и удвоить результат:

.

Спектральная плотность случайного процесса, имеющего корреляционную функцию , вычисляется как

.

Интервал интегрирования разбит на две части. При имеем , а при – . Выполняя интегрирование, получаем

.

На рисунке слева показана корреляционная функция, а справа – соответствующая ей спектральная плотность мощности:

Свойства спектральной плотности:

1) это неотрицательная, четная функция угловой частоты (график расположен выше оси абсцисс и симметричен относительно вертикальной оси);

2) интеграл от на некотором интервале частот дает мощность, которая связана с этими частотами; поскольку функция – четная, результат интегрирования на нужно удвоить, чтобы учесть также и полосу ;

3) площадь под кривой определяет средний квадрат случайного процесса (для центрированного процесса он равен дисперсии):

.

Множитель нужен для согласования единиц измерения, поскольку угловая частота измеряется не в герцах, а в рад/с. Учитывая, что функция четная, можно интегрировать ее только при , а результат удвоить:

.

В теории управления нередко записывают спектральную плотность как функцию комплексной переменной , связанной с угловой частотой по формуле (отсюда следует ). Хотя это не совсем корректно с точки зрения математики, мы будем использовать запись для обозначения спектральной плотности , в которой выполнена замена :

.

Дата добавления: 2014-12-09 ; просмотров: 8297 ; ЗАКАЗАТЬ НАПИСАНИЕ РАБОТЫ

Источник

Что такое спектральная плотность сигнала

В статистической радиотехнике и физике при изучении детерминированных сигналов и случайных процессов широко используется их спектральное представление в виде спектральной плотности, которая базируется на преобразовании Фурье.

потом мы находим s(t) с помощью разложения п ряду Фурье бляяяяяя и затем в пределе получаем

Пределы интегрирования можно для общности поставить бесконечными, так как все равно там, где s(t) равна нулю, и интеграл равен нулю.

Выражение для спектральной плотности называют прямым преобразованием Фурье. Обратное преобразование Фурье определяет временную функцию сигнала по его спектральной плотности:

Прямое (*) и обратное (**) преобразования Фурье вместе называют парой преобразований Фурье. Модуль спектральной плотности
определяет амплитудно-частотную характеристику (АЧХ) сигнала, а ее аргумент

7. Применение БПФ для моделирования искажений сигналов в линейных цепях

Линейная цепь – состоит из линейных элементов (емкость, сопротивление)

Сопротивление – элемент, который энергию превращает в тепло.

В механике аналогией конденсатору служит пружина(элемент,который запасает энергию).

Ток течет через конденсатор, когда меняется напряжение. Чем больше скорость изменения напряжения, тем больше ток.

Самый простой сигнал: последовательность прямоугольных импульсов. Искажение наиболее просто выявить, так, как прямоугольный сигнал имеет крутые фронты.

Если пропустить сигнал прямоугольных импульсов,через простейшую Rc цепочку(фильрр низких частот),то спектр этого сигнала исказится,так,как фильтр не пропускает импульсы на больших частотах.

Активными элементами считаются источники электрической энергии (источники напряжения и тока), к пассивным элементам относятся резисторы, катушки индуктивности, электрические конденсаторы.

Количественные характеристики элементов электрической цепи называются ее параметрами.

Если сопротивление резистора R не зависит от тока, то линейная зависимость между падением напряжения и током выражается законом Ома ur = R х ir, а вольт-амперная характеристика резистора (представляет собой прямую линию (рис. 1,а).

Если индуктивность катушки не зависит от величины (протекающего в ней тока, то потокосцепление самоиндукции катушки ψ прямо пропорционально этому току ψ= L х il (рис. 1,б).

Наконец, если емкость конденсатора С не зависитот приложенного к обкладкам напряжения uc то заряд q, накопленный на пластинах, и напряжение uc связаны между собой линейной зависимостью графически показанной на рис. 1,в.

Линейность сопротивления, индуктивности и емкости носит условный характер, так как в действительности все реальные элементы электрической цепи являются нелинейными. Так, при прохождении тока через резистор последний нагревается и его сопротивление изменяется.

Электрическая цепь, состоящая из линейных элементов, называется линейной электрической цепью. Процессы в таких цепях описываются линейными алгебраическими или дифференциальными уравнениями. Для анализа процессов в линейных электрических цепях используются законы Кирхгофа.

! Писала, то что запомнила с сегодняшней консультации и с лекций

8. Применение БПФ для фильтрации сигналов

Рисунок 19 иллюстрирует технику фильтрации с применением БПФ. Сначала синтезируется исходный сигнал, представленный 128 отсчетами вектора v. Затем к этому сигналу присоединяется шум с помощью генератора случайных чисел (функция rnd) и формируется вектор из 128 отсчетов зашумленного сигнала.

Рисунок 19. Фильтрация аналоговых сигналов

Ф(х) Ступенчатая функция Хевисайда. Возвращает 1, если х >= 0; иначе 0.

Отфильтрованный сигнал (вектор g) подвергается обратному БПФ и создает вектор выходного сигнала h.

Сравнение временных зависимостей исходного и выходного сигналов, показывает, что выходной сигнал почти полностью повторяет входной и в значительной мере избавлен от высокочастотных шумовых помех, маскирующих полезный сигнал.

9. Аналогии цепей различной физической природы;

До создания цифровых электронных вычислительных машин в конце 1940-х гг. Моделирование аналоговое было основным способом «предметно-математического моделирования» (см. об этом в ст. Моделирование) многих процессов, связанных с распространением электромагнитных и звуковых волн, диффузии газов и жидкостей, движения и фильтрации жидкостей в пористых средах, кручения стержней и др. (в связи с чем его часто называли тогда просто «математическим моделированием»), причём для каждой конкретной задачи моделирования строилась своя «сеточная» модель (основными её элементами служили соединённые в плоскую сеточную схему электрические сопротивления различных видов), а аналоговые вычислительные машины позволяли проводить Моделирование аналоговое целых классов однородных задач. В настоящее время значение Моделирование аналоговое значительно уменьшилось, поскольку моделирование на ЭВМ имеет большие преимущества перед ним в отношении точности моделирования и универсальности. В достаточно фиксированных и специальных задачах свои преимущества (простота, а тем самым и дешевизна технического выполнения) имеет и Моделирование аналоговое Употребительно также и совместное использование обоих методов (см. Гибридная вычислительная система).

10. Математические модели накопителей потенциальной и кинетической энергии;

Потенциальная энергия — скалярная физическая величина, характеризующая способность некого тела (или материальной точки) совершать работу за счет своего нахождения в поле действия сил

Кинети́ческая эне́ргия — энергия механической системы, зависящая от скоростей движения её точек. Часто выделяют кинетическую энергию поступательного и вращательного движения.

Источник

Спектральный анализ сигналов

Не так давно товарищ Makeman описывал, как с помощью спектрального анализа можно разложить некоторый звуковой сигнал на слагающие его ноты. Давайте немного абстрагируемся от звука и положим, что у нас есть некоторый оцифрованный сигнал, спектральный состав которого мы хотим определить, и достаточно точно.

Под катом краткий обзор метода выделения гармоник из произвольного сигнала с помощью цифрового гетеродинирования, и немного особой, Фурье-магии.

Итак, что имеем.
Файл с отсчетами оцифрованного сигнала. Известно, что сигнал представляет собой сумму синусоид со своими частотами, амплитудами и начальными фазами, и, возможно, белый шум.

Будем решать данную задачу на Java.

Матчасть

Как я уже говорил, структура сигнала заведомо известна: это сумма синусоид и какая-то шумовая составляющая. Так сложилось, что для анализа периодических сигналов в инженерной практике широко используют мощный математический аппарат, именуемый в общем «Фурье-анализ». Давайте кратенько разберём, что же это за зверь такой.

Немного особой, Фурье-магии

Не так давно, в 19 веке, французский математик Жан Батист Жозеф Фурье показал, что любую функцию, удовлетворяющую некоторым условиям (непрерывность во времени, периодичность, удовлетворение условиям Дирихле) можно разложить в ряд, который в дальнейшем получил его имя — ряд Фурье.

В инженерной практике разложение периодических функций в ряд Фурье широко используется, например, в задачах теории цепей: несинусоидальное входное воздействие раскладывают на сумму синусоидальных и рассчитывают необходимые параметры цепей, например, по методу наложения.

Существует несколько возможных вариантов записи коэффициентов ряда Фурье, нам же лишь необходимо знать суть.
Разложение в ряд Фурье позволяет разложить непрерывную функцию в сумму других непрерывных функций. И в общем случае, ряд будет иметь бесконечное количество членов.

Дальнейшим усовершенствованием подхода Фурье является интегральное преобразование его же имени. Преобразование Фурье.
В отличие от ряда Фурье, преобразование Фурье раскладывает функцию не по дискретным частотам (набор частот ряда Фурье, по которым происходит разложение, вообще говоря, дискретный), а по непрерывным.
Давайте взглянем на то, как соотносятся коэффициенты ряда Фурье и результат преобразования Фурье, именуемый, собственно, спектром.
Небольшое отступление: спектр преобразования Фурье — в общем случае, функция комплексная, описывающая комплексные амплитуды соответствующих гармоник. Т.е., значения спектра — это комплексные числа, чьи модули являются амплитудами соответствующих частот, а аргументы — соответствующими начальными фазами. На практике, рассматривают отдельно амплитудный спектр и фазовый спектр.

Рис. 1. Соответствие ряда Фурье и преобразования Фурье на примере амплитудного спектра.

Легко видно, что коэффициенты ряда Фурье являются ни чем иным, как значениями преобразования Фурье в дискретные моменты времени.

Однако, преобразование Фурье сопоставляет непрерывной во времени, бесконечной функции другую, непрерывную по частоте, бесконечную функцию — спектр. Как быть, если у нас нет бесконечной во времени функции, а есть лишь какая-то записанная её дискретная во времени часть? Ответ на этот вопрос даёт дальнейшей развитие преобразования Фурье — дискретное преобразование Фурье (ДПФ).

Дискретное преобразование Фурье призвано решить проблему необходимости непрерывности и бесконечности во времени сигнала. По сути, мы полагаем, что вырезали какую-то часть бесконечного сигнала, а всю остальную временную область считаем этот сигнал нулевым.

Математически это означает, что, имея исследуемую бесконечную во времени функцию f(t), мы умножаем ее на некоторую оконную функцию w(t), которая обращается в ноль везде, кроме интересующего нас интервала времени.

Если «выходом» классического преобразования Фурье является спектр – функция, то «выходом» дискретного преобразования Фурье является дискретный спектр. И на вход тоже подаются отсчёты дискретного сигнала.

Остальные свойства преобразования Фурье не изменяются: о них можно прочитать в соответствующей литературе.

Нам же нужно лишь знать о Фурье-образе синусоидального сигнала, который мы и будем стараться отыскать в нашем спектре. В общем случае, это пара дельта-функций, симметричная относительно нулевой частоты в частотной области.

Рис. 2. Амплитудный спектр синусоидального сигнала.

Я уже упомянул, что, вообще говоря, мы рассматриваем не исходную функцию, а некоторое её произведение с оконной функцией. Тогда, если спектр исходной функции — F(w), а оконной W(w), то спектром произведения будет такая неприятная операция, как свёртка этих двух спектров (F*W)(w) (Теорема о свёртке).

На практике это означает, что вместо дельта-функции, в спектре мы увидим что-то вроде этого:

Рис. 3. Эффект растекания спектра.

Этот эффект именуют также растеканием спектра (англ. spectral leekage). А шумы, появляющиеся вследствие растекания спектра, соответственно, боковыми лепестками (англ. sidelobes).
Для борьбы с боковыми лепестками применяют другие, непрямоугольные оконные функции. Основной характеристикой «эффективности» оконной функции является уровень боковых лепестков (дБ). Сводная таблица уровней боковых лепестков для некоторых часто используемых оконных функций приведена ниже.

Основной проблемой в нашей задаче является то, что боковые лепестки могут маскировать другие гармоники, лежащие рядом.

Рис. 4. Отдельные спектры гармоник.

Видно, что при сложении приведённых спектров, более слабые гармоники как бы растворятся в более сильной.

Рис. 5. Чётко видна лишь одна гармоника. Нехорошо.

Другой подход к борьбе с растеканием спектра состоит в вычитании из сигнала гармоник, создающих это самое растекание.
То есть, установив амплитуду, частоту и начальную фазу гармоники, можно вычесть её из сигнала, при этом мы уберём и «дельта-функцию», соответствующую ей, а вместе с ней и боковые лепестки, порождаемые ей. Другой вопрос состоит в том, как же точно узнать параметры нужной гармоники. Недостаточно просто взять нужные данные из комплексной амплитуды. Комплексные амплитуды спектра сформированы по целым частотам, однако, ничто не мешает гармонике иметь и дробную частоту. В этом случае, комплексная амплитуда как бы расплывается между двумя соседними частотами, и точную её частоту, как и другие параметры, установить нельзя.

Для установления точной частоты и комплексной амплитуды нужной гармоники, мы воспользуемся приёмом, широко применяемым во многих отраслях инженерной практики – гетеродинирование.

Посмотрим, что получится, если умножить входной сигнал на комплексную гармонику Exp(I*w*t). Спектр сигнала сдвинется на величину w вправо.
Этим свойством мы и воспользуемся, сдвигая спектр нашего сигнала вправо, до тех пор, пока гармоника не станет ещё больше напоминать дельта-функцию (то есть, пока некоторое локальное отношение сигнал/шум не достигнет максимума). Тогда мы и сможем вычислить точную частоту нужной гармоники, как w₀ – w_гет, и вычесть её из исходного сигнала для подавления эффекта растекания спектра.
Иллюстрация изменения спектра в зависимости от частоты гетеродина показана ниже.

Рис. 6. Вид амплитудного спектра в зависимости от частоты гетеродина.

Будем повторять описанные процедуры до тех пор, пока не вырежем все присутствующие гармоники, и спектр не будет напоминать нам спектр белого шума.

Затем, надо оценить СКО белого шума. Хитростей здесь нет: можно просто воспользоваться формулой для вычисления СКО:

Автоматизируй это

Пришло время для автоматизации выделения гармоник. Повторим ещё разочек алгоритм:

1. Ищем глобальный пик амплитудного спектра, выше некоторого порога k.
1.1 Если не нашли, заканчиваем
2. Варируя частоту гетеродина, ищем такое значение частоты, при которой будет достигаться максимум некоторого локального отношения сигнал/шум в некоторой окрестности пика
3. При необходимости, округляем значения амплитуды и фазы.
4. Вычитаем из сигнала гармонику с найденной частотой, амплитудой и фазой за вычетом частоты гетеродина.
5. Переходим к пункту 1.

Алгоритм не сложный, и единственный возникающий вопрос — откуда же брать значения порога, выше которого будем искать гармоники?
Для ответа на этот вопрос, следует оценить уровень шума еще до вырезания гармоник.

Построим функцию распределения (привет, мат. cтатистика), где по оси абсцисс будет амплитуда гармоник, а по оси ординат — количество гармоник, не превышающих по амплитуде это самое значение аргумента. Пример такой построенной функции:

Рис. 7. Функция распределения гармоник.

Теперь построим еще и функцию — плотность распределения. Т.е., значения конечных разностей от функции распределения.

Рис. 8. Плотность функции распределения гармоник.

Абсцисса максимума плотности распределения и является амплитудой гармоники, встречающейся в спектре наибольшее число раз. Отойдем от пика вправо на некоторое расстояние, и будем считать абсциссу этой точки оценкой уровня шума в нашем спектре. Вот теперь можно и автоматизировать.

Практическая часть

Я не претендую на звание эксперта Java, и представленное решение может быть сомнительным как по части производительности и потреблению памяти, так и в целом философии Java и философии ООП, как бы я ни старался сделать его лучше. Написано было за пару вечеров, как proof of concept. Желающие могут ознакомиться с исходным кодом на GitHub.

Единственной сложностью стала генерация PDF отчёта по результатам анализа: PDFbox ну никак не хотел работать с кириллицей. К слову, не хочет и сейчас.

В проекте использовались библиотеки:
JFreeChart – отображение графиков
PDFBox – построение отчёта
JLatexMath – рендер Latex формул

В итоге, получилась довольно массивная программа (13.6 мегабайт), удобно реализующая поставленную задачу.

Есть возможность как вырезать гармоники вручную, так и доверить эту задачу алгоритму.

Источник