книги / Методы электрических измерений
..pdfвать по наблюдениям. АРСС-модели могут быть использованы как для изучения исходных наблюдений (восстановление процесса), так и при определении параметров, характеризующих случайные процессы.
Процессом APGG порядка (р, q) называется временной ряд (измерения), удовлетворяющий равенству
р |
Q |
(8.1) |
xh = S atxh-i + И |
||
г=i |
y=i |
|
где xk — значения временного |
ряда в |
fc-й момент времени» |
|eft} — последовательность независимых, |
одинаково распреде |
ленных случайных величин о нулевым математическим ожиданием
и дисперсией с& {a*, i — 1, |
..., |
р\ — параметры авторегрессии^ |
||
{6,, / = 1, ..., |
q) — параметры |
скользящего среднего. |
||
Используя |
оператор сдвига |
гг1 (xh) = xh_lt z~m (xk) = xk-m, |
||
выражение (8.1) запишем в виде |
|
|||
|
А (г) xh = В {z} ekt |
|||
где |
|
|
|
|
|
A (z) = |
|
Р |
Ofir1; |
|
1 — 2 |
|||
|
|
|
i=t |
|
|
В (z) = |
1 -b S |
6,2-1. |
|
|
|
|
z-l |
|
Частными случаями процесса APGG являются:
1) при q — 0 получаем процесс авторегрессии р-го порядка— АР (р):
р |
|
xh ~ C=t alxh-i + 8h> |
(8.2) |
2) при р = О получаем процесс скользящего среднего (Со
процесс) порядка q: |
|
Хк — S 6jBh„}-f- 8ft. |
(8.3) |
Выражения (8.1) и (8.2) описывают рекурсивные фильтры, а выражение (8.3) — трансверсальный фильтр [511. Таким образом, процессы APCG (р, q), АР (р) и СС (q) можно рассматривать как отклики соответствующих линейных фильтров на входной про цесс типа белого шума.
Основными характеристиками случайных стационарных про
цессов являются спектральная |
плотность S (со) |
и автокорре |
ляционная функция, которые |
тесно связаны с |
параметрами |
а, и bj. |
|
|
Определим спектральную плотность процесса АРСС (р, q), записав выражение для передаточной функции рекурсивного фильтра:
1 + 2 |
bp- 1 |
c w - 4 % - |
<8-4) |
1— 2 |
Щг 1 |
Как известно [39], спектральная плотность процесса, получен ная в результате прохождения белого шума через линейную систему, равна произведению интенсивности входного шума }е[ на квадрат модуля комплексной частотной характеристики си стемы. С учетом выражения (8.4) спектральная плотность APCG (р, ^-процесса
|
/ |
q |
|
2 |
<7 |
2 |
|
|
fyc°s /® + |
2 J |
sin /(0 |
|
|||
|
(1 + |
2 |
|
||||
S (©) = ol |
у |
/=1_______ |
|
JM______ |
(8.5) |
||
|
|
flj cos to |
2 |
p |
2 * |
||
|
^ 1 — 2 ] |
+ |
i=l |
at sin to |
|
||
|
|
|
|
|
|
Таким образом, параметры at и bj позволяют не только опи сывать сами АРСС-процессы, но и позволяют получать оценки спектральной плотности S (ю) непосредственно по наблюдениям, минуя вычисления статистических характеристик. Благодаря этому свойству применение АРСС-моделей потеснило методы, основанные на быстром преобразовании Фурье, которое исполь зуется для оценки S (©) по значениям ковариационной функции.
Рассмотрим теперь автокорреляционные функции (АКФ) процессов АР (р),
СС (о), АРСС (р, q). |
|
|
1 . |
Для АР (р)-процесса АКФ выражается разностным уравнением, которое |
|
аналогично уравнению, описывающему сам процесс (8.2): |
|
|
|
р (m) = fljP (т — 1) + ... + арр (т — р), |
(8.6) |
где р (т) — значение АКФ при сдвиге на т шагов.
Автокорреляционная функция процесса АР (р) бесконечна и представляет собой затухающую экспоненту или экспоненциально затухающую косинусоиду
[51]. Выражение для дисперсии процесса АР (р) имеет вид |
|
°АР = a V [ l - fljp (1) - ... - flpp (р)]. |
(8.7) |
2 . Для процесса СС (q) АКФ определяется следующим образом:
|
&т + |
Ь\Ьт +1 4* |
* *» "Ь bq-Tffiq |
при |
m = 1 , . . . , q; |
|
р (т) = { |
|
+ bj + |
... + |
Ь*) |
||
(1 |
|
(8. 8) |
||||
|
|
|
О |
при m > q . |
|
|
Автокорреляционная функция процесса скользящего среднего равна нулю при сдвиге, большем, чем порядок самого процесса. Дисперсия процесса СС (р)
°сс= 0 + + ••*+^7) °Ь |
(8*9) |
3. Для процесса АРСС общего выражения АКФ при т £ [0, оо] не суще ствует. В каждом случае АКФ вычисляется по известным {а*} и {bj} и по формуле
для автоковариационной функции АРСС (р, д):
у(т) = а1у(т — 1 ) + ... |
+ ару(т — р) + |
|
+ Ухе. (т) + Ьгухв (да — 1) + |
... + bqyxt (т — д), |
(8.10) |
где у (т) — значение автоковариационной |
функции при сдвиге на т шагов; |
|
Yhe (т) — значение взаимной ковариационной функции АРСС (р, д) |
процесса |
|
и шума {в} при сдвиге на т шагов. |
|
0: |
Выражение для дисперсии процесса АРСС (р, д) получаем при т ~ |
||
аАРСС = У (°) = °iY (*) + |
••• + арУ (Р) + |
|
+ °е + ЬхУхг ( - 1) + • • • + V * e М ) - |
(8Л1) |
Рассмотренные модели позволяют с помощью небольшого числа параметров описать обширный класс случайных процессов. На практике часто оказывается, что адекватное описание наблюдаемых временных рядов достигается при помощи
моделей авторегрессии, |
скользящего |
среднего или |
комбинированной модели, |
|
в которых р и д не больше трех [8, 51, 61]. |
|
|||
Рассмотрим процессы АР (1) и АРСС (1,1) более подробно. |
||||
Пример 8. 1 . Процесс |
авторегрессии первого порядка АР (1) (марковский |
|||
процесс) часто применяется как модель полезных сигналов и помех: |
||||
|
|
xk= aixh—1 + еА- |
(8Л2) |
|
Для стационарности такого процесса необходимо, чтобы aj £ ] — 1, 1[. |
||||
Согласно выражению (8.6), |
автокорреляционная функция процесса АР (1) удов |
|||
летворяет разностному |
уравнению первого порядка: |
|||
|
р (т) = atр (т — 1), т > |
0, |
||
которое при р (0) = 1 имеет решение |
|
|
||
|
|
p(m) = |
af, m > 0 . |
(8.13) |
Согласно уравнению (8.7) дисперсия этого процесса |
||||
|
|
= ®i/[i— р (*> «li, |
|
|
или с учетом (8.13) Р (1) = |
получим |
|
||
|
|
оа = |
1 — а |
|
По выражению (8.5) найдем спектральную плотность АР (1)
5(ш) = |
„2 |
|
2% 0 < to < 2я. |
(8.14) |
|
|
1 — 2aj cos (о -f af |
|
Для иллюстрации на рис. 8.1 представлены реализации процесса АР (1) при а — 0,8 (а) и а = —0,8 (б), а также соответствующие спектры. Из рисунка видно, что для большого и положительного параметра (а = 0,8) соседние значения после довательности близки и наблюдается заметный период колебаний. Это отражается на виде АКФ, которая медленно спадает к нулю, и на виде спектра, в котором пре
обладают низкие частоты. Когда а = —0,8, последовательность |
характеризуется |
быстрыми колебаниями. |
|
Пример 8.2. Процесс АРСС (1,1) описывается выражением |
|
xh= arV i + Vft-i + |
(8.15) |
Рис. 8.1. Реализации процесса АР (1) и ил спектры при а=0,8 (а) и а = —0,8 (б)
Этот процесс стационарен при aj £ ] — 1 , 1 [. Определим АКФ процесса. Из выражений (8.10) и (8.11) получаем:
у (0) = OjY (1) + о\ + Ь$хъ(—1);
у(1) = аху (0) + 6ja|;
у(т) = aty (т — 1), т > 2 .
Умножая уравнение (8.15) на в&_х и переходя к математическому ожиданию, получим
V*e ( !) = (ai + &i)°е»
Рис. 8.2 , Автокорреляционные функции и спектры для процесса APCG (1 ,1)
откуда автоковариационная функция равна:
у(0) = « Ю + д д А + Ф . |
|
|
°8 0 + а\Ь) (в1+ fel) . |
(8. 16) |
|
v(1)'------------- ’ |
||
|
||
у(ш) = агу(/л — 1), m > 2 . |
|
Следовательно, искомые АКФ:
_ m — |
0 ~Ь атР\) (ai + h) . |
|
Р ( ' “ |
1 + 2^ , + ^ |
’ |
p(/n) = a1p(m —1), /я> 2. |
(8.17) |
Спектральная плотность АРСС (1,1) процесса по выражению (8.5)
1 + 2 b{cos ю + if
S (и) = о;в 1 —2oj cos о -)- af * О^ О) ^ я. |
(8.18) |
На рис. 8.2 показаны АКФ и спектры АРСС (1,1) процесса для различных со четаний параметров а Ь ± \ 0,8; 0,5 — а, 0,8; —0,3 — б, —0,3; 0,8 — в.
Модели процессов с более сложными АКФ и спектрами можно получить, уве личивая число параметров (a*, bj) линейной модели. Необходимо отметить, что выбор типа модели и ее порядка можно сделать на основании анализа реальных сигналов и помех. Для описания помех с распределением, отличным от гауссов ского, требуется использовать линейные дискретные модели.
8.2. ЛИНЕЙНАЯ ФИЛЬТРАЦИЯ И ЭКСТРАПОЛЯЦИЯ НЕПРЕРЫВНЫХ ПРОЦЕССОВ
Задачей |
фильтрации является выделение полезного сигнала |
х (/) из его |
смеси с шумом: г (i) = х (t) -j- £ (t). При известной |
форме сигнала х (t) задача фильтрации сводится к обнаружению момента появления полезного сигнала без восстановления формы сигнала x(t). Лучшими характеристиками обладают согласован ные фильтры, обеспечивающие максимальное отношение сигналпомеха, т. е. максимальное различие выходных сигналов при на личии полезного сигнала в смеси и при отсутствии. Согласованные фильтры нашли широкое применение в радиотехнике [11], но при измерениях часто неизвестна форма сигнала х (t), и встает
задача восстановления сигнала х (f) или определения |
его харак |
теристик (дисперсии, автокорреляций и т. д.). |
|
Зная законы распределения полезного сигнала х (t) и помехи |
|
£ {t), можно ставить задачу определения оптимальной |
процедуры |
фильтрации g (г (/)) = £ (f), обеспечивающей минимальный сред ний риск г (g) по выражению (6.98). Но эту задачу удается решить до конца не для любых законов распределения х (f) и | (t). Кроме того, закон распределения помех часто неизвестен. В случае априорной неопределенности о помехах оптимальные алгоритмы фильтрации являются нелинейными. В данном подразделе рас смотрим задачу отыскания оптимальной процедуры фильтрации в классе линейных преобразований. Линейная фильтрация ос нована на том, что энергетические спектры полезного сигнала и помехи разлйчаются своим частотным содержанием.
Пример 8.3. На вход идеального фильтра нижних частот (ФНЧ) с амплитудночастотной характеристикой (АЧХ)
0<са<(ос1 |
(8.19) |
|
©>ю0»
поступает аддитивная смесь некоррелированных полезного сигнала и помехи с известными автокорреляционными функциями:
jBe ('t) ssfli exP
о| sin ©пт
Яб(т) =
где ©п, — граничная частота в спектре помехи.
Требуется определить оптимальную частоту среза ФНЧ при минимизации искажений полезного сигнала от ограничения спектра и минимизации влияния по мехи. Таким образом, дисперсия погрешности от действия ФНЧ обусловлена двумя составляющими:
шс
|
+ - Н * е(ш) do, |
|
а |
где 5* (©) и |
О< © < ©0; |
|
|
|
©><оп |
— спектральная плотность сигнала |
и помехи. |
С учетом заданных Вх (г) и |
(т) получим |
Для определения оптимальной частоты среза юс. опт определим частную про изводную от а\ по ©с и приравняем ее нулю:
п °п |
N |
2ai |
—<йс \ |
|
|
|
2,,2 |
д®в |
л |
V я |
е " = 0. |
2. |
Отсюда следует искомый результат:
2~[/лгг®
®о. опт
Фильтр с идеальной характеристикой (8.19) физически нереализуем, по скольку требует знания прошлых, настоящих и будущих измерений, но суще ствуют реализуемые фильтры Баттерворта, Чебышева и другие [б], которые имеют АЧХ, близкую к идеальной характеристике ФНЧ.
В рассмотренной постановке — некоррелированных х (/) и £ (0 — решается задача поиска оптимального, физически нереализуемого линейного фильтра [1 1 ]. Рассмотрим ее подробнее.
Требуется найти параметры линейного фильтра, минимизирующего диспер сию погрешности фильтрации, когда полезный сигнал ипомеха представляют собой аддитивную (независимую) сумму двух стационарных случайных процессов с из вестными спектральными плотностями. Делаемое преобразование полезного сиг нала — фильтрация без запаздывания, фильтрация с задержкой или предсказа*
1V7
нив, т. в. Lm (S) = exp (5т), где Lm (5) — передаточная функция. При т = О функция 1Ж (5) соответствует фильтрации без запаздывания, при т < 0 — филь трации с задержкой (в литературе по оптимальным методам это называют часто
интерполяцией). |
состоит из двух составляющих, одна |
Суммарная погрешность фильтрации |
из которых (eg) обусловлена входным шумом, прошедшим через фильтр, а вторая (еж) — искажениями полезного сигнала за счет разности между передаточными функциями линейного фильтра и желаемого преобразования. При некоррелиро ванных полезном сигнале и входном шуме дисперсия погрешности фильтрации в установившемся режиме определяется соотношением
+00 |
+оо |
где Sx (и) и Sg (ю) — спектральная плотность полезного сигнала и шума. Передаточной функции фильтра Ьф (5) соответствуют амплитудно-частотная
Л (со) и фазо-частотная <р (со) характеристики, а таюке частотно-фазовая характе ристика
1ф (/©) = Л (со) е?ф (G>) = А (о) cos ф (©) -|- /Л (©) sin ф (©).
Аналогично от передаточной функции желаемого преобразования можно перейти к частотно-фазовой характеристике
|
Ьш (/©) = |
=* cos ют + / sin ют. |
|
Выражение для дисперсии суммарной |
погрешности может быть преобразовано |
||
к виду |
|
|
|
|
-f*oo |
+оо |
|
“ |
} 5g (о) А2 (©) d© -f |
| |
5e (©) | [А (ю) cos ф (©) — cos ют]2 + |
|
|
|
+оо |
+ |
[А (о) sin ф (ю) — sin ют]2} do = J {5g (ю) А2 (ю) -|- S* (ю) х |
X [Л* (ю) + 1 — 2Л (ю) cos (ют — ф (ю))]} d©.
Как показывает анализ подынтегральной функции, функция <т2^ может
быть минимальной, если будет наибольшим отрицателышй член cos (ют — ф(ю)), откуда следует
ют — ф (ю) = 0; ф (ю) = от.
Это выражение определяет оптимальную фазо-частотную характеристику филь тра.
Для определения амплитудно-частотной характеристики Л (ю) запишем вы ражение для дисперсии погрешности в виде
+оо |
+оо |
= J {S6 (©) А2 (©) -f 5Я (ю) [Л (ю) — I]2} d© = |
J F (Л) do, |
в котором с учетом положительности подынтегральной функции F (Л) можно оп ределить оптимальную величину Л (ю), которая обеспечивает выполнение равен ства
QF (Л)/ЭЛ = 0.
Выполнив дифференцирование, получим
А°т ((0) = Sx (f) + Sg(a) * |
(8*20) |
При этом обеспечивается минимальное значение дисперсии погрешности филь трации
eTmln |
+Г |
Sx ((D) Sg (о) da. |
(8.21) |
|
J |
$x (0 ) + Sg (to) |
|
Заметим, что величина а2^ mIn не зависит от модуля величины т и от ее знака.
Эго происходит по той причине, что при выводе (8.20) не учитывается физическая реализуемость оптимального фильтра и не ограничивается класс функций £ф (S).
Пример 8.4. Спектральная плотность мощности полезного сигнала и помехи соответственно
5* (О) _ - L . а>+*0> ; Sg (0 ) = |
N0. |
Из выражения (8.20) определим амплитудно-частотную характеристику оп тимального фильтра:
2 о1 а/(а? + ©2)
Л (ш) = |
У |
2о2а/(а 2 -j- о2) + NQ 1 + (ffl^)|2 |
где ш2 = а 2 + 2а2а/УУ0; Т = Шр1; Ка = 2а2а/(2о2а + NQa2). После преобразований получим
1 — (/соГ)а ’
затем с учетом того, что <р (а) = ат, на основе обратного двустороннего преобразо вания Лапласа — передаточную функцию фильтра в виде
L W - 1 1 .% Т! л—St
Этому выражению соответствует весовая функция оптимального фильтра
g (t) = Ко exp
представленная для различных х на рис» 8.3.
Как следует из рис. 8.3, синтезированный на основе соотношений (8.20) оптимальный фильтр является физически нереализуемым, так как отклик на входное воздействие начинается до начала воздействия. В то же время видно, что при т оо весовая функция настолько сдвигается вправо, что условие физиче ской реализуемости начинает выполняться. Таким образом, при построении опти
мальных запаздывающих фильтров |
(т < 0) можно пользоваться соотношением |
(8.20), при этом реальный фильтр |
обеспечит минимальную дисперсию погреш |
ности фильтрации, рассчитываемую по формуле (8.2 1).
Оптимальный фильтр с АЧХ, соответствующей выражению (8.20), так же как и идеальный фильтр с АЧХ, соответствующей выражению (8.19), обеспечивает коэффициент передачи, близкий к единице на тех частотах, где сосредоточена ос новная доля энергии полезного сигнала: 5Х (со) > Sg (со). На более высоких ча стотах, где велика спектральная плотность помехи, коэффициент передачи оп тимального фильтра быстро уменьшается.
Линейные фильтры, описываемые выражениями (8.19) и (8.20), физически нереализуемы, однако они используют как оценочные характеристики при расчете реализуемых фильтров (например, фильтра Баттерворта), а выражение (8.21) служит для оценки минимально возможной дисперсии погрешности линейной филь трации при некоррелированных сигналах х (/) и | (/).
К сформулированной задаче оптимальной линейной фильтра ции оказывается очень близкой по постановке и по методам реше ния задача оптимальной экстраполяции (прогнозирования) [35]. Задача оптимальной экстраполяции сводится к поиску такой ли нейной процедуры над входным сигналом г (£), которая дает оценку к (t -+- 4), где 4 — время экстраполирования. Близость
оценки £ (t + 4) к истинному значению х (t + 4)> как и в задаче оптимальной фильтрации, определяется дисперсией погрешности экстраполяции.
Фильтрация о экстраполяцией основана на учете всего имею щегося прошлого и настоящего входного процесса г (t), т. е. сигнал £ (t + 4) на выходе инерционной линейной системы за висит не только от значения входного с аддитивной помехой процесса z (t) в момент времени 4 но и от его значений в преды дущие моменты времени. Линейная инерционная система харак теризуется тем, что величина £ {t -f 4) получается суперпозицией (сложением) всех значений г (t), каждое из которых умножается на весовую функцию h (4 т), зависящую, вообще говоря, и от момента т>приложения сигнала к входу, и от момента t наблюде ния сигнала на выходе фильтра. Процесс £ (t) на выходе линейной системы можно выразить через процесо на входе г (t) о помощью интегрального уравнения [39]:
(8.22)
Таким образом, функция h (4 т) (импульсная переходная функция) полностью характеризует линейный фильтр. С учетом физической осуществимости фильтра [h (4 т) = 0 при t <; ч>, т. е. сигнал на выходе £ (t) в данный момент времени зависит