- •Цифровая Digital Обработка Signal Сигналов Processing (ЦОС) (DSP)
- •Литература
- •Использование ЦОС в сфере
- •Основные области применения ЦОС
- •Примеры устройств ЦОС
- •Пример аналогового и цифрового устройств
- •Сравнительная характеристика цифровой и аналоговой обработки
- ••Текущая частота спектра отнесённая к частоте
- •График температуры атмосферы за год
- •Синхронная фильтрация
- •Линейные системы с постоянными параметрами (ЛПП)
- •Свойства ЛПП
- •Суперпозиция
- •Импульсная характеристика
- •Фундаментальная концепция ЦОС
- •Свертка
- •Физическая реализуемость ЛПП
- •Разностные уравнения
- •Частотная характеристика ЛПП
- •Преобразование Фурье для дискретных сигналов
- •Свойства ПФ для дискретных сигналов
- •Соотношение между ПФ дискретных и непрерывных сигналов
- •Эффект наложения спектров (aliasing)
- •Z-преобразование
- •Z-плоскость
- •Примеры Z-преобразования
- •Пример
- •Основные свойства Z-преобразования
- •Обратное Z-преобразование
- •Одностороннее Z-преобразование
- •Решение РУ с помощью Z-преобразования
- •Пример вычисления обратного Z-преобразования
- •Дискретное преобразование Фурье
- •Связь Z-преобразования и ДПФ
- •Связь ДПФ и ПФ
- •Связь ПФ и ДПФ (пример)
- •Дополнение нулями
- •Основные свойства ДПФ
- •Основные свойства ДПФ
- •Примеры ДПФ
- •Примеры ДПФ
- •Свертка последовательностей
- •Циклическая свертка
- •Быстрая свертка на основе БПФ
- •Линейная свертка
- •Секционированные свертки
- •Секционированные свертки
- •Раздел 2. Цифровые фильтры
- •Структурные схемы цифровых фильтров
- •Структурные схемы рекурсивных фильтров
- •Структурные схемы рекурсивных фильтров
- •Структурные схемы рекурсивных фильтров
- •Структурные схемы нерекурсивных фильтров
- •Инверсная форма ЦФ
- •КИХ фильтр на основе интерполяционной формулы Лагранжа
- •Фильтр с частотной выборкой
- •Лестничные (решетчатые) фильтры
- •Нерекурсивный решетчатый фильтр
- •Рекурсивный решетчатый фильтр
- •Лестнично-решетчатый фильтр
- •Фильтры скользящего среднего
- •Фильтры скользящего среднего
- •Фильтры скользящего среднего
- •Фильтры скользящего среднего
- •Фильтры скользящего среднего
- •Общая характеристика КИХ-фильтров
- •КИХ-фильтры с линейной фазой
- •КИХ-фильтры с линейной фазой
- •КИХ-фильтры с линейной фазой
- •КИХ-фильтры с линейной фазой
- •КИХ-фильтры с линейной фазой
- •Импульсные и частотные характеристики КИХ-фильтров c ЛФХ
- •Импульсные и частотные характеристики КИХ-фильтров c ЛФХ
- •Импульсные и частотные характеристики КИХ-фильтров c ЛФХ
- •Импульсные и частотные характеристики КИХ-фильтров c ЛФХ
- •Проектирование КИХ-фильтров методом взвешивания
- •Явление Гиббса
- •Проектирование КИХ-фильтров методом взвешивания
- •Проектирование КИХ-фильтров методом взвешивания
- •Основные виды оконных функций
- •Основные виды оконных функций
- •Основные виды оконных функция
- •Весовые функции окон и их ЧХ
- •Основные характеристики некоторых окон
- •Проектирование методом частотной выборки
- •Проектирование методом частотной выборки
- •Проектирование оптимальных КИХ-фильтров
- •Постановка задачи проектирования
- •Графическая интерпретация задачи проектирования
- •Теорема Чебышева
- •Решение задачи оптимизации
- •Процедура проектирования оптимальных фильтров
- •Свойства оптимальных ФНЧ
- •Сравнение КИХ ФНЧ, спроектированных разными методами
- •БИХ-фильтры с линейной ФЧХ
- •БИХ-фильтры с линейной ФЧХ
- •Всепропускающие фильтры
- •Классификация методов расчета БИХ-фильтров
- •Расчет ЦФ по фильтрам непрерывного времени
- •Метод билинейного преобразования
- •Метод билинейного преобразования
- •Метод билинейного преобразования
- •Частотные преобразования
- •Частотные преобразования
- •Сравнение КИХ и БИХ-фильтров
- •Сравнение КИХ и БИХ-фильтров
- •Фильтры изменяющие частоту дискретизации
- •Фильтры изменяющие частоту дискретизации
- •Фильтры изменяющие частоту дискретизации
- •Фильтры изменяющие частоту дискретизации
- •Фильтры изменяющие частоту дискретизации
- •Спектральный анализ
- •Алгоритмы БПФ
- •Алгоритм БПФ с прореживанием по времени
- •Алгоритм БПФ с прореживанием по времени
- •Пример алгоритма БПФ размерности 8 по основанию 2 с прореживанием по времени
- •Пример алгоритма БПФ размерности 8 по основанию 2 с
- •Свойства алгоритма БПФ по основанию 2
- •Сравнение вычислительных затрат
- •Перестановка данных и двоичная инверсия
- •Алгоритм БПФ с прореживанием по частоте
- •Алгоритм БПФ с прореживанием по частоте
- •Пример построения алгоритма БПФ размерности 8 с прореживанием по частоте
- •Алгоритмы БПФ по основанию 2
- •Различия алгоритмов БПФ с прореживанием по времени и по частоте
- •Вычисление обратного ДПФ по алгоритму прямого
- •Алгоритмы БПФ по основанию 4
- •Алгоритм БПФ по основанию 4 размерности 16
- •Принцип построения алгоритма БПФ с
- •Сравнение БПФ и гребенки фильтров.
- •Использование «окон» при спектральном анализе
- •Использование «окон» при спектральном анализе
- •Использование «окон» при спектральном анализе
- •Классические методы спектрального оценивания
- •Классические методы спектрального оценивания
- •Периодограммный метод оценки СПМ
- •Коррелограммный метод оценки СПМ
- •Параметрические методы спектрального оценивания
- •Параметрические методы спектрального оценивания
- •Параметрические методы спектрального оценивания
- •Параметрические методы спектрального оценивания
- •Параметрические методы спектрального оценивания
- •Параметрические методы спектрального оценивания
- •Параметрические методы спектрального оценивания
Алгоритм БПФ по основанию 4 размерности 16
0
4
8
12
1
5
9
13
2
6
10
14
3
7
11
15
0
0
0
0
0
0
0
0
0
0
0
0
|
0 |
|
|
1 |
|
|
2 |
|
|
3 |
|
0 |
4 |
|
1 |
5 |
|
2 |
6 |
|
3 |
7 |
|
0 |
8 |
|
2 |
||
9 |
||
4 |
||
|
||
6 |
10 |
|
0 |
11 |
|
3 |
12 |
|
6 |
13 |
|
9 |
14 |
|
|
15 |
Теоретические основы цифровой обработки сигналов. Слайд 132
Принцип построения алгоритма БПФ с
произвольным основанием
Если N – составное число, то одномерный массив отсчетов можно записать в виде матрицы размерности N=MxL.
Алгоритм вычисления ДПФ размерности N:
Преобразовать одномерный массив в матрицу (заполнение по
строкам!) n m L l, n 0..N 1, |
m 0..M№столбца1( |
l), |
|
L 0.. №строки1( |
). |
|||
|
|
M 1 |
|
|
|
|
|
|
Вычислить ДПФ каждого столбца |
Xc k,l x m,l WMmk , |
k 0..M 1, |
l 0..L 1 |
|||||
|
|
m 0 |
|
|
|
|
|
|
Умножить элементы матрицы |
% |
|
kl |
k |
0..M 1, |
l 0..L 1 |
||
Xc k,l Xc |
k,l WN , |
|||||||
Вычислить ДПФ каждой строки |
L 1 |
% |
li |
, |
k 0..M 1, |
i 0..L 1 |
||
Xr k,i Xc k,l WL |
Преобразовать матрицу в одномерный массивl 0 (считывание по строкам!).
Если размерность строки или столбца - составное число, разбиение можно повторить.
Для произвольных составных N наиболее быстрый алгоритм со смешанным основанием – АВПФ (алгоритм Винограда преобразования Фурье).
Теоретические основы цифровой обработки сигналов. Слайд 133
Сравнение БПФ и гребенки фильтров.
X0 i
|
|
+ |
|
|
|
|
|
Z-1 |
|
|
|
W0 |
X1 |
i |
x i |
|
+ |
||
|
|
|
||
- |
|
Z-1 |
|
|
|
|
|
||
|
Z-N |
W1 |
|
i |
|
|
Xk |
||
|
|
+ |
||
|
|
|
|
|
|
|
|
Z-1 |
|
|
|
Wk |
X N 1 i |
|
|
|
+ |
||
|
|
|
|
|
|
|
|
Z-1 |
|
|
|
WN-1 |
|
|
Анализатор спектра в виде гребенки фильтров
Гребенка фильтров:
выдает N спектральных отсчетов в каждый момент времени;
Требует N операций умножения- накопления на 1 отсчет сигнала.
БПФ без перекрытия:
Выдает N спектральных отсчетов через N отсчетов сигнала;Требует 12 log2 N
операций умножения-накопления на 1 отсчет сигнала.
БПФ с перекрытием: |
|
|
Выдает N отсчетов через N |
K |
|
отсчетов сигнала; |
||
|
Требует в K раз больше операций
Теоретические основы цифровой обработки сигналов. Слайд 134
Использование «окон» при спектральном анализе |
|||||||||||
Импульсная характеристика |
|
|
|
|
2π k |
|
0 |
n N - 1 |
|||
одного из гребенки фильтров: |
|
exp j |
N |
n , |
|||||||
h n = |
|
|
|
|
|
||||||
|
|
|
|
|
|
0,остальные |
n |
||||
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
N |
|
|
|
Частотная характеристика |
|
|
|
sin |
|
|
|
|
|||
|
H e j |
|
2 |
|
k= 0,1..N -1 |
||||||
(без фазового множителя): |
|
|
|||||||||
|
|
|
|
|
k |
|
|
||||
|
|
|
|
|
|
sin |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
N |
|
|
|
Проблема: маскировка слабых спектральных компонент |
|||||||||||
сильными из-за высоких боковых лепестков АЧХ фильтра. |
|||||||||||
40 дБ |
|
|
|
|
|
|
|
|
|
Амплитуды |
|
30 |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
сигналов: |
|
20 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
А1 – 1 (0 дБ) |
||
10 |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
А2 – 0.01 (-40 дБ) |
|||
0 |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
А3 –0.001(-60 дБ) |
|||
10 |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
20 |
|
|
|
|
|
|
|
|
|
|
|
30 |
300 |
400 |
500 |
600 |
700 |
800 |
|
|
|||
200 |
|
|
|||||||||
|
Теоретические основы цифровой обработки сигналов. Слайд |
135 |
Использование «окон» при спектральном анализе
Во временной области – умножение сигнала на весовую функцию «окна».
Временные отсчеты
Умножение на весовую функцию
Анализатор спектра (БПФ)
Спектральные отсчеты
1 умножение на отсчет для всех видов окон
В спектральной области – свертка спектра сигнала с частотной характеристикой «окна».
Временные отсчеты
Анализатор спектра (БПФ)
Свертка с ЧХ «окна» (сглаживание спектра)
Спектральные отсчеты
Для окна Ханна порядок фильтра -3 ( окно Хэмминга – без умножений).
Для окна Блэкмана порядок фильтра - 5.
Теоретические основы цифровой обработки сигналов. Слайд 136
Использование «окон» при спектральном анализе |
||||||
40 |
|
дБ |
|
|
|
|
rectangular |
|
Hann |
|
Амплитуды |
||
|
|
|
||||
30 |
window |
|
window |
|
сигналов: |
|
Chebyshev |
|
|
||||
20 |
|
|
|
|||
window |
|
|
|
А1 – 1 (0 дБ) |
||
|
|
|
|
|
|
|
10 |
|
|
|
|
|
А2 – 0.01 (-40 дБ) |
0 |
|
|
|
|
|
|
|
|
|
|
|
А3 –0.001(-60 дБ) |
|
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
20 |
|
|
|
|
|
|
30 |
|
|
|
|
|
|
40 |
|
|
|
|
|
|
50 |
300 |
400 |
500 |
600 |
700 |
800 |
200 |
Стратегия выбора «окна» по одному из параметров:
по скорости спадания БЛ – при большой разнице амплитуд и частот;
по максимальному уровню БЛ – при разных амплитудах и неизвестных (распределенных в большом диапазоне) частотах;
по ширине основного лепестка АЧХ – при сопоставимых амплитудах и близко расположенных частотах.
Теоретические основы цифровой обработки сигналов. Слайд 137
Классические методы спектрального оценивания
Задача: получить оценку спектральной плотности мощности сигнала с минимальной среднеквадратической ошибкой по зашумленной реализации конечной длительности.
Основные характеристики:
Диапазон анализируемых частот
Определяется частотой дискретизации Fs:
от 0 до ½ Fs для действительных сигналов;
от - ½ Fs до + ½ Fs для комплексных сигналов.
Разрешающая способность по частоте |
|
|
|
|
|
N 1 |
|
|
|
|
|
|
|
||||||||
Определяется эффективной шириной |
|
B e |
|
|
|
|
|
|
|
W |
|
k |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
||||||||||||
главного лепестка ЧХ окна B : |
|
|
|
|
|
|
k 0 |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
m a x |
|
W k |
|
|
||||||||||||||
|
|
|
|
|
|||||||||||||||||
e |
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Достоверность |
|
|
|
|
|
|
k 0 , N 1 |
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
Определяется относительной |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
S k |
S k |
|
|
|
|
|
|
|
|
|
|
|
|||||
среднеквадратической ошибкой Q |
|
|
|
|
|
|
|
2 |
|
|
|
, |
|
k 0,1..N 1 |
|||||||
оценки СПМ |
Q k |
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
S k |
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Теоретические основы цифровой обработки сигналов. Слайд 138
Классические методы спектрального оценивания
Особенность оценки СПМ при наличии шума:
При увеличении размерности БПФ ошибка оценки СПМ не уменьшается, так как определяется спектральной плотностью шума.
Для ее снижения необходимо усреднение спектральных оценок.
При ограниченной длине реализации случайного процесса:
Повышение достоверности оценки приводит к ухудшению разрешающей способности;
Повышение разрешающей способности приводит к потере достоверности оценки.
Если влияние шума пренебрежимо мало, то Be Te |
1 |
|||||||||
T - эффективная длительность реализации. |
|
|||||||||
e |
|
|
|
|
|
|
|
|
|
|
Если необходимо усреднение оценок СПМ для повышения |
||||||||||
достоверности, то |
Q T B |
1 |
|
|||||||
|
|
|
|
|
e |
S |
|
|
|
|
|
N 1 W |
|
k |
|
2 |
|
|
|
||
|
|
|
|
|
|
|
|
ширина |
|
|
|
|
- статистическая |
|
|||||||
полосы «окна» |
k 0 |
|
|
|
|
|
|
|
|
|
B S |
N 1 |
|
|
|
|
|
|
|
|
|
|
|
k |
|
|
|
|||||
|
|
W |
|
|
2 |
|
|
|
k 0
Теоретические основы цифровой обработки сигналов. Слайд 139
Периодограммный метод оценки СПМ
Последовательность операций:
1.Реализация процесса длиной L отсчетов разбивается на M сегментов размером N отсчетов каждый
n , n 0,1,..N 1, m 1,2..M .xm
2.Вычисляется БПФ от каждого сегмента
Xm k , |
k 0,1,..N 1, |
m 1,2..M. |
3.Усредняется оценка СПМ
M
PX k 1M Xm k Xm* k , k 0,1..N 1
m 1`
Для снижения потерь из-за взвешивания функцией «окна» применяется перекрытие сегментов на ½ или ¼.
Увеличение длины сегмента соответствует улучшению разрешающей способности и снижению достоверности (возрастанию ошибки), и наоборот.
Теоретические основы цифровой обработки сигналов. Слайд 140
Коррелограммный метод оценки СПМ
Основан на дискретном аналоге теоремы Винера-Хинчина.
Последовательность операций:
1.Вычислить АКФ реализации процесса в диапазоне [0,N-1] дискретных задержек:
L 1 |
|
RX m x n x* n m , |
m 0,1..N 1. |
n0
2.Вычислить ДПФ размерности N от АКФ c использованием «окна»:
N 1 |
|
|
2 |
|
|
|
|
PX k RX m exp |
j |
N |
k |
m , k |
0,1.. |
N 1. |
|
m 0 |
|
|
|
|
|
|
Увеличение диапазона задержек АКФ соответствует улучшению разрешающей способности, и снижению достоверности
(возрастанию ошибки), и наоборот.
Рекомендуется: начинать оценку СПМ с высокой достоверности, продвигаясь в направлении более высокого разрешения по частоте.
Теоретические основы цифровой обработки сигналов. Слайд 141