gos / Гетманов1
.pdfжет быть тем меньше, чем меньше рассматриваемый временной интервал. В случае, если требуется реализовать построение модели узкополосного сигнала на большом интервале времени, то в качестве такой модели может быть использована последовательность кусочно-синусоидальных модельных функций вида (2.3.4).
Возможно уточнение модели для узкополосного сигнала на малом интервале времени, учитывающее в сигнале частотную модуляцию. Примем модель yМ (c, Ti) в виде кусочно-синусоидальной
функции с линейной частотной модуляцией
yM (c, Ti) a cos( Ti (Ti)2 /2) bsin( Ti (Ti)2 /2),
где сТ (a, b, , ), амплитудные параметры a, b входят в выраже-
ние для модели линейно, частота и скорость частоты входят нелинейно.
Дальнейшее уточнение модели для узкополосного сигнала может быть реализовано на основе одновременного учёта амплитуд-
ной и |
частотной |
модуляции. В этом случае примем модель |
yМ (c, |
Ti) в виде |
кусочно-синусоидальной функции с линейной |
частотной и амплитудной модуляцией
yM (c, Ti) ( A BTi)cos( Ti (Ti)2 /2 ),
где вектор параметров сТ (a, b, , , ); амплитудные параметры A, B входят в выражение для модели линейно; частота , скорость
частоты и начальная фаза входят нелинейно.
Иногда узкополосный сигнал может реализовываться в аддитивной смеси с низкочастотным трендом, природа которого бывает самой различной. В этом случае модель сигнала с трендом на малом интервале времени для i 0, 1,..., N 1 целесообразно принять
в виде
yM (c, Ti) a cos Ti bsin Ti d1 d2Ti,
где параметры сT (a, b, d1, d2 ) входят в выражение для модели
линейно; частота нелинейно. Низкочастотный аддитивный тренд на малом временном интервале представится в виде модельной ку-
сочно-линейной функции d1 d2Ti.
Для полигармонического сигнала, состоящего из суммы разночастотных узкополосных сигналов, на малом временном интервале для i 0, 1,..., N 1 возможно использование следующей модели
51
L
yM (c, Ti) (al cos lTi bl sin lTi).
l1
Вэтом случае вектор параметров cT (a1,..., aL , b1,..., bL , 1,..., L )
размерности (3L,1) . Амплитуды a1,..., aL , b1,..., bL входят в модель линейно, частоты 1,..., L нелинейно.
Следует отметить важный для дальнейших рассмотрений класс моделей сигналов, которые линейно зависят от вектора параметров
cT (c ,..., |
c ) |
|
|
1 |
m |
|
|
|
m |
|
|
|
yM (c, Ti) cr r (Ti), |
i 0,1,..., N 1. |
(2.3.5) |
r 1
Для линейных по параметрам моделей должны быть введены базисные функции r (Ti), r 1,..., m, известного вида, зависящие от
дискретных аргументов. Модель (2.3.5) может быть представлена в виде скалярного произведения
y (c, Ti) сT (Ti), |
(2.3.6) |
M |
|
где T (Ti) ( 1(Ti),..., m (Ti)) – векторная базисная функция. Достаточно часто встречаются модели, линейные по части па-
раметров |
|
|
|
|
|
|
|
y (c, |
Ti) y |
(c , c , |
Ti) сT (c , Ti). |
(2.3.7) |
|
|
M |
M |
1 2 |
1 |
2 |
|
Параметры |
модели |
(2.3.7) |
объединяются |
в блочный |
вектор |
|
сT c1T , c2T , |
где вектор с1Т с1,1 |
,..., с1, m |
размерности |
m1, 1 |
||
|
|
|
|
1 |
,..., с2,m размерности |
|
входит в модель линейно, |
вектор с2Т с2,1 |
|||||
|
|
|
|
|
2 |
|
m2 ,1 входит в модель нелинейно.
Отметим особо подкласс линейных моделей, для которых дискретные базисные функции являются ортогональными. По опреде-
лению, функции r (Ti) , |
r 1,..., m, составляют ортогональный ба- |
|||
зис для точек i 0,1,..., N 1, если выполняется условие |
|
|||
N 1 |
2 , |
r s; |
(2.3.8) |
|
r |
(Ti) s (Ti) |
r |
r s. |
|
i 0 |
|
0, |
|
|
|
52 |
|
|
|
2.4. Оценивание параметров моделей сигналов
2.4.1. Оценивание параметров моделей как задача аппроксимации
Рассмотрим возможную постановку задачи оценивания параметрических модельных функций сигналов. Реализуем подход, свя-
занный с оптимальной аппроксимацией наблюдений сигналов.
Допустим, что имеется возможность замены параметрической функции сигнала p(t) на (t0 , t f ), p(t) P0 , на специальную по-
добранную модельную параметрическую функцию сигнала в виде
функции известного вида f (c, t), |
зависящей от конечно-мерного |
||
вектора |
параметров cT (c ,..., c |
). Будем считать, что функции |
|
|
1 |
m |
|
f (c, t) |
принадлежат некоторому множеству F0 , которое, в свою |
очередь, является подмножеством множества Р0:
f (c,t) F0 P0.
Условие принадлежности f (c, t) F0 будем считать эквивалентным введению ограничивающего множества для вектора парамет-
ров |
с Rm , где Rm – заданное подмножество множества Rm , |
||
|
0 |
0 |
|
Rm |
Rm , |
Rm – множество всех возможных векторов размерности |
|
0 |
|
|
|
m. Примем, что множества F |
и Rm являются замкнутыми. |
||
|
|
0 |
0 |
Из-за того, что вектор с является конечно-мерным, в общем случае оказывается невозможным осуществить замену p(t) на f (c, t)
с бесконечно малой погрешностью. Однако всегда можно подобрать такую функцию f (c, t), которая с некоторой заданной конеч-
ной точностью смогла бы заменить параметрическую функцию
p(t). Последнее означает, что для любой функции |
|
p(t), |
принадле- |
|||||||
жащей к P0 , и некоторых малых , 0 (не любых малых), должны |
||||||||||
найтись векторы c R0 и, |
соответственно, функции f (c, t) F , |
|||||||||
|
m |
|
|
|
|
|
|
0 |
||
которые обеспечивали бы выполнение неравенств |
|
|
|
|||||||
|
p(t) f (c, t) |
|
, |
|
x( p(t), t) x( f (c,t), t) |
|
|
|
0. |
(2.4.1) |
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
В связи с условием (2.4.1) в качестве параметрической модели сигнала может быть принята функция вида
53
yM (c, t) x( f (c, t), t). |
(2.4.2) |
Примем, что функция наблюдения |
у(t), модель сигнала |
x( f (c, t), t) и погрешности наблюдений w(t) cвязаны соотношени-
ем
у(t) x( f (c, t), t) w(t).
Введём функционал S(c, y), являющийся мерой близости наблюдений у(t) и модельной функции x( f (c,t), t):
S(c, y) y(t) x( f (c,t), t).
Оценка p (t) исходной параметрической функции вследствие замкнутости R0m определяется на основе решения задачи опти-
мальной и аппроксимации наблюдений заданной моделью сигнала, сводящейся к применению нелинейного программирования
c arg{ min S( у,c)}, |
p (t) f (c , t). |
(2.4.3) |
c Rm |
|
|
0 |
|
|
Таким образом, благодаря введению замены функции |
p(t) на |
f (c, t) с удовлетворением условий (2.4.1), формированием соответствующей модели сигнала x( f (c, t), t) (2.4.2) и введению функционала S(c, y) предложена технология решения задачи получения оценок исходных параметрических функций p (t) на основе нели-
нейного программирования в задаче (2.4.3).
Поясним особенности выбора модельных параметрических функций f (c, t) на примере для нестационарного колебательного
сигнала x(t), рассматриваемого на некотором ограниченном ин-
тервале времени
x(t) E(t)cos (t).
Амплитудная и фазовая функции E(t), (t) служат в качестве параметрических функций для сигнала x(t), pT (t) (E(t), (t)), p1(t) E(t), p2 (t) (t). Векторная параметрическая функция p(t) для сигнала имеет размерность (2, 1).
Положим, из априорных сведений, связанных с физическими особенностями сигнала и объекта, что сигнал x(t) имеет почти си-
нусоидальную амплитудную модуляцию и его несущая частота меняется почти линейно во времени. В этом случае параметрической
54
функции p1(t) может быть поставлена в соответствие модельная
функция |
f1(c, t) c10 c11 sin(c12t c13 ), |
параметрической |
функции |
||||||||||||
p (t) |
– |
модельная |
функция |
f |
2 |
(c, t) c |
c t c t2. |
Вектор |
|||||||
2 |
|
|
|
|
|
|
|
|
|
|
20 |
21 |
22 |
|
|
cT (c |
, c |
, c |
, c |
, c |
|
, c |
, c ) |
для |
f (c, t) |
имеет |
размерность |
||||
|
10 |
11 |
12 |
13 |
20 |
21 |
22 |
|
|
|
|
|
|
|
|
m 7. |
С учётом введённых формул для f1(c, t), f2 (c, t) |
функция |
f (c, t) примет следующий вид
f (c, t) |
|
f1 |
(c, t) |
|
|
|
c10 c11 sin(c12t c13 ) |
|
. |
|||
|
|
|
|
|||||||||
|
|
|||||||||||
|
f |
2 |
(c, t) |
|
|
c c |
t c t 2 |
|
||||
|
|
|
|
|
|
|
20 |
21 |
22 |
|
|
|
В качестве модели сигнала может выступать функция |
x( f (c, t)t) (c10 c11 sin(c12t c13 ))соs (c20 c21t c22t2 ) .
Рассмотрим возможную постановку задачи нахождения решения для задачи (2.4.3) – оценивания параметрических функций сигналов в дискретном случае.
Положим, что все переменные заданы в дискретные моменты времени Ti, i 0, 1,..., N 1, T – шаг дискретности по времени. От-
резок времени наблюдения (t0 , t f ) определяется условиями: t0 0, t f T (N 1). Разберём случай наблюдений, который представля-
ется следующей моделью
y(i) x( f (c, Ti), Ti)) w(i).
Пусть погрешности наблюдений w(i) являются некоррелиро-
ванными нормально распределёнными нормальными числами с нулевым математическим ожиданием и постоянной дисперсией. Функционал S( y, c) с учётом заданных свойств погрешностей за-
пишется в виде соотношения
N 1
S( y, c) ( y(i) x( f (c, Ti), Ti))2. |
(2.4.4) |
i 0 |
|
Минимизация функционала S( y, c) по вектору параметров |
с Rm |
|
0 |
приводит к задаче нелинейного программирования. Нахождение оптимального вектора параметров с позволяет построить оптимальную аппроксимационную модель x( f (c , t), t), оценку для па-
раметрической модельной функции f (c , Ti) и на её основе определить оценку параметрической функции сигнала p (Ti)
55
c arg{ min S( у, c)}, |
p (Ti) f (c , Ti), |
i 0,1,..., N 1. |
c Rm |
|
|
0 |
|
|
2.4.2.Оценивание параметров линейных моделей для действительных сигналов
Рассмотрим решение задачи оценивания параметров линейных моделей для действительных сигналов. Пусть произведены наблюдения y(i) y(Ti) на конечном временном интервале для
i 0,1,..., N 1. Представим линейную по параметрам модельную функцию сигнала с использованием (2.3.6)
yM (c, Ti) cT (Ti).
Сформируем функционал S(c, y), являющийся мерой близости мо-
дели и наблюдений, |
который определяется разностями |
y(c, Ti) y(i) cT (Ti). |
Вследствие линейности модели S(c, y), |
представляет собой квадратичную форму от c |
|
N 1 |
N 1 |
S(c, y) = y2 (c, Ti) ( y(i) cT (Ti))2. |
|
i 0 |
i 0 |
Введём векторно-матричные переменные:
|
|
y(0) |
|
|
c1 |
|
|
|
|
||||
|
Y |
y(1) |
|
, c |
c2 |
|
|
. |
|
. |
|||
|
|
y(N 1) |
|
|
cm |
|
|
|
|
|
|||
|
1(T 0), |
2 (T 0), ... |
||||
|
||||||
X |
1(T 1), |
2 (T 1), ... |
||||
. |
. |
... |
||||
|
||||||
|
1(T (N 1)), |
2 (T (N 1)), ... |
,
m (T 0) |
|
|
|
||
m (T 1) |
, |
|
. |
||
|
||
m (T (N 1)) |
|
где Y – вектор наблюдений размерности (N,1); c – вектор параметров модели размерности (m, 1); X – матрица плана сигнала размерности (N, m). Нетрудно видеть, что разность для наблюдений и модели может быть сформирована в векторном виде
56
Y (c) Y Xc . |
(2.4.5) |
На основе введённых векторов и матриц функционал S(c, Y ) запи-
сывается как скалярное произведение и представляет собой квадратичную форму
S(c, Y ) Y T (c) Y (c) (Y Xc)T (Y Xc)
(2.4.6)
Y T Y Y T Xc cT X T Y cT X T Xc.
Сучётом того, что имеет место равенство YT Xc cT X TY , можно записать
S(c, Y ) YTY 2cT X TY cT X T Xc.
Нетрудно проверить, что для квадратичной формы S(c, Y ) спра-
ведливо равенство
YTY 2cT X TY cT X T Xc YT Y ((X T X ) 1 X TY c)T (X T X )
((X T X ) 1 X TY c) YT X (X T X )X TY.
Очевидно, минимальное значение этой квадратичной формы дос-
тигается при |
|
c (X T X ) 1 X TY. |
(2.4.7) |
Последнее выражение может быть представлено в виде системы линейных уравнений
X T X c |
X T Y. |
Введём обозначения D X T X , |
b X T Y. Матрица D имеет раз- |
мерность (m, m); элементы этой матрицы симметричны относи-
тельно главной диагонали и определяются как скалярные произведения базисных функций
|
N 1 |
|
drs |
r (Ti) s (Ti), |
r, s 1,..., m. |
|
i 0 |
|
Элементы вектора |
b X T Y размерности (m,1) – коэффициенты |
Фурье, вычисляются как взвешенные суммы наблюдений
N 1
br r (Ti) y(i) , r 1,..., m.
i 0
Нахождение оптимального вектора параметров c сводится к решению линейной системы уравнений
Dc b.
57
2.4.3. Оценивание параметров линейных моделей для комплексных сигналов
Рассмотрим решение задачи оценивания параметров линейных моделей для комплексных сигналов. Введём комплексные наблю-
дения y(i) y1(i) jy2 (i) и комплексную модель сигнала cT (Ti),
определяемую комплексным вектором параметров cT (c ,...,c ) и |
||||
|
|
|
1 |
m |
комплексной |
базисной функцией |
T (Ti) ( (Ti),..., (Ti)), |
||
|
|
1 |
|
m |
сr c1r jc2r , |
r (Ti) 1r (Ti) j 2r (Ti), |
r 1,..., m, |
i 0,1,..., N 1. Функционал (2.4.6) в этом случае запишется с ис-
пользованием суммы произведений сопряженных комплексных множителей
N 1 |
|
S(c, Y ) ( y(i) cT (Ti))* ( y(i) cT (Ti)). |
(2.4.8) |
i 0
По аналогии с (2.4.5) введём комплексную разность функции наблюдения и модели Y (c) Y Xc. Воспользовавшись введёнными
векторно-матричными переменными, но в комплексной форме, представим функционал S(Y , c) (2.4.8)
S(Y , c) Y *T (c) Y (c) (Y Xc)*Т (Y Xc).
С учётом равенства Y*T Xc c*T X *T Y запишем
S(Y , c) (Y Xc)*Т (Y Xc)
(2.4.9)
(Y * X *c* )T (Y Xc) Y *T Y 2Y *T Xc c*T X *T Xc.
Очевидно, справедливо равенство
Y*T Y 2Y*T Xc c*T X *T Xc Y *Т Y (( X *Т X ) 1 X *Т Y c* )T
( X *Т X ) (( X *Т X ) 1 X *Т Y c) Y T X * ( X *T X ) 1 X *T Y.
Минимальное значение этой квадратичной формы (2.4.9) дости-
гается при |
|
c ( X *T X ) 1 X *T Y. |
(2.4.10) |
Оценка с из (2.4.10) может быть найдена с помощью решения системы линейных уравнений
58
( X *T X ) c X *T Y , |
Dc b. |
(2.4.11) |
Коэффициенты матрицы D вычисляются в виде скалярных произ- |
||
ведений векторов *r (Ti), s (i), i 0,1,..., N 1: |
|
|
N 1 |
|
|
drs *r (Ti) s (Ti) , |
r, s 1,..., m. |
(2.4.12) |
i 0
Коэффициенты вектора b (коэффициенты Фурье) вычисляются в
виде скалярных произведений |
векторов *r (Ti), |
y(i), |
i 0,1,..., N 1: |
|
|
N 1 |
|
|
br *r (Ti) y(i) , |
r 1,..., m. |
(2.4.13) |
i 0 |
|
|
Если базисные функции ортогональны, то нахождение параметров модели упрощается. Матрица D будет диагональной с элементами
d |
rr |
2 |
, |
r 1,..., m, d |
rs |
0, |
r s. |
|
r |
|
|
|
|
Оптимальные параметры модели Фурье
|
1 |
N 1 |
|
сr |
*r (Ti) y(i) |
||
2 |
|||
|
i 0 |
||
|
r |
выразятся через коэффициенты
|
br |
, |
r 1,..., m. |
(2.4.14) |
|
2 |
|||||
|
|
|
|
||
|
r |
|
|
|
2.5. Модели сигналов на основе рядов Фурье. Интеграл Фурье
2.5.1. Модели сигналов на основе действительного ряда Фурье
Рассмотрим построение моделей сигналов на основе действительного ряда Фурье.
Пусть наблюдения cигнала заданы в виде действительной функции y(t) на конечном интервале времени 0 t T0. Рассмот-
рим варианты условий сходимости рядов Фурье для y(t) . Первый вариант: если в некотором промежутке (t0 h, t0 h) с центром в точке t0 функция y(t) имеет ограниченное изменение, то её ряд
Фихтенгольц Г.М. Курс дифференциального и интегрального исчисления. Т. 3. М.: Физматгиз. 1963. 656 с.
59
Фурье в указанном интервале для t0 , 0 t0 T0 , сходится к y(t0 ). Второй вариант: если функция y(t), определённая на интервале 0 t T0 , имеет на нём не более чем конечное число точек разрыва, её ряд Фурье в точке непрерывности t0 сходится к y(t0 ) или к сумме ( y(t0 0) y(t0 0))/2 в каждой точке разрыва t0 . Будем полагать, что для рассматриваемого сигнала y(t) выполнены
сформулированные условия сходимости.
Выбирается модель для указанного сигнала в форме действительного ряда Фурье следующего вида
|
|
a0 |
|
|
|
yM (c, t) |
(al cos lt bl sin lt). |
(2.5.1) |
|
|
|
|||
|
2 |
l 1 |
|
|
|
|
|
|
|
Значения |
модельных |
частот фиксированы |
l l, |
|
2 /Т0 , |
l 2 l T0 и определяются длиной интервала наблю- |
дения, модельные синусоиды располагаются с шагом по частоте, который зависит от Т0 . Вектор параметров модели имеет бес-
конечную размерность, сT (a0 , a1, a2 ,....., b1, b2 ,....), b0 0. Благодаря выбору частотного параметра оказывается, что на интервале времени Т0 укладывает целое число периодов базисных
функций cos lt cos lt |
и |
sin lt sin lt. |
Вследствие этого, |
||
указанные базисные функции являются ортогональными. |
|||||
Функционал для решения задачи аппроксимации функции на- |
|||||
блюдений y(t) на основе сформированной модели имеет вид |
|||||
T0 |
|
a |
|
2 |
|
S(c, y) |
y(t) |
0 |
|
(al cos lt bl |
sin lt) dt. |
2 |
|
||||
0 |
|
|
l 1 |
|
|
|
|
|
|
|
Нахождение вектора параметров модели сводится к минимизации указанного функционала, который, очевидно, является квадратичным по с:
с arg{min S(c, y)}, |
c |
T (a , a , a ,....,b , b ,...). |
||||
c |
|
0 |
1 |
2 |
1 |
2 |
|
|
|
|
|
|
Ограничимся конечным числом синусоид, составляющих модель, равным L. В этом случае вектор базисных функций для моде-
60