- •Глава 1. Цифровые информационно-управляющие
- •1.2. Сигналы и варианты алгоритмов цос
- •1.3. Структура ссд
- •Глава 2. Модели сигналов,
- •2.1. Синусоидальные сигналы
- •2.1.6. Амплитудный спектр сигнала с синусоидальной
- •2.2. Комплексные сигналы. Энергетические характеристики сигналов
- •2.3. Наблюдения и модели сигналов
- •2.4. Оценивание параметров моделей сигналов
- •2.5. Модели сигналов на основе рядов Фурье. Интеграл Фурье
- •2.6. Z-Преобразование дискретных последовательностей
- •Глава 3. Предварительная обработка сигналов
- •3.1. Оценивание статистических характеристик
- •3.2. Оценивание и устранение трендов
- •3.3. Фильтрация аномальных значений в наблюдениях сигналов
- •3.4. Дискретизация непрерывных сигналов. Теорема Котельникова
2.3. Наблюдения и модели сигналов
Из разд. 1.1 (см. рис. 1.1.1) следует, что исходный сигнал определяется фазовыми координатами объекта управления и зависит от параметрической функцииВ параметрической функциисодержится вся полезная информация об объекте. Обычно должно выполняться соотношение, где– заданное множество, к которому принадлежат параметрические функции. Будем полагать, что наблюдаемый сигналсвязан с исходным сигналоми случайным помеховым возмущениемчерезмодельную функцию наблюдения известного вида
(2.3.1)
В частном случае модельная функция наблюдения может быть аддитивной и представится выражением
(2.3.2)
где – случайная погрешность наблюдения с заданными статистическими характеристиками. Выражения (2.3.1), (2.3.2) являются моделями, по которым формируются наблюдения Для задач ЦОС необходимо располагать видом функцийи статистическими характеристикамичтобы по наблюдениямосуществить определение оценок фазовых координати параметрических функций
Наблюдения для задач цифровой обработки сигналов, как правило, задаются на конечном интервале времени в виде набора дискретных данных N – число наблюдений. Чаще всего наблюдения осуществляются через равные промежутки времени, T – интервал дискретизации; однако вполне возможны ситуации, когда наблюдения производятся неравномерно во времени. Наблюдения, в общем случае, могут быть комплексными
Математические модели сигналов должны соответствовать физическим сигналам, для описания которых они предназначены. Выбор моделей зависит от объёма и характера априорной информации о физических сигналах. Будем рассматривать модели сигналов двух типов – функциональные и параметрические.
Функциональная модель сигнала представляется соотношением вида
(2.3.3)
Для модели (2.3.3) должна быть задана функция известного вида в которую осуществляется подстановка функций
Параметрическая модель сигнала определяется функцией известного вида определённой на заданном конечном временном интервале в точкахи зависящей от вектора параметровразмерностислужит в качестве модели сигнала. Будем считать, что векторв общем случае принадлежит некоторому ограничивающему множествуиногдаВыбор вида функции модели производится на основе априорных сведений о природе сигнала и объекта управления. Вектор параметров моделиназначается таким образом, чтобы модельна заданном временном интервале описывала с заданной точностью исходный сигналОпределение векторадля моделиреализуется на основе решения задачи аппроксимации наблюдений(приближения наблюдений).
Рассмотрим некоторые примеры моделей, которые могут использоваться для задач цифровой обработки сигналов.
Узкополосному сигналу на малом интервале времени может быть поставлена в соответствие модель в виде кусочно-синусоидальной функции
(2.3.4)
где – вектор параметров модели, имеющий размерность (3,1). Амплитудыa, b входят в выражение для модели линейно, частота нелинейно. Данная модельная функция имеет постоянную амплитуду и частоту. Разумеется, модельная функция (2.3.4) не в полной мере соответствует исходному узкополосному сигналу с переменной амплитудой и частотой; однако несоответствие может 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 в виде кусочно-синусоидальной функции с линейной частотной модуляцией
где амплитудные параметрыa, b входят в выражение для модели линейно, частота и скорость частоты входят нелинейно.
Дальнейшее уточнение модели для узкополосного сигнала может быть реализовано на основе одновременного учёта амплитудной и частотной модуляции. В этом случае примем модель в виде кусочно-синусоидальной функции с линейной частотной и амплитудной модуляцией
где вектор параметров амплитудные параметрывходят 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 целесообразно принять в виде
где параметры входят в выражение для модели линейно; частота нелинейно. Низкочастотный аддитивный тренд на малом временном интервале представится в виде модельной кусочно-линейной функции
Для полигармонического сигнала, состоящего из суммы разночастотных узкополосных сигналов, на малом временном интервале для возможно использование следующей модели
В этом случае вектор параметров размерности. Амплитудывходят в модель линейно, частотынелинейно.
Следует отметить важный для дальнейших рассмотрений класс моделей сигналов, которые линейно зависят от вектора параметров
(2.3.5)
Для линейных по параметрам моделей должны быть введены базисные функции известного вида, зависящие от дискретных аргументов. Модель (2.3.5) может быть представлена в виде скалярного произведения
(2.3.6)
где – векторная базисная функция.
Достаточно часто встречаются модели, линейные по части параметров
(2.3.7)
Параметры модели (2.3.7) объединяются в блочный вектор где векторразмерностивходит в модель линейно, векторразмерностивходит в модель нелинейно.
Отметим особо подкласс линейных моделей, для которых дискретные базисные функции являются ортогональными. По определению, функции ,составляют ортогональный базис для точекесли выполняется условие
(2.3.8)