- •Введение
- •1. Цифровые и дискретные сигналы
- •1.1. Дискретизация сигналов и теорема отсчетов
- •1.2. Представление дискретных сигналов с помощью функциональных рядов
- •1.3. Цифровые сигналы
- •2. Статистические алгоритмы обнаружения, измерения и оценивания параметров сигналов
- •2.1. Обработка сигналов в задачах обнаружения
- •2.2. Пространственно-временная обработка сигналов.
- •2.3. Дискретные алгоритмы частотно-фазовых измерений
- •3. Преобразования цифровых сигналов
- •3.1. Дискретное преобразование Фурье
- •3.1.1. Дискретные экспоненциальные функции
- •3.1.2. Свойства дпф
- •3.1.3. Разновидности дпф
- •3.2. Алгоритмы вычисления дискретного преобразования Фурье
- •3.2.1. Бпф по смешанному основанию
- •3.2.2. Алгоритм Гуд-Томаса
- •3.2.3. Алгоритмы бпф по основанию два
- •3.2.4. Бпф для n-простое число
- •3.2.5. Дпф на основе алгоритма лчм-z фильтрации
- •3.3. Дискретные ортогональные преобразования на конечных абелевых группах
- •3.4. Преобразования Уолша - Адамара
- •3.4.1. Функции Уолша - Адамара
- •3.4.2. Преобразование Уолша-Адамара
- •3.5. Теоретико числовые преобразования (тчп)
- •4. Свертка сигналов
- •4.1. Линейная и циклическая свертки
- •4.2. Алгоритмы свертки квазибесконечной последовательности
- •Контрольные вопросы и задачи
- •5. Цифровая фильтрация
- •5.1. Нерекурсивное винеровское оценивание
- •5.2. Обобщенная винеровская фильтрация
- •6.1. Спектральный анализ стационарных гармонических сигналов
- •6.2. Статистические методы спектрального анализа
- •6.3. Методы анализа, основанные на моделях исследуемых процессов
- •Дискретное преобразование Карунена – Лоэва Оптимальное преобразование
- •Дискретное разложение Карунена – Лоэва периодической случайной последовательности.
- •Содержание
Дискретное преобразование Карунена – Лоэва Оптимальное преобразование
Пусть x = [x[1], x[2], …, x[M]]T – случайный вектор с нулевым средним и корреляционной матрицей Rx. Подвергнем этот вектор линейному преобразованию
w = AHx ; A –1 = AH, (1)
где A = [ aj ], j = 1,…, M – унитарнаяя матрица. При этом
; при i j.
Рассмотрим оценку вектора x в форме m компонент (1 m M ) вектора w
.
Ошибка принимает вид
,
при этом средний квадрат ошибки
. (2)
Из (1) следует, что и следовательно .
Определим такую матрицу A, которая минимизировала бы средний квадрат ошибки, при условии нормировки вектора ai:
.
Задача сводится к поиску минимума функции Лагранжа
,
где I – множитель Лагранжа.
Приравнивая градиент этого выражения нулю, получим уравнение
,
из которого получается соотношение
Rxai = iai. (3)
Используя данное соотношение и учитывая (2) выразим минимальную ошибку как
. (4)
Из (3), (4) и определения собственных значений и векторов следует, что задача минимума среднего квадрата ошибки сведена к поиску собственных значений i и собственных векторов ai матрицы Rx. Следовательно, матрица преобразований A является матрицей состоящей из ортонормированных собственных векторов матрицы Rx . Обозначим эту матрицу через Q = {qi}, i=1,…, M.
Тогда
W = QH x. (5)
В результате преобразования (5) формируется вектор w с нулевым средним значением и с корреляционной матрицей
= diag(1, …, M).
Такое преобразование называется дискретным преобразованием Карунена-Лоэва (ДПКЛ).
Обратное преобразование выражает вектор x через координаты вектора w:
x = Q w = q1 w1 + q2 w2 , + … + qM wM.
Дискретное разложение Карунена – Лоэва периодической случайной последовательности.
Известно, что корреляционная матрица стационарного процесса является теплицевой. Если корреляционная последовательность случайного процесса является периодической с периодом M , то корреляционная матрица становится циркулянтной. Общий вид циркулянтной матрицы
.
Любая строка такой матрицы получается из предыдущей путем циклического сдвига га одну позицию вправо.
Циркулянтная корреляционная матрица имеет вид
.
Введем M – точечное ДПФ последовательности отсчетов корреляционной функции rx(l)
,
где WM = exp(-2j/M) .
Рассмотрим вектор
.
Нетрудно установить, что справедливо следующее соотношение
.
Отсюда следует, что вектор wk ДПФ является собственным вектором циркулянтной корреляционной матрицы Rx, а величина - собственным значением этой матрицы. Таким образом, ДПФ эквивалентно ДПКЛ периодической импульсной последовательности.
Справедливо еще одно полезное соотношение
,
где w – матрица ДЭФ, которое говорит о том, что ДПФ диагонализирует циркулянтную корреляционную матрицу.
Пример. Дано разностное уравнение
x[n] = v[n]+bv[n-1],
где v[n] – белый гауссовский шум с нулевым средним значением и единичной дисперсией.
Найти ДПКЛ при M = 3.
Решение. Найдем матрицу Rx
.
Вычислим собственные значения матрицы Rx:
| Rx - I|=(1 + b2 - )[(1 + b2 - )2 –2b2] = 0.
Отсюда находим собственные значения
(1) = 1 + b2; (2,3) = 1 + b2 b2.
Матрица Q состоит из ортонормированных собственных векторов
Q = [q1, q2, q3]
матрицы Rx:
.
ДПКЛ принимает вид
x(n) = w1(n) q1 +w2(n) q2 +w3 q3.
Причем M{w12} = 1, M{w22} = 2, M{w32} = 3 .