delta Diraca jest pochodną dystrybucyjną skoku jednostkowego
składowa stała jest równa wartości średniej
Moc sygnału jest sumą mocy składowej stałej i składowej zmiennej
Rozrzut sygnału wokół punktu skupienia - średniokwadratowe odchylenie
Funkcja autokorelacji jest parzysta
Funkcja autokorelacji jest nie większa od swej wartości dla τ=0
Energia sygnału (moc sygnału) jest równa wartości funkcji autokorelacji dla τ=0
Pole ograniczone wykresem funkcji korelacji jest równe kwadratowi pola ograniczonego wykresem sygnału
Warunki zbieżności szeregu (warunki Dirichleta):
- sygnał jest okresowy
-w przedziale okresowości istnieje przeliczalna ilość punktów
nieciągłości
Moc sygnału okresowego jest sumą mocy składowej stałej
i mocy poszczególnych harmonicznych sygnału
widmo amplitudowe jest symetryczne względem osi pionowej
Warunkiem wystarczającym istnienia transformaty jest istnienie
całki z modułu sygnału (bezwzględna całkowalność)
Odwrotne przekształcenie Fouriera pozwala odtworzyć sygnał na podstawie
jego widma zespolonego
Jeśli sygnał jest sygnałem rzeczywistym to:
widmo jest hermitowskie (część rzeczywista jest parzysta,
część urojona nieparzysta)
widmo amplitudowe jest parzyste
widmo fazowe jest nieparzyste
Jeśli sygnał jest rzeczywisty parzysty to jego widmo jest rzeczywiste parzyste
Warunek wystarczający istnienia widma (transformaty Fouriera)
sygnał jest bezwzględnie całkowalny a więc istnieje skończona całka
uogólniona transformata Fouriera jest dystrybucją
Podział filtrów:
dolnoprzepustowe
górnoprzepustowe
pasmowoprzepustowe
pasmowozaporowe
Filtry pasmowe:
O stałej bezwzględnej szerokości pasma
O stałej względnej szerokości pasma (stałoprocentowe)
Filtry pasmowe o stałej względnej szerokości pasma:
Wąskopasmowe
Oktawowe
Tercjowe
Pełen opis procesu stochastycznego jest związany ze znajomością
wszystkich (jedno i wielowymiarowych n→∞) funkcji gęstości
prawdopodobieństwa
Proces normalny (gaussowski) jest określony jeśli znamy tylko
momenty pierwszego i drugiego rzędu. Wówczas n-wymiarową
gęstość prawdopodobieństwa można zapisać w postaci
Proces stochastyczny jest stacjonarny gdy wszystkie jego
gęstości prawdopodobieństwa zachowują swoją wartość przy
przesunięciu wzdłuż osi czasu
Jeśli proces stochastyczny jest stacjonarny to jego wartość
średnia jest stała
Jeśli proces stochastyczny jest stacjonarny to jego funkcja
korelacji zależy od różnicy pomiędzy dwoma chwilami wybranymi
na osi czasu
Jeśli proces stochastyczny ma wartość średnią stałą oraz funkcję
korelacji zależną od czasu pomiędzy wybranymi chwilami to proces
stochastyczny jest stacjonarny w sensie szerszym (nie musi być
procesem stacjonarnym)
Proces stacjonarny nazywamy ergodycznym ze względu na wartość
średnią jeśli obliczenie wartości średniej po czasie z wybranej
realizacji procesu daje taki sam wynik (z prawdopodobieństwem równym jeden, a więc dla prawie wszystkich realizacji sygnału) jak obliczanie średniej po zbiorze realizacji
Proces stacjonarny nazywamy ergodycznym ze względu na funkcję
korelacji jeśli obliczenie korelacji po czasie z dowolnie wybranej
realizacji daje taki sam wynik jak obliczanie korelacji ze zbioru realizacji
Procesem ergodycznym jest proces w którym amplituda i częstość są wielkościami zdeterminowanymi, a faza jest zmienną losową o stałym rozkładzie w przedziale (-p,p)
Wyznaczanie częstotliwości aliasingowych - wyznaczenie częstotliwości
wszystkich sygnałów sinusoidalnych, których wartości w chwilach tn są takie
same jak wartości badanego sygnału
Widmo sygnału po próbkowanego jako splot widm sygnału ciągłego i sygnału próbkującego
Widmo jest ciągłe i okresowe - okres widma jest równy
Widmo amplitudowe jest parzyste, fazowe nieparzyste
Jeśli ciąg xk jest rzeczywisty to wystarczy obliczyć tylko N/2 wszystkich wartości transformaty.
Jeśli N jest potęgą liczby 2, to algorytm obliczania DFT można zastąpić
szybszym algorytmem zwanym szybką transformatą Fouriera FFT
Sygnał jest ergodyczny ze względu na wartość oczekiwaną i funkcję autokorelacji
Obliczanie gęstości widmowej mocy sygnału wyjściowego oraz funkcji koherencji dla obiektu z jednym wejściem sterującym przy uwzględnieniu szumu zredukowanego do wyjścia. Szum jest sygnałem nieskorelowanym z sygnałem wejściowym.
Wyznaczenie liniowej predykcji sygnału y(t) z sygnału x(t) sprowadza się do wyznaczenia odpowiedzi impulsowej g(t) modelu tak, aby błąd średniokwadratowy był minimalny.
Resztkowa zmienna losowa ∆y(t) jest różnicą sygnału y(t) oraz jego liniowej predykcji z sygnału x(t)
Jeśli funkcja koherencji sygnałów x1(t) oraz x2(t) jest równa jeden to
oznacza to istnienie układu liniowego wiążącego te sygnały.
Estymator:
– zgodny (daje tym lepsze przybliżenie im N jest większe)
– nieobciążony (daje dokładny wynik gdy N dąży do nieskończoności)
– asymptotycznie najefektywniejszy (dla dużych N mają minimalną
macierz kowariancji)
Warunkiem wystarczającym nieobciążoności estymatora parametrów modelu jest założenie dotyczące zakłóceń. Muszą one być wynikiem filtracji białego szumu S przez filtr o transmitancji 1/A(z-1).
Struktura obiektu wraz z zakłóceniami nazwana jest strukturą ARX i może być opisana ogólnym dyskretnym równwniem wejścia-wyjścia
Identyfikacja parametryczna metodą największej wiarygodności – model ARMAX
Wektor estymowanych parametrów oraz estymator odchylenia standardowego λ wyznaczamy maksymalizując funkcję wiarygodności
będącą iloczynem gęstości prawdopodobieństw błędów:
Metody identyfikacji obiektów ze sprzężeniem zwrotnym:
-metoda pośrednia
-metoda bezpośrednia
-metoda łącznego procesu