plik


ÿþAkademia Górniczo-Hutnicza Katedra Robotyki i Mechatroniki Identyfikacja i analiza sygnaBów Laboratorium 10 Metody nieparametryczne w identyfikacji i analizie sygnaBów Przetwarzanie sygnaBów z zastosowaniem procedur statystycznych Signal Processing Toolbox zawiera zestaw wa|niejszych funkcji do estymacji pewnych charakterystyk sygnaBów losowych. W szczególno[ci s to narzdzia do estymacji funkcji korelacji i kowariancji cigu danych oraz funkcje gsto[ci widmowej mocy sygnaBów dyskretnych. Korelacja i kowariancja Funkcje xcorr i xcov estymuj wzajemn korelacj i kowariancj cigów procesów losowych. Autokorelacja i autokowariancja s traktowane jako specjalne przypadki korelacji i kowariancji wzajemnej. Korelacja wzajemna cigów jest wielko[ci definiowan jako: Rxy(m) = E{x(n) Å" y(n + m)} ( 0 ) gdzie x(n) i y(n) s stacjonarnymi procesami losowymi, - " < n < " oraz E jest operatorem warto[ci oczekiwanej. Kowariancja wzajemna jest równa korelacji z usunit [redni. Cxy(m) = Eñø (x(n) - mx )(y(n + m) - m )üø òø ýø ( 1 ) y óø þø gdzie m i m s warto[ciami [rednimi korelowanych cigów. x y ZwykBa estymata bazujca na M próbkach x(n) i y(n) jest deterministyczn korelacj wzajemn cigów: M- m - 1 ñø x(n)y(n + m) dla m e" 0 ôø " Æ Rxy(m) = òø n= 0 ( 2 ) ôø Æ Rxy(- m) dla m < 0 óø ZakBada si, |e x(n) i y(n) s indeksowane od 0 do M - 1, a R (m), od -(M - 1) do M - 1. xy Funkcja xcorr realizuje powy|szy wzór, wykorzystujc algorytmy bazujce na FFT dla danych cigów wej[ciowych x(n) i y(n), zawartych w wektorach x i y o dBugo[ciach M. PrzykBadowo: x=[1 1 1 1 1]'; y=x; xyc=xcorr(x,y) " xyc = " 1.0000 " 2.0000 " 3.0000 " 4.0000 " 5.0000 " 4.0000 " 3.0000 " 2.0000 " 1.0000 Sekwencja wynikowa ma dBugo[ dwa razy wiksz od dBugo[ci cigu wej[ciowego minus jeden. Tak wic M-ty element jest korelowany przy zerowej zwBoce. Równie| zauwa|amy znane impulsy trójktne na wyj[ciu, bdce wynikiem splotu dwóch przebiegów kwadratowych. Funkcja xcov estymuje kowariancj wBasn i wzajemn danych wej[ciowych. Posiada ona te same opcje i przelicza te same równania, co funkcja korelacji, ale najpierw usuwa warto[ci [rednie z przebiegów x i y. Obci|enie i normalizacja Estymator jest obci|ony, je[li jego warto[ oczekiwana nie jest równa warto[ci wielko[ci, któr estymuje. Warto[ oczekiwana dla przebiegu funkcji xcorr wynosi: M- m - 1 )ð E(R (m)) = E{x(n)y(n + m)} = (M - m )R (m) ( 3 ) xy " xy n= 0 Funkcja xcorr wyznacza estymator nieobci|ony, dzielc sum (3) przez M-æømæø, je[li zadamy parametr  unbiased po sekwencji elementów wej[ciowych: xcorr(x,y, unbiased ); Mimo |e estymator jest nieobci|ony, punkty koDcowe (bliskie -(M-1) i M-1 maj stosunkowo du| wariancj, poniewa| funkcja xcorr wylicza je na podstawie niewielu punktów danych. Mo|liwym rozwizaniem jest dzielenie estymaty przez M, u|ywajc w tym celu parametru  biased : xcorr(x,y, biased ); W tym schemacie jedynie próbka korelacji przy zerowym opóznieniu (M-ty element wyj[cia) jest nieobci|ona. Ta estymata jest czsto bardziej po|dana ni| nieobci|ona, poniewa| unika ona losowej, du|ej wariancji w koDcowych punktach korelowanej sekwencji. Funkcja xcorr umo|liwia tak|e zastosowanie innego schematu normalizacji: xcorr(x,y,'coeff'); Polega on na podzieleniu estymaty wyj[ciowej przeznorm(x)norm(y) w taki sposób, |e wspóBczynnik korelacji przy zerowym opóznieniu ma warto[ jeden. SygnaBy wielokanaBowe Dla sygnaBu wielokanaBowego funkcje xcorr i xcov estymuj wBasn i wzajemn korelacj i kowariancj cigu danych dla wszystkich kanaBów jednocze[nie. Majc dan macierz S o wymiarach M na N, reprezentujc sygnaB N kanaBowy (jedna kolumna dla pojedynczego kanaBu), funkcja xcorr(S) oblicza macierz korelacji wBasnej i wzajemnej dla sygnaBów zawartych w S. Otrzymana macierz wynikowa posiada wymiary (2M-1) na N2. PrzykBadowo, je[li S jest sygnaBem trzykanaBowym S=[s1 s2 s3]; to rezultaty dziaBania funkcji R=xcorr(S) s podawane nastpujco: R=[Rs1s1 Rs1s2 Rs1s3 Rs2s1 Rs2s2 Rs2s3 Rs3s1 Rs3s2 Rs3s3]. W Matlabie dostpne s ponadto dwie funkcje cov i corrcoef. Stosujc te funkcje, mo|na wyznaczy estymaty kowariancji oraz znormalizowanej kowariancji pomidzy ró|nymi kanaBami przy zerowym przesuniciu. Wy|ej wymienione funkcje zestawiaj wyniki swego dziaBania w macierzy kwadratowej. Gsto[ widmowa mocy Celem analizy widmowej jest wyznaczenie czstotliwo[ciowej zawarto[ci sygnaBu, procesu losowego lub ukBadu, bazujc na skoDczonych zbiorach danych. Estymacja widmowej gsto[ci mocy jest u|yteczna w ró|nych zastosowaniach, wBczajc detekcj sygnaBów zakBóconych szumem o szerokim pa[mie. Widmowa gsto[ mocy (PSD) stacjonarnego procesu losowego x(n) jest zwizana z funkcj korelacji sygnaBu dyskretnego poprzez dyskretn transformacj Fouriera. " Pxx (É ) = R (m)e- jÉ m ( 4 ) " xx m= - " Funkcja gsto[ci widmowej mocy posiada tak wBasno[, |e jej caBka w danym pa[mie czstotliwo[ci jest równa mocy sygnaBu x(n) w tym pa[mie. PSD jest specjalnym przypadkiem funkcji wzajemnej gsto[ci widmowej (CSD), zdefiniowanej pomidzy dwoma sygnaBami x(n) i y(n) w postaci wzoru: " Pxy (É ) = R (m)e- jÉ m ( 5 ) " xy m= - " Tak jak w wypadku funkcji korelacji i kowariancji, polecenia Matlaba estymuj PSD i CSD dla sygnaBów o skoDczonej dBugo[ci. Istnieje wiele ró|nych metod estymacji PSD. Mo|na jednak zgrupowa je w dwóch kategoriach: estymacji parametrycznej i nieparametrycznej. GBówn technik stosowan w SPT jest nieparametryczny algorytm, opracowany przez Welcha. W przyborniku wykorzystano t metod w funkcjach psd, csd, tfe, oraz cohere. W[ród metod parametrycznych stosowana jest funkcja pmem, dokonujca estymacji widma metod  maksymalnej entropii . Bardziej szczegóBowe omówienie funkcji do estymacji PSD, wykorzystujcych algorytmy parametryczne, znajduje si plikach pomocy Matlaba. Metoda Welcha Jedn z metod estymacji gsto[ci widmowej mocy jest wyznaczenie dyskretnej transformaty Fouriera próbek konkretnej realizacji danego procesu, a nastpnie obliczenie kwadratu z warto[ci bezwzgldnej wyniku. PrzykBadowo, wyznaczono PSD dla 1001-elementowego sygnaBu xn, skBadajcego si z dwóch sinusoid i szumu. Fs=1000; t=0:1/Fs:1; xn=sin(2*pi*50*t)+2*sin(2*pi*120*t)+... randn(size(t)); Zgrubny estymator PSD wyznacza si z xn stosujc instrukcje: Pxx=abs(fft(xn, 1024)).^2/1001; Powy|szy estymator jest nazywany periodogramem. Skalowanie kwadratu warto[ci bezwzgldnej z FFT przez kwadrat normy okna danych zastosowanego do sygnaBu (w tym wypadku okna prostoktnego o dBugo[ci 1001), gwarantuje to, |e estymator ten jest asymptotycznie nieobci|ony. To znaczy, |e je[li liczba próbek wzrasta, warto[ oczekiwana periodogramu przybli|a si do prawdziwej warto[ci PSD. Problemem przy estymacji PSD metod periodogramu jest fakt, |e jego wariancja jest du|a i nie maleje przy wzrastajcej liczbie próbek. Nastpne dwa przykBady pokazuj, |e pomimo wzrostu dBugo[ci analizowanego wektora, periodogram nie wygBadza si. Pxx_short=abs(fft(xn,256)).^2/256; subplot(2,1,1) plot((0:255)/256*Fs,10*log10(Pxx_short),'black') grid, title('Periodogram krótkiego sygnaBu') xlabel('Czstotliwo[ w Hz'), ylabel('Widmo mocy (dB)'); subplot(2,1,2), plot((0:1023)/1024*Fs,10*log10(Pxx),'black') grid, text(250,45,'Periodogram dBu|szego sygnaBu') xlabel('Czstotliwo[ w Hz'), ylabel('Widmo mocy (dB)'); Periodogram krótkiego sygnaBu 40 20 0 -20 -40 0 200 400 600 800 1000 Czstotliwo[ w Hz Periodogram dBu|szego sygnaBu 40 20 0 -20 -40 0 200 400 600 800 1000 Czstotliwo[ w Hz Rys. 1 Periodogramy dla sekwencji o ró|nych dBugo[ciach Redukcja wariancji estymatora PSD nastpuje przez podzielenie sygnaBu na nie nakBadajce si fragmenty oraz u[rednianie ich widm w dziedzinie czstotliwo[ci. subplot(1,1,1), Pxx=(abs(fft(xn(1:256))).^2+... abs(fft(xn(257:512))).^2+... abs(fft(xn(513:768))).^2)/(256*3); plot((0:255)/256*Fs,10*log10(Pxx),'black') grid, xlabel('Czstotliwo[ w Hz'), ylabel('Widmo mocy (dB)') title('U[redniony periodogram (fragmenty sygnaBu nie nakBadaj si)') U[redniony periodogram (fragmenty sygnaBu nie nakBadaj si) 25 20 15 10 5 0 -5 -10 0 200 400 600 800 1000 Czstotliwo[ w Hz Rys. 2 Periodogram u[redniony w nie nakBadajcych si przedziaBach Taki u[redniony estymator posiada jedn trzeci wariancji periodogramu o dBugo[ci 256, otrzymanego wcze[niej. U[redniajc wicej próbek, mo|na otrzyma w rezultacie ni|sz wariancj. DBugo[ sygnaBu ogranicza jednak|e liczb mo|liwych do utworzenia odcinków Widmo mocy (dB) Widmo mocy (dB) Widmo mocy (dB) (do 3 sekcji o dBugo[ci 256 w poprzednim przykBadzie). By uzyska wiksz ilo[ sekcji, dzielimy sygnaB na fragmenty nakBadajce si. Pxx=(abs(fft(xn(1:256))).^2+... abs(fft(xn(129:384))).^2+... abs(fft(xn(257:512))).^2+... abs(fft(xn(385:640))).^2+... abs(fft(xn(513:768))).^2+... abs(fft(xn(641:896))).^2)/(256*6); plot((0:255)/256*Fs,10*log10(Pxx),'black'),grid, xlabel('Czstotliwo[ w Hz'), ylabel('Widmo mocy (dB)') title('U[redniony periodogram (próbki nakBadaj si)') W tym wypadku odcinki s statystycznie zale|ne, co z kolei powoduje wzrost wariancji. Nale|y wic znalez kompromis pomidzy liczb fragmentów sygnaBu i stopniem ich nakBadania. U[redniony periodogram (próbki nakBadaj 25 si) 20 15 10 5 0 -5 -10 0 200 400 600 800 1000 Czstotliwo[ w Hz Rys. 3 Periodogram u[redniony w nakBadajcych si przedziaBach Inn drog do poprawienia wBasno[ci statystycznych estymatora periodogramu jest zastosowanie nieprostoktnego okna czasowego do wygBadzenia koDców analizowanych danych. W rezultacie otrzymujemy zmodyfikowany periodogram. Operacja ta redukuje efekt zale|no[ci nakBadajcych si sekcji, poniewa| okno zmniejsza amplitud do zera przy ich brzegach. Nieprostoktne okno czasowe zmniejsza poziom bocznych interferencji (lub  przecieku widma ), równocze[nie jednak powodujc wzrost szeroko[ci pr|ków widmowych. Z odpowiednim oknem czasowym (Hamminga, Hanninga lub Kaisera) oraz 50 procentowym nakBadaniem si analizowanych odcinków sygnaBu uzyskuje si estymator o znacznie zmniejszonej wariancji. Rezultat zastosowania okna Hanninga do analizowanego sygnaBu przedstawiono na rys. 4. W tym celu zrealizowano nastpujce funkcje: w=hanning(256)'; Pxx=(abs(fft(w.*xn(1:256))).^2+... abs(fft(w.*xn(129:384))).^2+... abs(fft(w.*xn(257:512))).^2+... abs(fft(w.*xn(385:640))).^2+... abs(fft(w.*xn(513:768))).^2+... abs(fft(w.*xn(641:896))).^2)/(norm(w)^2*6); plot((0:255)/256*Fs,10*log10(Pxx),'black') Widmo mocy (dB) grid, xlabel('Czstotliwo[ w Hz'), ylabel('Widmo mocy (dB)') title( Periodogram zmodyfikowany oknem Hanninga') Periodogram zmodyfikowany oknem Hanninga 25 20 15 10 5 0 -5 -10 0 200 400 600 800 1000 Czstotliwo[ w Hz Rys. 4 Periodogram zmodyfikowany oknem Hanninga Na rysunku 4 mo|na zauwa|y, |e pr|ki widma rozszerzyBy si, a poziom szumów wydaje si by mniejszy w porównaniu z poprzednimi wykresami. Przedstawione tutaj metody: u[redniania oraz zmodyfikowanego periodogramu nale| do metod opartych na algorytmie Welcha. Zawarte w przyborniku SPT funkcje psd i csd umo|liwiaj dobór odpowiednich parametrów analizy (dBugo[ FFT, rodzaj okna, szeroko[ nakBadania si próbek) w trakcie obliczeD PSD i CSD dla jednego lub dwóch sygnaBów przy pomocy metody Welcha. Obliczanie funkcji widmowej gsto[ci mocy za pomoc procedur SPT Funkcja psd u[rednia i skaluje zmodyfikowany periodogram z realizacji sygnaBu pozbawionych trendu. Jako argumenty funkcji nale|y wyszczególni parametry, które steruj wykonaniem algorytmu. Funkcja psd, obliczajc estymator PSD dla sekwencji xn u|ywa domy[lnie okna czasowego Hanninga oraz FFT o dBugo[ 256 próbek. Zadany cig jest dzielony na nienakBadajce si sekcje oraz jest usuwany trend. Pxx=psd(xn); Je[li oryginalna sekwencja wyra|ona jest w woltach V, Pxx posiada jednostk V2. Poni|ej zostaB powtórzony ostatni z podanych przykBadów. Do jego realizacji przyjto 128 jako liczb nakBadajcych si próbek oraz nie usunito trendu z sygnaBu. nfft=256; Fs=1000; window=hanning(256); noverlap=128; dflag='none'; Pxx=psd(xn,nfft,Fs,window,noverlap,dflag); Czstotliwo[ próbkowania zadawana jako jeden z parametrów, nie odgrywa wikszej roli w obliczeniach, pomaga jednak w skalowaniu osi czstotliwo[ci wykresu. Funkcja psd bez |adnych parametrów wyj[ciowych generuje wykres przedstawiony na rys 5. psd(xn,nfft,Fs,window,noverlap,dflag); xlabel('Czstotliwo[ Hz'), ylabel('Amplituda widmowa mocy (dB)') Widmo mocy (dB) 25 20 15 10 5 0 -5 -10 0 100 200 300 400 500 Czstotliwo[ Hz Rys. 5 Periodogram uzyskany w wyniku dziaBania funkcji psd Dostp do wektora, dla którego obliczana jest PSD, uzyskujemy dodajc drugi parametr wyj[ciowy. Wektor ten jest u|yteczny podczas nieautomatycznego wykonywania wykresu PSD. [Pxx,f]=psd(xn, Fs, 256, noverlap, dflag); plot(f,10*log10(Pxx)) Dla rzeczywistego sygnaBu xn, psd oblicza widmowe gsto[ci mocy jedynie dla czstotliwo[ci od 0 do czstotliwo[ci Nyquista. We wcze[niejszych przykBadach, w których estymator PSD byB generowany przy pomocy FFT, zakres czstotliwo[ci zawieraB si w granicach od 0 do czstotliwo[ci próbkowania. Obci|enie i normalizacja Analizujc przedstawione powy|ej wyniki obliczeD funkcji psd, mo|na zauwa|y kilka charakterystycznych cech analizowanego sygnaBu xn. Poziom szumów jest maBy, oscyluje wokóB zera decybeli (dB) i z zaBo|enia jest to biaBy szum o wariancji 1. Ponadto moc sygnaBu xn jest skoncentrowana w dwóch pr|kach o czstotliwo[ciach 50 i 120 Hz. Pr|ek o czstotliwo[ci 50 Hz jest 6 dB poni|ej pr|ka o czstotliwo[ci 120 Hz. Na tej podstawie mo|na stwierdzi, |e sinusoida o wy|szej czstotliwo[ci posiada dwukrotnie wiksz amplitud (106/20=2.0). Niestety na podstawie rzeczywistej wysoko[ci pr|ków nie mo|na wiele powiedzie o oryginalnej amplitudzie sinusoid bez dokonania dodatkowych analiz. W celu uzyskania u|ytecznych informacji o amplitudzie pr|ków badanych sinusoid, trzeba zauwa|y, |e warto[ oczekiwana estymatora PSD jest okre[lana wzorem: À )ð 1 2 E{Pxx (É )} = ( 6 ) xx 2 +"P (¸ ) W(É - ¸ ) d¸ 2À w - À Wielko[ ta, jest splotem warto[ci PSD z podniesion do kwadratu warto[ci bezwzgldn dyskretnej transformaty Fouriera zastosowanego okna W(É), podzielony przez kwadrat jego normy. Wielko[ skalujca (norma okna) jest sum kwadratów wspóBczynników funkcji okna: 2 w = w(n)2 ( 7 ) " Równanie (6) wskazuje na fakt, |e je[li P (É) posiada pr|ek o wysoko[ci 1 przy okre[lonej xx 2 2 W(0) / w czstotliwo[ci É , to estymator bdzie w przybli|eniu przyjmowaB warto[ dla 0 tej czstotliwo[ci. Tak wic, by uzyska estymator amplitudy oryginalnych pr|ków, nale|y pomno|y wynik dziaBania funkcji psd przez norm2(w)/sum2(w), gdzie w jest wektorem okna. Amplituda widmowa mocy (dB) Wynika to z twierdzenia Parsevala i| sum2(w)=sum2(W). Skalowanie jest niezale|ne od dBugo[ci i ksztaBtu okna. PrzykBadowo: w1=hanning(256); w2=hanning(500); [Pxx1,f1]=psd(xn,256,Fs,w1,128,'none'); [Pxx2,f2]=psd(xn,1024,Fs,w2,250,'none'); subplot(2,1,1), plot(f1,10*log10(Pxx1*norm(w1)^2/sum(w1)^2),... 'black'),grid, subplot(2,1,2), plot(f2,10*log10(Pxx2*norm(w2)^2/sum(w2)^2),... 'black'),grid Na obydwu wykresach (rys. 6), które pokazuj widma jedynie dla dodatnich czstotliwo[ci (czstotliwo[ci ujemne s takie same), pr|ek dla wy|szej czstotliwo[ci posiada warto[ 0 dB, a dla ni|szej -6 dB. Amplituda sinusoidy o czstotliwo[ci 120 Hz, 0 dB, odpowiada kwadratowi amplitudy równemu 1. Wynika to z faktu, i| sinusoida o amplitudzie równej 2 posiada widmo z dwoma eksponencjalnymi skBadnikami o amplitudzie 1, dla dodatnich i ujemnych czstotliwo[ci. Podobnie, sinusoida o czstotliwo[ci 50 Hz posiada dwa skBadniki czstotliwo[ci, dodatni i ujemny, równe kwadratom amplitudy (1/2)2 lub 10log10(0.25)= -6 dB. Nale|y równie| zauwa|y, |e drugi wykres posiada nieznacznie ni|szy poziom szumu, bdcy wynikiem wikszej dBugo[ci okna. 0 - 1 0 - 2 0 - 3 0 - 4 0 0 1 0 0 2 0 0 3 0 0 4 0 0 5 0 0 0 - 1 0 - 2 0 - 3 0 - 4 0 0 1 0 0 2 0 0 3 0 0 4 0 0 5 0 0 Rys. 6 Przeskalowane periodogramy Zwizek Parsevala CaBka z PSD, obliczona dla caBego pasma czstotliwo[ci, jest miar caBkowitej energii sygnaBu. Za pomoc obliczenia funkcji psd mo|na w przybli|eniu sprawdzi t zale|no[ (zgodno[ obliczeD energii w dziedzinie czasu i czstotliwo[ci) dla danego sygnaBu: [Pxx,f]=psd(xn,256,Fs,256,128,'none'); format long sum(xn.^2)/length(xn) " ans = " 3.60376766505040 sum(Pxx)/length(Pxx) " ans = " 3.68430077838700 Obliczenie procentowej zawarto[ci energii w sygnale w danym pa[mie czstotliwo[ci, wymaga zsumowania estymatora PSD jedynie dla wybranych pr|ków widma. Tak wic procentow energi sygnaBu xn w pa[mie od 40 do 60 Hz wyznacza si stosujc sekwencje instrukcji Matlaba: ind=find(f>40&f<60) " ind = " 12 " 13 " 14 " 15 " 16 sum(Pxx(ind))/sum(Pxx) " ans = " 0.13369450463404 Obliczenie funkcji wzajemnej gsto[ci widmowej Estymujc, przy pomocy metody Welcha, wzajemn gsto[ widmow dwóch sygnaBów o równej dBugo[ci x i y, funkcja csd oblicza periodogram jako iloczyn FFT z x oraz warto[ci sprz|onej do wyniku FFT z y. Przetwarzanie sygnaBów przy pomocy funkcji csd (a wic: dzielenie na próbki, usuwanie trendu, stosowanie okien) odbywa si w ten sam sposób, jak dla funkcji psd. Pxy=csd(x,y,nfft,window,nowerlap,dflag); PrzedziaBy ufno[ci Za pomoc funkcji psd i csd mo|na oblicza przedziaBy ufno[ci dla estymatorów gsto[ci widmowych. Mo|na wprowadzi jako argument wej[ciowy parametr p, który podaje przedziaB ufno[ci (w procentach). [Pxx,Pxxc,f]=psd(x,nfft,Fs,window,noverlap,... p,dflag); [Pxy,Pxyc,f]=csd(x,y,nfft,Fs,window,noverlap,... p,dflag); Parametr p musi by wielko[ci skalarn zawart w granicach od 0 do 1. Funkcje zakBadaj normalny rozkBad periodogramu z nienakBadajcymi si próbkami. Je[li te zaBo|enia s speBnione, wtedy pÅ"100% jest prawdopodobieDstwem, |e w przedziale[Pxx- Pxxc(:,1), Pxx+Pxxc(:,2)] zawiera si rzeczywista warto[ PSD. Je[li próbki nakBadaj si, przedziaB ufno[ci nie jest wyznaczony poprawnie, a funkcja wy[wietla ostrze|enie. Innym rozwizaniem jest przyjcie zaBo|enia, |e periodogramy posiadaj rozkBad chi kwadrat. Je[li dostpny jest przybornik Statistics Toolbox, mo|na obliczy poziom ufno[ci pÅ"100% dla tak przyjtego rozkBadu, stosujc nastpujce funkcje: k=fix((length(x)-noverlap)/(length(window)-noverlap)); alfa=1-p; confid=2*k*Pxx*(1./chi2inv([1-alfa/2 alfa/2],2*k)); gdzie k jest liczb sekcji u|ytych do obliczenia estymatora PSD, za[ confid jest dwukolumnow macierz, skBadajc si z górnych i dolnych zakresów ufno[ci. Wówczas mamy pÅ"100%-owe prawdopodobieDstwo, |e poziom ufno[ci [Pxx - confid(:,1) Pxx+confid(:,2)] zawiera rzeczywist PSD. Ten poziom ufno[ci jest wiarygodny jedynie, gdy sekcje nie pokrywaj si. Estymator funkcji przej[cia Jednym z zastosowaD metody Welcha jest identyfikacja modeli funkcjonalnych. Jednym z tego rodzaju modeli jest funkcja przej[cia ukBadu. ZakBada si, |e badany obiekt H jest ukBadem liniowym o staBych wspóBczynnikach, oraz x(n) i y(n) s odpowiednio jego wej[ciem i wyj[ciem. Wtedy prawdziwa jest zale|no[: Pxy (É ) = H(É )Pxx (É ) ( 8 ) gdzie H jest widmow funkcj przej[cia. Znajc sygnaBy x(n) i y(n) mo|na zdefiniowa estymator funkcji przej[cia ukBadu jako: Æ Pxy (É ) $(É ) = ( 9 ) Æ Pxx (É ) Metoda ta pozwala na estymacj zarówno amplitudy jak i fazy sygnaBu. Funkcja fte wykorzystuje metod Welcha do obliczenia CSD i PSD, a nastpnie formuje ich iloraz w celu estymowania funkcji przej[cia. Funkcja tfe posiada tak sam skBadni jak funkcja csd. W poni|szym programie przefiltrowano sygnaB xn przy pomocy filtru FIR, a nastpnie wyznaczono charakterystyk amplitudowo-czstotliwo[ciow oraz estymowan funkcj przej[cia: h=ones(1,10)/10; yn=filter(h,1,xn); [Hest,f]=tfe(xn,yn,256,Fs,256,128,'none'); H=freqz(h,1,f,Fs); subplot(2,1,1), plot(f,abs(H),'black') title('Rzeczywista amplituda funkcji przej[cia') xlabel('Czstotliwo[ w Hz') subplot(2,1,2), plot(f,abs(Hest),'black') text(110,1.08,'Estymata amplitudy funkcji przej[cia') xlabel('Czstotliwo[ w Hz') Funkcja koherencji Funkcja koherencji okre[la zwizek pomidzy dwoma sygnaBami w dziedzinie czstotliwo[ci. Kwadrat moduBu koherencji pomidzy sygnaBami x(n) i y(n) wyznacza si ze wzoru: 2 Pxy (É ) ( 10 ) Cxy (É ) = Pxx (É )Pyy (É ) Iloraz ten jest liczb rzeczywist z przedziaBy [0,1] i jest miar korelacji pomidzy sygnaBami x(n) i y(n) dla danej czstotliwo[ci É. Funkcja cohere dla zadanych cigów próbek x i y oblicza PSD i CSD, a nastpnie iloraz kwadratu warto[ci bezwzgldnej CSD przez iloczyn PSD dla x i y. Jej parametry i sposób dziaBania jest podobny do funkcji csd i tfe. Funkcj koherencji pomidzy cigiem wej[ciowym xn i wyj[ciowym yn filtru rozwa|anego w poprzednim rozdziale wyznaczono za pomoc sekwencji instrukcji: Rzeczywista amplituda funkcji przej[cia 1 0.5 0 0 100 200 300 400 500 Czstotliwo[ w Hz Estymata amplitudy funkcji przej[cia 1 0.5 0 0 100 200 300 400 500 Czstotliwo[ w Hz Rys. 7 Charakterystyki amplitudowo-czstotliwo[ciowe zadanej i estymowanej funkcji przej[cia filtru clf, cohere(xn,yn,256,Fs,256,128,'none') title('Funkcja koherencji') Funkcja koherencji 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 100 200 300 400 500 Czstotliwo[ Rys. 8 Przebieg funkcji koherencji Dla sygnaBów z poprzedniego przykBadu koherencja obliczona za pomoc funkcji cohere wynosi 1. Uwaga W obecnych wersjach toolboxu Signal Processing przepisano funkcje obliczajcych estymatory dziaBajce w dziedzinie czstotliwo[ci. W chwili obecnej zmiennie mog by stosowane funkcje: Estymator funkcji koherencji  do obliczania gsto[ci widmowej mocy:  [Pxx,f] = psd(xn,nfft,Fs,window,noverlap,dflag);  [Pxx,f] = pwelch(xn,window,noverlap,nfft,Fs);  do obliczania wzajemnej gsto[ci widmowej  [Pxx,f] = csd(xn,yn,nfft,Fs,window,noverlap,dflag)  [Pxx,f] = cpsd(xn,yn,window,noverlap,nfft,Fs);  do obliczania widmowej funkcji przej[cia:  [Pxx,f] = tfe(xn,yn,nfft,Fs,window,noverlap,dflag)  [Pxx,f] = tfestimate(xn,yn,window,noverlap,nfft,Fs);  do obliczania funkcji koherencji:  [Pxx,f] = cohere(xn,yn,nfft,Fs,window,noverlap,dflag)  [Pxx,f] = mscohere(xn,yn,window,noverlap,nfft,Fs); Zadania do wykonania 1. Wykona symulacj ukBadu testowanego o dwóch stopniach swobody dla parametrów ustalonych w trakcie zaj z modelowania. Zarejestruj sygnaBy testowe w postaci przebiegów wymuszajcych oraz sygnaBów odpowiedzi dla poszczególnych stopni swobody. SygnaBy odpowiedzi powinny by w postaci wektorów przemieszczeD, prdko[ci i przyspieszeD o odpowiedniej dBugo[ci. Dane: M = 10, M = 7, C = 0.7, C = 0.9, C = 0.7, K = 120, K = 200, K = 170 1 2 1 2 3 1 2 3 2. Dla zapisanych danych dokonaj wyznaczenia estymatorów gsto[ci widmowych mocy, widmowych funkcji przej[cia oraz funkcji koherencji. Aby estymatory miaBy znaczenie statystyczne konieczna jest praca z przebiegami o odpowiedniej dBugo[ci. Wykonaj niezale|nego wyznaczenia stosownych estymatorów bazujc na sygnale wymuszajcym oraz: " sygnaBach przyspieszeD " sygnaBach prdko[ci " sygnaBach przemieszczeD. 3. Porównaj wykonujc stosowne wykresy wyniki estymacji uzyskane w punkcie 2. Skomentuj wyniki eksperymentu. 4. Powtórz zadania 2 i 3 dodajc do symulacyjnych danych wyj[ciowych szum o amplitudach na poziomie 10% i 20% sygnaBu.

Wyszukiwarka

Podobne podstrony:
02 JTPWyjatki Klonowanie Identycznosc Rodzaje
Identyfikacja leśnych siedlisk przyrodniczych NATURA 2000 na przykładzie Nadleśnictwa Oleśnica Śląsk
Identyfikacja zwiazkow organicznych
antropologia identyfikacja płci
Wyklad 7 Nieparametryczne metody statystyczne PL [tryb zgodności]
7 hipotezy nieparametryczne
7 30 marca 2011 Identyfikacja bakterii
MP 8 hipot nieparam 1
Identyfikacja stanowiska szkieletowego
Ustawa o zasadach ewidencji i identyfikacji podatnikow i platnikow
Rola badań czynności krtani w identyfikacji mówców
Identyfikacja genetyczna ofiary postrzału po czterech latach od zgonu

więcej podobnych podstron