Каталог :: Радиоэлектроника

Диплом: Оценка амплитуды и фазы гармонического сигнала

                      МИНИСТЕРСТВО  ОБРАЗОВАНИЯ РОССИЙСКОЙ                      
                                    ФЕДЕРАЦИИ                                    
                      КАЗАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ                      
                              ФИЗИЧЕСКИЙ ФАКУЛЬТЕТ                              
                               КАФЕДРА РАДИОФИЗИКИ                               
                                  специализация                                  
                    ЭВМ и АВТОМАТИЗАЦИЯ НАУЧНЫХ ИССЛЕДОВАНИЙ                    
ОЦЕНКА АМПЛИТУДЫ И ФАЗЫ ГАРМОНИЧЕСКОГО СИГНАЛА, НАБЛЮДАЕМОГО ЗА ВРЕМЯ,
СОИЗМЕРИМОЕ С ЕГО ПЕРИОДОМ,
                              НА ФОНЕ БЕЛОГО ШУМА.                              
                                Дипломная работа                                
Научный руководитель:
Доцент
Нугманов И. С.
Исполнитель: студентка гр. 675
Барская А. С.
     
     
Содержание
     
Введение.

3

Глава 1. Оценка параметров сигнала на фоне помех.

5

1.1. Описание сигнала и помехи.

5

1.2. Методы оценок параметров сигнала.

8

1.3. Характеристики оценок.

11

Глава 2.Оценки параметров сигнала по методу максимума функционала

правдоподобия.

14

2.1. Общая теория метода.

14

2.2. Совместные оценки амплитуды и фазы гармонического сигнала.

16

2.3. Оценки амплитуды и фазы гармонического сигнала на фоне белого

шума при целом значении Tn / T0.

18

Глава 3. Оценки амплитуды и фазы гармонического сигнала на фоне

белого шума при Tn, соизмеримом с T0.

19

3.1. Вывод формул для оценок амплитуды и фазы сигнала.

19

3.2. Совместная плотность распределения оценок амплитуды и фазы.

23

3.3. Математическое ожидание и дисперсия оценок параметров.

30

Глава 4. Моделирование процесса. Результаты моделирования.

34

4.1.Модель нормального белого шума.

34

4.2 Сумма гармонического сигнала и шума.

36

4.3 Процедура оценки амплитуды и фазы, расчет мат. ожидания и

дисперсии оцененных параметров.

37

Заключение.

43

Литература.

44

Приложения.

45

Введение. Передача информации по каналам связи, радиолокация, радионавигация, физические эксперименты и т.д. связаны с проблемой измерения и определения параметров сигналов, несущих информацию об исследуемом объекте. Информация может быть заключена в амплитуде сигнала, частоте, фазе, времени задержки и т.д. Во всех этих случаях необходимо определить с некоторой погрешностью истинное значение измеряемого параметра. Тем более что сигнал, несущий информацию, подвержен воздействию помех. Поэтому алгоритмы, по которым обрабатываются сигналы, должны учитывать случайный характер этих сигналов. В связи с этим была развита математическая теория обработки сигналов, основанная на теории вероятностей, теории случайных процессов и математической статистики. Теоретические разработки позволили определить понятие оптимальной обработки сигналов, т.е. качественные и количественные показатели сигналов, а также методы их обработки. Данная работа посвящена выводу формул для расчета оценок амплитуды и фазы гармонического сигнала с известной частотой, искаженного нормальным белым шумом. Сигнал наблюдается за время Tn, соизмеримое с его периодом T0 . · В первой главе дипломной работы вводятся необходимые термины и основные положения теории обработки сигнала. Приведен краткий обзор методов оценки параметров сигнала на фоне помех. · Во второй главе подробно описано оценивание амплитуды и фазы по методу максимума функционала правдоподобия, когда время наблюдения много больше периода исследуемого сигнала. · В третьей главе непосредственно решается поставленная в дипломе задача. Используя метод максимума функционала правдоподобия, получены формулы для оценки амплитуды и фазы гармонического сигнала, искаженного белым нормальным шумом, при условии, что время наблюдения соизмеримо с периодом сигнала. Далее выводится формула для совместного распределения оценок и проводится анализ мат. ожидания и дисперсии оценок амплитуды и фазы сигнала. · Четвертая глава посвящена моделированию процесса и проверке полученных в третьей главе формул с использованием результатов моделирования. Глава 1. Оценка параметров сигнала на фоне помех. 1.1 Описание сигнала и помехи. Сигнал описывается некоторой функцией времени и содержит параметры , которые несут информацию об изучаемом объекте. В частности, если имеем гармонический сигнал, то , где частота, фаза , амплитуда, могут соответствовать определенным состояниям физического объекта. Параметры могут быть как случайными, так и детерминированными. Если параметры случайны, то экспериментатору может быть известно совместное распределение значений параметров, или совместная плотность, при непрерывных значениях параметров или совместная вероятность при дискретных значениях параметров . Иногда при приеме сигналов распределение значений параметров неизвестно, т.е. априорная информация о параметрах отсутствует. В реальности на приемник поступает искаженный сигнал в результате воздействия на него помех. Согласно классификации [2] помехи могут быть мультипликативными и аддитивными. Аддитивная помеха n(t) алгебраически складывается с сигналом S(t,λ), т. е. сигнал, фиксируемый экспериментатором, представляет собой ξ(t)=S(t, λ)+n(t) 0 ≤ t ≤ Tn. (1.1.1) Помеха n(t) представляет собой случайный процесс, вероятностные характеристики которого известны экспериментатору. На практике наиболее часто встречается помеха n(t) в виде нормального белого шума, т.е. одномерная плотность распределения значений помехи в любой момент времени подчиняется нормальному закону , (1.1.2) с математическим ожиданием M[n(t)]=0 и дисперсией. Спектральная плотность белого шума постоянна на всём диапазоне частот: , а корреляционная функция равна Если измерение происходит в фиксированные моменты времени с постоянным интервалом между отсчётами, то в результате на входе обрабатывающего устройства будут зафиксированы величины , где (1.1.3) , , . Выражения , , - представляют собой средние значения соответствующих величин на интервале . Определим величину для как . (1.1.4) Многомерная плотность распределения шума n(t) имеет вид (1.1.5) Рассмотрим распределение случайной величины , которая является функцией и . Из формулы (1.1.3) получим =-. Используя плотность распределения (1.1.2) для одномерного случая или (1.1.5) для многомерного случая, и зная, что якобиан преобразования равен 1, получим условную плотность распределения выборочных значений y1.ym случайных величин. . (1.1.6) Если в (1.1.6) устремим интервал дискретизации к нулю, то получим функционал правдоподобия: (1.1.7) Константа С1 не зависит от λ и согласно [4] ограничена, т.е. . Положим, известна совместная плотность f(y(ti),λ) распределения выборочных значений и параметров. Согласно теореме умножения вероятностей получим соотношение (1.1.8) Величины, входящие в выражение (1.1.8) имеют следующий смысл.

-безусловная плотность распределения выборочного значения y(ti) случайной величины ξ(ti).

-условная плотность распределения параметров λ, если известна величина y(ti) : или апостериорная плотность распределения

-безусловная плотность распределения параметров.

- условная плотность распределения выборочного значения y(ti), рассматриваемая как функция λ и называется функцией правдоподобия.

1.2 Методы оценок параметров сигналов. Результаты измерений y(t1),y(t2),.,y(tn ) образуют выборку у12,.,уn, зависящую от истинного значения параметра λ. Любая функция Θ(у12,.,уn) от выборочных значений называется статистикой. Функция Θ(у12,.,уn) вводится субъективно и определяется экспериментатором. Те значения параметра λ, которые получаются в результате той или иной статистики Θ(у12,.,уn) называются оценкой параметра λ [4].Для непрерывной функции y(t), будем иметь функционал . Ввиду того, что выбор функции Θ(у12,.,уn ) субъективен, то существуют различные методы оценки параметров λ. Эти методы определяются экспериментатором в зависимости от существующих сведений о параметре λ и желательных свойств оценок . Из формулы (1.1.8) видно, что параметр λ входит в соответствующие плотности распределения. И в зависимости от используемого распределения получим тот или иной метод оценки параметра распределения. Наиболее распространены следующие методы оценки. 1. Оценка по минимуму среднеквадратичной погрешности. 2. Оценка по максимуму апостериорной вероятности. 3. Оценка по максимуму функции правдоподобия. 4. Оценка по критерию Байеса. 1. При оценке по минимуму среднеквадратичной погрешности минимизируется выражение: (1.2.1.) Для получения оценки необходимо взять первую производную от (1.2.1.) по и, приравняв ее к нулю, решить конкретную систему. Если вторая производная от (1.2.1) по больше нуля, то полученные значения обеспечивают минимум (1.2.1). Для одномерной величины в качестве оценки получим Θ(y(t))== (1.2.2) 2. Положим, апостериорная плотность распределения является одномодальной функцией и имеет максимум при истинном значении параметра λm. Если в качестве критерия взять оценку m, обращающую в максимум апостериорную плотность распределения, то такой метод оценки называется методом максимальной апостериорной вероятности. Преобразуя формулу (1.1.8) получим = (1.2.3) m: max или Для упрощения вычислений используют логарифм апостериорной плотности распределения т.к. логарифм монотонно возрастающая и однозначная функция своего аргумента. Тогда имеем (1.2.4) 3. Если апостериорная плотность распределения неизвестна, то экспериментатору приходиться довольствоваться той информацией, которая заключена в реализации y(t). В качестве оценки принимается величина , максимизирующая функционал правдоподобия. Это будет наиболее вероятное значение параметра λ. или (1.2.5) Как видно из формул (1.2.3)-(1.2.5) при равномерном распределении параметра λ методы максимизации апостериорной вероятности и максимума правдоподобия идентичны. 4. Наиболее общим критичным является критерий Байеса. Положим, за уклонение оценки от истинного значения λ вводится некоторая функция потерь с(λ, ). Эта функция с(λ, ) должна достигать минимума когда = λ и возрастать с увеличением разности |λ­– |. вводится эта функция субъективно и в литературе приведены примеры с(λ, )= (λ­–)2; с(λ, )=a0-δ(λ­–), где a0– произвольная постоянная δ(х) – дельта-функция. Средние потери при зафиксированной реализации y(t) и оценки будут иметь вид (1.2.6) полные потери или средний риск вычисляется по формуле (1.2.7) где апостериорная плотность распределения вычисляется по формуле (1.2.3) Оценка минимизирующая средний риск R( ), называется байесовской оценкой. Из формулы (1.2.7) видно, что достаточно минимизировать условный риск (1.2.6) (1.2.8) В зависимости от функции потерь с(λ, ) будем иметь различные методы оценки параметра удовлетворяющие (1.2.8) На практике наиболее часто применяют метод максимума апостериорной вероятности и метод максимума правдоподобия. 1.3 Характеристики оценок Ввиду того, что оценка является функцией выборочных значений y(t), она будет случайной величиной. Введём понятия, которые характеризуют практическую ценность оценки. =Q(y(t)) [4] 1. Несмещённость оценки. Оценка называется несмещённой, если математическое ожидание оценки равно истинному значению параметра т.е. М = λ (1.3.1) Как видно для несмещённой оценки формула (1.3.1) выполняется при произвольном Т n. Однако на практике при конечном времени наблюдения Тn условие (1.3.1) нарушается и выполняется при Тn → ∞. О такой оценке говорят, что она асимптотически несмещённая. Если формула (1.3.1) нарушается, то появляется смещение. ∆= М– λ (1.3.2) Величину погрешности при оценке параметра характеризуют среднеквадратическим отклонением оценки от истинного значения ε2= М( – λ)2 (1.2.3) и дисперсией оценки = М( –М)2 (1.3.4) используя (1.3.2) , (1.3.4) получим ε2=+ ∆2 (1.3.5) Как видно из формулы (1.3.5) для уменьшения погрешности оценки ε2 необходимо получить несмещённую оценку (∆=0) и уменьшить дисперсию оценки 2. Состоятельность оценки. Эта характеристика зависит от числа экспериментальных данных при дискретной выборке или времени наблюдения Тn , при непрерывной реализации случайного сигнала y(t). Оценка параметра будет состоятельной, если она сходиться по вероятности к оцениваемому параметру, т.е. =0 (1.3.6) Согласно неравенству Чебышева (1.3.7) но = М( –λ)2 (1.3.8) Если дисперсия стремится к нулю с увеличением времени наблюдения Тn, то условие сходимости по вероятности будет выполняться, т.е., если выполняется сходимость в среднеквадратическом, то выполнятся сходимость по вероятности, и оценка будет состоятельной. 3. Эффективность оценки. Различные функции дают оценки с различными дисперсиями и смещениями ∆, поэтому желательно выбирать функцию таким образом, чтобы погрешность ε2 была бы наименьшей. Рао и Крамер [7] доказали, что дисперсия оценки не может быть меньше некоторой величины , (1.3.9) где - математическое ожидание оценки. Если оценка несмещенная, то . 4. Достаточность оценки. Оценка называется достаточной (достаточная статистика), если совместную плотность распределения можно представить в виде , где функция не зависит от , а вся информация о параметре содержится в cтатистике. Необходимым условием существования достаточной статистики (достаточной оценки) является возможность представления совместного распределения в виде: , Из двух предыдущих пунктов следует, что если оценка эффективная, то она будет достаточной. Обратное не всегда верно. Иногда трудно бывает найти эффективную оценку, хотя она является достаточной. Среди всех методов оценки параметров метод максимального правдоподобия обладает рядом достоинств [4] 1. В случае оценки одного параметра оценка наибольшего правдоподобия оказывается всегда состоятельной. 2. При большом времени наблюдения распределение оценки является приближено нормальным, с центром в точке λ и дисперсией , определяемой формулой (2.3.9) , т.е. оценка является асимптотически эффективной. 3. Если оценка является эффективной, то решение уравнения правдоподобия (2.2.5) является единственным. 4. Оценка является достаточной статистикой, т.е. метод наибольшего правдоподобия использует всю информацию о параметре, содержащейся в реализации y(t).

Глава 2. Оценки параметров сигнала

по методу максимума функционала правдоподобия . 2.1. Общая теория метода. [3]

Предположим, y(t) – наблюдаемая на интервале (0,Tn) реализация процесса, представляющая сумму нормального случайного процесса n(t) c нулевым средним и известной корреляционной функцией Bn(t,u) и детерминированного процесса s(t;λ1,.λm), зависящего от неизвестного векторного параметра λ=(λ1,.λ m). Нужно оценить неизвестные параметры детерминированного слагаемого по критерию максимального правдоподобия.

Запишем логарифм функционала отношения правдоподобия: , (2.1.1) где V(t;λ) – решение неоднородного линейного интегрального уравнения , . (2.1.2) Частные производные по параметрам от логарифма функционала отношения правдоподобия равны , i=1,.,m. (2.1.3) Из этого непосредственно получаем систему уравнения максимального правдоподобия , i=1,.,m. (2.1.4) Решая систему уравнений относительно неизвестных λ1,.,λ m, можно найти оценки максимального правдоподобия параметров . Если процесс n(t) представляет белый шум со спектральной плотностью N0 /2, то из (2.1.2 ) следует, что , (2.1.5) и система (2.1.4 ) значительно упрощается: , i=1,.,m. (2.1.6) Предположим теперь, что функция s(t;λ1,.,λm) может быть представлена в виде , (2.1.7) где sj(t), j=1,.,m,–известные функции. Найдем совместные оценки максимального правдоподобия параметров λ1 ,.,λm. Подставляя (2.1.7) в правую часть (2.1.2) , заменим интегральное уравнение (2.1.2) системой уравнений , , i=1,.,m (2.1.8) причем функция V(t;λ1,.,λm), от которой зависит функционал отношения правдоподобия, равна . (2.1.9) Из (2.1.9) находим (2.1.10) и, подставляя (2.1.10) в (2.1.4) получаем систему уравнений максимального правдоподобия , i=1,..,m, (2.1.11) или , i= 1,.,m. (2.1.12) Введем обозначения , (2.1.13) (2.1.14) и представим систему линейных уравнений (2.1.12) в виде , i=1,.,m (2.1.15) или в матричной форме STλ=YT (2.1.16) Где ST матрица размером m m, элементы которой равны sTij , а λ и YT – векторы-столбцы, элементы которых λi и yTi соответственно. Полагая, что для всех j и что Bn(t,u) – положительно определенная функция, приходим к заключению, что существует матрица матрице sT. Тогда решение уравнения (2.16) приводит к следующим оценкам максимального правдоподобия неизвестных параметров: . (2.1.17) Если случайная составляющая наблюдаемого процесса представляет белый шум с интенсивностью N0 , то из (2.1.8) следует, что N0Vi(t)=si(t), i=1,.,m, И, следовательно, матрицы ST и XT преобразуются к виду , i,j=1,.,m (2.1.18) , i=1,.,m. (2.1.19) 2.2 Совместные оценки амплитуды и фазы гармонического сигнала. Пусть сигнал s(t;λ) – гармонический с известной частотой ω 0 и неизвестными амплитудой A и фазой φ : s(t; λ1, λ2)=Acos(ω0t – φ)= A cosφ cosω0t + A sinφ sinω0 t (2.2.0) и, следовательно [см. (2.1.7)], λ1=A cos φ, λ2=A sin φ, (2.2.1) s1(t)=cos ω0t, s2(t)=sin ω0 t. (2.2.2) Выписываем элементы вектора XT и матрицы sT: , , (2.2.3) , , (2.2.4) , , (2.2.5) где V1(t) и V2(t) представляют решения интегральных уравнений , t Tn, (2.2.6) , t Tn (2.2.7) и Bn(t,u) – корреляционная функция аддитивного, нормального случайного процесса. Подставляя (2.2.3), (2.2.4), (2.2.5) в (2.2.6) и решая систему двух линейных относительно λ1 и λ2 уравнений, получаем оценки максимального правдоподобия этих параметров , (2.2.8) , (2.2.9) где . (2.2.10) 2.3 Оценки амплитуды и фазы гармонического сигнала, при целом отношение Tn/ T0 . Если случайная составляющая наблюдаемого процесса представляет белый шум с интенсивностью N0, то из (26), (27) следует (2.3.1) (2.3.2) Подставляя (2.3.2) в (2.2.8) и (2.2.9) и полагая ω0Тn = =2πk, где k =– целое число, находим после простых вычислений (2.3.3) Оценки максимального правдоподобия (33) параметров λ1 и λ 2 могут быть использованы для получения оценок амплитуды и фазы: (2.3.4) (2.3.5) , , . (2.3.5’) Из формул (2.2.8) и (2.2.9) видно, что оценки некоррелированы, а, следовательно, и независимы, т.к. распределение каждой из этих случайных величин нормальное. Дисперсии этих оценок равны между собой: . (2.3.6) Средние значения этих оценок в силу их несмещенности равны , . (2.3.7) Оценки и получены при условии, что k является целым числом. Далее решается одна из задач данной дипломной работы, а именно, вывод формул оценок амплитуды и фазы при любом значении k. Итак, получены формулы для оценки амплитуды и фазы гармонического сигнала, и в дальнейшем будем называть их классическими. Глава 3. Оценки амплитуды и фазы гармонического сигнала на фоне белого шума при Tn соизмеримом с T0. Перейдем к проблеме совместной оценки амплитуды и фазы гармонического сигнала на фоне белого шума при соизмеримых величинах времени наблюдения и периода сигнала. При этом предположении желательно знать алгоритм обработки сигналов, совместное распределение оценок амплитуды и фазы, математическое ожидание оценок амплитуды и фазы, а также их дисперсии. 3.1. Вывод формул для оценок амплитуды и фазы сигнала. Положим, сигнал s (t, A, φ) = A Cos (ω0t - φ ) с известной частотой ω0 = 2 π/ T0 , с постоянными, но неизвестными амплитудой а и фазой φ и нормальный белый шум n(t) со спектральной плотностью N0 на интервале частот ω ≥ 0 независимы и аддитивны. На интервале наблюдения (0, Tn) регистрируется реализация y(t) = s(t) + x(t). В качестве критерия определения оценок амплитуды и фазы выберем критерий максимума функционала правдоподобия , (3.1.1) где параметр С - не содержит информации об амплитуде и фазе. Поскольку экспоненциальная функция монотонна относительно своего аргумента, можно перейти к логарифму функционала правдоподобия. (3.1.2) Продифференцировав логарифм функционала правдоподобия, получим систему уравнений, (3.1.3) Решением этой системы будет оценка амплитуды и, в зависимости от способа преобразования, оценка синуса или косинуса фазы. После упрощения уравнений системы получим: (3.1.4) где использованы следующие обозначения: (3.1.5) (3.1.6) (3.1.7) (3.1.8) (3.1.9) (3.1.10) ,, (3.1.11) , . (3.1.12) Система (3.1.4) имеет два решения {A1,z1}, {A2,z2}: , (3.1.13) . (3.1.14) Если на определенном этапе вместо замены (3.1.11) и (3.1.12) использовать следующие замены , , (3.1.15) , , (3.1.16) то система (3.1.4) после упрощения примет вид , (3.1.17) Она также имеет два решения {A1, x1} и {A2, x2} , (3.1.18) , (3.1.19) Выясним, какой вид примут формулы в предельном случае: при Tn , к , а также при k =n*0.5, где n – целое число, как видно из (10) g1 и g2, тогда полученные формулы (3.1.13), (3.1.14), (3.1.18) и (3.1.19) преобразуются к виду: (3.1.20) , . (3.1.21) Видно, что оценки равны классическим формулам (2.3.5),(2.3.5’) точностью до обозначений. Следовательно, можно записать окончательное решение. Оценка амплитуды и синуса и косинуса фазы сигнала при Tn~T0: (3.1.22) 3.2. Совместная плотность распределения оценок амплитуды и фазы исследуемого сигнала. Будем считать, что выборочные значения шума распределены по нормальному закону с математическим ожиданием, равным нулю и дисперсией . Ввиду нормального закона выборочных значений шума, случайные величины qcn и qsn также распределены по нормальному закону со своими математическими ожиданиями, дисперсиями и коэффициентом корреляции. ==, (3.2.1) ==, (3.2.2) ==, (3.2.3) ==, (3.2.4) . (3.2.5) Пользуясь известной формулой для плотности вероятности совокупности нормальных величин [4] запишем совместную плотность распределения величин qcn и qsn . (3.2.6) Наша конечная цель, получить формулу совместного распределения оценок амплитуды и фазы. Из полученного решения (3.1.22) выразим qcn и qsn как некоторые функции от амплитуды и фазы исследуемого сигнала, и далее найдем якобиан преобразования . , (3.2.7) , (3.2.8) . (3.2.9) , (3.2.10) , (3.2.11) . (3.2.12) Если в (3.2.6) подставить выражения для qcn, qsn и умножить его на модуль якобиана преобразования, то получим искомую формулу совместного распределения оценок амплитуды и фазы, зависящую от истинных значений амплитуды А0 и фазы φ0; 1. Делая замену переменных , получим совместную плотность распределения оценки амплитуды и фазы . Для анализа удобнее использовать относительную амплитуду , тогда после несложных преобразований плотность распределения примет вид: , (3.2.13) здесь за SN обозначено отношение сигнал / шум, равное . Напомним, что Проанализировать эту громоздкую формулу сложно, поэтому рассмотрим ее поведение для конкретного случая. Пусть . Изображенная на рис.1 поверхность имеет один максимум. Теоретически, мы должны наблюдать максимум в точке . Рассмотрим эту поверхность в сечении плоскости γ = 1. Из рис. (3.2.2) видно, что максимум находится именно в точке , т.е. наиболее вероятные значениями оценок равны действительным значениям амплитуды и фазы сигнала. Остается проверить, удовлетворяет ли полученная плотность распределения условию нормировки [4] Значение этого интеграла вычисляется с использованием численных методов. Результат вычисления P =1.0000000115703143. Такая точность для данной задачи вполне пригодна, т.е. можно считать, что условие нормировки выполнено.

Рис. 3.2.1. Совместная плотность распределения . Итак, плотность распределения (3.2.13) удовлетворяет следующим условиям: 1. Имеет одну точку максимума, координаты которой равны истинным значениям амплитуды и фазы сигнала, 2. Положительно определена на всей области изменения аргументов, 3. Выполнено условие нормировки, следовательно, плотность распределения может быть использована для дальнейшего анализа оценок амплитуды и фазы. Рис.3.2.2.Плотность распределения. При коэффициенте , кратном 0.5 , параметры g1, g2 = 0 и формула (3.2.13) упрощается . (3.2.14) Если же вновь перейти к переменным и принять дисперсию шума , а затем проинтегрировать по , то получим известную формулу Райса плотности распределения оценки амплитуды на фоне белого шума при случайной фазе: , (3.2.15) где I0(×) - модифицированная функция Бесселя первого рода нулевого порядка от мнимого аргумента. 2. При замене , после аналогичных п.1 преобразований получим: (3.2.16) Рассмотрим поведение данной функции на том же примере, что и в п.1. Из рис.(3.2.3) видно, что поверхность также является одногорбой, т.е. имеет один максимум, но его координаты . Следовательно, наиболее вероятное значение оценки смещено относительно действительного значения фазы исследуемого сигнала. Уже на этом этапе полученная плотность распределения нас не устраивает, поэтому дальнейшей проверки на выполнение условия нормировки проводить необязательно. Из приведенных соображений мы принимаем решение о том, что плотность распределения является ошибочной.

Рис. 3.2.3 Совместная плотность распределения .

Граф. 3.2.4.Плотность распределения. 3.3. Математическое ожидание и дисперсия оценок параметров. Итак, используя формулу для плотности вероятности (35), найдем мат. ожидание и дисперсию оценок параметров сигнала, пользуясь известными формулами: Эти интегралы не выражаются через элементарные функции, поэтому вычисления проводятся численным методом (см. Пр.). Из Рис.(3.3.1) и Рис.(3.3.2) видно, что с возрастанием k мат. ожидание относительной амплитуды γ стремится к единице, а дисперсия γ стремится к нулю, причем, чем больше отношение сигнал / шум (SN= 1, 2, 3), тем быстрее это стремление. На рис.(3.3.3.) и (3.3.4.) изображены графики зависимости мат. ожидания и дисперсии оценки фазы от k при истинном значении начальной фазы φ0 =45 0 . Прослеживается та же закономерность, т.е. с увеличением k мат. ожидание стремится к истинному значению, а дисперсия убывает. На этом анализ характеристик оценок амплитуды и фазы гармонического сигнала на фоне белого шума закончен. Используя полученные графики зависимостей, экспериментатор может выбрать те значения k и SN, при которых его будет удовлетворять точность вычисленных оценок параметров.

Рис. 3.3.1. Зависимость мат. ожидания оценки амплитуды от параметра k для различных значений отношения сигнал / шум.

Рис. 3.3.2. Зависимость дисперсии оценки амплитуды от параметра k для различных значений отношения сигнал / шум.

Рис. 3.3.3. Зависимость мат. ожидания фазы от k. SN =1 SN=2, SN=3

Рис. 3.3.4. Зависимость дисперсии фазы от k. SN =1 SN=2, SN=3 Глава 4. Моделирование процесса. Результаты моделирования. В этой главе описываются этапы моделирования процесса, представляющего собой сумму гармонического сигнала и нормального белого шума, и дальнейшая его обработка с использованием выведенных в третьей главе формул. Вся работа выполнена в интегрированной системе компьютерной математики MATHEMATICA 4 . Этот пакет был выбран из ряда других СКМ, так как является наиболее приспособленным для символьных расчетов. 4.1.Модель нормального белого шума. В пакете MATHEMATICA 4 нет возможности напрямую получить нормально распределенную случайную величину, но используя встроенную функцию Random, выдающую равномерно распределенную случайную величину, эта проблема решается. По центральной предельной теореме [4], при надлежащей нормировке композиция n распределений приводит к закону, сколь угодно близкому к нормальному закону распределения. В нашей модели (см. пр.) композиция состоит из 20 значений равномерно распределенных величин, при этом нормировка производится таким образом, что математическое ожидание получаемого нормального процесса равно нулю, а дисперсия равна наперед заданному значению. Для проверки того, что полученное распределение является нормальным, использовался критерий χ2 . Каждая реализация состоит из 400 значений (в программе Nj=400) нормальных случайных величин, полученных выше указанным способом. Таких реализаций в программе 10 (число Na– количество циклов моделирования). На рис.4.1.1. изображена одна из реализаций нормального белого шума (в программе это массив чисел Rn) с заданным значением .

Рис.4.1.1. 4.2 Сумма гармонического сигнала и шума. Гармонический сигнал в программе выражен через массив чисел Sg0, элементы которого представляют собой дискретные значения гармонического сигнала Acos(ω0t – φ), равные: , где . Далее, элементы массива Sg0 суммируются с соответствующими элементами массива Rn. В результате получаем смесь шума и исследуемого сигнала (массив Sg), изображенного на рис.(4.2.1). На этом моделирование процесса, являющегося суммой исследуемого сигнала и шума, закончено. В результате получен массив чисел Sg, который будет подвергнут дальнейшей обработке, описанной в следующем пункте.
a)

б)
Рис. 4.2.1. Смесь сигнала и шума при k=2, φ=1200 для разных отношений сигнал / шум: а) SN =2, б)SN=5 . 4.3 Процедура оценки амплитуды и фазы, расчет мат. ожидания и дисперсии оцененных параметров. Входными данными для процедуры оценки А и φ являются значение параметра k и массив чисел Sg. Вычисления проводятся с использованием формул (3.1.22). Пришло время пояснить, зачем используются обе квадратурные составляющие . Это связано с тем, что при взятии арккосинуса или арксинуса, система Мathematica 4 выдает только положительные результаты, тогда как для одного значения значение угла может быть и положительным и отрицательным (Рис.4.3.1.).

Рис.4.3.1 Графики функций . Решение этой проблемы иллюстрируется блок-схемой (Рис.4.3.2).

+
Блок-схема: альтернативный процесс:  X < 0,
 Z < 0.

+
Блок-схема: альтернативный процесс:  X > 0,
 Z < 0.

+
Блок-схема: альтернативный процесс:  X < 0,
 Z > 0.
Рис. 4.3.2. Блок-схема выбора угла . Оценки амплитуды и фазы производятся для заданного числа (в программе- Na) реализаций моделированного случайного процесса, и результаты заносятся в массивы А и Fi с размерностью Na. Исходя из эргодичности моделированного процесса, расчет мат. ожидания и дисперсии оценок производится по известным формулам мат. статистики: На Рис.(4.3.3) приведена полная блок-схема программы моделирования, но некоторые обозначения не сходятся с программными, для краткости записи. Моделирование проводилось при отношении сигнал/ шум от 1 до 5. Для каждого значения SN, значения k изменяются от 0.2 до 5 с шагом dk=0.2 . В результате, по полученным данным были построены кривые зависимостей экспериментальных значений фазы от заданных в модели значений , изображенные на рис. (4.3.4), (4.3.5), (4.3.6). Моделирование показало, что полученные в третьей главе формулы для оценки амплитуды и фазы при любом k, вполне пригодны для обработки реальных принимаемых сигналов.
Блок-схема: данные: Входные данные: k,

+
Блок-схема: решение: I<NaБлок-схема: решение: A[i], x[i], z[i].
Sg=Rn+Sg0

Модель гармонического сигнала .

Массив Sg0

Блок моделирования нормального белого шума.

На выходе –массив чисел

Rn размерности Nj

i=1
Рис. 4.3.3.
Рис. 4.3.4.Зависимость экспериментальных значений фазы от заданных в модели значений. – среднее квадратичное отклонение σφ. Рис.4.3.5 Зависимость экспериментальных значений фазы от заданных в модели значений. SN=1. SN=3, SN=5,

Рис.4.3.6. Зависимость среднего квадратичного отклонения значений фазы от заданных в модели значений фазы. SN=1. SN=3, SN=5, Заключение. В результате проделанной работы были получены 1. Формулы для оценки амплитуды и фазы гармонического сигнала на фоне белого нормального шума для любого значения k = Tn/T0. 2. Приведен алгоритм оценки фазы с использованием квадратурных составляющих. 3. Формулы для совместной плотности распределения оценок амплитуды и фазы. 4. Получены графики зависимостей мат, ожидания и дисперсии оценок амплитуды и фазы от значений k, при разных отношениях сигнал/ шум. 5. Для проверки выведенных формул произведено моделирование процесса, представляющего собой смесь сигнала и белого шума, на ЭВМ. Для построенной модели, при различных наперед заданных в модели значениях амплитуды и фазы, по выведенным формулам рассчитаны оценки амплитуды и фазы. Моделирование показало, что по выведенным формулам можно с хорошей точностью оценить значения неизвестных амплитуды и фазы исследуемого реального сигнала при любом k > 0. Литература 1. Дьяконов В./Mathematica 4:учебный курс–СПб: Питер, 2001. 2. Левин Б.Р./Теоретические основы статистической радиотехники. Книга первая.–М.: Советское радио. 197. 3. Левин Б.Р./Теоретические основы статистической радиотехники. Книга вторая–М.: Советское радио. 1975. 4. Тихонов В. И./ Статистическая радиотехника.– М.: Советское радио. 1966. 5. Смирнов Н. В., Дунин-Барковский И. В./ Курс теории вероятности и математической статистики.– М.: Наука. 1965. 6. Бердунов Н. В. Нугманов И. С./Совместная оценка амплитуды и фазы гармонического сигнала на фоне белого шума при времени наблюдения соизмеримого с периодом сигнала. 7. Уилкс С. / Математическая статистика.– М.: Наука, 1967.