книги из ГПНТБ / Френкс, Л. Теория сигналов
.pdfной величиной. Обычно процесс имеет в среднем Заметное смещение либо к черному или к белому цвету. Мы построим модель этого процес са следующим образом. Пусть {tft; k = 0, ± 1 , ± 2,...} — упорядо ченная последовательность случайных величин, распределенных на вещественной оси по пуассоновскому закону с параметром К. Здесь мы снимаем ограничение, использованное в (8.77), что точки лежат на положительной полуоси.
Это не вызывает затруднений, поскольку в силу стационарности процесса начало отсчета можно выбрать произвольно. Мы принимаем далее, что в интервале между соседними точками х есть константа, равная 0 или 1 с вероятностью р или 1 — р соответственно. Значения х в различных интервалах статистически независимы. Это дает нам модель случайного фототелеграфного сигнала, который характери зуется только двумя параметрами р и X. Типичная реализация показана
на рис. 8.12. |
|
|
1 |
*(i) |
|
t2 t, to |
*3 V * |
*• t |
Рис. 8.12. Типичная реализация случайного фототеле графного сигнала. Последовательность (0J распреде лена по пуассоновскому закону с параметром X.
Для произвольного t среднее значение процесса имеет значение
Е [x(t)]=P [x{t) = 1] = р. |
(8.89) |
Среднее значение х = р постоянно и не зависит от t. Автокорреляцион ная функция
£ж*(^ + т> t)=-E[x(t + ^)^{t)] = P[x{t-\-x)= 1 и x(t)= 1]. |
(8.90) |
Величина совместной вероятности в (8.90) зависит от того, находится
ли t и t + т в |
одном и том же промежутке или в разных: |
||
|
|
р, |
если / и / + т |
P[x{t + т ) = 1 |
и х (t) = |
1] = |
в одном промежутке, |
(8.91) |
|||
|
|
р2, |
если t и t -|-т |
|
|
|
в разных промежутках. |
Вероятность того, что t |
и t + т находятся в одном промежутке, есть |
просто Р0(|т|), независимо от t. Используя (8.84) и (8.91), приводим
(8.90) к виду
кХх(т) = р е _?-1т| + р 2[1—е~ я 1т1] = р(1—p)e-*-lTl + р2. |
(8.92) |
Ясно, что процесс стационарен в широком смысле; спектральная плот ность процесса
* , , ( / ) = Х ' + к + р Ч { ! ) |
(8 ,9 3 ) |
221
показана на рис. 8.13. Очевидно, что X можно трактовать как ширину полосы процесса.
Вместо процесса, имеющего два уровня, можно разрешить х при нимать любое вещественное значение между 0 и 1 (серые уровни) в соответствеии с некоторой плотностью вероятности. Автокорреляционная функция такого процесса имеет форму, совпадающую с (8.92) (см. уп ражнение 8.10). Эта модель полезна для представления телевизион ного сигнала [8]. Другой процесс, часто называемый случайным те леграфным сигналом [1, 3], образуется, когда переходы от 0 к 1 проис ходят в любых случайных точках оси времени. Этот процесс эквива лентен случайному фототелеграфному сигналу при р = V2 и величине к, увеличенной в два раза.
Рис. 8.13. Спектральная плотность мощности для слу чайного фототелеграфного сигнала.
Упражнение 8.9. Для случайного фототелеграфного сигнала вычислить средний временной промежуток между переходами с черного на белое и с белого
на черное. Вычислить также среднюю частоту переходов. |
сигнала, |
обобщен |
||
Упражнение 8.10. Для |
случайного фототелеграфного |
|||
ного на большее число уровней, положим, |
что х (t) — а^\ |
< t < |
Д +i, где |
|
{aft} — последовательность |
статистически |
независимых случайных |
величин |
с плотностью распределения ра (ё). Этот процесс называется случайной функцией скачков [11]. Вычислить среднее значение и автокорреляцию для х.
Упражнение 8.11. В случайной функции скачков, описанной в упражнении 8.10, часто можно принять, что последовательность {ад} представляют собой марковский в широком смысле процесс (как в упражнении 8.7), а не статисти чески независимую последовательность. Показать, что по отношению к среднему значению и автокорреляции такое изменение эквивалентно изменению параметра
к. Пусть к — новое значение параметра для эквивалентной случайной функции скачков с независимыми уровнями, найти связь между к, к и р.
Случайная последовательность импульсов
В качестве более общего приложения пуауссоновского процесса рассмотрим модель сигнала в виде последовательности импульсов про извольной формы со случайными амплитудами и случайными момен тами прихода:
оо |
ahs(t — tfe); к фо , |
|
х(г)= 2 |
(8.94) |
|
k—— |
ОО |
|
222
где {aft} — стационарная последовательность, статистически незави симая от последовательности значений {tft}, которые упорядочены и распределены по пуассоновскому закону с параметром К. Мы исклю чили в (8.94) член с k = 0, что подробнее обсуждается ниже. Чтобы вычислить среднее значение и автокорреляцию для процесса х, выби раем некоторое значение t, а затем пронумеруем {tft} в реализации так, что t 1 — первая точка справа от t и t_x — первая точка слева от t, как показано на рис. 8.14.
На первый взгляд это может показаться странным, но длина интервала между t_x и txстатистически отлична от длины всех других
интервалов |
между импульсами последовательности. Причина этого |
в том, что |
интервал t_x, t x строится так, Чтобы включить точку t, |
в то время как для других интервалов такой необходимости нет. Плот-
Рис. 8.14. Типичная реализация случайной последовательности, ил люстрирующая нумерацию импульсов.
ность вероятности для отрезка времени х от любой точки временной оси до точки появления следующего случайного импульса задается выражением рх (а) = ^е- *-0. Поэтому, если положить tQ= t и опре делить случайную переменную = t k — tfe _ то хь имеют одина ковые распределения для всех k (включая нуль). Учитывая сказанное, можно переписать (8.94) более точно:
Х(0= |
2 a ,s ( i- t» ); |
= |
(8.95) |
k = |
— со |
Н 0 |
|
Другой корректный способ рассмотрения заключается в том, чтобы принять произвольную точку t за начало отсчета времени, тогда слу чайные величины tfc — t для k > 0 и t — t h для k < 0 соответствуют плотностям распределения (8.87) и (8.88). С учетом (8.95) можем написать
|
|
ОО |
|
ОО |
00 |
|
|
Е [х (t)] = |
2 Е |
Е ts |
= 2 |
a J s (a) KPh^ (о) da + |
|||
|
k = |
— оо |
|
k = \ |
О |
|
|
— 1 |
_ o o |
|
|
_ o o |
|
OO |
. f \ k — l |
+ 2 |
a j S(-g)^P_ft_ ^ | ) ^ = Xa5S( 0 e - « |
2 |
+ |
||||
k = — оо 0 |
|
|
0 |
|
k = |
1 |
|
+ |
Я a |
s(t)e.%t ^ |
( - U ) i—l |
|
^ |
s (t) dt = A,a q. |
|
|
dt = h a |
||||||
|
|
/ = |
i |
|
|
|
|
(8.96)
223
Для вычисления автокорреляционной функции предположим, что
{ah} |
статистически |
независимы, |
так |
что |
|
|
|
|||||
|
|
Е К |
|
а2 |
для k = j=j=О, |
|
(8.97) |
|||||
|
|
а;] |
а2 |
для k Ф /, |
|
|
||||||
Тогда имеем |
|
|
|
|
О для |
k |
или / = 0 . |
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
||
|
|
А**(^ + т, |
0 = ^[х(^ + т) х (0] = |
|
||||||||
|
= |
2 2 |
|
£ [a Aa , ] £ [ s ( f - t fc+ |
T )s(* -t,)]. |
(8.98) |
||||||
|
k ~ |
— СО |
/= |
— 00 |
|
|
|
|
|
|
|
|
Сумма в (8.98) |
вычисляется |
путем отдельного рассмотрения членов, |
||||||||||
для |
которых |
k = j > |
1, |
k = j < |
|
— 1, |
k > |
j > 1, |
j > k > 1, |
|||
j C k < — 1, k < j < 1, k > l, j < — 1, / > 1 , k < — 1. |
||||||||||||
После |
некоторых |
преобразований |
получается |
простой |
результат: |
|||||||
где |
|
|
|
^жж(х) = |
^а2 г (х) + |
ад)2, |
|
(8.99) |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
со |
s(t + x)s(t)dt; |
q= |
оо |
s{t)dt. |
|
|||
|
г(т) = |
^ |
^ |
|
||||||||
|
|
|
|
— 00 |
|
|
|
|
— оо |
|
|
В заключение отметим эквивалентность этого процесса и того из процессов, описанных в § 8.2, для которого моменты появления им пульсов независимы и равномерно распределены на временной оси
[см. уравнения (8.10) и (8.11)].
Упражнение 8.12. Проделать преобразования, опущенные при выводе (8.99).
СПИСОК ЛИТЕРАТУРЫ
1.Р а г z е п Е. Stochastic process. Holden-Day, 1962.
2.B e n n e t W. R. Statistics of regenerative digital transmission. — «Bell Sys. Tech. Jour.» 1958, v. 37, p. 1501—1542.
3. |
P a p о u 1 i s A. Probability, random variables, and |
stochastic processes. |
||
4. |
McGraw-Hill, |
1965. |
|
plant. — «Bell Sys. |
А а г о n M. |
R. PCM Transmission in the exchange |
|||
5. |
Tech. Jour», |
1962, 41, p. 99—141. |
techniques. — «Trans. |
|
L e n d e r |
A. Correlative |
digital communication |
||
|
IEEE». 1964, |
COM-12, p. |
128—135. |
|
6.К r e t z m e r E. R. Binary data communication by partial response trans mission. Paper № CP65-419 at the 1965 — «IEEE Communications conven tion», Boulder, Colorado.
7.J о h n s M. V. Spectral analysis of a process of randomly delayed pulses. — «Trans. IEEE», 1960, v. IT-6, № 4, p. 440—444.
8.F r a n k s L. E. A Model for the random video process. — «Bell Sys. Tech. Jour.», 1966, v. 45, p. 609—630.
9.H i l d e b r a n d F. B. Methods of applied mathematics. Prentice-Hall, 1952.
10. L e n d e r A. The duobinary technique for high-speed data transmission. —
«IEEE |
Trans |
on |
Communication and |
Electronics» 1963, v. 82, p. 214—218. |
|
11. L a n d i n g |
J. |
H. a n d |
B a t t i n |
R. H. Random precesses in auto |
|
matic |
control. |
McGraw-Hill, |
1956. |
|
224
9
ОПТИМАЛЬНАЯ ФИЛЬТРАЦИЯ СИГНАЛОВ
9.1. ВВЕДЕНИЕ
Разработанные в двух последних главах способы описания слу чайных процессов позволяют более полно рассмотреть вопросы про ектирования систем оптимальной фильтрации сигналов. Это обуслов лено тем, что мы теперь с помощью линейных и квадратичных функ ционалов можем описывать характеристики как детерминированных, так и случайных элементов системы. Применяя вариационные методы гл. 6, мы будем оптимизировать некоторые детерминированные эле менты системы для повышения ее эффективности. В частности, можно оптимизировать форму сигнала, применяемого в системе с АИМ, или импульсную характеристику фильтра, выделяющего сигнал из шума. В этой главе рассматривается проблема фильтрации. Мы имеем возможность исследовать широкий класс задач, требующих отыска ния оптимальных фильтров по критерию минимума среднеквадра тической ошибки. Наглядная интерпретация этих результатов осно вана на введенных ранее понятиях, связанных с пространством сиг налов.
В следующем параграфе дана общая формулировка проблемы оценки параметров сигнала при линейной фильтрации и получено условие на импульсную характеристику фильтра, обеспечивающего минимум среднего квадрата ошибки. Дальнейшие параграфы посвя щены отысканию характеристик, удовлетворяющих этому условию в частных задачах фильтрации. Некоторые из рассмотренных при меров хорошо известны и освещены в литературе по теории систем связи или систем управления. Другие примеры привлекали меньше внимания, но они поддаются тем же методам анализа.
Для упрощения и выявления главных факторов, влияющих на структуру оптимального фильтра, рассматриваемые задачи кое в чем идеализированы. В практических приложениях следует объединять черты нескольких примеров.
Нужно отметить, что во многих случаях оптимальная система об работки сигналов нелинейна. Несмотря на это, исследование линей ной фильтрации имеет большое практическое значение, так как линей ные фильтры используются чаще, чем нелинейные. Мы трактуем ус ловие линейности и условие физической реализуемости (неопережаю щий отклик) как практические ограничения, навязанные конструкто ру. Правда, задачи вначале формулируются без учета физической реализуемости. Помимо простоты, такое приближение оправдано двумя причинами. Во-первых, характеристика оптимального нереа лизуемого фильтра часто может быть хорошо аппроксимирована фи зически реализуемым фильтром с достаточно большой постоянной
8 Ззк. 527 |
22з |
времени. Во-вторых, система с нереализуемым оптимальным филь тром служит полезной основой при построении квазиоптимальных систем, удовлетворяющих условию реализуемости. Но в ряде случаев физическая реализуемость является существенным ограничением и важно оптимизацию выполнить с его учетом. Такие задачи обсуж даются в § 9.6.
9.2. МИНИМИЗАЦИЯ СРЕДНЕГО КВАДРАТА ОШИБКИ ПРИ ОЦЕНКЕ ПАРАМЕТРА
Задача оценки параметра в системах передачи сигналов иллюстри руется на рис. 9.1. Передаваемый сигнал х (t) подвергается отобра жению Т г, которое описывает влияния канала передачи. При этом х (t) преобразуется в свой образ г (t) — принимаемый сигнал, кото рый далее проходит через фильтр с импульсной характеристикой
сигнал
Рис. 9.1. К оценке параметра сигнала.
h (t, s). Импульсная характеристика фильтра должна быть выбрана так, чтобы на выходе (в момент t) получить минимум среднеквадрати ческой погрешности оценки параметра ю (i), содержащегося в сиг нале х (t). Оцениваемый параметр сигнала может быть охарактери зован отображением Т0. Иногда полезно считать, что Т0 — описание идеального канала и задача состоит в том, чтобы найти линейный фильтр, включенный последовательно с реальным каналом Ту, кото рый обеспечивает отображение, близкое к Т0.
Предполагая, что сигнал вещественный, запишем функционал среднего квадрата ошибки для момента t в виде
/ = Е [ 1у (* ) - со (/) Н = Е [| у (0 12]~ 2 Е [у (t) о (/)]+ £ [| ю (/) |2 ]. |
(9.1) |
Используя связь входа и выхода фильтра |
|
оо |
|
У (0 = § h{t, s) г (s)ds, |
(9.2) |
226
представим далее функционал |
/ |
как сумму квадратичного, линейного |
|||||
и постоянного функционалов |
относительно h (t, |
s), причем h (t, |
s) |
||||
рассматривается как |
функция |
s при фиксированном |
параметре |
t: |
|||
|
оо |
|
|
|
|
|
|
/ = |
^ kzz (s,o) h (t, |
a) h (t, s) dads— |
|
|
|||
|
—oo |
|
|
|
|
|
|
|
oo |
|
|
|
|
|
|
—2 |
h (/, s)kza,(s, |
t)ds \-.k<o<o(t, |
t). |
(9.3) |
oo —
Как видно, эти функционалы полностью определяются через автокор реляцию и перекрестную корреляцию процессов z (t) и со (t).
Квадратичный функционал соответствует самосопряженному опе ратору, поэтому стационарные точки функционала I определяются при варьировании h (t, s) решениями уравнения
оо |
|
|
|
5 |
Kz (s>о) h (t, a) do = kza(s, t), |
(9.4) |
|
— oo |
|
|
|
которое получается, |
если приравнять |
нулю градиент |
функционала |
/. В большинстве важных случаев h (t, |
s) принадлежит (как функция |
s) пространству L2 ( — оо, оо ), но иногда нужно расширить функцио нальное пространство, чтобы включить в него решения уравнения
(9.4).
Принцип ортогональности
Другая трактовка проблемы оптимальной фильтрации получает ся, если функционал ошибки рассматривать на пространстве случай ных величин. Пусть Х0 — линейный оператор фильтра, удовлетворяю щего условию (9.4). Тогда (9.4) можно переписать в эквивалентной форме
|
E[{X0z{t) —со (f)} z (s)] = 0. |
(9.5) |
Это значит, |
что Х 0 нужно выбирать так, чтобы случайная |
ошибка |
у (0 — о (г1) |
была ортогональна ко всем случайным величинам {z (s); |
|
— оо < s < |
оо } из процесса z, соответствующего принимаемому |
сигналу. Такой результат интуитивно ясен: если бы имела место кор реляция между ошибкой и принимаемым сигналом, то при последую щей обработке можно было бы получить лучшую оценку. Используя (9.5), покажем другим способом, что (9.4) есть условие оптимальности. Пусть X — некоторый другой линейный оператор. Тогда
/ = Е [| X z (0 —(о(0 |2] = Е [| {X z (i) — X0z (0) + |
|
~\-{Х0z (*)—оа(0} |2 ] = Е [ | Х0z (0 —и (0 |2 ] + |
|
+2Е \{Х- Х0) z (t) {Хй z(t) —(о (0}J + E[\{X— X0)z(t) |2]. |
(9.6) |
В силу условия (9.5) второе слагаемое в последнем выражении равно нулю. Третье слагаемое неотрицательно, поэтому X не может
8* |
227 |
дать меньшей среднеквадратической ошибки, чем Мы доказали не только необходимость, но и достаточность условия (9.4).
Минимальную величину среднего квадрата ошибки можно вычис
лить, |
заметив, |
что |
|
|
Е [{у ( 0 - © (0} У(01- |
|
|
/ = |
£[{© (О — У(0} © (01 + |
(9-7) |
|||
Для |
оптимального фильтра |
последний член исчезает, и получается |
||||
|
|
Лп|П^ |
£ |
1{ ® ( 0— |
у (*)}©(01 = |
|
|
|
|
|
оо |
|
|
|
|
= kaa(t, |
t ) ~ ^ kzm(s, t) hit, s)ds. |
(9.8) |
—oo
Внижеследующих параграфах мы конкретизируем решение за дачи применительно к некоторым отображениям Т0и Т г, представляю щим практический интерес. При расчетах характеристики оптималь ного фильтра удобнее пользоваться частотным аналогом уравнения (9.4), получаемым, если взять преобразование Фурье от обеих его
частей.
9.3.НЕПРЕРЫВНАЯ ОЦЕНКА ФОРМЫ СИГНАЛА
Вклассической задаче фильтрации нужно восстанавливать с хо рошей точностью форму передаваемого сигнала, причем, если этот сигнал случайный, мы хотим, чтобы случайная величина у (t) была близка к х (/) при всех t. Часто нужно восстанавливать смещенный во времени передаваемый сигнал. Учитывая этот общий случай, мы полагаем Т0: о» (t) = х (t — Т). Если физическая реализуемость системы не обсуждается, то величина задержки Т (положительная или
отрицательная) имеет лишь второстепенное значение.
В данной задаче мы предполагаем, что х —' стационарный в ши роком смысле случайный процесс, а также, что Т г — стационарное отображение. Это значит, что образ любого стационарного в широком смысле входного процесса также стационарен в широком смысле. Таким образом, оба рассматриваемых процесса г и ю — стационарны в широком смысле. В силу указанной совместной стационарности ре зультат оптимального взвешивания принятого сигнала z (s) фильтром h (t, s) не должен зависеть от t, т. е. оптимальным является фильтр
с постоянными параметрами, импульсная характеристика |
которого |
имеет вид h (t — s). |
|
С учетом (7.25) и (7.28) условие (9.4) для стационарных процессов |
|
принимает форму |
|
оо |
|
§ kzz(s— o)h(t — o)do=:kza(s~t). |
(9.9) |
— оо |
|
Заменяя переменные по формулам т = t — s, rj = |
а — s и учитывая |
|
(7.27), находим |
|
|
00 |
— ^)df] = km (x). |
|
5 |
(9.10) |
228
Искомая функция передачи оптимального фильтра далее легко на ходится путем преобразования Фурье от (9.10):
H(f) = Kaz(f)/Kzz(f). |
(9.11) |
Выражение (9.8) для минимального среднего квадрата ошибки в час тотной форме принимает вид
г |
(/>-!*«* (flI8 df |
(9.12) |
|
|
Влияние аддитивного шума
В большинстве известных работ по фильтрации рассматривается канал, который можно представить в виде линейного фильтра с по стоянными параметрами и с дисперсионной (частотной) характеристи кой G (/), а также учитывается действие аддитивного стационарного в широком смысле шума с нулевым средним, для чего часто вводят эквивалентный генератор шума на входе приемника (рис. 9.2). Таким образом,
T0:e>(t) = x(t — T),
\
оо |
|
T1:z(t)= J g(t — a)x(o)da+u(t). |
(9.13) |
—ОО |
|
Стационарный, в широком смысле шум с нулевым сревним, Kuu(f)
Рис. 9.2. Оценка формы сигнала с учетом аддитивно го шума и дисперсионности канала.
Предполагая шум и сигнал статистически независимыми, получаем
: СО = jj j § (< + |
х — а ) ё {t — л) К х (° — Л) dG dri + |
kuu (т), |
— оо |
|
|
кш (т) = Е [х {t + т —Т) г (t)] = kxz (х— Г), |
(9.14) |
|
где |
00 |
|
|
|
|
Л « |
( 0 = 5 kxx(x + o)g{o)do. |
|
— оо
229
Взяв преобразование Фурье, найдем
Kzz(f) = \G(f)\2KXx(f) + K uu(f),
(9.15)
оо
КХй (f) = $ Кхх (/) ^ (о) e'2ltfa da = I(xx (f) G* (f).
---- CO
Подставив эти значения в (9.11), приходим к передаточной функции оптимального фильтра
H(f) |
Кхх (/) G* (/) е ~ /2яГ/ |
(9.16) |
|
I G(/) I* К хх (/) + Кии (/) |
|||
|
’ |
часто называемого фильтром Винера. Чтобы физически пояснить эти
результаты, рассмотрим выражение для |
функционала / в частотной |
области, положив для простоты Т ----- 0: |
|
оо |
оо |
1= ] K xx{ f ) \ \ - G( f ) H{ f ) \ 4f + |
5 K uu(f)\H(f)\4f. (9.17) |
Первый член в этом выражении представляет собой ошибку, обуслов ленную неполной компенсацией дисперсии в канале, а второй член —
ошибку, обусловленную шумом, |
остающимся на выходе фильтра. |
|
В тех частотных участках, где |
плотность принимаемого сигнала |
|
Кхх (/) I G Ф I2 велика по сравнению с плотностью шума Кии (/)> оп |
||
тимальный фильтр служит в основном для |
компенсации дисперсион |
|
ное™, в этих областях Н (/) « |
G-1 (/). В |
областях, где плотность |
шума не мала, оптимальный фильтр вносит дополнительное затухание. Если же плотность шума мала по отношению к плотности сигнала на всех частотах, то характеристика оптимального фильтра обратна дис
персионной характеристике |
канала G (/); такой фильтр |
называется |
выравнивающим или компенсатором. |
|
|
При наличии шума компенсатор, конечно, квазиоптнмален. При |
||
меняя последний, мы имеем |
|
|
/ = |
Кии (/) df, |
(9.18) |
IG ( / ) I2
вто время, как согласно (9.16) и (9.17)
Кии (/) df |
(9.19) |
|
I G(/) |2 + [КU U (f)IKxx(fn |
||
|
Пример 9.1. Компенсатор с ограниченным усилением. Даже если шум очень мал или вообще отсутствует, при конструировании ком пенсатора возникает интересная задача.
При реализации передаточной функции, обратной к G (/), может потребоваться очень большое усиление на значительных частотных интервалах. Обычно это нерентабельно, и конструктор предпочтет вне-
230