Upload
doanlien
View
225
Download
1
Embed Size (px)
Citation preview
Akwizycja i przetwarzanie
sygnałów cyfrowych
Tadeusz Chmaj
Instytut TeleinformatykiITI PK Kraków
21 luty 2011
Tadeusz Chmaj Wykład II
Czasowo-czestotliwosciowa analiza sygnałów
Metody analizy sygnałuDo tej pory - analiza sygnału jako funkcji czasu/połozenia,alboanaliza spektralna - rozkład sygnału na składoweczestotliwosciowe (o róznej zmiennosci)
metody te działaja dla sygnałów stacjonarnych (spektrumnie jest zmienne w czasie)
transformacja Fouriera - zakłada sygnał periodyczny lubjego kompletna znajomosc w całej dziedzinie czasowej
punkty spektrum czestotliwosciowego - usrednione pocałej dziedzinie czasowej
przykład ilustrujacy nieprzydatnosc transformaty Fouriera -liniowa modulacja czestotliwosci:
y(t) = sin(2πωt), ω = ω0 + αt
Tadeusz Chmaj Wykład II
Przykład - liniowa modulacja czestotliwosci
Sygnał czasowy, spektrum Fouriera
0 0.2 0.4 0.6 0.8 1−1
−0.8
−0.6
−0.4
−0.2
0
0.2
0.4
0.6
0.8
1
20 40 60 80 100 120 140 160 180 2000
5
10
15
20
25
30
35
Transformata Wignera-Ville’a
Tadeusz Chmaj Wykład II
Potrzeba analizy czasowo-czestotliwosciej
W wielu zastosowaniach potrzebujemy analizy łacznej(czas i czestoliwosc), by wydobyc informacje zawarta wsygnale niestacjonarnymniestacjonarnosc - istota wielu sygnałów bedacychprzedmiotem naszego zainteresowania (n.p. mowa,sygnały medyczne (EEG, EKG), pomiary sejsmiczne,wibracje czesci masyn, przebiegi sygnałów elektrycznych,obrazy dwuwymiarowecelowe pobudzanie obiektów wymuszeniemniestacjonarnym celem ich identyfikacji (np. echografiaimpulsowa stosowana w goeofizyce, radiolokacji,diagnostyce medycznej)niestacjonarna modulacja czestotliwosciowa i fazowa wtelekomunikacjiWniosek - istnieje potrzeba analizy sygnałów, w którejjednoczesnie okreslamy jego własnosci czasowe iczestotliwosciowe
Tadeusz Chmaj Wykład II
Zasada analizy czasowo-czestotliwosciej
Cel – łaczny opis sygnału jako funkcji czasu i czestotliwosciMoze byc traktowana jako uogólnienie analizyfourierowskiejStandardowe podejscie - rozkład sygnału na składowe
x(t) =∑
k
akgk(t), ak =
∫x(t)γ∗
k (t)dt
gdzie gk(t) - funkcje syntezy, funkcje γk (t) - dualne dogk (t) funkcje analizyFunkcje bazowe gk (t) – maja rozpinac cała przestrzenokreslonego typuMoga byc one:
ortonormalne:∫
gk (t)g∗
l (t)dt = δkl , (funkcje syntezy ianalizy identyczne)liniowo niezalezne, ale nie ortogonalne, funkcje analizyγk (t) rózne od gk (t), wyznaczone z warunkubiortonormalnosci:
∫gk (t)γ∗
l (t)dt = δkl ; pozwala to najednoznaczne okreslenie γk (t)
Tadeusz Chmaj Wykład II
Zasada analizy czasowo-czestotliwosciej - c.d.
dobór funkcji gk(t) i γk (t) - zalezny od typu analizowanegosygnałutypowy wybór
gdy sygnał stacjonarny - funkcje bazowe to stacjonarneoscylacje (o nieskoczonym nosniku) - n.p. funkcjesin(kω0t), cos(kωt) - nieskonczenie ostra lokalizacja wczestotliwosci, brak jakiejkolwiek lokalizacji w czasiegdy sygnał niestacjonarny - funkcje bazaowe toniestacjonarne oscylacje impulsowe o skonczonym nosniku(np. funkcje uzywane w transformacie Gabora, Haara czyfalkowej)
własnosci lokalizacyjne - własnosc funkcji bazy - zaleza od"rozciagłosci" funkcji bazowych Ψ(t) w czasie i ichtransformat Φ(ω) w czestotliwosciobszar pokryty przez pojedyncza funkcje bazowa - kostkazadana przez przedziały Pt i Pω - scentrowane wokółsrodków czestosci |Ψ(t)|2 i |Φ(ω)|2
Tadeusz Chmaj Wykład II
Lokalizacja w czasie i czestotliwosci
okreslenie kostki lokalizacji funkcji bazy
funkcje bazowe - rodzimy funkcji o dobrej lokalizacji wczasie i czestotliwosci (atomy czasowo-czestotliwosciowe)kostki dla poszczególnych atomów powiny byc rozłaczne ipokrywac cała przestrzen czas-czestotliwoscdobra lokalizacja - małe pole kostkiczy mozemy dowolnie zmniejszac powierzchnie kostkilokalizacji?
Tadeusz Chmaj Wykład II
Transformacje bazy a lokalizacja
Jak transformacje funkcji bazowych wpływaja na ichzdolnosc lokalizacji?
przesuniecie w czasie o τ : Ψ′(t) = Ψ(t − τ), Φ′(ω) = Φ(ω),rozmiary kostki bez zmianmodulacja za pomoca eiω0t : Ψ′′(t) = eiω0tΨ(t),Φ′′(ω) = Φ(ω − ω0), rozmiary kostki bez zmianskalowanie funkcji Ψ′(t) = Ψ(at) zmienia szerokosci:P′
t = Pt/a, P′
ω = aPω
Wnioski:pole kostki zachowane - cecha funkcji bazowejskalowanie - mozliwosc balansu rozdzielczosci w czasie iczestotliwosci
Tadeusz Chmaj Wykład II
Zasada nieoznaczonosci
Jakie sa ograniczenia na wartosc pola powierzchni kostki?Odpowiedz - zasada nieoznaczonosci Heisenberga
Niech f(t) - funkcja o skonczonej energii, której transformataFouriera jest tez skonczonaNf norma funkcji f (t) (równa normie transformaty), zas A2 iB2 - wariancje - miary sredniokwadratowej szerokosciczasowej i czestotliwosciowej
Nf =
∫ +∞
−∞
|f (t)|2dt =
∫ +∞
−∞
|F (ω)|2dω
|A|2 =1|f |
∫ +∞
−∞
t2|f (t)|2dt |B|2 =1|f |
∫ +∞
−∞
f 2|F (f )|2df
wtedy A ∗ B ≥ 14π , równosc zachodzi tylko dla funkcji
g(t) = (2α)1/4exp(−απt2)
Tadeusz Chmaj Wykład II
Konsekwencje zasady nieoznaczonosci i skalowania
dobra lokalizacja - małe pole kostkizasada nieoznaczonosci: pole kostki PtPω ≥ 1
4π
potrzebujemy rodziny funkcji pokrywajacych całaprzestrzen czasowo-czestotliwosciowazazwyczaj - rodzina taka pochodzi z jednej funkcjiprototypowej podlegajacej przesunieciom w czasie iczestotliwosciskalowanie pozwala na zmiane kształtu kostek pokrycia wróznych rejonach przestrzeni – rózne strategie podziałuprzestrzeni okreslone jako rózne szachowniceczasowo–czestotliwosciowe
Tadeusz Chmaj Wykład II
Dekompozycje TF
wybór sposobu pokrycia (szachownicy) - dekompozycja TFpodstawowe strategie:
szachownica o takich samych polach (typowe dla STFT)niskie czestosci: lepsza rozdzielczosc czestotliwosciowa,gorsza czasowa, wysokie czestosci - na odwrót (typowe dlatransformacji falkowych)
sposób dekompozycji powinien byc zsynchronizowany zrodzajem sygnału i celem analizynajlepiej, gdy istnieje mozliwosc adaptacyjnegodopasowania do lokalnych cech sygnałuprzykłady funkcji bazowych (falki gaussowskie)
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
0 0.05 0.1 0.15 0.2-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
0 0.05 0.1 0.15 0.2
Tadeusz Chmaj Wykład II
Transformacja Gabora
Konstrukcja bazywybór funkcji prototypowej g(t) (np. okno gaussowskie)kolejne funkcje bazowe gm,n(t) - przesuwanie funkcjiprototypowej w czasie i czestotliwosci
gm,n(t) = g(t − m∆t)e2πi(n∆f )t
Dekompozycja sygnału ciagłego:
x(t) =
+∞∑m,n=−∞
cm,n ∗ gm,n(t)
cm,n - współczynniki dekompozycji:
cm,n =
∫ +∞
−∞
x(t)γ∗
m,n(t)dt ; γm,n(t) = g(t − m∆t)e2πi(n∆f )t
γ(t) - prototyp funkcji analizy, wyliczany z warunkubiortonormalnosciwynikowa reprezentacja Gabora sygnału ciagłego:Sx(mT , nF ) = |cm,n|
2
Tadeusz Chmaj Wykład II
Transformacja Gabora
Konstrukcja bazywybór funkcji prototypowej g(t) (np. okno gaussowskie)kolejne funkcje bazowe gm,n(t) - przesuwanie prototypu wczasie i czestotliwosci gm,n(t) = g(t − m∆t)e2πi(n∆f )t
Dekompozycja sygnału ciagłego:
x(t) =
+∞∑m,n=−∞
cm,n ∗ gm,n(t)
cm,n - współczynniki dekompozycji:
cm,n =
∫ +∞
−∞
x(t)γ∗
m,n(t)dt ; γm,n(t) = g(t − m∆t)e2πi(n∆f )t
γ(t) - prototyp funkcji analizy, wyliczany z warunkubiortonormalnosciwynikowa reprezentacja Gabora sygnału ciagłego:Sx(mT , nF ) = |cm,n|
2
Tadeusz Chmaj Wykład II
Transformacja Gabora c.d.
Dyskretna, okresowa transformata Gabora okreslona przez
formułe dekompozycji:
x(k) =
M−1∑m=0
N−1∑n=0
cm,n g(k − m∆M)W (n∆N)kL
współczynniki:
cm,n =L−1∑k=0
x(k)γ∗(k − m ∗ ∆M)W−(n∆N)kL
gdzie WL = e2πi/L, L = (∆M)M = (∆N)Nzałozenia: x(k), g(k), γ(k) - sygnały okresowe o okresie L,∆M, ∆N – kroki w czasie i czestotliwosci; g(k) - dowolne,γ(k) z warunku biortonormalnosciwybór ∆M, ∆N - rózne pary g, γ, sygnał o długosci L dajerózne reprezentacje majace M widm N-punktowych
Tadeusz Chmaj Wykład II
Transformacja Gabora c.d.
Wazny parametr η = MNL
gdy η = 1 - mamy minimalna wymagana ilosc próbek –próbkowanie krytycznegdy η > 1 - nadpróbkowanie
zazwyczaj – próbkowanie krytyczne daje silnie oscylujace,nie posiadajace zwartego nosnika okno analizy γ(k)
aby uzyskac dobra lokalizacje czasowa – koniecznenadpróbkowanieinne rozwiazanie - rzeczywiste reprezentacje TF Gabora
rózica - uzycie modulacji rzeczywistej (a nie zespolonej)jako metody przesuniecia w czestotliwoscirezultat - okna dualne lepiej zlokalizowane w czasi, mniejoscylacjinadpróbkowanie reprezentacji TF nie jest konieczne
patrz - przykład numeryczny gabor.m
Tadeusz Chmaj Wykład II
Krótkoczasowa transformata Fouriera (STFT)
najprostsza z metod analizy czasowo-czestotliwosciowejuzywa tylko jednego okna do syntezy i analizyw dziedzinie czasowej - SFTF równowazna wykonaniuprostego przekształcenia Fouriera na kolejnych porcjachsygnału wycinanych przez przesuwajace sie oknowersja ciagła - definicja transformacji
STFT Tx (t , f ) =
∫ +∞
−∞
x(τ)γ∗(t − τ)dτ
STFT Fx (t , f ) = e−2πift
∫ +∞
−∞
X (ν)Γ∗(ν − f )dν
gdzie: γ(t) - okno obserwacji, Γ(f ) - jego widmo Fourierasynteza sygnału: x(t) = 1
γ(0)
∫ +∞
−∞STFTx(t , f )e2πift
mozliwa równiez wersja dyskretnapatrz - przykład numeryczny stft.m
Tadeusz Chmaj Wykład II
Transformacja Wignera–Ville’a (WV)
pełni wyrózniona role w analizie sygnałówniestacjonarnych, gdyz:
idealnie odwzorowuje sygnał z liniowa modulacjaczestotliwosci (LFM)poprzez usrednianie mozna z niej uzyskac innereprezentacjejest reprezentacja o najwiekszej koncentracji energii wprzestrzeni TF (ma najlepsza łaczna zdolnosc rozdzielcza)powazny problem: dla sygnałów o innej modulacji nizliniowa (lub immych złozonych sygnałów – szkodliwepasozynicze interferencje pomiedzy róznymi składowymiwłasnymi widma – koniecznosc lokalnego wygładzania
definicja reprezentacji WV:
SWVx (t , f ) =
∫ +∞
−∞
x(t + τ/2)x∗(t − τ/2) e−2πifτdτ
SWVX (t , f ) =
∫ +∞
−∞
X (f + ν/2) X ∗(f − ν/2)e2πiνtdν
Tadeusz Chmaj Wykład II
Transformacja Wignera–Ville’a -c.d.
w powyzszych formułach x(t) - sygnał rzeczywisty s(t), lubtzw. sygnał analityczny (czesc rzeczywista = sygnałowirzeczywistemu, czesc urojona - wynik transformatyHilberta na s(t)
powód problemów ze szkodliwa interferencja - mnozeniesygnału przez ten sam sygnał
rezultat - nieliniowosc reprezentacji WV
SWVx1+x2(t , f ) = SWV
x1 (t , f ) + SWVx2 (t , f ) + SWV
x1,x2(t , f )
ostatni człon - tzw. widmo skrosne – wystepuje równiez,gdy mamy tylko jeden sygnał
Tadeusz Chmaj Wykład II
Transformacja Wignera–Ville’a -c.d.
metody ograniczania efektów pasozytniczych
stosowanie odpowiednio wysokiej czestosci próbkowaniamodyfikacja równan okreslajacych metode (dyskretnapseudoreprezentacja)
patrz - przykład numeryczny wv.m
Tadeusz Chmaj Wykład II