Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
UNIVERZITET CRNE GORE
ELEKTROTEHNIČKI FAKULTET
Anđela Draganić
DEKOMPOZICIJA I REKONSTRUKCIJA
MULTIKOMPONENTNIH SIGNALA
KORIŠĆENJEM VREMENSKO-FREKVENCIJSKE
ANALIZE I COMPRESSIVE SENSING-A
- Magistarska teza -
Podgorica, 2013
PODACI I INFORMACIJE O MAGISTRANTU Ime i prezime: Andjela Draganić Datum i mjesto rođenja: 10.08.1988. godine, Nikšić, Crna Gora Naziv završenog osnovnog studijskog programa i godina diplomiranja: Elektrotehnički fakultet, odsjek za Elektroniku, telekomunikacije i računare, 2011. INFORMACIJE O MAGISTARSKOM RADU Naziv postdiplomskog studija: Studijski program Računari Naslov rada: Dekompozicija i rekonstrukcija multikomponentnih signala korišćenjem vremensko-frekvencijske analize i Compressive Sensing-a Fakultet na kojem je rad odbranjen: Elektrotehnički fakultet, Podgorica UDK, OCJENA I ODBRANA MAGISTARSKOG RADA Datum prijave magistarskog rada: 08.02.2013. Datum sjednice Vijeća Univerzitetske jedinice na kojoj je prihvaćena tema: 15.03.2013. Komisija za ocjenu teme i podobnosti magistranta:
Prof. dr Srdjan Stanković Doc. dr Irena Orović Doc. dr Nikola Žarić
Mentor: Prof. dr Srdjan Stanković Komisija za ocjenu magistarskog rada:
Prof. dr Srdjan Stanković Prof. dr Miloš Daković Doc. dr Irena Orović
Komisija za odbranu magistarskog rada: Prof. dr Srdjan Stanković Prof. dr Miloš Daković Doc. dr Irena Orović
Datum odbrane: 15.07.2013. Datum promocije:____________________
ZAHVALNICA
Ova magistarska teza je rađena u Laboratoriji za multimedije, Elektrotehničkog
fakulteta u Podgorici. Ovom prilikom se zahvaljujem svima koji su na bilo koji način
doprinijeli ovom radu. Posebnu zahvalnost dugujem:
Mentoru, Prof. dr Srdjanu Stankoviću, na pruženoj šansi za rad u Laboratoriji za
multimedije, na strpljenju i nesebičnoj pomoći tokom izrade magistarske teze.
Ukazanim povjerenjem tokom proteklog perioda rada i stručnoj pomoći koju mi je
kontinuirano pružao, podstakao je publikovanje nekoliko naučnih radova na kojima je
teza zasnovana i ohrabrio je nastavak mojih studija. Zahvaljujem se na korisnim
sugestijama koje su omogućile prevazilaženje brojnih problema sa kojima sam se
sretala tokom rada na tezi.
Doc. dr Ireni Orović, na vremenu koje je posvetila čitanju teze i komentarima
doprinijela značajnom poboljšanju iste. Mnogobrojnim diskusijama pomogla je
prilikom pisanja naučnih radova. Zahvaljujem se na podsticajnom djelovanju tokom
cijelog perioda izrade magistarske teze.
Zahvalnost dugujem i Doc. dr Nikoli Žariću kao i PhD studentima Milošu Brajoviću i
Branki Jokanović na korisnim savjetima tokom rada na tezi.
Andjela Draganić Podgorica, Jun 2013.
ACKNOWLEDGEMENT
I wrote this thesis while working in the Laboratory for multimedia at Faculty of
Electrical Engineering in Podgorica. I owe a debt of gratitude to everyone who
contributed in any way to the creation of this thesis. My heartfelt appreciation goes to:
My supervisor, Prof. Dr Srdjan Stankovic, for giving me the opportunity to work in
the Laboratory for multimedia and for his generous help and patience while I was
working on this thesis. With given trust and professional help during my work he
encouraged publication of several research papers on which this thesis is based upon
and, as well, encouraged me to pursue to the next level of studies. I deeply appreciate
all suggestions that were very useful and allowed me to overcome obstacles that I
have encountered during my work on the thesis.
Prof. Dr Irena Orovic, for the time that she devoted to read this thesis and for
contributing to its improvement with her comments. In numerous discussions she also
helped during the writing of research papers. I am very grateful to Prof. Orovic for
encouragement that influenced me during the whole period of my work on the thesis.
I am very thankful to the Prof. Dr Nikola Zaric and PhD candidates: Milos Brajovic
and Branka Jokanovic for useful advices during my work on the thesis.
Andjela Draganić Podgorica, June 2013.
REZIME
Većina signala koji se javljaju u realnim aplikacijama ima promjenljiv
frekvencijski sadržaj. Analiza signala čiji je spektar vremenski promjenljiv bazirana je
na vremensko-frekvencijskom predstavljanju signala. Ne postoji jedinstvena
vremensko-frekvencijska distribucija koja bi dala zadovoljavajuće rezultate pri analizi
različitih tipova signala. Stoga, u zavisnosti od vrste signala i aplikacije kojoj je signal
namijenjen, različite vremensko-frekvencijske distribucije su u upotrebi.
Prvo poglavlje rada sadrži kratak opis vrsta signala, kao i Fourier-ovu
transformaciju, kao uobičajeno sredstvo za predstavu signala u frekvencijskom
domenu. Posebna pažnja u okviru prvog poglavlja je posvećena FHSS i IEEE 802.11b
signalima, koji se javljaju u bežičnim komunikacijama. Drugo poglavlje sadrži opis
najčešće korišćenih vremensko-frekvencijskih distribucija, kao i distribucija koje se
često koriste u obradi multikomponentnih signala. Nerijetko se pri analizi
multikomponentih signala, u vremensko-frekvencijskoj reprezentaciji javljaju kros-
članovi. Postoji veliki broj vremensko-frekvencijskih distribucija, namijenjenih
redukciji (tj. eliminaciji) kros-članova. Čitava klasa distribucija – Cohen-ova klasa, je
namijenjena prevazilaženju ovog problema. Distribucije iz Cohen-ove klase su
zasnovane na funkciji jezgra, čijim je podešavanjem moguće kontrolisati uticaj kros-
članova, a takođe uticati na rezoluciju signala u vremensko-frekvencijskoj ravni. U
radu je analiziran uticaj različitih jezgara na redukciju kros-članova kod signala sa
veoma bliskim komponentama. Osim na redukciju ovih neželjenih komponenti, jezgro
utiče i na koncentraciju komponenti signala, kao i na njihov oblik u vremensko-
frekvencijskoj ravni, što će biti razmatrano u radu.
Imajući u vidu da standardne forme vremensko-frekvencijskih distribucija ne
pružaju zadovoljavajuće rezultate u radu sa zašumljenim signalima, u trećem
poglavlju su razmatrane robustne forme distribucija. Takođe, u ovom poglavlju su
uvedene robustne forme distribucija iz Cohen-ove klase. Uvedene forme su efikasne u
slučajevima kada je signal zahvaćen impulsnim šumom. Za signale zahvaćene
kombinacijom impulsnog i Gauss-ovog šuma, predložene su L-forme distribucija iz
Cohen-ove klase.
U četvrtom poglavlju data je procedura za odvajanje komponenti
multikomponentog signala. U cilju estimacije parametara signala, komponente signala
je poželjno odvojiti i svaku komponentu posmatrati zasebno. Za odvajanje
komponenti signala, korišćena je dekompozicija na singularne (sopstvene) vrijednosti.
Dekompozicija je bazirana na kombinaciji distribucija iz Cohen-ove klase i koncepta
sopstvenih, odnosno singularnih vektora. Ukoliko je u signalu prisutan šum,
dekompozicija je kombinovana sa robustnim i sa L-formama distribucija iz Cohen-
ove klase. Dekompozicijom multikomponentnih signala je moguće odvojiti
pojedinačne komponente signala i estimirati parametre od značaja (kao što su
vremensko trajanje i frekvencijski opseg svake komponente), na osnovu kojih se dalje
vrši klasifikacija signala.
Pored dekompozicije signala na pojedinačne komponente, izvršena je
rekonstrukcija istih korišćenjem koncepta kompresivnog očitavanja (Compressive
Sensing ili Compressive Sampling - CS). CS je relativno novi pristup odabiranju
signala, koji se intenzivno razvija u poslednjih nekoliko godina. Zasniva se na
prikupljanju odbiraka signala na sasvim slučajan način i omogućava rekonstrukciju
signala sa velikom tačnošću iz značajno manjeg broja odbiraka, nego što to zahtijeva
teorema o odabiranju. Smanjenje broja odbiraka, neophodnih za uspješnu
rekonstrukciju, može biti od velikog značaja u sistemima kod kojih signali rade na
visokim frekvencijama i kod kojih bi odabiranje u skladu sa teoremom o odabiranju
dovelo do postojanja velikog broja odbiraka. Takođe, smanjenje broja odbiraka je
značajno u komunikacionim tehnologijama jer dovodi do smanjenja potrošnje
energije, kao i cijene izrade bežičnih prijemnika. Opis tehnike kompresivnog
odabiranja, kao i njena primjena na signale koji se javljaju u bežičnim
komunikacijama (FHSS signali), data je u petom poglavlju. Ovo poglavlje takođe
sadrži analizu broja odbiraka koji se uzimaju prilikom rekonstrukcije signala. U
zavisnosti od zahtijeva aplikacije, CS tehnika se može primijeniti na čitav FHSS
signal ili na njegove pojedinačne komponente. Ukoliko je cilj estimirati parametre
signala, CS tehnika se može kombinovati sa procedurom dekompozicije. Komponente
odvojene dekompozicijom šalju se na ulaz klasifikacionog modula. Primjenom CS
tehnike moguće je slati značajno manje odbiraka, i uspješno estimirati parametre
signala neophodne za njegovu klasifikaciju. Pokazuje se da je greška koja se pri tome
pravi, zanemarljivo mala.
ABSTRACT
Most of the signals that occur in real applications have variable frequency
content. Analysis of signals with time-varying frequency content is based on time-
frequency distributions. There is no single time-frequency distribution that can be
used for efficient analysis of different types of signals. Therefore, depending on the
type of the signal and applications where the signal is used, different time-frequency
distributions are used.
The first chapter of the thesis contains a brief description of the types of
signals, as well as the Fourier transform, as a common tool for the signal analysis in
the frequency domain. Special attention in the first chapter is devoted to FHSS and
IEEE 802.11b signals that occur in wireless communications. The second chapter
describes the commonly used time-frequency distributions, as well as distributions
that are suitable for multicomponent signal analysis. In the time-frequency based
multicomponent signal analysis, cross-terms occurrence is common. There is a
number of time-frequency distributions introduced to reduce (or completely eliminate)
the cross-terms. The entire class of distributions – called Cohen class, is intended to
overcome this problem. Distributions from the Cohen class are kernel-based
distributions. Kernel function affects the cross-terms, as well as the resolution of the
signal in the time-frequency plane. The effect of different kernels in the cross-terms
reduction, in the case of the signals with very close components, is analysed in this
paper. Besides the reduction of the unwanted components, the kernel affects the
concentration of signal components, as well as the component shape in the time-
frequency plane, which will be discussed in the paper.
Having in mind that standard forms of the time-frequency distributions do not
provide satisfactory results when dealing with noisy signals, the robust forms of these
distributions are discussed in the third chapter. The robust forms of the distributions
from the Cohen class are introduced in this chapter. These forms are effective when
the signal is affected by impulse noise. In this chapter, the L-form of the distributions
from the Cohen class are also defined. They provide an efficient analysis of the
signals corrupted with the mixture of impulse and Gaussian noise.
The fourth chapter describes the procedure for separation of the
multicomponent signal components. In order to estimate the signal parameters, the
components are first separated and each component is observed separately. The
Singular Value (Eigenvalue) Decomposition is used for components separation. The
decomposition procedure is combined with distributions from the Cohen class. In the
cases of noisy signals, the decomposition is combined with the L-forms of the Cohen
class distributions. By using the proposed decomposition, it is possible to separate the
individual components of the signal and to estimate the parameters of interest (such as
the time duration and the frequency range of each component), based on which
classification of the signal is performed.
The fifth chapter deals with the Compressive Sensing based signal
reconstruction. Compressive Sensing (CS) is a relatively new approach to the signal
sampling, and it is intensively developed in recent years. It is based on collecting
signal samples completely randomly and allows the signal reconstruction with high
accuracy from the smaller number of samples than it is required by the sampling
theorem. Reducing the number of samples required for signal reconstruction, might be
important in systems where signals operate at high frequencies and when sampling
according to the sampling theorem produces large number of signal samples.
Reduction of the number of samples for signal reconstruction is important in
communication technology, where it leads to a reduction in energy consumption, as
well as lowers the cost of making wireless devices. In this chapter, Compressive
Sensing technique, as well as its application to signals in wireless communications
(FHSS signals) is given. Number of samples, required for the signal reconstruction, is
also analysed in this chapter. Depending on the required application, CS technique
can be applied to a reconstruction of the whole FHSS signal or for reconstruction of
its individual components. In order to estimate the signal parameters, CS technique
can be combined with a Singular Value (Eigenvalue) decomposition procedure. After
separation, components could be sent to the input of the classification module. By
applying CS techniques, the signal parameters can be estimated and signal can be
classified, by using significantly less samples, compared with the traditional sampling
methods. It is shown that the reconstruction error in the case of FHSS signal
reconstruction is negligible.
Andjela Draganić Magistarski rad
________________________________________________________________________ 1
SADRŽAJ
Lista slika ....................................................................................................... 3
Lista tabela .................................................................................................... 6
Spisak skraćenica .......................................................................................... 7
1. Uvod ......................................................................................................... 8
1.1. Vrste signala......................................................................................................... 8
1.2. Frekvencijska analiza signala .............................................................................. 9
1.2.1 Signali u bežičnim komunikacijama ............................................................ 12
2. Vremensko-frekvencijska analiza signala .......................................... 15
2.1. Analiza multikomponentih signala .................................................................... 16
2.2. Linearne vremensko-frekvencijske distribucije ................................................. 17
2.2.1. Kratkotrajna Fourier-ova transformacija .................................................. 18
2.3. Kvadratne vremensko-frekvencijske distribucije .............................................. 21
2.3.1 Wigner-ova distribucija .............................................................................. 25
2.3.2 S-metod ....................................................................................................... 27
2.4. Cohen-ova klasa distribucija .............................................................................. 29
2.4.1 Ambiguity funkcija ...................................................................................... 30
2.4.2 Definicija Cohen-ove klase distribucija ...................................................... 33
3. Robustna forma distribucija iz Cohen-ove klase .............................. 41
3.1. Robustne distribucije ......................................................................................... 41
3.2. Robustni spektrogram ........................................................................................ 43
3.3. Robustna forma Wigner-ove distribucije ........................................................... 45
3.4. Robustna forma distribucija iz Cohen-ove klase ............................................... 46
Andjela Draganić Magistarski rad
________________________________________________________________________ 2
4. Dekompozicija multikomponentih signala ......................................... 55
4.1. Dekompozicija na singularne vrijednosti i vektore kombinovana sa Wigner-ovom distribucijom i S-metodom ...................................................................... 56
4.2. Dekompozicija na singularne vrijednosti u kombinaciji sa distribucijama iz Cohen-ove klase ................................................................................................. 58
4.3. Dekompozicija muzičkih signala ....................................................................... 59
4.4. Dekompozicija FHSS signala ............................................................................ 66
4.5. Dekompozicija IEEE 802.11b signala ............................................................... 74
4.6. Dekompozicija FHSS i IEEE 802.11b signala .................................................. 77
5. Primjena Compressive Sensing tehnike na multikomponentne FHSS signale .................................................................................................... 79
5.1. Osnovni koncepti Compressive Sensing-a......................................................... 79
5.2. Uslovi koje CS zahtijeva .................................................................................... 81
5.3. Rekonstrukcija FHSS signala primjenom CS-a ................................................. 83
Zaključak ..................................................................................................... 90
Literatura ..................................................................................................... 92
Andjela Draganić Magistarski rad
________________________________________________________________________ 3
Lista slika GLAVA 2
Slika 2.1 Širina komponenti u vremensko-frekvencijskoj ravni a) bez upotrebe funkcije prozora; b) upotrebom širokog prozora; c) upotrebom uskog prozora ............ 20
Slika 2.2 Spektrogram, Wigner-ova distribucija i S-metod signala sa brzo promjenljivom faznom funkcijom ............................................................................................. 28
Slika 2.3 Spektrogram, Wigner-ova distribucija i S-metod multikomponentnog signala 29
Slika 2.4 Wigner-ova distribucija i ambiguity funkcija: a) i b) FHSS signala definisanog relacijom (2.42); c) i d) signala definisanog relacijom (2.43) .......................... 32
Slika 2.5 Izgled Choi-Williams-ovog jezgra, za različite vrijednosti parametra σ : a) 0.01σ = , b) 1σ = , c) 100σ = ........................................................................ 36
Slika 2.6 Izgled Gauss-ovog jezgra, za različite vrijednosti parametra σ : a) 20σ = , b) 60σ = , c) 120σ = . Uzeto je da je 1 2σ σ σ= = ............................................. 37
Slika 2.7 Izgled Zhao-Atlas-Marks jezgra, za različite funkcije prozora: ....................... 38
Slika 2.8 Različiti izgled Born-Jordanovog jezgra, ......................................................... 39
Slika 2.9 VF reprezentacije signala FHSS signala, dobijene korišćenjem različitih jezgara: Born-Jordan-ovog i Choi-Williams-ovog – prvi red; Zhao-Atlas-Marks-ovog i Gauss-ovog jezgra – drugi red .......................................................................... 39
Slika 2.10 VF reprezentacije signala definisanog relacijom (2.43), korišćenjem različitih jezgara: Born-Jordan-ovog i Choi-Williams-ovog – prvi red; Zhao-Atlas-Marks-ovog i Gauss-ovog jezgra – drugi red ................................................... 40
GLAVA 3
Slika 3.1 Ambiguity funkcija FHSS signala: a) standardna forma, b) L forma sa 0.3ρ = , c) robustna medijan forma ................................................................................ 49
Slika 3.2 Wigner-ova distribucija dobijena korišćenjem: a) standardne ambiguity funkcije b) L-forme ambiguity funkcije, sa parametrom 0.3ρ = , c) medijan forme ambiguity funkcije posmatranog FHSS signala ............................................... 49
Slika 3.3 a) Impulsni šum kojim je zahvaćen posmatrani signal, b) zašumljena standardna forma ambiguity funkcije, c) zašumljena L-forma ambiguity funkcije, .......... 50
Andjela Draganić Magistarski rad
________________________________________________________________________ 4
Slika 3.4 Wigner-ova distribucija dobijena iz: a) standardne forme ambiguity funkcije; b) L-forme ambiguity funkcije - 0.3ρ = i c) robustne medijan forme ambiguity funkcije posmatranog zašumljenog FHSS signala .......................... 51
Slika 3.5 Prvi red – kombinovani impulsni i Gauss-ov šum; Drugi red – standardna forma ambiguity funkcije; Treći red - L-forme ambiguity funkcije, dobijene za
0.05, 0.2ρ ρ= = i 0.45ρ = , respektivno ....................................................... 52
Slika 3.6 Distribucije dobijene filtriranjem standardnih formi ambiguity funkcija, a) Choi-Williams-ovim; b) Gauss-ovim; c) Born-Jordan-ovim jezgrom ...................... 52
Slika 3.7 Distribucije dobijene filtriranjem L-formi ambiguity funkcija, Choi-Williams-ovim jezgrom (prva kolona), Gauss-ovim jezgrom (druga kolona), Born-Jordan-ovim jezgrom (treća kolona); Vrijednost parametra ρ je 0.05, 0.2 i 0.45, respektivno .............................................................................................. 53
GLAVA 4
Slika 4.1 Algoritam dekompozicije muzičkih signala .................................................... 61
Slika 4.2 S-metod signala flaute...................................................................................... 62
Slika 4.3 S-metod signala violine.................................................................................... 64
Slika 4.4 S-metod a) signala bez šuma; zašumljenog signala sa b) SNR=15dB, c) SNR=12 dB, d) SNR= 9 dB ............................................................................. 65
Slika 4.5 a) Spektrogram; b) Wigner-ova distribucija; c) S-metod FHSS signala .......... 67
Slika 4.6 Odvojene komponente FHSS signala, dekompozicijom primijenjenom na S-metod ................................................................................................................ 67
Slika 4.7 Ambiguity funkcija posmatranog FHSS signala............................................... 68
Slika 4.8 a) Choi-Williams jezgro; b) distribucija dobijena primjenom Choi-Williams jezgra; c) odvojene komponente signala, iz distribucije prikazane .................. 69
Slika 4.9 a) Pravougaono jezgro; b) distribucija dobijena primjenom pravougaonog jezgra; c) odvojene komponente signala, iz distribucije prikazane na Slici 4.9b .......................................................................................................................... 70
Slika 4.10 a) Born-Jordan jezgro; b) distribucija dobijena primjenom Born-Jordan jezgra; c) odvojene komponente signala, iz distribucije prikazane na Slici 4.10b ....... 70
Slika 4.11 a) Jezgro Gauss-ovog tipa; b) distribucija dobijena primjenom Gauss-ovog jezgra; c) odvojene komponente signala, iz distribucije prikazane na Slici 4.11b .......................................................................................................................... 71
Andjela Draganić Magistarski rad
________________________________________________________________________ 5
Slika 4.12 Tačne (plavo) i estimirane trenutne frekvencije komponenti signala, primjenom: a) Choi-Williams-ovog; b) pravougaonog; c) Born-Jordan-ovog; 72
Slika 4.13 a) Šum; b) distribucija bazirana na standardnoj formi ambiguity funkcije; distribucije bazirane na L- formi ambiguity funkcije c) bez šuma; d) u prisustvu šuma .................................................................................................. 73
Slika 4.14 Odvojene komponente iz VF distribucije sa slike 4.13d – gornji red;............. 74
Slika 4.15 S-metod IEEE 802.11b signala ........................................................................ 75
Slika 4.16 Odvojene komponente IEEE 802.11b signala ................................................. 75
Slika 4.17 S-metod IEEE 802.11b signala, zašumljenog Gauss-ovim šumom ................. 76
Slika 4.18 Odvojene komponente zašumljenog IEEE 802.11b signala ............................ 76
Slika 4.19 S-metod signala definisanog relacijom (4.20) ................................................. 77
Slika 4.20 Odvojene komponente signala opisanog relacijom (4.20) ............................... 77
Slika 4.21 S-metod FHSS i IEEE 802.11b signala, dobijen kombinacijom odvojenih komponenti ovih signala .................................................................................. 78
GLAVA 5
Slika 5.1 Zumirani vremenski regioni a) originalnog, b) rekonstruisanog signala sa različitim brojem slučajnih mjerenja (od ukupno 2048 odbiraka) ................... 84
Slika 5.2 Vremenski oblik originalnog i signala rekonstruisanog sa 922 slučajnim putem uzetih mjerenja ................................................................................................. 85
Slika 5.3 Apsolutna vrijednost Fourier-ove transformacije originalnog (plavo) i signala rekonstruisanog sa 922 mjerenja (zeleno) ........................................................ 86
Slika 5.4 S-metod a) originalnog i b) rekonstruisanog signala ........................................ 86
Slika 5.5 S-metod komponenti koje su odvojene a zatim rekonstruisane sa 40% slučajnih odbiraka ............................................................................................................ 87
Slika 5.6 S-metod a) od vektora rekonstruisanih sa 40% mjerenja, b) od čitavih vektora .......................................................................................................................... 88
Slika 5.7 Vremenski oblik singularnih vektora, koji odgovaraju komponentama signala, a) originalni, b) vektori dobijeni rekonstrukcijom sa 40% slučajnih mjerenja 89
Andjela Draganić Magistarski rad
________________________________________________________________________ 6
Lista tabela
GLAVA 2
TABELA 1: NEKE OD DISTRIBUCIJA IZ COHEN-OVE KLASE I NJIMA ODGOVARAJUĆE FUNKCIJE JEZGRA ................................................. 34
TABELA 2: POŽELJNE OSOBINE VREMENSKO-FREKVENCIJSKIH DISTRIBUCIJA IZ COHEN-OVE KLASE I USLOVI KOJE FUNKCIJE JEZGRA TREBA DA ZADOVOLJAVAJU ............................................... 35
GLAVA 4
TABELA 3: ODVOJENE KOMPONENTE SIGNALA FLAUTE KROZ 5 ITERACIJA...................................................................................................................... 63
TABELA 4: ODVOJENE KOMPONENTE SIGNALA VIOLINE KROZ 10 ITERACIJA ................................................................................................. 64
TABELA 5: BROJ ODVOJENIH KOMPONENTI U ZAVISNOSTI OD JAČINE ŠUMA .......................................................................................................... 66
TABELA 6: VREMENSKO TRAJANJE I FREKVENCIJSKI OPSEG ODVOJENIH KOMPONENTI SIGNALA......................................................................... 72
TABELA 7: SREDNJA KVADRATNA GREŠKA IZMEĐU ORIGINALNE TRENUTNE FREKVENCIJE I TRENUTNE FREKVENCIJE DOBIJENE IZ COHEN-OVE KLASE DISTRIBUCIJA ................................................ 73
GLAVA 5
TABELA 8: SREDNJE KVADRATNE GREŠKE IZMEĐU ORIGINALNIH I REKONSTRUISANIH VEKTORA ............................................................ 88
Andjela Draganić Magistarski rad
________________________________________________________________________ 7
Spisak skraćenica
Simbol Značenje CS Kompresivno očitavanje
CSS Chirp Spread Spectrum
DSSS Direct Sequence Spread Spectrum
EEG Elektroencefalograf
FHSS Frequency Hopping Spread Spectrum
IF Trenutna frekvencija
ISM Industrial, Scientific and Medical
ML Maximum-likelihood
PCA Principal Component Analysis
SNR Odnos signal šum
SPEC Spektrogram
STFT Kratkotrajna Fourier-ova transformacija
SVD Dekompozicija na singularne vrijednosti
TFD Vremensko-frekvencijska distribucija
THSS Time Hopping Spread Spectrum
VF Vremensko-frekvencijska distribucija
2D FT Dvodimenziona Fourier-ova transformacija
Andjela Draganić Magistarski rad
________________________________________________________________________ 8
1. Uvod
1.1. Vrste signala
U svakodnevnom životu, pod pojmom signala, podrazumijeva se neka pojava koja
nosi informaciju. Signal može biti funkcija vremena, temperature, pritiska, i slično,
kojom se opisuju neke varijacije u posmatranom sistemu. Postoje brojni načini kojima se
modeluje signal, kao što su matematičke funkcije ili simboličke (fizičke) predstave
informacije [1]. Vrijednost matematičke funkcije kojom je signal predstavljen može biti
realan, kompleksan broj ili vektor [1], [2]. Ukoliko funkcija uzima realne vrijednosti,
govorimo o realnom signalu, a ukoliko su vrijednosti funkcije kompleksni brojevi –
signal je kompleksan. Ako funkcija ima vrijednosti u vektorskom obliku, kaže se da je
signal multikanalni [2]. Signal može biti funkcija jedne, dvije ili više promjenljivih, pa
razlikujemo jednodomenzione, dvodimenzione, trodimenzione signale i slično. Muzički i
govorni signali predstavljaju primjere jednodimenzionih signala. Digitalna slika je
dvodimenzioni signal dok digitalni video spada u grupu trodimenzionih signala. Ukoliko
je signal funkcija više promjenljivih, nazivamo ga multidimenzionim.
Dalja podjela signala je na kontinualne i diskretne [3]. Kontinualni signali su
definisani za svaku vrijednost nezavisno promjenljive, a diskretni signali su definisani
samo za određene vrijednosti nezavisno promjenljive. U cilju obrade i analize,
kontinualni signali se moraju digitalizovati. Digitalizacija signala podrazumijeva njihovo
odabiranje, tj. uzimanje vrijednosti signala u tačno određenim vremenskim trenucima.
Interval vremena između dva susjedna trenutka odabiranja naziva se periodom
odabiranja.
Bitno je napomenuti da se ne mogu svi signali opisati nekim matematičkim
modelom. Ukoliko se signal može jednoznačno opisati nekom funkcijom ili pravilom,
naziva se determinističkim [1]. Vrijednosti determinističkog signala su poznate i u
prošlosti i u budućnosti, zbog čega ovakvi signali ne nose informaciju. Koriste se u
teorijskim opisima i analizama. U praksi se javljaju signali koji se ne mogu, ili su
komplikovani za predstaviti se nekom matematičkom funkcijom. Ovakvi signali se
Andjela Draganić Magistarski rad
________________________________________________________________________ 9
nazivaju slučajnim (stohastičkim), i ponašaju se na nepredvidljiv način sa promjenom
nezavisno promjenljive (nezavisno promjenljiva može biti npr. vrijeme). Matematički
model za opis stohastičkih signala pruža teorija vjerovatnoće.
1.2. Frekvencijska analiza signala
Svaki signal u vremenskom domenu ima svoju ekvivalentnu predstavu u domenu
frekvencija [1]-[7]. Analiza signala u frekvencijskom domenu ima veću praktičnu
primjenu od analize u vremenskom domenu. Većina realnih signala može se predstaviti u
obliku sume sinusoidalnih komponenti. Ako je signal periodičan, razlaganje na
sinusoidalne komponente predstavlja razvoj u red, a ukoliko je signal aperiodičan ovo
razlaganje naziva se Fourier-ovom transformacijom [3], [5]. Za signal razložen na sumu
sinusoida kaže se da je predstavljen u frekvencijskom domenu. Ovakva predstava pruža
informacije o frekvencijama koje postoje u signalu, kao i informacije o amplitudama
komponenti posmatranog signala, dok predstava signala u vremenskom domenu daje
informacije o promjenama amplitude signala u toku vremena. Frekvencijski sadržaj
signala naziva se spektrom signala.
Fourier-ova transformacija signala ( )x t definiše se na sljedeći način [6], [7]:
( ) ( ) j tX x t e dtωω∞
−
−∞
= ∫ . (1.1)
Vremenski oblik signala se može dobiti iz Fourier-ove transformacije njenom inverzijom.
Inverzna forma Fourier-ove transformacije definiše se kao:
1
( ) ( )2
j tx t X e d
ωω ωπ
∞
−∞
= ∫ . (1.2)
Osobine Fourier-ove transformacije Fourier-ova transformacija zadovoljava sljedeće osobine [1]-[4]:
Andjela Draganić Magistarski rad
________________________________________________________________________ 10
1. Linearnost
Fourier-ova transformacija linearne kombinacije signala, jednaka je linearnoj kombinaciji
njihovih Fourier-ovih transformacija:
( )1 2
1 2 1 2
( ) ( )
( ) ( ) ( ) ( ).
j t
j t j t
x t x t e dt
x t e dt x t e dt X X
ω
ω ω
α β
α β α ω β ω
∞−
−∞
∞ ∞− −
−∞ −∞
+ =
= + = +
∫
∫ ∫
(1.3)
2. Vremensko pomjeranje
Pomjeranje signala ( )x t za 0t po vremenu, rezultuje u multipliciranju Fourier-ove
transformacije članom 0j te ω− , tj.:
00( ) ( ).j tj t
x t t e dt e Xωω ω
∞−−
−∞
− =∫ (1.4)
3. Frekvencijsko pomjeranje:
Modulacija signala eksponencijalnom funkcijom pomjera Fourier-ovu transformaciju po
frekvencijskoj osi:
( )0 0( ) ( ).j t j te x t e dt Xω ω ω ω∞
−
−∞
= −∫ (1.5)
4. Konvolucija:
Fourier-ova transformacija konvolucije dva signala, 1( )x t i 2 ( )x t , jednaka je proizvodu
Fourier-ovih transformacija pojedinačnih signala:
1 * 2 1 2 1 2{ ( ) ( )} ( ) ( ) ( ) ( )FT x t x t FT x x t d X Xτ τ τ ω ω∞
−∞
= − =
∫ . (1.6)
Fourier-ova transformacija proizvoda dva signala jednaka je konvoluciji njihovih
Fourier-ovih transformacija:
Andjela Draganić Magistarski rad
________________________________________________________________________ 11
1 2 1 2{ ( ) ( )} ( ) ( )FT x t x t X Xωω ω⋅ = ∗ . (1.7)
Sa ω∗ je označena konvolucija u frekvencijskom domenu.
Diskretna Fourier-ova transformacija
Za praktične aplikacije potrebno je koristiti diskretnu formu Fourier-ove
transformacije. Diskretna Fourier-ova transformacija se definiše na sljedeći način [4]:
21
0
( ) ( )N j nk
N
n
DFT k x n e
π− −
=
=∑ , (1.8)
dok je njena inverzna forma:
21
0
1( ) ( )
N j nkN
k
x n DFT k eN
π−
=
= ∑ . (1.9)
Analiza u Fourier-ovom domenu ne daje informacije o vremenu pojavljivanja
određenih frekvencija u signalu. Ova informacija je sadržana u faznom spektru signala,
ali je teško tu informaciju interpretirati. Spektralna analiza ne pruža informaciju ni o
vremenskom trajanju ni o frekvencijskim modulacijama komponenti posmatranog
signala, stoga nije pogodna za analizu nestacionarnih signala, tj. signala čiji je spektar
nezavistan od vremena [8], [9]. U slučajevima ovakvih signala, potrebna je analiza koja
će dati informacije i o frekvencijama i o vremenu pojavljivanja frekvencija u spektru.
U cilju prevazilaženja nedostataka Fourier-ove transformacije, uvedena je analiza
signala po vremenu i po frekvenciji istovremeno, tzv. vremensko-frekvencijska (VF) [1],
[10]-[17] analiza. Osim što pruža informacije o vremenu pojavljivanja komponenti
signala i o frekvencijama koje se javljaju u signalu, VF analiza omogućava jasno
razlikovanje multikomponentnih od monokomponentnih signala. Opis nekih često
korišćenih VF distribucija dat je u narednom poglavlju.
Andjela Draganić Magistarski rad
________________________________________________________________________ 12
1.2.1 Signali u bežičnim komunikacijama
U nastavku je dat opis nekih modulacijskih tehnika koje se koriste u bežičnim
komunikacijama. Signali opisani u nastavku su korišćeni u radu kao testni signali.
Frequency Hopping Spread Spectrum tehnika modulacije
Frequency Hopping Spread Spectrum (FHSS) [18]-[28] je modulacijska tehnika
koja se koristi u komunikacijama širokog spektra. Tehnike proširenja spektra (Spread
Spectrum techniques) [18] se koriste u telekomunikacijama i radio komunikacijama za
proširenje frekvencijskog opsega signala. Signal proširenog spektra ima frekvencijski
opseg nekoliko puta veći od frekvencijskog opsega nemodulisanog signala. Tehnike su
razvijene u cilju otežavanja prisluškivanja povjerljivih informacija, kao i povećanja
otpornosti signala na šumove.
Proširenje frekvencijskog opsega postiže se upotrebom DSSS (Direct Sequence
Spread Spectrum), THSS (Time Hopping Spread Spectrum), CSS (Chirp Spread
Spectrum), FHSS modulacije, ili njihovim kombinacijama. Svaka od pomenutih tehnika
koristi pseudoslučajne sekvence za povećanje opsega signala. Kod FHSS tehnike,
frekvencija nosioca signala se mijenja sa jedne vrijednosti na drugu, što smanjuje uticaj
smetnji na signal i otežava njegovo presretanje. Frekvencije na kojima se signal
pojavljuje definisane su pseudoslučajnom (najčešće binarnom) sekvencom. Množenjem
pseudoslučajnog niza sa korisnim signalom postiže se proširenje spektra signala. Na
prijemnoj strani signal se sažima i dekodira. Da bi se signal mogao dekodirati,
pseudoslučajna sekvenca mora biti poznata kako predajniku, tako i prijemniku.
Za karakterizaciju FHSS signala moguće je koristiti vremensko-frekvencijsku
analizu signala [19]. U slučaju FHSS signala, vremensko-frekvencijska analiza daje
zadovoljavajuće rezultate prilikom estimacije parametara ovih signala, što je značajno za
identifikaciju načina rada u komunikacionim sistemima. Parametri signala, kao što su
trajanje hop sekvence, rastojanje između susjednih frekvencijskih komponenti signala, ili
centralna frekvencija komponente, mogu se dobiti karakterizacijom signala u vremensko-
Andjela Draganić Magistarski rad
________________________________________________________________________ 13
frekvencijskom domenu [19].
FHSS tehnika modulacije se koristi u Bluetooth sistemima, prilikom prenosa
bežičnih signala. Bluetooth je komunikacijski protokol, koji koristi ISM (Industrial,
Scientific and Medical) opseg frekvencija od 2.4GHz do 2.4835 GHz [26]. Bluetooth
tehnika koristi radio talase koji omogućavaju komunikaciju na rastojanjima do 10 m.
Frekvencijski opseg Bluetooth signala se dijeli u više nivoa, tako da u ISM opsegu
postoji 79 različitih frekvencija. Kako broj korisnika ISM opsega frekvencija raste iz
dana u dan, raste i vjerovatnoća pojave smetnji u sistemu usljed prisustva raznih tipova
signala. Razvijen je veliki broj tehnika za redukciju smetnji u ovim sistemima. Jedna od
njih je bazirana na proširenju spektra signala. Na osnovu Shannon-ove formule može se
zaključiti da se kapacitet kanala za prenos informacije povećava sa povećanjem širine
propusnog opsega signala. Shannon-ova formula za kapacitet data je sljedećom
relacijom:
2log (1 ),S
C WN
= + (1.10)
gdje C predstavlja kapacitet kanala, W propusni opseg, S snagu signala a N snagu šuma.
Takođe, proširivanjem spektra signala povećava se broj korisnika istog medijuma za
prenos signala, a da se međusobno ne ometaju.
IEEE 802.11b signal
IEEE 802.11 [19], [27], [28] je standard korišćen u bežičnim tehnologijama. Radi
u nelicenciranom 2.4 GHz ISM opsegu frekvencija. IEEE 802.11b standard koristi jedan
od 13 preklapajućih, 22 MHz širokih kanala. Svaki kanal se karakteriše svojom
centralnom frekvencijom. Rastojanje između susjednih centralnih frekvencija je 5 MHz.
Standard omogućava prenos signala na udaljenostima od 10 do 100 metara. Brzina
prenosa je oko 11 Mbps. Kao što je prethodno rečeno, broj korisnika ISM opsega
frekvencija raste. Ovaj opseg koriste kako Bluetooth uređaji, tako i bežični telefoni,
Andjela Draganić Magistarski rad
________________________________________________________________________ 14
mikrotalasne pećnice, vojni radari, kao i neki amaterski radio uređaji. Zbog podjele
spektra veoma česta je pojava interferencija. Oprema koja se koristi u komunikacijama bi
trebala da toleriše ove interferencije, zbog čega korisnici i nemaju nikakvu zaštitu
prilikom korišćenja uređaja čija je radna frekvencija u pomenutom opsegu. U cilju
smanjenja vjerovatnoće pojave smetnji, i IEEE 802.11b kao i Bluetooth standard koristi
tehniku proširenja spektra. IEEE 802.11b standard koristi Direct Sequence Spread
Spectrum (DSSS) tehniku modulacije. DSSS moduliše sinusni signal pseudoslučajnom
sekvencom simbola (tzv. chips). Sekvenca chip simbola, proizvedena od strane
predajnika poznata je i prijemniku. Prijemnik koristi istu ovu sekvencu u cilju
rekonstrukcije informacije.
Andjela Draganić Magistarski rad
________________________________________________________________________ 15
2. Vremensko-frekvencijska analiza signala
Vremensko-frekvencijska analiza signala daje uvid u raspodjelu energije signala u
domenu vremena i frekvencije [29]. Uvedena je sa ciljem da omogući analizu signala u
slučajevima kada pojedinačnom analizom u vremenskom i frekvencijskom domenu ne
možemo izvući željene podatke o signalu.
Postoji veliki broj VF distribucija, čiji je cilj opis varijacija frekvencijskog
sadržaja signala u vremenu [10]-[17]. VF distribucije su dvodimenzione funkcije
vremena i frekvencije. Funkcija koja opisuje promjene spektra signala naziva se trenutna
frekvencija (Instantaneous frequency - IF) [15]. Trenutna frekvencija je bitan parametar
signala, i pokazuje kako se frekvencijski sadržaj mijenja tokom vremena. Predstavlja
mjeru lokalizacije u vremenu pojedinih frekvencijskih komponenti [9] i, za razliku od
Fourier-ove frekvencije, vremenski je zavisna. Definiše se kao prvi izvod faze signala
[9]:
1 ( )
( ) ,2
d tIF t
dt
φ
π= (2.1)
gdje je sa ( )tφ označena faza signala. Osim trenutne frekvencije, za lokalizaciju
spektralnih komponenti signala koristi se i grupno kašnjenje, definisano kao prvi izvod
faze po frekvenciji [9]:
1 ( )
( ) ,2
d ff
df
ϕτ
π= − (2.2)
gdje je sa ϕ označena faza Fourier-ove transformacije. Grupno kašnjenje opisuje
lokaciju komponente čija je frekvencija f na vremenskoj osi.
U zavisnosti od tipa signala, kao i od primijenjene VF distribucije, dobija se
različita tačnost procjene trenutne frekvencije posmatranog signala. VF analiza je našla
brojne primjene u analizi nestacionarnih signala [30]-[33]. Neke od aplikacija u kojima se
VF distribucije primijenjuju su mjerenje temperaturnog gradijenta mikrostrukture u
Andjela Draganić Magistarski rad
________________________________________________________________________ 16
okeanima baziranom na vezi između trenutne frekvencije i disipacije kinetičke energije;
mjerenje apsorpcije i disperzije koeficijenata tla; analiza i dizajniranje ultrasoničnih
pretvarača; opisivanje signala koji prolaze kroz određeni medijum; analiza govornih,
seizmičkih, muzičkih signala; primjene u optici; radarima, medicini, i brojne druge [34]-
[46].
Sve VF distribucije se mogu podijeliti na linearne, kvadratne [10]-[17] i
distribucije višeg reda [47]-[55]. U nekim aplikacijama, poboljšanje koncentracije u
vremensko-frekvencijskom domenu postiže se povećavanjem broja prozora kod
postojećih distribucija, tj. upotrebom distribucija sa višestrukim prozorima [56]-[59].
Neke od najzastupljenijih distribucija u obradi signala opisane su u nastavku.
2.1. Analiza multikomponentih signala
Prije opisa VF distribucija, dat je kratak osvrt na analizu multikomponentih
signala [60]-[67]. Boashash [61] je dao generalnu proceduru prilikom analize signala:
Naime, prilikom analize signala prvo je potrebno odrediti da li je signal
stacionaran ili ne, kao i utvrditi da li je signal multikomponentni ili monokomponentni;
Ukoliko je signal sastavljen od više komponenti, poželjno je razdvojiti ga na
pojedinačne komponente, i pratiti promjene spektra za svaku komponentu pojedinačno
[61]. Takođe, potrebno je odrediti energiju signala oko njegove trenutne frekvencije;
Sljedeći korak je modelovanje signala. Ukoliko svaku komponentu opisuje njena
amplituda i faza, onda se analiza signala svodi na to da se nađu ovi parametri za svaku
komponentu signala.
VF analiza predstavlja značajno sredstvo za analizu multikomponentnih signala.
Kada se govori o trenutnoj frekvenciji multikomponentog signala, zapravo se misli na
lokalnu trenutnu frekvenciju. Naime, trenutna frekvencija multikomponentnog signala se
definiše za svaku komponentu istog, tj. trenutna frekvencija multikomponentog signala
Andjela Draganić Magistarski rad
________________________________________________________________________ 17
predstavlja mjeru lokalizacije u vremenu svake pojedinačne komponente signala [9],
[61]. Signal ( )x t se smatra multikomponentnim ukoliko postoji konačan broj N
monokomponentnih signala ( )ix t , 1,2,...,i N= takvih da relacija 1( ) ( )N
iix t x t
==∑ važi za
sve vrijednosti t za koje je signal ( )x t definisan [65].
Bitno je napomenuti da nijesu sve VF distribucije pogodne za analizu
multikomponentnih signala. Kvadratne VF distribucije, u slučaju multikomponentih
signala, pored članova signala stvaraju neželjene kros-komponente. Posmatrajmo signal
( )x t , sastavljen od dvije komponente, 1( )x t i 2 ( )x t . Kvadratne VF distribucije rezultuju
postojanjem sljedećih članova [65]:
11 22 12 21( , ) ( , ) ( , ) ( , ) ( , )TFD t TFD t TFD t TFD t TFD tω ω ω ω ω= + + + , (2.3)
gdje su 11( , )TFD t ω i 22 ( , )TFD t ω VF distribucije korisnih komponenti signala, dok
21( , )TFD t ω i 12 ( , )TFD t ω predstavljaju tzv. kros distribucije, nastale kao posljedica
kvadratne prirode primijenjene VF distribucije.
U ovom radu analizirani su multikomponenti signali koji se javljaju u bežičnim
komunikacijama – FHSS i IEEE 802.11b signali, kao i neki muzički signali. Takođe,
analizirane su i distribucije pogodne za primjenu kod ovakvih tipova signala.
2.2. Linearne vremensko-frekvencijske distribucije
Linearne vremensko-frekvencijske reprezentacije [1], [14], [15] zadovoljavaju
svojstvo linearnosti, što znači da vremensko-frekvencijska reprezentacija linearne
kombinacije signala odgovara linearnoj kombinaciji pojedinačnih djelova signala. Ako se
signal ( )x t može predstaviti kao linearna kombinacija signala 1( ),...., ( )px t x t , tj.:
1 1 2 2( ) ( ) ( ) ... ( )P Px t k x t k x t k x t= + + + , (2.4)
Andjela Draganić Magistarski rad
________________________________________________________________________ 18
to će linearna vremensko-frekvencijska transformacija ovakvog signala biti [2]: 1 1 2 2{ ( )} ( , ) ( , ) ... ( , ).P PTFD x t k X t f k X t f k X t f= + + + (2.5)
gdje je ( , )pX t f vremensko-frekvencijska transformacija signala ( )px t . U grupu
linearnih vremensko-frekvencijskih transformacija spadaju kratkotrajna Fourier-ova
transformacija [68]-[71], lokalna polinomijalna Fourier-ova transformacija [72], wavelet
transformacija [73]-[76] i slično.
2.2.1. Kratkotrajna Fourier-ova transformacija
Često korišćena reprezentcija u obradi signala je kratkotrajna Fourier-ova
transformacija – Short Time Fourier Transform (STFT) [77]-[80]. STFT je Fourier-ova
transformacija signala uokvirenog prozorom. Naime, umjesto Fourier-ove transformacije
čitavog signala, funkcijom prozora izdvaja se samo dio signala oko posmatranog
vremenskog trenutka t i računa se Fourier-ova transformacija tako uokvirenog dijela
signala. Pomjeranjem prozora duž čitave dužine signala dobija se STFT. STFT je
definisana na sljedeći način [77]:
( , ) ( ) ( ) ,jSTFT t x t w e dωτω τ τ τ∞
−
−∞
= +∫ (2.6)
gdje ( )x t predstavlja signal, a ( )w τ funkciju prozora. U praktičnim realizacijama koristi
se STFT u diskretnom obliku. Za diskretizaciju STFT-a posmatrajmo signal ( ) ( )x t wτ τ+ ,
[1]. Prema teoremi o odabiranju, period odabiranja je 1
2 mT
f≤ , gdje mf maksimalna
frekvencija signala ( ) ( )x t wτ τ+ . Diskretna forma STFT-a data je relacijom [79]:
( , ) (( ) ) ( ) .j mT
m
STFT n x n m T w mT e Tωω
∞−
=−∞
= +∑ (2.7)
Uzimajući ( ) ( )Tx nT x n= i normalizujući frekvenciju sa T dobija se:
( , ) ( ) ( ) .j m
m
STFT n x n m w m eωω
∞−
=−∞
= +∑ (2.8)
Andjela Draganić Magistarski rad
________________________________________________________________________ 19
Kako se diskretizacija obično vrši sa brojem odbiraka koji je veći ili jednak dužini
funkcije prozora, prethodna relacija se može zapisati kao:
21
0
( , ) ( ) ( ) , 0,..., 1N j km
N
m
STFT n k x n m w m e k N
π− −
=
= + = −∑ , (2.9)
gdje je N dužina funkcije prozora, a 2
kN
πω = .
Vremenski oblik signala, ( )x t , može se dobiti inverznom STFT:
1
( ) ( , ) .2 ( )
jx t STFT t e d
w
ωττ ω ωπ τ
∞
−∞
+ = ∫ (2.10)
Vrijednosti ( )x t τ+ mogu se računati za date vremenske trenutke t i za vrijednosti
parametra τ za koje funkcija prozora ( )w τ ima nenulte vrijednosti. Energetska verzija
STFT-a je spektrogram (SPEC) i opisan je relacijom:
2
( , ) ( , ) ,SPEC t STFT tω ω= (2.11)
STFT zadovoljava osobine navedene za Fourier-ovu transformaciju. Bitno je napomenuti
da spektrogram, kao kvadratna verzija kratkotrajne Fourier-ove transformacije, ne
zadovoljava osobinu linearnosti.
Širina prozora τ kod STFT-a utiče na rezoluciju signala u vremensko-
frekvencijskom domenu, što ograničava primjenu ove transformacije. Istovremeno
postizanje dobre rezolucije i po vremenu i po frekvenciji kod STFT i SPEC onemogućava
Hajzenbergov princip neodređenosti. Na Slici 2.1 ilustrovano je kako širina prozora utiče
na rezoluciju u VF ravni. Vidi se da se upotrebom širokog prozora poboljšava rezolucija
po frekvenciji, dok je vremenska rezolucija gora, dok sa uskim prozorom dobijamo bolju
vremensku i lošiju frekvencijsku rezoluciju (horizontalna poluosa elipse odgovara
rezoluciji po vremenu, dok vertikalna poluosa odgovara rezoluciji po frekvenciji). Princip
neodređenosti se može definisati na sljedeći način [4], [17]:
1 / 2t ω∆ ∆ ≥ , (2.12)
gdje su t
∆ i ω∆ vremensko trajanje i frekvencijski opseg posmatranog signala,
definisani kao:
Andjela Draganić Magistarski rad
________________________________________________________________________ 20
2 22 2
2 2
2 2
( ) ( )
,
( ) ( )t
w d W d
w d W d
ω
τ τ τ ω ω ω
τ τ ω ω
∞ ∞
−∞ −∞∞ ∞
−∞ −∞
∆ = ∆ =∫ ∫
∫ ∫. (2.13)
Princip neodređenosti odražava činjenicu da je spektar signala, koji ima kratko trajanje u
vremenskom domenu, širok, a signal dugog vremenskog trajanja ima uzak spektar.
Vremensko trajanje i frekvencijski spektar signala ne mogu imati proizvoljno male
vrijednosti istovremeno.
Slika 2.1 Širina komponenti u vremensko-frekvencijskoj ravni a) bez upotrebe funkcije prozora; b) upotrebom širokog prozora; c) upotrebom uskog prozora
Kratkotrajna Fourier-ova transformacija i spektrogram multikomponentnih signala
Signali u realnim aplikacijama, kao što su telekomunikacije, akustika,
biomedicina i slično, većinom su multikomponentni. Da bi se ovakvi signali mogli
okarakterisati, moraju se uzeti u obzir sve komponente signala. Svaka komponenta može
imati različitu trenutnu frekvenciju, amplitudu i trajanje. Analiza ovakvih signala u
domenu vremena ili u domenu frekvencija, nije pogodna za njihovu karakterizaciju. U
cilju opisa frekvencijskog sadržaja signala, trajanja pojedinačnih komponenti, promjena
amplitude signala tokom vremena i slično, pogodno je koristiti VF analizu.
Andjela Draganić Magistarski rad
________________________________________________________________________ 21
Analiza multikomponentnih signala podrazumijeva određivanje broja komponenti
u signalu, razlikovanje članova signala od kros-članova, mogućnost odvajanja
komponenti u VF domenu, kao i estimaciju trenutne frekvencije svake komponente
signala, tj.estimaciju lokalne trenutne frekvencije.
Ukoliko se komponente multikomponentnog signala ne preklapaju u vremensko-
frekvencijskoj ravni, spektrogram takvog signala se može napisati kao [17]:
2
2
1
( , ) ( , ) ( , )P
p
p
SPEC t STFT t STFT tω ω ω=
= =∑ , (2.14)
gdje su ( , )pSTFT t ω kratkotrajne Fourier-ove transformacije pojedinačnih komponenti
signala. U opštem slučaju, spektrogram multikomponentih signala je definisan relacijom
[17]:
2
*
1 1 1
( , ) ( , ) ( , ) ( , ),P P P
p p q
p p qq p
SPEC t STFT t STFT t STFT tω ω ω ω= = =
≠
= +∑ ∑∑ (2.15)
gdje je druga suma u izrazu posljedica interakcije između komponenti signala, i
predstavlja kros-komponente. Kros-komponente se kod spektrograma javljaju samo
ukoliko se komponente signala preklapaju u vremensko-frekvencijskoj ravni. Međutim,
rezolucija spektrograma u velikom broju slučajeva ne zadovoljava zahtjeve aplikacije u
kojoj se primjenjuje, pa se koriste druge VF distribucije.
2.3. Kvadratne vremensko-frekvencijske distribucije
Linearnost je poželjna osobina kod VF distribucija. Međutim, ukoliko želimo da
prikažemo distribuciju energije u VF ravni, prirodnije je koristiti kvadratne VF
distribucije [14]. Za kvadratne VF distribucije se vezuje koncept trenutne snage i
spektralne gustine energije. Trenutna snaga signala ( )x t definisana je formulom [4]:
2
( ) ( )xp t x t= , (2.16)
Andjela Draganić Magistarski rad
________________________________________________________________________ 22
dok se spektralna gustina energije definiše sljedećom relacijom:
2
( ) ( )xP f X f= . (2.17)
Prethodne dvije relacije povezane su marginalnim osobinama:
2
2
( , ) ( ) ( ) ,
( , ) ( ) ( ) ,
x
f
x
t
TFD t f df p t x t
TFD t f dt P f X f
= =
= =
∫
∫ (2.18)
gdje je sa TFD označena vremensko-frekvencijska distribucija. Ukupna energija signala
se dobija integracijom po vremenu i po frekvenciji po cijeloj VF ravni [4]:
2 2
( ) ( ) .xE x t dt X dω ω= =∫ ∫ (2.19)
Neke od osobina koje bi kvadratne (tj. energetske) VF distribucije trebalo da
zadovoljavaju date su u nastavku [1]-[4].
1. Realnost:
Imajući u vidu da predstavlja energiju signala poželjno je da VF distribucija bude realna
funkcija, tj.:
*( , ) ( , )x xTFD t f TFD t f= . (2.20)
2. Nenegativnost:
VF distribucija treba da bude nenegativna funkcija, iz istog razloga zbog koga je poželjno
da bude realna funkcija.
3. Vremensko pomjeranje:
Ako se posmatraju dva signala, ( )x t i 0( ) ( )x t x t t= − , istog oblika ali pomjereni u
vremenu za 0t , VF reprezentacije ova dva signala bi trebalo da budu istog oblika,
pomjerene po vremenu za istu vrijednost 0t :
0( , ) ( , )x xTFD t f TFD t t f= − , za 0( ) ( )x t x t t= − . (2.21)
Andjela Draganić Magistarski rad
________________________________________________________________________ 23
4. Frekvencijsko pomjeranje:
Posmatrajmo dva signala, ( )x t i 02( ) ( ) j f tx t x t e π= . Ako je spektar drugog signala
transliran u odnosu na spektar prvog signala za 0f , tj. ako važi
0(2 ) (2 2 )X f X f fπ π π= − , onda, na osnovu osobine modulacije Fourier-ove
transformacije, slijedi da VF distribucija drugog signala treba da bude translirana u
odnosu na VF distribuciju prvog signala za 0f , tj.:
0( , ) ( , )x xTFD t f TFD t f f= − , za 02( ) ( ) j f tx t x t e π= . (2.22)
5. Vremenski marginalni uslov:
Integral po frekvenciji VF distribucije, u određenom trenutku t , treba da bude jednak
trenutnoj snazi signala, tj. energiji signala u datom trenutku t :
2
( , ) ( )xf
TFD t f df x t=∫ . (2.23)
6. Frekvencijski marginalni uslov:
Integral po vremenu neke vremensko-frekvencijske distribucije, za određenu frekvenciju
f , treba da bude jednak spektralnoj gustini energije:
2
( , ) ( )xt
TFD t f dt X f=∫ . (2.24)
7. Energija signala:
Energija signala se dobija integracijom VF distribucije po cijeloj VF ravni:
1
( , )2x x
E TFD t f dfdtπ
∞ ∞
−∞ −∞
= ∫ ∫ . (2.25)
8. Vremensko-frekvencijsko skaliranje:
Ukoliko je poznata VF distribucija signala ( )x t , onda se VF distribucija signala
skaliranog po vremenu ( ) ( )y t a x at= može dobiti na sljedeći način:
Andjela Draganić Magistarski rad
________________________________________________________________________ 24
( , ) ( , )y xf
TFD t f TFD ata
= , za ( ) ( ), 0y t a x at a= ≠ . (2.26)
9. Trenutna frekvencija:
( , )1
( ) arg[ ( )]2( , )
x
f
i
x
f
fTFD t f dfd
f t x tdtTFD t f df π
= =
∫
∫. (2.27)
Prethodna relacija ima smisla samo ako se radi o monokomponentim signalima. U
slučaju multikomponentnih signala, trenutna frekvencija se traži za svaku komponentu
signala.
10. Grupno kašnjenje:
( , )1
( ) arg[ ( )]2( , )
x
tx
x
t
tTFD t f dtd
t f X fdfTFD t f dt π
= = −∫
∫. (2.28)
11. Vremensko ograničenje:
( , ) 0xTFD t f = izvan vremenskog intervala 1 2[ , ]t t , ako važi da je ( ) 0x t = izvan istog
vremenskog intervala.
12. Frekvencijsko ograničenje:
( , ) 0xTFD t f = izvan intervala frekvencija 1 2[ , ]f f , ako važi da je ( ) 0X f = izvan istog
frekvencijskog intervala.
13. Konvolucija signala
Ukoliko je poznat signal na ulazu sistema ( )x t i impulsni odziv sistema ( )h t , može se
odrediti VF distribucija signala na izlazu iz sistema, ( )y t , preko VF distribucija signala
( )x t i ( )h t , kao:
( , ) ( , ) ( , )y h xTFD t f TFD t f TFD f dτ τ τ∞
−∞
= −∫ , (2.29)
Andjela Draganić Magistarski rad
________________________________________________________________________ 25
gdje je ( ) ( ) ( )y t h t x dτ τ τ∞
−∞
= −∫ , hTFD i xTFD VF distribucije impulsnog odziva ( )h t i
signala ( )x t , respektivno.
14. Proizvod signala
VF distribucija proizvoda dva signala, 1( )x t i 2 ( )x t , treba da bude jednaka konvoluciji po
frekvenciji ovih signala, tj.:
1 2
1( , ) ( , ) ( , )
2 x xTFD t TFD t TFD t dω ω θ θ θ
π
∞
−∞
= −∫ . (2.30)
2.3.1 Wigner-ova distribucija
U cilju poboljšanja koncentracije signala u vremensko-frekvencijskoj ravni u
odnosu na STFT i SPEC, uveden je veliki broj VF distribucija. Među njima često
korišćena distribucija je Wigner-ova distribucija, definisana na sljedeći način [81]-[89]:
*( , ) ( ) ( ) .2 2
jWD t x t x t e d
ωττ τω τ∞
−
−∞
= + −∫ (2.31)
Wigner-ova distribucija poboljšava koncentraciju signala u odnosu na spektrogram, te
obezbjeđuje idealnu reprezentaciju za linearno-frekvencijski modulisane signale [81].
Međutim, Wigner-ova distribucija ima dva nedostatka koji se ispoljavaju kod određenih
tipova signala. Naime, u slučaju Wigner-ove distribucije nelinearno frekvencijski
modulisanih signala, javljaju se interferencije usljed nestacionarnosti samog signala, tzv.
„inner-interferences“. Drugi nedostatak Wigner-ove distribucije ispoljava se kod
multikomponentnih signala. Kod ovih tipova signala, na aritmetičkoj sredini između dva
člana signala (tj. auto-člana), Wigner-ova distribucija proizvodi novi član (tzv. kros ili
unakrsni član). Energija kros-člana može da bude značajno veća od energije auto-člana,
pa se kros-član u tim slučajevima može pogrešno protumačiti kao komponenta signala. Iz
tog razloga Wigner-ova distribucija ne daje uvijek vjernu predstavu signala u vremensko-
frekvencijskom domenu. U praksi se često koristi Wigner-ova distribucija uokvirena
prozorom – pseudo Wigner-ova [90], i definisana je sljedećom relacijom:
Andjela Draganić Magistarski rad
________________________________________________________________________ 26
* *( , ) ( ) ( ) ( ) ( ) ,2 2 2 2
jPWD t w w x t x t e d
ωττ τ τ τω τ∞
−
−∞
= + −∫ (2.32)
gdje je sa ( )w τ označena funkcija prozora. Bitno je napomenuti da širina prozora ne utiče
značajno na rezoluciju signala u vremensko-frekvencijskoj ravni.
Osobine Wigner-ove distribucije
Wigner-ova distribucija zadovoljava osobine 1-14, izuzev osobine 2, zbog čega
predstavlja najznačajniju kvadratnu vremensko-frekvencijsku distribuciju. Kako Wigner-
ova distribucija ne zadovoljava osobinu nenegativnosti, ne može se smatrati striktno
energetskom distribucijom.
Wigner-ova distribucija je invertibilna, što znači da je iz VF distribucije moguće
dobiti originalni oblik signala. Svojstvo invertibilnosti se zapisuje relacijom [15]:
2 *( , ) ( ) (0)2
j fttWD f e df x t x
π∞
−∞
=∫ . (2.33)
Lijeva strana relacije sadrži vremenski oblik signala i faktor *(0)x koji predstavlja
tačnost estimacije vremenskog oblika signala.
Wigner-ova distribucija u analizi multikomponentnih signala
Posmatrajmo multikomponentni signal ( )x t , sastavljen od dvije komponente i
definisan relacijom:
1 2
( )1 2
( ) ( )1 1 2 2
( ) ( ) ( ) ( ) ,
( ) ( ) , ( ) ( ) ,
j t
j t j t
x t x t x t a t e
x t a t e x t a t e
φ
φ φ
= + =
= = (2.34)
gdje su 1( )a t i 2 ( )a t trenutne amplitude, a 1( )tφ i 2 ( )tφ trenutne faze signala 1( )x t i 2 ( )x t .
Wigner-ova distribucija signala ( )x t proizvodi kros-član na aritmetičkoj sredini između
članova 1( )x t i 2 ( )x t , što se može napisati na sljedeći način [10]:
Andjela Draganić Magistarski rad
________________________________________________________________________ 27
1 2 1 2
*( , ) ( ) ( )2 2
( , ) ( , ) 2Re{ ( , )},
j
x x x x
WD t x t x t e d
WD t WD t WD t
ωττ τω τ
ω ω ω
∞−
−∞
= + − =
= + +
∫ (2.35)
gdje su sa
1( , )xWD t ω i 2 ( , )xWD t ω označene Wigner-ove distribucije auto-članova, dok
1 2( , )x xWD t ω predstavlja Wigner-ovu distribuciju kros-člana. Wigner-ova distribucija
kros-člana se definiše kao Fourier-ova transformacija kros-korelacione funkcije:
1 2
*1 2( , ) ( ) ( ) .2 2
jx xWD t x t x t e d
ωττ τω τ∞
−
−∞
= + −∫ (2.36)
Zbog navedenog nedostatka Wigner-ove distribucije, u slučaju multikomponentih signala
pogodno je koristiti distribucije koje redukuju ili eliminišu uticaj kros-članova [9]-[15].
Postoji veliki broj distribucija čiji je cilj redukcija, odnosno eliminacija kros-komponenti
iz vremensko-frekvencijske ravni. S-metod [91] u velikom broju slučajeva prevazilazi
nedostatke Wigner-ove distribucije, tj. redukuje ili potpuno eliminiše kros-članove. Osim
redukcije (eliminacije) kros-komponenti, S-metod se odlikuje dobrom koncentracijom
komponenti signala, kao kod Wigner-ove distribucije. Međutim, u slučajevima signala sa
jako bliskim komponentama, S-metod može da uzrokuje pojavu kros-člana. U tim
slučajevima, umjesto S-metoda, može se koristiti neka od pogodnih distribucija iz Cohen-
ove klase [13], [15]. Funkcija jezgra kod Cohen-ove klase distribucija, osim što utiče na
redukciju kros-komponenti u VF domenu, izaziva opadanje koncentracije komponenti
signala, pa je uvijek prisutan kompromis između očuvanja koncentracije signala i
redukcije kros-članova.
2.3.2 S-metod
U cilju prevazilaženja nedostataka STFT-a i Wigner-ove distribucije, uveden je S-
metod [91]-[95]. S-metod je definisan tako da poboljšava koncentraciju signala u odnosu
na SPEC ali i redukuje (odnosno potpuno eliminiše) prisustvo kros-članova koji se
Andjela Draganić Magistarski rad
________________________________________________________________________ 28
javljaju u Wigner-ovoj distribuciji multikomponentnih signala. S-metod redukuje
prisustvo kros-članova ukoliko se STFT pojedinačnih komponenti ne preklapaju u
vremensko-frekvencijskom domenu [93]. S-metod je opisan sljedećom relacijom:
*1
( , ) ( ) ( , ) ( , )2 2 2
SM t P STFT t STFT t dθ θ
ω θ ω ω θπ
∞
−∞
= + −∫ , (2.37)
gdje je ( )P θ funkcija prozora u frekvencijskom domenu [91], [95]. Za prozor ( ) 1P θ =
dobija se pseudo Wigner-ova distribucija, dok se za ( ) 2 ( )P θ πδ θ= dobija spektrogram.
U numeričkim realizacijama se koristi diskretna forma S-metoda, opisana relacijom [92]:
*( , ) ( ) ( , ) ( , ),d
d
L
i L
SM n k P i STFT n k i STFT n k i=−
= + −∑ (2.38)
gdje se sa dL označava širina prozora u frekvencijskom domenu [92], [94]. Širina
prozora ne bi trebalo da bude veća od polovine rastojanja između dva auto-člana. U
suprotnom, doći će do pojave kros-članova u S-metodu. Neke od aplikacija S-metoda
mogu se naći u [92]-[97].
Posmatran je signal sa brzo promjenljivom funkcijom faze. Na Slici 2.2 dati su
spektrogram, Wigner-ova distribucija i S-metod signala.
100 200 300 400 500
50
100
150
200
250
50 100 150 200 250
50
100
150
200
250
100 200 300 400 500
50
100
150
200
250
Slika 2.2 Spektrogram, Wigner-ova distribucija i S-metod signala sa brzo promjenljivom faznom funkcijom
Kao što se vidi sa Slike 2.2, spektrogram ne daje zadovoljavajuću koncentraciju
trenutne frekvencije signala. Kod Wigner-ove distribucije javljaju se smetnje usljed
nestacionarnosti samog signala. S-metod posmatranog signala u potpunosti prati
promjene prvog izvoda faze signala i, od posmatrane tri distribucije, daje najbolju
koncentraciju u vremensko-frekvencijskoj ravni. Slika 2.3 prikazuje spektrogram,
Andjela Draganić Magistarski rad
________________________________________________________________________ 29
Wigner-ovu distribuciju i S-metod signala koga čine dvije komponente. Kod Wigner-ove
distribucije posmatranog signala primjetno je značajno poboljšanje koncentracije u
odnosu na spektrogram, ali se javlja kros-član između dvije komponente signala. S-metod
eliminiše neželjenu komponentu koja se javlja kod Wigner-ove distribucije, zadržavajući
dobru vremensko-frekvencijsku koncentraciju komponenti signala.
100 200 300 400 500
50
100
150
200
250
50 100 150 200 250
50
100
150
200
250100 200 300 400 500
50
100
150
200
250
Slika 2.3 Spektrogram, Wigner-ova distribucija i S-metod multikomponentnog signala
Iako S-metod ima prednosti u odnosu na spektrogram i Wigner-ovu distribuciju,
ova distribucija nije inverzna. Pomenuta osobina S-metoda može predstavljati problem u
slučajevima kada je potrebno dobiti vremenski oblik signala.
2.4. Cohen-ova klasa distribucija
Većina vremensko-frekvencijskih distribucija pripada Cohen-ovoj klasi
distribucija [98]-[103]. Wigner-ova distribucija i spektrogram predstavljaju specijalne
slučajeve distribucija iz Cohen-ove klase. Distribucije iz Cohen-ove klase su kvadratne
distribucije, bazirane na funkciji jezgra. Ove distribucije zadovoljavaju osobinu
vremenske i frekvencijske invarijantnosti. To znači da, ukoliko je signal pomjeren po
vremenu i modulisan, njegova vremensko-frekvencijska reprezentacija će biti translirana
u istom iznosu u vremensko-frekvencijskom domenu. Postoji veliki broj distribucija koje
pripadaju Cohen-ovoj klasi. Svaka od njih ima oblast primjene, u zavisnosti od osobina
Andjela Draganić Magistarski rad
________________________________________________________________________ 30
koje zadovoljava. Osobine koje zadovoljava distribucija zavise od osobina primijenjenog
jezgra, pa prema tome razlikujemo Choi-Williams-ovu, Zhao-Atlas-Marks-ovu, Born-
Jordan-ovu distribuciju i druge [9], [98] -[110].
Cohen-ova klasa distribucija u analizi multikomponentnih signala
U analizi multikomponentnih signala, različite kvadratne vremensko-
frekvencijske distribucije su u upotrebi. Wigner-ova distribucija daje idealno
koncentrisanu trenutnu frekvenciju kod linearno-frekvencijski modulisanih signala, dok
kod multikomponentnih i visoko nestacionarnih signala unosi smetnje. Choi-Williams i
Zhao-Atlas-Marks distribucija u određenoj mjeri redukuju kros-članove, ali njihova
primjena je ograničena na mali broj signala. Korišćenjem jezgra Gausovog tipa i
podešavanjem njegovih parametara, mogu se dobiti zadovoljavajući rezultati za različite
tipove signala. Naime, prilagođavanjem jezgra lokaciji auto-komponenti signala u
ambiguity domenu, moguće je u velikoj mjeri redukovati kros komponente a
istovremeno, sačuvati kvalitet komponenti signala. Parametre jezgara u Cohen-ovoj klasi
treba birati tako da omoguće značajnu ili potpunu redukciju kros-komponenti, uz
zadržavanje dobre koncentracije članova signala [110]. Distribucije zasnovane na funkciji
jezgra daju zadovoljavajuće rezultate u slučajevima multikomponentih signala jako
bliskih komponenti, kad niti spektrogram niti Wigner-ova distribucija ne mogu dati
efikasne rezultate. Kako se priroda multikomponentnih signala razlikuje od aplikacije do
aplikacije, razvijen je veliki broj VF distribucija, tj. postoji veliki broj funkcija jezgara
[102], [103]. Neke od njih će biti objašnjene u narednim poglavljima.
2.4.1 Ambiguity funkcija
Osnova za definisanje Cohen-ove klase je Wigner-ova distribucija. Kao osnova za
definisanje ove klase mogla je poslužiti bilo koja distribucija, koja zadovoljava
marginalna svojstva. Međutim, odabrana je Wigner-ova distribucija jer najbolje
Andjela Draganić Magistarski rad
________________________________________________________________________ 31
koncentriše energiju signala. Takođe, Wigner-ova distribucija koristi jedinično jezgro
koje je nezavisno od signala. Posmatrajmo dvodimenzionu transformaciju Wigner-ove
distribucije, poznatu kao ambiguity funkcija [1]:
2/2 1
*
/2
( , ) ( ) ( ) .N jmk
N
k N
A m n x k n x k n e
π− −
=−
= + −∑ (2.39)
U integralnom obliku, relacija (2.39) se može napisati kao [104]:
*( , ) ( ) ( ) .2 2
j tA x t x t e dt
θτ τθ τ∞
−
−∞
= + −∫ (2.40)
Ambiguity funkcija i Wigner-ova distribucija predstavljaju Fourier-ov transformacioni
par [2]:
( )( , ) ( , ) j tA WD t e dtdθ τωθ τ ω ω∞ ∞
− −
−∞ −∞
= ∫ ∫ . (2.41)
Na Slici 2.4 data je Wigner-ova distribucija i ambiguity funkcija dva različita signala.
Prvi signal je FHSS signal, sastavljen od tri komponente. Signal je definisan relacijom:
31 2 2 8.52 11.6 2 9.2( ) j tj t j tx t e e e ππ π − ⋅ ⋅− ⋅ ⋅ ⋅ ⋅= + + , (2.42)
gdje je N dužina signala, 1 1
1: :1128 128
t = − − , a 1 2 32 2
(1: ), ( : ), ( : )3 3 3 3
N N N Nt t t N∈ ∈ ∈ .
Drugi signal je sastavljen od dvije komponente i definisan je kao:
2 22 12 ( 1)( ) 6 8 , 1:1/128:1 1/128j t j tx t e e tπ π −= + = − − . (2.43)
Andjela Draganić Magistarski rad
________________________________________________________________________ 32
WD
50 100 150 200 250
50
100
150
200
250 t
ω
τ
θAmbiguity funkcija
50 100 150 200 250
50
100
150
200
250
a) b)
WD
50 100 150 200 250
50
100
150
200
250 t
ω Ambiguity funkcija
50 100 150 200 250
50
100
150
200
250
τ
θ
c) d)
Slika 2.4 Wigner-ova distribucija i ambiguity funkcija: a) i b) FHSS signala definisanog relacijom (2.42); c) i d) signala definisanog relacijom (2.43)
Kod oba posmatrana signala, kros-članovi su dislocirani od koordinatnog početka, dok se
auto-članovi nalaze u blizini koordinatnih osa i koordinatnog početka. Maksimalna
vrijednost auto-članova u ambiguity domenu je u koordinatnom početku, i ta vrijednost je
jednaka energiji signala.
Ambiguity funkcija se može definisati i u frekvencijskom domenu, na sljedeći
način:
1
( , ) ( ) *( ) .2 2 2
jA X X e d
ωτθ θθ τ ω ω ωπ
∞
−∞
= + −∫ (2.44)
Važno je napomenuti da filtriranje signala u ambiguity domenu rezultira redukcijom
kros-članova, ali i smanjenjem rezolucije auto-članova u VF domenu, tako da uvijek
Andjela Draganić Magistarski rad
________________________________________________________________________ 33
postoji kompromis između redukcije kros-članova i očuvanja rezolucije komponente
signala.
2.4.2 Definicija Cohen-ove klase distribucija
Distribucije iz Cohen-ove klase mogu se definisati na sljedeći način [17], [105]:
1
( , ) ( , ) ( , )2
j t jC t l A e d d
θ ωτω θ τ θ τ θ τπ
∞ ∞− −
−∞ −∞
= ∫ ∫ , (2.45)
gdje ( , )l m n i ( , )l θ τ označavaju dvodimenzione funkcije jezgra, dok je sa ( , )A m n i
( , )A θ τ označena ambiguity funkcija. Diskretna forma distribucija iz Cohen-ove klase
definiše se kao:
2 2/2 1 /2 1
/2 /2
( , ) ( , ) ( , ) ,N N j mk j n
N N
n N m N
C k l m n A m n e
π πψ
ψ− − − −
=− =−
= ∑ ∑ (2.46)
Cohen-ova klasa predstavlja inverznu dvodimenzionu Fourier-ovu transformaciju
funkcije jezgra ( , )l θ τ i ambiguity funkcije ( , )A θ τ . Dvodimenziona Fourier-ova
transformacija funkcije jezgra je definisana na sljedeći način:
1
( , ) ( , ) .2
j t jL t l e d d
θ ωτω θ τ τ θπ
∞ ∞− −
−∞ −∞
= ∫ ∫ (2.47)
Na osnovu osobine dvodimenzione Fourier-ove transformacije, važi da, ukoliko funkcije
1( , )x t ω i 1( , )X θ τ i 2 ( , )x t ω i 2 ( , )X θ τ predstavljaju 2D FT parove, onda je [2]:
2
1 2 1 2( , ) ( , ) ( , ) ( , )D FT
X X x t x d dθ τ θ τ η ω ε η ε η ε∞ ∞
−∞ −∞
→ − −∫ ∫ . (2.48)
Ukoliko se uzme da je 1( , ) ( , )x t L tω ω= i 2 ( , ) ( , )x t WD tω ω= , i uvrsti u relaciju (2.45),
dobija se:
1
( , ) ( , ) ( , )2
C t L t WD d dω η ω ε η ε η επ
∞ ∞
−∞ −∞
= − −∫ ∫ . (2.49)
Andjela Draganić Magistarski rad
________________________________________________________________________ 34
Prethodna relacija pokazuje da se sve distribucije iz Cohen-ove klase mogu posmatrati
kao 2D filtrirane verzije Wigner-ove distribucije, funkcijom jezgra čija je 2D FT
označena sa ( , )L t ω .
Poželjna osobina distribucija iz Cohen-ove klase je da zadovoljavaju marginalne
uslove [106]. U tom cilju, funkcija jezgra mora da zadovoljava sljedeće uslove:
( ,0) 1l θ = i (0, ) 1l τ = . Wigner-ova distribucija predstavlja specijalan slučaj distribucije
iz Cohen-ove klase, za funkciju jezgra ( , ) 1l θ τ = .
TABELA 1: NEKE OD DISTRIBUCIJA IZ COHEN-OVE KLASE I NJIMA ODGOVARAJUĆE FUNKCIJE JEZGRA
Distribucija Jezgro ( , )l θ τ Wigner-Ville 1
Margenau-Hill cos( / 2)θτ
Kirkwood-Rihaczek /2je θτ
Sinc sin a
a
θτ
θτ
Zhao-Atlas-Marks sin( / 2)
( )/ 2
wθτ
τ τθτ
Born-Jordan sin( / 2)
/ 2
θτ
θτ
Choi-Williams 2 2 2/e θ τ σ−
Gaussian 2 2 2 21 2( /2 /2 )e θ σ τ σ− +
Kao što je prethodno rečeno, svi članovi signala u ambiguity domenu su raspoređeni oko
koordinatnih osa i koordinatnog početka, dok su kros-članovi dislocirani od osa. Izborom
odgovarajuće funkcije jezgra, koja se ponaša kao 2D niskopropusni filtar [107]-[109], i
podešavanjem parametara ove funkcije, moguća je redukcija ili kompletna eliminacija
kros-članova. Postoji veliki broj funkcija jezgra, pogodan za filtriranje različitih tipova
signala.
Andjela Draganić Magistarski rad
________________________________________________________________________ 35
TABELA 2: POŽELJNE OSOBINE VF DISTRIBUCIJA IZ COHEN-OVE KLASE I USLOVI KOJE FUNKCIJE JEZGRA TREBA DA ZADOVOLJAVAJU
Osobina Ograničenje funkcije jezgra
Realnost *( , ) ( , )l lθ τ θ τ= − −
Vremensko pomijeranje Uvijek je zadovoljeno Frekvencijsko pomijeranje Uvijek je zadovoljeno
Marginalno svojstvo po vremenu (0, ) 1l τ =
Marginalno svojstvo po frekvenciji ( ,0) 1l θ =
Vremenski momenti 2
( , ) ( )n n
t f t
t TFD t f dtdf t x t dt=∫ ∫ ∫
Frekvencijski momenti 2
( , ) ( )n n
t f f
f TFD t f dtdf f X f df=∫ ∫ ∫
Vremensko-frekvencijsko skaliranje ( , ) ( , )l a la
τθ θ τ= , za 0a ≠
Trenutna frekvencija (0, ) 1l τ = i 0( ( , ))
0l
θ
θ τ
θ =∂
=∂
Grupno kašnjenje ( ,0) 1l θ = i 0( ( , ))
0l
τ
θ τ
τ =∂
=∂
Vremensko ograničenje ( , ) 0xTFD t f = za t van 1 2[ , ]t t ako je
( ) 0x t = van 1 2[ , ]t t
Frekvencijsko ograničenje ( , ) 0xTFD t f = za f van 1 2[ , ]f f ako
je ( ) 0X f = van 1 2[ , ]f f
Moyal-ova formula (unitarnost) ( , ) 1l θ τ =
Konvolucija 1 2 1 2( , ) ( , ) ( , )l l lθ θ τ θ τ θ τ+ =
Množenje 1 2 1 2( , ) ( , ) ( , )l l lθ τ τ θ τ θ τ+ =
Fourier-ova transformacija ( , ) ( , )l a la
τθ θ τ− = , za 0a ≠
Čirp konvolucija ( , ) ( , )l la
τθ τ θ τ− = , za 0a ≠
Čirp multiplikacija ( , ) ( , )l a lθ τ θ θ τ− = , za 0a ≠
Međutim, prilikom izbora funkcije jezgra, osim filtriranja kros-članova mora se voditi
računa i o koncentraciji komponenti signala. Naime, jezgro u većini slučajeva pogoršava
koncentraciju u VF domenu, pa postoji kompromis između redukcije kros-komponenti i
očuvanja dobre koncentracije komponenti signala. Treba napomenuti da sva jezgra imaju
jedan ili više parametara koji se mogu podešavati, i omogućiti veću ili manju redukciju
Andjela Draganić Magistarski rad
________________________________________________________________________ 36
kros-članova, a istovremeno, uticati na koncentraciju signala u VF ravni. Cohen-ova
klasa distribucija se može definisati i na sljedeći način:
* ( )1
( , ) ( , ) ( ) ( ) .2 2 2
j u tC t l x u x u e dud d
θ θ τωτ τω θ τ τ θπ
∞ ∞ ∞− −
−∞ −∞ −∞
= + −∫ ∫ ∫ (2.50)
U Tabeli 2 nabrojane su neke od poželjnih osobina koje bi distribucije iz Cohen-ove klase
trebalo da zadovoljavaju [111]. Neke od često korišćenih distribucija iz Cohen-ove klase
opisane su u nastavku.
Choi-Williams distribucija
Filtriranjem ambiguity funkcije eksponencijalnim jezgrom oblika 2 2 2/
eθ τ σ− ,
dobija se Choi-Williams distribucija. Ova distribucija se još naziva i eksponencijalnom
distribucijom [109]. Parametar σ kontroliše širinu jezgra. Promjenom parametra σ utiče
se na redukciju kros-članova, ali i na rezoluciju auto-članova signala. Za male vrijednosti
ovog parametra, pad jezgra je strmiji i jezgro je uže (Slika 2.5). Kako povećavamo
vrijednosti parametra σ , jezgro je šire i uzima veći broj članova iz ambiguity domena, pa
se približava Wigner-ovoj distribuciji.
Slika 2.5 Izgled Choi-Williams-ovog jezgra, za različite vrijednosti parametra σ : a) 0.01σ = , b) 1σ = , c) 100σ =
Na Slici 2.5 dat je izgled jezgra Choi-Williams-ovog tipa, za različite vrijednosti
parametra σ . Choi i Williams su predložili optimalni opseg vrijednosti za parametar σ :
od 0.1 do 10. Jezgro Choi-Williams-ovog tipa propušta članove oko koordinatnog
početka, ali i članove koje se nalaze uz koordinatne ose, pa nije pogodno za signale kod
kojih su kros-članovi locirani blizu koordinatnih osa u ambiguity domenu.
Andjela Draganić Magistarski rad
________________________________________________________________________ 37
Ukoliko se kros-članovi nalaze duž dijagonala u ambiguity domenu, a auto-
članovi su skoncentrisani oko koordinatnog početka, Choi-Williams distribucija za malu
vrijednost parametra σ može potpuno da eliminiše kros-članove. Distribucije zasnovane
na jezgrima eksponencijalnog oblika, kao što je Choi-Williams-ova distribucija,
zadržavaju većinu osobina poželjnih za energetske vremensko-frekvencijske distribucije.
Međutim, eksponencijalne distribucije ne zadovoljavaju osobinu konačnog vremenskog i
frekvencijskog trajanja, i ne garantuju pozitivnu distribuciju [109].
Distribucija zasnovana na Gauss-ovom jezgru Gauss-ovo jezgro definisano je relacijom:
2 2 2 2
1 2( /2 /2 )( , )l e θ σ τ σθ τ − += . (2.51) Podešavanje parametara 1σ i 2σ jezgra utiče se na rasipanje VF distribucije po vremenu
i po frekvenciji. Gauss-ova jezgra se mogu koristiti za redukciju kros-članova u Wigner-
ovoj distribuciji i obezbjeđuju pozitivnu distribuciju.
Slika 2.6 Izgled Gauss-ovog jezgra, za različite vrijednosti parametra σ : a) 20σ = ,
b) 60σ = , c) 120σ = . Uzeto je da je 1 2σ σ σ= = Gauss-ovo jezgro je korišćeno u analizi stop i nazalnih suglasnika [109]. Koristi se u
analizi govornih signala, jer omogućava frekvencijsku rezoluciju kao kod spektrograma
sa uskim prozorom, a vremensku rezoluciju kao kod spektrograma sa širokim prozorom
[109]. Na Slici 2.6 dati su izgledi Gauss-ovog jezgra za različite vrijednosti parametara
1σ i 2σ . Uzeto je 1 2σ σ σ= = .
Andjela Draganić Magistarski rad
________________________________________________________________________ 38
Distribucija zasnovana na Zhao-Atlas-Marks-ovom jezgru Zhao-Atlas-Marks jezgro def