analiza spektralna ii rz Ędu: algorytm fam · 4 0 5 10 15 20 25 30-0.8-0.6-0.4-0.2 0 0.2 0.4 0.6...
TRANSCRIPT
1
J. Pawelec, K. Grzesiak
ANALIZA SPEKTRALNA II RZĘDU: ALGORYTM FAM
Streszczenie
Scharakteryzowano krótko historię i znaczenie przekształceń sygnałów z dziedziny czasu,
w jakiej są obserwowane do dziedziny częstotliwości, w której są wykorzystywane.
Opisano numeryczną metodę analizy II rzędu, zwaną inaczej cyklostacjonarnością (SCD).
Metoda ta pozwala wykryć słabe sygnały uboczne, np. symptomy uszkodzeń maszyn lub
informacje celowo lub przypadkowo ukryte głęboko w szumach
1 WPROWADZENIE
Powszechnie stosowanym narzędziem badania drgań jest transformata Fourier’a,
wynaleziona jeszcze w XIX wieku przez Jean’a B. Fouriera w toku jego badań procesów
cieplnych. Nieco ponad sto lat później amerykańscy uczeni z IBM i Princeton University –
Cooley i Tukey - wynaleźli szybką odmianę tej transformaty, tzw. FFT. Pozwala ona
wykryć i ogólnie scharakteryzować drgania okresowe występujące pod przykryciem
niewielkiego szumu. Widmo mocy S(ω) wyznacza się wtedy poprzez funkcję
autokorelacji: ∫= ∞∞−
− ττω ωτ deRS j)()( , gdzie ∫ += ∞∞− τττ dtxtxR )()()( . Jeśli przykładowo autokorelacja
R(τ) ma postać wykładniczą R(τ)=ae-bτ , to widmo wyraża się funkcją: )/(2)( 22 baabS +=ω ,
gdzie a,b – parametry rozkładu, rys.1.
Rys. 1 Funkcja autokorelacji R i widmo F szumu stac jonarnego dolno-pasmowego
Przekształcenie powyższe jest bardzo przydatne, np. dla oceny wpływu różnych zakłóceń
na odbiór w zadanym paśmie częstotliwości. W wielu obszarach fizyki i techniki taka
analiza jest jednak niewystarczająca. Bardziej dokładna i zarazem ogólna jest analiza II
2
rzędu dająca obraz w polu dwu częstotliwości, tj. normalnej ω i tzw. cyklicznej α. Twórcą
analizy II rzędu jest Williama A. Gardner z Uniwersytetu Berkeley [1,2]. Wprowadził on
pojęcie okresowej funkcji autokorelacji. Jest nią np. pogoda w skali roku, która zmienia się
z czasem τ, ale podlega także sezonowej okresowości α. Mamy zatem tjeRR παα ττ 2)()( −= ,
gdzie α - częstotliwość cykliczna. Tę nową funkcję wyznacza się z reguły numerycznie
według następującego algorytmu
0*])2/([])2/([)( )2/(2)2/(2 ≠+−=∑∑ +−−
τ α
τπατπαα τττ tjtj etxetxR (1)
Tabela 1 Poczet twórców analizy spektralnej: Fourie r, Cooley, Tukey, Gardner, Varkonyj-Koczy
Mnożenie wektora sygnału x(t) przez tje πα2 oznacza fizycznie jego obrót o kąt 2παt.
Zatem równanie (1) wyra ża korelacj ę czyli podwójn ą sumę iloczynów dwu postaci tego
samego sygnału harmonicznego x(t) i x’ ’(t), u których cz ęstotliwo ści są w takt mno żenia
i sumowania x(t)x’(t) , odpowiednio, zwi ększane i pomniejszane o ±α, a momenty
probkowania - przesuwane o ±τ/2. W rezultacie Rα(τ) ≠ 0 oznacza istnienie okresowo ści
II rzędu (cyklostacjonarno ści), czyli widma dwuwymiarowego S α(f), gdzie f ↔1/τ.
2 PROSTE EKSPERYMENTY
Czym w istocie jest widmo II rzędu? Jest to widmo dwuwymiarowe, odpowiadające
korelacji sygnału zarówno w czasie, jak i w częstotliwości. Na jednej osi określona jest
zmienność mocy sygnału względem τ przy stałym α, a na drugiej odwrotnie. Dla
przybliżenia rozważanych pojęć uruchomimy prosty program:
for al=1:16,
for t=1:32,
R(al,t)=cos(pi*(1-(al-1)/32)*(t-1)/32)*cos(pi*(1+(al-1)/32)*(32-t)/32); (1a)
end
end;
3
Oblicza on funkcję cyklo-korelacji R(a,t) zgodnie z równ. (1) dla sygnału złożonego z
iloczynu dwu kosinusów. Odstępstwo od realiów jest tu – wbrew pozorom - nie tak duże,
jako że np. popularny sygnał BPSK (binary phase shift keying) też się składa z kosinusów,
tyle że występujących z losowym znakiem ±. Powoduje to większe rozmycie widma, ale
zarazem zaciemnia dyskusję.
Wynik programu, czyli cyklostacjonarna funkcja autokorelacji R(alfa, tau) jest dana na
rys.2. Jednocześnie na rys.3 przedstawiono przekroje widma II rzędu wzdłuż oraz wszerz
bryły korelacji
05
1015
2025
3035
0
5
10
15
20
-1
-0.5
0
0.5
tau
CYKLOKORELACJA 2 KOSINUSÓW PRZESUWANYCH W CZASIE tau i CZÊSTOTLIWOŒCI alfa
alfa
cykl
okor
elac
ja
Rys. 2 Funkcja autokorelacji Rα(τ) dla prostego sygnału harmonicznego cos[pi*(1-α/2)τ]cos(pi*(1+ α/2)(T-τ)]
Jak widzimy, sama bryła przypomina prostopadłościan z wyprofilowanym dachem na
kształt sinusoidy: dla α=0 sinusoida jest niska z dominacją wartości ujemnych (kolor
niebieski). Dla α=1/2 sinusoida jest wysoka i dominują w niej wartości dodatnie (kolor żółty
i pomarańcz). Można zatem oczekiwać, że widmo fourierowskie dla przodu dachu (wzdłuż
τ) będzie mieć niewielkie wartości, a dla tyłu - znacznie większe. Wystąpi również
przesunięcie fazowe między przodem, a tyłem.
Przewidywania te w pełni potwierdzają wyniki, rys.3 - a,b,c. Na rys.3a amplituda widma
jest ujemna i niewielka, natomiast na rys.3c – znacznie większa i dodatnia (porównaj
skale). Dwie harmoniczne odpowiadają przyjętej w algorytmie FFT zasadzie symetrii
ukośnej (wartość urojona ujemna w pierwszej połowie wykresu staje się dodatnia w drugiej
połowie, wartości rzeczywiste się nie zmieniają, numeracja harmonicznych biegnie od 0 do
2N). Zwraca uwagę monochromatyczność (wysoka czystość sinusoidalna) prążków widma
4
0 5 10 15 20 25 30-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8WIDMO CYKLICZNE 2 KOSINUSÓW PRZESUWANYCH W CZASIE tau i CZÊSTOTLIWOŒCI f
0 5 10 15 20 25 30-5
-4
-3
-2
-1
0
1
2
3
4
5WIDMO CYKLICZNE 2 KOSINUSÓW PRZESUWANYCH W CZASIE tau i CZÊSTOTLIWOŒCI f
0 5 10 15 20 25 30 35-10
-8
-6
-4
-2
0
2
4
6
8
10WIDMO CYKLICZNE 2 KOSINUSÓW PRZESUWANYCH W CZASIE tau i CZÊSTOTLIWOŒCI f
Rys. 3 Przekrojowe widma fu nkcji Rα(τ), rys.2, wzdłu ż zmiennej τ dla α=0, 8 i 16
0 2 4 6 8 10 12 14 16 18-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5WIDMO CYKLICZNE 2 KOSINUSÓW PRZESUWANYCH W CZASIE tau i CZÊSTOTLIWOŒCI f
0 2 4 6 8 10 12 14 16 18-1.5
-1
-0.5
0
0.5
1
1.5WIDMO CYKLICZNE 2 KOSINUSÓW PRZESUWANYCH W CZASIE tau i CZÊSTOTLIWOŒCI f
0 2 4 6 8 10 12 14 16-3
-2
-1
0
1
2
3WIDMO CYKLICZNE 2 KOSINUSÓW PRZESUWANYCH W CZASIE tau i CZÊSTOTLIWOŒCI f
Rys. 4 Przekrojowe widma funkcji Rα(τ), rys.2, wzdłu ż zmiennej α dla τ=0, 16 i 32
Nie można tego samego powiedzieć o widmie wszerz bryły korelacji: widzimy tu całe
spektrum widma, co wynika ze skręcenia (skoliozy) dachu. Jego przekrój poprzeczny nie
jest już czystą sinusoidą: pewne fragmenty są niższe, inne wyższe, stąd wiele prążków.
Pozostałe cechy się powtarzają, jak zmienność fazy i amplitudy (mocy).
3 IDEA REALIZACJI FIZYCZNEJ
Powyższa uproszczona analiza służy jedynie do ilustracji zjawisk. Ich przebieg w
rzeczywistości jest o wiele bardziej złożony. Dla uzyskania widma cyklostacjonarnego
należy bowiem uwzględnić szereg czynników dodatkowych. Po pierwsze, skończoną
gęstość próbkowania i jej konsekwencje, po drugie – oddziaływanie wzajemne próbek w
obu partiach widma. Kłaniają się tu takie pojęcia, jak allising, estymacja, filtracja itd. Przez
ćwierć wieku dziesiątki, jeśli nie setki autorów mocowało się z tym problemem. W efekcie
zaproponowano kilka technik numerycznych, z których Fast Fourier Accumulation Method
(FAM) wydaje się najbardziej perspektywiczna i przystępna. Jej ideę ilustruje rys.5.
5
Z toru pośredniej częstotliwości odbiornika pobieramy próbki sygnału zgodnie z zasadą
Shannona (dwa razy szybciej, niż największa częstotliwość sygnału). Tworzymy z nich
dwa strumienie: jeden przesunięty w fazie w przód, drugi – wstecz (czyni to operator exp).
Strumienie te przesuwamy dalej w czasie drogą filtracji dolno- i górno-pasmowej (filtracja,
to splot, czyli sukcesywne wzajemne przesuwanie i sumowanie iloczynów sygnału i
odpowiedzi impulsowej filtru). Dalej następuje – zgodnie z równ.(1) - mnożenie sprzężone
strumieni dające w efekcie rzeczywiste wartości widma mocy w polu dwu współrzędnych,
α i f (odpowiednik τ).
f-α
f
f
f+ α Rys. 5 Idea wyznaczania widma II rz ędu drog ą zmian fazy i momentu pobierania próbek
4 METODA FAM
4.1. Założenia
Funkcja gęstości korelacji widmowej, zwana widmem cyklicznym (Spectral-Correlation
Density) określona jest za pomocą wzoru [1]:
)2
()2
(1
lim)( *2 ααττπαα −+=∫=∞→
∞
∞−
− fXfXT
deRfS TTT
fjxx (2)
gdzie α jest częstotliwością cykliczną, natomiast
dueuxfX fujT
T
Tπ2
2/
2/
)()( −
−∫∆ (3)
jest transformatą Fouriera sygnału )(ux .
W praktyce sygnały badane są w skończonym przedziale czasu. W wyniku tego SCD nie
może być obliczona dokładnie, a możemy jedynie wyznaczyć jej estymatę. Metody
stosowane w technice estymacji funkcji SCD wykorzystują jedną z dwóch technik.
Pierwsza z nich to wygładzanie w dziedzinie czasu (time smoothing), natomiast druga to
6
wygładzanie w dziedzinie częstotliwości (frequency smoothing). Za bardziej korzystną
uważana jest estymacja opartą o wygładzanie w dziedzinie czasu. Dla sygnału, którego
czas obserwacji wynosi t∆ , widmo cykliczne może być estymowane zgodnie z wzorem:
∫
∆+
∆−
∆ ∆=≈
2
2
),(1
),()(
tt
tt
xtxTx dufuSt
ftSfSWTW
αα (4)
gdzie t∆ jest czasem obserwacji, a WT długością okna FFT, natomiast
)2
,()2
,(1
),( * αα −+= fuXfuXT
fuSWWWT TT
Wx (5)
∫+
−
−=2
2
2)(),(
W
W
W
Tt
Tt
fujT dueuxfuX π (6)
Idee estymacji SCD metodą wygładzania w dziedzinie czasu można przestawić graficznie,
jak na poniższym rysunku.
a) b)
Rys. 6 Estymacja widma cyklicznego metod ą wygładzania w dziedzinie czasu:
a) sposób wyznaczanie FFT w czasie obserwacji t∆ , b) uśrednianie wyników w dziedzinie czasu
Jak zostało to przestawione na rys. 6 realizowane są krótkie transformacje FFT na
odcinkach sygnału x(t) o czasie trwania WT w całym okresie obserwacji t∆ . Elementy
widma generowane przez każdą z FFT mają rozdzielczość WT
f1=∆ . Na rysunku L określa
t
t∆
FFT
)(tx
WT
L
),( fuXWT
t
X X X
0f 0f 0f
0α 0α 0α
),( 1 ftXWT ),( 2 ftX
WT ),( ftX pTW
t
f f
f
)(tx
7
tzw. współczynnik zachodzenia między transformatami FFT. Wartość L nie powinna być
większa niż 4WT
L ≤ w celu uniknięcia zjawisk przecieku i aliasingu.
Dla każdej krótkiej sekwencji FFT o czasie trwania WT dokonuje się obliczania krótko-
czasowej korelacji widma drogą mnożenia produktów. Wynik każdego przemnożenia
odpowiada pewnej częstotliwości środkowej 0f , będącej średnią arytmetyczną
przemnażanych częstotliwości oraz odległości między przemnażanymi elementami widma
0α . Można zauważyć (rys. 6b), że dziedzina „u” zostaje zastąpiona dziedziną czasu
pttt ...., 21 . Wartości 0f i 0α dla wszystkich FFT są uśredniane w okresie obserwacji t∆ . Im
dłuższy czas obserwacji, tym dokładniejszą jest estymata, a rozdzielczość w dziedzinie
częstotliwości cyklicznej jest proporcjonalna do t∆
=∆ 1α .
Podstawowym warunkiem poprawnej estymaty widma cyklicznego jest tzw. warunek
niepewności Gardner’a określony wzorem 1>>∆⋅∆ ft , który określa, że czas obserwacji
mysi być dużo większy od czasu okna WT zastosowanego do obliczenia poszczególnego
FFT. Biorąc pod uwagę fakt, że t∆
≈∆ 1α wynik estymacji dla danego 0f i 0α reprezentuje
bardzo mały obszar na płaszczyźnie widma cyklicznego. Zapełnienie całego obszaru
widma cyklicznego wymaga więc bardzo wielu mnożeń elementów widma, stąd też bardzo
duża złożoność algorytmu.
4.2. Estymacja widma
Najbardziej oszczędnym ze względu na złożoność obliczeniową algorytmem
wykorzystującym uśrednianie w dziedzinie czasu jest algorytm FAM (Fast Fourier
Accumulation Method). W dziedzinie dyskretnej estymata SCD jest opisana wzorem:
∑−
=
−
+=1
0
*' 2
,2
,11
),( '''
N
nNNx knXknX
NNknS
NN
γγγ (7)
, gdzie ∑−
=
−
∆1
0
2'
' ][][),(N
n
N
knj
NenxnwknX
π
(8)
natomiast w[n] określa zastosowane okno (np. Hamminga). Zmienne f i
α reprezentowane są przez k i γ . Rysunek 7 przedstawia schemat blokowy algorytmu
FAM.
8
WE
okno W
'N punktowe
FFT
X
P punktowe
FFT
X
X
WY
)(nx
'
2
N
knj
eπ−
)2
,(*'
γ−knXN
'
2
N
knj
eπ−
)2
,('
γ+knXN
Rys. 7 Schemat blokowy metody FAM
Algorytm składa się z trzech głównych etapów:
- przetwarzanie wstępne (podział danych na bloki 'N przy wykorzystaniu okna czasowego)
- obliczanie pierwszej transformaty FFT wraz z korektą fazy
- obliczanie wartości korelacji dla danych wartości k i γ oraz uśrednianie w czasie.
Analizując równania SCD dla czasu ciągłego opisanego w poprzednim rozdziale i
dyskretnego obecnie, możemy wyznaczyć następujące zależności.
Tabela 2. Porównanie estymat SCD metod ą uśredniania w dziedzinie czasu ci ągłego i dyskretnego
Nazwa Postać dla sygnału ciągłego Postać dla sygnału dyskretnego
SCD txT ftSW ∆),(α Nx knS
N
),('
γ
Rozmiar FFT WT c
Czas obserwacji t∆ N Czas t n
Częstotliwość chwilowa f k
Częstotliwość cykliczna α γ
Warunek niepewności Gardner’a 1>>
∆∆=αf
M 1'
>>=N
NM
Parametr N określa całkowitą liczbę próbek analizowanego sygnału, natomiast 'N ilość
próbek poddawanych transformacji FFT. Metoda FAM polega na wykonywaniu szeregu
kroków, począwszy od formatowania danych, a skończywszy na odwzorowaniu na
płaszczyznę widma cyklicznego obliczonych estymat SCD.
9
4.3. Algorytm FAM
4.1.1 Formatowanie
a) b)
t
N
'N
)(tx
Rys. 8 Formatowanie danych a) sygnał o długo ści N próbek b) blok danych o wymiarach PN ×'
Przesuwając się oknem o szerokości 'N z krokiem L zapisujemy wartości sygnału x(n) (w
postaci N próbek) tworząc blok danych o wymiarach PN ×' , gdzie L
NP ≈ .
Wartość P jest odwrotnie proporcjonalna do wartości kroku L i liczby próbek N. Dla
zachowania prawa Nyquista oraz zapobieżeniu powstawania przecieku cyklicznego
wartość L powinna spełniać kryterium 4
'NL ≤ . Zastosowanie okna (np. okno Hamminga,
rys.8b) ogranicza wartość listków bocznych.
4.1.2 Pierwsze FFT
- 1 50- 1 00
- 5 00
5 01 00
1 50
12345678
0
5
1 0
1 5
2 0
2 5
czestotliwosc [kH
z]
F F T
P
'NP
Rys. 9. Obliczenie pierwszego FFT
Dla każdej z P sekwencji o długości 'N wykonywana jest transformata Fouriera.
Widmo FFT jest symetryczne względem częstotliwości zerowej (f=0). Prążki widma
12
34
56
78
20406080100120
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
PNumer probki
War
tosc
pro
bki
'NP
10
uzyskujemy więc dla wartości )('N
fkf s
k = , dla 22
'' NNk ⋅⋅⋅−= . Rozmiar bloku danych nie
ulega zmianie i nadal wynosi PN ×' .
4.1.3 Korekcja fazy
0
2 0
4 0
6 0
8 0
1 0 0
1 2 0
1 4 0
1
2
3
4
5
6
7
8
- 1 0 0 0
- 5 0 0
0
5 0 0
1 0 0 0
n u m e r p r ó b k iP
faza
'NP
Rys. 10. Warto ści korekcji fazy
W celu zapewnienia koherencji (zgodności) faz, która została zaburzona przez
przesuwając się oknem o długości 'N z krokiem o długości L (punkt 1) wykonuje się
korekcję fazy dla każdej z P realizacji FFT o długości 'N . Korekcja ta wykonywana jest
na każdej z gałęzi wg schematu przedstawionego na Rys. 7. Przesunięcie w dziedzinie
czasu (L próbek odpowiada przesunięciu w dziedzinie czasu o wartość
sx f
Lt = (gdzie sf - częstotliwość próbkowania). Zgodnie z twierdzeniem o przesunięciu
w dziedzinie czasu dla sygnału x(t) dla którego istnieje transformata Fouriera )( ωjF ,
transformata sygnału przesuniętego w czasie )]([ xttxF − jest równa )( ωω jFe xtj− . Czyli
widmo amplitudowe )( ωjF nie pozostaje zmienione, jedynie widmo fazowe )(' ωϕ jest
zależne od xtω (składnika liniowo zależnego od częstotliwości).
11
4.1.4 Przemnażanie elementów widma
50
100
1 50
200
2 50
1
2
3
4
5
6
7
80
5
10
Num e r p rób k iP
- 150
- 1 00
- 50
0
5 0
10 0
150
1
2
3
4
5
6
7
8
0
5
10
15
20
25
cze s tot liw o sc [kH z ]
F F T
P
- 150
- 1 00
- 50
0
5 0
10 0
150
1
2
3
4
5
6
7
8
0
5
10
15
20
25
cze s tot liw o sc [kH z ]
F F T
P
)( mfX )( lfX
'' NN ⋅
P )( ,lmfX
Rys. 11 Przemna żanie elementów widma
Dla każdej z P sekwencji FFT o długości 'N wykonywana jest operacja przemnażania.
Przyjmijmy oznaczenie prążka z gałęzi górnej (Rys. 7) jako )( mfX , a dolnej )( lfX .
Indeksy m i l przyjmują wartości (22
'' NN ⋅⋅⋅− )
Wykonując operację mnożenia dla każdej wartości m i l uzyskujemy blok danych o
wymiarach PN ×2')( zawierający wartości )()()( , lmlm fXfXfX ⋅=
4.1.5 Wygładzanie w dziedzinie czasu – uśrednianie
5 0
1 0 0
1 5 0
2 0 0
1
2
3
4
5
6
7
8
0
2 0
4 0
6 0
8 0
N u m e r p r ó b k iP
P
'' NN ⋅
Rys. 12 Uśrednianie warto ści w czasie
Ponieważ wartości uzyskane w poprzedniej operacji są zespolone, do uśredniania w
dziedzinie czasu wykorzystuje się transformatę Fouriera. Uśrednianie w czasie
oznacza, że 2')(N operacji FFT wykonywanych jest na P wartościach )( ,lmfX . Blok
danych nadal ma wymiar PN ×2')( .
12
4.1.6 Odwzorowanie
a) b)
-2,0
-3/2, 1
-1,2
-1/2, 3
-3/2,-1
-1,0
-1/2,1
0,2
-1,-2
-1/2,-1
0,0
½, 1
-1/2,-3
0,-2
1/2,1
1, 0
f
α
2− 1− 0− 1
mX
2− 1− 0− 1
lX
)( , lmfX
Rys. 13 Operacja odwzorowania: a) Sposób odwzorowan ia warto ści f i α na płaszczyzn ę widma
cyklicznego dla 'N =4 oraz b) sposób obliczania f i α dla tego przypadku
Ostatnim krokiem jest odwzorowanie uzyskanych wartości na płaszczyznę widma
cyklicznego. Częstotliwość chwilowa f jest średnią arytmetyczną częstotliwości
elementów widma mf i lf , natomiast α odległością między tymi częstotliwościami. Związku
z tym możemy napisać:2
lm fff
+= , a lm ff −=α . Prosty przykład wypełnienia
płaszczyzny widma cyklicznego przedstawia rys. 13 a i b. Zakładamy tutaj, że 'N =4. Z
tego wynika, że wykonaliśmy 4 punktowe FFT. W wyniku przemnożenia elementów widma
o częstotliwości mf i lf otrzymaliśmy wartość )( , lmfX . Załóżmy, że obliczamy wartość
dla 2−=m oraz 2−=l . Wtedy wartość )( 2,2 −−fX wpisujemy do komórki (-2, 0) - co
odpowiada częstotliwości chwilowej 22
)2(2 −=−+−=f i częstotliwości cyklicznej
0))2(2( =−−−=α . W celu uproszczenia zagadnienia posłużyliśmy się tutaj tylko
indeksami m i l , ale oczywiście możemy to przełożyć na dokładne wartości częstotliwości
uwzględniając częstotliwość próbkowania sf , parametr P i długość sekwencji 'N :
+=+='22 N
flmfff slm
+−=∆⋅+−=N
p
N
lmfpff slm '
)()( αα , gdzie
21
2
PPp ⋅⋅⋅
+−=
13
5. WYZNACZANIE PARAMETRÓW WIDMA CYKLICZNEGO
5.1. Określenie cz ęstotliwo ści no śnej sygnału
Zalety analizy sygnałów za pomocą widma cyklicznego najlepiej dowieść na najprostszym
przypadku, gdy badanym sygnałem jest sygnał sinusoidalny o częstotliwości 64kHz
poddany działaniu kanału z addytywnym białym szumem Gaussowskim.
Widmo SCD takiego sygnału wygląda jak na zamieszczonym poniżej rysunku.
64kHz
α
f
α
f Rys. 14 Widmo SCD sygnału sinusoidalnego
Uzyskujemy cztery prążki, przy czym tylko dwa są określone dla częstotliwości cyklicznej
0≠α . Jeżeli analizę ograniczymy dla wartości częstotliwości chwilowej 0≠f i
częstotliwości cyklicznej 0=α , to otrzymamy widmo gęstości mocy PSD (Power Spectrum
Density). Na wskutek szumów będzie ono zniekształcane. Tak więc analiza sygnału przy
dużym poziomie szumów ograniczać się będzie do obszaru dla którego 0≠α . Szum biały
nie jest skorelowany z sygnałem i w związku z tym w tym obszarze nie powinien
występować. Dokonajmy więc zaszumienia sygnału (SNR=-20dB).
Rys. 15 Widmo SCD sygnału sinusoidalnego 64kHz dla SNR=-20dB. Ilo ść próbek N=256, 'N = 128, częstotliwo ść próbkowania fs=256000.
14
Zbyt krótka sekwencja analizowanego sygnału (rys.15) nie pozwala na wyznaczenie
częstotliwości nośnej sygnału. Zwiększając ilość próbek do N=16384 poziom szumu dla
0≠α zostaje znacząco obniżony. Tym samym jesteśmy wstanie dokonać detekcji
sygnału.
a) b)
zaszumione widmo gęstości mocy PSD ( 0=α , 0≠f )
α
f
α
zaszumione widmo gęstości mocy PSD
64kHz
Rys. 16 Widmo SCD sygnału sinusoidalnego 64kHz dla SNR=-20dB. Ilo ść próbek N=16384, 'N = 128, częstotliwo ść próbkowania fs=256000; a) widok we współrz ędnych f i α , b) widok wzdłu ż α .
5.2. Określanie parametrów sygnałów zmodulowanych
Widmo SCD można posłużyć do określenia parametrów sygnałów zmodulowanych [4]. W
celach demonstracyjnych posłużmy się sygnałem BPSK o częstotliwości nośnej 64kHz i
prędkości transmisji 8kbps. W dziedzinie czasu sygnał BPSK występuje jako przebieg
sinusoidalny o stałej częstotliwości i amplitudzie (stała energia) z dwoma różnymi fazami.
Gdy dokonujemy obserwacji sygnału na analizatorze widma można zauważyć, że
obwiednia sygnału BPSK jest funkcja ciągła (sinx)/x z wartościami zerowymi w punktach
będących wielokrotnościami prędkości transmisji Rb (rys.17a).
a) b)
Rys. 17. Widmo sygnału BPSK: a) posta ć dla czystego sygnału, b) dla sygnału w szumach 10 dB
- 1 0 0 - 5 0 0 5 0 1 0 00
0 . 1
0 . 2
0 . 3
0 . 4
0 . 5
0 . 6
0 . 7
0 . 8
0 . 9
1
f [ k H z ]
W i d m o
15
Efektywna szerokość pasma sygnału BPSK jest w przybliżeniu równa podwójnej wartości
prędkości transmisji sygnału danych w paśmie podstawowym. W momencie gdy prędkość
transmisji zmniejsza się widmo zawęża się i w ostateczności swym kształtem przypomina
przebieg sinusoidalny. Jeżeli sygnał BPSK poddamy działaniu kanału AWGN (rys.17b), to
określenie prędkości transmisji i częstotliwości nośnej staje się bardzo problematyczne. W
tym przypadku możemy posłużyć się widmem SCD.
a) b)
64kHz
α
ff
α
Rb
α
64kHz
Rys. 18 Widmo SCD sygnału BPSK a) widok uwzgl ędniaj ący współrz ędne f i α
b) widok wzdłu ż współrz ędnej α .
Tak więc, dzięki zastosowaniu analizy widmowej drugiego rzędu (rys.18b) jesteśmy w
stanie dokładnie określić częstotliwość nośną sygnału BPSK oraz prędkość transmisji.
5.3. Sygnatury sygnałów zmodulowanych
SCD jako cecha dystynktywna dla sygnałów zmodulowanych jest wykorzystywana w
monitorowaniu widma. Dzięki temu, że analiza widmowa drugiego rzędu pozwala
stwierdzić obecność sygnału zmodulowanego pomimo zaszumienia i interferencji to tzw.
detektor cyklostacjonarny znajduje zastosowanie w radiu kognitywnym [4].
a) b) c)
Rys. 19 Widmo SCD dla typowych modulacji a) DSB-SC, b) QPSK, c) MSK
16
Są w tym zakresie pewne ograniczenia, bo detektor cyklostacjonarny nie pozwala np.
rozróżnić między sobą wszystkich modulacji (np. wyższego rzędu kluczowaniu fazy i
kwadraturowej modulacji amplitudy)[5]. Jednak w sensingu widma detektor SCD jest
obecnie uznany za element nieodzowny.
Tabela 3 Zło żono ść obliczeniowa algorytmu FAM
Operacja Złożoność obliczeniowa Przykład 'N =128, P=8 Formatowanie P 'N (8x128) 1024
NP punktowe FFT P( 'N /2)log2'N 3584
Przemnażanie elementów widma P 'N 2 131072
Korekcja fazy P 'N 1024
Uśrednianie (P punktowe FFT) 'N 2 (P/2)log2P 196608
6. PODSUMOWANIE
Dano podstawy teoretyczne, interpretację fizyczną oraz narzędzie otrzymywania widma
cyklostacjonarnego, zwanego inaczej SCD lub widmem II rzędu. Przytoczono przykłady
analiz różnych sygnałów pod kątem ich identyfikacji i/lub detekcji w szumach. Z
naukowego punktu widzenia metoda SCD jest ciekawa, choć jednocześnie złożona
pojęciowo i aparaturowo. Jest to wszakże jedna z nielicznych metod pozwalająca zejść z
czułością detekcji sygnałów poniżej szumów. Według niektórych źródeł daje ona zysk w
stosunku do metody energetycznej sięgający 20 dB.
SPIS LITERATURY
[1] William A. Gardner “Exploitation of spectral Redundacy in cyclostationary signals” Singnal Processing magazine, vol. 8, str. 14-36.
[2] William A. Gardner, Antonio Napolitano, Luigi Paura “Cyclostationarity: Half a century of research” Signal Processing, vol. 86(4), str. 639-697, 2006
[3] William A. Garner, Chad. Spooner “Detectin and source location of weak cyclostationary signals: Simplifications of the maximum-likelihood receiver” IEE transaction on communications, vol. 41, no. 6, 1993
[4] Azzouz E E, Nandi A K. “Automatic identification of digital modulation type [J]”. Signal Processing, , vol 47(1), str 55-69, 1995
[5] Nandi A K, Azzouz E E., “Modulation recognition using artificial neural networks [J]” Signal Processing, vol. 56(3) str. 165-175, 1997
[6] James W. Cooley, John W. Tukey “An algorithm for the machine calculation of complexFourier series” Math. Comput. vol. 19, str. 297–301, 1965.
[7] Annamaria R., Varkonyi-Koczy, “A Recursive Fast Fourier Transformation Algorithm”, IEEE Transactions on Circuits and Systems vol. 42, str. 9 1995.
[8] Pawelec-Grzesiak „Cyklostacjonarna analiza sygnałów radiowych” Konferencja KKRRIT, Warszawa 2014