Tratamiento Digital de Señales 11/12/2008 Departamento de Teoría de la Señal y Communicaciones Tratamiento Digital de Señales Análisis espectral Prof.: Manuel Blanco Velasco Sumario Introducción Señales deterministas ¾ Señales estacionarias ¾ Señales no estacionarias Señales S ñ l aleatorias l t i ¾ Análisis espectral no paramétrico ¾ Análisis espectral paramétrico TDS-MBV Manuel Blanco Velasco 2 1 Tratamiento Digital de Señales 11/12/2008 Análisis espectral Consiste en determinar, determinar en el dominio del tiempo discreto, discreto los contenidos espectrales de una señal de tiempo continuo. Incluye la determinación del espectro de energía o de potencia de la señal. Si la señal de tiempo continuo xc(t) está razonablemente limitada en banda, las características espectrales de su equivalente en tiempo discreto x[n] proporcionan una buena estimación de las propiedades espectrales de xc(t). TDS-MBV 3 Análisis espectral: situación En la mayoría de las ocasiones ocasiones, xc(t) está definida para -∞<t<∞, proporcionando una x[n] también infinita, -∞<n<∞. La evaluación de las propiedades espectrales de una señal de longitud infinita resulta complicado. Hay que adoptar distintos esquemas de análisis dependiendo de la aplicación. Hay que distinguir también entre señales deterministas y señales aleatorias. TDS-MBV Manuel Blanco Velasco 4 2 Tratamiento Digital de Señales 11/12/2008 Sumario Introducción Señales deterministas ¾ Señales estacionarias ¾ Señales no estacionarias Señales S ñ l aleatorias l t i ¾ Análisis espectral no paramétrico ¾ Análisis espectral paramétrico TDS-MBV 5 Análisis frecuencial de señales estacionarias Las señales estacionarias se caracterizan mediante su ∞ jΩ DTFT: X ( e ) = ∑ x [ n ] e − jΩn n =−∞ Dada la dificultad de analizar una señal de longitud infinita, se somete a un procedimiento de enventanado: donde: v [ n] = x [ n] ⋅ w [ n] ⎧ 1, 0 ≤ n ≤ N − 1 w[ n] = ⎨ resto ⎩0, Ventana rectangular Se espera que las características espectrales de v[n] proporcionen una estimación razonable del espectro de x[n]. TDS-MBV Manuel Blanco Velasco 6 3 Tratamiento Digital de Señales 11/12/2008 Esquema de análisis frecuencial de señales estacionarias El diagrama sobre el que se trabaja es este: Se evalúa la DTFT V(ejΩ) del segmento finito v[n] en un conjunto finito de M frecuencias equiespaciadas mediante la DFT. Para proporcionar resolución suficiente, se escoge un valor de M mayor que la ventana (M> N) TDS-MBV 7 Análisis frecuencial de señales usando la DFT La DFT de la señal v[n], v[n] n = 00, …, N-1: ( ) j ( 2π k M ) , 0 ≤ k ≤ M −1 ⎪⎧V e V [k ] = ⎨ resto ⎪⎩0 Las frecuencias correspondientes: Ω k = 2π k M Y la equivalente q en tiempo p continuo: ωk = 2π k MT El efecto en el dominio transformado se interpreta por medio de la convolución: V ( e jΩ ) = 1 2π ( θ ∫ π X ( e )W ( e π j − TDS-MBV Manuel Blanco Velasco j Ω−θ ) ) dθ 8 4 Tratamiento Digital de Señales 11/12/2008 Suavizado del espectro jΩ X(e ) π −π 2π Ω jΩ W(e ) −π π Ω jΩ V(e ),V[k] −π 0 π 2π 2π M TDS-MBV Ω 9 Análisis de señales sinusoidales Considérese un tono de duración ilimitada: x [ n] = A0 cos Ω0 n Se desarrolla el coseno: x [ n ] = Su transformada de Fourier: ( A0 jΩ0 n − jΩ0 n e +e 2 ) ∞ X ( e jΩ ) = A0π ∑ δ ( Ω − Ω 0 − 2π l ) + δ ( Ω + Ω 0 − 2π l ) l =−∞ jΩ X(e ) A0π −π Manuel Blanco Velasco −Ω0 Ω0 π Ω TDS-MBV 10 5 Tratamiento Digital de Señales 11/12/2008 Señales sinusoidales de duración finitas Se considera el tono de duración finita: v [ n ] = w [ n ] ⋅ A0 cos Ω 0 n = = Tomando transformadas: V ( e jΩ ) = A0 A w [ n ] e jΩ0 n + 0 w [ n ] e − jΩ0 n 2 2 ( ) ( A0 A j Ω−Ω j Ω+Ω W e ( 0) + 0 W e ( 0) 2 2 ) En el caso de una ventana rectangular: W ( e jΩ ) = e − jΩ ( N −1) 2 TDS-MBV ⎛ ΩN ⎞ sin ⎜ ⎟ ⎝ 2 ⎠ ⎛Ω⎞ sin ⎜ ⎟ ⎝2⎠ 11 Espectro de la ventana rectangular DTFT de w[n] N = 64 70 60 50 |W(F)| 40 30 20 10 0 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 F TDS-MBV Manuel Blanco Velasco 12 6 Tratamiento Digital de Señales 11/12/2008 Espectro de la señal sinusoidal DTFT de v[n]=w[n]x[n] 35 2π n 6 ⎧ 1, 0 ≤ n ≤ N − 1 w[ n] = ⎨ resto ⎩0, x [ n ] = cos 30 25 |V(F)| 20 15 Efectos del enventadado 10 1. Menor resolución 2. Fugas espectrales 5 0 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 F F0 = 0.166 TDS-MBV 13 Espectro en decibelios DTFT de v[n]=w[n]x[n] 40 x [ n ] = cos 30 2π n 6 20 ⎧ 1, 0 ≤ n ≤ N − 1 w[ n] = ⎨ resto ⎩0, 20 log10|V(F)| 10 0 -10 -20 F0 = 0.166 -30 -40 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 F TDS-MBV Manuel Blanco Velasco 14 7 Tratamiento Digital de Señales 11/12/2008 Diferentes ventanas w[n] definida en el intervalo: 0 ≤ n ≤ N − 1 Bartlett w [ n] = 1 − Hanning N −1 2 N −1 2 n− ⎛ 2π n ⎞ w [ n ] = 0.5 − 0.5cos ⎜ ⎟ ⎝ N −1 ⎠ Blackman Hamming ⎛ 2π n ⎞ ⎛ 4π n ⎞ w [ n ] = 0.42 − 0.5cos ⎜ ⎟ + 0.08cos ⎜ ⎟ ⎝ N −1 ⎠ ⎝ N −1 ⎠ ⎛ 2π n ⎞ w [ n ] = 0.54 − 0.46 cos ⎜ ⎟ ⎝ N −1 ⎠ TDS-MBV 15 Forma de las ventanas Hanning 1 0.8 0.8 0.6 0.6 w2[n] w1[n] Bartlett 1 0.4 0.2 0 0.4 0.2 0 200 400 600 800 0 1000 0 200 400 n 0.8 0.8 0.6 0.6 0.4 0.2 1000 800 1000 0.4 0.2 0 200 400 600 n Manuel Blanco Velasco 800 Blackman 1 w4[n] w3[n] Hamming 1 0 600 n 800 1000 0 0 200 TDS-MBV 400 600 n 16 8 Tratamiento Digital de Señales 11/12/2008 Espectro de las ventanas (I) Hanning 1 0.8 0.8 |W 2(F)| |W1(F)| Bartlett 1 0.6 0.4 0.2 0.6 0.4 0.2 0 -0.5 0 0 -0.5 0.5 0 1 1 0.8 0.8 0.6 0.4 0.2 N = 64 0.5 F Blackman |W 4(F)| |W 3(F)| F Hamming 0.6 0.4 0.2 0 -0.5 0 0 -0.5 0.5 F 0 0.5 F TDS-MBV 17 Espectro de las ventanas (II) Hanning 0 -20 -20 20 log10|W2(F)| 20 log10|W1(F)| Bartlett 0 -40 -60 -80 -100 0 0.1 0.2 0.3 0.4 -40 -60 -80 -100 0.5 0 0.1 0.2 F 0 -20 -20 -40 -60 -80 -100 0 0.1 0.2 0.3 F Manuel Blanco Velasco 0.4 0.5 0.4 0.5 Blackman 0 20 log10|W4(F)| 20 log10|W3(F)| Hamming N = 64 0.3 F 0.4 0.5 -40 -60 -80 -100 0 0.1 TDS-MBV 0.2 0.3 F 18 9 Tratamiento Digital de Señales 11/12/2008 Anchura de la ventana 0 Blackman: N=32 Blackman: N=64 -10 -20 20 log10|W(F)| -30 -40 -50 -60 -70 -80 -90 -100 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 F TDS-MBV 19 Ventanas: datos Tipo de Ventana Anchura aproximada de la región de transición del lóbulo principal Pico del lóbulo secundario (dB) Rectangular 4π/N -13 Bartlett 8π/N -25 Hanning 8π/N -31 31 Hamming 8π/N -41 Blackman 12π/N -57 TDS-MBV Manuel Blanco Velasco 20 10 Tratamiento Digital de Señales 11/12/2008 Efecto del enventanado: ventana rectangular v [ n] = w[ n] ( A0 cos Ω0n + A1 cos Ω1n) A0=1 40 30 30 |V(F)| |V(F)| N = 64 40 20 10 0 A1=0,75 20 10 0 0.1 0.2 0.3 0.4 0 0.5 0 0.1 0.2 (a) ( ) (a) Ω0=2π/6 2 /6 y Ω1=2π/3 2 /3 (b) Ω0=2π/14 y Ω1=4π/15 0.3 0.4 0.5 0.3 0.4 0.5 (b) 30 40 25 (d) Ω0=2π/14 y Ω1=4π/25 |V(F)| Ω0=2π/14 y Ω1=2π/12 |V(F)| (c) 30 20 15 20 10 10 5 0 0 0.1 0.2 0.3 0.4 0 0.5 0 0.1 0.2 (c) (d) TDS-MBV 21 Efecto del enventanado: ventana Hamming 20 15 15 |V(F)| |V(F)| N = 64 20 10 5 0 10 5 0 0.1 0.2 0.3 0.4 0 0.5 0 0.1 0.2 (a) 0.3 0.4 0.5 0.3 0.4 0.5 (b) 15 20 15 |V(F)| |V(F)| 10 10 5 5 0 0 0.1 0.2 0.3 0.4 0.5 0 0 0.1 (c) (d) TDS-MBV Manuel Blanco Velasco 0.2 22 11 Tratamiento Digital de Señales 11/12/2008 600 500 500 400 400 300 200 200 100 100 0 0 0.1 0.2 0.3 0.4 0 0.5 0 0.1 0.2 (a) 0.3 0.4 0.5 |V(F)| 300 N = 1024 300 300 250 250 200 200 |V(F)| 600 |V(F)| |V(F)| Efecto del enventanado: aumento de la longitud 150 100 (b) 100 50 600 600 500 500 400 400 0 150 50 0 0.1 0.2 0.3 0.4 0 0.5 0 0.1 0.2 |V(F)| 300 300 200 250 250 100 100 200 200 0 0.1 0.2 0.3 0.4 0.5 0 0 (c) 0.1 0.2 0.3 (d) Rectangular 0.4 0.5 |V(F)| 300 0 150 100 0.4 0.5 0.3 0.4 0.5 150 100 50 0 0.3 (b) 200 300 |V(F)| |V(F)| (a) 50 0 0.1 0.2 0.3 0.4 0.5 0 0 0.1 0.2 (c) (d) Hamming TDS-MBV 23 Análisis espectral de señales no estacionarias La DFT se emplea para el análisis espectral de señales estacionarias: señales que pueden expresarse adecuadamente como combinación lineal de exponenciales de amplitud y fase fija, invariantes en el tiempo e independientes de la longitud de la señal. Los ejemplos anteriores se refieren a casos estacionarios Si la señal no es estacionaria, no existe su DTFT. TDS-MBV Manuel Blanco Velasco 24 12 Tratamiento Digital de Señales 11/12/2008 Señales no estacionarias Es el caso de la mayor parte de las señales: voz, voz radar, radar señales biomédicas (ECG, EEG, …). Ejemplo: x[n] = A cos ( Ω0 n 2 ) La pulsación instantánea crece linealmente: Ω0 n 1 Amplitu litud 0.5 0 −0.5 −1 0 100 200 300 400 500 600 700 800 n Ω0 = 10π ⋅10−5 Señal chirp TDS-MBV 25 Características del análisis de señales no estacionarias Se requiere un análisis alternativo: Segmentación de la señal en segmentos de corta duración: análisis a corto plazo. Cada segmento se procesa de forma separada. Se suponen los parámetros aproximadamente constantes en cada segmento. Este análisis se basa en el supuesto de que si los segmentos son suficientemente pequeños, se puede asumir la estacionareidad en esas tramas de señal a efectos prácticos. TDS-MBV Manuel Blanco Velasco 26 13 Tratamiento Digital de Señales 11/12/2008 Componentes espectrales de la señal chirp DTFT de los 800 puntos de la señal chirp 10 Power Spectra al Density (dB/ rad/sample) 0 -10 -20 -30 -40 -50 -60 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Normalized Frequency (×π rad/sample) TDS-MBV 27 Diferente resultado para señales más largas 1 Amplitud 0.5 0 -0.5 -1 0 200 400 600 800 1000 1200 1400 1600 Power Spectral Density (dB/ rad//sample) n 10 0 -10 -20 -30 -40 -50 -60 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Normalized Frequency (×π rad/sample) TDS-MBV Manuel Blanco Velasco 28 14 Tratamiento Digital de Señales 11/12/2008 Segmentación Amplitud 1 0.5 0 -0.5 -1 4 segmentos 0 100 200 300 400 0 -0.5 0 50 100 800 0 -0.5 250 300 350 400 750 800 n 1 0.5 0.5 0 -0.5 -1 400 700 0.5 -1 200 200 Amplitud Amplitud 150 n 1 600 1 Amplitud Amplitud 0.5 -1 500 n 1 450 500 550 0 -0.5 -1 600 600 650 n 700 n TDS-MBV 29 Componentes chirp a corto plazo 10 Primer segmento Segundo segmento Tercer segmento Cuarto segmento Power Specctral Density (dB/ rad/sample) 0 -10 -20 -30 -40 -50 -60 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Normalized Frequency (×π rad/sample) TDS-MBV Manuel Blanco Velasco 30 15 Tratamiento Digital de Señales 11/12/2008 Short-time Fourier Transform (STFT) La transformada localizada de Fourier se define como: X STFT ( e jΩ , n ) = ∞ ∑ x [ n − m] ⋅ w [ m] e − jΩm m =−∞ donde w[m] es la ventana elegida. El objetivo de la ventana es extraer una porción finita de la señal x[n] tal que las características sean aproximadamente estacionarias. Sii w[n]=1, la l anterior i definición d fi i i se corresponde d con la l DTFT. La STFT es un función de dos variables: n y Ω. El módulo de la STFT se representa mediante el espectrograma: diagrama bidimensional que representa el módulo en escala de grises. TDS-MBV 31 Espectrograma 2 −5 Espectrograma de x[n] = A cos ( Ω0 n ) , Ω0 = 10π ⋅10 1 Frequency 0.8 0.6 0.4 0.2 0 0 1000 2000 3000 4000 5000 Time 6000 TDS-MBV Manuel Blanco Velasco 7000 8000 9000 32 16 Tratamiento Digital de Señales 11/12/2008 STFT: muestreo en frecuencia En la práctica, práctica la STFT se calcula en un conjunto finito de valores de Ω. X STFT [k , n] = X STFT ( e jΩ , n ) Ω= 2π k M = X STFT ( e j 2π k M , n ) Muestreando en frecuencia y para una ventana finita N −1 X STFT [k , n] = ∑ x [ n − m ] ⋅ w [ m] e − j 2π km M , 0 ≤ k ≤ M − 1 m=0 Esta expresión es reversible si M ≥ N x [ n − m] = 1 M −1 ∑ X STFT [ k , n] e j 2π km M , 0 ≤ m ≤ N − 1 Mw [ m ] k = 0 TDS-MBV 33 STFT: muestreo en el tiempo Si se particulariza esta última expresión en un instante concreto, por ejemplo en n = n0: x [ n0 − m ] = 2π j km 1 M −1 M , , 0 ≤ m ≤ N −1 X k n e [ ] ∑ 0 STFT Mw [ m ] k =0 Se recupera el segmento de señal comprendido en el intervalo [n0, n0+N-1] a partir de X STFT [ k , n0 ] Idénticamente, para n = n0+N, se recupera la señal en el intervalo [n0+N, n0+2N-1] a partir de X STFT [ k , n0 + N ] Se desprende que también se puede realizar un en el dominio del tiempo. TDS-MBV Manuel Blanco Velasco 34 17 Tratamiento Digital de Señales 11/12/2008 1 0.5 0 STFT −0.5 −1 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 La version muestreada de la STFT: N −1 X STFT [k , lL] = ∑ x [lL − m ] ⋅ w [ m ] e− j 2π km M , 0 ≤ k ≤ M − 1 y − ∞ < l < ∞ m =0 Ω XSTFT(ejΩ,4) XSTFT(ejΩ,8) XSTFT(ejΩ,12) k XSTFT[k,L] XSTFT[k,2L] 4 1 8 2 XSTFT[k,3L] Ω 2π 2π M-1 2π//M M 0 0 1 2 3 4 5 6 7 8 9 10 11 12 n 2 1 0 0 0 0 TDS-MBV 12 n 3 l 35 Sumario Introducción Señales deterministas ¾ Señales estacionarias ¾ Señales no estacionarias Señales S ñ l aleatorias l t i ¾ Análisis espectral no paramétrico ¾ Análisis espectral paramétrico TDS-MBV Manuel Blanco Velasco 36 18 Tratamiento Digital de Señales 11/12/2008 Análisis de señales aleatorias Las señales aleatorias se caracterizan como procesos estocásticos (procesos aleatorios) ya que: Toda señal que transporta información tiene algún grado de aleatoriedad de forma que en general no se puede predecir sin error el valor que tomará en el futuro conocidos los valores que ha tomado en el pasado. Las señales siempre se mueven en entornos ruidosos lo que le confiere un carácter aleatorio a las señales. señales Mediante un proceso aleatorio se trata de representar un fenómeno que es estructuralmente similar para todo los casos en los que se implementa pero cuya respuesta es diferente en todas las realizaciones debido a su naturaleza aleatoria. TDS-MBV 37 Ejemplo de señales aleatorias Flujo respiratorio de ratas de laboratorio 0.5 Realización 1 x1(t) 0 -0.5 0 1 2 3 4 5 6 0 1 2 3 4 5 6 7 1 7 0.5 Realización 2 x2(t) 0 -0.5 Cada función representa un animal. Cada animal respira de manera diferente aunque existen similitudes: 1 Realización n xn(t) 0.5 0 -0.5 0 1 2 t1 3 4 5 6 7 Existen pequeñas diferencias en la respiración de cada animal. t2 TDS-MBV Manuel Blanco Velasco Esto sugiere que el proceso subyacente es el mismo. Los parámetros de cada animal varían. 38 19 Tratamiento Digital de Señales 11/12/2008 Análisis espectral Las señales aleatorias caracterizadas como procesos estocásticos estacionarios no tienen energía finita y por tanto no existe su DTFT. Son señales definidas en términos de potencia. Se caracterizan mediante la densidad espectral de potencia. El análisis espectral se realiza en estos casos estimando la densidad espectral de potencia. potencia Estudiamos dos tipos: Análisis espectral no paramétrico. Análisis espectral paramétrico. Comenzamos con nociones de estadística. TDS-MBV 39 Propiedades estadísticas Sean x[0], [ ], x[1], [ ], …,, x[N-1] [ ] las muestras disponibles p de un pproceso estocástico real. El proceso aleatorio estará caracterizado si se conoce su función densidad de probabilidad: p ( x; θ ) = p ( x [ 0] , x [1] , , x [ N − 1] ; θ ) El vector columna x contiene las muestras de la observación en el intervalo [0, N-1]: ⎡ x [ 0] ⎤ ⎢ ⎥ x [1] ⎥ x=⎢ ⎢ ⎥ ⎢ ⎥ ⎣⎢ x [ N − 1]⎦⎥ Los parámetros del vector θ definen la forma de la función. TDS-MBV Manuel Blanco Velasco 40 20 Tratamiento Digital de Señales 11/12/2008 Distribución Gaussiana (I) La fdp de un proceso Gaussiano x[n] se caracteriza por su media: mx [ n ] = E { x [ n ]} Y su autocorrelación: rx [ n1 , n2 ] = E { x [ n1 ] x [ n2 ]} La autocorrelación rx[n1, n2] es simétrica: rx [ n1 , n2 ] = rx [ n2 , n1 ] TDS-MBV 41 Distribución Gaussiana (II) Empleando notación matricial m x = E {x} R x = E {xxT } ⎡ x [ 0] ⎤ ⎢ ⎥ x [1] ⎥ T ⎢ ⋅ ⎡ x [ 0] x [1] xx = ⎢ ⎥ ⎣ ⎢ ⎥ ⎣⎢ x [ N − 1]⎦⎥ TDS-MBV Manuel Blanco Velasco x [ N − 1]⎤⎦ 42 21 Tratamiento Digital de Señales 11/12/2008 Distribución Gaussiana (III) ⎡ x [ 0] x [ 0] x [ 0] x [1] ⎢ x [1] x [ 0] x [1] x [1] xxT = ⎢ ⎢ ⎢ ⎢⎣ x [ N − 1] x ( 0 ) x [ N − 1] x [1] x [ 0] x [ N − 1] ⎤ ⎥ x [1] x [ N − 1] ⎥ ⎥ ⎥ x [ N − 1] x [ N − 1]⎥⎦ ⎡ rx [ 0,, 0] rx [ 0,1 , ] ⎢ r [1, 0] rx [1,1] Rx = ⎢ x ⎢ ⎢ ⎢⎣ rx [ N − 1, 0] rx [ N − 1,1] rx [ 0,, N − 1] ⎤ ⎥ rx [1, N − 1] ⎥ ⎥ ⎥ rx [ N − 1, N − 1]⎥⎦ TDS-MBV 43 Distribución Gaussiana (IV) La fdp Gaussiana multivariable: p ( x) = 1 ( 2π ) N 2 Cx 1 2 T ⎡ 1 ⎤ exp ⎢ − ( x − m x ) C−x 1 ( x − m x ) ⎥ ⎣ 2 ⎦ donde Cx es la covarianza: { C x = E ( x − m x )( x − m x ) T }=R x − m xmTx La información esencial se encuentra en Rx. TDS-MBV Manuel Blanco Velasco 44 22 Tratamiento Digital de Señales 11/12/2008 Estacionareidad (I) Un proceso aleatorio estacionario presenta propiedades estadísticas invariantes en el tiempo. Se considera estacionareidad en sentido amplio (SA). x[n] es estacionario en SA si su media es constante : mx [ n ] = mx Y su autocorrelación r[n1,n n2] depende únicamente de la diferencia de tiempos k = n1-n2: rx [ n, n − k ] = rx [ k ] rx [ k ] = E { x [ n ] x [ n − k ]} TDS-MBV 45 Estacionareidad (II) La matriz autocorrelación queda: ⎡ rx [ 0] rx [ −1] rx [ −2] ⎢ rx [ 0] rx ( −1) ⎢ rx [1] R x = ⎢ rx [ 2] rx [1] rx [ 0] ⎢ ⎢ ⎢ r [ N − 1] r [ N − 2] r [ N − 3] x x ⎣x Matriz simétrica Toeplitz rx [ k ] = rx [ − k ] TDS-MBV Manuel Blanco Velasco rx [ − N + 1] ⎤ ⎥ rx [ − N + 2]⎥ rx [ − N + 3] ⎥ ⎥ ⎥ rx [ 0] ⎦⎥ 46 23 Tratamiento Digital de Señales 11/12/2008 Estacionareidad (III) La propiedad de estacionareidad es atractiva ya que admite una interpretación espectral que aporta una información más valiosa que la incluida en la matriz de autocorrelación. La densidad espectral de potencia se define como l DTFT de la d la l funcion f i autocorrelación: t l ió S x ( e jΩ ) = ∞ ∑ r [k ] e k =−∞ − j Ωk x TDS-MBV 47 Nota: estimación de parámetros Sea x una variable aleatoria ((VA)) y θ un estadístico de la misma. Si la VA no está definida (fdp desconocida), hay que estimar el parámetro. El estimador se obtiene a partir de una observación x de N muestras: θˆ = f ( x ) {} {} Si lim E θˆ = θ , el estimador es asintóticamente insesgado. N →∞ El error cuadrático medio para un estimador insesgado coincide con su varianza: 2 2 = E θˆ − θ V θˆ = E θˆ − E θˆ {} Manuel Blanco Velasco {} El estimador es insesgado si: E θˆ = θ El sesgo: g b (θ ) = E θˆ − θ {} {( { }) } {( Si lim V θˆ = 0 , la estima es consistente. N →∞ TDS-MBV )} 48 24 Tratamiento Digital de Señales 11/12/2008 Métodos no paramétricos No hacen ninguna suposición acerca de cómo se generan los datos. Los estimadores se basan por completo en un registro finito de datos (observación). La resolución en frecuencia es igual g a la anchura espectral de la ventana rectangular de longitud N, en el mejor de los casos: ≈ 1 N a − 3dB TDS-MBV 49 Análisis espectral no paramétrico Como se ha visto, visto la densidad espectral de potencia ∞ (DEP): jΩ − j Ωk Sx (e ) = ∑ r [k ] e k =−∞ x donde rx[k] es la autocorrelación. El procedimiento que se sigue es: 1 Se estima la autocorrelación. 1. autocorrelación 2. Se estima la DEP calculando la DTFT del estimador de rx[k]. Para hacer esto, en la práctica se dispone de un número limitado de muestras: x [ n ] , 0 ≤ n ≤ N − 1 TDS-MBV Manuel Blanco Velasco 50 25 Tratamiento Digital de Señales 11/12/2008 Estimador de la autocorrelación (I) Un estimador de la autocorrelación: ⎧1 ⎪N ⎪ rˆx [ k ] = ⎨ ⎪1 ⎪⎩ N N −1− k ∑ x [ n] x [ n + k ], N −1 ∑ x [ n] x [ n + k ], 1 N N −1− k ∑ n=0 k <0 n= k El estimador tiene sesgo: g E {rˆx [ k ]} = k ≥0 n =0 E { x [ n ] x [ n + k ]} = N −1− k (N −k) r k 1 rx [ k ] ∑ 1 = x[ ] N N n =0 k ⎞ ⎛ = ⎜1 − ⎟ rx [ k ] ⎝ N⎠ TDS-MBV 51 Estimador de la autocorrelación (II) rˆx [ k ] = Se puede expresar como una convolución: 1 1 x [ k ] ∗ x [ −k ] = N N ∞ n =−∞ k>0 -k n =−∞ x[n] N-1 0 n x[n+k] N-1-k 0 N-1 ⎧1 ⎪N ⎪ n rˆ [ k ] = ⎨ x ⎪1 ⎪⎩ N N −1− k ∑ x [ n] x [ n + k ], k ≥0 n=0 N −1 ∑ x [ n] x [ n + k ], k <0 n= k n n 0 |k| N-1 TDS-MBV Manuel Blanco Velasco ∞ k<0 x[n] x[n+k] 1 ∑ x [ n ] x [ k − n) ] = N ∑ x [ n ] x [ n + k ] 52 26 Tratamiento Digital de Señales 11/12/2008 Periodograma (I) N −1 Método indirecto: Sˆx ( e jΩ ) = ∑ k =− ( N −1) rˆx [ k ] e− jΩk Tomando transformadas: 1 Sˆx ( e jΩ ) = TF {rˆx [ k ]} = TF { x [ k ] ∗ x [ −k ]} N ( ) x [ −n ] ←⎯⎯→ X ( e ) DTFT donde: x [ n ] ←⎯⎯ → X e jΩ Método directo: jΩ * DTFT 2 1 1 Sˆx ( e jΩ ) = X ( e jΩ ) = N N N −1 ∑ x [ n] e 2 − jΩn n=0 TDS-MBV 53 Periodograma (II) Se aplica mediante la FFT: 2 1 1 Sˆx [ k ] = X [k ] = N N N −1 ∑ x [ n] e −j 2 2π kn M n =0 Hay que analizar las características de este estimador: { } ∑( ) E {rˆ [k ]} e E Sˆx ( e jΩ ) = N −1 k =− N −1 x − j Ωk = ⎛ k ⎞ − j Ωk ⎜1 − ⎟ rx [ k ] e N⎠ k =−( N −1) ⎝ N −1 ∑ ⎧ ⎛ k ⎞ ⎪ ⎜1 − ⎟ , − ( N − 1) ≤ k ≤ ( N − 1) donde: wB [ k ] = ⎨ ⎝ N ⎠ ⎪0, k > ( N − 1) ⎩ TDS-MBV Manuel Blanco Velasco 54 27 Tratamiento Digital de Señales 11/12/2008 Ventana simétrica de Bartlett ⎧ ⎛ k ⎞ ⎪ ⎜1 − ⎟ , − ( N − 1) ≤ k ≤ ( N − 1) wB [ k ] = ⎨ ⎝ N ⎠ ⎪0, k > ( N − 1) ⎩ k wB[n] |k|=0 wB[0] =1 |k|=1 wB[1] = 1- 1/N |k| = 2 wB[2] = 1- 2/N … … wB [ n ] 1/N 0 -(N-1) wB[N-1] = 1/N |k| = N-1 1 N-1 TDS-MBV n 55 Propiedades del estimador (I) El valor medio se puede expresar: { } ∑( ) w [ k ] r [k ] e E Sˆx ( e jΩ ) = N −1 k =− N −1 B − jΩk x = TF {wB [ k ] ⋅ rx [ k ]} En el dominio transformado: { } 1 E Sˆ x ( e jΩ ) = S x ( e jΩ ) ∗ WB ( e jΩ ) ≠ S x ( e jΩ ) 2π La ventana triangular introduce una pérdida de resolución y produce fugas espectrales. TDS-MBV Manuel Blanco Velasco 56 28 Tratamiento Digital de Señales 11/12/2008 Propiedades del estimador (II) Aunque el estimador es asintóticamente insesgado: { } lim E Sˆx ( e jΩ ) = S x ( e jΩ ) N →∞ no converge suavemente cuando N aumenta. La varianza para un proceso Gaussiano: ⎡ sen ( ΩN ) ⎤ V Sˆx ( e jΩ ) ≈ S x ( e jΩ ) ⎢1 + ⎥ NsenΩ ⎦ ⎣ { } No es consistente: { } lim V Sˆ x ( e jΩ ) = S x2 ( e jΩ ) N →∞ TDS-MBV 57 Periodograma modificado w[ n] , 0 ≤ n ≤ N − 1 Se aplica una ventana: Operación implícita con la ventana rectangular. Se emplean otras ventanas con lóbulos secundarios menores: Hanning, Hamming, Blackman y Kaiser. Cambiar C bi de d ventana puede d suponer una pérdida é did de d resolución. No afecta a la varianza TDS-MBV Manuel Blanco Velasco 58 29 Tratamiento Digital de Señales 11/12/2008 Promediado (I) Se realiza una partición del segmento de señal en K bloques: x [ n] = x [ n + iL ] , ⎧n = 0, , L − 1 ⎨ ⎩i = 0, i i=0 x[n] , K −1 i = K-1 i=1 0 L-1 L 0 L-1 n N-1 2L-1 x0[n] n x1[n] n 0 Sin solapamiento: Periodograma de Bartlett L-1 xK-1[n] TDS-MBV n 0 L-1 59 Promediado (II) 1 K −1 Se promedian los periodogramas: Sˆx ( e jΩ ) = ∑ Sˆx ( e jΩ ) K i =0 Con segmentos incorrelados: i { } { } 1 V Sˆx ( e jΩ ) = V S xi ( e jΩ ) K Periodograma de Welch: Sˆx ( e jΩ ) = donde U= 1 KLU K −1 L −1 ∑ ∑ xi [ n] w [ n] e− jΩn i =0 n =0 1 L −1 2 ∑ w [ n] L n=0 TDS-MBV Manuel Blanco Velasco 2 60 30 Tratamiento Digital de Señales 11/12/2008 Modelo estocástico lineal (I) Los os métodos étodos pa paramétricos a ét cos se basa basan een eel modelado ode ado de laa secuencia de datos x[n] como la respuesta de un LTI. Si la entrada es un proceso aleatorio estacionario, la salida también lo es. La relación entre las DEP de entrada y salida: v(n), V(z) x(n), X(z) H(z) Sv(e ) jΩ Sx(ejΩ)=|H(ejΩ)|2Sv(ejΩ) Sv(z) Sx(z)=H(z)H(z )Sv(z) -1 DTFT → Sv ( e jΩ ) = σ v2 Para una entrada ruido blanco: rv [ k ] = σ v2δ [ k ] ←⎯⎯ El filtro caracteriza la DEP de la secuencia aleatoria. TDS-MBV 61 Modelo estocástico lineal (II) El modelo de media móvil autorregresivo g (ARMA: ( Autoregressive g Moving Average) es la forma más general: p q k =1 k =0 x [ n ] = −∑ ak x [ n − k ] + ∑ bk v [ n − k ] Los parámetros ak, bk son fijos y v[n] es ruido blanco de varianza: E {v 2 [ n ]} = σ v2 = rv [ 0 ] q bk z − k ∑ B( z) k = 0 En el dominio transformado: H ( z ) = = p A( z) 1 + ∑ ak z − k La densidad espectral de potencia: S x ( z ) = H ( z ) H ( z −1 ) σ v2 k =1 S x ( e jΩ ) = H ( e jΩ ) σ v2 2 TDS-MBV Manuel Blanco Velasco 62 31 Tratamiento Digital de Señales 11/12/2008 Modelo AR y MA El modelo autorregresivo (AR) o todo polos se verifica p para q = 0 y b0 = 1: x [ n ] + ∑ ak x [ n − k ] = v [ n ] k =1 H ( z) = 1 = A( z ) 1 p 1 + ∑ ak z − k k =1 El modelo de media móvil (MA) cuando A(z)=1: q x [ n ] = ∑ bk v [ n − k ] k =0 q H ( z ) = B ( z ) = ∑ bk z − k k =0 TDS-MBV 63 Estimación de parámetros AR El modelo AR es con mucho el más utilizado: 1) es adecuado para representar picos estrechos y 2) las ecs. lineales a que da lugar son simples. Cualquier proceso ARMA o MA puede representarse unívocamente mediante un modelo AR de orden infinito. El modelo MA requiere q más coeficientes y el ARMA es el de uso menos extendido. Hay que estimar los ak, k = 1,…,p, y la varianza σv2: TDS-MBV Manuel Blanco Velasco 64 32 Tratamiento Digital de Señales 11/12/2008 Estimación de parámetros AR El modelo ode o está íntimamente t a e te relacionando e ac o a do con co el e modelo ode o de predicción lineal: p xˆ p [ n ] = −∑ ak x [ n − k ] = k =1 = − a1 x [ n − 1] − a2 x [ n − 2] − … − a p x [ n − p ] p muestras x[n] n-1 n n-p p+1 muestras TDS-MBV 65 Predicción lineal El error de predicción: p e p [ n ] = x [ n ] − xˆ p [ n ] = x [ n ] + ∑ ak x [ n − k ] k =1 v(n ) x(n) Por comparación: e p [ n] = v [ n] El error de predicción puede interpretarse como la salida p de un FIR: −k Hp( z)= 1 x(n) Ap ( z ) = ∑ ak z k =0 Filtro de predicción: a0=1. Ap( z) Ap( z) ep(n) TDS-MBV Manuel Blanco Velasco 66 33 Tratamiento Digital de Señales 11/12/2008 Filtro de predicción El filtro de predicción A(z) se emplea como comodín para la estimación de los parámetros. Procedimiento: 1) se resuelve el problema de predicción, y 2) se sustituyen los ak estimados en el modelo AR. Se puede minimizar la varianza del error de predicción: σ e2 = E {e 2p [ n ]} La varianza del ruido: σ v2 = σ e2 La DEP del modelo AR: S ( e jΩ ) = σ v2 A ( e jΩ ) 2 σ v2 = p 1 + ∑ ak e 2 − jΩk k =1 TDS-MBV 67 Nota: formas cuadráticas TDS-MBV Manuel Blanco Velasco 68 34 Tratamiento Digital de Señales 11/12/2008 Formas cuadráticas: desarrollo Q = [ x1 ⎡ a11 a12 ⎢a a22 xn ] ⋅ ⎢ 21 ⎢ ⎢ ⎣ an1 an 2 x2 ⎡ n = ⎢ ∑ ai1 xi ⎣ i =1 n ∑a i =1 n n i =1 i =1 x i2 i a1n ⎤ ⎡ x1 ⎤ a1n ⎥⎥ ⎢⎢ x2 ⎥⎥ ⋅ = ⎥ ⎢ ⎥ ⎥ ⎢ ⎥ ann ⎦ ⎣ xn ⎦ ⎡ x1 ⎤ ⎢ ⎥ n ⎤ ⎢ x2 ⎥ ain xi ⎥ ⋅ = ∑ i =1 ⎦ ⎢ ⎥ ⎢ ⎥ ⎣ xn ⎦ n n n = ∑ ai1 xi x1 + ∑ ai 2 xi x2 + … + ∑ ain xi xn = ∑∑ aij xi x j . i =1 TDS-MBV i =1 j =1 69 Formas cuadráticas: polinomios TDS-MBV Manuel Blanco Velasco 70 35 Tratamiento Digital de Señales 11/12/2008 Reverso de una matriz TDS-MBV 71 Gradiente de un vector TDS-MBV Manuel Blanco Velasco 72 36 Tratamiento Digital de Señales 11/12/2008 Error de predicción p El error de predicción: e p [ n ] = ∑ ak x [ n − k ] = aTp x p [ n ] k =0 donde: ⎡ x [ n ] ⎤ ⎢ ⎥ x [ n − 1] ⎥ x p [n] = ⎢ ⎢ ⎥ ⎢ ⎥ ⎣⎢ x [ n − p ]⎦⎥ a p = ⎡⎣1 a1 a p ⎤⎦ a2 T La varianza del error: σ e2 = E {e 2p [ n ]} = E {aTp x p xTp a p } = = aTp R x a p Hay que asegurar a0=1: a p i = 1 T 0] donde: i = [1 0 T TDS-MBV 73 Minimización Se minimiza el siguiente Lagrangiano respecto a ap: Donde λ es el multiplicador de Lagrange. Se calcula el gradiente: Se multiplica por apT y despejando: aTp R xa p − λ = 0 λ = aTp R xa p = σ e2 Se obtienen las ecuaciones normales: R xa p = σ e2 i Ecuaciones de Yule-Walker TDS-MBV Manuel Blanco Velasco 74 37 Tratamiento Digital de Señales 11/12/2008 Ecuaciones normales (I) En un proceso estacionario, estacionario la matriz autocorrelación es simétrica Toeplitz y: R x = R x Desarrollando las ec. normales: ⎡ rx [ 0] rx [ −1] rx [ −2] ⎢ rx [ 0] rx [ −1] ⎢ rx [1] ⎢ rx [ 2] rx [1] rx [ 0] ⎢ ⎢ ⎢ r [ p ] r [ p − 1] r [ p − 2] x x ⎣x rx [ − p ] ⎤ ⎡ 1 ⎤ ⎡σ e2 ⎤ ⎥⎢ ⎥ ⎢ ⎥ rx [ − p + 1] ⎥ ⎢ a1 ⎥ ⎢ 0 ⎥ rx [ − p + 2]⎥ ⎢ a2 ⎥ = ⎢ 0 ⎥ ⎥⎢ ⎥ ⎢ ⎥ ⎥⎢ ⎥ ⎢ ⎥ rx [ 0] ⎦⎥ ⎣⎢ a p ⎦⎥ ⎢⎣ 0 ⎥⎦ TDS-MBV 75 Ecuaciones normales (II) Da lugar a dos grupos de ecuaciones: p σ e2 = rx [ 0] + ∑ ak rx [ − k ], m = 0 k =1 p rx [ m ] + ∑ ak rx [ m − k ] = 0, 1 ≤ m ≤ p k =1 Se resuelve primero el segundo y se obtienen los ak: rx [ −1] ⎡ a1 ⎤ ⎡ rx [ 0] ⎢a ⎥ ⎢ rx [ 0] ⎢ 2 ⎥ = ⎢ rx [1] ⎢ ⎥ ⎢ ⎢ ⎥ ⎢ ⎢⎣ a p ⎥⎦ ⎢⎣ rx [ p − 1] rx [ p − 2] TDS-MBV Manuel Blanco Velasco rx [ − p + 1] ⎤ ⎥ rx [ − p + 2]⎥ ⎥ ⎥ rx [ 0] ⎥⎦ −1 ⎡ −rx [1] ⎤ ⎢ ⎥ ⎢ −rx [ 2] ⎥ ⎢ ⎥ ⎢ ⎥ ⎢⎣ −rx [ p ]⎥⎦ 76 38 Tratamiento Digital de Señales 11/12/2008 Algoritmo de Levinson-Durbin Ecs del algoritmo: γ j = Ecs. r Tj a j −1 σ e2 j −1 ⎡ 0 ⎤ ⎡a ⎤ a j = ⎢ j −1 ⎥ − γ j ⎢ ⎥ ⎣ 0 ⎦ ⎣a j −1 ⎦ σ e2 = (1 − γ 2j ) σ e2 j −1 j Para j = 1,…, , , p, donde: r j = ⎡⎣ rx [1] rx [ 2] Valores iniciales: a0 = 1 rx [ j + 1]⎤⎦ T r0 = rx [1] σ e2 = rx [ 0] 0 TDS-MBV 77 Estimación de Rx El método ya presentado. Xp de dimensión ( 2 N − 1) × N La matriz de autocorrelación: ˆ = 1 XT X R x p p N Matriz estimada cuadrada de orden N. Se toman los valores necesarios. ⎡ x [ 0] 0 ⎢ x 1 x [ 0] ⎢ [] ⎢ x [ 2] x [1] ⎢ x 3 x [ 2] ⎢ [ ] ⎢ Xp = ⎢ ⎢ x [ N − 1] x [ N − 2] ⎢ 0 x [ N − 1] ⎢ ⎢ ⎢ 0 ⎣ 0 TDS-MBV Manuel Blanco Velasco ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ x [ 0] ⎥ x [1] ⎥ ⎥ ⎥ ⎥ x [ N − 1]⎦ 0 0 0 0 78 39 Tratamiento Digital de Señales 11/12/2008 Método de la autocorrelación Se toman p+1 columas de Xp Dimensión ( N + p ) × ( p + 1) ˆ Rx = 1 XTp X p N−p No es Toeplitz: no se puede aplicar el algoritmo de Levinson-Durbin. ⎡ x [ 0] 0 ⎢ x 1 x 0] [ ] [ ⎢ ⎢ ⎢ x [ p − 1] ⎢ x [ p] X p = ⎢ x [ p + 1] x [ p] ⎢ ⎢ ⎢ x [ N − 1] x [ N − 2] ⎢ ⎢ ⎢ 0 ⎣ 0 ⎤ ⎥ ⎥ ⎥ ⎥ x [ 0] ⎥ ⎥ x [1] ⎥ ⎥ x [ N − p − 1]⎥ ⎥ ⎥ ⎥ x [ N − 1] ⎦ TDS-MBV 0 0 79 Método de la covarianza (I) Se construye la matriz Xp sólo con los datos disponibles Dimensión ( N − p ) × ( p + 1) x[n] (p+1) muestras 0 (N-p) muestras p 1ª fila N-1 N-p-1 2ª fila TDS-MBV Manuel Blanco Velasco Última fila 80 40 Tratamiento Digital de Señales 11/12/2008 Método de la covarianza (II) ⎡ x [ p] x [ p − 1] ⎢ x [ p] ⎢ x [ p + 1] Xp = ⎢ ⎢ ⎢ x [ N − 2] x [ N − 3] ⎢ x [ N − 1] x [ N − 2] ⎣ ˆ Rx = x [ 0] x [1] ⎤ ⎥ ⎥ ⎥ ⎥ x [ N − p − 2 ]⎥ x [ N − p − 1] ⎥⎦ 1 XTp X p N−p TDS-MBV Manuel Blanco Velasco 81 41