Vlastnosti a modelování aditivního

Podobné dokumenty
SIGNÁLY A LINEÁRNÍ SYSTÉMY

SIGNÁLY A LINEÁRNÍ SYSTÉMY

Úvod do zpracování signálů

SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

I. D i s k r é t n í r o z d ě l e n í

p(x) = P (X = x), x R,

oblasti je znázorněn na obr Komplexní obálku můžeme rozepsat na její reálnou a

Výběrové charakteristiky a jejich rozdělení

Rozprostřené spektrum. Multiplex a mnohonásobný přístup

VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ

ZPRACOVÁNÍ SIGNÁLŮ Z MECHANICKÝCH. Jiří Tůma

Téma 22. Ondřej Nývlt

STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Funkce komplexní proměnné a integrální transformace

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

Generování pseudonáhodných. Ing. Michal Dorda, Ph.D.

Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček. 8. přednáška 11MSP pondělí 20. dubna 2015

Základy a aplikace digitálních. Katedra radioelektroniky (13137), blok B2, místnost 722

Základy teorie pravděpodobnosti

Náhodné (statistické) chyby přímých měření

Časové řady, typy trendových funkcí a odhady trendů

Časové řady, typy trendových funkcí a odhady trendů

Náhodné chyby přímých měření

Osnova. Idea ASK/FSK/PSK ASK Amplitudové... Strana 1 z 16. Celá obrazovka. Konec Základy radiotechniky

Teorie náhodných matic aneb tak trochu jiná statistika

Příloha č. 1. amplitudová charakteristika filtru fázová charakteristika filtru / frekvence / Hz. 1. Určení proudové hustoty

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

Minikurz aplikované statistiky. Minikurz aplikované statistiky p.1

MĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH. Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky

Diferenciální rovnice

Náhodné signály. Honza Černocký, ÚPGM

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

PRAVDĚPODOBNOST A STATISTIKA

1. Přednáška: Obecné Inf. + Signály a jejich reprezentace

KTE/TEVS - Rychlá Fourierova transformace. Pavel Karban. Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni

Komplexní obálka pásmového signálu

Digitalizace převod AS DS (analogový diskrétní signál )

Lineární a adpativní zpracování dat. 3. Lineární filtrace I: Z-transformace, stabilita

10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.

VOLBA ČASOVÝCH OKEN A PŘEKRYTÍ PRO VÝPOČET SPEKTER ŠIROKOPÁSMOVÝCH SIGNÁLŮ

prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií

8 Střední hodnota a rozptyl

1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15

teorie elektronických obvodů Jiří Petržela citlivostní a toleranční analýza

Náhodný vektor a jeho charakteristiky

AVDAT Náhodný vektor, mnohorozměrné rozdělení

Modulace analogových a číslicových signálů

Definice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně

KGG/STG Statistika pro geografy

Motivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky

Charakterizace rozdělení

Transformace obrazu Josef Pelikán KSVI MFF UK Praha

Náhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost

Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?

A/D převodníky - parametry

SIGNÁLY A LINEÁRNÍ SYSTÉMY

n = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)

Quantization of acoustic low level signals. David Bursík, Miroslav Lukeš

1. Základy teorie přenosu informací

oddělení Inteligentní Datové Analýzy (IDA)

31SCS Speciální číslicové systémy Antialiasing

Náhodné vektory a matice

r Odvoď te přenosovou funkci obvodů na obr.2.16, je-li vstupem napě tí u 1 a výstupem napě tí u 2. Uvaž ujte R = 1Ω, L = 1H a C = 1F.

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

výkonovou hustotu definovat lze (v jednotkách W na Hz). Tepelný šum (thermal noise) Blikavý šum (flicker noise)

Poznámky k Fourierově transformaci

Signál v čase a jeho spektrum

MĚŘENÍ ÚHLOVÝCH KMITŮ ZA ROTACE

Aplikovaná numerická matematika

teorie elektronických obvodů Jiří Petržela analýza šumu v elektronických obvodech

Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a

Aproximace binomického rozdělení normálním

doc. Dr. Ing. Elias TOMEH Elias Tomeh / Snímek 1

7. Rozdělení pravděpodobnosti ve statistice

a způsoby jejího popisu Ing. Michael Rost, Ph.D.

Řešení. Označme po řadě F (z) Odtud plyne, že

Cvičení ze statistiky - 5. Filip Děchtěrenko

12. cvičení z PST. 20. prosince 2017

5.1 Modelování drátových antén v časové oblasti metodou momentů

Náhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která

Zpráva k semestrální práci z předmětu Syntéza audio signálů. Vypracoval: Jakub Krista Zimní semestr 2016/2017 Datum odevzdání:

7.1. Číslicové filtry IIR

DSY-4. Analogové a číslicové modulace. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti

Přenos pasivního dvojbranu RC

Chyby měření 210DPSM

NÁHODNÁ VELIČINA. 3. cvičení

2 Hlavní charakteristiky v analýze přežití

X31EO2 - Elektrické obvody 2. Kmitočtové charakteristiky

ÚPGM FIT VUT Brno,

Matematicko-fyzikální fakulta Univerzity Karlovy

elektrické filtry Jiří Petržela filtry se spínanými kapacitory

Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice

Bayesovské metody. Mnohorozměrná analýza dat

MKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0.

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík

Transkript:

Vlastnosti a modelování aditivního bílého šumu s normálním rozdělením kacmarp@fel.cvut.cz verze: 0090913 1 Bílý šum s normálním rozdělením V této kapitole se budeme zabývat reálným gaussovským šumem n(t), připomeneme jeho vlastnosti a popíšeme způsob, jak ho lze modelovat v numerických simulacích. Komplexní reprezentací (komplexní obálkou) ñ(t) šumu n(t) se budeme zabývat v kap. 3. Bílý šum (šum s bílým spektrem) je často používaná aproximace širokopásmového šumu, který má konstantní spektrální výkonovou hustotu v uvažované šířce zpracování signálu. Připomeňme, že bělost šumu n(t) neimplikuje žádné rozložení hustoty pravděpodobnosti, tj. bílý šum nemusí mít nutně normální (gaussovské) rozložení. Předpokládejme, že spektrální výkonová hustota bílého šumu n(t) nabývá pro všechny (úhlové) kmitočty hodnoty /, tedy To odpovídá korelační funkci C n(t) (ω) =. (1) R n(t) (τ) = FT 1 {C n(t) (ω)} = δ(τ). () Uvedená vlastnost říká, že hodnoty n(t 1 ) a n(t ) jsou nekorelované pro libovolně malý interval τ = t t 1. Reálně signál s takovými vlastnostmi nemůže existovat, nebot pro libovolný fixní čas t 1 má náhodná veličina n(t 1 ) nekonečný rozptyl: var{n(t 1 )} = R n(t) (τ). Dále, výkon signálu se spektrální výkonovou hustotou dle (1) je τ=0 nekonečný nebot platí: P = 1 π Pásmově omezený bílý šum C n(t)(ω)dω. Pásmově omezený bílý šum pásmově omezený na (jednostrannou) šířku pásma B představuje reálně interpretovatelnou aproximaci širokopásmového šumu. Spektrální a korelační vlastnosti jsou C n(t) (ω) = { N0 pro ω ( πb, πb), 0 jinde, (3) 1

C n(t) (ω) C n[k] (Ω) f sa ω sa ω sa π ωsa 0 ω sa π ω π π Ω Obr. 1: Spektrální výkonová hustota pásmově omezeného šumu a spektrální výkonová hustota jeho vzorků. Výkon (rozptyl) takového signálu pak je R n(t) (τ) = B Sa(πBτ). (4) P = var{n(t)} = B. (5) Nastavení rozptylu šumového generátoru Při úloze simulace algoritmů zpracování signálu stojíme před problémem, jak nastavit hodnotu rozptylu šumového generátoru σ, aby generovaný náhodný signál správně representoval chování systému za přítomnosti aditivního bílého šumu s požadovanou oboustrannou spektrální výkonovou hustotou C n(t) (ω) =. Simulaci systému provádíme zpravidla v diskrétním čase se vzorkovacím (úhlovým) kmitočtem ω sa. Předpokládáme tedy, že spektra všech uvažovaných signálů lze zanedbat (jsou nulové) pro ω > ω sa /. Stejná podmínka musí platit i pro šumový signál n(t). Pokud budeme bílý šum aproximovat pásmově omezeným šumem s konstantní spektrální hustotou na intervalu ω < ω sa /, chování systému se z pohledu zpracování signálu nezmění. Pásmovým omezením bílého šumu získáme fyzikálně existující signál (s konečným výkonem), který lze vzorkovat s ω sa. Pásmově omezený šum n(t) má autokorelační funkci R n (τ) = ωsa π Sa ( ω saτ ) = N fsa 0 Sa(πf sa τ). Vzorkováním šumu n(t) na násobcích 1/f sa, získáme nekorelované vzorky šumu n[k] = n(k 1 f sa ), autokorelační funkce vzorku N n[k] je R n[k] [m] = f 0 N sa δ[m]. Rozptyl vzorků šumu je var{n[k]} = R[0] = f 0 sa (a to je zároveň i výkon diskrétního signálu n[k]). Tuto hodnotu je pak potřeba použít při nastavení rozptylu šumového generátoru. Platí, že výkon spojitého signálu je číselně roven výkonu jeho vzorků (za předpokladu dodržení vzorkovací podmínky). Proto i výkon pásmově omezeného šumu na intervalu ω < ω sa / je roven výkonu vzorků n[k] generovaných s rozptylem σ = ωsa π = N f 0 sa. Spektrální hustota pásmově omezeného šumu a spektrální hustota jeho vzorků je znázorněna na obr. 1.

Implementace v programu MATLAB Funkce randn(m,n) generuje matici rozměru m n. Prvky matice jsou náhodné nekorelované hodnoty s normálním rozdělením s µ = 0 a σ = 1. Pro generování vzorků pásmově omezeného bílého gaussovského šumu se zadanou spektrální výkonovou hustotou / je potřeba ale zajistit rozptyl s požadovanou hodnotou σ = ωsa π = f sa. Pokud má náhodná veličina X střední hodnotu µ X = 0 a rozptyl σx = 1, pak náhodná veličina Y s µ Y a σy se získá transformací Y = σ Y X + µ Y. (6) Konkrétně: 100 vzorků bílého gaussovského šumu s rozptylem (a tedy i výkonem) 10 se získá: noise=sqrt(10)*randn(1,100); Komplexní obálka V této části připomeneme základní vztahy mezi reálným pásmovým signálem (BP band pass) a jeho komplexní reprezentací (komplexní obálkou, CE complex envelope). Zde uvedená definice komplexní obálky a způsob značení vychází ze [1]. 1 Spektrum komplexní obálky S(ω) se ze spektra pásmového signálu S(ω) získá jako S(ω) = Us(ω ω 0 )S(ω ω 0 ). (7) Časový průběh komplexní obálky s(t) lze pak filtrační metodou z pásmového signálu s(t) získat dle vztahu s(t) = [s(t) exp( jω 0 t)] DP. (8) Komplexní obálka lze rovněž zapsat pomocí dvojice reálných nízkofrekvenčních signálů, a to bud pomocí soufázové s I (t) a kvadraturní s Q (t) složky nebo pomocí obálky s(t) a fáze arg{ s(t)} s(t) = s I (t) + js Q (t) = s(t) exp(j arg{ s(t)}) (9) Pásmový signál s(t) lze z komplexní obálky získat vztahem s(t) = Re{ s(t) exp(jω 0 t)}. (10) 1 V literatuře se používají i jiné definiční vztahy (navzájem se liší násobnou konstantou). Pozor rovněž na značení. Explicitní označení komplexní obálky vlnovkou nad symbolem signálu či spektra není v literatuře jednotně dodržován. Někdy se vlnovkou označuje pásmový signál a komplexní obálka se explicitně neoznačuje. Volba je na autorovi textu: obvykle, pokud většina vzorců a odvození v textu je napsána pro komplexní obálku, bylo by její explicitní značení vlnovkou z pohledu psaní textu pracné a proto je vhodnější v tomto případě označit vlnovkou pásmový signál. 3

Uved me dále, že výkon komplexní obálky je číselně větší než výkon pásmového signálu, tedy P s = P s. Pro komplexní obálku s(t) obecného stacionárního signálu (v širším smyslu) s(t) (nemusí se nutně jednat o pásmový signál) lze odvodit následující souvislosti mezi PSD jednotlivých signálů, viz např. [] C s (ω) = 4C s (ω + ω 0 ) Us(ω + ω 0 ), (11) C si (ω) = C sq (ω) = C s (ω + ω 0 ) Us(ω + ω 0 ) + C s (ω ω 0 ) Us( (ω ω 0 )), (1) ( ( ) ( ) ( ) ( C si s Q (ω) = j C s ω + ω0 Us ω + ω0 Cs ω ω0 Us (ω ω0 ) )). (13) 3 Komplexní obálka AWGN V této kapitole jsou shrnuty vlastnosti reálného pásmově omezeného gaussovského šumu n(t) a jemu odpovídající komplexní reprezentace (komplexní obálky) ñ(t). Definiční vztah komplexní obálky odpovídá popisu z kap.. Pásmově omezený bílý gaussovský šum okolo nosného kmitočtu ω 0 označíme n(t), jeho spektrální výkonovou hustotu C n (ω), viz obr. a). Pro charakteristiky n(t) platí (protože signál n(t) je striktně ergodický, jsou uvedené pravděpodobnostní charakteristiky shodné s charakteristikami časovými) E{n(t)} = 0, (14) R n (τ) = E{n(t) n(t + τ)} = B IF cos(ω 0 τ) Sa(πB IF τ). (15) Speciálně pro výkon (rozptyl) n(t) platí P n = var{n(t)} = R n (0) = σ n = B IF. (16) Komplexní obálku ñ(t) pásmově omezeného šumu n(t) lze vyjádřit pomocí soufázové a kvadraturní složky ñ(t) = n I (t) + jn Q (t). (17) Signály n I (t) a n Q (t) jsou striktně ergodické vzájemně nezávislé (důsledek vztahu 13) s normálním rozdělením a se spektrální výkonovou hustotou dle obr. b) (vychází ze vztahu 1). Pro charakteristiky soufázové a kvadraturní složky platí E{n I (t)} = E{n Q (t)} = 0, (18) E{n I (t) n Q (t + τ)} = 0 pro τ, (19) R ni (τ) = R nq (τ) = E{n I (t) n I (t + τ)} = B IF Sa(πB IF τ), (0) P ni = P nq = var{n I (t)} = var{n Q (t)} = B IF, (1) Pñ = P ni + P nq = B IF. () 4

C ni(t)(ω) = = C nq(t)(ω) C n (ω) ω 0 ω 0 0 ω 0 ω πb IF πb IF πb IF a) b) Obr. : PSD pásmově omezeného bílého šumu n(t) a jeho reprezentace komplexní obálkou ñ(t) = n I (t) + jn Q (t). C ni (ω) = C nq (ω) = Cñ(ω) = { { pro ω < π B IF, 0 jinde, 0 jinde. pro ω < π B IF, (3) (4) Pásmově omezený bílý šum n(t) na nosném kmitočtu ω 0 lze použitím vztahu (10) alternativně zapsat ve tvaru n(t) = n I (t) cos(ω 0 t) n Q (t) sin(ω 0 t). (5) Příklad: Signál dig. modulace necht má výkon C =.0 W. Vygenerujte vzorky komplexní obálky AWGN tak, aby výsledný signál měl poměr C/ = 53 db-hz (pozor, jedná se o poměr výkonu užitečného signálu C ku spektrální výkonové hustotě šumu ). Uvažujte f sa = 66.7 khz. Výpočet: ( ( ) [C/ ] db = 10 log C 10 ), z toho: C = 10 [C/] /10 db = 10 53/10. N0 = 00 khz. Pro PSD ( ) šumu dostaneme = C/ C =.0/00 000 = 0.01 10 3 W/Hz. Výkon soufázové a N0 kvadraturní složky šumu je f sa = 0.001 10 3 66.7 10 3 = 0.667 W. Tato hodnota je zároveň i rozptylem těchto složek a použijeme ji pro nastavení šumového generátoru. 5

Implementace v MATLABu: N=1000; % delka signalu C=.0; % vykon [W] C_No_dB = 53; % [db-hz] fsa=66.7; % [Hz] %------------------------------------------------------------ C_No=10^(C_No_dB/10); No=C/C_No; PnI=No*fsa; % vykon/rozptyl soufazove (relane) casti AWGN ni=sqrt(pni)*randn(1,n); % realna cast AWGN nq=sqrt(pni)*randn(1,n); % imaginarni cast AWGN nce=ni+1j*nq; % komplexni obalka AWGN Literatura [1] Hrdina, Z.; Vejražka, F.: Signály a soustavy. [Skriptum]. ČVUT, Praha 1998. [] Sýkora, J.: Digitální rádiová komunikace II. [Skriptum]. ČVUT, Praha 1998. 6