Date post: | 03-Jan-2016 |
Category: |
Documents |
Upload: | emma-blackwell |
View: | 28 times |
Download: | 0 times |
© Institut biostatistiky a analýz
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
prof. Ing. Jiří Holčík, CSc.prof. Ing. Jiří Holčík, CSc.
[email protected]@iba.muni.cz
© Institut biostatistiky a analýz
VI.SPEKTRÁLNÍ ANALÝZA POMOCÍ
METODY VLASTNÍCH ČÍSEL
VI.SPEKTRÁLNÍ ANALÝZA POMOCÍ
METODY VLASTNÍCH ČÍSEL
© Institut biostatistiky a analýz
ZAČÍNÁMEZAČÍNÁME
AR(p) proces znehodnocený aditivním bílým šumem ARMA(p,p) proces;
teď bude … periodický signál + bílý šum
x(nTvz) = 2.cos(2πfkTvz).x(nTvz-Tvz) – x(nTvz-2Tvz)
tento systém generuje signál
x(nTvz) = 2.cos(2πfknTvz) pro n ≥ 0
pokud jsou počáteční podmínky x(-1)=-1 a x(-2)=0
© Institut biostatistiky a analýz
ZAČÍNÁMEZAČÍNÁME
obecně, signál skládající se z p harmonických složek splňuje diferenční rovnici
()
což odpovídá systému s přenosovou funkcí
()
(Polynom A(z)=1+∑amz-m má 2p kořenů na jednotkovém kruhu v místech, která odpovídají frekvencím harmonického signálu.)
p2
1mvzvzmvz ),mTnT(xa)nT(x
p2
1m
mmza1
1)z(H
© Institut biostatistiky a analýz
PRINCIPPRINCIP
přepokládejme periodický signál + bílý šum w(nT) {E(|w(nTvz)2|)=σw
2}
y(nTvz) = x(nTvz) + w(nTvz)
po dosazení za x(nT) z tohoto vztahu do () máme
což představuje ARMA proces s identickými AR i MA parametry
yT.a = wT.a ()
yT =[y(nTvz), y(nTvz-Tvz),…,y(nTvz-2pTvz)],
wT =[w(nTvz),w(nTvz-Tvz),…,w(nTvz-2pTvz)],
aT =[1, a1,…, a2p-1,a2p],
p2
0m0vzvzm
p2
0mvzvzm
p2
1mvzvzvzvzmvzvz
1a),mTnT(wa)mTnT(ya
)mTnT(w)mTnT(ya)nT(w)nT(y
© Institut biostatistiky a analýz
PRINCIPPRINCIP
vynásobením obou stran () vektorem y a určením střední hodnoty
E(y.yT).a = E(y.wT).a = E((x+w).wT).a
Γyy.a = 0 + σw2.a
(Γyy – σw2.I).a = 0 … vlastní (charakteristická) rovnice
σw2 je vlastní číslo autokorelační matice Γyy;
a je vlastní vektor Γyy spojený s vlastním číslem σw
2;
© Institut biostatistiky a analýz
PISARENKOVA HARMONICKÁ PISARENKOVA HARMONICKÁ DEKOMPOZICEDEKOMPOZICE
Mějme p náhodně fázově posunutých harmonických signálů s aditivním bílým šumem.
Hodnoty autokorelační funkce jsou
je
průměrný výkon i-té sinusovky, Ai je
její amplituda
p
1i
2iivziiyy
p
1ii
2wyy
2/AP;0k,kTf2cos.P)k(
P)0(
© Institut biostatistiky a analýz
maticově
známe-li frekvence fi, 1≤i≤p, můžeme spočítat výkon jednotlivých harmonických složek, místo hodnot yy(mTvz) použijeme odhady ryy(mTvz), známe-li výkony, určíme rozptyl šumu
PISARENKOVA HARMONICKÁ PISARENKOVA HARMONICKÁ DEKOMPOZICEDEKOMPOZICE
)p(
)2(
)1(
P
P
P
.
pTf2cos...pTf2cospTf2cos
T2f2cos...T2f2cosT2f2cos
Tf2cos...Tf2cosTf2cos
yy
yy
yy
p
2
1
vzpvz2vz1
vzpvz2vz1
vzpvz2vz1
p
1iiyy
2w P)0(r
© Institut biostatistiky a analýz
podle Pisarenka platí pro ARMA proces obsahující p harmonických složek v aditivním bílém šumu, že rozptyl σw
2 odpovídá minimálnímu vlastnímu číslu autokorelační matice, pokud je rozměr autokorelační matice větší nebo roven
(2p+1) x (2p+1).
Potom požadovaný vektor koeficientů ARMA modelu je dán vlastním vektorem náležejícím minimálnímu vlastnímu číslu.
Frekvence fi, i=1,…,p se určí řešením rovnice, dané položením jmenovatele ve vztahu () rovno nule, kde koeficienty am jsou určeny vlastním vektorem spojeným s minimálním vlastním číslem.
PISARENKOVA HARMONICKÁ PISARENKOVA HARMONICKÁ DEKOMPOZICEDEKOMPOZICE
© Institut biostatistiky a analýz
VLADIMIR FEDOROVICH PISARENKO VLADIMIR FEDOROVICH PISARENKO
?Ph.D.
Moskevská státní univerzita 1963
disertační práce:
Matematická klasifikace objektů
obor: Teorie pravděpodobnosti a stochastické procesy
školitel: Roland Lvovich Dobrushin
Pisarenko, V. F. The retrieval of harmonics from a covariance function Geophysics, J. Roy. Astron. Soc., vol. 33, pp. 347-366, 1973.
© Institut biostatistiky a analýz
Předpokládejme hodnoty AKF yy(0)=3, yy(1)=1 a yy(2)=0. Proces obsahuje jeden harmonický signál v bílém šumu. Určete jeho frekvenci, výkon a rozptyl, tj. výkon šumu.
Řešení:
autokorelační matice je
PISARENKOVA HARMONICKÁ PISARENKOVA HARMONICKÁ DEKOMPOZICEDEKOMPOZICE
PŘÍKLADPŘÍKLAD
310
131
013
yyR
© Institut biostatistiky a analýz
její minimální vlastní číslo je rovno nejmenšímu kořenu charakteristického polynomu
1 = 3, 2 = 3+2, 3 = 3-2 w2 = min = 3-2
odpovídající charakteristický vektor má složky a0=1, a1, a2, pro které platí
PISARENKOVA HARMONICKÁ PISARENKOVA HARMONICKÁ DEKOMPOZICEDEKOMPOZICE
PŘÍKLADPŘÍKLAD
0)76)(3(
310
131
013
)(g 2
0
0
0
a
a
1
.
210
121
012
2
1
© Institut biostatistiky a analýz
řešením získáme a1 = -2 a a2 = 1
z2 - 2 + 1 = 0
tj. leží na jednotkové kružnici
výkon P1.cos(2пf1Tvz) = yy(1)=1 P1 = 2,
proto
kontrola: w2 = yy(0) - P1 = 3-2, což souhlasí s min.
PISARENKOVA HARMONICKÁ PISARENKOVA HARMONICKÁ DEKOMPOZICEDEKOMPOZICE
PŘÍKLADPŘÍKLAD
,1zz,2
1j
2
1z 212,1
8/1T.f2
1j
2
1ez vz1
Tf2j1
vz1
2.2P2A 1
© Institut biostatistiky a analýz
PRONYHO METODYPRONYHO METODY
Gaspard Clair François Marie Riche,
Baron de Prony (22.7.1755 – 29.7.1839)
zákony (rozumějme funkce) popisující expanzi plynů lze
vyjádřit součtem exponenciál
navrhnul metodu na interpolaci naměřených
hodnot na základě exponenciálního modelu
interpolační funkce
Essai éxperimental et analytique: sur les lois dilatabilité de fludes élastique et sur celles de la force expansive de la vapuer de l’alkool, à différentes températures. Journal de l’École Polytechnique, Floréal et Plairial, an III (1795), vol 1, cahier 22, 24-76
© Institut biostatistiky a analýz
PRONYHO METODYPRONYHO METODY
předpokládejme, že vzorky signálu neobsahují šum a skládají se z p exponenciálních signálů
problém je určit Ak a sk z daných N vzorků.
Potřebujeme nejméně 2p hodnot x(nTvz) – problém je bohužel nelineární.
To co Prony vymyslel je, že výpočet Ak a sk může být vzájemně oddělen a realizován řešením dvou soustav lineárních rovnic + řešení polynomiální rovnice.
1N,...,1,0n,e.A)nT(xp
1k
nTskvz
vzk
© Institut biostatistiky a analýz
PRONYHO METODYPRONYHO METODY
Ak i sk jsou obecně komplexní a je-li x(nTvz) reálné,
pak
protože součet komplexních exponenciál je homogenním řešením lineární diferenční rovnice, tak musí taková diferenční rovnice existovat
1N,...,1,0n,e.A)nT(xp
1k
nTskvz
vzk
1N,...,1,0n),nTcos(.e.A
e.eA2
1e.eA
2
1e.A
kvzknT
k
nT)j(jk
nT)j(jk
nTsk
vzk
vzkkkvzkkkvzk
1N,...,1,0n,)mTnT(xb)nT(xp
1kvzvzkvz
© Institut biostatistiky a analýz
pro koeficienty diferenční rovnice je
a to všechno vede k definici tří kroků Pronyho metody:
1. konstrukce a řešení lineární soustavy rovnic pro koeficienty bk;
PRONYHO METODYPRONYHO METODY
p
1k
s1p
1k
1kk )ez(z.b k
p
1
1N2N2
01N
1N2
N
b
b
.
xx
xx
x
x
© Institut biostatistiky a analýz
2. po určení koeficientů bk stanovení kořenů rovnice
k-tý kořen je roven
3. z definiční rovnice
pak můžeme definovat lineární soustavu p rovnic, ze které vypočítáme amplitudy Ak;
A TO JE ZÁKLADNÍ MYŠLÉNKA BARONA PRONYHO
PRONYHO METODYPRONYHO METODY
0zbzp
1k
1kk
p
kse
1N,...,1,0n,e.A)nT(xp
1k
nTskvz
vzk
© Institut biostatistiky a analýz
PRONYHO METODYPRONYHO METODY
z-transformace dané posloupnosti x(nTvz) je
výměnou součtů a sečtením geometrické řady je
(1)
1N
0n
p
1k
nnTsk z.e.A)z(X vzk
p
1k
1Ts
p
1k
p
kj,1j
1TsNNTsk
1Ts
NNTsp
1kk
)z.e1(
)z.e1()z.e1(A
z.e1
z.e1.A)z(X
vzk
vzjvzk
vzk
vzk
© Institut biostatistiky a analýz
PRONYHO METODYPRONYHO METODY
X(z) lze tedy vyjádřit pomocí poměru dvou polynomů
(2)
srovnáním obou () vztahů lze říci, že B(z) je polynom p-tého řádu s kořeny exp(s1Tvz), exp(s2Tvz), …, exp(spTvz);
po zjednodušení čitatele C(z) je polynom (N+p-1)-ho řádu definovaného
)z(B
)z(C)z(X
p
1k
1Tsp
1k
kk )z.e1(z.b1)z(B vzk
1p
0k
)kN(kN
1p
0k
kk z.cz.c)z(C
© Institut biostatistiky a analýz
PRONYHO METODYPRONYHO METODY
zatímco některé koefcienty polynomu C(z) (c0, …, cp-1 a cN, …, cN+p-1) závisí na neznámých amplitudách a pólech (nebo frekvencích), jiné koeficienty cp, …, cN-1 0;
protože X(z).B(z) = C(z), je v časové oblasti
x(nTvz)bn = cn,
což znamená1pN,...,1,0n,cb).kTnT(x)nT(x n
p
1kkvzvzvz
© Institut biostatistiky a analýz
protože dále jsou cp, …, cN-1 nulové, středních N-p rovnic pro nulové pravé strany lze vyjádřit
()
Xf.b = 0
kde i,j-tý prvek matice Xf je xf i,j = x(pTvz+iTvz-jTvz), i=1,2,…, N-p; j = 1,2,…, p+1 a b=[1,b1,b2,…, bp]T
Je-li N=2p, pak máme právě dost rovnic k tomu určit b1,b2,…, bp.
0
0
0
b
b
1
.
)TpTNT(x...)T2NT(x)TNT(x
)T(x...)pT(x)TpT(x
)0(x...)TpT(x)pT(x
p
1
vzvzvzvzvzvzvz
vzvzvzvz
vzvzvz
PRONYHO METODYPRONYHO METODY
© Institut biostatistiky a analýz
PRONYHO METODYPRONYHO METODY
Jakmile určíme bk, známe polynom
B(z)=1+ b1z-1+ b2z-2+…+ bpz-p
a řešením rovnice B(z)=0 dostaneme kořeny exp(s1Tvz), exp(s2Tvz), …, exp(spTvz);.
Koeficienty Ak jsou pak určeny řešením následujících p lineárních rovnic
()1p,...,1,0n),nT(xe.A vz
p
1k
nTsk
vzk
© Institut biostatistiky a analýz
PRONYHO METODYPRONYHO METODY
SUMARIZACE ALGORITMU
1. vypočítat koeficienty bk z ();
2. spočítat kořeny polynomu B(z) a tak určit
3. určit amplitudy A1,…, Ap z rovnice ();
;e...,,e,e vzpvz2vz1 TsTsTs
© Institut biostatistiky a analýz
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
předpokládáme signál + aditivní šum
Nechť diskrétní funkce
()
je modelem signálu, reprezentovaného naměřenými hodnotami x0,…, xN-1.
Hodnoty bk, zk jsou obecně komplexní
Ak je amplituda, Φk počáteční fáze, σk koeficient tlumení a fk frekvence oscilací, Tvz je vzorkovací perioda
1N,...,1,0n,zbxp
1k
nkkn
vzkk
k
T)f2j(k
jkk
ez
e.Ab
© Institut biostatistiky a analýz
cílem je nalézt {Ak,Φk,σk,fk} a p takové, že je minimalizována chyba
je to těžce nelineární problém nejmenších čtverců, který lze řešit iteračně postupným zlepšováním počátečního odhadu.
pokusme se aplikovat Pronyho postup, poskytující suboptimální řešení, které sice nezaručuje nalezení globálního minima, ale poskytuje dostatečně přijatelné řešení
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
1N
0n
2
nn xxe
© Institut biostatistiky a analýz
tedy ještě jednou a trochu jinak:
vztah () představuje homogenní řešení lineární diferenční rovnice s konstantními parametry. Jakými? To určíme!
definujme polynom
z () jeden způsob jak vyjádřit odhad je
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
1a,z.a)zz()z( 0
p
0i
ipi
p
1kn
mnx
1Nmn0pro,z.bxp
1s
mnssmn
© Institut biostatistiky a analýz
vynásobením am a sečtením přes posledních p+1 součinů
po substituci je
Ta nula plyne z toho, že poslední suma je právě hodnota polynomu (zs), tj. pro jeden jeho kořen.
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
1Nnp,za.bxap
1s
mns
p
0mms
p
0mmnm
mps
pns
mns z.zz
0za.zbxap
1s
mps
p
0mm
pnss
p
0mmnm
p
1mmnmn x.ax
© Institut biostatistiky a analýz
po dosazení za je
to nám poskytuje alternativní model (součet exponenciál + aditivní šum) pomocí ARMA systému AR a MA parametry
na rozdíl od Pisarenka nejsou koeficienty ai omezeny tak, aby kořeny měly jen jednotkový modul (automaticky jen harmonické složky)
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
1N,...,1,0nexx nnn
nx
mnmnmn
p
0mmnm
p
1mmnm
n
p
1mmnmn
exxkdyž
1Nnp,e.ax.a
ex.ax
a co takhle Pisarenko?!
© Institut biostatistiky a analýz
minimalizace vede k soustavě nelineárních
rovnic, proto alternativa (rozšířená Pronyho metoda):
když
pak
to pak vede k minimalizaci n pouze AR model linearita (n je určena MA procesem řízeným chybou aproximace en)
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
1N
pn
2ne
1Nnp,eap
0mmnmn
n
p
0mmnmn xax
© Institut biostatistiky a analýz
n je rozdíl mezi xn a jeho lineární predikcí p-tého řádu, zatímco
en je rozdíl mezi xn a jeho exponenciální aproximací
řád p je určen nějakým způsobem pro určení řádu AR procesu (modelu)
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
© Institut biostatistiky a analýz
určíme koeficienty am AR procesu najdeme kořeny AR polynomu a problém se redukuje na řešení soustavy lineárních rovnic s neznámými koeficienty bm
kde
minimalizace nejmenšími vede na řešení
()
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
xb.Θ
1N
1
0
p
2
1
1Np
1N2
1N1
p21
x
x
x
,
b
b
b
,
zzz
zzz
111
xbΘ
xb... H1H ΘΘΘ
© Institut biostatistiky a analýz
při řešení pomůže, když víme, že
parametry Ai, Φi, αi a fi pak určíme
Ai =|bi |
Φ i = arctg(Imbi/Rebi)
αi =ln|zi |/Tvz
fi = arctg(Imzi/Rezi)/2πTvz
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
1z.z
1z.zkde,.
j*i
Nj
*i
ij
pp1p
p111H
ΘΘ
© Institut biostatistiky a analýz
Pronyho metoda užitečná při analýze přechodných dějů
omezíme-li se na tlumené reálné sinusovky, pak
()
pro reálné x(t) požadujeme komplexně sdružené
a ;
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
p
1k
)tf2(jtk
kkk e.eA)t(x
)tf2(j kke )tf2(j kke
dále předpokládáme, že koeficienty tlumení jsou záporné, tj. exponenciály jsou tlumené (je-li α=0, jsou sinusovky tak jak mají být)
© Institut biostatistiky a analýz
protože vztah () má v tom případě konečnou energii, jeho spektrální hustota je rovna FT tohoto vztahu
kde
spektrum je lineárně úměrné energii, nikoliv jako u AR modelů, kde je úměrné (nelineárně) výkonu
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
2
prony )f(X)f(S
p
1k2
k2k
kkk
)ff(2
2)jexp(A)f(X
lze produkovat spektra s úzkými či širokými laloky – závisí na koeficientech tlumení (šířka pásma pro -3dB je [Hz])
© Institut biostatistiky a analýz
PROBLÉMY počet exponenciál ~ řád AR systému – protože je
třeba určit 2p parametrů, max. řád by měl být pmaxN/2, zatímco u AR modelů je možné p>N/2;
přítomnost šumu ovlivňuje přesnost Pronyho odhadů;
šum může způsobit, že koeficienty tlumení jsou moc velké;
PRONYHO METODA NEJMENŠÍCH PRONYHO METODA NEJMENŠÍCH ČTVERCŮČTVERCŮ
© Institut biostatistiky a analýz
© Institut biostatistiky a analýz
VÝHODY OPROTI PISARENKOVI nejsou třeba odhady autokorelačních funkcí; vyskytuje se méně falešných spektrálních
čar díky možnému lepšímu odhadu řádu (?); odhady frekvencí a výkonů mají menší
chyby; jednodušší výpočet (dvě lineární soustavy +
nalezení kořenů polynomu x výpočet komplexních vlastních čísel)
A JE TO!
PRONYHO METODA PRO VÝPOČET PRONYHO METODA PRO VÝPOČET SPEKTRÁLNÍCH ČARSPEKTRÁLNÍCH ČAR