Дипломная работа: Постановка задачи синтеза оптимальных алгоритмов приема сигналов на фоне помех

 и .                (13)

Применяя преобразование Гильберта к исходному выражению для УСП и используя составляющие (13) комплексной огибающей, можно записать

.

Разложим функции  и  в подынтегральных выражениях в ряд Тейлора в окрестности точки x=t и почленно проинтегрируем. Получим

 =

,                            (14)

где Q(t) – остаточное слагаемое, характеризующее отброшенную часть суммы. Подставив в выражение (14)  и , получим

.                     (15)

Из формулы (15) видно, что если можно пренебречь функцией Q(t), то сопряженный по Гильберту УСП имеет такую же огибающую, что и исходный УСП.

Из таблиц определенных интегралов известно:

С учетом этих выражений формулу для Q(t) можно записать:

Считаем, что полоса огибающей равна , поэтому вторые производные по своим значениям не превосходят . Поэтому можно полагать, что

.

Следовательно:

.

Отсюда видно, что для УСП функции u(t) и u1(t) имеют одинаковую огибающую с погрешностью, зависящей от отношения ширины спектра к его средней частоте. Для узкополосных случайных процессов обязательным является выражение , следовательно, огибающая удовлетворяет требованиям, которые к ней предъявляются в соответствии с определением УСП, т.е. является касательной в точках, соответствующих максимальным значениям УСП (или вблизи от них), и имеет общие значения с ним в точках касания. Степень «близости» точки касания к максимальному значению зависит от того же отношения .

Фаза  однозначно определяется известными соотношениями для представления комплексного числа в показательной форме.

Графически УСП можно представить в виде вектора, вращающегося с угловой скоростью , длина вектора медленно меняется во времени так же, как и фазовый угол . Исходный УСП является проекцией вектора на горизонтальную ось. Если всю систему координат заставить вращаться с той же угловой скоростью, но в противоположном направлении, то та же проекция будет огибающей .

Если исходный УСП является нормальным, то  и  также являются нормальными случайными процессами. Если УСП u(t) нормален, стационарен, имеет нулевое среднее значение и функцию корреляции , то  и  также имеют нулевые средние значения и корреляционную функцию . В то же время  и  взаимно некоррелированы, а так как они нормальны, то и взаимно независимы. Сомножитель  является огибающей корреляционной функции .

Огибающая и фаза узкополосного случайного процесса. Плотности вероятности огибающей и фазы УСП можно получить, совершая преобразования, которые были использованы для их получения. Эти преобразования показывают, что огибающая и фаза являются независимыми. СВ как в совпадающие, так и в несовпадающие моменты времени. Одномерная плотность вероятности огибающей (в один момент времени) подчиняется закону Рэлея, а плотность вероятности фазы равномерна в пределах от  до .

Сложные преобразования показывают, что центрированная корреляционная функция огибающей приближенно равна квадрату огибающей корреляционной функции исходного УСП. Спектральная плотность мощности огибающей имеет два слагаемых: дельта-функцию, соответствующую постоянной составляющей огибающей, и спектральную плотность флюктуационной составляющей, которая является преобразованием Фурье от квадрата огибающей корреляционной функции исходного УСП.

Если СП является суммой узкополосного нормального процесса и синусоиды со случайной начальной фазой, то мгновенные значения синусоиды распределены по закону арксинуса, сумма – по бимодальному закону, соответствующему свертке нормального закона и закона арксинуса. После применения тех же преобразований, что и для узкополосного нормального СП, получим для огибающей распределение Райса

,

где , А0 – амплитуда синусоидального сигнала;  – среднеквадратическое отклонение шума.

При  распределение Райса переходит в распределение Рэлея.

При больших отношениях , т.е. при А0 >> 1 (отношение сигнал/шум), распределение Райса может быть аппроксимировано нормальным распределением с математическим ожиданием, равным А0.

6. Временные характеристики случайных процессов

Во многих случаях, особенно при экспериментальных исследованиях, вместо ансамбля есть лишь одна реализация. Тогда усреднение производится по времени и при некоторых условиях дает результаты, близкие к усреднению по множеству.

Простейший вариант усреднения состоит в определении среднего арифметического значения. Выделим в отрезке реализации СП длительностью T n дискретных отсчетов с интервалом между ними Dt,

 (рис. 24).

Среднее арифметическое значение определим известным образом:

.

Умножим числитель и знаменатель этого выражения на Dt:

.

Рис. 24

При Dt ® 0 и n ® ¥ сумма перейдет в интеграл, описывающий временное усреднение реализации (обозначается чертой сверху или в данном пособии: ) или функции от нее:

.                          (16)

В общем виде можно записать операцию (16) с помощью оператора временного усреднения ST:

.

Для того чтобы результат не зависел от длительности отрезка T, возьмем предел при T ® ¥:

.

При экспериментальных исследованиях выполнение условия T ® ¥ невозможно, но достаточно выполнения условия .

Часто начало реализации и начало времени интегрирования не совпадают, поэтому оператор  правильнее записать в виде оператора текущего среднего:

.                                  (17)

Используется также симметричная форма этого оператора:

.                               (18)

Частотные характеристики операторов (4.17) и (4.18) равны соответственно:

, ,

т.е. отличаются лишь фазовым множителем .

Практически часто используется оператор экспоненциального сглаживания, реализуемый с помощью интегрирующей RC-цепи в форме

и имеющий характеристику

.

Производя временное усреднение некоторой функции g[x(t)], лежащей в основе какой-либо вероятностной характеристики, получим соответствующую временную характеристику. В частности, дисперсия, полученная временным усреднением, равна

;

Временная корреляционная функция –

.

Аналогами распределений вероятностей являются величины относительного времени пребывания реализации ниже некоторого уровня и в интервале уровней (рис. 25).

Аналог интегральной функции распределения вероятностей – относительное время пребывания реализации ниже некоторого уровня (рис. 25а):

; .

Аналог плотности вероятности – относительное время пребывания реализации в интервале Dx на уровне x (рис. 25б):

;

.

Рис. 25

Процессы, для которых временные характеристики сходятся в некотором смысле к вероятностным при T ® ¥, называются эргодическими. Различают два вида сходимости.

Последовательность случайных величин  сходится по вероятности к случайной величине x, если для любого e > 0

.

Сходимость с вероятностью 1 (или почти всюду) определяется следующим образом:

.

Сходимость в среднем определяется из условия:

,

в частности, сходимость в среднеквадратическом –

.

Из сходимости почти всюду следует сходимость по вероятности, а из сходимости в среднеквадратическом также следует сходимость по вероятности.

Часто имеет место не эргодичность процесса, а эргодичность по отношению к математическому ожиданию, корреляционной функции или иной вероятностной характеристике.

7. Особенности нестационарных случайных процессов

Нестационарные СП, в отличие от стационарных, составляют столь широкий класс, что в нем трудно выделить свойства, относящиеся ко всему классу. Одним из таких свойств, лежащих в основе определения нестационарности, является зависимость вероятностных характеристик этих процессов от времени.

В частности,

,

.

Пример процесса, существенно нестационарного по математическому ожиданию, приведен на рис. 26а, по дисперсии – на рис. 26б.

Нестационарность по математическому ожиданию хорошо описывается моделью аддитивного нестационарного процесса:

X(t) = Y(t) + j(t),

где Y(t) – стационарный СП; j(t) – детерминированная функция.

Нестационарность по дисперсии описывается моделью мультипликативного нестационарного процесса: X(t) = Y(t)·j(t).

Простейшие примеры нестационарности по моментным функциям в более общем виде описываются зависимостями вероятностных распределений от времени.

Рис. 26

Более сложным является отображение нестационарности в рамках многомерных (и даже двумерных) вероятностных характеристик. Наиболее широко используются корреляционные и спектральные характеристики. Поскольку корреляционная функция нестационарного СП зависит от двух моментов времени, спектр нестационарного процесса не может быть определен столь однозначно, как в стационарном случае. Существует несколько определений спектра нестационарных процессов:

а) двойной по частоте спектр или биспектр:

.             (19)

В случае стационарного процесса  и соотношение (19) переходит в теорему Винера – Хинчина. Биспектр (19) трудно физически интерпретировать и использовать при анализе цепей, хотя он отображает всю информацию о частотных свойствах процесса;

б) мгновенный частотно-временной спектр.

Заменим в  переменные следующим образом: , t = t1 – t2 и выполним преобразование Фурье от корреляционной функции по аргументу t:

.                            (20)

Мгновенный спектр (20) зависит как от частоты, так и от времени и при медленной нестационарности имеет наглядную физическую интерпретацию как изменение «обычной» спектральной плотности мощности во времени (рис. 27);

в) усредненная спектральная плотность мощности

,

где .

Этот спектр не отображает динамики процесса, но дает представление о среднем распределении дисперсии процесса по частоте;

г) аппаратурный спектр определяется как среднее значение дисперсии процесса на выходе узкополосного фильтра с импульсной реакцией h(t):

.

Рис. 27

Этот спектр допускает аппаратурное определение, но использование его в теории достаточно трудоемко.

ПРИМЕР

Решение примера Рассмотрим пример нестационарного СП, имеющего плотность вероятности, выраженную функцией

где ; a0 = 1 1/В; k = 2 1/Вс.

Необходимо найти математическое ожидание процесса и нарисовать ориентировочно возможный вид реализации процесса.

Для решения задачи прежде всего определим незаданную функцию А(t) из условия нормировки:

.

Отсюда A(t) = a(t).

Поскольку процесс нестационарный, его математическое ожидание может зависеть от времени и в данном случае равно

.

Учитывая известное значение определенного интеграла [1]

 при

где  – гамма-функция, , получим

.

Возможный вид реализаций процесса, не противоречащий виду распределения, приведен на рис. 28.

Рис. 28

На рис. 28 штриховой линией показано изменение математического ожидания процесса.

8. Классификация случайных процессов

Классификация в любой науке служит для упорядочения объектов исследования, а значит, и используемых методов анализа и синтеза. В ряде случаев удачная, логически оправданная и естественная классификация процесса помогает вскрыть новые закономерности (например, периодическая система Менделеева, классификация звезд на основе диаграммы Герцшпрунга – Рассела в астрономии и т.д.).

Классификация производится по каким-либо признакам. Наиболее существенными признаками для СП являются зависимости их вероятностных характеристик от времени и номера реализации.

Обозначим через q(l) произвольную вероятностную характеристику;

 – оператор усреднения по множеству;

 – оператор усреднения по времени.

Если одновременно используется усреднение и по множеству, и по времени, то получаемая при этом оценка вероятностной характеристики (l) имеет такой вид:

,

где l – аргумент вероятностной характеристики (частота  в спектральной плотности мощности; интервал  в корреляционной функции).

Истинное значение оценки вероятностной характеристики получается с помощью предельного перехода при неограниченном возрастании числа реализаций N и их длительностей T, т.е.

.

Характеристику, полученную усреднением и по множеству, и по времени, будем называть средней вероятностной характеристикой. Если же усреднение производится только по множеству, то получается t – текущая вероятностная характеристика:

;

только по времени – k-текущая вероятностная характеристика:

.

В зависимости от видов получаемых характеристик СП можно классифицировать таким образом:

– (k, l) = (l) – однородный процесс, т.е. получаемая характеристика не зависит от номера реализации;

– (t, l) = (l) – стационарный процесс, т.е. получаемая характеристика не зависит от начала отсчета времени;

– (t, l) = (k, l) = (l) – эргодический случайный процесс.

Схематично процессы могут быть представлены в виде множеств, изображенных на рис. 29.

Рис. 29

Приведенная укрупненная классификация, конечно, не является исчерпывающей, поэтому используется классификация по многим другим признакам.

По виду областей существования и значений случайной функции СП делятся на непрерывные (непрерывные области существования и значений – рис. 30а), дискретные (непрерывное множество значений аргумента и дискретное множество значений – рис. 30б), непрерывные случайные последовательности (дискретная область существования и непрерывная область значений – рис. 30в) и дискретные случайные последовательности (дискретная функция дискретного аргумента – рис. 30г).

По виду распределений вероятностей различают процессы с конечной и бесконечной областями значений, с симметричной и несимметричной плотностью вероятности, гауссовы (нормальные) и негауссовы.

Рис. 30

По корреляционной связи значений различают коррелированные и некоррелированные СП, по виду спектра – широкополосные и узкополосные СП, по характеру временной связи – периодические, непериодические и почти периодические.

По виду нестационарности процессы делятся на аддитивные, мультипликативные, стационарные на интервале (квазистационарные), со стационарными приращениями, периодически нестационарные, с быстрой и медленной нестационарностью и т.д.

Выбор признаков классификации определяется характером решаемой задачи.

Рассмотрим пример классификации СП.

ПРИМЕР 4.

Решение примера 4. Охарактеризовать процесс X(t) в отношении стационарности, однородности и эргодичности, если процесс представлен моделью:

,

где А – случайная амплитуда с рэлеевским распределением; – случайная величина с равномерным распределением на интервале [–p, p]; 0 = const.

Выборочные реализации процесса X(t) представлены на рис. 31.

Рис. 31

Из рис. 31 и аналитического представления квазидетерминированного процесса X(t) очевидно, что его вероятностные характеристики (например, математическое ожидание, дисперсия, плотность вероятности и т.д.) не зависят от времени, т.е. процесс является стационарным. В то же время каждая из реализаций характеризуется своей дисперсией, поэтому процесс неоднороден и не является эргодическим, т.е. его характеристики нельзя оценить по одной реализации.

ПРИМЕР 5. По заданной графически функции распределения  стационарного случайного колебания (рис. 32) определить плотность вероятности и изобразить возможный вид реализации этого процесса.

Рис. 32

Рассчитать математическое ожидание, второй начальный момент и дисперсию процесса.

Решение примера 5. Плотность вероятности  связана с функцией распределения  через производную, поэтому на первом участке u от -6 до -3 В производная, характеризующая тангенс угла наклона  к оси u равна 0,4/3 = 0,13 1/В. При u = 1 В  имеет скачок на 0,3, поэтому в плотности вероятности есть d-функция с площадью, равной величине скачка. На участке от 3 до 7 В также  имеет постоянный наклон, равный 0,3/6 = 0,05 1/В. Полученная плотность вероятности представлена на рис. 3 Для проверки вычислений необходимо найти площадь, ограниченную плотностью вероятности (условие нормировки): .

Рис. 33

Математическое ожидание равно:

mu =  == –0,325 В.

Второй начальный момент – m2u = 48,9 В2.

Дисперсия –  = 48,5 – 0,105625 » 48,4 В2.

Реализация длительностью Т, судя по виду плотности вероятности на разных интервалах времени, должна иметь горизонтальные участки на уровне +1 В, суммарная длительность которых должна составлять Т/ На участках от -6 до -3 В и от +1 до +7 В в реализации имеются наклонные прямые линии со случайным наклоном, что соответствует неизменным значениям плотности вероятности. На первом участке мгновенные значения реализации находятся 0,4Т, а на втором – 0,3Т.

Возможный вид реализации представлен на рис. 34.

Рис. 34

ПРИМЕР 6. На рис. 35 представлена реализация случайного процесса. Изобразить приближенно плотность вероятности и функцию распределения. Рассчитать (также приближенно) математическое ожидание, среднеквадратическое значение (СКЗ) и среднеквадратическое отклонение (СКО).

Рис. 35

Решение примера 6. Для определения плотности вероятности необходимо в соответствии с ее определением рассчитать вероятности следующих событий:

-  соответствия мгновенных значений уровню -10 мА (вероятность р1);

-  нахождения мгновенных значений реализации в интервале от -10 до -4 мА (вероятность р2);

-  соответствия мгновенных значений уровню -4 мА (вероятность р3);

-  нахождения мгновенных значений реализации в интервале от -4 до + 8 мА (вероятность р4);

-  соответствия мгновенных значений уровню + мА В (вероятность р5);

-  нахождения мгновенных значений реализации в интервале от +8 до +10 мА (вероятность р6).

Для нахождения перечисленных вероятностей необходимо посчитать интервал времени, в течение которого происходили эти события, а затем поделить найденные интервалы на длительность реализации, составляющую 25 мс (см. рис. 35). В результате получим частоты событий (оценку вероятностей). Результаты расчетов представлены в табл. 1.

Таблица 1

Для расчета значений плотности вероятности в интервалах (-10, -4) мА, (-4, + 8) мА и (+8, +12) мА необходимо полученные вероятности разделить на соответствующие интервалы, предполагая на этих участках постоянную плотность вероятности, так как мгновенные значения в их пределах меняются по линейному закону (рис. 35). Результаты расчетов представлены на рис. 36.

Математическое ожидание равно:

 мА

(в предположении стационарности заданного реализацией СП по математическому ожиданию).

Второй начальный момент –

m2i = 36,08 мА2

(в предположении стационарности заданного реализацией СП по второму начальному моменту).

Дисперсия –

 = 36,08 – 0,1024 » 35,98 мА2

(в предположении стационарности заданного реализацией СП по дисперсии).

Следовательно, СКЗ =  » 6,01 мА; СКО =  » 6,0 мА.

Библиографический список

1.  Гоноровский, И.С. Радиотехнические цепи и сигналы [Текст] / И.С. Гоноровский. – М. : Радио и связь, 2006. – 608 с.

1.  Манжос, В.Н. Теория и техника обработки радиолокационной информа-ции на фоне помех [Текст] / Я.Д. Ширман, В.Н. Манжос. – М. : Радио и связь, 2011. – 416 с.

2.  Жовинский, В.Н. Инженерный экспресс-анализ случайных процессов [Текст] / А.Н. Жовинский, В.Н. Жовинский. – М. : Энергия, 2009. – 112 с.

3.  Царьков, Н.М. Многоканальные радиолокационные измерители [Текст] / Н.М. Царьков. – М. : Сов. радио, 2010. – 192 с.

2.  Математические основы современной радиоэлектроники [Текст] / И.А. Большаков [и др.]. – М. : Сов. радио, 2009. – 208 с.

3.  Федосов, В.П. Статистическая радиотехника [Текст] : конспект лекций / В.П. Федосов, В.П. Рыжов. – Таганрог : Изд-во ТРТИ, 2008. – 76 с.

4.  Фомичев, К.И. Моноимпульсная радиолокация [Текст] / А.И. Леонов, К.И. Фомичев. – М. : Сов. радио, 2010. – 370 с.

5.  Гнеденко, Б.Н. Курс теории вероятности [Текст] / Б.Н. Гнеденко. – М. : Физматгиз, 2011. – 203 с.