40147

ЛИНЕЙНАЯ ФИЛЬТРАЦИЯ СООБЩЕНИЙ

Лекция

Коммуникация, связь, радиоэлектроника и цифровые приборы

2 Здесь Ht известная функция несущее колебание; Htt = s[t t] передаваемый сигнал; nt белый гауссовский шум не обязательно стационарный с нулевым средним значением и односторонней спектральной плотностью N0;  постоянный коэффициент определяющий ширину спектра сообщения t. Первое уравнение определяет алгоритм формирования оценки а следовательно и структурную схему фильтра а второе ошибку фильтрации дисперсию оценки сообщения Rt. Коэффициент Kt зависящий от дисперсии оценки сообщения Rt и...

Русский

2013-10-15

539 KB

18 чел.

PAGE   \* MERGEFORMAT 1

ЛИНЕЙНАЯ ФИЛЬТРАЦИЯ СООБЩЕНИЙ

Оптимальная линейная аналоговая фильтрация. Фильтр Калмана

Наблюдаемый процесс на входе фильтра задан уравнением

(t) = H(t)(t) + n(t) ,   0  t  T ,                                           (12.1)

а сообщение (t) - уравнением

.                                                 (12.2)

Здесь H(t) - известная функция (несущее колебание);  H(t)(t) = s[t, (t)] - передаваемый сигнал;  n(t) - белый гауссовский шум (не обязательно стационарный) с нулевым средним значением  и односторонней спектральной плотностью N0;   - постоянный коэффициент, определяющий ширину спектра сообщения (t). Если сообщение (t)  рассматривают, как результат прохождения  формирующего стационарного белого шума n(t)  через интегрирующую цепочку RC, то  коэффициент = 1/(RC).

При линейной фильтрации гауссовских процессов, каким является рассматриваемое сообщение (t), апостериорная плотность вероятности p[|(t)] представляется гауссовским законом. Параметрами такой плотности вероятности служат математическое ожидание  (t) и  дисперсия R(t). Подставляя гауссовскую плотность вероятности  в уравнение Стратоновича (11.18), можно прийти к следующей системе уравнений:

Эти уравнения называют уравнениями фильтра Калмана для непрерывного времени. Первое уравнение определяет алгоритм формирования оценки, а следовательно, и структурную схему фильтра, а второе - ошибку фильтрации (дисперсию оценки сообщения) R(t). Второе уравнение принято в математике называть уравнением Риккати.

Построим структурную схему фильтра Калмана.

Построение схемы удобно начинать с интегратора. Для этого обозначим правую часть (12.3) через y(t) = y1(t)+y2(t), где y1(t) = K(t)H(t)[(t) - H(t)], y2(t) = - , K(t) = 2R(t)/N0. Коэффициент K(t), зависящий от дисперсии оценки сообщения R(t) и спектральной плотности N0 шумовой помехи n(t), имеет смысл коэффициента  передачи. Тогда уравнение (12.3) запишется как d/dt = y(t). Отсюда следует, что если на вход интегратора подать напряжение y(t), то на его выходе получим оценку сообщения  . Для того чтобы сформировать напряжение у1(t), необходимо иметь генератор несущего колебания H(t), два перемножителя, сумматор и усилитель с коэффициентом усиления K(t).

Фильтр Калмана для гауссовского сообщения при линейной модуляции

С помощью этих устройств осуществляются все операции, входящие в выражение для у1(t). Напряжение y2(t) получается с помощью усилителя с коэффициентом усиления , на вход которого поступает напряжение оценки . Суммарное напряжение y(t) = y1(t) + y2(t) с выхода сумматора поступает на вход интегратора, на выходе которого получаем оценку  .

Для немодулированного сигнала, когда s(t,(t)) = (t), в уравнениях (12.3) и (12.4) нужно положить H(t) = 1. При этом структурная схема фильтра Калмана примет более простой вид (рис. 12.2). В ее состав входят интегрирующий фильтр с постоянной времени RC = 1/[+2R(t)/N0] и усилитель с коэффициентом усиления  K(t).

Фильтр Калмана для гауссовского сообщения при отсутствии модуляции

Рассмотренный фильтр (рис. 12.1) является одним из самых простых. Дальнейшее усложнение фильтра Калмана идет по линии использования формирующего фильтра, который описывается дифференциальным уравнением более высокого порядка, чем уравнение (12.2); гауссовская шумовая помеха n(t) может быть не белым шумом. При этом, как правило, уравнения наблюдения, сообщения и оптимальной фильтрации записываются в матричной форме. 

12.2 Фильтрация сообщений в канале связи с амплитудной модуляцией

В качестве примера рассмотрим фильтрацию гауссовского марковского сообщения в канале связи с амплитудной модуляцией, когда для передачи сообщения (t), заданного уравнением, используется следующий сигнал

s(t, (t)) = (t) sin 0t.                                                       (12.5)

Это сигнал амплитудной модуляции с подавленной несущей. Уравнение наблюдения в этом случае, согласно (12.1)

(t) = (t) sin 0t + n(t) .                                                      (12.6)

Уравнение оценки согласно (12.3)

или

.                         (12.7)

Допустим, что период синусоидальных колебаний Т0 = 2/0 удовлетворяет, как это обычно бывает на практике, неравенству

T0 <<k = 1/,                                                             (12.8)

то есть « 0 , где k - время корреляции сообщения  (t).

При этих условиях слагаемым  cos20t  можно пренебречь. Тогда уравнение (12.7) преобразуется к виду

.                                 (12.9)

Аналогичным путем можно преобразовать уравнение (12.4) при  H(t) = sin0t:

.                                 (12.10)

Уравнение (12.9) можно моделировать линейным фильтром разомкнутого типа c постоянной времени RC = 1/[ + R(t)/N0].

Структурная схема оптимального демодулятора амплитудно-модулированных сигналов:

Оптимальный фильтр (демодулятор) представляет собой схему когерентного (синхронного) детектора с интегрирующим фильтром RC. В случае обычной амплитудной модуляции с несущей, когда s(t, (t)) = U0[1+m(t)] sin 0t , синхронный детектор выделяет огибающую [U0 + mU0] и поэтому для получения на выходе оценки сообщения  в схему (рис.12.3) включены разделительный конденсатор С1, устраняющий постоянную составляющую  U0, и аттенюатор А с коэффициентом затухания l/mU0. 

12.3 Линейная фильтрация в дискретном времени

Рассмотрим частный случай линейной фильтрации, когда уравнения наблюдения (12.1) и сообщения (12.2) являются линейными и заданы в виде скалярных разностных уравнений

(0) = 0 .

Предполагается, что здесь Н = H(t) и = (t) есть заданные функции времени; n , n - гауссовские шумы с нулевыми средними значениями и дисперсиями D и D соответственно; интервал времени = (t -t-1) определяется временем дискретизации процессов.

Согласно (12.12) все значения получаются в результате линейного преобразования последовательности независимых распределенных по гауссовскому закону случайных величин ni, i = 0,1,...,. Поэтому, при гауссовском распределении начального значения 0 случайная величина будет также распределенной по гауссовскому закону. Совместно гауссовскими будут являться также совокупности случайных величин   и  .

Известно, что условные плотности вероятности совместно гауссовских случайных величин являются гауссовскими. Поэтому плотность вероятности

на (-1)-м шаге является гауссовской и имеет вид

,

где с1  - нормировочная постоянная,  - апостериорная дисперсия,  - оптимальная оценка .

Путем соответствующих преобразований можно показать, что условная плотность вероятности на  -м шаге является также гауссовской и имеет вид

.                       (12.13)

Из формулы  (12.13)  следуют результирующие уравнения для оценки  и дисперсии   , которые определяют дискретный фильтр Калмана. Они носят рекуррентный характер и имеют следующий вид:

Структурная схема дискретного фильтра Калмана изображена на рис.12.4, где К = =Н(R/D).

Предположим, что наблюдения отсутствуют, то есть  H(t) 0. Тогда апостериорная плотность вероятности совпадает с априорной и из (12.14) имеем

.

Это есть уравнение прогноза  по априорным данным. При этом фильтр Калмана вырождается в фильтр, который обведен на рис.12.4 штриховой линией. Это  есть   формирующий фильтр (ФФ) для передаваемого сообщения (t). Следовательно, априорные сведения о сообщении "заложены в конструкцию" оптимального фильтра.

На входе дискретного фильтра Калмана из принимаемого колебания вычитается его предсказуемая часть Н-1. Из этой разности с весовым коэффициентом К  и из априорных сведений  -1 формируется оптимальная оценка . Процедура образования оценки является рекуррентной (то есть повторяющейся), очень удобной для реализации на ЭВМ.

Дискретный фильтр Калмана

В качестве примера рассмотрим фильтрацию неизвестной постоянной величины. Пусть представляет собой случайную, но постоянную величину; Н = 1, n = 0, -1 = 1. При этом уравнения  (12.11) и (12.12) преобразуются к виду

Примем, что начальное значение 0 распределено по гауссовскому закону с дисперсией Rv0, а дисперсия шума n постоянна и равна D. С учетом принятых допущений результирующие уравнения для оценки  (12.14) и дисперсии R (12.15) приобретают следующий вид:

Уравнение (12.18) можно моделировать фильтром, схема которого изображена на рис.12.5. Он состоит из усилителя с коэффициентом усиления R /D  и рециркулятора (на рисунке он обведен штриховой линией), являющегося дискретным аналогом интегратора.

Дискретный фильтр Калмана для постоянной величины

Из уравнения (12.19) для апостериорной дисперсии следует, что . Поэтому  . Продолжая расписывать далее, окончательно получим

.                                                    (12.20)

Отсюда следует, что R  < D/ , то есть, с увеличением числа наблюдений апостериорная дисперсия убывает, стремясь в пределе к нулю.

12.4 Особенности многомерной линейной фильтрации сообщений

Приведенные результаты линейной фильтрации можно обобщить на многомерный случай. При этом априорные сведения о передаваемых сообщениях задаются системой   стохастических дифференциальных уравнений:

                                    (12.21)

Эти уравнения удобно записать в виде одного векторно-матричного уравнения

                                                (12.22)

где - вектор-столбец сообщения размерности n, который для удобства можно записать в виде транспонированной вектор-строки: ;  А(t) -  nn матрица коэффициентов системы уравнений (12.21);  - вектор-столбец формирующих белых шумов с нулевыми математическими ожиданиями и матричной корреляционной функцией ; N(t)- симметрическая nn матрица деленных пополам спектральных плотностей.

Наблюдаемое колебание записывается в виде

где  (t) - вектор-столбец наблюдений размерности m (m -число каналов наблюдения); H(t) - матрица наблюдений размерности mn;  n(t) - вектор-столбец аддитивных белых шумов размерности  m  с характеристиками :

N0(t) -  симметрическая mm матрица спектральных плотностей, деленных пополам.

Уравнения оптимальной многомерной линейной фильтрации имеют вид:

где R - корреляционная матрица ошибок фильтрации. Пусть, например, представляет случайную, но постоянную скалярную величину   = , заданную уравнением d/dt = 0. Это частный случай уравнения (12.22) при A = А =0 и n = n = 0.

Имеются два канала с независимыми белыми шумами: 1 = + n1; 2 = + n2. В данном случае справедливы следующие соотношения:

.                       (12.25)

Матрица дисперсий одномерна: R = R =  .На основании соотношений (12.25) запишем матрицу  .

Уравнение оптимальной фильтрации (12.23) примет вид

.                               (12.26)

Схема, соответствующая уравнению (12.26), приведена на рис. 12.6. Усложнение схемы по сравнению с одномерным случаем (ему соответствует обведенная штриховой линией часть схемы) повышает точность фильтрации. В соответствии с уравнением (12.24)

.

Решение этого уравнения при начальном условии   можно записать в виде

.                                             (12.27)

Рис. 12.6. Фильтр приема сообщения по двум параллельным каналам

В установившемся режиме при t  0  имеем . По сравнению с одномерным случаем, соответствующему одноканальной обработке, в данном примере слагаемое в знаменателе дроби (12.27) содержит больший по величине коэффициент, поэтому текущие значения  меньше. Таким образом, двухканальная обработка улучшает качество фильтрации и сокращает длительность переходного процесса.


 

А также другие работы, которые могут Вас заинтересовать

14113. Программирование списков 3.54 MB
  УРОК 4 СПИСКИ Программирование списков На многих Webстраницах определенные фрагменты текста выделяются в виде списков различных форматов. Пункты списка отступают от полей отделены от остальных абзацев текста. Каждый пункт списка начинается с номера или маркера. Сп...
14114. ГИПЕРССЫЛКИ. Переход на другой Web-ресурс 5.37 MB
  УРОК 5 ГИПЕРССЫЛКИ Webстраницы обычно содержат подсвечиваемые фрагменты текста или графические изображения называемые гиперссылками которые позволяют быстро переходить к другим страницам Web или другим объектам. Гиперссылки размещенные на Web странице как правило л...
14115. ВСТАВКА ГРАФИЧЕСКОГО ИЗОБРАЖЕНИЯ 383.5 KB
  УРОК 6 ВСТАВКА ГРАФИЧЕСКОГО ИЗОБРАЖЕНИЯ Наличие изображений делает Webстраницу более привлекательной и информативной для посетителей. Сами рисунки хранятся в отдельных файлах вне документа HTML но отображаются браузером внутри Webстраницы. Для вставки рисунка нужн
14116. КОМПЬЮТЕРНАЯ ГРАФИКА В ИНТЕРНЕТЕ 6.06 MB
  УРОК 7 КОМПЬЮТЕРНАЯ ГРАФИКА В ИНТЕРНЕТЕ Растровая графика. Используется измененная презентация Федерации ИнтернетОбразования Графика в Интернете rastr.ppt Даже беглого путешествия по домашним страницам Интернета достаточно чтобы понять что страница офор
14117. Сканирование и обработка изображений Графический редактор Adobe PhotoShop CS2 9.39 MB
  УРОК 8 КОМПЬЮТЕРНАЯ ГРАФИКА В ИНТЕРНЕТЕ Сканирование и обработка изображений Графический редактор Adobe PhotoShop CS2 Сканирование Запустить графическое приложение PhotoShop Выбрать команду сканирования Файл File Импорт Import Twain Ecquire; Уложить изображения по
14118. Сканирование и обработка изображений Графический редактор GIMP 8.59 MB
  УРОК 8 КОМПЬЮТЕРНАЯ ГРАФИКА В ИНТЕРНЕТЕ Сканирование и обработка изображений Графический редактор GIMP Сканирование Запустить графическое приложение GIMP → Выбрать команду сканирования Файл → Создать → СканерКамера; Уложить изображения под крышку скан...
14119. ТАБЛИЦЫ. Создание таблицы 9.51 MB
  УРОК 9 ТАБЛИЦЫ Таблицы содержат информацию расположенную по строкам и столбцам играют большую роль в организации Web страницы. Создание таблицы Таблица задается командой TABLE/TABLE тег TR описывает строку таблицы а тег позволяют задавать ячейки внутри стр
14120. Основы разработки проекта 1.11 MB
  УРОК 10 Основы разработки проекта Выбор темы и сбор информации Существует множество сайтов принадлежащих коммерческим и некоммерческим организация и частным лицам. В настоящее время популярно создание и использование гипертекстовых образовательных приложений.
14121. ИЗОБРАЖЕНИЯ-КАРТЫ. Создание изображения-карты в редакторе HomeSite 408 KB
  УРОК 11 ИЗОБРАЖЕНИЯКАРТЫ Изображениекарта это такое изображение различные фрагменты которого служат ссылками на разные HTMLфайлы или URL. Выбирая с помощью мыши различные фрагменты изображения посетители сайта могут перемещаться со страницы на страницу. Создание