Смекни!
smekni.com

Решетчатые фильтры для стационарных случайных процессов (стр. 1 из 2)

Решетчатые фильтры для стационарных случайных процессов


1. Достоинства решетчатых фильтров

Построение АР модели или синтез АР фильтра требуют вычисления коэффициентов АР. Для этого необходимо обращать корреляционную матрицу, а эта операция, как правило, сопряжена с большим объемом вычислений.

Поиски эффективных алгоритмов вычисления коэффициентов АР привели к синтезу решетчатых структур. Решетчатые структуры могут быть реализованы в виде решетчатых фильтров (РФ). Параметрами РФ являются коэффициенты отражения и число звеньев фильтра. Коэффициенты отражения однозначно связаны нелинейными соотношениями с параметрами АР и определяются, в конечном счете, корреляционной функцией случайного процесса. Число звеньев РФ равно порядку АР модели. РФ, также как и АР фильтры, являются фильтрами предсказания, минимизирующими дисперсию ошибки предсказания.

Несмотря на то, что АР фильтры и РФ математически эквивалентны, между ними существует ряд различий, существенных с практической точки зрения. При цифровой реализации фильтров особое значение играет шум округления. Его появление связано с тем, что значения величин приходится представлять конечным числом разрядов. Как показывает опыт, в этом отношении РФ более эффективны. Объясняется это тем, что ошибки округления (i-1) – го звена в РФ частично компенсируются в i-м звене РФ, чего нет в АР фильтрах.

Другим существенным свойством цифровых фильтров является их чувствительность к квантованной форме представления параметров фильтра. Поэтому, естественно, возникает вопрос: насколько сильно зависят характеристики фильтра от отклонения величин параметров? Доказано, что РФ менее чувствительны к погрешностям квантования параметров по сравнению с фильтрами прямой реализации.

При синтезе РФ, состоящего из p звеньев, используются те же коэффициенты отражения, что и у (p-1) – звенного фильтра. В АР фильтре при увеличении числа звеньев фильтра приходится заново пересчитывать все коэффициенты АР фильтра. Следовательно, использование РФ для обработки случайных сигналов имеет ряд преимуществ, по сравнению с АР фильтрами.

2. Синтез решетчатого фильтра

Несмотря на близость РФ и АР фильтров, использование РФ требует введения новых понятий и соотношений, на основе которых выводится структура РФ. Прежде всего, необходимо остановиться на выводе рекуррентных соотношений, которые носят название алгоритма Левинсона-Дарбина. Алгоритм позволяет вычислять для р-го порядка коэффициенты АР и отражения РФ по найденным коэффициентам АР модели сигнала 1…р порядков.

По аналогии с фильтром прямого предсказания для сигнала, описываемого моделью АР р-го порядка, можно ввести фильтр обратного предсказания, описываемый выражением

, (1)

где

– коэффициенты фильтра обратного предсказания, состоящего из р звеньев,
– ошибка обратного предсказания на выходе р-го звена фильтра. Уравнение описывает регрессию значения случайного процесса
на последующие
.

Значения коэффициентов фильтра обратного предсказания находятся с помощью системы уравнений, аналогичной системе уравнений Юла-Уокера можно представить обобщенные уравнения Юла-Уокера в матричном виде


, (2)

где

-квадрат СКО, равный дисперсии ошибки прямого предсказания, Rp– корреляционная матрица (p+1) – го порядка

. (3)

Чтобы не выходить за рамки общепринятых в теории решетчатых фильтров обозначений, в дальнейшем изложении будет использоваться замена

и
.

Умножив левую и правую части уравнения на

,
и усреднив, легко получить уравнение Юла-Уокера для фильтра обратного предсказания, аналогичное (3)

, (4)

где

– дисперсия ошибки обратного предсказания на выходе p-го звена фильтра обратного предсказания. Объединив матричные уравнения (2) и (4) можно записать общее уравнение

. (5)

Очевидно, что для (р+1) – звенного фильтра должно так же выполняться соотношение типа


. (6)

От матричного уравнения (5) можно перейти к матричному уравнению (6) лишь в том случае, если коэффициенты фильтров прямого и обратного предсказания p-го порядка связаны с коэффициентами фильтра (p+1) – го порядка следующим образом

, (7)

где

- некоторые, так называемые, коэффициенты отражения. Умножив справа левую и правую части матричного уравнения (7), на корреляционную матрицу
можно показать, что коэффициенты отражения удовлетворяют соотношениям

, (8а)

. (8б)

Величины, входящие в соотношения (8а) и (8б), описываемые выражениями

, (9а)

, (9б)

как будет показано ниже, интерпретируются как взаимная корреляция ошибок прямого и обратного предсказания при единичной задержке. Для скалярного случая справедливы равенства

. (10)

Используя соотношения (8а), (8б) и учитывая (7), алгоритм Левинсона-Дарбина, позволяющий вычислять коэффициенты АР по коэффициентам отражения, можно представить в виде

(11)

, (12)

, (13)

с инициацией

,
. (14)

Найденный алгоритм Левинсона-Дарбина позволяет получить структуру РФ. Формулы дают выражение

, (15)

которое с помощью (4) и учетом (15) для р-го звена приводится к виду


. (16)

Аналогично можно найти выражение для ошибки обратного предсказания в р звене

. (17)

Полученные выражения (16) и (17) дают возможность представить структуру РФ в виде, изображенном на рисунке 1.

Рисунок 1. Обеляющий РФ

При поступлении сигнала на вход фильтра на выходе каждого звена фильтра появятся ошибки предсказания вперед и назад. Как видно из рисунка 3 ошибки предсказания вперед и назад связаны друг с другом соотношениями (14) и (15).

Можно показать, используя соотношение (17), что решение задачи минимизации дисперсии ошибки предсказания

относительно коэффициента отражения Кpдает следующее выражение для коэффициента отражения

. (18)

К этому же соотношению можно придти путем несложных преобразований выражений (14) и (15). Таким образом, РФ, коэффициенты отражения которого определяются алгоритмом Левинсона-Дарбина, минимизирует дисперсию ошибки предсказания. Выражение (18) дает удобную оценку коэффициентов отражения РФ, позволяющее обновлять их при адаптации фильтра.

Из рисунка 1 видно, что текущий отсчет случайного процесса можно представить в виде

,
, (19)

т.е. взвешенным суммированием ошибок обратного предсказания в предшествующий момент времени с коэффициентами веса, равными коэффициентам отражения. Случайная величина хt, представленная в виде (19), полностью определяется коэффициентами веса, роль которых играют коэффициенты отражения. Таким образом, коэффициенты отражения полностью характеризуют случайный процесс в рамках модели АР. Это свойство коэффициентов отражения РФ позволяет использовать их в качестве информативного признака при распознавании и спектральном оценивании.

3. Генерация случайных процессов на основе фильтра с решетчатой структурой

Неадаптивные РФ используются для обработки стационарных коррелированных процессов. Примерами задач, решаемых с помощью таких фильтров, может служить применение РФ для подавления или обеления стационарных коррелированных помех, измерение некоторых параметров сигнала, кодировании и декодирования, генерации случайных процессов, синтеза речи, создания эффективных вычислительных алгоритмов и т.д.