Цифровые и дискретные сигналы
1. Цифровые и дискретные сигналы
Системы цифровой обработки сигналов непосредственно оперируют с последовательностями цифровых кодов (чисел), которые называют цифровыми сигналами. Цифровой сигнал в радиоэлектронных системах образовывается в результате аналого–цифрового преобразования непрерывных (континуальных) сигналов. Аналого-цифровое преобразование (АЦП) включает три этапа: дискретизацию сигнала по времени (пространству), квантование по уровню и цифровое кодирование.
На первом этапе образуется дискретный сигнал x[D], который является функцией дискретной переменной D, принимающей только фиксированные значения. Если эти значения являются равноотстоящими D=nT¶, (T¶=const), то выбрав соответствующий масштаб, их можно приравнять натуральным числам. В этом случае дискретный сигнал определяют функцией номера отсчета (выборки) x[n]. Говорят, что T¶=1/f¶ это период дискретизации, f¶ - частота дискретизации, а n- номер отсчета.
Второй этап АЦП дает дискретный квантованный сигнал xкв[nT¶], отличающийся конечным множеством принимаемых им значений. На третьем этапе получается цифровой сигнал xц[nT¶] в виде последовательности цифровых кодов с заданным числом разрядов.
Вычислительные средства в соответствии с заданным алгоритмов цифровой обработки F преобразуют сигнал xц[nT¶] в выходной цифровой сигнал yц[nT¶] = F{xц[nT¶]}. В цифровых системах с аналоговым выходом цифровая форма выходного сигнала yц[nT¶] преобразуется в аналоговую y(t) с помощью цифро-аналогового преобразования.
1.1. Дискретизация сигналов и теорема отсчетов
Наиболее удобным с точки зрения организации обработки и естественным способом дискретизации является представление сигналов в виде выборок их значений (отсчетов) в отдельных, регулярно расположенных точках T¶ = . Практически операция дискретизации осуществляется путем измерения значений сигнала с помощью датчика, действие которого можно описать как свертку с некоторым ядром :
(1)
Набор значений составляет дискретное представление сигнала. Ядро называется апертурой дискретизации. Восстановление непрерывного сигнала из приближенных значений выполняется путем интерполяции
Рекомендуемые материалы
(2)
с помощью интерполирующей функции , которая называется апертурой восстановления.
Если исходить только из точности аппроксимации, то существует важный класс сигналов и соответствующие ему базисные функции, для которых распределения (1) и (2) являются абсолютно точными. Это сигналы, спектр Фурье которых U(f)=F{u(t)} отличен от нуля только в пределах ограниченного участка области определения (сигналы с ограниченным спектром).
Пусть сектор сигналов отличен от нуля на интервале , т.е.
. (3)
где .
Для таких сигналов базисы дискретизации и восстановления образуются из функций отсчетов:
; , (4)
а (1) и (2) переходят в точные равенства:
(5)
. (6)
Эти соотношения называются теоремой отсчетов. Равенство (5) означает, что отсчетами сигнала являются его значения в точках , полученные после пропускания сигнала через инвариантный к сдвигу «идеальный» фильтр с импульсной и частотной характеристиками:
, (7)
. (8)
Равенство (6) означает, что процедуру восстановления непрерывного сигнала из его отсчетов можно представить как пропускание через идеальный фильтр нижних частот (7), (8) непрерывного сигнала вида
, (9)
спектр которого представляет собой периодически продолженный с периодом спектр сигнала :
. (10)
Действительно, при такой фильтрации спектр умножается на частотную характеристику фильтра (8), выделяющую только один период спектра, соответствующий и равный спектру сигнала . Периодическое продолжение спектра (10) возможно, если шаг растрирования меньше или равен величине, обратной протяженности спектра. В противном случае происходит перекрытие (наложение) соседних периодов спектра сигнала
, и идеальным фильтром нижних частот уже невозможно выделить спектр сигнала в чистом виде (рис 1).
Рис. 1
В восстановленном сигнале появляются излишние компоненты за счет наложения слева и справа на основной (нулевой) период спектра фрагментов спектра плюс первого, минус первого и следующих порядков. При этом, если в исходном сигнале они имели частоту, скажем, , то в восстановленном сигнале их частота оказывается равной , то есть более низкой. Это влияние снижения частоты периодических составляющих в сигнале при дискретизации с шагом, не соответствующей максимальной частоте сигнала, называется эффектом наложения. Для того чтобы этих искажений не было, очевидно, необходимо перед растрированием с шагом пропустить сигнал через идеальный фильтр нижних частот (антиэлайсинговый) с полосой пропускания . Сходные по своей природе искажения возникают, если восстанавливающий фильтр имеет полосу пропускания шире, чем .
Теорема отсчетов может быть обобщена на сигналы, содержащие несущую частоту f0. Это сигналы, спектр которых отличен от нуля на ограниченных интервалах, смещенных относительно нулевой частоты. Дискретизацию сигналов с несущей частотой можно выполнить несколькими способами.
1. Дискретизация с использованием аналитического сигнала. Вместо действительного сигнала u(t) можно рассмотреть аналитический сигнал , где - преобразование Гильберта u(t). Аналитический сигнал имеет односторонний спектр и к нему теорема отсчетов применима уже в своем обычном виде:
, (11)
где - отсчеты аналитического сигнала,
,
fl = (f0 – F) и fh = (f0 + F) – границы частотного интервала в положительной части спектра.
Сигнал на несущей частоте описывается отсчетами своей огибающей и фазы следующим образом:
Количество отсчетов определяется только шириной полосы частот сигнала 2F.
Вещественный узкополосный процесс u(t) может быть представлен посредством ряда с периодически повторяющимися отсчетами после непосредственного выделения вещественной части (11)
.
Заметим, что в том и в другом случае при временной периодической дискретизации вещественного узкополосного процесса нужно иметь отсчеты не только самого процесса u(t), но также отсчеты квадратурно сопряженного процесса uH(t).
2. Другой способ дискретизации состоит в следующем. Попытаемся представить вещественный узкополосный сигнал в виде ряда, коэффициентами которого являются отсчеты самого процесса. Спектр вещественного сигнала с несущей частотой занимает две спектральные полосы. Поэтому при дискретизации такого сигнала с интервалом дискретности, равным величине, обратной ширине спектра периодическое повторение полосы всегда наложится на полосу и наоборот. В результате спектр дискретного, решетчатого процесса не будет совпадать со спектром исходного процесса.
Эта трудность может быть преодолена путем увеличения частоты дискретизации, что приведет к увеличению периода повторения 1/T¶>2F в спектральной области. Интервал дискретности T¶ выберем таким образом, чтобы при периодическом повторении спектра U(f) полоса при любом целом m не накладывалась на полосу .Примем , где b-коэффициент, величину которого нужно определить. Требование неперекрытия полос приводит к неравенству
.
Целое число m выбираем из условия минимизации b с учетом ограничения b³0. Это дает , где - целая часть числа a. Если (f0/2F)-1/2 – целое число, то b=0 и T¶=1/4F. Во всех остальных случаях b>0 и период временной дискретизации несколько меньше величины 1/4F.
1.2. Представление дискретных сигналов с помощью функциональных рядов
В системах обработки сигналы задаются на определенном интервале изменения переменной. Для дискретного сигнала – это счетное множество точек, например [0, N-1] или [0, ¥]. В первом случае говорят, что дискретные сигналы определены на конечном интервале [0, N-1], включающем в себя N точек.
Дискретное представление можно рассматривать как аппроксимации аналоговых сигналов с помощью рядов. При этом происходит замена непрерывных значений коэффициентами ряда. Дискретные сигналы представляются в виде линейной комбинации базисных функций. Процесс представления заключается в проектировании сигнала на заданный базис. Коэффициенты представления находятся как скалярные произведения сигнала на соответствующие базисные функции:
(12)
Размерность базиса (количество коэффициентов ) ограничивают, основываясь на требуемой точности аппроксимации сигналов , конечной суммой
(13)
Оптимальные базисы дискретного представления сигналов.
Естественно считать оптимальным такой способ дискретизации, при котором размерность базиса минимальна при заданной точности восстановления сигнала.
Пусть - сигнал, удовлетворяющий следующим условиям:
, (14)
где – оператор стробирования, выделяющий из сигнала участок протяженностью ; – идеальный полосовой фильтр, пропускающий только частоты спектра в интервале ; – ошибки такого усечения по протяжённости и по спектру.
Тогда наилучшим является представление сигнала по функциям, являющимися решением уравнения
, (15)
и называемым сфероидальными волновыми функциями (СВФ), причём
, (16)
если – наименьшее целое число, превышающее [3]. При – сфероидальные волновые функции приближаются к отсчётным функциям , и разложение по ним переходит в разложение по теореме отсчётов. При конечном представление (13) по СВФ сигналов, заданных (14), лучше их разложения по отсчётным функциям при том же .
При статистическом описании сигналов оптимальный – мерный базис для представления отдельных реализаций сигналов обычно определяют как базис, при котором норма ошибки, усреднённая по ансамблю реализаций, минимальна. В этом случае получается результат, известный как теорема Карунена – Лоэва [3]. Минимальное значение нормы ошибки при представлении сигналов на интервале протяженностью достигается при использовании в качестве базиса собственных функций, составляющих наибольших собственных значений оператора lk, ядром которого является корреляционная функция сигналов :
. (17)
Минимальное значение нормы ошибки при этом равно
. (18)
Такое представление называется разложением Карунена – Лоэва. Коэффициенты разложения Карунена – Лоэва являются некоррелированными (ввиду ортогональности ) случайными величинами).
Для стационарных процессов, когда корреляционная функция зависит только от разности аргументов , при (становится достаточно большим по сравнения с протяжённостью ) собственные функции приближаются к комплексным дискретным экспоненциальным функциям с частотами .
В случае бесконечного интервала определения дискретные сигналы представляются с помощью дискретного преобразования Лапласа (ДПЛ)
Здесь изображение X(s) есть периодическая функция непрерывной комплексной переменной s=a + jw.. Для удобства ДПЛ часто используют в несколько модифицированном виде, носящим название Z преобразование и получающее путем введения новой переменной z=exp(s).
Z- преобразование дискретной последовательности имеет вид
,
интегрирование осуществляется в области сходимости функции.
В частотно временной области сигнал x[n] может быть описан с помощью дискретного во времени преобразования Фурье
, .
Дискретное во времени преобразование Фурье связано с преобразованием Фурье непрерывного сигнала соотношением
.
В случае конечного интервала определения, для периодического дискретного сигнала, повторяющегося с периодом NT¶, x[n] = x[n+lN], удобно использовать базис ортогональных дискретно экспоненциальных функций (ДЭФ). Такое представление называется дискретным преобразованием Фурье (ДПФ) и имеет вид
.
Здесь сигнал x[n] и его спектр X(k) являются дискретными функциями, определенными на конечном интервале N.
Для анализа нестационарных, всплесковых, сигналов часто используют представление с помощью вейвлетных функций в виде коротких, солитоноподобных колебаний Понятие частоты классического спектрального анализа при этом заменяется масштабом a, а чтобы перекрыть всю временную ось вводится сдвиг функции во времени b.
1.3. Цифровые сигналы
Операция квантования непрерывной величины состоит в том, что континуум ее возможных значений заменяется счетным числом значений. Существующие устройства квантования обычно осуществляют равномерное квантование сигналов, при котором границы интервалов квантования размещаются равномерно в заданном диапазоне значений сигнала, а представители уровней квантования располагаются посередине между этими границами. В случае равномерной процедуры количество порогов квантования оценивается величиной
,
где и - максимальная и минимальная амплитуды дискретизируемого сигнала. Пороги квантования разбивают интервал на (r + 1) интервалов – уровней квантования.
Отсчет непрерывного процесса в АЦП преобразуется в двоичный код из m разрядов, каждый из которых представлен нулем или единицей. Число разрядов определяется числом уровней квантования
.
При когерентной обработке, когда требуется осуществлять цифровую фильтрацию сигналов, когерентную компенсацию помех, число уровней квантования нужно увеличивать, чтобы уменьшить по возможности искажения (из-за квантования) сигналов и помех. На практике часто выбирают , где - дисперсия собственного шума приемника. При этом, число порогов квантования равно , где - динамический диапазон аналоговой части приемника. Отсюда получаем требуемое число разрядов кода и соответственно число разрядов АЦП:
.
Системы счисления в системах цифровой обработки сигналов. Цифровая система обработки является конечной машиной, работающая с конечным множеством чисел. Невозможно использовать это множество для выполнения арифметических операций в поле вещественных чисел (R, +, ´), поскольку R - бесконечное множество, большинство элементов которого непредставимо в вычислительной машине.
На практике в процессе обработки осуществляют аппроксимацию арифметики в поле (R,+,´). Часто для такой аппроксимации используется множество F так называемых чисел с плавающей точкой (или машинных чисел). Множество F является частью множества вещественных чисел со следующими свойствами.
1. F – конечное подмножество множества рациональных чисел Q .
2. Элементы F распределены неравномерно на вещественной прямой. Интервал между двумя “соседними” машинными числами очень мал вблизи нуля, а при удалении от него постепенно увеличивается. Интервал между максимально возможным машинным числом и соседним с ним очень велик.
3. Система (F, +, ´) не будет полем (главным образом из-за того, что нет замкнутости относительно обеих указанных бинарных операций.
Практичный выход из возникающих трудностей состоит в представлении вещественного числа x ближайшим к нему машинным числом ; тем самым вводя ошибку округления . Из-за отсутствия замкнутости ошибки округления возникают также в результате арифметических операций над элементами F. Например, если и - два соседних элемента F , то число уже не принадлежит F. Его следует заменить на - элемент в F, ближайший к z. В этом примере совпадает либо с , либо с .
Представление целых чисел в системе счисления по смешанным основаниям.
Рассмотрим упорядоченный набор из n целых чисел
,
компоненты которого r1, r2,…,rn называются основаниями. Пусть N есть произведение оснований, т.е. . Известно, что каждое целое число s, такое, что можно представить в виде
,
где d0, d1,…,dn-1 являются цифрами стандартного представления для смешанного основания и удовлетворяют неравенствам i = 0,1,…, n-1. Упорядоченный набор цифр d0, d1,…,dn-1 для данного s записывается в виде кода . Например, если r = [2, 3, 5], то N = 30, Следовательно, число 29 можно записать в виде 29 = 1+2(2)+4(2×3) и представление числа по смешанному основанию r имеет вид (29)r =(1, 2, 4).
В лекции "2.16 Архитектура русского барокко" также много полезной информации.
Стандартной системой счисления со смешанным основанием r называется множество всевозможных наборов цифр типа для целых чисел sÎ[0, N). В частном случае r1 = r2 = … = rn приходим к известному представлению числа в позиционной системе с фиксированным основанием.
Контрольные вопросы и задачи
1. Определить условие наложения спектров для q1, q2 двух сигналов и , если они дискретизируются с интервалом T¶ = Dt.
2. Показать, что если в предыдущей задаче положить , где m – целое число, то возникает эффект комплексно-сопряженного наложения.
3. Пояснить, в чем различие между преобразованием Фурье непрерывного сигнала, дискретного во времени преобразованием Фурье и дискретным преобразованием Фурье.
4. Определить код представления числа 25 в системе счисления по смешанному основанию N=60.