Wykaz ważniejszych oznaczeń
Transkrypt
Wykaz ważniejszych oznaczeń
POLITECHNIKA WARSZAWSKA WYDZIAŁ ELEKTRONIKI I TECHNIK INFORMACYJNYCH INSTYTUT SYSTEMÓW ELEKTRONICZNYCH mgr inż. Konrad Jędrzejewski Rozprawa doktorska Przetwarzanie sygnałów niestacjonarnych z wykorzystaniem koncepcji adaptacyjnej dopasowanej obserwacji Promotor: dr hab. inż. Jerzy Szabatin WARSZAWA 2000 Składam podziękowania wszystkim, którzy okazali swoją życzliwość w trakcie pisania tej pracy. Pragnę gorąco podziękować Promotorowi Panu dr. hab. Jerzemu Szabatinowi za wszechstronną pomoc podczas przygotowywania pracy, za wnikliwe przestudiowanie tekstu pracy w różnych fazach jej powstawania oraz wszelkie uwagi i wskazówki, które przyczyniły się do wyeliminowania szeregu usterek. Szczególnie serdecznie chciałbym podziękować Panu doc. dr. Anatolijowi Płatonowowi za wieloletnią współpracę oraz wielogodzinne dyskusje, które wpłynęły na ostateczną formę i treść pracy. Bez Jego cennych uwag i sugestii, jako autora koncepcji adaptacyjnej dopasowanej obserwacji, praca ta nie mogłaby powstać. Słowa podziękowania kieruję także do wszystkich współpracowników z Zakładu Teorii Obwodów i Sygnałów. Konrad Jędrzejewski Spis treści Spis treści Wykaz ważniejszych oznaczeń ................................................................................................ 3 Wykaz stosowanych akronimów ............................................................................................. 4 1. Wprowadzenie...................................................................................................................... 5 1.1. Podstawowe metody analizy i przetwarzania sygnałów niestacjonarnych .................. 5 1.2. Cel, treść i układ pracy ................................................................................................. 8 2. Koncepcja adaptacyjnej dopasowanej obserwacji ......................................................... 12 2.1. Podstawowe założenia koncepcji adaptacyjnej dopasowanej obserwacji .................. 12 2.2. Optymalne algorytmy estymacji parametrów sygnałów stacjonarnych ..................... 15 2.3. Wpływ sterowania parametrami układu obserwacji na szybkość zbieżności algorytmów estymacji ................................................................................................ 18 2.4. Koncepcja adaptacyjnej dopasowanej obserwacji w przetwarzaniu sygnałów niestacjonarnych ......................................................................................................... 23 3. Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów i nagłych zmian parametrów sygnałów .............................................................................. 26 3.1. Analiza pracy algorytmów estymacji w obecności zakłóceń typu dryftów ............... 26 3.2. Rozszerzone algorytmy optymalnej estymacji parametrów sygnałów niestacjonarnych ......................................................................................................... 31 3.3. Analiza pracy algorytmów estymacji w przypadku nagłych zmian parametrów sygnałów ..................................................................................................................... 40 3.4. Zmodyfikowane algorytmy estymacji parametrów sygnałów niestacjonarnych ....... 43 4. Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń ............. 49 4.1. Charakterystyka problemu ......................................................................................... 49 4.2. Algorytm jednoczesnej detekcji dryftów i estymacji parametrów ............................. 50 4.3. Wyniki badań symulacyjnych .................................................................................... 54 5. Filtracja sygnałów niestacjonarnych ............................................................................... 59 5.1. Charakterystyka problemu. Model zmian parametrów .............................................. 59 5.2. Optymalne algorytmy filtracji sygnałów niestacjonarnych........................................ 60 5.3. Podstawowe właściwości algorytmów filtracji sygnałów niestacjonarnych .............. 65 6. Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych ...................................................................................................................... 75 1 Spis treści 6.1. Pomiar parametrów sygnałów sinusoidalnych w obecności losowych dryftów ich amplitud ...................................................................................................................... 76 6.2. Filtracja i estymacja parametrów stacjonarnych sygnałów sinusoidalnych w obecności silnych niestacjonarnych zakłóceń ............................................................ 83 6.3. Pomiar parametrów sygnałów o złożonej strukturze składowych użytecznych i zakłóceń w przypadku dryftu punktu pracy czujnika oraz błędów zera jego charakterystyki ........................................................................................................... 89 7. Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych ...................................................................................................................... 97 7.1. Koncepcja i struktura stanowiska badawczego .......................................................... 97 7.2. Realizacja sprzętowa stanowiska badawczego........................................................... 99 7.3. Badania prototypu szerokozakresowego adaptacyjnego woltomierza ..................... 102 8. Podsumowanie.................................................................................................................. 109 Dodatki .................................................................................................................................. 112 Bibliografia ............................................................................................................................ 121 2 Wykaz ważniejszych oznaczeń Wykaz ważniejszych oznaczeń Bn Cn D det A en E[⋅] hn( β ) Ln - przesunięcie charakterystyki układu obserwacji - czułość układu obserwacji - poziom nasycenia układu obserwacji - wyznacznik macierzy A - błąd predykcji - symbol wartości oczekiwanej - próg detekcji zakłóceń typu dryftów - macierz kowariancji błędów estymacji w przypadku znanego modelu zmian parametrów Ln , n −1 - macierz kowariancji błędów prognozy w przypadku znanego modelu zmian parametrów 2 N[ξ − ξ , σ ξ ] - rozkład normalny zmiennej losowej ξ o wartości średniej ξ i wariancji σ ξ2 p(⋅) Pfa - funkcja gęstości prawdopodobieństwa - prawdopodobieństwo fałszywego alarmu Pd Pn Pn ,n −1 - empiryczne prawdopodobieństwo poprawnej detekcji dryftu - macierz kowariancji błędów estymacji - macierz kowariancji błędów jednokrokowej prognozy Q2 Rn Sn S n,n −1 - stosunek sygnał-szum na wyjściu układu obserwacji - średnie ryzyko; błąd średniokwadratowy filtracji - wariancja błędu estymacji - wariancja błędu jednokrokowej prognozy Sn tr A Un Xn yn ŷ n yˆ n ,n −1 - macierz kowariancji błędów estymacji - ślad macierzy A - wektor znanych deterministycznych pobudzeń lub sterowań - wektor znanych deterministycznych sygnałów - próbki sygnału { y n } - estymata bieżącej wartości sygnału { y n } w chwili n n 1 - jednokrokowa prognoza wartości sygnału { y n } y {yn } {~ yn } - ciąg próbek y1 ,..., yn sygnału { y n } - sygnał obserwowany - sygnał na wyjściu układu obserwacji - stała algorytmu - szybkość narastania liniowego dryftu - dystrybucja Diraca - macierz (wektor) amplitud zmian parametrów sygnałów β$n θ θn θ$n - estymata wektora parametrów β - wektor parametrów sygnału - wektor zmiennych w czasie parametrów sygnału α β δ (⋅) β - estymata wektora parametrów θ sygnału w chwili n 3 Wykaz ważniejszych oznaczeń θ$n ,n −1 θn θn ,n −1 - jednokrokowa prognoza wektora parametrów θ sygnału - estymata wektora parametrów θn w przypadku znanego modelu zmian parametrów - jednokrokowa prognoza wektora θn w przypadku znanego modelu zmian parametrów {ηn } - wektorowy szum w modelu zmian parametrów sygnału λ - stała zapominania algorytmu min λ ( A) - najmniejsza wartość własna macierzy A - szum zewnętrzny obserwacji {ν n } {ξn } - szum wewnętrzny układu obserwacji ρ (⋅) - funkcja strat - macierz współczynników korelacji ρ σ ξ2 Ση - wariancja zmiennej losowej ξ Φ(⋅) X XT - całka prawdopodobieństwa - norma euklidesowa wektora X - transpozycja wektora (macierzy) X - macierz kowariancji szumu {ηn } Wykaz stosowanych akronimów AR - model autoregresyjny ARMA - model autoregresyjny z ruchomą średnią ARMAX - model autoregresyjno-regresyjny z ruchomą średnią ARX - model autoregresyjno-regresyjny EMSE - empiryczny błąd średniokwadratowy FGP - funkcja gęstości prawdopodobieństwa GLR - uogólniony iloraz wiarygodności IMM - interakcyjne sprzęganie modeli LMS - algorytm LMS (ang. Least Mean Square) MSE - błąd średniokwadratowy R - model regresyjny RLS - rekursywny algorytm najmniejszych kwadratów SNR - stosunek sygnał-szum 4 Wprowadzenie 1. Wprowadzenie 1.1. Podstawowe metody analizy i przetwarzania sygnałów niestacjonarnych Problematyka przetwarzania sygnałów niestacjonarnych jest obszerna i zróżnicowana. W wielu różnych dziedzinach nauki i techniki przyciąga ona uwagę badaczy zarówno ze względów teoretycznych, jak i praktycznych. W ostatnim czasie, w licznych rozwiązaniach aplikacyjnych, coraz częściej stosowane są różnorodne, a zarazem coraz bardziej złożone metody przetwarzania sygnałów niestacjonarnych. W literaturze opisywane są koncepcje ich zastosowania m.in. w takich dziedzinach jak: przetwarzanie sygnałów mowy [1], przetwarzanie sygnałów biologicznych [2,3], telekomunikacja [4], miernictwo elektryczne i elektroniczne [5], pomiary wagi ruchomych obiektów [6], elektroenergetyka [7], geofizyka i sejsmografia [1], technika sonarowa [8], radiolokacja [9-11], automatyka, sterowanie i diagnostyka [12]. Do podstawowych metod przetwarzania sygnałów niestacjonarnych należy zaliczyć: metody czasowo-częstotliwościowej analizy sygnałów [13], klasyczne algorytmy optymalnej i adaptacyjnej filtracji sygnałów śledzące zmiany parametrów sygnałów w czasie [14, 15], metody równoległej estymacji wielomodelowej [16], czy też metody detekcji zmian parametrów sygnałów oparte na pojęciu uogólnionego ilorazu wiarygodności [1]. Intensywnie rozwijane są także nowoczesne metody przetwarzania sygnałów niestacjonarnych, które wykorzystują osiągnięcia z zakresu sztucznych sieci neuronowych [17, 18], algorytmów genetycznych [19], czy teorii zbiorów rozmytych [20, 21]. Pierwszą z wymienionych grup metod stosowanych w przetwarzaniu sygnałów niestacjonarnych są metody oparte na czasowo-częstotliwosciowej reprezentacji sygnałów. Analiza czasowo-częstotliwościowa, której początki sięgają klasycznej pracy Gabora [22], jest oparta na dwuwymiarowych przekształceniach sygnałów w dwuwymiarową funkcję czasu i częstotliwości. Można wyróżnić dwie podstawowe klasy metod czasowoczęstotliwościowej reprezentacji sygnałów: liniową i kwadratową (nieliniową) [13]. Wśród metod liniowych największą popularnością cieszy się chwilowa transformacja Fouriera (STFT), która jest naturalnym rozszerzeniem zwykłej transformaty Fouriera na przypadek sygnałów niestacjonarnych. Podstawową wadą chwilowej transformacji Fouriera są ograniczenia czasowo-częstotliwościowej rozdzielczości STFT zwane w literaturze zasadą nieoznaczoności [13], zgodnie z którą nie można z dowolnie dużą dokładnością mierzyć 5 Wprowadzenie zarówno częstotliwości sygnału, jak i czasu jego trwania. Jedną z metod, która umożliwia dokładniejszy niż STFT pomiar częstotliwości sygnału niestacjonarnego w określonym zakresie analizowanych częstotliwości jest transformacja falkowa. Transformacja falkowa wykorzystuje wymianę rozdzielczości czasowej, na rozdzielczość częstotliwościową i vice versa. Prekursorami badań nad transformacją falkową byli w latach osiemdziesiątych Grossmann, Morlet, Mallat, Meyer i Dauberiches [23]. Uogólnieniem pojęcia falki jest pakiet falowy, który stwarza możliwość dostosowywania rozdzielczości częstotliwościowej transformacji do danego sygnału [24]. Kompleksowe omówienie zarówno liniowych, jak i kwadratowych metod czasowo-częstotliwościowej reprezentacji sygnałów wraz z krytycznym ich porównaniem można znaleźć w artykule przeglądowym [13]. Alternatywnym podejściem do przetwarzania sygnałów niestacjonarnych jest reprezentacja sygnałów za pomocą liniowych szeregów czasowych o zmiennych w czasie parametrach. Modelowanie sygnałów za pomocą liniowych szeregów czasowych jest w ostatnim czasie wykorzystywane w wielu zagadnieniach przetwarzania sygnałów, m.in. jest podstawą różnorodnych metod stosowanych w przetwarzaniu sygnałów niestacjonarnych. Na koncepcji modelowania sygnałów liniowymi szeregami czasowymi są oparte metody optymalnej i adaptacyjnej filtracji sygnałów. Zagadnieniom optymalnej i adaptacyjnej filtracji sygnałów poświęconych jest wiele monografii, m.in. [14, 15, 25-32]. Najpełniejsze omówienie większości optymalnych i adaptacyjnych algorytmów przetwarzania sygnałów wraz z przeglądem ich możliwych zastosowań jest zawarte w [14]. Klasycznym rozwiązaniem zagadnienia optymalnej filtracji sygnałów jest filtr Wienera [33, 34]. Kluczowym założeniem teorii filtracji wienerowskiej jest stacjonarność przetwarzanego sygnału użytecznego i występujących zakłóceń. Teorią, która nie wymaga spełnienia założenia o stacjonarności sygnałów i zakłóceń jest teoria filtru Kalmana [35, 36]. Wyczerpujące omówienie zagadnień związanych z filtracją kalmanowską można znaleźć w pracy [29]. Filtr Kalmana, często stosowany w praktyce, pozwala jednak rozwiązywać skutecznie tylko te zagadnienia, w których model niestacjonarności jest ściśle zdefiniowany. Dopiero opracowanie algorytmów filtracji adaptacyjnej umożliwiło zastosowanie metod przetwarzania sygnałów niestacjonarnych, które nie wymagają informacji a priori o charakterystykach sygnałów i zakłóceń. Podstawowymi typami algorytmów filtracji adaptacyjnej są algorytmy typu gradientu stochastycznego obejmujące najprostszą i najczęściej stosowaną rodzinę algorytmów LMS (Least Mean Square) [37] oraz algorytmy oparte na metodzie najmniejszych kwadratów, z których najpopularniejszym jest algorytm RLS (Recursive Least Squares) [38]. W przypadku 6 Wprowadzenie sygnałów o zmieniających się w czasie parametrach algorytmy te potrafią podążać za zmianami parametrów sygnałów („śledzić” je), jednak tylko wtedy, kiedy szybkość tych zmian jest dostatecznie mała w porównaniu z szybkością zbieżności algorytmu. W przypadku szybkich zmian parametrów (np. skokowych) algorytmy te cechują się dużym spadkiem jakości estymat parametrów sygnałów uzyskiwanych po wystąpieniu zmiany. Efekt ten jest wynikiem tego, że po uzyskaniu wartości estymat bliskich prawdziwym wartościom parametrów, współczynniki wzmocnienia sygnału błędu prognozy, występujące w tych algorytmach, obliczane na podstawie określonych miar błędu estymacji, osiągają na tyle małe wartości, że nie mogą spowodować dużych zmian wartości estymat. Powoduje to, że algorytm nie potrafi szybko zareagować na zmiany parametrów. Analizie właściwości śledzących algorytmów adaptacyjnych poświęcono wiele publikacji, m.in. [39-46, 14, 15, 26]. Okazuje się, że jednoczesne osiągnięcie dużej szybkości reakcji na zmiany parametrów oraz dużej dokładności estymacji parametrów są wymaganiami trudnymi do pogodzenia. Wymagania te próbuje się z reguły umiejętnie pogodzić wprowadzając w algorytmach estymacji mechanizmy zapominania. Podawane w literaturze rozwiązania koncentrują się wokół doboru liczby kolejnych obserwacji, które uwzględnia się przy obliczaniu estymat parametrów w zależności od charakteru zmian parametrów oraz doboru odpowiednich współczynników ważenia poszczególnych obserwacji. Rozważania dotyczące analizy jakości śledzenia zmian parametrów sygnałów niestacjonarnych wykorzystujące pojęcie „pamięci” estymatorów można znaleźć m. in. w pracach [44-46]. Interesujące rozwiązania zagadnienia optymalnego sterowania współczynnikami wzmocnienia algorytmów filtracji adaptacyjnej w przypadku przetwarzania sygnałów niestacjonarnych zaproponowano w pracach [47, 48, 14, 15]. Inną ciekawą propozycją polepszenia właściwości algorytmów filtracji adaptacyjnej w przypadku przetwarzania sygnałów niestacjonarnych jest koncepcja rozszerzenia wymiaru klasycznych algorytmów przedstawiona dla algorytmu RLS w pracy [49], a następnie w monografii [14]. Rozwinięciem klasycznych metod filtracji adaptacyjnej są metody równoległej wielomodelowej estymacji parametrów sygnałów [16, 29, 44], które umożliwiają estymację parametrów w przypadku zmieniających się w trakcie obserwacji parametrów sygnałów. W metodach tych proces estymacji jest przeprowadzany dla wielu modeli danego sygnału, a końcowy wynik estymacji jest uzyskiwany w efekcie uwzględnienia informacji o estymatach dla poszczególnych modeli (np. jako kombinacja liniowa wyników uzyskanych dla poszczególnych modeli, w której współczynniki wagowe kombinacji są prawdopodobieństwami a posteriori poszczególnych modeli). Podstawową wadą optymalnej wielomodelowej estymacji parametrów sygnałów jest koszt obliczeniowy, który jest 7 Wprowadzenie wykładniczo narastającą funkcją czasu przetwarzania, co wynika z konieczności uwzględnienia w procesie kształtowania optymalnych estymat wszystkich hipotez opisujących zmiany parametrów. Koszt obliczeniowy może być zmniejszony przez wprowadzenie wymiany informacji między poszczególnymi estymatorami składowymi, co umożliwia redukcję liczby hipotez branych pod uwagę przy wyznaczaniu estymat. Tego typu metody estymacji są nazywane metodami interakcyjnego sprzęgania modeli (Interacting Multiple Model - IMM) [50, 51, 10, 11]. Innym rozwijanym intensywnie kierunkiem badań nad metodami przetwarzania sygnałów niestacjonarnych jest wykorzystanie metod detekcji nagłych zmian parametrów sygnałów opartych na pojęciu uogólnionego ilorazu wiarygodności (Generalized Likelihood Ratio - GLR). W wielu praktycznych zastosowaniach podjęcie decyzji o wystąpieniu zmiany parametrów (m.in. detekcja nagłych zakłóceń (ang. fault detection) [52], segmentacja, tj. wyodrębnianie stacjonarnych fragmentów sygnałów niestacjonarnych [3]) jest kluczowym problemem przetwarzania sygnału. Umożliwia bowiem odpowiednią reakcję algorytmu przetwarzania danych na wykrytą zmianę parametrów, np. reinicjalizację algorytmu lub kompensację wykrytych zmian. Jedną z pierwszych ważniejszych prac tego kierunku jest praca Willsky’ego i Jonesa [53], w której omówiono metodę GLR. Klasycznym rezultatem badań nad tymi metodami jest algorytm skumulowanych sum (CUmulative SUM - CUSUM) [54]. Interesującym przyczynkiem do rozwoju tego nurtu badań są prace Nikiforowa [55, 56], w których autor rozpatruje problem jednoczesnej detekcji zmian parametrów sygnałów i ich klasyfikacji. Wyczerpujący opis rozpatrywanych w ramach tego kierunku zagadnień, rezultatów, a także zastosowań praktycznych można znaleźć w monografii [1]. 1.2. Cel, treść i układ pracy Celem niniejszej pracy jest opracowanie nowych metod i algorytmów przetwarzania niestacjonarnych sygnałów regresyjnych. W porównaniu ze znanymi metodami przetwarzania sygnałów niestacjonarnych, omówionymi w punkcie 1.1, zastosowane w pracy podejście wyróżnia się tym, iż wprowadzony został odmienny od tradycyjnych adaptacyjny nieliniowy model układu obserwacji sygnału. Przyjęcie tego modelu stanowi jedno z fundamentalnych założeń koncepcji adaptacyjnej dopasowanej obserwacji [57-64], na której oparta jest stosowana w pracy metodologia. Zamierzeniem autora było m.in. rozszerzenie badań nad algorytmami przetwarzania stacjonarnych sygnałów regresyjnych, wynikającymi z koncepcji adaptacyjnej obserwacji, na przypadek sygnałów niestacjonarnych, w których niestacjonarność jest rozumiana jako 8 Wprowadzenie zmiany wartości parametrów sygnału występujące w trakcie jego obserwacji. Opracowano i przeanalizowano cztery typy nowych algorytmów przetwarzania sygnałów niestacjonarnych. Pierwszy algorytm jest rozszerzeniem podstawowego algorytmu optymalnej estymacji parametrów stacjonarnych sygnałów regresyjnych [64] na przypadek sygnałów, w których występują dryfty parametrów. Drugim algorytmem jest zmodyfikowany podstawowy algorytm, w którym wprowadzono mechanizm zapominania umożliwiający szybszą reakcję algorytmu na nagłe zmiany parametrów. Kolejnym algorytmem jest algorytm jednoczesnej detekcji zmian parametrów typu dryftów (ang. drift-like faults) i estymacji parametrów sygnałów i zakłóceń oparty na metodach weryfikacji hipotez. Ostatnim algorytmem stosowanym w pracy do przetwarzania sygnałów niestacjonarnych jest optymalny algorytm filtracji typu Kalmana. Działanie prezentowanych w pracy algorytmów zostało zilustrowane przykładami eksperymentów symulacyjnych. Algorytmy te zostały zaimplementowane w środowisku MATLAB. Za pomocą badań symulacyjnych dokonano wszechstronnej weryfikacji rezultatów teoretycznej analizy podstawowych właściwości prezentowanych algorytmów oraz potwierdzono ich wysoką efektywność w przetwarzaniu sygnałów niestacjonarnych. Opracowane programy, przeznaczone do symulacji i analizy pracy algorytmów przetwarzania sygnałów niestacjonarnych, pozwalają na przeprowadzenie różnorodnych badań związanych z zastosowaniami proponowanych algorytmów. Mogą one być pomocne przy wyborze odpowiednich optymalnych w danym zastosowaniu algorytmów, a także optymalnych wartości poszczególnych parametrów systemów przetwarzania sygnałów, w których omawiane algorytmy mogą zostać wykorzystane. Zamierzeniem autora było opracowanie takich metod przetwarzania sygnałów niestacjonarnych, które byłyby użyteczne w zastosowaniach praktycznych, m.in. w metrologii. Głównym rezultatem pracy w kontekście zastosowań jest opracowanie koncepcji precyzyjnego szerokozakresowego adaptacyjnego woltomierza, umożliwiającego analizę struktury sygnałów użytecznych i zakłóceń. W pracy przedstawiono wstępne wyniki badań eksperymentalnych laboratoryjnego modelu analogowej części woltomierza. W ramach prac nad wykorzystaniem koncepcji adaptacyjnej dopasowanej obserwacji do przetwarzania sygnałów niestacjonarnych stworzono uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych, działających w oparciu o prezentowane w pracy algorytmy optymalnego przetwarzania danych i sterowania pomiarem. Stanowisko to może być traktowane jako wstępna wersja systemu komputerowego wsparcia procesu wyboru optymalnej struktury i parametrów projektowanych systemów pomiarowych. 9 Wprowadzenie Praca jest podzielona na osiem rozdziałów. W rozdziale 2 podano w skrócie założenia koncepcji adaptacyjnej dopasowanej obserwacji. Wprowadzono model matematyczny nieliniowego układu obserwacji oraz sformułowano problem optymalnej estymacji parametrów stacjonarnych sygnałów regresyjnych. Przedstawiono rekursywny algorytm estymacji parametrów sygnałów oparty na koncepcji adaptacyjnej dopasowanej obserwacji, optymalny w przypadku sygnałów stacjonarnych i nazywany w pracy algorytmem podstawowym. Omówiono jego podstawowe właściwości, m.in. możliwość osiągnięcia wykładniczej szybkości zbieżności estymat parametrów w początkowym okresie obserwacji sygnału. W rozdziale 3 przeprowadzono analizę zachowania podstawowego optymalnego algorytmu estymacji parametrów sygnałów w przypadku występowania dryftu i nagłych zmian parametrów sygnałów. Podano rozszerzony algorytm estymacji parametrów sygnałów niestacjonarnych, w których występują dryfty parametrów sygnałów bądź zakłóceń. Zaproponowano także modyfikację algorytmu podstawowego, polegającą na wprowadzeniu mechanizmu zapominania umożliwiającego szybszą reakcję algorytmu na nagłe zmiany parametrów. W rozdziale 4 przedstawiono algorytm jednoczesnej detekcji zakłóceń typu dryftów i estymacji parametrów sygnałów i zakłóceń. W rozdziale tym przedstawiono wyniki badań symulacyjnych potwierdzające wysoką efektywność zaproponowanej procedury detekcji wykorzystującej koncepcję adaptacyjnej dopasowanej obserwacji. Rozdział 5 jest poświęcony zagadnieniu przetwarzania sygnałów niestacjonarnych, których zmiany parametrów są opisane procesami Markowa. Wprowadzono model zmian parametrów sygnału oraz zaprezentowano optymalny algorytm filtracji sygnału i estymacji parametrów typu Kalmana. Przedyskutowano także jego podstawowe właściwości, m.in. pokazano, że, podobnie jak w przypadku estymacji parametrów sygnałów stacjonarnych, optymalne adaptacyjne sterowanie czułością układu obserwacji umożliwia osiągnięcie początkowej wykładniczej szybkości zbieżności estymat również w przypadku estymacji parametrów sygnałów niestacjonarnych. Potwierdzeniem tego faktu są wyniki symulacji komputerowych. Przykłady zastosowania omawianych w pracy algorytmów do przetwarzania niestacjonarnych sygnałów pomiarowych przedstawiono w rozdziale 6. Przykłady te potwierdzają m.in. tezę, że prezentowane w pracy metody i algorytmy są szczególnie użyteczne w analizie złożonych niestacjonarnych sygnałów użytecznych i zakłóceń. 10 Wprowadzenie Rozdział 7 zawiera opis uniwersalnego stanowiska do fizycznych i symulacyjnych badań systemów pomiarowych, działających w oparciu o prezentowane w pracy algorytmy optymalnego przetwarzania danych i sterowania pomiarem. Przedstawione w nim podejście do analizy i syntezy systemów pomiarowych stwarza nowe możliwości rozwoju prac związanych z projektowaniem nowej klasy optymalnych adaptacyjnych systemów pomiarowych pracujących w warunkach różnorodnych zakłóceń i szumów. Możliwe staje się również zwiększenie efektywności istniejących wzorców przyrządów poprzez modyfikację ich oprogramowania. Jako przykład wykorzystania stanowiska przedstawiono koncepcję adaptacyjnego szerokozakresowego woltomierza, umożliwiającego analizę struktury sygnału użytecznego i zakłóceń. Przedstawiono wyniki wstępnych badań modelu laboratoryjnego analogowej części woltomierza. Badania adaptacyjnego woltomierza umożliwiły określenie podstawowych wymagań co do sposobu realizacji i wzajemnego dopasowania analogowych i cyfrowych elementów stanowiska badawczego oraz sposobu organizacji doświadczeń. Wyniki pracy podsumowano w rozdziale 8. 11 Koncepcja adaptacyjnej dopasowanej obserwacji 2. Koncepcja adaptacyjnej dopasowanej obserwacji Główne rezultaty pracy są oparte na nie stosowanej do tej pory w zagadnieniach przetwarzania sygnałów niestacjonarnych koncepcji adaptacyjnej dopasowanej obserwacji sygnału, opracowanej przez Płatonowa [57-64] i rozwijanej w Instytucie Systemów Elektronicznych PW. Wyniki różnorodnych badań dotyczących tej koncepcji, uzyskane w ostatnich latach, można znaleźć w pracach [65-104]. Koncepcja ta umożliwiła nowe spojrzenie na wiele zagadnień praktycznych i jest nowym perspektywicznym kierunkiem w dziedzinie adaptacyjnych metod przetwarzania sygnałów. 2.1. Podstawowe założenia koncepcji adaptacyjnej dopasowanej obserwacji W koncepcji adaptacyjnej dopasowanej obserwacji przyjmuje się następujący regresyjny model analizowanego sygnału { yn } : L yn = gdzie ∑θ (i ) i =1 [ X n( i ) + νn = θ T X n + νn , θ = θ (1) ,θ ( 2 ) ,...,θ ( L ) X n = X n(1) , X n( 2) ,..., X n( L) T ] T jest (2.1) n = 1,2,... , wektorem losowych parametrów modelu, - wektorem próbek deterministycznych sygnałów, których wartości są znane w każdej chwili czasu n, zaś L - rzędem modelu. Ciąg {vn } opisuje addytywne zakłócenia dodające się do sygnału użytecznego nazywane szumem zewnętrznym obserwacji. Mogą być one interpretowane np. jako losowe zakłócenia elektryczne, mechaniczne, itp. na wejściu czujnika lub układu pomiarowego. O szumie {vn } zakłada się, że jest szumem białym gaussowskim o zerowej wartości średniej i wariancji σ ν2 , tj. opisanym funkcją gęstości prawdopodobieństwa (FGP): p (ν n ) = N[ν n − 0, σ ν2 ] . Model (2.1) jest szeroko stosowanym modelem sygnału w licznych badaniach teoretycznych i zagadnieniach praktycznych. W zdecydowanej większości prac przyjmuje się milcząco założenie, że przetwarzanie sygnału odbywa się z pominięciem wpływu czynników towarzyszących procesowi obserwacji, takich jak szum wewnętrzny układu obserwacji, czy też ograniczoność jego zakresu wyjściowego i związane z tym zniekształcenia nieliniowe obserwacji. Problemy te są poruszane tylko w nielicznych pracach, m.in. [105-108]. 12 Koncepcja adaptacyjnej dopasowanej obserwacji W klasycznych metodach estymacji parametrów sygnałów, jak i w wielu zagadnieniach teorii filtracji, identyfikacji, optymalnego sterowania, itp. [25-30] dominuje liniowy model układu obserwacji: ~ yn = C0 yn + ξ n , (2.2) gdzie { yn } jest analizowanym sygnałem, { y~n } - sygnałem na wyjściu układu obserwacji, C0 jest stałą czułością (często przyjmowaną za równą 1), a {ξ n } szumem wewnętrznym układu obserwacji. Szum {ξ n } może być interpretowany np. jako cieplne, elektryczne lub kwantowe zakłócenia występujące w rzeczywistych układach obserwacji. W modelu (2.2) zakłada się liniowość obserwacji sygnału {yn } dla wszystkich jego wartości. Założenie to stwarza możliwość jawnego analitycznego rozwiązania odpowiednich zagadnień optymalizacyjnych i wyprowadzenia optymalnych algorytmów estymacji, jednak w praktyce nigdy nie jest spełnione, ponieważ każdy realny układ obserwacji ma ograniczony zakres liniowości sygnału wyjściowego, np. [ − D, D] , poza którym próbki yn są zniekształcane nieliniowo bądź wręcz ograniczane. Chcąc zapewnić, aby warunek liniowej obserwacji sygnału był spełniony dla dużych wartości analizowanego sygnału {yn } , należy odpowiednio zmniejszyć czułość C0 . Zmniejszenie czułości układu obserwacji powoduje jednak wzrost wpływu szumu wewnętrznego na jakość estymacji parametrów sygnałów i tym samym pogorszenie dokładności obliczanych estymat. Częściowym, praktycznym rozwiązaniem tego problemu jest wprowadzenie kompensacji analizowanego sygnału, która pozwala rozszerzyć liniowy zakres układu obserwacji bez zmian parametrów C0 i D. Oznacza to przyjęcie następującego modelu układu obserwacji: ~ yn = C0 en + ξ n , (en = yn − Bn ) , (2.3) gdzie ciąg {Bn } jest sygnałem kompensującym, który opisuje sterowanie położeniem zera charakterystyki układu obserwacji. Model (2.3) układu obserwacji nie różni się jednak pod względem teoretycznym niczym istotnym od modelu (2.2) i nie pozwala opisywać i analizować efektów związanych z ograniczeniem liniowego zakresu obserwacji. Koncepcja adaptacyjnej dopasowanej obserwacji umożliwia bezpośrednie uwzględnienie właściwości układu obserwacji w procesie opracowywania algorytmów przetwarzania sygnałów, a zarazem znaczącą poprawę dokładności estymacji ich parametrów. W koncepcji tej przyjmuje się, że sygnał {yn } jest obserwowany za pomocą układu obserwacji opisanego modelem bardziej adekwatnym, niż modele tradycyjnie stosowane, o 13 Koncepcja adaptacyjnej dopasowanej obserwacji charakterystyce liniowej w ograniczonym zakresie obserwacji i z odcinkami nasycenia poza tym zakresem (rys. 2.1): Cn ( yn − Bn ) + ξ n , ~ yn = D sgn ( yn − Bn ) + ξ n , gdy yn − Bn ≤ D Cn , gdy yn − Bn > D Cn . (2.4) E[ ~ yn | en ] D − D / Cn D / Cn −D en en = yn − Bn Rys. 2.1. Charakterystyka układu obserwacji opisanego modelem (2.4) Sygnałem wejściowym układu obserwacji (2.4) jest sygnał błędu kompensacji en = yn − Bn , gdzie ciąg {Bn } jest sygnałem kompensującym, a ciąg {Cn } określa czułość układu obserwacji. Jednym z podstawowych założeń koncepcji adaptacyjnej dopasowanej obserwacji jest możliwość adaptacyjnych zmian czułości Cn . Stała D (poziom nasycenia) jest parametrem układu obserwacji, który charakteryzuje zakres możliwych wartości sygnału wyjściowego i, przy znanej czułości Cn , określa zakres sygnału wejściowego en ∈ [ Bn − D Cn , Bn + D Cn ] , w którym obserwacja odbywa się bez zniekształceń nieliniowych. O szumie wewnętrznym układu obserwacji {ξ n } , występującym w modelu (2.4), zakłada się, że jest białym szumem gaussowskim o FGP: p(ξ n ) = N[ξ n − 0,σ ξ2 ] . Przy założeniu modeli (2.1), (2.2) lub (2.3) nie jest możliwe odseparowanie od siebie szumu zewnętrznego {vn } i szumu wewnętrznego obserwacji {ξ n } , które są traktowane jako jeden wypadkowy szum. Nie jest zatem możliwe uwzględnienie wpływu samego procesu obserwacji na dokładność estymacji parametrów sygnału. Koncepcja adaptacyjnej dopasowanej obserwacji stwarza taką możliwość, a rozdzielenie szumów na szum wewnętrzny i zewnętrzny w modelach sygnału (2.1) i układu obserwacji (2.4) jest uzasadnione ze względu na różne źródła ich pochodzenia i różne charakterystyki oraz odmienny wpływ obu szumów na jakość estymacji parametrów sygnału [64]. 14 Koncepcja adaptacyjnej dopasowanej obserwacji Wprowadzenie nieliniowości do modelu układu obserwacji powoduje możliwość wystąpienia nieliniowych zniekształceń sygnału analizowanego oraz znacznie komplikuje syntezę i analizę odpowiednich optymalnych algorytmów jego przetwarzania. W koncepcji adaptacyjnej dopasowanej obserwacji niedogodności tych unika się wprowadzając warunek statystycznego dopasowania układu obserwacji do charakterystyk probabilistycznych analizowanego sygnału. Warunek ten stanowi kluczowe założenie całej koncepcji, a jego przyjęcie umożliwia praktyczne usunięcie wpływu nieliniowości układu obserwacji na zniekształcenia sygnału na jego wyjściu, przeprowadzenie wszechstronnej analizy i wyprowadzenie wszystkich niezbędnych rezultatów analitycznych. Warunek statystycznego dopasowania określa dla każdej chwili czasu n zbiór wartości parametrów układu obserwacji Bn i Cn , dla których prawdopodobieństwo pojawienia się nieliniowych zniekształceń nie przekracza zadanego małego progu µ ( 0 < µ << 1 ), tzn. zgodnie z tym warunkiem parametry Bn i Cn muszą przyjmować takie wartości, aby dla każdego n spełniona była nierówność: D ~ n −1 Pr yn − Bn ≤ y1 = Cn Bn + D C n ∫ p( y n |~ y1n −1 )dyn ≥ 1 − µ , (2.5) B − D Cn gdzie ~ y1n −1 oznacza ciąg próbek ~ y1 ,..., y~n −1 sygnału na wyjściu układu obserwacji. Wartość parametru µ jest ustalana arbitralnie, w zależności od rozpatrywanego problemu, i określa w każdej chwili czasu gwarantowane prawdopodobieństwo nienaruszenia liniowego trybu pracy układu obserwacji (np. µ ∈ [10 −12 ,10 −4 ] ). Układ obserwacji spełniający warunek (2.5) jest nazywany układem statystycznie dopasowanym. Jeżeli warunek (2.5) jest spełniony, oznacza to, że sygnał jest obserwowany liniowo praktycznie w całym zakresie zmian swoich wartości. Prawdopodobieństwo naruszenia liniowego trybu obserwacji w przedziale [1, n] jest równe 1 − (1 − µ ) n ≈ µn , tzn. dla małych wartości parametru µ i dostatecznie krótkich ciągów obserwacji przyjmuje ono wartości bliskie zeru. 2.2. Optymalne algorytmy estymacji parametrów sygnałów stacjonarnych Przy założeniu modeli sygnału (2.1) i układu obserwacji (2.4) opracowanie algorytmów optymalnej estymacji parametrów sygnałów polega na wyprowadzeniu zależności określających w każdej chwili n wartości estymat θˆn = θˆn ( ~ y1n ) oraz optymalnych reguł y1n −1 ) i Cn = Cn ( ~ y1n −1 ) . adaptacyjnego sterowania parametrami układu obserwacji Bn = Bn ( ~ 15 Koncepcja adaptacyjnej dopasowanej obserwacji Optymalne estymaty oraz wartości parametrów {Bn , Cn } znajduje się, minimalizując średnie ryzyko błędu estymacji: ∞ Rn = E[ ρ (|| θ − θˆ ||)] = ∞ ~ n ) ||) p ( ~ y1n | θ ) p (θ ) dθ d~ y1n , 1 ∫ ... ∫ ρ (|| θ − θˆ ( y n −∞ (2.6) −∞ przy ograniczeniu (2.5). Norma we wzorze (2.6) jest zwykłą euklidesową normą w przestrzeni ℜ L , a funkcja strat ρ (⋅) - dowolną funkcją spełniającą standardowe warunki, tzn. funkcją symetryczną, wypukłą, różniczkowalną odcinkami i mającą minimum w zerze. W celu wyznaczenia optymalnych estymat θ$n i reguł sterowania parametrami Bn i Cn należy wyznaczyć jawną postać FGP a posteriori p( yn | ~ y1n −1 ) występującej w warunku (2.5). Wyznaczenie tej funkcji jest zaś możliwe, gdy znane są rozkłady szumów p(νn ) , p(ξ n ) oraz rozkład a priori p(θ ) wektora parametrów θ analizowanego sygnału. Oznacza to, że do wyprowadzenia optymalnych algorytmów przetwarzania danych i sterowania parametrami układu obserwacji w koncepcji adaptacyjnej dopasowanej obserwacji muszą być stosowane bayesowskie metody estymacji. Będziemy zatem dalej zakładać, że dysponujemy pełną informacją o rozkładzie a priori p(θ ) losowego i stałego w każdej realizacji wektora θ oraz że rozkład ten jest gaussowski o wartości średniej θ 0 i apriorycznej macierzy kowariancji P0 = E[(θ − θ0 )(θ − θ0 ) T ] , tzn. p(θ ) = N[θ − θ0 , P0 ] . Rozwiązanie sformułowanego powyżej zagadnienia przebiega w dwóch krokach. W pierwszym kroku są wyznaczane optymalne estymaty θ$n dla dowolnych dopuszczalnych ciągów parametrów układu obserwacji {Bn , Cn } , tj. ciągów spełniających warunek statystycznego dopasowania (2.5). Po znalezieniu optymalnych estymat θ$n dla dowolnych dopuszczalnych ciągów {Bn , Cn } , w drugim kroku są wyznaczane optymalne w każdej chwili n wartości parametrów Bn i Cn , zapewniające osiągnięcie globalnego minimum średniego ryzyka (2.6) i jednocześnie spełniające warunek (2.5). Szczegółowe rozwiązanie można znaleźć w pracy [64]. Pełny algorytm określający optymalny sposób estymacji parametrów sygnałów regresyjnych (2.1) oraz optymalne reguły sterowania parametrami układu obserwacji (2.4) przybierają w przypadku sygnałów stacjonarnych następującą postać: 16 Koncepcja adaptacyjnej dopasowanej obserwacji Optymalny algorytm estymacji • Rekursja dla estymat wektora parametrów: ~ yn − Cn (θ$nT−1 X n − Bn ) $ $ θn = θn −1 + Cn Pn −1 X n 2 . 2 2 T σξ + Cn (σν + X n Pn −1 X n ) • Rekursja dla macierzy kowariancji błędów estymacji Pn = E[(θ − θ$n )(θ − θ$n ) T | ~ y1n ] : Pn = Pn −1 − • (2.7) Cn2 Pn−1 X n X nT Pn −1 . σ ξ2 + Cn2 (σ ν2 + X nT Pn−1 X n ) (2.8) Warunki początkowe: θ$n |n = 0 = θ 0 , Pn |n = 0 = P0 . (2.9) Optymalne reguły sterowania • Sygnał kompensujący: Bn = θ$ Tn −1 X n . (2.10) • Czułość układu obserwacji: Cn = D α σν + X nT Pn −1 X n 2 , (2.11) gdzie wartość stałej α wynika z założonej wartości parametru µ i jest rozwiązaniem równania 2Φ(α ) = erf ( α 2 ) = 1− µ , (2.12) zaś Φ(α ) jest całką prawdopodobieństwa. Z reguły (2.10) wynika, że optymalna kompensacja bieżącej próbki yn analizowanego sygnału jest określona jednokrokową predykcją θ$nT−1 X n tej próbki obliczoną na podstawie estymaty θ$n − 1 wektora parametrów θ w chwili poprzedniej. Schemat blokowy optymalnego układu estymacji parametrów stacjonarnych sygnałów regresyjnych z adaptacyjnym sterowaniem parametrami układu obserwacji przedstawiono na rysunku 2.2. 17 Koncepcja adaptacyjnej dopasowanej obserwacji Blok generacji Xn Xn Układ obserwacji θ Xn T νn yn + ξn en − θ$nT−1 X n Cn en ~ yn Blok estymacji i sterowania Cn Cn θ$n θ$nT−1 X n Rys. 2.2. Schemat blokowy układu estymacji parametrów stacjonarnych sygnałów regresyjnych Efekty nieliniowe, występujące przy statystycznie dopasowanej obserwacji sygnału, powodują pojawienie się w estymatach (2.7) poprawek rzędu O( µn) , które dla µn << 1 można pominąć [64]. Również rekursja określająca macierz kowariancji błędów estymacji (2.8) jest wyznaczona z dokładnością O( µn) . Wynika z tego, że im mniejszy jest iloczyn µn , tym równości (2.7) i (2.8) są dokładniejsze. Jak zostanie pokazane dalej, szybkość zbieżności estymat (2.7) do prawdziwych wartości wektora θ jest bardzo duża, a więc rekursje wystarczy rozpatrywać dla niezbyt dużych n. Tym samym można uznać, że pojawiające się błędy wynikające z odrzucenia nieliniowych członów w rekursjach (2.7) i (2.8) mają znikomy wpływ na dokładność estymacji [64]. 2.3. Wpływ sterowania parametrami układu obserwacji na szybkość zbieżności algorytmów estymacji Algorytm (2.7)-(2.11) charakteryzuje się bardzo szybką zbieżnością estymat parametrów θ$ n do ich prawdziwych wartości θ . Uzyskuje się to dzięki optymalnemu adaptacyjnemu sterowaniu czułością Cn w trakcie obserwacji oraz optymalnemu kształtowaniu sygnału kompensującego Bn . W początkowych taktach pracy algorytmu sygnał błędu kompensacji en = y n − B n na wejściu układu obserwacji może przybierać duże wartości, w związku z tym czułość C n przyjmuje wówczas małe wartości zapewniające szeroki zakres liniowej obserwacji: en ∈ [ Bn − D Cn , Bn + D Cn ] . W kolejnych taktach, w miarę wzrastania dokładności kompensacji analizowanego sygnału, błąd kompensacji maleje, a co za tym idzie czułość układu może być zwiększana do wartości nienaruszających warunku statystycznego dopasowania. Wzrost czułości i dokładniejsza kompensacja powoduje z kolei szybszą zbieżność estymat θ$ n do prawdziwych wartości. 18 Koncepcja adaptacyjnej dopasowanej obserwacji Ilościowej oceny szybkości zbieżności algorytmu (2.7-2.11) można dokonać, przyjmując konkretną miarę błędu estymacji θ$n − θ i analizując jak szybko miara ta maleje w funkcji czasu. Jako miarę błędu estymacji przyjmuje się często w literaturze objętość elipsoidy dyspersji błędów estymacji [25]. Ponieważ miara ta jest proporcjonalna do pierwiastka kwadratowego z wyznacznika det Pn macierzy kowariancji błędów estymacji Pn , zatem o szybkości zbieżności algorytmu można wnioskować na podstawie analizy szybkości z jaką maleje trajektoria wyznacznika det Pn . Podejście takie, obok analizy trajektorii śladu tr Pn lub trajektorii stosunku λmax λmin największej wartości własnej tej n n macierzy do jej wartości najmniejszej, jest często stosowanym, uproszczonym, ale skutecznym sposobem oceny i porównania zbieżności różnych rekurencyjnych algorytmów estymacji [26]. W pracy [64] ilościową ocenę szybkości zbieżności algorytmu (2.7)-(2.11) przeprowadzono analizując zachowanie wyznacznika det Pn . Analiza polegająca tylko na śledzeniu zmian wyznacznika macierzy Pn w czasie daje jednak niekompletny obraz L zbieżności estymat wszystkich parametrów, ponieważ wyznacznik det Pn = ∏ λ(nk ) może, nie k =1 zmieniając swej wartości, zawierać różne kombinacje dużych i małych wartości własnych macierzy Pn . Jedna dobrze wyestymowana składowa wektora θ może spowodować, że wartość tego wyznacznika będzie bliska zeru, mimo że dokładność estymat innych składowych będzie niezadowalająca. Taka sytuacja odpowiada nierównomiernej zbieżności estymat poszczególnych parametrów. Z tego względu w [64] przeprowadzono także analizę trajektorii najmniejszej wartości własnej λmin macierzy Pn . Wykazano m.in., że dla n dopuszczalnych ciągów parametrów {Bn , Cn } , spełniających warunek statystycznego dopasowania (2.5), wyznacznik macierzy kowariancji błędów można opisać rekursją: det Pn = σ ξ2 + Cn2σ ν2 det Pn−1 , σ ξ2 + Cn2 (σ ν2 + X nT Pn−1 X n ) (2.13) a najmniejsza wartość własna macierzy Pn spełnia nierówność: λ min n ≥λ min n −1 Cn2 1 + λmin Xn n −1 σ ξ2 + Cn2σ ν2 2 −1 ≥λ min 0 n Ck2 1 + λmin Xk 0 ∑ 2 2 2 k =1 σ ξ + C k σ ν −1 2 . (2.14) Na podstawie tych zależności w [64] sformułowano i udowodniono twierdzenie charakteryzujące szybkość zbieżności algorytmu (2.7)-(2.11). Twierdzenie to mówi, że jeśli w 19 Koncepcja adaptacyjnej dopasowanej obserwacji 1 ≤ n ≤ n1 pewnym początkowym przedziale spełniony jest warunek dostatecznej różnorodności obserwacji (ang. persistency condition) wyrażony następującą nierównością: SNR inp = Smax σν 2 > X nT Pn −1 X n σν 2 >> 1 + Q 2 = 1 + SNR out (2.15) oraz optymalne estymaty θ$ n są obliczane zgodnie z rekursjami (2.7)-(2.9), a układ obserwacji jest sterowany według reguł (2.10)-(2.11), to istnieje taki przedział początkowy 0 ≤ n ≤ min(n1 , n∗ ) , w którym z dużą dokładnością spełniona jest równość: det Pn = (1 + Q 2 ) det P0 , −n (2.16) gdzie chwila n∗ jest określona w przybliżeniu wzorem n ≈ * ln( λ0min E minσν−2 ) ln(1 + Q2 ) (2.17) . Występujące w zależnościach (2.15)-(2.17) wielkości są zdefiniowane następująco: SNR inp jest stosunkiem sygnał-szum na wejściu układu obserwacji uśrednionym względem rozkładu a priori parametrów θ , a SNR out = Q 2 = ( D ασξ ) 2 jest stosunkiem sygnał-szum na wyjściu układu obserwacji. Wielkość Q2 = ( D ασξ ) 2 możemy interpretować jako stosunek sygnałszum na wyjściu układu obserwacji, ponieważ jeśli czułość układu obserwacji (2.4) jest sterowana zgodnie z regułą (2.11), to wielkość Cn2 E[en2 | ~ y1n −1 ] = ( D / α ) 2 jest średnią mocą składowej informacyjnej (bez uwzględnienia szumu wewnętrznego układu obserwacji ξ n ) na jego wyjściu. Wielkość S max = max n , X nT X n ≤ E max X nT Pn −1 X n = max X 1T P0 X 1 = λmax 0 Emax X 1T X 1 ≤ E max maksymalną aprioryczną dyspersją mocy składowej użytecznej sygnału jest {y n } , a Emax = max X nT X n i Emin = min X nT X n > 0 maksymalną i minimalną sumaryczną mocą n n sygnału {X n } . W pracy [64] udowodniono również następującą nierówność dla najmniejszej wartości własnej macierzy Pn , potwierdzającą równomierną zbieżność poszczególnych składowych estymowanego wektora θ : λnmin ≥ (1 + Q 2 ) λn,min −1 . −1 (2.18) Z równania (2.16) wynika, że w pewnym początkowym przedziale obserwacji wyznacznik macierzy kowariancji błędów estymacji det Pn maleje wykładniczo ze wzrostem n. Można zatem powiedzieć, że algorytm (2.7)-(2.11) zbiega się w tym przedziale z 20 Koncepcja adaptacyjnej dopasowanej obserwacji szybkością wykładniczą. Należy podkreślić, że jest to jedyny znany dotąd rekursywny algorytm parametrycznej estymacji sygnałów, którego początkowa szybkość zbieżności jest wykładnicza. Szybkość zbieżności klasycznych algorytmów tego typu jest co najwyżej hiperboliczna. Wykładnicza szybkość zbieżności algorytmu przechodzi stopniowo w hiperboliczną w okolicach chwili n∗ . Wówczas sterowanie czułością układu obserwacji nie wpływa już na poprawę dokładności estymacji i może być zaniechane. Jak podkreślono wcześniej, uzyskanie wykładniczej szybkości zbieżności algorytmu (2.7)-(2.11) jest możliwe dzięki optymalnemu sterowaniu czułością układu obserwacji przy odpowiedniej kompensacji analizowanego sygnału. To właśnie adaptacyjne sterowanie czułością umożliwia uzyskanie zadowalającej dokładności estymacji w bardzo krótkim czasie. Cecha ta stanowi ważną zaletę koncepcji adaptacyjnej dopasowanej obserwacji i ma bardzo istotne znaczenie dla zastosowań praktycznych, w których dysponujemy jedynie krótkimi ciągami obserwacji. Jest ona także istotna dla zagadnień rozpatrywanych w niniejszej pracy, umożliwia bowiem szybsze wykrywanie i śledzenie zmian parametrów sygnałów niestacjonarnych. Wpływ sterowania czułością układu obserwacji na poprawę szybkości zbieżności estymacji możemy zbadać ilościowo, porównując szybkość zbieżności algorytmu (2.7)-(2.11) z szybkością zbieżności algorytmu, w którym czułość układu obserwacji jest stała Cn = const . W tym przypadku największa wartość stałej czułości, dla której warunek statystycznego dopasowania (2.5) nie jest naruszony, jest określona wzorem [64]: C0 = gdzie S max = max X 1T X 1 ≤ E max D α σν + Smax 2 , (2.19) X 1T P0 X 1 jest maksymalną dyspersją mocy składowej użytecznej sygnału {y n } , Emax = max X nT X n , zaś α jest rozwiązaniem równania (2.12). W przypadku stałej n czułości układu obserwacji macierz kowariancji błędów estymacji jest opisana zależnością: −1 ( 0) n P σν2 + C0− 2σξ2 −1 C02 P0 En = I + 2 En + O(n − 2 ) , 2 2 n P0 = σ + C σ n ξ 0 ν (2.20) n gdzie En = n − 1 ∑ X k X kT . Indeks (0) we frakcji górnej został dodany dla podkreślenia, że k =1 macierz kowariancji Pn( 0) jest obliczana przy założeniu stałej czułości układu obserwacji Cn = C0 . 21 Koncepcja adaptacyjnej dopasowanej obserwacji Z porównania wzorów (2.8) i (2.20) wynika twierdzenie podane w pracy [91], mówiące o tym, że jeśli optymalne estymaty θ$ n obliczane za pomocą algorytmu (2.7)-(2.11) z adaptacyjnie sterowaną czułością układu obserwacji osiągnęły w pewnej chwili n, 1 ≤ n ≤ n∗ , dokładność scharakteryzowaną przez wartość wyznacznika det Pn , to, stosując algorytm ze stałą czułością, określoną wzorem (2.19), tę sama dokładność estymacji uzyskuje się po znacznie dłuższym czasie n', przy czym chwile n i n' są związane nierównością: (n' ) L det ( P0( 0 ) E n ' ) log 2 −2 2 σ ν + C 0 σ ξ log n' n≈ < + 1 L . 2 2 log (1 + Q ) log (1 + Q ) (2.21) Nierówność (2.21) dowodzi, że ze względu na szybkość zbieżności optymalny algorytm (2.7)-(2.11) z adaptacyjnie sterowaną czułością układu obserwacji ma istotną przewagę nad optymalnym algorytmem (2.7)-(2.10), (2.19), w którym czułość jest stała. Podkreślmy raz jeszcze, że szybki początkowy wzrost dokładności estymacji oraz silne tłumienie szumu wewnętrznego układu obserwacji jest skutkiem wzrostu czułości układu obserwacji w pierwszych taktach pracy algorytmu, co jest związane również ze wzrostem dokładności kompensacji analizowanego sygnału. Dzięki dokładniejszej prognozie wartości próbek yn sygnału możliwy jest dalszy wzrost czułości układu obserwacji i, w konsekwencji, prawie całkowita eliminacja wpływu szumu wewnętrznego na dokładność estymacji parametrów. Z przedstawionej powyżej analizy szybkości zbieżności algorytmów opartych na koncepcji adaptacyjnej dopasowanej obserwacji sygnału wynika, że koncepcja ta umożliwia syntezę efektywniejszych algorytmów estymacji. W szczególności wykładnicza początkowa szybkość zbieżności stanowi o przewadze algorytmów z adaptacyjnie sterowaną czułością układu obserwacji nad algorytmami klasycznymi. Zastosowanie optymalnych algorytmów wywodzących się z koncepcji adaptacyjnej dopasowanej obserwacji stwarza zatem możliwość zwiększenia jakości systemów przetwarzania sygnałów. W pracach [66-85] przeanalizowano możliwość wykorzystania koncepcji adaptacyjnej dopasowanej obserwacji w różnorodnych zagadnieniach praktycznych, m.in. opracowano [66-69] i opatentowano [83] zasadę funkcjonowania nowej klasy analogowo-cyfrowych systemów pomiarowych z adaptacyjnie sterowanymi czujnikami i optymalnym przetwarzaniem sygnałów pomiarowych. Koncepcję adaptacyjnej dopasowanej obserwacji wykorzystano także do odpornej identyfikacji sygnałów regresyjnych [86-93]. Większość uzyskanych w tych pracach rezultatów dotyczy jednak przetwarzania sygnałów stacjonarnych. 22 Koncepcja adaptacyjnej dopasowanej obserwacji 2.4. Koncepcja adaptacyjnej dopasowanej obserwacji w przetwarzaniu sygnałów niestacjonarnych Koncepcja adaptacyjnej dopasowanej obserwacji umożliwia nowe spojrzenie na zagadnienie przetwarzania sygnałów niestacjonarnych. Jak wspominano wcześniej, ograniczony zakres liniowości sygnału na wyjściu układu obserwacji, poza którym analizowany sygnał jest zniekształcany nieliniowo, bądź ograniczany, jest cechą charakterystyczną każdego realnego układu obserwacji. Cecha ta nabiera szczególnego znaczenia w przypadku przetwarzania sygnałów niestacjonarnych charakteryzujących się zwykle dużym zakresem zmian wartości, kiedy wejście sygnału w zakres nieliniowych zniekształceń układu obserwacji jest bardziej prawdopodobne niż w przypadku sygnałów stacjonarnych. Celowe staje się więc opracowanie takich algorytmów przetwarzania sygnałów niestacjonarnych i sterowania parametrami układu obserwacji, które pozwoliłyby wyeliminować błędy związane z nieliniowym przetwarzaniem, bądź ograniczaniem analizowanego sygnału. Nie jest to jednak możliwe w przypadku przyjęcia klasycznego modelu układu obserwacji, tj. modelu liniowego w całym zakresie dynamicznym sygnału. Możliwość taka pojawia się natomiast – również dla sygnałów niestacjonarnych, jeśli przyjmie się podstawowe założenia koncepcji adaptacyjnej dopasowanej obserwacji, tj. nieliniowy model układu obserwacji oraz warunek statystycznego dopasowania układu obserwacji do charakterystyk analizowanego sygnału. Przyspieszona zbieżność algorytmów estymacji z optymalnym sterowaniem parametrami układu obserwacji pozwala również na opracowanie efektywniejszych procedur detekcji zmian parametrów analizowanych sygnałów. Wstępne badania poświęcone tym zagadnieniom zostały przedstawione w pracach [94-104]. Niniejsza praca uogólnia i rozszerza rezultaty tych badań, m.in. przez wprowadzenie odpowiednich modeli niestacjonarności sygnałów. W pracy przyjęto następujący, ogólny, regresyjny model rozpatrywanych sygnałów niestacjonarnych: yn = θ nT X n + ν n , gdzie θ n = [θ n(1) ,θ n( 2) ,...,θ n( L ) ]T n = 1,2,... , (2.22) jest wektorem losowych parametrów modelu, które - w odróżnieniu od modelu sygnału stacjonarnego (2.1) - są zmienne w czasie, natomiast X n = [ X n(1) , X n( 2) ,..., X n( L ) ]T są znanymi sygnałami deterministycznymi. Szum {vn } jest określony jak w modelu (2.1). Pierwszy z prezentowanych w pracy algorytmów jest rozszerzeniem podstawowego algorytmu (2.7)-(2.11) optymalnej estymacji parametrów sygnałów stacjonarnych na 23 Koncepcja adaptacyjnej dopasowanej obserwacji przypadek sygnałów niestacjonarnych, w których występują losowe dryfty parametrów. Proces dryftu parametrów θn może być modelowany w różny sposób. W pracy przyjęto następujący model zmian parametrów obejmujący zarówno dryfty typu wielomianowego, jak i wykładniczego: θn = θs + β1n + β2 n2 +...+α1 (1 − e −γ n ) + α 2 (1 − e −γ n ) +... , 1 (2.23) 2 gdzie β 1 = [ β 1(1) ,..., β 1( L ) ]T , β 2 = [ β 2(1) ,..., β 2( L ) ]T , ..., α 1 = [α 1(1) ,..., α 1( L ) ]T , α 2 = [α 2(1) ,..., α 2( L ) ]T , ... są wartościami prędkości narastania poszczególnych składowych dryftów o losowych nieznanych wartościach. Parametry γ 1 , γ 2 , ... są dodatnimi znanymi stałymi charakteryzującymi dryfty wykładnicze. Model (2.23) dryftu parametrów sygnału (2.22) obejmuje zarówno dryfty sygnału użytecznego, jak i zakłóceń. Można w nim m.in. ująć dryft wartości średniej szumu zewnętrznego {vn } oraz dryft zera jego charakterystyki (2.4). Indeks s we frakcji dolnej wektora θs został dodany dla podkreślenia, że jest to stała w czasie składowa wektora θn . Drugim prezentowanym w pracy algorytmem jest zmodyfikowana wersja podstawowego algorytmu estymacji parametrów sygnałów stacjonarnych, w której wprowadzono mechanizm zapominania, umożliwiający szybszą reakcję algorytmu na nagłe skokowe zmiany parametrów. Rozpatrywane zmiany parametrów θn są opisane następującym modelem: θ n = θ + ∆θ1 1(n − N1 ) + ∆θ 2 1(n − N 2 ) + ... , (2.24) gdzie ∆θ1 = [∆θ1(1) ,..., ∆θ1( L ) ]T , ∆θ 2 = [∆θ 2(1) ,..., ∆θ 2( L ) ]T , ... są losowymi amplitudami skoków parametrów θn odpowiednio w losowych nieznanych chwilach N1 , N 2 ,... , a symbol 1(⋅) we wzorze (2.24) oznacza funkcję jednostkową. Trzecim algorytmem jest algorytm jednoczesnej detekcji zakłóceń typu dryftów (ang. drift-like faults) i estymacji parametrów sygnałów i zakłóceń oparty na metodach weryfikacji hipotez. W pracy przyjęto następujący model analizowanego sygnału z addytywnym dryftem liniowym: yn = θ T X n + β 1(n − N 0 ) ⋅ (n − N 0 ) + ν n , (2.25) gdzie β jest nieznaną losową prędkością narastania dryftu, a N 0 - nieznanym momentem pojawienia się dryftu. Ostatnim algorytmem przetwarzania sygnałów niestacjonarnych omawianym w pracy jest optymalny algorytm filtracji typu Kalmana realizujący jednocześnie filtrację sygnału (tj. estymację bieżących wartości sygnału) oraz estymację jego parametrów. Przyjęto, że 24 Koncepcja adaptacyjnej dopasowanej obserwacji parametry θn sygnału (2.22) zmieniają się w sposób losowy, a ich zmiany są opisane procesem Markowa: θ n = ρθ n −1 + βU n −1 + η n −1 , (2.26) gdzie ρ jest znaną L × L wymiarową macierzą współczynników korelacji (zakładamy, że det ρ < 1), β jest nieznaną losową L × K wymiarową macierzą, a U n = [U n(1) ,U n( 2) ,...,U n( K ) ]T jest wektorem znanych deterministycznych pobudzeń lub sterowań. Szum wektorowy η n = [ηn(1) ,ηn( 2) ,...,ηn( L ) ]T jest szumem gaussowskim o zerowej wartości średniej i macierzy kowariancji Σ η : p (η n ) = N[η n − 0, Σ η ] . 25 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... 3. Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów i nagłych zmian parametrów sygnałów Omówione w rozdziale 2 podstawowe algorytmy estymacji oparte na koncepcji adaptacyjnej dopasowanej obserwacji, tj. algorytm (2.7)-(2.11) z adaptacyjnie sterowaną czułością oraz algorytm (2.7)-(2.10), (2.19) ze stałą czułością układu obserwacji, są optymalne przy założeniu sygnałów stacjonarnych i gaussowskich rozkładów szumu wewnętrznego i zewnętrznego obserwacji. W licznych zagadnieniach praktycznych występują jednak sytuacje, w których sygnał użyteczny lub jego zakłócenia, bądź też jednocześnie sygnał użyteczny i zakłócenia, są niestacjonarne. Niestacjonarność może być przy tym rozumiana w różny sposób, m.in. jako zmiany wartości parametrów sygnałów użytecznych i zakłóceń występujące w trakcie jego obserwacji. W takich sytuacjach zachodzi potrzeba opracowania odpowiednich modyfikacji podstawowych optymalnych algorytmów otrzymanych dla sygnałów stacjonarnych, czy wręcz syntezy nowych algorytmów, efektywnych w przypadku wystąpienia niestacjonarności. W punktach 3.1 i 3.3 przeprowadzona zostanie analiza pracy podstawowych algorytmów (2.7)-(2.11) oraz (2.7)-(2.10), (2.19), bez ich modyfikacji, w przypadku, gdy występują dryfty wartości parametrów analizowanego sygnału (punkt 3.1) oraz w przypadku, gdy wartości parametrów sygnału ulegają nagłym zmianom (punkt 3.3). Wyniki tej analizy posłużą do zaproponowania odpowiednich modyfikacji podstawowych algorytmów estymacji odpowiednio w punktach 3.2 i 3.4. 3.1. Analiza pracy algorytmów estymacji w obecności zakłóceń typu dryftów W wielu praktycznych zastosowaniach cyfrowego przetwarzania sygnałów mamy do czynienia z problemem estymacji parametrów sygnałów w sytuacji, gdy występują losowe dryfty parametrów sygnału użytecznego bądź zakłóceń. Proces dryftu parametrów sygnału może być modelowany w różny sposób. Będziemy rozpatrywać sygnały opisane ogólnym modelem regresyjnym (2.22), w których dryfty parametrów θn są modelowane równaniem (2.23). Poniżej zostaną przedstawione rezultaty badań symulacyjnych dotyczących zachowania się podstawowych algorytmów (2.7)-(2.11) oraz (2.7)-(2.10), (2.19) w przypadku przetwarzania sygnałów niestacjonarnych, w których występują dryfty parametrów. 26 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... Eksperyment 3.1 Badania symulacyjne przeprowadzono dla najprostszego przypadku sygnału regresyjnego (2.22) zawierającego składową stałą, która w trakcie obserwacji ulega losowemu dryftowi. Przyjęto liniowy model zmienności dryftu. Sygnał analizowany ma wówczas postać: yn = θn + νn = θs + βn + νn , (3.1) gdzie θ n jest estymowanym parametrem, θ s jest stałą w czasie losową składową parametru θ n , a β jest losową prędkością narastania liniowego dryftu parametru θ n . We wszystkich eksperymentach prezentowanych w punkcie 3.1 przyjęto następujące wartości parametrów: wariancja szumu zewnętrznego σν2 = 10−2 ; parametry układu obserwacji: D = 0,5 ; σ ξ2 = 10 −4 ; α = 7 ( µ = 10 −12 ) oraz warunki początkowe: θ0 = 0 ; P0 = σθ2 ; σθ2 = 25 . Wszystkie symulacje przeprowadzono dla tych samych realizacji (w przypadku pojedynczych eksperymentów), bądź tych samych zbiorów realizacji sygnału {yn } (w przypadku uśredniania wyników eksperymentów). Stosowano najpierw optymalny algorytm z adaptacyjnie sterowaną czułością układu obserwacji, a następnie, w celu porównania, optymalny algorytm ze stałą czułością układu obserwacji. W celu ilustracji podstawowych właściwości algorytmów estymacji omówionych w rozdziale 2, najpierw zostaną przedstawione wyniki badań symulacyjnych w przypadku estymacji parametru sygnału stacjonarnego, w którym nie występuje losowy dryft, tzn. przy założeniu β = 0 ( θn = θs ) w modelu (3.1). Przyjęto, że wartość parametru θs = 1 . Na rysunku 3.1 przedstawiono przykładową trajektorię estymat θˆn parametru θ n dla tego przypadku uzyskaną przy zastosowaniu algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia czerwona) oraz trajektorię uzyskaną przy zastosowaniu algorytmu ze stałą czułością (linia różowa). Na rysunku 3.2 przedstawiono trajektorie empirycznych błędów średniokwadratowych (EMSE) estymacji parametru θ n , uśrednione po zbiorze K = 200 realizacji sygnału {yn } : EMSE(θ$n ) = 1 K $( k ) ∑ θ − θn K k =1 n ( ) 2 . (3.2) W przypadku obliczeń EMSE, dla poszczególnych realizacji sygnału {yn } generowano losowo różne wartości parametru θs , przy czym przyjęto, że rozkład zmiennej losowej θs jest gaussowski: p (θ s ) = N[θ s - θ 0 , σ θ2 ] . 27 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... Rys. 3.1. Trajektorie estymat parametru θn obliczanych za pomocą algorytmu ze stałą czułością (linia różowa) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia czerwona); linia czarna – prawdziwa wartość parametru θn Rys. 3.2. Trajektorie empirycznego błędu średniokwadratowego (EMSE) estymacji parametru θn otrzymane w przypadku zastosowania algorytmu ze stałą czułością (linia różowa) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia czerwona) Rezultaty eksperymentów świadczą o istotnym polepszeniu jakości estymacji parametru θ n w wyniku wprowadzenia optymalnego sterowania czułością układu obserwacji. Zarówno wykresy trajektorii estymat (rys. 3.1), jak i wykresy trajektorii empirycznych błędów średniokwadratowych (rys. 3.2) potwierdzają, iż algorytm z adaptacyjnie sterowaną czułością układu obserwacji ma szczególnie wyraźną przewagę nad algorytmem ze stałą czułością w początkowym okresie pracy, w którym szybkość jego zbieżności jest wykładnicza. I tak na przykład, empiryczny błąd średniokwadratowy estymacji parametru θ n od chwili n = 5 jest o 28 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... blisko rząd mniejszy dla algorytmu z adaptacyjnie sterowaną czułością w porównaniu z empirycznym błędem średniokwadratowym dla algorytmu ze stałą czułością (por. rys. 3.2). Polepszenie jakości estymacji w początkowym okresie pracy ilustruje także w przekonujący sposób rysunek 3.1, na którym wartości estymat parametru θn obliczane za pomocą algorytmu z adaptacyjnie sterowaną czułością przyjmują od około 5 próbki wartości bliskie prawdziwej wartości parametru θs = 1 , podczas gdy w przypadku algorytmu ze stałą czułością wartości estymat θ$n różnią się znacznie od prawdziwej wartości parametru θn do około 30 próbki. Tak więc, zgodnie z przewidywaniami teoretycznymi, z wykresów zamieszczonych na rysunkach 3.1 i 3.2 wynika, że optymalny algorytm z adaptacyjnie sterowana czułością umożliwia dokonanie estymacji nieznanej stałej wartości parametru θ s przy zadanym poziomie dokładności estymacji w znacznie krótszym czasie, niż optymalny algorytm, w którym czułość układu obserwacji jest stała. W drugiej części eksperymentów przeprowadzono analizę pracy podstawowych algorytmów ze sterowaną czułością (2.7)-(2.11) oraz ze stałą czułością (2.7)-(2.10), (2.19) w przypadku, gdy występuje dryft parametru θn . Na rysunku 3.3 przedstawiono przykładowe trajektorie estymat parametru θn dla następujących wartości parametrów: θs = 1 , β = 0,05 . Rys. 3.3. Trajektorie estymat parametru θn obliczanych za pomocą algorytmu ze stałą czułością (linia różowa) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia czerwona); linia czarna – prawdziwe wartości parametru θn Na rysunku 3.4 przedstawiono uśrednione po zbiorze K = 200 realizacji sygnału trajektorie EMSE parametru θn obliczane ze wzoru (3.2) przy założeniu tej samej wartości β = 0,05 . Podobnie jak w poprzednim eksperymencie, w przypadku obliczeń EMSE generowano losowo różne wartości parametru θs sygnału (3.1) w poszczególnych 29 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... realizacjach, przy czym przyjęto, że rozkład zmiennej losowej θs jest gaussowski: p (θ s ) = N[θ s - θ 0 , σ θ2 ] . Rys. 3.4. Trajektorie EMSE estymacji parametru θn otrzymane w przypadku zastosowania algorytmu ze stałą czułością (linia różowa) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia czerwona) Wykresy trajektorii przedstawione na rysunkach 3.3 i 3.4 ilustrują słabą jakość estymacji niestacjonarnego parametru θn dla prędkości narastania dryftu β = 0,05 . Wyraźnie widać, że od około 5 próbki oba algorytmy nie radzą sobie z dryftem, a estymaty θ$n wraz ze wzrostem czasu obserwacji zaczynają coraz bardziej odbiegać od prawdziwych wartości parametru θn . W dalszej części eksperymentu przeanalizowano zachowanie trajektorii EMSE parametru θn dla różnych wartości prędkości narastania β dryftu. Na rysunku 3.5 przedstawiono powierzchnie złożone z trajektorii EMSE wyznaczanych dla wartości β zmienianych od 0 do 0,1 z krokiem 0,01. Analogicznie jak w przypadku eksperymentów dla sygnału stacjonarnego, każda z realizacji sygnału {yn } była przetwarzana przez algorytm ze stałą czułością (rys. 3.5a) oraz przez algorytm z adaptacyjnie sterowaną czułością (rys 3.5b) układu obserwacji. 30 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... a) b) Rys. 3.5. Trajektorie EMSE estymacji parametru θn otrzymane w przypadku zastosowania algorytmu ze stałą czułością (rys. a) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (rys. b) dla różnych wartości prędkości narastania β liniowego dryftu Uzyskane rezultaty eksperymentów zarówno w przypadku zastosowania algorytmu z adaptacyjnie sterowaną czułością, jak i algorytmu ze stałą czułością układu obserwacji, pokazują, że w przypadku, gdy występują dryfty parametrów algorytmy te nie potrafią poprawnie śledzić nawet dość wolnych zmian parametru θn . Na rysunku 3.5 już dla małych wartości β = 0,01 dla obu algorytmów widać wzrost EMSE od około 40 próbki w stosunku do przypadku, gdy dryft nie występuje. Z rysunku 3.5 wynika, iż dokładność estymacji parametru θn obu algorytmów maleje proporcjonalnie do prędkości narastania dryftu β . Podobne eksperymenty symulacyjne przeprowadzono także dla innych niż liniowy dryftów: m.in. kwadratowych oraz wykładniczych opisanych modelem α (1 − e− γn ) , gdzie α jest estymowanym parametrem dryfu, a γ ( 0 ≤ γ ≤ ∞ ) jest znaną stałą charakteryzującą dryft. Otrzymane rezultaty prowadzą do identycznych wniosków. Podstawowe algorytmy estymacji parametrów sygnałów, optymalne dla sygnałów stacjonarnych, nie są skutecznym narzędziem, gdy występują nawet niewielkie dryfty parametrów analizowanego sygnału. W związku z tym istnieje konieczność opracowania algorytmów, które umożliwiałyby estymację parametrów sygnałów w przypadkach występowania dryftów parametrów. 3.2. Rozszerzone algorytmy optymalnej estymacji parametrów sygnałów niestacjonarnych W punkcie tym omówimy rozszerzone algorytmy optymalnej estymacji parametrów sygnałów niestacjonarnych, w których występują losowe dryfty parametrów opisane modelem (2.23). Rozszerzenie optymalnych algorytmów 31 estymacji parametrów sygnałów Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... stacjonarnych, opartych na koncepcji adaptacyjnej dopasowanej obserwacji, na przypadek sygnałów niestacjonarnych polega na sprowadzeniu zagadnienia estymacji parametrów niestacjonarnego wektora θn do zagadnienia estymacji parametrów rozszerzonego, stałego w czasie wektora θ . Analizowany sygnał przedstawimy w następującej postaci: yn = θ nT X n + ν n = [θ s + β1n + β 2 n 2 + . . . + α1 (1 − e −γ 1 n ) + α 2 (1 − e −γ 2 n ) + . . .]T X n + ν n = = θ T Xn +ν n , gdzie θ = [θsT , β1T , β2T ,..., α1T ,α 2T ,...]T parametrów sygnału, a (3.3) jest rozszerzonym wektorem nieznanych stałych X n = [ X nT , X nT n, X nT n 2 ,..., X nT (1 − e −γ 1n ), X nT (1 − e −γ 2 n ),...]T jest rozszerzonym wektorem składowych deterministycznych. Wektor θs zawiera stałe w czasie składowe niestacjonarnego wektora θn . $ Zadanie polega na wyznaczeniu optymalnych estymat rozszerzonego wektora θn złożonego z estymat wektora θs oraz estymat odpowiednich wektorów parametrów dryftu β1 , β2 ,...,α1 ,α 2 ,... , a następnie obliczeniu na ich podstawie estymat θ$n niestacjonarnego $ $ wektora parametrów θn . Rozszerzona macierz kowariancji Pn = E[(θ − θn )(θ − θn ) T | ~ y1n ] $ błędów estymacji wektora θ ma postać: Pn = Pn Σ nθβ Σ nβθ Sn , (3.4) gdzie macierz Pn jest macierzą kowariancji estymat θ$s ,n wektora θs , Sn jest macierzą kowariancji estymat wektora parametrów dryftu [ β1T , β2T ,..., α1T , α 2T ,...]T , a Σ nθβ , Σ nβθ są odpowiednimi macierzami kowariancji. Zakładamy, że wektor θs i wektory parametrów dryftu β1 , β2 ,..., α1 , α 2 ,... są wzajemnie niezależne. Optymalny rozszerzony algorytm estymacji parametrów sygnałów niestacjonarnych przybiera w przypadku występowania dryftów parametrów następującą postać: Optymalny rozszerzony algorytm estymacji • Rekursja dla estymat rozszerzonego wektora parametrów θ : $ ~ yn − Cn (θnT−1 X$ n − Bn ) . θn = θn −1 + Cn Pn −1 X n 2 2 2 T σξ + Cn (σν + X n Pn −1 X n ) $ $ 32 (3.5) Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... • Rekursja dla rozszerzonej macierzy kowariancji błędów estymacji: Pn = Pn −1 − Cn2 Pn −1 X n X nT Pn −1 . σ ξ2 + Cn2 (σ ν2 + X nT Pn −1 X n ) (3.6) • Warunki początkowe: θˆn |n = 0 = [θ sT,0 , β1T,0 , β 2T, 0 , ...,α1T,0 ,α 2T,0 , ...]T , • Pn |n = 0 = diag (P0 , S 0 ) . (3.7) Estymaty parametrów wektora θn : θ$n = θ$s , n + β$1, nn + β$2 ,n n2 +...+α$1, n (1 − e −γ n ) + α$2 ,n (1 − e −γ n ) +... . 1 2 (3.8) Optymalne reguły sterowania • Sygnał kompensujący: (3.9) $ Bn = θ nT−1 X n . • Czułość układu obserwacji: Cn = D α σν2 + X nT Pn −1 X n . (3.10) Dla algorytmu ze stałą czułością układu obserwacji C0 = gdzie S max = max X 1T X 1 ≤ E max D α σν2 + Smax , (3.11) X 1T P0 X 1 (por. wzór (2.19)). Wartość stałej α jest rozwiązaniem równania (2.12). Poniżej przedstawiono wyniki badań symulacyjnych rozszerzonych algorytmów estymacji. Podobnie jak w punkcie 3.1, symulacje przeprowadzano dla sygnału opisanego modelem (3.1) z liniowym dryftem stałej składowej. Wszystkie eksperymenty prezentowane w tym punkcie przeprowadzono dla identycznych realizacji sygnału {yn } jak w punkcie 3.1. Umożliwia to porównanie właściwości proponowanych rozszerzonych algorytmów estymacji z właściwościami podstawowych algorytmów estymacji stosowanymi w punkcie 3.1. Eksperyment 3.2 W eksperymencie przeprowadzono analizę pracy rozszerzonych algorytmów ze sterowaną czułością (3.5)-(3.10) oraz ze stałą czułością (3.5)-(3.19), (3.11) w przypadku, gdy występuje dryft parametru θn sygnału (3.1). Rozszerzonym wektorem parametrów jest wektor θ = [θs , β ]T , a rozszerzony wektor składowych deterministycznych ma postać: X n = [1, n]T . 33 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... W eksperymentach symulacyjnych przyjęto następujące warunki początkowe dla rozszerzonych algorytmów estymacji: θ0 = [0,0]T ; P0 = diag(σθ2 , σ β2 ) ; σθ2 = 25 ; σ β2 = 1 . Na rysunku 3.6 przedstawiono przykładowe trajektorie estymat parametru θn dla następujących wartości parametrów: θs = 1 , β = 0,05 . Rys. 3.6. Trajektorie estymat parametru θn obliczanych za pomocą rozszerzonego algorytmu ze stałą czułością (linia jasnoniebieska) oraz rozszerzonego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska); linia czarna – prawdziwe wartości parametru θn Wykresy trajektorii estymat θ$n obliczanych za pomocą rozszerzonych algorytmów estymacji zarówno z adaptacyjnie sterowaną czułością, jak i ze stałą czułością układu obserwacji, pokazują, że estymaty te zbiegają się do prawdziwych wartości parametru θn . Przypomnijmy, że, w przypadku podstawowych algorytmów, estymaty θ$n , uzyskane dla tej samej realizacji sygnału {yn } , nie nadążają za zmianami parametru θn (por. rys. 3.3). Jak widać na rysunku 3.6, w przypadku rozszerzonego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji szybkość zbieżności estymat θ$n do prawdziwych wartości parametru θn jest wyraźnie większa niż rozszerzonego algorytmu ze stałą czułością. Wartości estymat θ$n obliczanych za pomocą algorytmu z adaptacyjnie sterowaną czułością przyjmują od około 7 próbki wartości bliskie prawdziwej wartości parametru θn , podczas gdy w przypadku zastosowania algorytmu ze stałą czułością wartości estymat θ$n różnią się znacznie od prawdziwej wartości parametru θn do 50 próbki. Na rysunku 3.7 przedstawiono trajektorie EMSE estymacji parametru θn , obliczane zgodnie ze wzorem (3.2) i uśrednione po zbiorze K = 200 realizacji sygnału. Wykorzystano te 34 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... same realizacje co w eksperymencie 3.1, w którym generowano losowo różne wartości parametru θs sygnału {yn } , przyjmując, że rozkład zmiennej losowej θs jest gaussowski: p (θ s ) = N[θ s - θ 0 , σ θ2 ] oraz że prędkość narastania liniowego dryftu β = 0,05 . Rys. 3.7. Trajektorie EMSE estymacji parametru θn otrzymane w przypadku zastosowania rozszerzonego algorytmu ze stałą czułością (linia jasnoniebieska) oraz rozszerzonego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska) Porównując trajektorie EMSE uzyskane dla rozszerzonych algorytmów z trajektoriami EMSE uzyskanymi dla podstawowych algorytmów, przedstawionymi na rysunku 3.4, widzimy, że rozszerzone algorytmy zapewniają zbieżność estymat θ$n do prawdziwych wartości parametru θn , podczas gdy w przypadku podstawowych algorytmów estymaty θ$n nie zbiegają się do prawdziwych wartości, o czym świadczą rosnące w trakcie obserwacji empiryczne błędy średniokwadratowe estymacji parametru θn (por. rys. 3.4). Trajektorie EMSE zamieszczone na rysunku 3.7 potwierdzają większą szybkość zbieżności estymat θ$n obliczanych za pomocą rozszerzonego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji w porównaniu z szybkością zbieżności rozszerzonego algorytmu ze stałą czułością. Jest to szczególnie wyraźne w początkowym okresie pracy, w którym występuje $ wykładnicza szybkość zbieżności estymat θn . Jak widać na rysunku 3.7, empiryczny błąd estymacji parametru θn już od chwili n = 5 jest o blisko rząd mniejszy dla algorytmu z adaptacyjnie sterowaną czułością w porównaniu z empirycznym błędem średniokwadratowym wyznaczonym dla algorytmu ze stałą czułością. W dalszej części eksperymentu przeanalizowano zachowanie trajektorii EMSE parametru θn dla różnych wartości prędkości narastania β liniowego dryftu. Na rysunku 3.8 35 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... przedstawiono powierzchnie złożone z trajektorii EMSE wyznaczanych dla wartości β zmienianych od 0 do 0,1 z krokiem 0,01, uzyskane przy zastosowaniu rozszerzonych algorytmów estymacji dla tych samych realizacji sygnału {yn } co w eksperymencie 3.1. a) b) Rys. 3.8. Trajektorie EMSE estymacji parametru θn otrzymane w przypadku zastosowania rozszerzonych algorytmów estymacji dla różnych wartości prędkości narastania β dryftu Wykresy trajektorii empirycznego błędu średniokwadratowego uzyskane dla różnych wartości prędkości narastania β liniowego dryftu wykreślone na rysunku 3.8 potwierdzają, że dokładność estymacji parametru θn rozszerzonych algorytmów nie zależy od wartości parametru β . W przypadku podstawowych algorytmów dokładność estymacji malała wraz ze wzrostem prędkości narastania dryftu (por. rys. 3.5). W celu uzupełnienia wyników symulacji, na kolejnych rysunkach 3.9–3.11 przedstawiono trajektorie estymat β$n oraz trajektorie empirycznego błędu średniokwadratowego prędkości narastania β dryftu, będącej składową rozszerzonego wektora parametrów θ = [θs , β ]T . Wyniki przedstawione na rysunkach 3.9-3.11 otrzymano dla tych samych realizacji sygnału {yn } co w przypadku eksperymentów, których wyniki przedstawiono odpowiednio na rysunkach 3.6-3.8. 36 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... Rys. 3.9. Trajektorie estymat prędkości narastania β dryftu obliczanych za pomocą rozszerzonego algorytmu ze stałą czułością (linia jasnoniebieska) oraz rozszerzonego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska); linia czarna - prawdziwa wartość parametru Rys. 3.10. Trajektorie EMSE estymacji prędkości narastania β dryftu otrzymane przy zastosowaniu rozszerzonego algorytmu ze stałą czułością (linia jasnoniebieska) oraz rozszerzonego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska) 37 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... a) b) Rys. 3.11. Trajektorie EMSE estymacji prędkości narastania β dryftu w przypadku zastosowania rozszerzonych algorytmów estymacji dla różnych wartości prędkości narastania β Trajektorie przedstawione na rysunkach 3.9-3.11 świadczą o tym, że algorytm z adaptacyjnie sterowaną czułością potrafi dokładniej wyestymować prędkość narastania β dryftu w porównaniu z algorytmem ze stałą czułością układu obserwacji. Szczególnie wyraźnie widać to na rysunku 3.10, gdzie EMSE parametru β dla algorytmu z adaptacyjnie sterowaną czułością jest od około 10 próbki o blisko rząd mniejszy od EMSE otrzymanego w przypadku zastosowania algorytmu ze stałą czułością. Dokładniejsza estymacja prędkości narastania dryftu zwiększa skuteczność rozszerzonych algorytmów i pozwala na dokładniejszą estymację niestacjonarnego wektora parametrów θn , co zilustrowano na rysunkach 3.6-3.8. Na rysunkach 3.12 i 3.13 przedstawiono trajektorie estymat parametru θn = θs oraz EMSE uzyskane przy zastosowaniu rozszerzonych algorytmów estymacji w przypadku estymacji parametru sygnału stacjonarnego, tj. dla przypadku gdy w sygnale (3.1) nie występuje losowy dryft ( β = 0 ). Badania przeprowadzono dla tych samych realizacji sygnału {yn } , dla których otrzymano wyniki przedstawione na rysunkach 3.1 i 3.2 przy zastosowaniu podstawowych algorytmów estymacji. Wykresy z rysunków 3.12 i 3.13 potwierdzają przewidywania teoretyczne, zgodnie z którymi rozszerzenie wymiaru modelu regresji w analizowanym sygnale (3.3), związane z uwzględnieniem parametrów dryftów, powoduje zmniejszenie szybkości zbieżności estymat obliczanych za pomocą rozszerzonych algorytmów z adaptacyjnie sterowaną czułością (3.5)-(3.10) oraz ze stałą czułością układu obserwacji (3.5)-(3.9), (3.11) (por. rys. 3.1 i 3.2). Podobnie jak we wszystkich algorytmach adaptacyjnego przetwarzania sygnału, także w rozpatrywanym przypadku wzrost rzędu modelu prowadzi do zmniejszenia szybkości zbieżności estymat. Algorytm z adaptacyjnie 38 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... sterowaną czułością układu obserwacji zachowuje jednak podstawową cechę świadczącą o jego atrakcyjności i decydującą o jego przewadze nad rozszerzonym algorytmem ze stałą czułością, a mianowicie początkową wykładniczą szybkość zbieżności. Rys. 3.12. Trajektorie estymat parametru θ n obliczanych za pomocą rozszerzonego algorytmu ze stałą czułością (linia jasnoniebieska) oraz rozszerzonego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska); linia czarna - prawdziwa wartość parametru θ n Rys. 3.13. Trajektorie EMSE estymacji parametru θ n otrzymane w przypadku zastosowania rozszerzonego algorytmu ze stałą czułością (linia jasnoniebieska) oraz rozszerzonego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska) Podsumowując otrzymane wyniki badań symulacyjnych rozszerzonych algorytmów estymacji parametrów sygnałów niestacjonarnych, należy stwierdzić, że rozszerzony algorytm z adaptacyjnie sterowaną czułością układu obserwacji (3.5)-(3.10) jest efektywnym narzędziem estymacji parametrów sygnałów niestacjonarnych, w których występują dryfty parametrów. Ponadto umożliwia on jednoczesną estymację parametrów dryftu, co ma istotne 39 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... znaczenie w wielu zagadnieniach praktycznych. Podobne eksperymenty symulacyjne przeprowadzono także dla bardziej złożonych sygnałów (m.in. w przypadku dryftu amplitudy sygnału sinusoidalnego - por. punkt 6.1) oraz innych dryftów. Uzyskane wyniki potwierdzają sformułowane powyżej wnioski. Prezentowane rozszerzone algorytmy estymacji pozwalają na otrzymanie prawidłowych estymat parametrów tylko w przypadku sygnałów, w których charakter dryftu parametrów jest dokładnie znany, tzn. wiadomo, czy jest to dryft liniowy, kwadratowy, czy wykładniczy i są znane dokładnie wszystkie składowe deterministyczne rozszerzonego wektora X n występującego w modelu analizowanego sygnału (3.3). W zagadnieniach praktycznych mamy często do czynienia z sygnałami, w których znany jest charakter dryftu, nie jest natomiast znany moment pojawienia się dryftu. Oznacza to faktycznie, że w takich przypadkach składowe wektora X n nie są znane dokładnie i, w konsekwencji, rozszerzone algorytmy przestają być optymalne. Dla sygnałów, w których nie znamy momentów pojawiania się dryftów parametrów synteza optymalnych algorytmów estymacji pozostaje problemem otwartym. Podkreślmy na zakończenie, że zaproponowane rozszerzone algorytmy estymacji parametrów sygnałów, wywodzące się z koncepcji adaptacyjnej dopasowanej obserwacji, dają jednocześnie najlepsze estymaty zarówno parametrów sygnałów użytecznych, jak i zakłóceń, w zależności od interpretacji poszczególnych składowych wektora parametrów θn . Przykłady zastosowania rozszerzonych algorytmów estymacji w zagadnieniach przetwarzania niestacjonarnych sygnałów pomiarowych przedstawiono w rozdziale 6. 3.3. Analiza pracy algorytmów estymacji w przypadku nagłych zmian parametrów sygnałów W punkcie tym przedstawiono rezultaty badań symulacyjnych zachowania się podstawowych optymalnych algorytmów estymacji (2.7)-(2.11) oraz (2.7)-(2.10), (2.19) w przypadku wystąpienia nagłych skokowych zmian wartości parametrów sygnału w nieznanych chwilach czasu. Poszukiwanie odpowiednich algorytmów estymacji w takich sytuacjach jest w pełni uzasadnione, ponieważ w praktyce często mamy do czynienia z tego typu niestacjonarnością. Przyjmiemy ogólny model nagłych zmian parametrów θn sygnału (2.22) w postaci: θ n = θ + ∆θ1 1(n − N1 ) + ∆θ 2 1(n − N 2 ) + ... , 40 (3.12) Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... gdzie ∆θ1 = [ ∆θ1(1) ,..., ∆θ1( L ) ]T , ∆θ2 = [ ∆θ2(1) ,..., ∆θ2( L ) ]T ,... są losowymi amplitudami skoków parametrów θn odpowiednio w nieznanych chwilach N1 , N 2 ,... , a 1(⋅) jest funkcją jednostkową. Eksperyment 3.3 Eksperymenty symulacyjne przeprowadzono dla najprostszego przypadku stałego sygnału użytecznego, którego wartość zmienia się w chwili n = N1 . Sygnał analizowany ma wówczas postać: yn = θn + νn = θs + ∆θ 1(n − N 1 ) + νn . (3.13) Przyjęto następujące wartości parametrów: wariancja szumu zewnętrznego σν2 = 10−2 ; parametry układu obserwacji: D = 0,5 ; σ ξ2 = 10 −4 ; α = 7 ( µ = 10 −12 ) oraz warunki początkowe: θ0 = 0 ; P0 = σθ2 ; σθ2 = 25 . Wszystkie symulacje przeprowadzono dla tych samych realizacji sygnału {yn } , stosując najpierw optymalny algorytm z adaptacyjnie sterowaną czułością układu obserwacji (2.7)-(2.11), a następnie, w celu porównania, optymalny algorytm ze stałą czułością układu obserwacji (2.7)-(2.10), (2.19). We wszystkich omawianych dalej eksperymentach przyjmowano, że skok parametru θn występuje w dziesiątej próbce ( N1 = 10 ) i ma wartość ∆θ = 1 . Na rysunku 3.14 przedstawiono przykładowe trajektorie estymat parametru θn . Przyjęto, że wartość parametru θs = 1 . Rys. 3.14. Trajektorie estymat parametru θn obliczanych za pomocą algorytmu ze stałą czułością (linia różowa) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia czerwona); linia czarna – prawdziwe wartości parametru θn 41 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... Na rysunku 3.15 przedstawiono trajektorie empirycznych błędów średniokwadratowych estymacji parametru θn , obliczane zgodnie ze wzorem (3.2) i uśrednione po zbiorze K = 200 realizacji sygnału. W przypadku obliczeń EMSE w poszczególnych realizacjach sygnału {yn } generowano losowo różne wartości parametru θs , przy czym przyjęto, że rozkład zmiennej losowej θs jest gaussowski: p (θ s ) = N[θ s - θ 0 , σ θ2 ] . Rys. 3.15. Trajektorie EMSE estymacji parametru θn otrzymane w przypadku zastosowania algorytmu ze stałą czułością (linia różowa) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia czerwona) Przedstawione na rysunkach 3.14 i 3.15 rezultaty badań symulacyjnych wskazują, że wystąpienie skoku parametru θn powoduje, że, zarówno w przypadku zastosowania algorytmu z adaptacyjnie sterowana czułością, jak i algorytmu ze stałą czułością układu obserwacji, estymaty θ$n bardzo powoli zbiegają do nowej wartości parametru θn . Jak widać na rysunku 3.14, po wystąpieniu skoku estymaty θ$n długo odbiegają od prawdziwych wartości parametru θn . Słabą jakość estymacji niestacjonarnych parametrów θn potwierdzają również trajektorie empirycznego błędu średniokwadratowego przedstawione na rysunku 3.15. Podobne eksperymenty przeprowadzono także dla większych wartości skoku ∆θ oraz innych chwil N1 pojawienia się skoku parametru θn . Dla większych wartości ∆θ i N1 błędy estymacji po wystąpieniu skoku są większe, a proces dochodzenia estymat do nowej wartości parametru θn jest dłuższy. Rezultaty wszystkich przeprowadzonych eksperymentów świadczą o słabej skuteczności algorytmów (2.7)-(2.11) oraz (2.7)-(2-10), (2.19) w przypadku wystąpienia nagłych zmian wartości parametrów sygnału. 42 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... 3.4. Zmodyfikowane algorytmy estymacji parametrów sygnałów niestacjonarnych Z rezultatów poprzedniego eksperymentu wynika, że w przypadku algorytmów estymacji z adaptacyjnie sterowaną czułością (2.7)-(2.11) oraz ze stałą czułością układu obserwacji (2.7)-(2-10), (2.19), optymalnych w przypadku sygnałów stacjonarnych, szybkość reakcji estymat na skoki wartości estymowanych parametrów jest niezadowalająca. Z tego względu w pracy podjęto próbę modyfikacji tych algorytmów w celu przyspieszenia szybkości reakcji estymat na nagłe zmiany parametrów. Klasycznym rozwiązaniem problemów przetwarzania sygnałów niestacjonarnych jest wprowadzenie do algorytmów estymacji i filtracji mechanizmu zapominania. Mechanizm taki umożliwia zróżnicowanie wpływu poszczególnych obserwacji na wartości obliczanych estymat, nadając obserwacjom pochodzącym z przeszłości mniejszą wagę niż obserwacjom bieżącym. Najczęściej spotykanym w literaturze mechanizmem zapominania jest metoda ważenia wykładniczego, która sprowadza się do modyfikacji rekursji dla macierzy kowariancji błędów estymacji Pn określonej w przypadku rozważanych w pracy algorytmów wzorem (2.8). Można łatwo pokazać, że odwrotność macierzy kowariancji Pn (2.8) ma postać: Cl2 X l X lT 2 2 2 . l = 1 σξ + Cl σν n Pn−1 = P0−1 + ∑ (3.14) Wprowadzając ważenie wykładnicze poszczególnych składników sumy występującej w wyrażeniu (3.14), otrzymujemy rekursję: −1 n P −1 0 =λP n n + ∑λ l =1 n−l Cl2 X l X lT , σ ξ2 + Cl2σν2 (3.15) gdzie stała λ ( λ ≤ 1) jest nazywana stałą zapominania. Rekursję (3.15) można zapisać w równoważnej postaci: Pn−1 = λPn−−11 + Cn2 X n X nT . σξ2 + Cn2σν2 (3.16) Stosując do wzoru (3.16) lemat o rekurencyjnym odwracaniu macierzy (por. np. [14]) i dokonując odpowiednich przekształceń, otrzymujemy rekursję dla macierzy kowariancji Pn ze stałą zapominania λ : 1 Cn2 Pn −1 X n X nT Pn −1 Pn = Pn −1 − . λ λσ ξ2 + Cn2 ( λσν2 + X nT Pn −1 X n ) 43 (3.17) Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... Wykorzystując rekursję (3.17), możemy zapisać pełną postać zmodyfikowanego algorytmu estymacji parametrów sygnałów niestacjonarnych: Zmodyfikowany algorytm estymacji • Rekursja dla estymat wektora parametrów: ~ yn − Cn (θ$nT−1 X n − Bn ) $ $ θn = θn −1 + Cn Pn −1 X n 2 . 2 2 T σξ + Cn (σν + X n Pn −1 X n ) (3.18) • Rekursja dla macierzy kowariancji błędów estymacji: Pn = 1 Cn2 Pn −1 X n X nT Pn −1 Pn −1 − . λ λσ ξ2 + Cn2 ( λσν2 + X nT Pn −1 X n ) (3.19) • Warunki początkowe: θ$n |n = 0 = θ 0 , (3.20) Pn |n = 0 = P0 . Optymalne reguły sterowania • Sygnał kompensujący: Bn = θ$ nT−1 X n . (3.21) • Czułość układu obserwacji: Cn = D α σν2 + X nT Pn −1 X n , (3.22) W przypadku układu obserwacji ze stałą czułością wzór (3.22) przyjmuje postać: Cn = C0 = D α σ ν2 + S max . (3.23) gdzie wielkość Smax jest określona jak w zależności (2.19). Wartość stałej α jest rozwiązaniem równania (2.12). Poniżej przedstawiono wyniki badań symulacyjnych przeprowadzone dla zmodyfikowanych algorytmów estymacji parametrów sygnałów niestacjonarnych. Eksperyment 3.4 W eksperymencie przeprowadzono analizę pracy zmodyfikowanych algorytmów estymacji w przypadku, gdy występuje skok parametru θn sygnału (3.13). Badano zachowanie estymat parametru θn dla różnych wartości stałej zapominania λ występującej w zmodyfikowanych algorytmach. Podobnie jak w punkcie 3.3, symulacje przeprowadzano dla sygnału opisanego modelem (3.13), w którym skok parametru θn występuje w chwili N1 = 10 i ma wartość ∆θ = 1 . Przyjęto takie same wartości pozostałych parametrów 44 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... sygnału i zakłóceń oraz parametrów algorytmów, co w eksperymencie 3.3. Wszystkie symulacje przeprowadzono dla tych samych realizacji sygnału {yn } , które były wykorzystywane w punkcie 3.3. Każdy z eksperymentów przeprowadzono stosując najpierw zmodyfikowany algorytm z adaptacyjnie sterowaną czułością układu obserwacji (3.18)(3.22), a następnie, w celu porównania, zmodyfikowany algorytm ze stałą czułością układu obserwacji (3.18)-(3.21), (3.23). Na rysunkach 3.16 i 3.17 przedstawiono przykładowe trajektorie estymat parametru θn uzyskane przy zastosowaniu zmodyfikowanych algorytmów estymacji, odpowiednio ze stałą czułością oraz z adaptacyjnie sterowaną czułością układu obserwacji. Przyjęto, że wartość parametru θs = 1 . Eksperymenty przeprowadzono dla trzech wartości stałej zapominania: λ = 0,5 - trajektoria żółta (algorytm ze stałą czułością) i trajektoria zielona (algorytm z adaptacyjnie sterowaną czułością), λ = 0,75 - odpowiednio trajektorie jasnoniebieska i niebieska, λ = 0,9 - odpowiednio trajektorie różowa i czerwona. Porównując trajektorie estymat uzyskane dla tej samej realizacji sygnału {yn } w przypadku zastosowania podstawowych algorytmów (rys. 3.14), widzimy, że wprowadzenie odpowiedniej stałej zapominania λ do algorytmów estymacji może znacznie przyspieszyć otrzymanie prawidłowych wartości estymat parametru θn po wystąpieniu skoku parametru. Rys. 3.16. Trajektorie estymat parametru θn obliczanych za pomocą zmodyfikowanego algorytmu ze stałą czułością układu obserwacji dla różnych wartości stałej λ; linia czarna – prawdziwe wartości parametru θn 45 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... Rys. 3.17. Trajektorie estymat parametru θn obliczanych za pomocą zmodyfikowanego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji dla różnych wartości stałej λ; linia czarna – prawdziwe wartości parametru θn Wykresy trajektorii z rysunków 3.16 i 3.17 wskazują na znaczną przewagę zmodyfikowanego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji nad algorytmem ze stałą czułością dla wszystkich rozważanych wartości stałych zapominania λ . Trajektorie estymat otrzymane dla algorytmu z adaptacyjnie sterowaną czułością (rys. 3.17) znacznie szybciej osiągają wartości bliskie prawdziwym wartościom parametru θn po wystąpieniu skoku w porównaniu z algorytmem ze stałą czułością (rys. 3.16). Na rysunkach 3.18 i 3.19 przedstawiono trajektorie EMSE estymacji parametru θn , uśrednione po zbiorze K = 200 realizacji sygnału. Trajektorie ty były obliczane przy zastosowaniu zmodyfikowanych algorytmów estymacji ze stałą czułością (rys. 3.18) oraz z adaptacyjnie sterowaną czułością układu obserwacji (rys. 3.19). Trajektorie EMSE uzyskane dla poszczególnych wartości stałej zapominania ( λ = 0,5 , λ = 0,75 i λ = 0,9 ) wykreślono identycznymi kolorami jak w przypadku trajektorii z rysunków 3.16 i 3.17. Porównując te trajektorie z trajektoriami EMSE otrzymanymi przy zastosowaniu podstawowych wersji algorytmów (rys. 3.15), widzimy, że błędy estymacji parametru θn po wystąpieniu skoku parametru θn , otrzymane dla zmodyfikowanych algorytmów estymacji z adaptacyjnie sterowaną czułością układu obserwacji, maleją znacznie szybciej niż w przypadku podstawowych wersji algorytmów. Szybkość z jaką maleją błędy estymacji zależy oczywiście od wartości stałej zapominania λ . 46 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... Rys. 3.18. Trajektorie EMSE estymacji parametru θn otrzymane w przypadku zastosowania zmodyfikowanego algorytmu ze stałą czułością układu obserwacji dla różnych wartości stałej λ Rys. 3.19. Trajektorie EMSE estymacji parametru θn otrzymane w przypadku zastosowania zmodyfikowanego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji dla różnych wartości stałej λ Dla wszystkich analizowanych wartości stałej zapominania λ dokładność estymacji parametru θn , zarówno przed skokiem parametrów, jak i po skoku, jest w przypadku zastosowania zmodyfikowanego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (rys. 3.19) znacznie większa, niż w przypadku zastosowania algorytmu ze stałą czułością (rys. 3.18). Adaptacyjne sterowanie czułością umożliwia zatem estymację nieznanej wartości parametru θn po jego skoku, przy zadanym poziomie dokładności, w znacznie krótszym czasie, niż w przypadku algorytmu, w którym czułość układu obserwacji jest stała. Przedstawione rezultaty badań symulacyjnych ilustrują znaną w teorii algorytmów adaptacyjnych sprzeczność wymagań pomiędzy dokładnością estymacji algorytmów w 47 Estymacja parametrów sygnałów regresyjnych w obecności zakłóceń typu dryftów ... okresach, w których parametry sygnału są stałe, a ich wrażliwością na zmiany parametrów przetwarzanych sygnałów (por. np. [44]). W rozpatrywanym przypadku wymagania te można próbować umiejętnie pogodzić, wprowadzając odpowiednio dobraną stałą zapominania λ w rekursji (3.19) dla macierzy kowariancji Pn . Wartości stałej zapominania λ bliskie jedności pozwalają osiągnąć dużą dokładność estymat parametrów w okresach obserwacji, w których parametry sygnału są stałe (por. rys. 3.18 i 3.19), natomiast charakteryzują się małą wrażliwością na zmiany parametrów (por. rys. 3.16 i 3.17). Mniejsze wartości λ pozwalają na szybką reakcję estymat na zmiany parametrów, ale dokładność uzyskiwanych estymat jest mniejsza. Dobór odpowiedniej w danym zastosowaniu wartości stałej zapominania λ jest więc uzależniony od tego, czy bardziej zależy nam na większej dokładności estymat parametrów, czy na większej szybkości reakcji estymat na zmiany parametrów. Przykład zastosowania zmodyfikowanego algorytmu estymacji wraz z wynikami eksperymentów dla bardziej złożonego sygnału, w którym występują skokowe zmiany parametrów, zostanie przedstawiony w rozdziale 7. Wyniki przeprowadzonych badań symulacyjnych świadczą o tym, że optymalny adaptacyjny algorytm estymacji (2.7)-(2.11) z adaptacyjnie sterowaną czułością wykazuje wysoką efektywność w zastosowaniach przeznaczonych do pracy z sygnałami stacjonarnymi, jednak w przypadku nagłych zmian parametrów algorytm ten charakteryzuje się bardzo małą szybkością zbieżności do nowych wartości parametrów. Przedstawiona modyfikacja (3.18)(3.22) tego algorytmu rozszerza możliwości jego stosowania także na przypadek sygnałów niestacjonarnych, w których występują nagłe zmiany parametrów. Na zakończenie należy podkreślić, że omawiane w pracy zmodyfikowane wersje algorytmów nie są jedynym, opartym na koncepcji adaptacyjnej dopasowanej obserwacji, rozwiązaniem problemu estymacji parametrów sygnałów w przypadku wystąpienia nagłych zmian parametrów. Pewne modyfikacje podstawowych algorytmów estymacji, optymalnych dla sygnałów stacjonarnych, polegające na zastąpieniu w algorytmie optymalnej rekursji dla macierzy kowariancji błędów estymacji Pn jej empirycznym odpowiednikiem obliczanym na podstawie obserwacji, przedstawiono w pracy [65]. Innym rozwiązaniem jest detekcja zmian i reinicjalizacja algorytmu estymacji optymalnego dla sygnałów stacjonarnych. Tematyka zastosowania koncepcji adaptacyjnej dopasowanej obserwacji do wykrywania nagłych zmian wartości parametrów sygnałów była przedmiotem rozważań w pracach [94-96]. W pracy [96] przedstawiono wywodzący się z tej koncepcji algorytm detekcji nagłych zmian parametrów sygnałów oparty na pojęciu uogólnionego ilorazu wiarygodności (GLR). 48 Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń 4. Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń W rozdziale tym przedstawiono algorytm jednoczesnej detekcji dryftów i estymacji parametrów sygnałów i zakłóceń oparty na koncepcji adaptacyjnej dopasowanej obserwacji. Zaproponowano efektywną i skuteczną procedurę detekcji dryftów, której właściwości przedyskutowano na podstawie rezultatów badań symulacyjnych. Tematyka wczesnej detekcji zakłóceń typu dryftów (ang. drift-like faults lub incipient faults) jest przedmiotem zainteresowania specjalistów z różnych dziedzin i ma kluczowe znaczenie w różnorodnych zastosowaniach praktycznych, np. w elektroenergetyce, sejsmologii, badaniach biomedycznych. Wczesna detekcja dryftu w jego stadium początkowym umożliwia bowiem podjęcie odpowiedniej reakcji, co pozwala uniknąć katastrofalnych strat jakie mogą nastąpić wskutek rozwinięcia się procesu dryftu. 4.1. Charakterystyka problemu Rozważmy następujący model analizowanego sygnału z addytywnym dryftem liniowym: yn = θ T X n + β 1(n − N 0 ) ⋅ (n − N 0 ) + νn , gdzie θ = [θ (1) ,θ ( 2 ) ,...,θ ( L ) ]T jest wektorem losowych (4.1) parametrów modelu, X n = [ X n(1) , X n( 2) ,..., X n( L ) ]T wektorem deterministycznych sygnałów, których wartości są znane w każdej chwili czasu, β jest nieznaną losową prędkością narastania liniowego dryftu, a N 0 jest nieznanym momentem pojawienia się dryftu. Przyjmujemy założenie, że dysponujemy pełną informacją o rozkładzie a priori p(θ ) losowego i stałego w każdej realizacji wektora θ oraz, że rozkład ten jest gaussowski o wartości średniej θ 0 i macierzy kowariancji P0 : p(θ ) = N[θ − θ0 , P0 ] . Zakładamy, że losowy współczynnik dryftu β nie jest skorelowany z sygnałem użytecznym θ T X n i szumem {v n } , a jego rozkład jest gaussowski o zerowej wartości średniej i wariancji σ β2 : p( β ) = N[ β − β 0 , σ β2 ] , β 0 = 0 . O szumie zewnętrznym obserwacji {v n } zakładamy, że jest białym szumem gaussowskim o zerowej wartości średniej i wariancji σ ν2 , tj.: p(νn ) = N[νn − 0, σν2 ] . Analogicznie jak w poprzednich rozdziałach zakładamy, że sygnał {yn } jest obserwowany za pomocą układu obserwacji (2.4) opisanego modelem o charakterystyce liniowej w ograniczonym zakresie obserwacji i z odcinkami nasycenia poza tym zakresem 49 Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń (rys. 2.1). Przyjmujemy również założenie, że szum wewnętrzny układu obserwacji {ξ n } jest białym szumem gaussowskim o FGP: p(ξ n ) = N[ξ n − 0, σ ξ2 ] . Zakładamy ponadto, że układ obserwacji jest statystycznie dopasowany, tzn. parametry układu obserwacji Bn i Cn w każdej chwili n spełniają warunek statystycznego dopasowania (2.5). Zadanie polega na obliczeniu optymalnych estymat θ$n parametrów sygnału użytecznego oraz podjęciu optymalnej decyzji o braku lub obecności dryftu w sygnale {yn } i - w tym drugim przypadku - obliczeniu optymalnej estymaty parametru dryftu β$n . Rozwiązanie zagadnienia estymacji parametrów sygnałów i zakłóceń typu dryftów zostało omówione w punkcie 3.2, dlatego też w tym rozdziale skoncentrowano się na przedstawieniu procedury detekcji dryftu i skonstruowaniu odpowiedniej reguły decyzyjnej. Zagadnienie detekcji zakłóceń typu dryftów polega na podjęciu decyzji o przyjęciu hipotezy o braku dryftu w realizacji sygnału y1n (hipoteza H0 ) albo przyjęciu hipotezy o jego obecności w realizacji y1n (hipoteza H1 ). Decyzja o obecności lub braku dryftu w analizowanym sygnale jest podejmowana na podstawie znajomości estymaty β$n dla każdej chwili n. Problem detekcji dryftu sprowadza się do rozstrzygnięcia dla każdej chwili n prawdziwości jednej z dwóch hipotez: H 0 : | βˆ n |< hn( β ) , H1 : | βˆ n |≥ hn( β ) , brak dryftu, obecność dryftu, (4.2) gdzie hn( β ) jest zmiennym w trakcie obserwacji progiem detekcji wyznaczanym na bieżąco na podstawie rozkładu estymat β$n oraz zadanego prawdopodobieństwa fałszywego alarmu, tj. prawdopodobieństwa przyjęcia hipotezy H1 o obecności dryftu, kiedy w realizacji sygnału y1n dryft nie wystąpił, a więc kiedy prawdziwa jest hipoteza H 0 . 4.2. Algorytm jednoczesnej detekcji dryftów i estymacji parametrów Wykorzystując rozszerzony model analizowanego sygnału (por. punkt 3.2) i zakładając, że moment pojawienia dryftu N 0 jest znany, sygnał (4.1) można przedstawić w następującej postaci: yn = θ T X n + νn , (4.3) gdzie θ = [θ T , β ]T , jest rozszerzonym wektorem nieznanych parametrów sygnałów, a X n = [ X nT ,1(n − N 0 ) ⋅ (n − N 0 )]T jest wektorem składowych deterministycznych. 50 Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń Dostosowanie algorytmu estymacji do pracy w obecności dryftów polega na odpowiednim rozszerzeniu wektorów θ i X n o składowe związane z dryftem parametrów sygnału w sposób opisany w punkcie 3.2 i modyfikacji podstawowego optymalnego algorytmu estymacji parametrów sygnałów (2.7)-(2.11) z uwzględnieniem estymacji ˆ parametru dryftu β . Zadanie polega więc na wyznaczeniu optymalnych estymat θ n wektora θ , złożonego z estymat θˆn wektora parametrów sygnału użytecznego θ oraz estymaty β̂ n $ $ parametru dryftu β . Rozszerzona macierz kowariancji Pn = E[(θ − θn )(θ − θn ) T | ~ y1n ] błędów estymacji wektora θ ma wówczas postać: Pn = Pn Σ nθβ Σ nβθ Sn , (4.4) gdzie macierz Pn jest macierzą kowariancji estymat θ$n wektora θ , a Sn jest wariancją estymaty β$n parametru dryftu β . Σ nθβ , Σ nβθ są odpowiednimi macierzami kowariancji. (β ) Procedura detekcji dryftu polega na sprawdzeniu nierówności | βˆ n | < > hn i przyjęciu jednej z hipotez (4.2) dotyczących obecności lub braku dryftu. Wartość progu detekcji dryftu hn( β ) występującego w regule decyzyjnej (4.2) określamy w zależności od przyjętego prawdopodobieństwa fałszywego alarmu Pfa i wyznaczamy dla każdej chwili n na podstawie następującej formuły: (β ) n Pfa = Pr{H1 | H 0 } = Pr{| βˆn |≥ h h n( β ) | H 0} = 1 − ∫ p( βˆ n | β = 0) dβ . (4.5) − h n( β ) Ze wzoru (4.5) wynika, że przy zadanym prawdopodobieństwie Pfa próg detekcji hn( β ) jest w każdej chwili n uzależniony od rozkładu a posteriori estymaty β$n pod warunkiem, że β = 0 . Jeśli estymaty θˆn rozszerzonego wektora parametrów θ n są wyznaczane za pomocą rekursji (3.5)-(3.6), to można wykazać (por. np. [65, 91]), że rozkład estymat warunkowych θˆn | θ ma postać: p(θˆn | θ ) = N[θˆn − θ + Pn P0−1 (θ 0 − θ ), Pn − Pn P0−1 Pn ] . 51 (4.6) Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń Uwzględniając wyrażenia (4.6) oraz (4.4) i przyjmując założenie, że β 0 = 0 , FGP p( βˆ n | β = 0) , występująca we wzorze (4.5), ma zerową wartość średnią i wariancję S n( 0) = S n − S n S0−1S n , gdzie S0 = σ β2 , tj.: p( βˆ n | β = 0) = N[ βˆ n − 0, S n( 0 ) ] = N[ βˆ n − 0,S n − S n S 0-1 S n ] . (4.7) Indeks (0) we frakcji górnej został dodany dla podkreślenia, że wariancja S n( 0 ) jest obliczana przy założeniu β = 0 . Dysponując rozkładem (4.7), znajdujemy wyrażenie dla prawdopodobieństwa Pfa (4.5): h( β ) ˆ Pfa = 1 − 2 ∫ p( β n | β = 0) dβ = 1 − 2Φ n S (0) 0 n h n( β ) hn( β ) = 1 − 2Φ , S (1 − S −1S ) 0 n n (4.8) gdzie Φ(⋅) jest całką prawdopodobieństwa. Próg detekcji dryftu hn( β ) w regule (4.2) można zatem wyznaczyć ze wzoru (4.8) w zależności od przyjętego prawdopodobieństwa fałszywego alarmu Pfa . Poniżej przedstawiono pełny algorytm jednoczesnej detekcji dryftu oraz estymacji parametrów θ sygnału użytecznego i współczynnika dryftu β . Algorytm jednoczesnej detekcji dryftów i estymacji parametrów sygnałów i zakłóceń T ˆ • Rekursja dla estymat θ n = [θˆn , βˆ n ]T rozszerzonego wektora parametrów θ = [θ T , β ]T : ~ yn − Cn (θˆnT−1 X n − Bn ) . 2 2 2 T σ ξ + Cn (σ ν + X n Pn −1 X n ) θˆn = θˆn −1 + Cn Pn −1 X n (4.9) • Rekursja dla rozszerzonej macierzy kowariancji błędów estymacji: Cn2 Pn −1 X n X nT Pn −1 Pn = Pn −1 − 2 . σ ξ + Cn2 (σ ν2 + X nT Pn −1 X n ) (4.10) • Warunki początkowe: θˆn |n = 0 = [θ 0T , β 0 ]T , Pn |n = 0 = diag (P0 , S 0 ) , (4.11) Optymalne reguły sterowania • Sygnał kompensujący: $ Bn = θ nT−1 X n . 52 (4.12) Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń • Czułość układu obserwacji: Cn = D . α σν2 + X nT Pn −1 X n (4.13) Dla algorytmu ze stałą czułością układu obserwacji C0 = gdzie S max = X 1T max X 1 ≤ E max D α σν + Smax 2 , (4.14) X 1T P0 X 1 (por. wzór (2.19)). Wartość stałej α jest rozwiązaniem równania (2.12). Detekcja dryftu • Reguła decyzyjna detekcji dryftu: H 0 gdy | βˆ n |< hn( β ) , (β ) ˆ H 1 gdy | β n |≥ hn . • (4.15) Równanie dla obliczenia optymalnego progu decyzyjnego hn( β ) : 1 − Pfa hn( β ) = Φ . S (1 − S −1S ) 2 n 0 n (4.16) Schemat blokowy układu detekcji dryftów i estymacji parametrów sygnałów i zakłóceń z adaptacyjnym sterowaniem parametrami układu obserwacji przedstawiono na rys. 4.1. Blok generacji θ Xn T νn ξn yn en − Bn Cn en Xn Xn ~ yn Blok estymacji i sterowania θ$n , β$n Cn Cn β$n − Bn Blok detekcji H0 ( H1 ) | βˆ n |≥ hn( β ) Rys. 4.1. Schemat systemu jednoczesnej detekcji dryftu i estymacji parametrów sygnału Podkreślmy na zakończenie, że, w przypadku podjęcia decyzji o obecności dryftu w chwili n, odpowiednie estymaty β$n współczynnika narastania dryftu β mogą zostać natychmiast użyte w celu detekcji momentu pojawienia się dryftu, prognozy jego rozwoju, 53 Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń czy też wprowadzenia korekt w systemie przetwarzania sygnału. Przy podejmowaniu decyzji dotyczącej obecności dryftu zgodnie z regułą (4.15) wykorzystywane są estymaty β$n współczynnika narastania dryftu β . Mając na uwadze, że optymalne adaptacyjne sterowanie czułością układu obserwacji zapewnia przyspieszoną zbieżność estymat β$n , możemy przypuszczać, że umożliwi to szybsze podjęcie decyzji o wykryciu lub braku dryftu, niż w przypadku algorytmów ze stałą czułością układu obserwacji. 4.3. Wyniki badań symulacyjnych Wyniki badań symulacyjnych prezentowane w niniejszym punkcie mają na celu empiryczne potwierdzenie wysokiej efektywności opisanej w punkcie 4.2 procedury jednoczesnej detekcji dryftów i estymacji parametrów sygnałów użytecznych i zakłóceń, wykorzystującej adaptacyjne sterowanie czułością układu obserwacji. Do badań wybrano najprostszy model sygnału zawierającego składową stałą i liniowy dryft opisany równaniem: y n = θ + β 1(n − N 0 ) ⋅ (n − N 0 ) + ν n . (4.17) Badania symulacyjne przeprowadzono także dla bardziej złożonych sygnałów. M.in. w pracy [103] przedstawiono wyniki badań algorytmu jednoczesnej detekcji dryftów i estymacji parametrów sygnałów i zakłóceń w przypadku przetwarzania sygnałów sinusoidalnych w obecności liniowego dryftu. Aby zilustrować podstawowe prawidłowości w zachowaniu się tego algorytmu wystarczy jednak zbadać przypadek sygnału (4.17). We wszystkich eksperymentach prezentowanych w punkcie 4.3 przyjęto następujące wartości parametrów: wariancja szumu zewnętrznego σν2 = 10−2 ; parametry układu obserwacji: D = 0,5 ; σ ξ2 = 10 −4 ; α = 7 ( µ = 10 −12 ); warunki początkowe: θ0 = [0,0]T ; P0 = diag( P0 , S0 ) , P0 = 25 , S 0 = 1 ; prawdopodobieństwo fałszywego alarmu Pfa = 10−6 . Ponieważ zagadnienie estymacji parametrów sygnałów w obecności dryftu nie różni się istotnie od zagadnienia opisanego w punktach 3.1 i 3.2, zatem przedstawiając wyniki badań symulacyjnych skoncentrowano się na problemie detekcji dryftu. W pierwszej części eksperymentów zbadano jak zmienia się w czasie próg detekcji dryftu hn( β ) , który jest wyznaczany na podstawie wzoru (4.16). Na rysunku 4.2 przedstawiono trajektorie progu detekcji hn( β ) dla zadanego prawdopodobieństwa fałszywego alarmu w przypadku, gdy N 0 = 0 , tzn. przy założeniu obecności dryftu od początku obserwacji. 54 Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń Rys. 4.2. Trajektorie progu detekcji hn( β ) w przypadku algorytmu ze stałą czułością (linia jasnoniebieska) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska) Z rysunku 4.2 wynika, że w przypadku adaptacyjnego sterowania czułością próg detekcji hn( β ) , przy ustalonej wartości prawdopodobieństwa fałszywego alarmu, maleje znacznie szybciej, niż w przypadku, gdy czułość układu obserwacji jest stała. Związane jest to z szybszym zmniejszaniem się wariancji błędów estymacji prędkości narastania dryftu β. Mniejsza wartość progu detekcji przy zadanym prawdopodobieństwie fałszywego alarmu w przypadku adaptacyjnego sterowania czułością oznacza, że procedura detekcji jest bardziej wrażliwa, co ma istotne znaczenie zwłaszcza wtedy, kiedy dryft jest mały. Jeśli dryft występuje, wartość |β$n | może przekroczyć próg detekcji hn( β ) dla danej wartości parametru β znacznie wcześniej, niż dla procedury ze stałą czułością układu obserwacji. Umożliwia to szybszą detekcję dryftów. Większa skuteczność procedury detekcji dryftów z adaptacyjnie sterowaną czułością układu obserwacji wynika z przyspieszonej zbieżności algorytmu (4.9)(4.13) estymacji parametrów θ . W drugiej części eksperymentu zbadano jak zmienia się empiryczne prawdopodobieństwo Pd poprawnej detekcji dryftu, tj. empiryczna częstość zdarzeń | βˆ n |≥ hn( β ) , w funkcji wartości parametru dryftu β i czasu n dla N 0 = 0 . Wartości prędkości narastania dryftu β zmieniano w zakresie od 0 do 0,1 z krokiem 0,01. Prawdopodobieństwa detekcji dryftu obliczano na podstawie K = 200 realizacji dla każdej wartości parametru β. W poszczególnych realizacjach sygnału {yn } generowano losowo różne wartości parametru θ , przy czym przyjęto, że rozkład zmiennej losowej θ jest gaussowski: p(θ ) = N[θ - θ0 , P0 ] . 55 Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń Eksperymenty przeprowadzono stosując algorytmy ze stałą czułością (rys. 4.3a) i z adaptacyjnie sterowaną czułością układu obserwacji (rys. 4.3b). a) b) Rys. 4.3. Wykresy empirycznego prawdopodobieństwa poprawnej detekcji dryftu jako funkcji wartości parametru dryftu β i czasu n w przypadku algorytmu ze stałą czułością (rys. a) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (rys. b) Rysunek 4.3, na którym porównano powierzchnie empirycznych prawdopodobieństw detekcji dryftu, ilustruje korzyści jakie daje wprowadzenie adaptacyjnego sterowania czułością układu obserwacji Prawdopodobieństwo detekcji w przypadku zastosowania procedury ze stałą czułością osiąga zadaną wartość po znacznie większym czasie niż w przypadku zastosowania procedury z adaptacyjnie sterowaną czułością. Algorytm jednoczesnej detekcji dryftów i estymacji parametrów, w którym czułość jest sterowana adaptacyjnie umożliwia więc znacznie szybszą detekcję i dokładniejszą estymację małych dryftów. Efekt ten jest obserwowany dla wszystkich wartości współczynnika dryftu β i jest tym silniejszy, im mniejsza jest wartość β. W trzeciej części eksperymentów porównano działanie algorytmu ze sterowaną adaptacyjnie czułością oraz algorytmu ze stałą czułością układu obserwacji w przypadku, kiedy chwila N 0 pojawienia się dryftu nie jest znana. Podobnie jak dla przypadku N 0 = 0 , zbadano empiryczne prawdopodobieństwo Pd poprawnej detekcji dryftu w funkcji wartości parametru dryftu β i czasu n dla różnych chwil N 0 pojawienia się dryftu. Na rysunkach 4.4 i 4.5 przedstawiono powierzchnie Pd ( β , n) dla N 0 = 10 i odpowiednio N 0 = 20 . Algorytmy zaimplementowano przyjmując N0 = 0 X n = [ X nT ,1(n − N 0 ) ⋅ (n − N 0 )]T . 56 w rozszerzonym wektorze Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń a) b) Rys. 4.4. Wykresy empirycznego prawdopodobieństwa poprawnej detekcji dryftu jako funkcji wartości parametru dryftu β i czasu n w przypadku algorytmu ze stałą czułością (rys. a) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (rys. b) dla chwili pojawienia się dryftu N 0 = 10 a) b) Rys. 4.5. Wykresy empirycznego prawdopodobieństwa poprawnej detekcji dryftu jako funkcji wartości parametru dryftu β i czasu n w przypadku algorytmu ze stałą czułością (rys. a) oraz algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (rys. b) dla chwili pojawienia się dryftu N 0 = 20 Rysunki 4.4 i 4.5 potwierdzają skuteczność proponowanego algorytmu z adaptacyjnym sterowaniem czułością układu obserwacji w przypadku nieznanego momentu pojawienia się dryftu. Podobnie jak na rysunku 4.3, także w tym przypadku odpowiednie poziomy prawdopodobieństwa detekcji są osiągane za pomocą algorytmu z adaptacyjnie sterowaną czułością znacznie szybciej, niż w przypadku zastosowania algorytmu ze stałą czułością układu obserwacji. Analogiczne eksperymenty przeprowadzono dla sygnałów sinusoidalnych występujących w obecności dryftu [103]. Otrzymane wyniki prowadzą do tego samego wniosku: przy zadanym prawdopodobieństwie fałszywego alarmu, algorytm jednoczesnej detekcji dryftów i estymacji parametrów sygnałów i zakłóceń z adaptacyjnie sterowaną 57 Jednoczesna detekcja dryftów i estymacja parametrów sygnałów i zakłóceń czułością umożliwia detekcję dryftu, w znacznie krótszym czasie obserwacji, niż algorytm, w którym czułość układu obserwacji jest stała. Przedstawione w niniejszym rozdziale podejście do ważnego z praktycznego punktu widzenia zagadnienia detekcji liniowego dryftu może być rozszerzone na przypadki bardziej złożonych dryftów. Jako przykład może tu służyć sygnał: yn = θnT X n + νn , (4.18) w którym poszczególne składowe wektora θn mogą się zmieniać zgodnie z regułą: θ n(l ) = θ ( l ) + β (l ) 1(n − N 0(l ) ) ⋅ (n − N 0( l ) ) , (4.19) gdzie l = 1,..., L . Wówczas w rozszerzonym regresyjnym modelu sygnału (por. wzór (4.3)) θ = [θ T , β (1) , . . ., β ( L ) ]T = [θ T , β T ]T jest rozszerzonym wektorem nieznanych parametrów sygnału, a X n = [ X nT , X n(1) 1(n − N 0(l ) ) ⋅ (n − N 0( l ) ), . . ., X n( L ) 1(n − N 0( l ) ) ⋅ (n − N 0(l ) )]T jest rozszerzonym wektorem składowych deterministycznych. W przypadku sygnału opisanego modelem (4.18)-(4.19) rozpatrywane zagadnienie staje się bardziej skomplikowane, ponieważ detekcja dryftów poszczególnych składowych wektora parametrów θn jest problemem wielowymiarowym. Może być ona przeprowadzona w podobny sposób jak w przypadku dryftu liniowego i procedury opisanej w rozdziale 4.2. Różnica polega na odpowiednim uogólnieniu sposobu obliczenia progu detekcji i uwzględnieniu we wzorze (4.16) odpowiedniej macierzy kowariancji błędów estymacji współczynników dryftów β . 58 Filtracja sygnałów niestacjonarnych 5. Filtracja sygnałów niestacjonarnych W rozdziale tym omówiono zastosowanie koncepcji adaptacyjnej dopasowanej obserwacji sygnału do filtracji sygnałów niestacjonarnych, których zmiany parametrów są opisane procesami Markowa. Przedstawiono optymalny algorytm filtracji i estymacji parametrów sygnałów niestacjonarnych typu Kalmana. Przeanalizowano jego podstawowe zalety, które potwierdzono za pomocą symulacji komputerowych 5.1. Charakterystyka problemu. Model zmian parametrów Rozważmy klasę sygnałów {yn } opisanych modelem: yn = θnT X n + νn , (5.1) gdzie θnT X n jest składową użyteczną, a ciąg {v n } - szumem zewnętrznym obserwacji. Zakładamy, że θ n = [θ n(1) ,θ n( 2) ,...,θ n( L ) ]T jest wektorem losowych, zmiennych w czasie, parametrów modelu, a X n = [ X n(1) , X n( 2) ,..., X n( L ) ]T - wektorem próbek deterministycznych sygnałów, których wartości są znane w każdej chwili czasu n. O szumie zewnętrznym obserwacji {v n } zakładamy, że jest szumem białym gaussowskim o zerowej wartości średniej i wariancji σ ν2 , tj.: p(νn ) = N[νn − 0, σν2 ] . Przyjmiemy założenie, że zmiany wektora θ n są opisane L-wymiarowym procesem Markowa określonym równaniem: θ n = ρθ n −1 + βU n −1 + η n −1 , (5.2) gdzie ρ jest znaną L × L wymiarową macierzą współczynników korelacji (zakładamy, że det ρ < 1), β - losową nieznaną L × K wymiarową macierzą, a U n = [U n(1) ,U n( 2) ,...,U n( K ) ]T wektorem znanych deterministycznych pobudzeń lub sterowań. O szumie wektorowym η n = [ηn(1) ,ηn( 2) ,...,ηn( L ) ]T zakładamy, że jest szumem gaussowskim o zerowej wartości średniej i macierzy kowariancji Σ η : p (ηn ) = N[ηn − 0, Σ η ] . Składnik βU n w modelu (5.2) może opisywać quasi-stacjonarne zakłócenia parametrów sygnału, np. odchylenia wartości średnich szumu wektorowego {ηn } od nominalnej wartości 0. Może on również opisywać dryfty termiczne, mechaniczne lub innego typu dryfty parametrów, m.in. dryft punktu pracy układu obserwacji. Zakładamy, że postać sygnałów {U n } jest znana (np. jest to wartość stała, dryft liniowo narastający, zakłócenia harmoniczne, itp.), a ich amplitudy β są losowe i nieznane. W celu uproszczenia rozważań będziemy zakładać (bez straty ogólności), że L = K oraz że β 59 Filtracja sygnałów niestacjonarnych jest macierzą diagonalną β = diag( β (1) , β ( 2 ) ,..., β ( L ) ) . Przyjęte założenie pozwala przedstawić wyrażenie βU n w równoważnej postaci U n β , gdzie U n jest macierzą diagonalną U n = diag(U n(1) ,U n( 2 ) ,...,U n( L ) ) , a β jest wektorem β = [ β (1) , β ( 2) ,..., β ( L ) ]T . Model (5.2) obejmuje szeroką klasę procesów losowych. Szczególnymi przypadkami modelu (5.2) są szeroko wykorzystywane w zagadnieniach praktycznych i teoretycznych modele autoregresyjne (modele AR i ARX) oraz modele autoregresyjne z ruchomą średnią (modele ARMA i ARMAX) (por. np. [29] s. 214, [111] s. 46-49). Podobnie jak w poprzednich rozdziałach, przyjmujemy, że sygnał {yn } jest obserwowany za pomocą układu obserwacji (2.4) dopasowanego statystycznie do charakterystyk probabilistycznych analizowanego sygnału (5.1) oraz że szum wewnętrzny układu obserwacji {ξ n } jest białym szumem gaussowskim o FGP: p(ξ n ) = N[ξ n − 0, σ ξ2 ] . Opracowanie rekursywnych algorytmów optymalnej filtracji, tj. estymacji bieżących wartości analizowanego sygnału, i optymalnej estymacji ich parametrów polega na y1n ) X n próbek wyprowadzeniu zależności określających w każdej chwili n estymaty yˆ n = θˆnT ( ~ sygnału yn , estymaty parametrów θˆn = θˆn ( ~ y1n ) i βˆ n = βˆ n ( ~ y1n ) oraz optymalne reguły sterowania parametrami układu obserwacji Bn = Bn ( ~ y1n −1 ) i Cn = Cn ( ~ y1n −1 ) . Będziemy zakładać, że dysponujemy pełną informacją o rozkładach a priori p(θ0 ) i p( β ) oraz że rozkłady te są gaussowskie o wartościach średnich odpowiednio θ0∗ , β0 i macierzach kowariancji P0 i S0 . Odpowiednie FGP mają postacie: p(θ0 ) = N[θ0 − θ0∗ , P0 ] , p( β ) = N[ β − β0 , S0 ] . 5.2. Optymalne algorytmy filtracji sygnałów niestacjonarnych Podobnie jak poprzednio, z uwagi na przyjęte założenia do rozwiązania zagadnienia optymalnej filtracji sygnału {yn } i estymacji jego parametrów θ n i β będziemy stosować metody bayesowskiej teorii estymacji. Jako kryterium optymalizacyjne przyjmiemy kryterium minimum błędu średniokwadratowego (MSE) filtracji: Rn = E[( yn − yˆ n ) 2 ] = E[( yn − θˆnT X n ) 2 ] , (5.3) przy ograniczeniu (2.5). Zgodnie z podstawowym twierdzeniem bayesowskiej teorii estymacji (por. np. [112]), optymalną estymatą zmieniającego się losowo wektora parametrów θ n jest y1n ] , natomiast optymalne estymaty ŷn bieżących wartości średnia warunkowa θˆn = E[θ n | ~ 60 Filtracja sygnałów niestacjonarnych sygnału { yn } są określone wzorem y$ n = θ$nT X n opisującym zarazem optymalny sposób filtracji sygnału { yn } . Rozwiązanie sformułowanego wyżej zagadnienia sprowadza się zatem do wyznaczenia optymalnych estymat θ$n . Analogicznie jak w przypadku sygnałów stacjonarnych (por. punkt 2.2) rozwiązanie przebiega w dwóch krokach. W pierwszym kroku są wyznaczane optymalne estymaty θ$n parametrów sygnału (5.1) dla dowolnych ciągów parametrów układu obserwacji {Bn , Cn } spełniających warunek statystycznego dopasowania (2.5). Wówczas sygnał {yn } jest obserwowany w przedziale [1, n] przez układ obserwacji w sposób liniowy z prawdopodobieństwem 1 − (1 − µ ) n ≈ µn , a błędy estymacji związane z przyjęciem liniowego modelu układu obserwacji są rzędu O( µn) . Błędy te dla µn << 1 można pominąć (por. np. [64]), a sygnał na wyjściu układu obserwacji ma postać: ~ y = C (y − B ) + ξ . n n n n (5.4) n Dysponując optymalnymi estymatami θ$n , w drugim kroku optymalizacji wyznaczamy optymalne w każdej chwili n wartości parametrów Bn i Cn układu obserwacji, zapewniające osiągnięcie globalnego minimum błędu średniokwadratowego filtracji (5.3) i jednocześnie spełniające warunek (2.5). W celu wyznaczenia optymalnych estymat θ$n i optymalnych reguł sterowania parametrami Bn i Cn układu obserwacji, a zarazem wyprowadzenia optymalnego algorytmu filtracji i estymacji sygnału (5.1)-(5.2), konieczne jest określenie rozkładów następujących warunkowych zmiennych losowych: θ n | ~ y1n ; θ n | ~ y1n −1 ; θ n | ~ y1n , β ; θ n | ~ y1n −1 , β ; β | ~ y1n . Nietrudno pokazać, że przy przyjętych założeniach o gaussowości rozkładów a priori p(θ0 ) i p( β ) oraz wszystkich szumów występujących w modelach (5.1)-(5.2) i (5.4), rozkłady a posteriori wymienionych zmiennych losowych będą również gaussowskie, tj.: p(θn | ~ y1n ) = N[θn − θ$n , Pn ] , (5.5) gdzie θ$n = E[θn | ~ y1n ] i Pn = E[(θ n − θ$n )(θ n − θ$n ) T | ~ y1n ] są odpowiednio optymalną estymatą i macierzą kowariancji błędów estymacji bieżącej wartości wektora θ n ; p(θn | ~ y1n −1 ) = N [θn − θ$n , n − 1 , Pn , n −1 ] , gdzie θ$n ,n −1 = E[θn | ~y1n −1 ] i Pn ,n −1 = E[(θ n − θ$n ,n −1 )(θ n − θ$n ,n −1 ) T | ~ y1n −1 ] (5.6) są odpowiednio optymalną jednokrokową prognozą i macierzą kowariancji błędów prognozy wektora θ n ; 61 Filtracja sygnałów niestacjonarnych p(θn | ~ y1n , β ) = N[θn − θn , Ln ] , (5.7) θn = E[θn | ~ y1n , β ] i Ln = E[(θn − θn )(θn − θn ) T | ~ y1n , β ] są odpowiednio optymalną gdzie estymatą i macierzą kowariancji błędów estymacji bieżącej wartości wektora θ n przy założeniu, że znane są wartości parametrów β ; p(θn | ~ y1n −1 , β ) = N[θn − θn , n −1 , Ln ,n −1 ] , (5.8) gdzie θn ,n −1 = E[θn | ~ y1n −1 , β ] i Ln ,n −1 = E[(θ n − θn ,n −1 )(θn − θ n ,n −1 ) T | ~ y1n −1 , β ] są odpowiednio optymalną jednokrokową prognozą i macierzą kowariancji błędów prognozy wektora θ n przy założeniu, że znane są wartości parametrów β ; (5.9) p( β | ~ y1n ) = N [β − β$n , Sn ] , gdzie β$n = E[ β | ~ y1n ] i S n = E[( βn − β$n )( βn − β$n ) T | ~ y1n ] są odpowiednio optymalną estymatą i macierzą kowariancji błędów estymacji wektora β . Korzystając z oznaczeń (5.5)-(5.9), pełny algorytm, określający zarówno optymalny sposób filtracji i estymacji parametrów sygnałów niestacjonarnych (5.1), (5.2), jak i optymalne reguły sterowania parametrami układu obserwacji (2.4), można przedstawić w postaci: Optymalny algorytm filtracji i estymacji parametrów θ n • Rekursja dla estymat wektora parametrów θ n : θ$n = θ$n ,n −1 + Cn Pn ,n −1 X n σ ξ + C (σ ν + X Pn ,n −1 X n ) 2 2 n 2 T n [~ y n − Cn (θ$nT,n −1 X n − Bn )] . (5.10) • Rekursja dla macierzy kowariancji błędów estymacji wektora θ n : Pn = Pn ,n −1 − Cn2 Pn ,n −1 X n X nT Pn ,n −1 σ ξ2 + Cn2 (σ ν2 + X nT Pn ,n −1 X n ) . (5.11) • Rekursja dla prognozy wektora parametrów θ n : θ$ n ,n −1 = ρθ$ n −1 + U n −1 β$ n− 1 , (U n −1 = diag(U n(1−)1 ,...,U n( L−1) )) . (5.12) • Rekursja dla macierzy kowariancji błędów prognozy wektora θ n : Pn ,n −1 = ρPn −1 ρ T + Σ η + Σ nβ−1 (U n −1 , S n −1 ) . (5.13) • Rekursja dla estymat wektora parametrów β : β$n = β$n −1 + Cn S n −1VnT−1 X n [~ y − Cn (θ$nT,n −1 X n − Bn )] . σ ξ2 + Cn2 (σ ν2 + X nT Pn ,n −1 X n ) n 62 (5.14) Filtracja sygnałów niestacjonarnych • Rekursja dla macierzy kowariancji błędów estymacji wektora β : Sn = Sn − 1 − Cn2 Sn −1VnT−1 X n X nTVn −1 Sn −1 . σ ξ2 + Cn2 (σ ν2 + X nT Pn , n −1 X n ) (5.15) Rekursje uzupełniające • Rekursja dla macierzy kowariancji błędów estymacji wektora parametrów θ n przy założeniu, że znane są wartości parametrów β : Cn2 Ln ,n −1 X n X nT Ln ,n −1 Ln = Ln ,n −1 − 2 . σ ξ + Cn2 (σ ν2 + X nT Ln , n −1 X n ) (5.16) • Rekursja dla macierzy kowariancji błędów prognozy wektora parametrów θ n przy założeniu, że znane są wartości parametrów β : Ln ,n −1 = ρLn −1 ρ T + Σ η . (5.17) • Macierz Vn występująca w rekursjach (5.14) i (5.15): Cn2 Ln ,n −1 X n X nT Vn = ρ I − 2 Vn −1 + U n . 2 2 T σ ξ + Cn (σ ν + X n Ln ,n −1 X n ) • Macierz (5.18) Σ nβ = Σ nβ (U n , S n ) opisująca wpływ rozkładu a priori możliwych wartości wektora β na dokładność estymacji wektora parametrów θ n : Σ nβ = U n S nVnT + Vn S nU nT − U n S nU n . (5.19) • Warunki początkowe: θˆn |n = 0 = θ 0∗ , βˆ n |n = 0 = β 0 , Pn n= 0 = Ln n= 0 = P0 , Sn n=0 = S0 , Vn |n = 0 = U 0 . (5.20) Optymalne reguły sterowania • Sygnał kompensujący: Bn = y$ n ,n −1 = θ$nT,n −1 X n . (5.21) • Czułość układu obserwacji: Cn = D α σν + X nT Pn ,n −1 X n 2 . (5.22) W przypadku układu obserwacji ze stałą czułością największa wartość stałej czułości, dla której warunek statystycznego dopasowania układu obserwacji (2.5) nie jest naruszony, jest określona wzorem: Cn = C0 = D α σ ν2 + S max 63 , (5.23) Filtracja sygnałów niestacjonarnych gdzie S max = max n , X nT X n ≤ E max X nT Pn, n −1 X n = max X1T P1, 0 X1 , Emax = max X nT X n (por. wzór (2.19)). X 1T X 1 ≤ E max n Wartość stałej α jest rozwiązaniem równania (2.12). Pełne wyprowadzenie algorytmu (5.10)-(5.23), opracowanego oryginalnie przez Płatonowa, przedstawiono w dodatkach 1-4. Skrócona wersja dowodu została podana w [104]. Algorytm ten bez dowodu wraz z omówieniem podstawowych jego właściwości był prezentowany również w [99]. Przedstawiony powyżej algorytm jest dość złożony, co wynika z przyjętego modelu (5.2) zmian parametrów sygnału. W praktycznych zastosowaniach często występuje sytuacja, w której wektor β występujący w modelu (5.2) jest znany lub też w ogóle w nim nie występuje. Przyjęcie założenia, że wektor β jest znany znacznie upraszcza algorytm. Optymalny algorytm filtracji w przypadku znanego wektora parametrów β : • Rekursja dla estymat wektora parametrów θn : θ$n = θ$n ,n −1 + Cn Pn ,n −1 X n σ ξ + C (σ ν + X Pn ,n −1 X n ) 2 2 n 2 T n [~ y n − Cn (θ$nT,n −1 X n − Bn )] . (5.24) • Rekursja dla macierzy kowariancji błędów estymacji wektora θn : Pn = Pn ,n −1 − Cn2 Pn ,n −1 X n X nT Pn ,n −1 σ ξ2 + Cn2 (σ ν2 + X nT Pn ,n −1 X n ) . (5.25) • Rekursja dla prognozy wektora parametrów θn : θ$n , n −1 = ρθ$n −1 + Un −1βn − 1 , (U n −1 = diag(U n(1−)1 ,...,U n( L−1) )) . (5.26) • Rekursja dla macierzy kowariancji błędów prognozy wektora θn : Pn , n −1 = ρPn −1ρ T + Ση . (5.27) Algorytm (5.24)-(5-27) uzupełniają optymalne reguły sterowania układem obserwacji (5.21), (5.22) w przypadku algorytmu z adaptacyjnie sterowaną czułością, albo (5.21), (5.23) w przypadku algorytmu ze stałą czułością układu obserwacji. Schemat blokowy systemu realizującego filtrację i estymację parametrów sygnałów niestacjonarnych pracującego według algorytmu (5.10)-(5.22) przedstawiono na rysunku 5.1. 64 Filtracja sygnałów niestacjonarnych Cześć analogowa yt Blok cyfrowego przetwarzania danych ξt et θˆn , βˆ n ~ yt − ~ yn ADC Obliczenie θˆn, n−1 ,θˆn , βˆ n Bt Bn = yˆ n ,n −1 Xn Ct Blok kompensacji Obliczenie Obliczenie Pn , S n Vn , Σ nβ−1 , Ln ,n −1 , Ln Blok sterowania Pn ,n −1 DAC DAC Cn Obliczenie Cn Xn Obliczenie X n Generacja X n ,U n Pn ,n −1 , Pn , S n Bn = yˆ n ,n −1 = θˆnT,n −1 X n Rys. 5.1. Schemat blokowy optymalnego systemu do filtracji i estymacji parametrów sygnałów niestacjonarnych 5.3. Podstawowe właściwości algorytmów filtracji sygnałów niestacjonarnych Badanie zbieżności algorytmu (5.10)-(5.22) jest trudnym problemem natury matematycznej. Analogicznie jak w punkcie 2.3 jako miarę szybkości zbieżności tego algorytmu przyjęto szybkość z jaką maleje objętość elipsoidy dyspersji błędów estymacji. Zatem o szybkości zbieżności algorytmu będziemy wnioskować na podstawie analizy szybkości z jaką maleją trajektorie wyznaczników macierzy kowariancji błędów estymacji wektorów θn i β , odpowiednio: det Pn i det S n . Przy analizie wyznaczników wykorzystuje się następującą tożsamość: det( I + ab T ) = 1 + a T b . (5.28) gdzie a i b są dowolnymi wektorami o tym samym wymiarze. Stosując do wzorów (5.11), (5.15) i (5.16) zależność (5.28), otrzymujemy następujące rekursje: σξ2 + Cn2σν2 det Pn = 2 det Pn , n − 1 , σ ξ + Cn2 (σν2 + X nT Pn , n −1 X n ) (5.29) σξ2 + Cn2 (σν2 + X nT Ln , n −1 X n ) det Sn −1 , σ ξ2 + Cn2 (σν2 + X nT Pn , n −1 X n ) (5.30) σξ2 + Cn2σν2 det Ln = 2 det Ln , n − 1 . σ ξ + Cn2 (σν2 + X nT Ln , n −1 X n ) (5.31) det Sn = W przypadku optymalnego sterowania parametrami układu obserwacji (5.21)-(5.22) rekursje (5.29)-(5.31) przyjmują postać: 65 Filtracja sygnałów niestacjonarnych (1 + Q 2 )σ ν2 + X nT Pn ,n −1 X n det Pn = (1 + Q ) det Pn ,n −1 , σ ν2 + X nT Pn ,n −1 X n (5.32) σ ν2 + X nT Ln ,n −1 X n det S n −1 , det S n = (1 + Q 2 ) −1 1 + Q 2 2 σ ν + X nT Pn ,n −1 X n (5.33) (1 + Q 2 )σ ν2 + X nT Pn ,n −1 X n det Ln = det Ln ,n −1 . (1 + Q 2 )σ ν2 + X nT ( Pn ,n −1 + Q 2 Ln ,n −1 ) X n (5.34) 2 −1 gdzie Q 2 = ( D ασ ξ ) 2 jest stosunkiem sygnał-szum na wyjściu układu obserwacji (por. punkt 2.3). Jeśli, podobnie jak w przypadku sygnałów stacjonarnych, w przedziale 1 ≤ n ≤ n1 spełniony jest warunek dostatecznej różnorodności obserwacji wyrażony następującą nierównością: SNR inp = S max σ ν2 > X nT Pn ,n −1 X n σ ν2 >> 1 + Q 2 = 1 + SNR out , (5.35) gdzie SNR inp jest stosunkiem sygnał-szum na wejściu układu obserwacji uśrednionym względem rozkładu a priori parametrów θ n , to wykorzystując zależności (5.13) i (5.17) otrzymujemy następujące postaci rekursji (5.32)-(5.34): det Pn = (1 + Q 2 ) −1 det[ ρPn −1 ρ T + Σ η + Σ nβ−1 ] , (5.36) X nT Ln ,n −1 X n det S n −1 , det S n = (1 + Q 2 ) −1 1 + Q 2 T X n Pn ,n −1 X n (5.37) X nT Ln ,n −1 X n 2 det Ln = 1 + Q X nT Pn ,n −1 X n −1 det( ρLn −1 ρ T + Σ η ) . (5.38) Jeśli ponadto elementy macierzy Σ η i Σ nβ−1 nie są zbyt duże w porównaniu z elementami macierzy ρPn −1 ρ T , to wyznacznik macierzy kowariancji błędów estymacji det Pn maleje wykładniczo ze wzrostem n w początkowym przedziale obserwacji. Zatem szybkość zbieżności algorytmu filtracji (5.10)-(5.22) jest wówczas wykładnicza. Analogicznie jak w przypadku podstawowego algorytmu estymacji parametrów, optymalnego dla sygnałów stacjonarnych, wykładnicza szybkość zbieżności algorytmu filtracji przechodzi stopniowo w hiperboliczną w okolicach chwili n1 . Wówczas sterowanie czułością układu obserwacji nie wpływa już na poprawę dokładności estymacji i może być zaniechane. 66 Filtracja sygnałów niestacjonarnych Dla uproszczonej wersji algorytmu (5.24)-(5.27), w przypadku znanego wektora β w modelu (5.2), zależności (5.36)-(5.38) ograniczają się tylko do jednej rekursji: det Pn = (1 + Q 2 ) −1 det( ρPn −1 ρ T + Σ η ) = (1 + Q 2 ) −1 det ρ 2 det Pn −1 + O[ tr( Σ η Pn−−11 )] (5.39) Jeśli w początkowym okresie obserwacji rozproszenie wektora θ n jest na tyle duże, że spełniona jest nierówność ρPn −1 ρ T >> Σ η , wyznacznik (5.39) można zapisać w postaci: 1 + Q2 det Pn = det ρ 2 −n det P0 + O[ tr( Σ η Pn−−11 )] . (5.40) Zależność (5.40) jednoznacznie dowodzi wykładniczej szybkości zbieżności algorytmu występującej przy przyjętych wyżej założeniach. W celu oceny jakości filtracji omawianych algorytmów rozpatrzymy zachowanie błędu średniokwadratowego Rn = E[( yn − yˆ n ) 2 | ~ y1n ] estymat y$ n = θ$nT X n sygnału {y n } . Korzystając z oznaczenia (5.5) i określenia modelu (5.1), nietrudno pokazać, że błąd Rn ma postać: Rn = E[[ν n + (θ n − θˆn )T X n ]2 | ~ y1n ] = σ ν2 + X nT Pn X n . (5.41) Uwzględniając rekursję (5.11) dla macierzy kowariancji Pn i biorąc pod uwagę, że Q 2 = ( D ασ ξ ) 2 , w przypadku adaptacyjnego sterowania czułością układu obserwacji błąd średniokwadratowy Rn w chwili n przyjmuje następującą wartość: 2 −1 Rn = σ ν + (1 + Q ) 2 (1 + Q 2 )σ ν2 + X nT Pn , n −1 X n σ ν2 + X nT Pn, n −1 X n X nT Pn, n −1 X n . (5.42) Postępując podobnie dla algorytmu ze stałą czułością układu obserwacji, otrzymujemy: Rn( 0) = σ ν2 + σ ξ2 + C02σ ν2 X nT Pn, n −1 X n . 2 2 2 T σ ξ + C0 (σ ν + X n Pn , n −1 X n ) (5.43) Porównując zależności (5.42) i (5.43) przy założeniu, że spełniona jest nierówność (5.35), można stwierdzić, że w początkowym okresie pracy algorytmu wartości błędu średniokwadratowego Rn filtracji dla algorytmu z adaptacyjnie sterowaną czułością układu obserwacji są około (C0 / Cn ) 2 mniejsze niż wartości błędu średniokwadratowego Rn( 0) dla algorytmu ze stałą czułością. Przedstawione wyniki rozważań teoretycznych pokazują, że wszystkie podstawowe właściwości algorytmów estymacji parametrów sygnałów stacjonarnych są zachowane także w przypadku filtracji i estymacji parametrów sygnałów niestacjonarnych. Najbardziej istotnym jest fakt, iż algorytm (5.10)-(5.22) zachowuje wykładniczą szybkość zbieżności w początkowym 67 Filtracja sygnałów niestacjonarnych okresie pracy charakterystyczną dla algorytmów wywodzących się z koncepcji adaptacyjnej dopasowanej obserwacji. Podkreślmy, że jest to jedyny znany dotąd rekursywny algorytm filtracji, przy pomocy którego jest możliwe osiągnięcie wykładniczej szybkości zbieżności estymat. Poniżej zostaną przedstawione rezultaty badań symulacyjnych algorytmu (5.10)-(5.22) z adaptacyjnie sterowaną czułością oraz algorytmu (5.10)-(5.21), (5.23) ze stałą czułością układu obserwacji. Eksperyment 5.1 Eksperymenty symulacyjne przeprowadzono dla sygnału: yn = θ n + ν n , (5.45) w którym parametr θ n zmienia się w sposób losowy, a jego zmiany są opisane procesem Markowa określonym równaniem: θ n = ρθ n −1 + β (n − 1) + ηn −1 , (5.46) gdzie ρ jest znanym współczynnikiem korelacji, β - losowym współczynnikiem dryftu parametru θ n , ηn - szumem białym gaussowskim o zerowej wartości średniej i wariancji Σ η : p (ηn ) = N[ηn − 0 , Σ η ] . We wszystkich eksperymentach przyjęto następujące wartości parametrów: wartość początkowa procesu (5.46): θ 0 = 1 ; wariancja szumu zewnętrznego: σν2 = 10−2 ; współczynnik korelacji: ρ = 0,75 ; wariancja szumu ηn : Σ η = 10−2 ; parametry układu obserwacji: D = 0,5 ; σ ξ2 = 10 −4 ; α = 7 ( µ = 10 −12 ) oraz warunki początkowe: θ 0∗ = 0 ; P0 = L0 = σ θ2 ; σθ2 = 25 ; β 0 = 0 ; S0 = σ β2 ; σ β2 = 0,01 ; V0 = U 0 = 0 . Wszystkie symulacje przeprowadzono dla tych samych realizacji sygnału {yn } stosując najpierw optymalny algorytm filtracji (5.10)-(5.22) z adaptacyjnie sterowaną czułością układu obserwacji, a następnie optymalny algorytm filtracji (5.10)-(5.21), (5.23) ze stałą czułością układu obserwacji. W celu porównania przedstawiono także wyniki symulacji przeprowadzonych dla tych samych realizacji sygnału {yn } przy zastosowaniu optymalnych algorytmów estymacji parametrów sygnałów stacjonarnych (2.7)(2.11) oraz (2.7)-(2-10), (2,19). Na rysunkach 5.2-5.5 przedstawiono przykładowe trajektorie estymat parametru θn obliczanych za pomocą różnych algorytmów. Przyjęto następujące wartości parametrów: θ 0 = 1 , β = 0,01 . 68 Filtracja sygnałów niestacjonarnych Rys. 5.2. Trajektorie estymat parametru θn obliczanych za pomocą podstawowego algorytmu ze stałą czułością układu obserwacji (linia różowa); linią czarną zaznaczono prawdziwą trajektorię parametru θn Rys. 5.3. Trajektorie estymat parametru θn obliczanych za pomocą podstawowego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia czerwona); linią czarną zaznaczono prawdziwą trajektorię parametru θn Trajektorie estymat parametru θ n przedstawione na rysunkach 5.2 i 5.3 pokazują, że obie wersje algorytmu podstawowego nie potrafią śledzić złożonych zmian parametrów opisanych modelem (5.2). Trajektorie te znacznie różnią się od prawdziwych wartości, a różnica ta zwiększa się wraz ze wzrostem czasu obserwacji. Na kolejnych rysunkach przedstawiono wyniki uzyskane dla optymalnych algorytmów filtracji sygnałów niestacjonarnych, tj. algorytmu (5.10)-(5.21), (5.23) ze stałą czułością (rys. 5.4) oraz algorytmu (5.10)-(5.22) z adaptacyjnie sterowaną czułością układu obserwacji (rys. 5.5). 69 Filtracja sygnałów niestacjonarnych Rys. 5.4. Trajektorie estymat parametru θn obliczanych za pomocą algorytmu filtracji ze stałą czułością układu obserwacji (linia jasnoniebieska); linią czarną zaznaczono prawdziwą trajektorię parametru θn Rys. 5.5. Trajektorie estymat parametru θn obliczanych za pomocą algorytmu filtracji z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska); linią czarną zaznaczono prawdziwą trajektorię parametru θn Jak widać, estymaty θ$n obliczone zarówno przy zastosowaniu algorytmu filtracji z adaptacyjnie sterowaną czułością układu obserwacji, jak i algorytmu filtracji ze stałą czułością śledzą prawidłowo zmiany prawdziwych wartości parametru θn . Jednak w przypadku algorytmu z adaptacyjnie sterowaną czułością dokładność estymacji jest wyraźnie większa, szczególnie w początkowym okresie pracy. Na rysunku 5.5 wartości estymat θ$n obliczanych za pomocą algorytmu z adaptacyjnie sterowaną czułością śledzą dokładnie zmiany prawdziwych wartości parametrów θn już od trzeciej próbki, podczas gdy na rysunku 70 Filtracja sygnałów niestacjonarnych 5.4 wartości estymat θ$n obliczanych za pomocą algorytmu ze stałą czułością osiągają podobną dokładność dopiero dla 45 próbki. Na rysunku 5.6 przedstawiono dodatkowo trajektorie estymat β$n prędkości narastania dryftu występującego w modelu (5.46) zmian parametru θn obliczane w tym samym eksperymencie. Rys. 5.6. Trajektorie estymat prędkości narastania β dryftu obliczanych za pomocą algorytmu filtracji ze stałą czułością (linia jasnoniebieska) oraz algorytmu filtracji z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska); linią czarną zaznaczono prawdziwą wartość parametru β = 0,01 Rezultaty przedstawione na rysunku 5.6 świadczą o tym, że optymalny algorytm z adaptacyjnie sterowaną czułością potrafi dokładniej wyestymować wartość parametru β w porównaniu z algorytmem ze stałą czułością układu obserwacji. Polepszenie jakości estymacji parametru θn w wyniku zastosowania algorytmów filtracji sygnałów niestacjonarnych widać także dokładnie na rysunkach 5.7 i 5.8, na których przedstawiono uśrednione po zbiorze K = 200 realizacji sygnału {yn } trajektorie empirycznych błędów średniokwadratowych estymacji (EMSE) parametru θ n określonych wzorem (3.2). W przypadku obliczeń EMSE w poszczególnych realizacjach sygnału {yn } generowano losowo różne wartości parametrów θ 0 i β , przy czym przyjęto, że rozkłady zmiennych losowych θ 0 i β są gaussowskie i mają postać: p(θ 0 ) = N[θ 0 - θ 0∗ , σ θ2 ] , p( β ) = N[ β - β 0 ,σ β2 ] . Trajektorie przedstawione na rysunku 5.7 otrzymano dla podstawowych algorytmów estymacji parametrów, optymalnych przy założeniu sygnałów stacjonarnych. Natomiast trajektorie przedstawione na rysunku 5.8 otrzymano dla optymalnych algorytmów filtracji sygnałów niestacjonarnych. 71 Filtracja sygnałów niestacjonarnych Rys. 5.7. Trajektorie EMSE estymacji parametru θ n otrzymane w przypadku zastosowania podstawowego algorytmu ze stałą czułością (linia różowa) oraz podstawowego algorytmu z adaptacyjnie sterowaną czułością układu obserwacji (linia czerwona) Rys. 5.8. Trajektorie EMSE estymacji parametru θ n otrzymane w przypadku zastosowania algorytmu filtracji ze stałą czułością (linia jasnoniebieska) oraz algorytmu filtracji z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska) Trajektorie EMSE estymacji parametru θn przedstawione na rysunku 5.7 potwierdzają, że podstawowe algorytmy estymacji parametrów, optymalne przy założeniu sygnałów stacjonarnych, nie są przystosowane do pracy z sygnałami niestacjonarnymi opisanymi modelami (5.1) i (5.2). Trajektorie EMSE zamieszczone na rysunku 5.8 dowodzą prawidłowego działania algorytmów filtracji sygnałów niestacjonarnych w omawianym przypadku. Na rysunku tym widać wyraźną przewagę dokładności estymacji w przypadku zastosowania algorytmu filtracji z adaptacyjnie sterowaną czułością w porównaniu z dokładnością estymacji uzyskiwaną za pomocą algorytmu filtracji ze stałą czułością. Empiryczny błąd 72 Filtracja sygnałów niestacjonarnych średniokwadratowy estymacji parametru θn już od chwili n = 2 jest znacznie mniejszy dla algorytmu filtracji z adaptacyjnie sterowaną czułością w porównaniu z empirycznym błędem wyznaczonym dla algorytmu filtracji ze stałą czułością. Wyniki te potwierdzają w pełni rezultaty przedstawionej wcześniej analizy teoretycznej. Na rysunku 5.9 przedstawiono uśrednione po tym samym zbiorze K = 200 realizacji sygnału {yn } trajektorie EMSE estymacji parametru β . Potwierdzają one szybszą zbieżność estymat parametru β w przypadku zastosowania algorytmu filtracji z adaptacyjnie sterowaną czułością układu obserwacji. Na rysunku tym wartości EMSE estymacji parametru β dla algorytmu z adaptacyjnie sterowaną czułością są od około 5 próbki blisko dwa razy mniejsze od wartości EMSE otrzymanych dla algorytmu ze stałą czułością. Należy podkreślić, że dokładniejsza estymacja parametru β umożliwia dokładniejszą estymację parametrów θn . Rys. 5.9. Trajektorie EMSE estymacji prędkości narastania β dryftu otrzymane w przypadku zastosowania algorytmu filtracji ze stałą czułością (linia jasnoniebieska) oraz algorytmu filtracji z adaptacyjnie sterowaną czułością układu obserwacji (linia niebieska) Podsumowując wyniki analizy teoretycznej oraz przedstawione wyniki badań symulacyjnych algorytmów filtracji sygnałów niestacjonarnych należy stwierdzić, że algorytm filtracji sygnałów z adaptacyjnie sterowaną czułością układu obserwacji (5.10)(5.22) jest efektywnym narzędziem filtracji i estymacji parametrów sygnałów niestacjonarnych, których zmiany można opisać modelem (5.2). Optymalny algorytm filtracji z adaptacyjnie sterowaną czułością układu obserwacji zachowuje podstawową cechę świadczącą o atrakcyjności algorytmów opartych na koncepcji adaptacyjnej dopasowanej obserwacji, tj. początkową wykładniczą szybkość zbieżności estymat parametrów. Decyduje to o jego przewadze nad klasycznymi optymalnymi algorytmami, w których czułość układu obserwacji jest stała. 73 Filtracja sygnałów niestacjonarnych Przypomnijmy na zakończenie, że podobnie jak w przypadku innych algorytmów wywodzących się z koncepcji adaptacyjnej dopasowanej obserwacji, algorytmy filtracji sygnałów niestacjonarnych dają jednocześnie najlepsze estymaty zarówno parametrów sygnałów użytecznych, jak i zakłóceń, w zależności od interpretacji poszczególnych składowych wektora parametrów θn . Umożliwia to rozwiązanie wielu zagadnień praktycznych. Przykłady zastosowania algorytmów filtracji w zagadnieniach przetwarzania niestacjonarnych sygnałów pomiarowych będą przedstawione w rozdziale 6. 74 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych 6. Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych Podstawowym założeniem, wyróżniającym koncepcję adaptacyjnej dopasowanej obserwacji, jest przyjęcie nieliniowego modelu układu obserwacji sygnału. W większości publikacji poświęconych problemom cyfrowego przetwarzania sygnałów, automatycznego sterowania czy metrologii przyjmuje się założenie o liniowym sposobie obserwacji sygnału. Założenie to umożliwia wprawdzie uzyskanie prostych zależności analitycznych i opracowanie optymalnych algorytmów przetwarzania sygnałów, jednak bardzo często nie znajduje uzasadnienia w praktyce, szczególnie w metrologii. Nie uwzględnia bowiem ograniczoności liniowego zakresu sygnału na wyjściu czujnika pomiarowego, poza którym sygnał jest zniekształcany nieliniowo bądź ograniczany. W odróżnieniu od problemów przetwarzania sygnałów, gdzie powszechnie i z powodzeniem są stosowane liniowe modele układów obserwacji (odbiorników), w zagadnieniach metrologicznych układy obserwacji (czujniki) znacznie częściej pracują w warunkach, w których ograniczoność ich liniowego zakresu jest istotnym źródłem błędów. Stosowane obecnie powszechnie modele układów pomiarowych stają się niedostateczne wobec nowych wymagań stawianych przed współczesną metrologią. Coraz częściej metrolodzy dochodzą do przekonania, że efektywność pracy systemów pomiarowych zależy od trafności wyboru odpowiednich modeli: sygnału pomiarowego i zakłóceń, a także modelu samego systemu pomiarowego, przyjętych na etapie analizy teoretycznej poprzedzającej fazę projektowania systemu [113-122]. Stwierdzają także, że na efektywność systemów pomiarowych istotny wpływ ma rodzaj procedur estymacji parametrów sygnałów i zakłóceń stosowanych do przetwarzania informacji pomiarowej. Koncepcja adaptacyjnej dopasowanej obserwacji wychodzi naprzeciw tym tendencjom, wprowadza bowiem wygodny do analizy i bardziej adekwatny nieliniowy model układu obserwacji, którego rolę w zagadnieniach pomiarowych pełni czujnik. Model ten posiada szereg istotnych zalet, m.in. uwzględnia ograniczoność liniowego zakresu przetwarzania oraz szumy wewnętrzne czujnika, jak również umożliwia analizę jego pracy przy kompensacji analizowanego sygnału. Zasadniczą cechą tego modelu, decydującą o jego nowatorskim charakterze, jest jednak to, że dopuszcza on, aby parametry czujnika były w trakcie pomiaru dopasowywane adaptacyjnie do statystyk sygnału. Przy wyprowadzaniu optymalnych algorytmów przetwarzania danych pomiarowych i sterowania czujnikiem, wywodzących się z koncepcji adaptacyjnej dopasowanej obserwacji, 75 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych konieczna jest informacja o rozkładach a priori mierzonych wielkości i zakłóceń (por. punkt 2.2). Trudności związane z pozyskaniem tej informacji są przyczyną tego, że w praktyce na szeroką skalę wykorzystuje się metody niebayesowkie. Metody te dają jednak prawidłowe rezultaty tylko w przypadku, kiedy pomiar jest liniowy w całym zakresie dynamicznym sygnałów i nie określają warunków, przy których możliwe jest uzyskanie optymalnych algorytmów przetwarzania danych pomiarowych. W praktyce projektant systemu pomiarowego uwzględnia istniejące ograniczenia, możliwe zakłócenia, bądź inne warunki pomiaru, dobierając w sposób heurystyczny, mniej lub bardziej trafnie, odpowiednie czujniki czy inne elementy systemu. W ten sposób rekonstruuje on niejako brakującą informację a priori, co oznacza, że w gruncie rzeczy stosuje metodę bayesowską. Jednak dopiero metodyczne uwzględnienie informacji a priori umożliwia radykalne zwiększenie jakości systemów pomiarowych w ich przyszłych zastosowaniach [68]. W koncepcji adaptacyjnej dopasowanej obserwacji dokonuje się tego przez optymalne dopasowanie czujnika do warunków pomiaru. Koncepcja adaptacyjnej dopasowanej obserwacji ma szczególne znaczenie w przypadku przetwarzania niestacjonarnych sygnałów pomiarowych, ponieważ adaptacyjne dopasowywanie parametrów czujnika do sygnału pozwala uniknąć nieliniowego trybu przetwarzania sygnału. W przypadku klasycznego sterowania parametrami czujnika pojawiająca się niestacjonarność parametrów sygnału prowadzi z reguły do szybkiego nasycenia czujnika, a co za tym idzie braku możliwości dalszego prowadzenia pomiaru. W rozdziale tym zostaną przedstawione wybrane przykłady zastosowań omawianych w poprzednich rozdziałach algorytmów opartych na koncepcji adaptacyjnej dopasowanej obserwacji w praktycznych zagadnieniach przetwarzania niestacjonarnych sygnałów pomiarowych. 6.1. Pomiar parametrów sygnałów sinusoidalnych w obecności losowych dryftów ich amplitud Zastosowanie rozszerzonych algorytmów estymacji parametrów sygnałów niestacjonarnych opartych na koncepcji adaptacyjnej dopasowanej obserwacji i omówionych w punkcie 3.2 zostanie zilustrowane na przykładzie pomiaru nieznanych amplitud i faz sygnału sinusoidalnego, w którym w trakcie pomiaru występuje losowy dryft amplitud poszczególnych składowych. W wielu praktycznych zastosowaniach cyfrowego przetwarzania sygnałów (np. w radiolokacji, diagnostyce wibromechanicznej) sygnał użyteczny ma postać sinusoidy lub sumy sygnałów sinusoidalnych: 76 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych M yn = ∑ [ Am sin(2πf m n + ϕ m )] + ν n , m =1 (6.1) gdzie f m są znanymi unormowanymi częstotliwościami, Am - nieznanymi amplitudami, zaś ϕ m - nieznanymi fazami początkowymi poszczególnych składowych, m = 1, . . ., M . Sygnał (6.1) można zapisać w postaci sygnału regresyjnego (2.1), przedstawiając każdą ze składowych sinusoidalnych jako sumę składowej synfazowej i składowej kwadraturowej: yn = M ∑[θ ( m ,1) sin 2πf m n + θ ( m, 2) cos 2πf m n] + ν n = θ T X n + ν n , m =1 (6.2) gdzie X n = [sin 2πf1n, cos 2πf1n, . . ., sin 2πf M n, cos 2πf M n]T jest 2M-wymiarowym wektorem sygnałów deterministycznych, a θ = [θ (1,1) ,θ (1, 2) , . . .,θ ( M ,1) ,θ ( M , 2) ]T jest 2M-wymiarowym wektorem losowych parametrów, przy czym θ ( m ,1) = Am cos ϕ m oraz θ ( m , 2) = Am sin ϕ m . Przedstawienie sygnału (6.1) w postaci (6.2) stwarza możliwość bezpośredniego zastosowania algorytmów estymacji wywodzących się z koncepcji adaptacyjnej dopasowanej obserwacji do pomiaru amplitud Am i faz ϕ m sygnału (6.1). Przyjmujemy założenie, typowe dla rozważanego problemu [123], że parametry poszczególnych składowych sygnału (6.1) są statystycznie niezależne oraz że amplitudy mają rozkład Rayleigha p ( Am ) = Am / σ m2 exp(− Am2 / 2σ m2 ) , a rozkłady prawdopodobieństwa faz są równomierne w przedziale [−π ,π ) . Przyjęcie tego założenia zapewnia gaussowski rozkład a priori wektora estymowanych parametrów θ o zerowych wartościach średnich i diagonalnej macierzy kowariancji P0 = diag (σ 12 , σ 12 , . . ., σ M2 , σ M2 ) [124]. Pomiar nieznanych amplitud Am i faz ϕ m sprowadza się zatem do wyznaczenia estymat θ$n wektora parametrów θ , a następnie obliczenia estymat Âm i ϕ̂ m zgodnie ze wzorami: Aˆ m, n = (θˆn( m,1) ) 2 + (θˆn( m, 2 ) ) 2 , ϕˆ m, n = arctg(θˆn( m, 2) /θˆn( m,1) ) . (6.3) Sformułowane wyżej zagadnienie w przypadku stałych w czasie amplitud i faz było rozważane m.in. w [73]. W odróżnieniu od wyników tam przedstawionych w dalszej części niniejszego punktu będziemy rozpatrywać sygnał (6.1), w którym w trakcie pomiaru występuje losowy dryft amplitud poszczególnych składowych sinusoidalnych. Bez straty ogólności rozważań dalsza analiza będzie prowadzona dla przypadku jednej składowej sinusoidalnej. Analizowany sygnał w przypadku występowania losowego liniowego dryftu amplitudy ma wówczas postać: 77 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych yn = An sin(2πfn + ϕ ) + ν n = ( As + βn) sin( 2πfn + ϕ ) + ν n , (6.4) gdzie As i β są odpowiednio składową stałą i prędkością narastania liniowego dryftu amplitudy An . Sygnał (6.4) zapiszemy w postaci sygnału regresyjnego (2.1), przedstawiając składową sinusoidalną jako sumę składowej synfazowej i składowej kwadraturowej: yn = ( As + βn) cos ϕ sin( 2πfn) + ( As + βn) sin ϕ cos(2πfn) + ν n . (6.5) W celu wykorzystania do pomiaru parametrów An i ϕ optymalnych rozszerzonych algorytmów estymacji parametrów sygnałów niestacjonarnych, omówionych w punkcie 3.2, sygnał (6.5) sprowadzimy do rozszerzonego modelu regresyjnego (3.3): yn = θ T X n + ν n , (6.6) gdzie rozszerzone wektory parametrów i składowych deterministycznych mają postać: θ = [ As cos ϕ , As sin ϕ , β cos ϕ , β sin ϕ ]T , (6.7) X n = [sin( 2πfn), cos(2πfn), n ⋅ sin( 2πfn), n ⋅ cos(2πfn)]T . (6.8) Zagadnienie pomiaru amplitudy An i fazy ϕ niestacjonarnego sygnału (6.4) polega zatem na estymacji rozszerzonego wektora parametrów (6.7) za pomocą rozszerzonego algorytmu z adaptacyjnie sterowaną czułością czujnika (3.5)-(3.10), bądź algorytmu ze stałą ˆ czułością (3.5)-(3.9), (3.11), a następnie obliczeniu na podstawie estymat θ n estymat parametrów As , β i ϕ , a także estymat zmieniającej się w trakcie pomiaru amplitudy An . Eksperyment 6.1 W eksperymentach przyjęto następujące wartości parametrów: parametry składowej sinusoidalnej sygnału (6.4): As = 1 ; β = 0,02 ; ϕ = π / 4 ; f = 0,04 ; wariancja szumu zewnętrznego σν2 = 10−2 ; parametry czujnika: D = 0,5 ; σ ξ2 = 10 −4 ; α = 7 ( µ = 10 −12 ) oraz warunki początkowe: θ 0 = [0,0,0,0]T ; P0 = diag ( P0 , S0 ) ; P0 = diag (σ A2 ,σ A2 ) ; S0 = diag (σ β2 ,σ β2 ) ; σ A2 = 25 ; σ β2 = 0,01 . Wszystkie symulacje przeprowadzono dla tych samych realizacji sygnału {yn } , stosując najpierw optymalny rozszerzony algorytm estymacji (3.5)-(3.10) z adaptacyjnie sterowaną czułością czujnika (na rysunkach linie niebieskie), a następnie optymalny rozszerzony algorytm estymacji (3.5)-(3.9), (3.11) ze stałą czułością czujnika (linie jasnoniebieskie). W celu porównania przedstawiono także wyniki symulacji przeprowadzonych dla tych samych realizacji sygnału {yn } przy zastosowaniu algorytmów 78 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych podstawowych (2.7)-(2.11) z adaptacyjnie sterowaną czułością czujnika (linie czerwone) oraz (2.7)-(2-10), (2,19) ze stałą czułością czujnika (linie różowe). Na rysunku 6.1 pokazane są przykładowe trajektorie estymat amplitudy An sygnału (6.4) obliczanych za pomocą różnych algorytmów. Odpowiednie trajektorie estymat fazy ϕ pokazano na rysunku 6.2. a) b) Rys. 6.1. Trajektorie estymat amplitudy An obliczanych za pomocą algorytmów podstawowych (rys. a) i rozszerzonych (rys. b); liniami czarnymi zaznaczono prawdziwe wartości amplitudy An a) b) Rys. 6.2. Trajektorie estymat fazy ϕ obliczanych za pomocą algorytmów podstawowych (rys. a) i algorytmów rozszerzonych (rys. b); liniami czarnymi zaznaczono prawdziwą wartość fazy Jak wynika z rysunku 6.1a, zarówno podstawowy algorytm ze stałą czułością, jak i podstawowy algorytm z adaptacyjnie sterowaną czułością czujnika nie zapewniają prawidłowego śledzenia zmian amplitudy An sygnału (6.4), dając estymaty Ân obarczone dużym błędem. Natomiast trajektorie estymat Ân przedstawione na rysunku 6.1b, obliczane za pomocą rozszerzonego algorytmu z adaptacyjnie sterowaną czułością czujnika oraz 79 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych rozszerzonego algorytmu ze stałą czułością, świadczą o znacznie większej dokładności estymacji algorytmów rozszerzonych, przy czym estymaty Ân w przypadku algorytmu z adaptacyjnie sterowaną czułością czujnika znacznie szybciej (po około 20 próbkach) przyjmują z dużą dokładnością wartości bliskie prawdziwych wartości zmieniającej się w trakcie pomiaru amplitudy An . Z rysunku 6.2 wynika natomiast, że estymaty ϕ̂ n obliczane za pomocą wszystkich analizowanych algorytmów zbiegają się do prawdziwej wartości ϕ = π / 4 . Prawidłowe wyniki estymacji fazy uzyskane za pomocą podstawowych algorytmów estymacji (rys. 6.2a) należy tłumaczyć tym, że w przypadku występowania dryftu amplitudy An obie składowe synfazowa θˆn(1) = An cos ϕ i kwadraturowa θˆn( 2) = An sin ϕ rosną proporcjonalnie w trakcie pomiaru i tym samym estymaty ϕ̂ n obliczane zgodnie ze wzorem ϕˆ n = arctg(θˆn( 2) /θˆn(1) ) zostają wyznaczone prawidłowo. Stosunek θˆn( 2) /θˆn(1) = An sin ϕ / An cos ϕ nie zmienia się bowiem przy zmianach amplitudy An . W obu przypadkach, tj. algorytmów podstawowych i rozszerzonych widoczna jest znacznie szybsza zbieżność estymat obliczanych za pomocą algorytmów z adaptacyjnie sterowaną czułością czujnika (odpowiednio linia czerwona i niebieska). Przewagę rozszerzonego algorytmu (3.5)-(3.10) z adaptacyjnie sterowaną czułością czujnika nad rozszerzonym algorytmem (3.5)-(3.9), (3.11) ze stałą czułością czujnika potwierdza rysunek 6.3, na którym przedstawiono trajektorie estymat Aˆ s ,n składowej stałej As amplitudy An (rys. 6.3a) oraz estymat β̂ n prędkości β narastania dryftu amplitudy An (rys. 6.3b). a) b) Rys. 6.3. Trajektorie estymat składowej stałej amplitudy As (rys. a) oraz prędkości narastania β dryftu amplitudy (rys. b) obliczanych za pomocą rozszerzonych algorytmów estymacji; liniami czarnymi zaznaczono prawdziwe wartości parametrów 80 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych Dokładniejsza estymacja tych parametrów za pomocą rozszerzonego algorytmu z adaptacyjnie sterowaną czułością czujnika pozwala na dokładniejszą estymację zmiennej amplitudy An w porównaniu z algorytmem ze stałą czułością. Na rysunkach 6.4a-d przedstawiono realizację sygnału (6.4) (linie czarne), dla której uzyskano rezultaty zamieszczone na rysunkach 6.1-6.3, oraz odpowiadające jej wyniki filtracji, tj. estymacji bieżących wartości sygnału obliczane za pomocą podstawowych i rozszerzonych algorytmów estymacji. a) b) c) d) Rys. 6.4. Trajektorie estymat sygnału (6.4) obliczanych za pomocą algorytmów podstawowych (rys. a i b) i rozszerzonych (rys. c i d); liniami czarnymi zaznaczono rzeczywiste wartości sygnału (6.4) Jak widać, największą dokładność filtracji uzyskuje się za pomocą rozszerzonego algorytmu z adaptacyjnie sterowaną czułością czujnika (3.5)-(3.10) (rys. 6.4d). Analizę efektywności poszczególnych algorytmów przeprowadzono także na podstawie zachowania się trajektorii empirycznego błędu średniokwadratowego estymacji (EMSE) amplitudy An i fazy ϕ sygnału (6.4): 81 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych EMSE ( Aˆ n ) = ( ) 2 1 K ˆ (k ) An − An , ∑ K k =1 EMSE (ϕˆ n ) = ( ) 2 1 K (k ) ϕˆ n − ϕ . ∑ K k =1 (6.9) Na rysunku 6.5 przedstawiono uśrednione po zbiorze K = 200 realizacji sygnału trajektorie EMSE estymacji amplitudy An , zaś na rysunku 6.6 - fazy ϕ . Podobnie jak poprzednio, te same realizacje sygnału { yn } były przetwarzane za pomocą rozszerzonych algorytmów estymacji: z adaptacyjnie sterowaną czułością (3.5)-(3.10) oraz stałą czułością czujnika (3.5)-(3.9), (3.11) – rysunki 6.5b i 6.6b. Dla porównania, te same realizacje sygnału były przetwarzane przez oba podstawowe algorytmy estymacji - odpowiednio rysunki 6.5a i 6.6a. a) b) Rys. 6.5. Trajektorie EMSE estymacji amplitudy An otrzymane przy zastosowaniu algorytmów podstawowych (rys. a) oraz algorytmów rozszerzonych (rys. b) a) b) Rys. 6.6. Trajektorie EMSE estymacji fazy ϕ otrzymane przy zastosowaniu algorytmów podstawowych (rys. a) oraz algorytmów rozszerzonych (rys. b) Z wykresów tych wynika, że podstawowe algorytmy nie są w stanie śledzić prawidłowo zmian amplitudy An (rys. 6.5a). Natomiast obie rozszerzone wersje algorytmów prawidłowo 82 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych estymują amplitudę An (rys. 6.5b), przy czym w przypadku rozszerzonego algorytmu z adaptacyjnie sterowaną czułością czujnika szybkość zbieżności estymat Ân jest znacznie większa. I tak na przykład, od około 25 próbki błędy estymacji amplitudy An otrzymane przy zastosowaniu rozszerzonego algorytmu z adaptacyjnie sterowaną czułością czujnika (linia niebieska) są o około rząd mniejsze od błędów estymacji dla rozszerzonego algorytmu ze stałą czułością czujnika (linia jasnoniebieska). Również analiza zachowania trajektorii EMSE estymacji fazy ϕ (rys. 6.6), a także parametrów As i β potwierdza sformułowane wyżej wnioski. Trajektorie EMSE estymacji fazy wskazują, że szybkości zbieżności estymat ϕ̂ n dla podstawowych i rozszerzonych algorytmów estymacji są podobne. W przypadku zastosowania podstawowego algorytmu z adaptacyjnie sterowaną czułością czujnika (linia czerwona) pojawiają się zafalowania trajektorii EMSE typu sinusoidalnego. Zafalowanie te świadczą o powstawaniu błędów systematycznych estymacji fazy za pomocą tego algorytmu. Wszystkie przedstawione rezultaty badań symulacyjnych potwierdzają, że adaptacyjne sterowanie czułością czujnika w rozszerzonym algorytmie estymacji parametrów sygnałów niestacjonarnych umożliwia dokonanie pomiaru nieznanych zmieniających się w trakcie pomiaru amplitud i nieznanych stałych faz sygnałów sinusoidalnych, przy zadanym poziomie dokładności pomiaru, w znacznie krótszym czasie, niż w przypadku rozszerzonego algorytmu, w którym czułość czujnika jest stała. W przypadku obu wersji rozszerzonych algorytmów obecność dryftu amplitudy sygnału sinusoidalnego nie powoduje pojawienia się nieliniowych zniekształceń, czy destabilizacji pracy algorytmów. Mogą być one zatem efektywnie wykorzystane w praktycznych zagadnieniach pomiarowych w sytuacjach, gdy parametry sygnałów lub zakłóceń ulegają dryftom. Podobne eksperymenty symulacyjne przeprowadzono także dla większej ilości składowych sinusoidalnych w analizowanym sygnale. Otrzymane rezultaty prowadzą do identycznych wniosków. 6.2. Filtracja i estymacja parametrów stacjonarnych sygnałów sinusoidalnych w obecności silnych niestacjonarnych zakłóceń Zaproponowany w rozdziale 5 optymalny algorytm filtracji oparty na koncepcji adaptacyjnej dopasowanej obserwacji umożliwia pomiary parametrów sygnałów i zakłóceń, których zmiany są modelowane procesami Markowa. Również w tym przypadku w procesie pomiaru jest uwzględnione ograniczenie zakresu liniowego przetwarzania oraz wpływ szumu 83 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych wewnętrznego czujnika. Zastosowanie tego algorytmu zostanie w tym punkcie zilustrowane na przykładzie pomiaru nieznanych amplitud i faz sygnału sinusoidalnego w obecności niestacjonarnego silnego zakłócenia. Będziemy rozważać następujący sygnał: M yn = ∑ [ Am sin( 2πf m n + ϕ m )] + ζ n + ν n , n = 1,2,... , (6.10) m =1 gdzie f m są znanymi unormowanymi częstotliwościami, zaś Am i ϕ m są nieznanymi amplitudami i odpowiednio fazami początkowymi poszczególnych składowych, m = 1, . . ., M . Ciąg {ζ n } jest niestacjonarnym zakłóceniem opisanym procesem Markowa: ζ n = ρζ n −1 + β ( n − 1) + ηn −1 , (6.11) gdzie ρ jest znanym współczynnikiem korelacji, β - losowym nieznanym współczynnikiem dryftu, ηn - szumem białym gaussowskim o zerowej wartości średniej i wariancji σ η2 : p(ηn ) = N[ηn − 0 , σ η2 ] . Zakładamy, że dysponujemy pełną informacją o rozkładach a priori p(ζ 0 ) i p ( β ) oraz że rozkłady te są gaussowskie o wartościach średnich odpowiednio ζ 0∗ , β 0 i wariancjach σ ζ2 , σ β2 , tzn. p(ζ 0 ) = N[ζ 0 − ζ 0∗ ,σ ζ2 ] i p( β ) = N[ β − β 0 ,σ β2 ] . O szumie {v n } w modelu (6.10) zakładamy, że jest szumem białym gaussowskim o zerowej wartości średniej i wariancji σ ν2 , tj.: p(νn ) = N[νn − 0, σν2 ] . Sygnał (6.10), (6.11) można zapisać w postaci sygnału regresyjnego (5.1), przedstawiając każdą ze składowych sinusoidalnych jako sumę składowej synfazowej i składowej kwadraturowej: yn = M ∑[θ ( m ,1) sin 2πf m n + θ ( m, 2 ) cos 2πf m n] + ζ n + ν n = θ nT X n + ν n , m =1 gdzie X n = [sin 2πf1n, cos 2πf1n, . . ., sin 2πf M n, cos 2πf M n, 1]T jest (6.12) 2M+1-wymiarowym wektorem sygnałów deterministycznych, a θ n = [θ n(1,1) ,θ n(1, 2 ) , . . .,θ n( M ,1) ,θ n( M , 2) ,θ n2 M +1 ]T jest 2M+1-wymiarowym wektorem losowych parametrów, przy czym θ n( m ,1) = Am cos ϕ m , θ n( m , 2 ) = Am sin ϕ m dla m = 1, . . ., M oraz θ n( 2 M +1) = ρθ n( 2−1M +1) + β (n − 1) + ηn −1 = ζ n . Zmiany parametrów θ n sygnału (6.12) można przedstawić w postaci procesu Markowa (5.2): θ n = ρθ n −1 + βU n −1 + η n −1 , gdzie ρ = diag(1, . . .,1, ρ ) , β = [0, . . .,0, β ]T , Σ η = diag(0, . . .,0, σ η2 ) . 84 U n = [0, . . .,0, n]T , (6.13) η n = [0, . . .,0,ηn ]T , a Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych Podobnie jak w punkcie 6.1 przyjmujemy założenie, że parametry poszczególnych składowych sinusoidalnych sygnału (6.10) są statystycznie niezależne oraz że amplitudy mają rozkład Rayleigha p ( Am ) = Am / σ m2 exp(− Am2 / 2σ m2 ) , a rozkłady faz są równomierne w przedziale [−π , π ) . Przyjęcie tego założenia zapewnia gaussowski rozkład a priori wektora estymowanych parametrów θ n o zerowych wartościach średnich i diagonalnej macierzy kowariancji P0 = diag (σ 12 , σ 12 , . . ., σ M2 ,σ M2 ,σ ζ2 ) . Zagadnienie pomiaru nieznanych amplitud Am i faz ϕ m sygnału (6.10) w obecności niestacjonarnego zakłócenia (6.11) polega na wyznaczeniu optymalnych estymat θˆn wektora parametrów θ n , a następnie obliczeniu na podstawie estymat θˆn wartości estymat parametrów Am i ϕ m sygnału (6.10) zgodnie z wzorami (6.3). Do rozwiązania tego zagadnienia będziemy stosować algorytmy filtracji z adaptacyjnie sterowaną czułością (5.10)-(5.22) oraz stałą czułością czujnika (5.10)-(5.21), (5.23), omówione w rozdziale 5. Eksperyment 6.2 Eksperymenty symulacyjne przeprowadzono dla sygnału: yn = A sin( 2πfn + ϕ ) + ζ n + ν n , (6.14) gdzie {ζ n } jest niestacjonarnym zakłóceniem opisanym procesem Markowa (6.11). We wszystkich eksperymentach przyjęto następujące wartości parametrów: wariancja szumu zewnętrznego: σν2 = 10−2 ; parametry czujnika: D = 0,5 ; σ ξ2 = 10 −4 ; α = 7 ( µ = 10 −12 ); parametry składowej sinusoidalnej sygnału (6.14): A = 0,5 , ϕ = π / 6 , i f = 0,05 ; wartość początkowa zakłócenia (6.11): ζ 0 = 5 ; współczynnik korelacji ρ = 0,75 ; współczynnik dryfu: β = 0,01 ; wariancja szumu ηn : σ η2 = 5 ⋅10 −2 ; warunki początkowe algorytmu: θ 0∗ = [0,0,0]T ; P0 = L0 = diag(σ A2 , σ A2 , σ ζ2 ) ; σ A2 = 25 ; σ ζ2 = 25 ; β 0 = [0,0,0]T ; S0 = diag (0,0, σ β2 ) ; σ β2 = 0,01 ; V0 = U 0 = [0,0,0]T . Zasady przeprowadzenia eksperymentów były identyczne jak w punkcie 6.1. Na rysunku 6.7 przedstawiono przykładowe trajektorie estymat Ân amplitudy A sygnału (6.14) obliczanych za pomocą poszczególnych algorytmów. Odpowiednie trajektorie estymat fazy ϕ są pokazane na rysunku 6.8. 85 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych a) b) Rys. 6.7. Trajektorie estymat amplitudy A obliczanych za pomocą podstawowych algorytmów estymacji (rys. a) i algorytmów filtracji (rys. b); linie czarne oznaczają prawdziwą wartość amplitudy a) b) Rys. 6.8. Trajektorie estymat fazy ϕ obliczanych za pomocą podstawowych algorytmów estymacji (rys. a) i algorytmów filtracji (rys. b); linie czarne oznaczają prawdziwą wartość fazy Jak widać na rysunkach 6.7a i 6.8a, podstawowe wersje algorytmów nie zapewniają prawidłowych wyników estymacji. Prawidłowe rezultaty otrzymuje się natomiast, stosując algorytmy filtracji (rys. 6.7b i 6.8b). Zarówno w przypadku estymacji amplitudy A , jak i fazy ϕ widoczna jest znacznie szybsza zbieżność estymat obliczanych za pomocą algorytmu filtracji z adaptacyjnie sterowaną czułością czujnika (linie niebieskie) w porównaniu z algorytmem filtracji ze stałą czułością (linie jasnoniebieskie). O przewadze algorytmów filtracji, szczególnie algorytmu filtracji z adaptacyjnie sterowaną czułością czujnika, świadczą także wyniki filtracji sygnału, będącego sumą składowej sinusoidalnej i niestacjonarnego sygnału {ζ n } . W tym przypadku sygnał {ζ n } traktujemy jako część sygnału użytecznego. Na rysunkach 6.9a-d wykreślono realizację sygnału (6.14) (linie czarne), dla której przeprowadzono eksperymenty zilustrowane na rysunkach 6.7-6.8, oraz odpowiadające jej rezultaty filtracji uzyskane przy zastosowaniu 86 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych podstawowych algorytmów estymacji (rys. 6.9a i 6.9b) oraz algorytmów filtracji w obu wersjach: ze stałą czułością (rys. 6.9c) i z adaptacyjnie sterowaną czułością czujnika (rys. 6.9d). Przedstawiona na rysunku 6.9 przykładowa realizacja sygnału (6.14) ilustruje jak silna jest składowa niestacjonarna {ζ n } występująca w analizowanym sygnale. Przypomnijmy, że w tym eksperymencie amplituda składowej sinusoidalnej występującej w sygnale (6.14) A = 0,5 . a) b) c) d) Rys. 6.9. Trajektorie estymat wartości chwilowych sygnału (6.14) obliczanych za pomocą podstawowych algorytmów estymacji (rys. a i b) i algorytmów filtracji (rys. c i d); linie czarne – rzeczywiste wartości sygnału Analizując przedstawione na rysunku 6.9 wykresy trajektorii estymat sygnału (6.14), należy podkreślić bardzo dużą dokładność filtracji uzyskaną za pomocą algorytmu filtracji z adaptacyjnie sterowaną czułością czujnika. Realizacja sygnału oraz odpowiadająca jej realizacja po filtracji za pomocą tego algorytmu (rys. 6.9c) praktycznie pokrywają się już od trzeciej próbki. Dokładność i szybkość zbieżności estymat amplitudy A i fazy ϕ sygnału (6.14) oraz skuteczność filtracji sygnału (6.14) została także przeanalizowana na podstawie zachowania 87 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych trajektorii empirycznych błędów średniokwadratowych (EMSE) estymacji i filtracji. Na rysunku 6.10 przedstawiono uśrednione po zbiorze K = 500 realizacji sygnału trajektorie EMSE estymacji amplitudy A , a na rysunku 6.11 trajektorie EMSE estymacji fazy ϕ sygnału (6.14) określone wzorami (6.9). Podobnie jak poprzednio, te same realizacje sygnału (6.14) były przetwarzane za pomocą obu wersji algorytmu filtracji sygnałów niestacjonarnych, tj. wersji z adaptacyjnie sterowaną czułością (5.10)-(5.22) oraz stałą czułością czujnika (5.10)(5.21), (5.23) – rysunki 6.10b i 6.11b. Dla porównania te same realizacje sygnału były przetwarzane przez obie wersje algorytmu podstawowego – rysunki 6.10a i 6.11a. a) b) Rys. 6.10. Trajektorie EMSE estymacji amplitudy A za pomocą podstawowych algorytmów estymacji (rys. a) i algorytmów filtracji (rys. b) a) b) Rys. 6.11. Trajektorie EMSE estymacji fazy ϕ za pomocą podstawowych algorytmów estymacji (rys. a) i algorytmów filtracji (rys. b) Na rysunku 6.12 przedstawiono trajektorie (EMSE) filtracji sygnału (6.14): EMSE( yˆ n ) = 1 K ∑ ( yˆ K k =1 88 (k ) n − yn ) 2 . (6.15) Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych a) b) Rys. 6.12. Trajektorie EMSE filtracji sygnału (6.14) za pomocą podstawowych algorytmów estymacji (rys. a) i algorytmów filtracji (rys. b) Wyniki eksperymentów przedstawione na rysunkach 6.10a-6.12a potwierdzają, że zastosowanie podstawowych algorytmów estymacji, optymalnych dla sygnałów stacjonarnych, nie zapewnia poprawnego pomiaru amplitud i faz sygnałów sinusoidalnych występujących w obecności silnych niestacjonarnych zakłóceń (6.11) i prowadzi do pojawienia się dużych błędów. Z rysunków 6.10b-6.12b wynika natomiast, że efektywnym narzędziem, które może być wykorzystywane w takich sytuacjach w systemach pomiarowych, są algorytmy filtracji omówione w rozdziale 5. W szczególności wysoką jakością filtracji i estymacji charakteryzuje się algorytm filtracji z adaptacyjnie sterowaną czułością czujnika. 6.3. Pomiar parametrów sygnałów o złożonej strukturze składowych użytecznych i zakłóceń w przypadku dryftu punktu pracy czujnika oraz błędów zera jego charakterystyki W koncepcji adaptacyjnej dopasowanej obserwacji przyjmuje się, że analizowany sygnał {yn } jest obserwowany za pomocą układu obserwacji (czujnika) opisanego modelem o charakterystyce liniowej w ograniczonym zakresie obserwacji i z odcinkami nasycenia poza tym zakresem (rys. 2.1): Cn ( yn − Bn ) + ξ n , ~ yn = D sgn ( yn − Bn ) + ξ n , gdy yn − Bn ≤ D Cn , gdy yn − Bn > D Cn , (6.16) gdzie {Bn } jest sygnałem kompensującym. W niniejszym punkcie będziemy rozpatrywać sytuację, w której występują błędy zera charakterystyki czujnika i przyjmiemy następujący model czujnika (rys. 6.13): 89 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych C n ( y n − Bn − G n ) + ξ n , ~ yn = D sgn( y n − Bn − Gn ) + ξ n , gdy y n − Bn − Gn ≤ D C n , gdy y n − Bn − Gn > D C n , (6.17) gdzie ciąg {Gn } opisuje losowe błędy zera charakterystyki czujnika. E[ ~ yn | en ] D − D / Cn D / Cn Gn −D en en = yn − Bn Rys. 6.13. Charakterystyka układu obserwacji (czujnika) opisanego modelem (6.17) Będziemy zakładać, że oprócz losowego błędu ustawienia zera (ang. setting error) występuje losowy liniowy dryft zera charakterystyki czujnika. Przyjmujemy zatem następujący model błędów zera czujnika: Gn = G + γ (n − 1) , (6.18) gdzie G i γ są losowymi nieznanymi parametrami określającymi odpowiednio błąd ustawienia oraz prędkość narastania liniowego dryftu zera charakterystyki czujnika. Zakładamy, że znamy ich rozkłady a priori p (G ) i p (γ ) oraz że rozkłady te są gaussowskie o wartościach średnich p (G ) = N[G − G0 , σ G2 ] i odpowiednio G0 , γ0 i wariancjach σ G2 i σ γ2 , tzn. p(γ ) = N[γ − γ 0 ,σ γ2 ] . Niestacjonarność zera charakterystyki czujnika opisana modelem (6.18) może być uwzględniona w postaci dodatkowego zakłócenia w modelu regresyjnym analizowanego sygnału. Zakładamy, że analizowany sygnał ma postać: yn = θ nT X n + ν n , (6.19) gdzie θ n = [θ n(1) ,θ n( 2) , . . .,θ n( L ) ]T jest wektorem losowych zmiennych parametrów modelu, które są nieznanymi amplitudami deterministycznych sygnałów X n = [ X n(1) , X n( 2) , . . ., X n( L ) ]T . Szum {vn } jest określony jak w modelu (2.1). Zagadnienie polega na pomiarze (wyznaczeniu optymalnych estymat) parametrów θ n na podstawie obserwacji sygnału (6.19) za pomocą czujnika opisanego modelami (6.17) i 90 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych (6.18). Zagadnienie to sprowadza się do wyznaczenia optymalnych estymat rozszerzonego nieznanego wektora parametrów θ n = [θ nT ,−G ,−γ ]T przy założeniu, że sygnał yn = θ nT X n + ν n (6.20) jest obserwowany przez czujnik (6.16), w którym nie występują błędy zera charakterystyki. W modelu sygnału (6.20) wektor X n = [ X nT ,1, n − 1]T jest rozszerzonym wektorem składowych deterministycznych. Stosując powyższe rozszerzenie wektora parametrów sygnału (6.20) do rozwiązania zagadnienia estymacji parametrów sygnału (6.19) w przypadku występowania błędu ustawienia oraz dryftu zera charakterystyki czujnika, możemy wykorzystywać wszystkie algorytmy przetwarzania sygnałów oparte na koncepcji adaptacyjnej dopasowanej obserwacji omówione w poprzednich rozdziałach. Dodatkowo mamy możliwość wyestymowania błędu ustawienia zera charakterystyki czujnika G i parametru γ jego dryftu. Warunki początkowe algorytmów przybierają wówczas następującą postać θˆ0 = [θ 0T ,−G0 ,−γ 0 ]T , P0 = diag( P0 , σ G2 ,σ γ2 ) . W przypadku algorytmów filtracji opisanych w rozdziale 5, rozszerzeniu ulegają również pozostałe zmienne występujące w modelu zmian parametrów (5.2), tj.: ρ = diag ( ρ ,1,1) , β = [ β T ,0,0]T , U n = [U nT ,0,0]T , η = [η T ,0,0] T , Σ η = diag(Σ η ,0,0) . Eksperyment 6.3 Poniżej przedstawiono rezultaty badań symulacyjnych pomiaru losowego napięcia V (t ) występującego na kondensatorze w obwodzie RC pobudzanym sygnałem losowym. Równanie dla napięcia V (t ) ma postać: 1 dV (t ) =− V (t ) + η (t ) , dt RC (6.21) gdzie losowy sygnał η (t ) jest szumem gaussowskim o zerowej średniej i wariancji σ η2 . Zakładamy, że pomiar napięcia V (t ) jest przeprowadzany w obecności szumu gaussowskiego ν (t ) oraz sinusoidalnego zakłócenia A sin( 2πf 0t + ϕ ) o nieznanej amplitudzie A i fazie ϕ i znanej częstotliwości f 0 . Przyjmujemy założenie, że amplituda i faza sinusoidalnego zakłócenia są statystycznie niezależne oraz, że amplituda ma rozkład Rayleigha p( A) = A / σ A2 exp(− A2 / 2σ A2 ) , a rozkład prawdopodobieństwa fazy jest równomierny w przedziale [−π ,π ) (por. punkt 6.1). Analizowany sygnał ma zatem postać: 91 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych y (t ) = V (t ) + A sin( 2πf 0t + ϕ ) + ν (t ) . (6.22) Przyjmując, że TS jest okresem próbkowania sygnału oraz wykorzystując następujące oznaczenia: Vn = V (nTS ) , dV (t ) / dt = [V ((n + 1)TS ) − V ( nTS )] / TS = (Vn +1 − Vn ) / TS , ηn = η (nTS ) , równanie (6.21) można przedstawić w równoważnej dyskretnej postaci: Vn = [1 − (1 / f S RC )]Vn −1 + ηn −1 = ρVn −1 + ηn −1 , (6.23) gdzie f S = 1 / TS jest częstotliwością próbkowania, a ρ = 1 − (1 / f S RC ) . Zakładamy, że rozkład a priori mierzonego napięcia p (V0 ) jest gaussowski o wartości średniej V0∗ i wariancji σ V2 , tzn. p (V0 ) = N[V0 − V0∗ , σ V2 ] . Dyskretna postać analizowanego sygnału (6.22) jest następująca: yn = Vn + A sin( 2πfn + ϕ ) + ν n , (6.24) gdzie f = f 0 / f S jest unormowaną częstotliwością sinusoidalnego zakłócenia. Zakładamy, że sygnał (6.24) jest obserwowany za pomocą czujnika (6.17), w którym występują błąd ustawienia oraz dryft zera charakterystyki czujnika opisane modelem (6.18). Stosując opisaną wyżej metodę, obserwację sygnału (6.24) za pomocą czujnika (6.17) sprowadzamy do obserwacji sygnału yn = Vn + A sin( 2πfn + ϕ ) − G − γ ( n − 1) + ν n , (6.25) w którym uwzględniono błąd ustawienia oraz dryft zera charakterystyki, za pomocą czujnika (6.16), w którym nie występują błędy zera charakterystyki. Sygnał (6.25) można zapisać w postaci sygnału regresyjnego (6.20), przedstawiając składową sinusoidalną jako sumę składowej synfazowej i składowej kwadraturowej: yn = Vn + ( A cos ϕ ) sin 2πfn + ( A sin ϕ ) cos 2πfn − G − γ (n − 1) + ν n = θ nT X n + ν n , gdzie θ n = [Vn , A cos ϕ , A sin ϕ ,−G,−γ ]T i (6.26) X n = [1, sin 2πfn, cos 2πn,1, n − 1]T . Zgodnie z przyjętymi założeniami, rozkład a priori p(θ 0 ) wektora estymowanych parametrów θ n jest gaussowski o wartości średniej θ 0∗ = [V0∗ ,0,0,−G0 ,−γ 0 ]T i diagonalnej macierzy kowariancji P0 = diag(σ V2 , σ A2 , σ A2 , σ G2 , σ γ2 ) . Zmiany napięcia Vn opisane wzorem (6.23) można uwzględnić przedstawiając wektor parametrów θ n w postaci procesu Markowa: θ n = ρθ n −1 + η n −1 , (6.27) gdzie ρ = diag ( ρ,1,1,1,1) , η n = [ηn ,0,0,0,0]T , a Σ η = diag(σ η2 ,0,0,0,0) . W zagadnieniu pomiaru napięcia Vn , a także pomiaru parametrów zakłócenia sinusoidalnego jest zatem możliwe wykorzystanie algorytmów filtracji opisanych w rozdziale 5. 92 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych W eksperymentach przyjęto następujące wartości parametrów: wariancja szumu zewnętrznego: σν2 = 10−2 ; parametry czujnika: D = 0,5 ; σ ξ2 = 10 −4 ; α = 7 ( µ = 10 −12 ); parametry składowej sinusoidalnej sygnału (6.25): A = 1 , ϕ = π / 6 i f = 0,1 ; wartość początkowa mierzonego napięcia: V0 = 2 ; współczynnik korelacji ρ = 0,75 ; wariancja szumu ηn : σ η2 = 5 ⋅ 10−2 ; warunki początkowe algorytmu: θ 0∗ = [0,0,0,0,0]T ; P0 = diag(σ V2 , σ A2 ,σ A2 , σ G2 , σ γ2 ) ; σ V2 = 100 , σ A2 = 25 ; σ G2 = 1 ; σ γ2 = 10 −2 . Sposób organizacji eksperymentów jest identyczny jak w punktach 6.1 i 6.2. Na rysunku 6.14 przedstawiono przykładowe trajektorie estymat napięcia V n obliczanych za pomocą poszczególnych algorytmów dla G = 0,25 i γ = 0,01 . a) b) c) d) Rys. 6.14. Trajektorie estymat napięcia Vn obliczanych za pomocą podstawowych algorytmów estymacji (rys. a i b) i rozszerzonych algorytmów filtracji (rys. c i d); linie czarne – prawdziwe wartości napięcia Vn Z przedstawionych na rysunku 6.14 wykresów trajektorii estymat napięcia Vn wynika, że w rozpatrywanym przedziale obserwacji jedynie zastosowanie rozszerzonego algorytmu filtracji z adaptacyjnym sterowaniem czułością czujnika umożliwia już od około 30 próbki 93 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych prawidłowy pomiar napięcia Vn (rys. 6.14d). W przypadku zastosowania podstawowych algorytmów estymacji sygnałów stacjonarnych (rys. 6.14a i 6.14b), w których nie uwzględniono błędu ustawienia i dryftu zera charakterystyki czujnika, widać wyraźnie pojawienie się obciążenia związanego z błędami zera charakterystyki czujnika. Na rysunku 6.15 przedstawiono trajektorie estymat amplitudy A składowej sinusoidalnej (zakłócenia) uzyskane dla tej samej realizacji procesu (6.25). Odpowiednie trajektorie estymat fazy ϕ pokazano na rysunku 6.16. a) b) Rys. 6.15. Trajektorie estymat amplitudy A obliczanych za pomocą podstawowych algorytmów estymacji (rys. a) i rozszerzonych algorytmów filtracji (rys. b); linie czarne – prawdziwa wartość amplitudy a) b) Rys. 6.16. Trajektorie estymat fazy ϕ obliczanych za pomocą podstawowych algorytmów estymacji (rys. a) i rozszerzonych algorytmów filtracji (rys. b); linie czarne – prawdziwa wartość fazy Przedstawione na rysunkach 6.15 i 6.16 wyniki potwierdzają, że najlepszą jakość estymacji amplitudy A i fazy ϕ zapewnia rozszerzony algorytm filtracji z adaptacyjnym sterowaniem czułością czujnika (linie niebieskie). W celu uzupełnienia wyników, na rysunkach 6.17a i 6.17b przedstawiono trajektorie estymat parametrów θ 94 ( 4) = −G , θ ( 5) = −γ Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych procesu (6.25) obliczanych dla tej samej realizacji za pomocą rozszerzonych algorytmów filtracji w obu wersjach. Rysunki te jeszcze raz potwierdzają skuteczność rozszerzonego algorytmu filtracji z adaptacyjnie sterowaną czułością czujnika. a) b) Rys. 6.17. Trajektorie estymat parametrów θ ( 4) (rys. a) i θ (5) (rys. b) procesu (6.25) obliczanych za pomocą rozszerzonych algorytmów filtracji; liniami czarnymi zaznaczono prawdziwe wartości parametrów θ ( 4) (a) i θ (5) W drugiej części eksperymentów zbadano zachowanie trajektorii empirycznych błędów średniokwadratowych (EMSE) estymacji poszczególnych parametrów procesu (6.25): Vn , A , ϕ,θ ( 4) = −G , θ ( 5) = −γ . Trajektorie te uśredniano po zbiorze K = 500 realizacji i obliczano generując losowo w poszczególnych realizacjach procesu (6.25) różne wartości parametrów G i γ , przy czym przyjęto p (G ) = N[G − 0, σ G2 ] i p(γ ) = N[γ − 0, σ γ2 ] . Na rysunku 6.18 przedstawiono trajektorie EMSE mierzonego napięcia V n : EMSE (Vˆn ) = 1 K ∑ (Vˆ K (k ) n − Vn ) 2 . (6.28) k =1 Zarówno wykresy trajektorii EMSE estymacji napięcia V n , przedstawione na rysunku 6.18, jak i obliczone dodatkowo przebiegi trajektorii EMSE amplitudy A i fazy ϕ sinusoidalnego zakłócenia oraz parametrów θ ( 4) = −G , θ ( 5) = −γ , związanych z błędem ustawienia i dryftem zera charakterystyki czujnika, potwierdzają wnioski wynikające z analizy trajektorii estymat tych parametrów otrzymanych dla jednej przykładowej realizacji (rys. 6.15-6.17). W szczególności potwierdzają fakt, że największą dokładność estymacji parametrów uzyskuje się stosując rozszerzony algorytm filtracji z adaptacyjnym sterowaniem czułością czujnika. 95 Przykłady zastosowań algorytmów w przetwarzaniu niestacjonarnych sygnałów pomiarowych a) b) Rys. 6.18. Trajektorie EMSE estymacji napięcia Vn otrzymane przy zastosowaniu podstawowych algorytmów estymacji (rys. a) i rozszerzonych algorytmów filtracji (rys. b) Podsumowując otrzymane wyniki badań symulacyjnych w przypadku występowania błędów zera charakterystyki czujnika, należy stwierdzić, że zastosowanie podstawowych algorytmów estymacji sygnałów stacjonarnych prowadzi do powstania błędów grubych pomiaru poszczególnych parametrów sygnału. Prawidłowe wyniki pomiaru uzyskuje się za pomocą rozszerzonych algorytmów filtracji, przy czym zastosowanie rozszerzonego algorytmu filtracji z adaptacyjnie sterowaną czułością czujnika (linie niebieskie na rys. 6.146.18) umożliwia osiągnięcie wyraźnie lepszej dokładności i szybkości zbieżności estymat parametrów, niż w przypadku zastosowania rozszerzonego algorytmu filtracji ze stałą czułością czujnika (linie jasnoniebieskie). Ponadto przedstawiona w tym punkcie metoda umożliwia nie tylko dokładny pomiar parametrów sygnału, ale również jednoczesny pomiar błędu ustawienia i prędkości narastania liniowego dryftu zera charakterystyki czujnika. Można zatem stwierdzić, że omawiane algorytmy są efektywnym narzędziem estymacji złożonych niestacjonarnych sygnałów pomiarowych występujących na tle niestacjonarnych zakłóceń złożonych z różnorodnych składowych. Podkreślić należy również, że w wielu rzeczywistych sytuacjach pomiarowych występują wielkości, które mogą być opisane równaniami różniczkowymi analogicznymi do (6.21) [125]. Otrzymane w tym punkcie rezultaty świadczą, że do pomiaru tych wielkości mogą być wykorzystywane omówione w rozdziale 5 algorytmy filtracji (por. np. [98, 99]). 96 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych 7. Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych W rozdziale tym omówiono koncepcję uniwersalnego stanowiska przeznaczonego do fizycznych i symulacyjnych badań adaptacyjnych systemów pomiarowych. Przedstawiono jego praktyczną realizację oraz omówiono wyniki wstępnych badań laboratoryjnego modelu analogowej części szerokozakresowego adaptacyjnego woltomierza spełniającego - oprócz funkcji pomiarowych - rolę analizatora struktury sygnału użytecznego i zakłóceń. Zasadniczym celem przeprowadzonych prac było zaprojektowanie oraz fizyczna realizacja prostego modelu adaptacyjnego woltomierza umożliwiającego praktyczną weryfikację doświadczalną omówionych w pracy algorytmów. 7.1. Koncepcja i struktura stanowiska badawczego Omówione w pracy algorytmy przetwarzania sygnałów stwarzają możliwość konstruowania nowej klasy analogowo-cyfrowych adaptacyjnych systemów pomiarowych, pracujących w warunkach zmieniających się w trakcie obserwacji parametrów sygnałów oraz w obecności różnorodnych szumów i zakłóceń. W ramach badań teoretycznych uzyskano szereg nowych rezultatów, które stanowią podstawę do opracowanie konkretnych adaptacyjnych wersji systemów pomiarowych, charakteryzujących się znacznie szerszym zakresem pomiarowym, większą precyzją i większą szybkością pomiarów, niż systemy konwencjonalne. Systemy te posiadałyby nieosiągalne w systemach klasycznych możliwości szybkiego optymalnego dostrajania się do zmieniających się warunków pomiaru. Pozwalałyby również efektywnie wyróżniać składową użyteczną na tle silnych niestacjonarnych zakłóceń oraz korygować dryfty punktu pracy czujnika i błędy zera jego charakterystyki. Dotychczasowe badania, prowadzone w Instytucie Systemów Elektronicznych PW w zakresie problematyki poruszanej w pracy, były skoncentrowane na opracowaniu coraz efektywniejszych metod analitycznego projektowania i optymalizacji systemów pomiarowych, wykorzystujących algorytmy przetwarzania sygnałów oparte na koncepcji adaptacyjnej dopasowanej obserwacji. Uzyskiwane rezultaty weryfikowano za pomocą zaawansowanych eksperymentów symulacyjnych, w których z jednej strony wykorzystywano proponowane algorytmy, z drugiej zaś - matematyczne modele systemów pomiarowych. Dalszy rozwój badań nad zastosowaniami teorii spowodował w sposób naturalny rozpoczęcie cyklu prac nad stworzeniem stanowiska badawczego, które umożliwiałoby przeprowadzenie 97 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych różnorodnych doświadczeń, poczynając od wstępnych, czysto symulacyjnych, badań wirtualnych modeli systemów pomiarowych, poprzez badania ich rzeczywistych analogowych podzespołów, aż do analizy pracy całych laboratoryjnych prototypów systemów pomiarowych, wykorzystujących różnorodne algorytmy przetwarzania danych pomiarowych i sterowania parametrami systemu. W wyniku przeprowadzonych przez autora prac inżynieryjno-implementacyjnych powstało uniwersalne stanowisko badawcze, umożliwiające przeprowadzenie doświadczeń we wszystkich istotnych możliwych sytuacjach, występujących w różnego rodzaju zagadnieniach praktycznych, w tym także krytycznych, z punktu widzenia rozważań teoretycznych, dla pracy analizowanych systemów pomiarowych. Uniwersalne stanowisko zaprojektowano w taki sposób, aby rodzaj i parametry stosowanych algorytmów przetwarzania danych oraz parametry analogowych podzespołów systemów pomiarowych mogły być dobierane w zależności od rozważanego zagadnienia, przyjętego modelu sygnału użytecznego, jak również typu szumów i zakłóceń. Centralną częścią stanowiska jest komputer klasy PC wyposażony w karty przetworników analogowo-cyfrowych (A/C) i cyfrowo-analogowych (C/A) oraz pakiet specjalistycznych programów. Komputer wraz z odpowiednim oprogramowaniem jest wykorzystywany przede wszystkim do komputerowych symulacji pracy systemów pomiarowych. Badania symulacyjne stanowią ważny etap w projektowaniu systemów pomiarowych [122], umożliwiają bowiem określenie wielu właściwości systemu jeszcze przed jego zbudowaniem, m.in. przeanalizowanie wpływu poszczególnych parametrów systemu na dokładność pomiarów. Komputer wraz z kartami przetworników A/C i C/A może także spełniać rolę cyfrowej, przetwarzającej części systemu pomiarowego. Możliwe jest podłączenie do kart przetworników analogowej części systemu pomiarowego i stworzenie mieszanego analogowo-cyfrowego modelu systemu pomiarowego w celu przebadania zmian zachodzących przy zastąpieniu poszczególnych matematycznych modeli części analogowej ich rzeczywistymi prototypami. Zastąpienie matematycznych modeli analogowej części systemu układami rzeczywistymi powoduje konieczność dopasowania warunków ich pracy do pozostałej, cyfrowej części systemu, realizowanej za pomocą komputera z kartami przetworników. Wymaga to dopasowania części cyfrowej do sygnałów na wejściu i wyjściu części analogowej, m.in. zastosowania przetworników A/C i C/A z odpowiednio dobranymi zakresami, rozdzielczością i częstotliwościami próbkowania. Jeżeli sygnały na wejściu analogowej części systemu pomiarowego nie są elektryczne (np. w systemach z czujnikami opto- lub piezoelektrycznymi), 98 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych potrzebne są dodatkowo siłowniki (ang. actuators) do formowania odpowiednich oddziaływań na badany czujnik. Komputer wraz z kartą przetworników cyfrowo-analogowych może jednocześnie pełnić funkcję generatora złożonych rzeczywistych sygnałów, szumów lub zakłóceń. Na rysunku 7.1 pokazano schemat blokowy uniwersalnego stanowiska do fizycznych i symulacyjnych badań systemów pomiarowych wykorzystujących algorytmy oparte na koncepcji adaptacyjnej dopasowanej obserwacji. θtT X t Miernik uniwersalny ~ yt yt θtT X t Komputer yt yt Oscyloskop Analogowy generator sygnałów θtT X t Sumator νt Adaptacyjny układ pomiarowy yt ξt Analogowy generator szumów ~ yt Karta A/C Ct Karta C/A yt ξt ~ yn Bn , Cn Bt Karta C/A yn , ξ n Część generująca analizowany sygnał doświadczenia symulacyjno-fizyczne doświadczenia fizyczne (analogowe) Rys. 7.1. Schemat uniwersalnego stanowiska do fizycznych i symulacyjnych badań systemów pomiarowych Zarówno opracowane stanowisko pomiarowe, jak i pakiet oprogramowania są zorganizowane w sposób modułowy, pozwalający na modyfikację, uzupełnianie i rozszerzanie możliwości i zakresu przeprowadzanych doświadczeń. 7.2. Realizacja sprzętowa stanowiska badawczego Do realizacji uniwersalnego stanowiska badawczego użyto komercyjnych kart przetworników analogowo-cyfrowych i cyfrowo-analogowych firmy LATECH [126], współpracujących z komputerem. Karty przetworników wraz z oprogramowaniem napisanym w języku C, wykorzystującym standardowe sterowniki kart firmy LATECH [127] i pracującym w środowisku MATLAB w postaci tzw. MEX-plików [128, 129], umożliwiają podłączenie analogowych części badanych systemów pomiarowych. 99 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych Wykorzystując stanowisko badawcze, zaprojektowano i wykonano model adaptacyjnego szerokozakresowego woltomierza umożliwiającego, obok funkcji czysto pomiarowych, przeprowadzenie analizy struktury sygnału użytecznego występującego na tle różnorodnych złożonych zakłóceń i szumów. Woltomierz ten wykorzystuje algorytmy adaptacyjnego przetwarzania sygnałów i sterowania parametrami woltomierza oparte na koncepcji adaptacyjnej dopasowanej obserwacji. Opracowane stanowisko, po odpowiedniej modyfikacji, pozwala na przeprowadzenie badań systemów pomiarowych wykorzystujących różne rodzaje przetworników i czujników pomiarowych. Przyczyny, dla których zdecydowano się na wybór adaptacyjnego woltomierza, jako przykładu układu pomiarowego, były następujące: • praktyczne znaczenie układów pomiarowych tej klasy; • istnienie koncepcyjnie bliskich, ale heurystycznych rozwiązań, stosowanych w produkcji nowych typów woltomierzy o zwiększonych charakterystykach jakości (tzw. woltomierzy z wieloprzebiegową kompensacją; ang. residue conversion [130-132]); • adekwatność adaptacyjnego dopasowanego modelu układu obserwacji (2.4)-(2.5) do rzeczywistych układów woltomierzy, co pozwala mieć pewność, że zbudowany prototyp adaptacyjnego woltomierza będzie funkcjonował zgodnie z przewidywaniami teoretycznymi; • możliwość wykorzystania standardowej i najprostszej bazy laboratoryjnej do stworzenia fizycznego modelu adaptacyjnego woltomierza i odpowiedniego stanowiska badawczego; • łatwość wprowadzenia cyfrowego sterowania czułością i położeniem zera charakterystyki woltomierza. Model analogowej części adaptacyjnego woltomierza wykonano, stosując uniwersalny moduł LAD-EXT-KIT [133] dostosowany do prac z kartami przetworników firmy LATECH, na którym wykonano kompensacyjny układ wzmacniacza ze sterowanym wzmocnieniem oparty na sterowanym napięciowo wzmacniaczu operacyjnym VCA610 firmy Burr-Brown. W skład stanowiska badawczego wchodzą następujące elementy: • komputer PC wraz z oprogramowaniem, służącym do analizy pracy badanego systemu pomiarowego, realizujący również cyfrową część systemu pomiarowego; • karta przetworników analogowo-cyfrowych LTI16V07 firmy LATECH s.c. wyposażona w dwukanałowy przetwornik cyfrowo-analogowy, realizująca analogowo-cyfrowe przetwarzanie sygnału i umożliwiająca generację analogowych sygnałów: kompensacji oraz sterowania wzmocnieniem układu pomiarowego; 100 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych • karta przetworników analogowo-cyfrowych LTI16V03 firmy LATECH s.c. wyposażona w dwukanałowy przetwornik cyfrowo-analogowy, umożliwiająca generację złożonych, stacjonarnych i niestacjonarnych sygnałów, szumów i zakłóceń; • generator funkcyjny umożliwiający generację różnorodnych sygnałów i zakłóceń; • standardowy panel laboratoryjny Laboratorium Teorii Obwodów i Sygnałów ISE PW wyposażony w dwa generatory szumów [134] wykorzystywane do generacji analogowego szumu zewnętrznego, dodawanego do sygnału użytecznego, oraz dodatkowego analogowego szumu wewnętrznego analogowej części systemu pomiarowego; • oscyloskop oraz miernik uniwersalny, umożliwiające obserwację i pomiar parametrów sygnałów i zakłóceń; • moduł uniwersalny LAD-EXT-KIT, na którym zrealizowano model laboratoryjny analogowej części adaptacyjnego woltomierza wykorzystując wzmacniacz VCA610 firmy Burr-Brown ze wzmocnieniem sterowanym napięciem. Podstawowym elementem opracowanego modelu laboratoryjnego analogowej części adaptacyjnego woltomierza jest wzmacniacz operacyjny VCA610, umożliwiający napięciowe sterowanie wzmocnieniem (czułością) analogowej części woltomierza i pracujący w układzie przedstawionym na rysunku 7.2. ξt 10kΩ 1kΩ WO2 WE2 yt = θ T X t + ν t WE1 47kΩ ξt 47kΩ WY1 1kΩ WO1 et VCA610 Offset C/A2 Ct et + ξ t 1kΩ 47kΩ C/A1 − Bt WO3 Ct Ct et WY2 UC 10kΩ Rys. 7.2. Uproszczony schemat analogowej części laboratoryjnego modelu adaptacyjnego woltomierza z kompensacją sygnału wejściowego i adaptacyjnie sterowaną czułością Sygnał sterujący czułością analogowej części woltomierza jest podawany z komputera przez przetwornik cyfrowo-analogowy (C/A2) umieszczony na karcie przetworników. Wzmacniacz operacyjny WO1, pracujący w układzie sumatora, zapewnia odejmowanie 101 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych sygnału kompensacji, podawanego z komputera przez przetwornik C/A1, od analogowego sygnału wejściowego (WE1). Wzmacniacz operacyjny WO3, również spełniający funkcję sumatora, umożliwia dodanie losowego sygnału modelującego szum wewnętrzny (z wejścia WE2) analogowej części woltomierza do wyjścia (WY2) wzmacniacza VCA610. Sygnał sumaryczny, otrzymywany na wyjściu (WY1) wzmacniacza WO3, jest podawany na wejście przetwornika analogowo-cyfrowego, a następnie przetwarzany przez komputer, który po wykonaniu obliczeń podaje sygnał kompensacji oraz sygnał sterujący czułością układu na przetworniki C/A1 i C/A2. Wzmacniacz WO2 pełni rolę bufora dla szumu wewnętrznego. Wszystkie wzmacniacze operacyjne systemu zostały wyposażone w układy redukcji napięcia niezrównoważenia (offset), zgodnie z wymaganiami katalogowymi. Stanowisko pomiarowe jest wyposażone w uniwersalny pakiet procedur do symulacyjnych badań projektowanych systemów pomiarowych napisany w języku MATLAB w wersji 5.2 i przystosowany do pracy pod kontrolą systemu operacyjnego Windows95. W pakiecie zaimplementowano różnorodne algorytmy przetwarzania sygnałów pomiarowych i sterowania pomiarem, wywodzące się z koncepcji adaptacyjnej dopasowanej obserwacji, w tym algorytmy przetwarzania sygnałów niestacjonarnych omówione w niniejszej pracy. Pakiet zawiera również oprogramowanie sterujące pracą analogowych części projektowanych systemów przy wykorzystaniu kart przetworników A/C i C/A. Oprogramowanie współpracujące z kartami przetworników napisano w języku C, wykorzystując standardowe sterowniki kart przetworników firmy LATECH [127]. Oprogramowanie to pracuje w środowisku MATLAB w postaci tzw. MEX-plików [128, 129]. Dla potrzeb prowadzenia doświadczeń z analogowymi częściami systemów pomiarowych również same algorytmy przetwarzania danych pomiarowych zaimplementowano w postaci procedur języka C (MEX-plików). Umożliwia to przyspieszenie obliczeń i pracę w czasie rzeczywistym systemów analogowo-cyfrowych wykorzystujących komputer jako część cyfrową systemu pomiarowego. Pakiet zawiera również oprogramowanie do generacji złożonych analogowych sygnałów, szumów i zakłóceń za pomocą kart z przetwornikami C/A. 7.3. Badania prototypu szerokozakresowego adaptacyjnego woltomierza Podstawową cechą wyróżniającą opracowany prototyp szerokozakresowego adaptacyjnego woltomierza jest zastosowanie optymalnych algorytmów przetwarzania danych pomiarowych, umożliwiających adaptacyjne dostrajanie parametrów woltomierza do istniejących warunków pomiaru. Dostrajanie to zapewnia najlepszą (przy występujących szumach i zakłóceniach) kompensację analizowanego sygnału oraz optymalne sterowanie 102 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych wzmocnieniem analogowego toru pomiarowego w taki sposób, aby w każdej chwili napięcie na jego wyjściu osiągało maksymalne wartości, przy których nie występują jeszcze ograniczenia sygnału lub jego nieliniowe zniekształcenia. Wykorzystując opracowane stanowisko badawcze oraz model analogowej części adaptacyjnego woltomierza, przeprowadzono szereg doświadczeń mających na celu zbadanie efektywności stosowania tych algorytmów w rzeczywistych układach pomiarowych. Niektóre z rezultatów otrzymanych w przypadku podstawowego algorytmu estymacji sygnałów stacjonarnych (2.7)-(2.11) przedstawiono w pracy [102]. Działanie opracowanego stanowiska badawczego połączonego z modelem analogowej części adaptacyjnego woltomierza zbadano na przykładzie pomiaru losowego napięcia stałego oraz losowej amplitudy sygnału sinusoidalnego, przy czym w trakcie pomiaru występują losowe skoki zarówno stałego napięcia, jak i amplitudy składowej sinusoidalnej. W przykładzie tym zastosowano omawiany w punkcie 3.4 zmodyfikowany algorytm estymacji parametrów sygnałów niestacjonarnych. Przyjęto następujący model analizowanego sygnału: y n = Vn + An sin( 2πfn + ϕ ) + ν n = = [V s + ∆V 1(n − N V )] + [ As + ∆A1(n − N A )] sin( 2πfn + ϕ ) + ν n , (7.1) gdzie Vn jest sygnałem napięcia, którego stała wartość Vs zmienia się w chwili n = NV o wartość ∆V . Podobnie, początkowa wartość As amplitudy An składowej sinusoidalnej zmienia się w chwili n = N A o wartość ∆A . W sygnale (7.1) f jest znaną unormowaną częstotliwością składowej sinusoidalnej, zaś ϕ jej nieznaną fazą początkową. O szumie {v n } zakładamy, że jest szumem białym gaussowskim o zerowej wartości średniej i wariancji σ ν2 . Postępując podobnie jak w rozdziale 6, sygnał (7.1) zapiszemy w postaci modelu regresyjnego (2.1), przedstawiając składową sinusoidalną jako sumę składowej synfazowej i składowej kwadraturowej: yn = Vn + ( An cos ϕ ) sin 2πfn + ( An sin ϕ ) cos 2πfn + ν n = θ nT X n + ν n , (7.2) gdzie θ n = [Vn , An cos ϕ , An sin ϕ ]T i X n = [1, sin 2πfn, cos 2πfn]T . Wówczas wartości estymat amplitudy Ân i fazy ϕ̂ n mogą być obliczane na podstawie estymat θˆn wektora parametrów θ n zgodnie z wzorami (6.3). Podobnie jak w rozdziale 6, przyjmujemy, że amplituda i faza składowej sinusoidalnej są statystycznie niezależne oraz że amplituda ma rozkład a priori Rayleigha 103 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych p( A0 ) = A0 / σ A2 exp(− A02 / 2σ A2 ) , a rozkład prawdopodobieństwa fazy jest równomierny w przedziale [−π , π ) (por. punkt 6.1). Zakładamy również, że mierzone napięcie stałe ma gaussowski rozkład a priori p (V0 ) o wartości średniej V0∗ i wariancji σ V2 , tzn. p (V0 ) = N[V0 − V0∗ , σ V2 ] . Przy tych założeniach rozkład a priori wektora estymowanych parametrów θ n jest gaussowski o wartościach średnich θ 0 = [V0∗ ,0,0]T i diagonalnej macierzy kowariancji P0 = diag (σ V2 , σ A2 , σ A2 ) . W trakcie wykonywania eksperymentów przyjęto następujące wartości parametrów: częstotliwość próbkowania f S = 2 kHz ; parametry składowej stałej: Vs = 1 ; NV = 60 ; ∆V = 1 ; parametry składowej sinusoidalnej: As = 1 ; N A = 30 ; ∆A = 1 ; f 0 = 200 Hz ; wariancja szumu zewnętrznego σν2 = 10−2 ; parametry analogowej części woltomierza: D = 1,5 ; α = 5; σ ξ2 = 2 ⋅ 10−4 oraz warunki początkowe: θ 0 = [0,0,0]T ; P0 = diag (σ V2 , σ A2 , σ A2 ) ; σ V2 = 10 ; σ A2 = 10 . W pierwszej części eksperymentów wykorzystano model analogowej części woltomierza opisany w punkcie 7.2. W części cyfrowej woltomierza, której rolę pełnił komputer, zastosowano zmodyfikowany algorytm estymacji z adaptacyjnie sterowaną czułością woltomierza (3.18)-(3.22) oraz, w celu porównania, zmodyfikowany algorytm ze stałą czułością (3.18)-(3.21), (3.23). Eksperymenty przeprowadzono dla trzech wartości stałej zapominania: λ = 0,6 , λ = 0,8 i λ = 1 . W tym ostatnim przypadku oznacza to zastosowanie podstawowych algorytmów estymacji sygnałów stacjonarnych (2.7)-(2.11) oraz (2.7)-(2-10), (2,19). Wszystkie eksperymenty przeprowadzono dla tych samych realizacji sygnału yt i szumu wewnętrznego czujnika ξ t , generowanych przez kartę przetworników C/A i podawanych na wejścia układu wzmacniacza ze sterowanym wzmocnieniem (rys. 7.2). Na rysunku 7.3 przedstawiono przykładowe trajektorie estymat napięcia V n mierzonego za pomocą fizycznego modelu woltomierza, wykorzystującego zmodyfikowane algorytmy estymacji z poszczególnymi stałymi zapominania ( λ = 0,6 - linia zielona - woltomierz z adaptacyjnie sterowaną czułością, linia żółta - woltomierz ze stałą czułością i odpowiednio: λ = 0,8 - linia niebieska i linia jasnoniebieska oraz λ = 1 - linia czerwona i linia różowa; liniami czarnymi zaznaczono prawdziwe wartości napięcia V n ). Na rysunku 7.4 przedstawiono trajektorie estymat amplitudy An składowej sinusoidalnej uzyskane dla tej samej realizacji sygnału (7.1). 104 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych a) b) Rys. 7.3. Trajektorie estymat napięcia Vn mierzonego za pomocą fizycznego modelu woltomierza ze stałą czułością (rys. a) oraz woltomierza, którego czułość jest sterowana adaptacyjnie (rys. b); linie czarne prawdziwe wartości napięcia Vn a) b) Rys. 7.4. Trajektorie estymat amplitudy An mierzonej za pomocą fizycznego modelu woltomierza ze stałą czułością (rys. a) oraz woltomierza, którego czułość jest sterowana adaptacyjnie (rys. b); linie czarne prawdziwe wartości amplitudy An Przedstawione na rysunkach 7.3 i 7.4 wykresy trajektorii estymat parametrów potwierdzają jednoznacznie, że zastosowanie podstawowych algorytmów estymacji sygnałów stacjonarnych (linie czerwona i różowa) nie pozwala na efektywne śledzenie skokowych zmian parametrów sygnałów. Natomiast zastosowanie zmodyfikowanych algorytmów ze stałą zapominania zapewnia znacznie szybszą reakcję estymat na wystąpienie skoku parametru. Przedstawione wykresy trajektorii świadczą także o przewadze woltomierza, którego czułość jest sterowana adaptacyjnie (linie zielone i niebieskie na rys. 7.3b i 7.4b) nad woltomierzem ze stałą czułością (linie żółte i linie jasnoniebieskie na rys. 7.3a i 7.4a). Trajektorie otrzymane dla woltomierza ze stałą czułością charakteryzują się znacznie 105 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych mniejszą dokładnością estymacji w porównaniu z woltomierzem, w którym czułość jest sterowana adaptacyjnie. Podobnie jak w poprzednich rozdziałach, dokładność pomiaru parametrów sygnału za pomocą woltomierzy, wykorzystujących poszczególne algorytmy estymacji, analizowano również na podstawie przebiegu trajektorii EMSE estymacji parametrów. Na rysunkach 7.4 i 7.5 wykreślono uśrednione po zbiorze K = 200 realizacji sygnału trajektorie EMSE estymacji napięcia V n oraz amplitudy An mierzonych za pomocą fizycznego modelu woltomierza, które obliczano zgodnie ze wzorami (6.28) i (6.9). a) b) Rys. 7.5. Trajektorie EMSE estymacji napięcia Vn mierzonego za pomocą fizycznego modelu woltomierza ze stałą czułością (rys. a) oraz woltomierza, którego czułość jest sterowana adaptacyjnie (rys. b) a) b) Rys. 7.6. Trajektorie EMSE estymacji amplitudy An mierzonej za pomocą fizycznego modelu woltomierza ze stałą czułością (rys. a) oraz woltomierza, którego czułość jest sterowana adaptacyjnie (rys. b) Wykresy trajektorii EMSE estymacji poszczególnych parametrów, przedstawione na rysunkach 7.5 i 7.6, potwierdzają sformułowane wyżej wnioski. Z otrzymanych rezultatów wynika, że w analizowanych warunkach skokowych zmian wartości parametrów sygnału, 106 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych największą dokładność pomiaru i zarazem dużą szybkość reakcji na skokowe zmiany parametrów zapewnia zastosowanie w części cyfrowej woltomierza zmodyfikowanego algorytmu z adaptacyjnie sterowaną czułością, w którym λ = 0,8 (linie niebieskie). Celem drugiej części eksperymentów było porównanie wyników eksperymentów, uzyskanych dla fizycznego modelu woltomierza, z wynikami symulacji komputerowych, przeprowadzonych dla tych samych parametrów sygnałów, szumów i matematycznego modelu analogowej części woltomierza. Wyniki te są zbieżne zarówno pod względem jakościowym, jak i ilościowym. Na rysunku 7.7 przedstawiono uzyskane na drodze badań symulacyjnych trajektorie EMSE estymacji amplitudy An . Przebieg trajektorii EMSE z rysunku 7.7 jest niemal identyczny w porównaniu z trajektoriami uzyskanymi przy zastosowaniu laboratoryjnego modelu analogowej części woltomierza i przedstawionymi na rysunku 7.6. a) b) Rys. 7.7. Trajektorie EMSE estymacji amplitudy An otrzymane dla matematycznego modelu woltomierza ze stałą czułością (rys. a) oraz woltomierza, którego czułość jest sterowana adaptacyjnie (rys. b) uzyskane w wyniku symulacji komputerowych Przedstawione rezultaty badań rzeczywistego modelu analogowej części woltomierza potwierdziły tezę, że istnieją możliwości praktycznej realizacji systemów pomiaru parametrów sygnałów, których efektywność pracy może być zwiększona przez zastosowanie algorytmów opartych na koncepcji adaptacyjnej dopasowanej obserwacji. Systemy takie mogą być m.in. stosowane w sytuacjach, w których sygnał użyteczny lub jego zakłócenia są niestacjonarne. Otrzymane rezultaty pokazują także przewagę systemów pomiarowych, w których stosowane są czujniki z optymalnym adaptacyjnym dostrajaniem czułości oraz optymalną kompensacją sygnału, nad systemami ze stałą czułością czujnika. Należy podkreślić, że 107 Uniwersalne stanowisko do fizycznych i symulacyjnych badań systemów pomiarowych pozytywne efekty sterowania czułością są tym wyraźniejsze, im moc σ ξ2 szumu wewnętrznego czujnika jest większa. W praktyce do szumu wewnętrznego ξ n mogą być odniesione także szumy przetwornika A/C i całej analogowej części systemu pomiarowego. Oznacza to, że adaptacyjne sterowanie czułością stwarza możliwość konstrukcji precyzyjnych szerokozakresowych adaptacyjnych systemów pomiarowych, nawet przy zastosowaniu niskobitowych szybkich przetworników A/C. Wynikiem tego może być przyspieszenie pomiarów, bez straty ich dokładności. Należy jednak zwrócić uwagę, że jakość pracy omawianych systemów zależy w dużym stopniu od jakości przetworników C/A, które sterują parametrami systemu pomiarowego. Opracowana koncepcja adaptacyjnego woltomierza jest punktem wyjścia do dalszych badań nad metodami projektowania nowej klasy adaptacyjnych woltomierzy przeznaczonych do precyzyjnego szerokozakresowego pomiaru napięć w warunkach różnorodnych zakłóceń i szumów. Wskazuje ona również na możliwość poprawy efektywności istniejących wzorców woltomierzy z wieloprzebiegową kompensacją. Innym ważnym wnioskiem, wynikającym z otrzymanych rezultatów, jest jakościowa i ilościowa zgodność rezultatów doświadczalnych z przewidywaniami teoretycznymi oraz wynikami symulacji komputerowych. 108 Podsumowanie 8. Podsumowanie Głównym celem niniejszej rozprawy było zbadanie możliwości wykorzystania koncepcji adaptacyjnej dopasowanej obserwacji w wybranych zagadnieniach przetwarzania sygnałów niestacjonarnych. W rozprawie przedstawiono i przeanalizowano cztery typy nowych algorytmów przetwarzania sygnałów niestacjonarnych, które wykorzystują tę koncepcję: • rozszerzony algorytm estymacji parametrów sygnałów niestacjonarnych, w których występują dryfty parametrów; • zmodyfikowany algorytm estymacji parametrów sygnałów niestacjonarnych, w którym wprowadzono mechanizm zapominania; • algorytm jednoczesnej detekcji zmian parametrów typu dryftów i estymacji parametrów sygnałów; • algorytm filtracji i estymacji parametrów sygnałów niestacjonarnych typu Kalmana. Na podstawie analizy teoretycznej, symulacji komputerowych i badań doświadczalnych wykazano, że, dzięki wprowadzeniu optymalnego adaptacyjnego sterowania czułością układu obserwacji, zastosowanie proponowanych w pracy algorytmów przetwarzania sygnałów niestacjonarnych pozwala na szybszą i dokładniejszą estymację parametrów sygnałów w porównaniu z algorytmami klasycznymi ze stałą czułością układu obserwacji. Przedstawione w rozprawie wyniki badań autora prowadzą do następujących wniosków: • Podstawowy optymalny algorytm estymacji parametrów sygnałów stacjonarnych oparty na koncepcji adaptacyjnej dopasowanej obserwacji nie zapewnia poprawnej estymacji parametrów sygnałów niestacjonarnych, m.in. w przypadku występowania dryftów, skoków lub zmian parametrów sygnałów opisanych procesem Markowa. • Efektywnymi algorytmami, które zapewniają prawidłowe wyniki estymacji i które mogą być wykorzystywane w takich sytuacjach, są algorytmy proponowane w pracy. • Algorytmy estymacji parametrów i filtracji sygnałów niestacjonarnych, oparte na koncepcji adaptacyjnej dopasowanej obserwacji, zachowują najważniejsze zalety podstawowego algorytmu estymacji parametrów optymalnego w przypadku sygnałów stacjonarnych, m.in. zapewniają: - bardzo szybką (wykładniczą) początkową szybkość zbieżności estymat parametrów sygnału; - osiągnięcie efektywności estymacji (scharakteryzowanej przez dokładność i szybkość zbieżności estymat), która jest największa do uzyskania w danych warunkach; 109 Podsumowanie - rozszerzenie zakresu dynamicznego analizowanych sygnałów, w którym są one przetwarzane bez zniekształceń nieliniowych, przy zachowaniu dokładności estymacji; - prawie całkowite wyeliminowanie wpływu szumu wewnętrznego układu obserwacji na dokładność przetwarzania. • Zaproponowana procedura detekcji zmian parametrów sygnałów typu dryftów, wykorzystująca optymalne adaptacyjne sterowanie czułością układu obserwacji, jest znacznie bardziej efektywna w porównaniu z procedurami klasycznymi, w których czułość układu obserwacji jest stała. Poprawa efektywności jest konsekwencją przyspieszonej początkowej zbieżności estymat parametrów, umożliwiającej szybsze podjęcie decyzji o obecności lub braku zmian parametrów. Omówione w pracy algorytmy przetwarzania sygnałów niestacjonarnych mogą być wykorzystywane w wielu praktycznych problemach przetwarzania sygnałów niestacjonarnych, występujących w różnych dziedzinach nauki i techniki, m.in. umożliwiają opracowanie nowych systemów pomiarowych charakteryzujących się szerszym zakresem pomiarowym, większą precyzją i większą szybkością pomiarów niż systemy klasyczne. Proponowane algorytmy pozwalają na szybkie optymalne dostrajanie parametrów systemu pomiarowego do zmieniających się warunków pomiaru w przypadku sygnałów niestacjonarnych. Zastosowania praktyczne omawianych w pracy algorytmów zostały zilustrowane następującymi przykładami: • pomiaru parametrów sygnałów sinusoidalnych w obecności losowych dryftów ich amplitud; • filtracji i estymacji parametrów stacjonarnych sygnałów sinusoidalnych w obecności silnych niestacjonarnych zakłóceń; • pomiaru parametrów sygnałów o złożonej strukturze składowych użytecznych i zakłóceń w przypadku występowania dryftu punktu pracy czujnika oraz błędów zera jego charakterystyki; • pomiaru parametrów sygnałów w przypadku losowych skoków ich parametrów. Wyniki badań symulacyjnych przedstawione w pracy otrzymano wykorzystując opracowany przez autora pakiet programów, będący elementem uniwersalnego stanowiska do fizycznych i symulacyjnych badań systemów pomiarowych. Wszystkie analizowane w pracy algorytmy zaimplementowano w postaci procedur języka MATLAB w wersji 5.2, a w przypadku badań przeprowadzonych z wykorzystaniem laboratoryjnego modelu analogowej części adaptacyjnego woltomierza, w postaci procedur języka C, pracujących w środowisku 110 Podsumowanie MATLAB w postaci tzw. MEX-plików. Przeprowadzone badania symulacyjne umożliwiły analizę pracy proponowanych algorytmów przetwarzania sygnałów niestacjonarnych w różnorodnych sytuacjach pomiarowych. Rezultaty badań symulacyjnych w pełni potwierdziły wysoką efektywność proponowanych w pracy algorytmów. Zaprojektowane i wykonane przez autora uniwersalne stanowisko badawcze do analizy pracy systemów pomiarowych posłużyło do doświadczalnej weryfikacji proponowanych w pracy algorytmów. Wykorzystując to stanowisko, wykonano i przebadano prosty laboratoryjny model woltomierza spełniającego – oprócz funkcji pomiarowych – rolę analizatora struktury sygnału użytecznego i zakłóceń. Uzyskane rezultaty doświadczalne są zbieżne pod względem jakościowym i ilościowym z przewidywaniami teoretycznymi i wcześniej przeprowadzanymi symulacjami komputerowymi. Świadczy to o celowości prowadzenia dalszych intensywnych badań zarówno nad bardziej zaawansowanymi prototypami woltomierzy, jak i nad wykorzystaniem proponowanych algorytmów w systemach pomiarowych innych wielkości fizycznych. 111 Dodatki Dodatki Dodatek 1. Wyznaczenie rekursji (5.10) i (5.11) Korzystając z reguły Bayesa, FGP (5.5) możemy zapisać w postaci: p( ~ yn , ~ y1n −1 ,θn ) p( ~ yn | ~ y1n −1 ,θn ) p( ~ y1n −1 ,θn ) p( ~ yn | ~ y1n −1 ,θn ) n n −1 ~ ~ p(θn | y1 ) = = = p(θn | y1 ) p( ~ yn , ~ y1n −1 ) p( ~ yn | ~ y1n −1 ) p( ~ y1n −1 ) p( ~ yn | ~ y1n −1 ) (D.1-1) Przy przyjętych założeniach FGP p ( ~yn | ~y1n −1 ,θ n ) i p ( ~yn | ~y1n −1 ) , występujące w wyrażeniu (D.1-1), mają postać: p( ~ yn | ~ y1n −1 ,θ n ) = = ∞ ∞ −∞ −∞ ∞ ∞ −∞ −∞ ~ |~ y1n −1 ,θ n ,ν n , ξ n ) p(ν n , ξ n | ~ y1n −1 ,θ n ) dν n dξ n = n ∫ ... ∫ p( y ~ − C (θ T X − B ) − C ν − ξ ] p (ν ) p (ξ ) dν dξ = n n n n n n n n n n n n ∫ ... ∫ δ [ y (D.1-2) = N[ ~ yn − Cn (θ nT X n − Bn ),σ ξ2 + Cn2σ ν2 ] , p( ~ yn | ~ y1n −1 ) = ∞ ∞ n −1 ~ |~ ,θ n ) p (θ n | ~ y1n −1 ) dθ n = n y1 ∫ ... ∫ p( y −∞, −∞ ∞ = ∞ n −1 ~ |~ ,θ n ,ν n , ξ n ) p (θ n | ~ y1n −1 ,ν n ,ξ n ) p (ν n ,ξ n | ~ y1n −1 ,θ n )dθ ndν n dξ n = n y1 ∫ ... ∫ p( y − ∞, −∞ ∞ = (D.1-3) ∞ ∫ ... ∫ δ [ ~y n − Cn (θ nT X n − Bn ) − Cnν n − ξ n ] p (θ n | ~ y1n −1 ) p (ν n ) p (ξ n )dθ n dν ndξ n = − ∞, −∞ = N[ ~ yn − Cn (θˆnT, n −1 X n − Bn ),σ ξ2 + Cn2 (σ ν2 + X nT Pn , n −1 X n )] . Uwzględniając wyrażenia (D.1-2) i (D.1-3) we wzorze (D.1-1) i wykorzystując FGP (5.6), otrzymujemy: N[θ n − θˆn , Pn ] = = N[θ n − θˆn , n −1 , Pn, n −1 ] N[ ~ yn − Cn (θ nT X n − Bn ),σ ξ2 + Cn2σ ν2 ] . N[ ~ yn − Cn (θˆnT, n −1 X n − Bn ),σ ξ2 + Cn2 (σ ν2 + X nT Pn , n −1 X n )] (D.1-4) Dalej do wyznaczenia parametrów rozkładu (5.5) zastosujemy metodę wydzielania pełnych kwadratów, tj. będziemy przedstawiać wykładniki rozkładów w postaci pełnego kwadratu plus człon liniowy. Równość (D.1-4) zastępujemy równoważną równością dla wykładników występujących w niej rozkładów: (θ n − θˆn )T Pn−1 (θ n − θˆn ) + H n = (θ n − θˆn, n −1 )T Pn−, n1 −1 (θ n − θˆn, n −1 ) + [~ yn − Cn (θˆnT, n −1 X n − Bn )]2 [~ y − Cn (θ nT X n − Bn )]2 + n − . σ ξ2 + Cn2σ ν2 σ ξ2 + Cn2 (σ ν2 + X nT Pn , n −1 X n ) 112 (D.1-5) Dodatki Obliczając gradient względem θn obu stron równania (D.1-5), otrzymujemy: Cn [ ~ y n − Cn (θ nT X n − Bn )] −1 $ $ P (θ n − θ n ) = Pn ,n −1 (θ n − θ n ,n −1 ) − Xn . σ ξ2 + Cn2σ ν2 −1 n (D.1-6) Po ponownym zróżniczkowaniu względem θn otrzymujemy: −1 n P −1 n ,n −1 =P Cn2 X n X nT + 2 . σ ξ + Cn2 σ ν2 (D.1-7) Stosując do wzoru (D.1-7) lemat o rekurencyjnym odwracaniu macierzy (por. np. [14]), po przekształceniach otrzymujemy rekursję dla macierzy kowariancji (5.11): Pn = Pn ,n −1 − Cn2 Pn ,n −1 X n X nT Pn ,n −1 σ ξ2 + Cn2 (σ ν2 + X nT Pn ,n −1 X n ) . (D.1-8) Równość (D.1-6) zachodzi dla każdego θn , zatem kładąc θn = θ$n ,n −1 , otrzymujemy rekursję dla optymalnych estymat parametrów (5.10): Cn [ ~ yn − Cn (θˆnT, n −1 X n − Bn )] ˆ ˆ Pn X n = θ n = θ n, n −1 + σ ξ2 + Cn2σ ν2 C P X [~ y − C (θˆT X − Bn )] = θˆn, n −1 + n n , n2−1 n 2 n 2 n Tn, n −1 n . σ ξ + Cn (σ ν + X n Pn , n −1 X n ) (D.1-9) Dodatek 2. Wyznaczenie rekursji (5.12) i (5.13) Zgodnie z oznaczeniami (5.8) i (5.9), FGP (5.6) ma postać: ∞ ∞ −∞ -∞ p (θ n | ~ y1n −1 ) = ∫ ... ∫ p(θ n | ~ y1n −1 , β ) p ( β | ~ y1n −1 ) dβ = ∞ ∞ −∞ -∞ (D.2-1) = ∫ ... ∫ N[θ n − θ n , n −1 , Ln , n −1 ]N[ β − β n −1 , S n −1 ] dβ . y1n − 1 , β ) możemy zapisać w postaci: Uwzględniając model (5.2) zmian wektora θ n , FGP p(θn | ~ ∞ ∞ −∞ -∞ p(θ n | ~ y1n −1 , β ) = ∫ ... ∫ p (θ n | θ n −1 , ~ y1n −1 , β ) p (θ n −1 | ~ y1n −1 , β ) dθ n −1 = ∞ ∞ −∞ -∞ = ∫ ... ∫ N[θ n − ρθ n −1 − U n −1 β , Σ η ] N[θ n −1 − θ n −1 , Ln −1 ] dθ n −1 = (D.2-2) = N[θ n − ρθ n −1 − U n −1 β , Σ η + ρLn −1 ρ T ] . Ze wzoru (D.2-2) wynikają następujące zależności dla wektora θn ,n −1 i macierzy Ln , n −1 : θ n , n − 1 = ρθ n − 1 + U n − 1 β , 113 (D.2-3) Dodatki Ln , n −1 = ρLn −1ρ Τ + Ση . (D.2-4) Wyznaczymy teraz zależności opisujące parametry FGP (5.7): θn i Ln . W tym celu FGP (5.7) przedstawimy w postaci: p (θ n , ~y1n , β ) p ( ~ yn , ~ y1n −1 , θ n , β ) = = p (θ n | ~ y1n , β ) = p( ~ yn,β) p ( ~y , ~y n −1 , β ) 1 n 1 p( ~ yn | ~ y1n −1 , θ n , β ) p ( ~y1n −1 , θ n , β ) p( ~ y n | ~y1n −1 , θ n , β ) n −1 ~ = = p (θ n | y1 , β ) . p ( ~y n | ~ y1n −1 , β ) p ( ~y1n −1 , β ) p( ~ yn | ~ y1n −1 , β ) (D.2-5) FGP p ( ~yn | ~ y1n −1 ,θ n , β ) i p( ~yn | ~y1n −1 , β ) występujące we wzorze (D.2-5) można przedstawić w postaci: ∞ ∞ −∞ −∞ p( ~ yn | ~ y1n −1 , θ n , β ) = ∫ ... ∫ p ( ~ yn | ~ y1n −1 , θ n , β ,ν n , ξ n ) p (ν n , ξ n | ~ y1n −1 , θ n , β ) dν n dξ n = ∞ ∞ −∞ −∞ = ∫ ... ∫ δ [ ~ y n − C n (θ nT X n − Bn ) − C nν n − ξ n ] p (ν n ) p (ξ n ) dν n dξ n = (D.2-6) = N[ ~ y n − C n (θ nT X n − Bn ), σ ξ2 + C n2σ ν2 ] , p( ~ yn | ~ y1n −1 , β ) = ∞ = = ∞ ∫ ... ∫ p( ~y −∞, −∞ ∞ ∞ −∞, −∞ n ∞ ∞ −∞, −∞ ~ ~ n −1 ~ n −1 ∫ ... ∫ p( y n | y1 , θ n , β ) p(θ n | y1 , β ) dθ n = | ~y1n −1 , θ n , β ,ν n , ξ n ) p(θ n | ~ y1n −1 , β ,ν n , ξ n ) p (ν n , ξ n | ~y1n −1 , θ n , β )dθ n dν n dξ n = n −1 ~ − C (θ T X − B ) − C ν − ξ ] p (θ | ~ , β ) p(ν n ) p(ξ n )dθ n dν n dξ n = n n n n n n n n n y1 ∫ ... ∫ δ [ y = N[ ~y n − C n (θ nT, n −1 X n − B n ), σ ξ2 + C n2 (σ ν2 + X nT Ln , n −1 X n )] . (D.2-7) Uwzględniając te wyrażenia we wzorze (D.2-5), otrzymujemy zależność: N[θ n − θ n , Ln ] = = N[θ n − θ n ,n −1 , Ln ,n −1 ] N[ ~ yn − Cn (θ nT X n − Bn ), σ ξ2 + Cn2σ ν2 ] . N[ ~ yn − Cn (θ nT, n−1 X n − Bn ), σ ξ2 + Cn2 (σ ν2 + X nT Ln ,n −1 X n )] (D.2-8) Podobnie jak w przypadku wyrażenia (D.1-4), w celu znalezienia związków między parametrami odpowiednich rozkładów stosujemy metodę wydzielania pełnych kwadratów. Równość (D.2-8) zastępujemy równoważną równością dla wykładników występujących w niej rozkładów: 114 Dodatki (θ n − θ n )T L−n1 (θ n − θ n ) + Gn = (θ n − θ n ,n −1 )T L−n1,n −1 (θ n − θ n,n −1 ) + yn − Cn (θ nT,n −1 X n − Bn )]2 [~ y − Cn (θ nT X n − Bn )]2 [ ~ + n − . σ ξ2 + Cn2σ ν2 σ ξ2 + Cn2 (σ ν2 + X nT Ln ,n −1 X n ) (D.2-9) Obliczając gradient względem θn obu stron wzoru (D.2-9), otrzymujemy: L−n1 (θn − θn ) = L−n1,n −1 (θ n − θ n ,n −1 ) − Cn [ ~ y n − Cn (θnT X n − Bn )] Xn . σ ξ2 + Cn2σ ν2 (D.2-10) Po ponownym zróżniczkowaniu względem θn otrzymujemy: L−n1 = L−n1,n −1 + Cn2 X n X nT . σ ξ2 + Cn2 σ ν2 (D.2-11) Stosując lemat o rekurencyjnym odwracaniu macierzy, otrzymujemy: Ln = Ln ,n −1 − Cn2 Ln ,n −1 X n X nT Ln ,n −1 σ ξ2 + Cn2 (σ ν2 + X nT Ln ,n −1 X n ) . (D.2-12) Równość (D.2-10) zachodzi dla każdego θn , zatem kładąc θn = θ n ,n −1 , mamy: θ n = θn ,n −1 + Cn [ ~ y n − Cn (θ n T,n −1 X n − Bn )] σ ξ2 + Cn2σ ν2 Ln X n . (D.2-13) Wzór (D.2-11) możemy napisać w następującej postaci: Ln L−n1,n −1 = I − Cn2 Ln X n X nT . σξ2 + Cn2σν2 (D.2-14) Uwzględniając wyrażenia (D.2-3) i (D.2-14) we wzorze (D.2-13), otrzymujemy zależność: θ n = ρθ n −1 + U n −1β + Cn [ ~ yn − Cn (( ρθ n −1 + U n −1β )T X n − Bn )] Ln X n = σ ξ2 + Cn2σ ν2 = Ln L−n1, n −1 ρθ n −1 + Ln L−n1, n −1U n −1β + Cn2 Ln X n ( ρθ n −1 + U n −1β )T X n + σ ξ2 + Cn2σ ν2 Cn [ ~ yn − Cn (( ρθ n −1 + U n −1β )T X n − Bn )] + Ln X n = σ ξ2 + Cn2σ ν2 C L X (~ y +C B ) = Ln L−n1, n −1 ρθ n −1 + Ln L−n1, n −1U n −1β + n n 2n n 2 2 n n = Anθ n −1 + Wn −1β + Z n −1. σ ξ + Cn σ ν Występujące we wzorze (D.2-15) zmienne są określone następująco: C L X (~ y +C B ) An = Ln L−n1, n −1 ρ , Wn −1 = Ln L−n1, n −1U n −1 , Z n −1 = n n 2 n n 2 2 n n . σ ξ + Cn σ ν 115 (D.2-15) (D.2-16) Dodatki Zastępując we wzorze (D.2-15) θ n− m dla m = 1,2, . . . przez odpowiadające im rekursje, otrzymujemy: θ n = An ( An −1θ n − 2 + Wn − 2 β + Z n − 2 ) + Wn −1β + Z n −1 = = An An −1 ( An − 2θ n − 3 + Wn − 3 β + Z n − 3 ) + ( AnWn − 2 + Wn −1 ) β + An Z n − 2 + Z n −1 = n n −1 n −1 n = ∏ Aiθ 0 + ∑ ∏ AiWn − m −1 β + ∑ m=0 i =1 m = 0 i = n − m +1 = ϕ nθ 0 +Ψ n β + χ n . n ∏AZ i n − m −1 (D.2-17) = i = n − m +1 Wielkości ϕn , Ψn , χ n są odpowiednimi współczynnikami w wyrażeniu (D.2-17). Zakładamy, że dla m = 0 zachodzi równość n ∏ A = 1 oraz że Ψ i 0 = 0 . Macierz Ψn możemy przedstawić i = n − m +1 w postaci: n −1 Ψn =∑ n −1 n ∏ AiW n−m−1 = ∑ m = 0 i = n − m +1 n−2 = An ∑ n −1 n ∏ AiW n −m−1 + W n −1 = An ∑ m =1 i = n − m +1 n −1 ∏ AW i m = 0 i = ( n −1) − m +1 ( n −1) − m −1 n −1 ∏ AW i n − m −1 + W n −1 = m =1 i = n − m +1 (D.2-18) + W n −1 = AnΨ n −1 + W n −1 . Łącząc wzory (D.2-16) i (D.2-18), otrzymujemy: Ψn = Ln L−n1,n −1 ρΨn −1 + Ln L−n1,n −1U n −1 = Ln L−n1,n −1 ( ρΨn −1 + U n −1 ) = Ln L−n1,n −1Vn −1 , (D.2-19) gdzie: Vn = ρΨ n + U n . (D.2-20) Uwzględniając wyrażenia (D.2-14) i (D.2-19) we wzorze (D.2-20), otrzymujemy: Cn2 Ln X n X nT V + U n . Vn = ρ I − 2 σ ξ + Cn2σ ν2 n −1 (D.2-21) Uwzględniając wyrażenia (D.2-3) i (D.2-17) we wzorze (D.2-1), otrzymujemy: ∞ ∞ −∞ -∞ p (θ n | ~ y1n −1 ) = ∫ ... ∫ N[θ n − ρθ n −1 − U n −1 β , Ln , n −1 ]N[ β − βˆ n −1 , S n −1 ] dβ = ∞ ∞ −∞ -∞ (D.2-22) = ∫ ... ∫ N[θ n − ρϕ n −1θ 0 − ρΨ n −1 β − ρχ n −1 − U n −1 β , Ln ,n −1 ]N[ β − βˆ n −1 , S n −1 ] dβ = = N[θ n − ρϕ n −1θ 0 − V n −1 βˆ n −1 − ρχ n −1 , Ln , n −1 + V n −1 S n −1V nT−1 ] . 116 Dodatki Rozpatrzymy ponownie FGP (5.5): p (θ n | ~ y1n ) = ∞ ∫ ... ∫ p(θ −∞ ∞ = = n |~ y1n , β ) p ( β | ~ y1n ) dβ = -∞ ∞ ∫ ... ∫ N[θ −∞ -∞ ∞ ∞ ∫ ... ∫ N[θ −∞ ∞ n − θ n , Ln ]N[ β − βˆn , S n ] dβ = n − ϕ nθ 0 −Ψ n β − χ n , Ln ]N[ β − βˆ n , S n ] dβ = . (D.2-23) -∞ = N[θ n − ϕ nθ 0 −Ψ n βˆn − χ n , Ln +Ψ n S nΨ nT ] . Ze wzoru (D.2-23) wynikają następujące zależności: θ$n = ϕ nθ0 + Ψn β$n + χ n , (D.2-24) Pn = Ln + Ψn SnΨnT . (D.2-25) Z wyrażenia (D.2-22) wynika, że: Pn, n −1 = Ln , n −1 + Vn −1 S n −1VnT−1 = Ln , n −1 + ( ρΨ n −1 + U n −1 ) S n −1 ( ρΨ n −1 + U n −1 )T = = Ln , n −1 + ρΨ n −1 S n −1Ψ nT−1 ρ T + U n −1 S n −1Ψ nT−1 ρ T + ρΨ n −1 S n −1U nT−1 + U n −1 S n −1U nT−1 = = Σ η + ρLn −1 ρ T + ρ ( Pn −1 − Ln −1 ) ρ T + U n −1 S n −1 (Vn −1 − U n −1 )T + (D.2-26) + (Vn −1 − U n −1 ) S n −1U nT−1 + U n −1 S n −1U nT−1 . Po uporządkowaniu otrzymujemy ostatecznie wyrażenie (5.13) dla macierzy kowariancji Pn ,n −1 : Pn ,n −1 = Σ η + ρPn −1 ρ T + U n −1 S n −1VnT−1 + Vn −1 S n −1U nT−1 − U n −1 S n −1U nT−1 . (D.2-27) Z wyrażenia (D.2-22) wynika również wzór: θˆn , n −1 = ρϕ n −1θ 0 + Vn −1βˆ n −1 + ρχ n −1 = ρϕ n −1θ 0 + ρΨ n −1βˆ n −1 + ρχ n −1 + U n −1 βˆn −1 . (D.2-28) Uwzględniając zależność (D.2-24) we wzorze (D.2-28), otrzymujemy rekursję (5.12): θˆn, n −1 = ρθˆn −1 + U n −1βˆ n −1 . (D.2-29) Dodatek 3. Wyznaczenie rekursji (5.14) i (5.15) FGP (5.9), w której występują parametry β$n i S n , przedstawimy w postaci: ~ ~ n −1 , β ) p( ~ yn , ~ y1n −1 , β ) p( ~ yn | ~ y1n −1 , β ) p( ~ y1n −1 , β ) n n −1 p ( y n | y1 ~ ~ p( β | y1 ) = = = p( β | y1 ) . p( ~ yn , ~ y1n −1 ) p( ~ yn | ~ y1n −1 ) p( ~ y1n −1 ) p( ~ yn | ~ y1n −1 ) (D.3-1) Wykorzystując zależności (D.1-3) i (D.2-7), równość (D.3-1) możemy przedstawić w postaci: 117 Dodatki N[ β − βˆ n , S n ] = N[ ~ yn − Cn (θ nT,n −1 X n − Bn ), σ ξ2 + Cn2 (σ ν2 + X nT Ln,n −1 X n )] ˆ = N[ β − β n −1 , S n −1 ] ~ . N[ yn − Cn (θˆnT, n−1 X n − Bn ), σ ξ2 + Cn2 (σ ν2 + X nT Pn ,n −1 X n )] (D.3-2) Równość (D.3-2) zastępujemy równoważną równością dla wykładników występujących w niej rozkładów: ( β − βˆn )T S n−1 ( β − βˆ n ) + K n = ( β − βˆ n −1 )T S n−−11 ( β − βˆn −1 ) + [~ y − C (θ T X − Bn )]2 [~ y − C (θˆT X − Bn )]2 . + 2 n 2 n 2n, n −1 Tn − 2 n 2 n 2n , n −1 Tn . σ ξ + Cn (σ ν + X n Ln, n −1 X n ) σ ξ + Cn (σ ν + X n Pn, n −1 X n ) (D.3-3) Ze wzorów (D.2-3) i (D.2-17) wynika następująca zależność: θ n, n −1 = ρθ n −1 + U n −1β = ρϕ n −1θ 0 + ( ρΨ n −1 + U n −1 ) β + ρχ n −1 = = ρϕ n −1θ 0 + Vn −1β + ρχ n −1 . (D.3-4) Uwzględniając zależność (D.3-4), po obliczeniu gradientu względem β obu stron wzoru (D.3-3), otrzymujemy: Cn [ ~ y n − Cn (θ n T,n −1 X n − Bn )] T −1 $ $ S ( β − βn ) = S n −1 ( β − βn −1 ) − 2 V X . σ ξ + Cn2 (σ ν2 + X nT Ln ,n −1 X n ) n −1 n −1 n (D.3-5) Po ponownym zróżniczkowaniu względem β otrzymujemy: S −1 n =S −1 n −1 Cn2VnT−1 X n X nT Vn −1 + 2 . σ ξ + Cn2 (σ ν2 + X nT Ln ,n −1 X n ) (D.3-6) Mnożąc obie strony wyrażenia (D.3-6) prawostronnie przez S n−1 oraz lewostronnie przez S n , dostajemy: S n −1 Cn2 S nVnT−1 X n X nT Vn −1 S n −1 = Sn + 2 , σ ξ + Cn2 (σ ν2 + X nT Ln ,n −1 X n ) (D.3-7) a następnie mnożąc (D.3-7) prawostronnie przez VnT−1 X n , otrzymujemy: S n −1V T n −1 X n = S nV T n −1 Cn2 X nT Vn −1 S n −1VnT−1 X n X n 1 + 2 . 2 2 T σ ξ + Cn (σ ν + X n Ln ,n −1 X n ) (D.3-8) Z wzoru (D.3-8) wynika, że S nVnT−1 X n S n −1VnT−1 X n = . σ ξ2 + Cn2 (σ ν2 + X nT Ln ,n −1 X n ) σ ξ2 + Cn2 (σ ν2 + X nT ( Ln ,n −1 + Vn −1 S n −1VnT−1 ) X n ) (D.3-9) Biorąc pod uwagę zależność Pn ,n −1 = Ln ,n −1 + Vn −1 S n −1VnT−1 (por. wzór D.2-22) i podstawiając wzór (D.3-9) do wyrażenia (D.3-7), otrzymujemy rekursję (5.15): 118 Dodatki S n = S n −1 Cn2 S n −1VnT−1 X n X nT Vn −1 S n −1 − 2 . σ ξ + Cn2 (σ ν2 + X nT Pn ,n −1 X n ) (D.3-10) Równość (D.3-5) zachodzi dla każdego β , zatem kładąc β = β$n −1 oraz uwzględniając zależności (D.2-28), (D.3-4) (we wzorze (D.3-4) także kładziemy β = β$n −1 ) i (D.3-9), otrzymujemy rekursję (5.14) dla optymalnych estymat wektora β$n : β$n = β$n −1 + Cn S n −1VnT−1 X n y − Cn (θ$nT,n −1 X n − Bn )] . [~ σ ξ2 + Cn2 (σ ν2 + X nT Pn.n −1 X n ) n (D.3-11) Dodatek 4. Wyznaczenie optymalnych reguł sterowania parametrami {Bn , Cn } układu obserwacji Dysponując optymalnymi estymatami θˆn (5.10), znajdujemy optymalne w każdej chwili n wartości parametrów Bn i Cn układu obserwacji, zapewniające osiągnięcie globalnego minimum błędu średniokwadratowego filtracji (5.3) i jednocześnie spełniające warunek statystycznego dopasowania (2.5). Błąd średniokwadratowy (5.3) dla optymalnych estymat sygnału yˆ n = θˆnT X n ma postać: Rn = E[( yn − yˆ n ( ~ y1n )) 2 | ~ y1n ] = E[( yn − θˆnT ( ~ y1n ) X n ) 2 | ~ y1n ] = = E[(ν n + (θ n − θˆn )T X n ) 2 | ~ y1n ] = σ ν2 + X nT Pn X n . (D.4-1) Ze wzoru (D.4-1) oraz rekursji (D.1-8), (D.2-27), (D.3-10), (D.2-21), (D.2-12) i (D.2-4) wynika, że wartość błędu średniokwadratowego filtracji, dla optymalnych estymat θˆn , nie zależy od wartości Bn , lecz tylko od wartości czułości Cn i zmniejsza się, gdy czułość C n wzrasta. Zatem czułość C n powinna być jak największa. Jednak czułość C n nie może być zwiększana nieograniczenie, ponieważ nie może być naruszony warunek statystycznego dopasowania: D ~ n −1 Pr yn − Bn ≤ y1 = C n Bn + D Cn ∫ p ( yn ~ y1n −1 ) dyn ≥ 1 − µ . (D.4-2) D Bn − Cn FGP p( yn | ~ y1n −1 ) występująca we wzorze (D.4-2) ma postać: p ( yn | ~ y1n −1 ) = N[ yn − yˆ n , n −1 , S n, n −1 ] , (D.4-3) yˆ n ,n −1 = θˆnT,n −1 X n (D.4-4) gdzie: 119 Dodatki jest optymalną jednokrokową prognozą sygnału { yn } , a S n, n −1 = E[( yn − yˆ n , n −1 ) 2 | ~ y1n −1 ] = E[(ν n + (θ n − θˆn, n −1 )T X n ) 2 | ~ y1n −1 ] = (D.4-5) = σ ν2 + X nT Pn, n −1 X n jest wariancją błędu prognozy sygnału { yn } . Uwzględniając we wzorze (D.4-2) FGP (D.4-3), otrzymujemy: Bn + D Cn ∫ [2π (σ ν2 + X nT Pn, n −1 X n )]−1 2 Bn − D Cn ( yn − θˆnT, n −1 X n ) 2 exp− dyn = 2 T 2(σ ν + X n Pn , n −1 X n ) (D.4-6) Bn − θˆnT, n −1 X n − D Cn B − θˆT X + D Cn = Φ n 2 n , n −T1 n − Φ ≥ 1 − µ, 2 12 12 T (σ ν + X n Pn, n −1 X n ) (σ ν + X n Pn, n −1 X n ) gdzie Φ(⋅) jest całką prawdopodobieństwa. Z nierówności (D.4-6) wynika, że czułość Cn osiąga wartość maksymalną wtedy, gdy spełniona jest równość Bn − θˆnT, n −1 X n = 0 i czułość Cn przyjmuje największą wartość nie naruszającą nierówności. Wówczas dla każdego n łatwo wyznaczyć graniczną wartość czułości Cn , która określa optymalne reguły sterowania parametrami układu obserwacji: Bn = θˆnT,n −1 X n , Cn = D α σ ν2 + X nT Pn ,n −1 X n , (D.4-7) gdzie stała α jest rozwiązaniem równania (2.12). W podobny sposób można wyprowadzić optymalne reguły sterowania parametrami układu obserwacji przy założeniu, że jego czułość jest stała dla każdego n i równa C0 . Również i w tym przypadku musi być spełniony warunek statystycznego dopasowania: { } Pr | yn − Bn |≤ D / C0 | ~ y1n −1 = Bn − θˆnT, n −1 X n + D / C0 Bn − θˆnT, n −1 X n − D / C0 = Φ 2 − Φ 2 ≥ 1 − µ. T 12 T 12 (σ ν + X n Pn, n −1 X n ) (σ ν + X n Pn, n −1 X n ) (D.4-8) Postępując analogicznie jak poprzednio, ale mając na uwadze, że C0 musi spełniać nierówność (D.4-8) dla wszystkich n, otrzymujemy następujące optymalne wartości parametrów układu obserwacji ze stałą czułością: Bn = θˆnT, n −1 X n , C0 = D α σ ν + S max 2 gdzie wielkość Smax jest określona jak w zależności (5.23). 120 , (D.4-9) Bibliografia Bibliografia [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] Basseville M., Nikiforov I.V.: Detection of abrupt changes. Theory and application. Prentice-Hall, Englewood Cliffs, NJ 1996. Daponte P., Fazio G., Molinaro A.: Detection of echoes using time-frequency analysis techniques. IEEE Trans. on Instrumentation and Measurement, vol. 45, No. 1, June 1996, pp. 30-39. Lavielle M.: Optimal segmentation of random processes. IEEE Transaction on Signal Processing, vol. 46, No. 5, May 1998, pp. 1365-1373. Gollamudi S., Kapoor S., Nagaraj S., Huang Y.F.: Set-membership adaptive equalization and an updatorshared implementation for multiple channel communications systems. IEEE Transaction on Signal Processing, vol. 46, No. 9, September 1998, pp. 2372-2385. Baccigalupi A., Bernieri A., Pietrosanto A.: A digital-signal-processor-based measurement system for online fault detection. IEEE Trans. on Instrumentation and Measurement, vol. 46, No. 3, June 1997, pp. 731736. Niedźwiecki M., Wasilewski A.: Application of extended Kalman filter to dynamic weighting of vehicles. Proc. XVIII-th Nat. Conf. Circuit Theory and Electronic Circuit, Łódź-Polana Zgorzelisko 1995, pp. 521526. Beghi A., Bertocco M.: A combined GLR/Kalman filter technique for fault detection in power systems. Proc. IMEKO XIV World Congress, Tampere 1997, vol. 7, pp. 151-156. Frenkel L., Feder M.: Recursive expectation-maximization (EM) algorithms for time-varying parameters with applications to multiple target tracking. IEEE Trans. on Signal Processing, vol. 47, No. 2, February 1999, pp. 306-320. Bar-Shalom Y.: Estimation and tracking. Principles, techniques, and software. Artech House, Boston, London 1993. Guu J.A., Wei Ch.H.: Maneuvering target tracking using IMM method at high measurement frequency. IEEE Trans. on Aerospace and Electronic Systems, vol. 27, No. 3, June 1991, pp. 514-519. Marcinkowski K.: Wielomodelowa filtracja kalmanowska w śledzeniu obiektów powietrznych. Prace Przemysłowego Instytutu Telekomunikacji, z. 123, Warszawa 1999, s. 20-32. Watanabe K., Komori A., Kiyama T.: Diagnosis of instrument fault. Proc. IMTC-94, vol. 1, Hamamatsu 1994, pp. 386-389. Hlawatsch F., Boudreaux-Bartles G.F.: Linear and quadratic time frequency signal representations. IEEE Signal Processing Magazine, vol. 9, No. 2, April 1992, pp. 21-67. Haykin S.: Adaptive filter theory. Prentice-Hall, Upper Saddle River, NJ 1996. Benveniste A., Metivier M., Priouret P.: Adaptive algorithms and stochastic approximations. SpringerVerlag, Berlin, Heidelberg, New York 1990. Niedźwiecki M., Suchomski P.: On parallel estimation approach to adaptive filtering. Bulettin of the Polish Academy of Sciences, Technical Sciences, vol. 44, No. 4, 1996, pp. 387-397. Haykin S.: Neural networks: a comprehensive foundation. Macmillan College Publ. Comp., New York 1994. Osowski S.: Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 1996. Tang K.S., Man K.F., Kwong S., He Q.: Genetic algorithms and their applications. IEEE Signal Processing Magazine, No. 11, November 1996, pp. 22-37. Pedrycz W.: Fuzzy control and fuzzy systems. Second, extended, edition. Research Studio Press / John Willey & Sons, New York 1993. Campello R., Nazzetta R., Amaral W.: A new methodology for fuzzy model identification. Proc. VII-th International Fuzzy Systems Association World Congress, Prague 1997, vol. 2, pp. 366-370. Gabor D.: Theory of communications. Journal of IEEE, vol. 93, 1946, pp. 429-457. Rioul O., Vetterli M.: Wavelets and signal processing. IEEE Signal Processing Magazine, No. 10, October 1991, pp. 14-38. Wickerhauser M.V., Coifman R.R.: Entropy-based method for best basis selection. IEEE Trans. on Information Theory, vol. 38, 1992, pp. 713-718. Honig M.L., Messerschmitt D.G.: Adaptive filters. Kluwer Academic Publishers, Boston 1984. Widrow. B., Stearns S.D.: Adaptive signal processing. Prentice-Hall, Englewood Cliffs, NJ 1985. Alexander S.T.: Adaptive signal processing; theory and application. Springer-Verlag, New York, 1986. Clarkson P.M.: Optimal and adaptive signal processing. CRC Press, Boca Raton 1993. Anderson B.D.O., Moore J.B.: Filtracja optymalna. WNT, Warszawa 1984. Balakrishnan A.V.: Kalman filtering theory. Optimization Software, Inc., Publications Division, New York 1984. 121 Bibliografia [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] Diniz P.S.R.: Adaptive filtering. Algorithms and practical implementation. Kluwer Academic Publishers 1997. Rutkowski L.: Filtry adaptacyjne i adaptacyjne przetwarzanie sygnałów. WNT, Warszawa 1994. Wiener N.: Extrapolation, interpolation & smoothing of stationary time series. The MIT Press, Cambridge, Mass., 1949. Kolmogorow A.N.: Interpolation and extrapolation. Bulletin de l’academie des sciences d’URSS, Ser. Math. 5, 1941, pp. 3-14. Kalman R.E.: A new approach to linear filtering and prediction problems. J. Basic Eng., Trans. ASME, Series D, vol. 82, No. 1, 1960, pp. 35-45. Kalman R.E., Bucy R.S.: New results in linear filtering and prediction theory. J. Basic Eng., Trans. ASME, Series D, vol. 83, No. 3, 1961, pp. 95-108. Widrow B., Hoff M.E.: Adaptive switching circuits. IRE WESCON Conf. Rec., 1960, part 4, pp. 96-104. Godard D.: Channel equalization using a Kalman filter for fast data transmission. IBM J. Res. Dev. 18, 1974, pp. 267-273. Macchi O.: Optimization of adaptive identification for time-varying filters. IEEE Trans. on Automatic Control, vol. 31, 1986, pp. 283-287. Benveniste A.: Design of adaptive algorithms for the tracking of time-varying systems. Int. Journal of Adaptive Control & Signal Processing, vol. 1, 1987, pp. 3-29. Ljung L., Gunnarsson S.: Adaptation and tracking in system identification - a survey. Automatica, vol. 26, No. 1, January 1990, pp. 7-21. Solo V., Kong X.: Adaptive signal processing algorithms: stability and performance. Prentice Halls Englewood Cliffs, NJ 1994. Guo L., Ljung L.: Performance analysis of general tracking algorithms. IEEE Trans. on Automatic Control, vol. 40, No. 8, August 1995, pp. 108-112. Niedźwiecki M.: Identyfikacja niestacjonarnych obiektów losowych. Zeszyty naukowe Politechniki Gdańskiej, Nr 450, Elektronika LXIX, Gdańsk 1990. Niedźwiecki M., Guo L.: Nonasymptotic results for finite memory WLS filters. IEEE Trans. on Automatic Control, vol. 36, 1991, pp. 198-206. Niedźwiecki M., Kłaput T.: Do WLS adaptive filters provide better tracking performance than LMS filters. Proc. XXII-th Nat. Conf. Circuit Theory and Electronic Networks, Warszawa-Stare Jabłonki 1999, pp. 485490. Kushner H.J., Yang J.: Analysis of adaptive step-size S.A. algorithms for parameter tracking. IEEE Trans. on Automatic Control, vol. 40, No. 8, August 1995, pp. 1403-1410. Pazaitis D.I., Constantinides A.G.: A novel kurtosis driven variable step-size adaptive algorithms. IEEE Transaction on Signal Processing, vol. 47, No. 3, March 1999, pp. 864-872. Haykin S., Sayed A.H., Zeidler J.R., Yee P., Wei P.: Tracking of linear time-variant systems. MILCOM 95, San Diego 1995. Blom H.A.P., Bar-Shalom Y.: The interacting multiple model algorithm for systems with Markovian switching coefficients. IEEE Trans. on Automatic Control, vol. 33, No. 8, August 1988, pp. 780-783. Suchomski P.: Adaptacyjna wielomodelowa estymacja stanu niestacjonarnych systemów liniowych opisanych łańcuchami Markowa wysokiego rzędu. Prace Przemysłowego Instytutu Telekomunikacji, z. 119, Warszawa 1997, s. 1-14. Isermann R.: Process fault detection based on modeling and estimation methods – a survey. Automatica, vol. 20, 1984, pp. 387-404. Willsky A.S., Jones H.L.: A generalized likelihood ratio approach to the detection and estimation of jumps in linear systems. IEEE Trans. on Automatic Control, vol. 21, No. 2, February 1976, pp. 108-112. Nikiforov I.V. Sequential detection of changes in stochastic systems. W książce Basseville M., Benveniste A.: Detection of abrupt changes in signals and dynamical systems. Chapter 7, pp. 216-258, Lecture Notes in Control and Information Sciences, vol. 77, Springer, Berlin 1986. Nikiforov I.V.: A generalized change detection problem. IEEE Trans. on Information Theory, vol. 41, No. 1, January 1995, pp. 171-187. Nikiforov I.V.: Two strategies in the problem of change detection and isolation. IEEE Trans. on Information Theory, vol. 43, No. 2, March 1997, pp. 770-776. Płatonow A.A.: Optimalnaja adaptivnaja sistema ocenki znaczen sluczainyh wieliczin s ucziotom ograniczienij na dinamicheskij diapazon registrirujemyh ustroistw. Międzyuczelniany Zbiór Prac Naukowych "Woprosy Pieriedaczi i Prieobrazowanija Informacii", RRTI, Riazań 1986, s. 35-40. Płatonow A.A., Abdulkaiumov R.A.: Optimalnyie sistiemy adaptivnowo nabliudienija i ocenki sostajanija dinamichieskih sistiem s impulsnymi pomehami. Art. Dep. VINITI, No. 7969-B86, Moskwa 1986, s. 1-30. Płatonow A.A., Abdulkaiumov R.A.: Diskretnyie adaptivnyie sistemy optimalnowo nabliudenia i ocenki sostajaanija obiektov s impulsnymi sluchajnymi vozmushcheniami. Międzyuczelniany Zbiór Prac 122 Bibliografia [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] Naukowych „Matematicheskoie i programmnoie obespechenie wychislitelnyh mashin i kompleksow”, MIEM, Moskwa 1988, s. 115-123. Płatonow A.A., Abdulkaiumov R.A., Slepowa N.E.: Optimalnoie izmerenie sluchajnyh velichin pri adaptivnom upravlenii parametrami izmeritelia. Międzyuczelniany Zbiór Prac Naukowych „Matematicheskoie i programmnoie obespechenie wychislitelnyh, informacionnyh i uprawliajushchih sistem”, MIEM, Moskwa 1989, s. 86-91. Platonov A.A.: The optimal estimation of the random process values under adaptive tuning of the measurement device. Proc. Int. Conf. COSMEX-89, Wrocław 1989, pp. 67-68. Płatonow A.A.: Optymalna adaptacyjna obserwacja i filtracja sygnałów zakłóconych addytywnym szumem o nieznanej wartości średniej. Materiały XIII Krajowej Konferencji Teoria Obwodów i Układy Elektroniczne Bielsko-Biała 1990, s. 647-652. Płatonow A.A.: Optimalnoje izmierienije tiekushchih znaczienii i paramietrow słuchainyh procesow pri adaptivnom uprawlienii paramietrami datczika. Proc. Intern. Conf. "Informacionno-Izmeritelnye Sistemy IIS94", Moskwa 1994, s. 84-86. Platonov A.A.: Optimal identification of regression-type processes under adaptively controlled observations. IEEE Transaction on Signal Processing , vol. 42, No. 9, September 1994, pp. 2280-2291. Jędrzejewski K.: Algorytmy optymalnej detekcji sygnałów i estymacji ich parametrów przy adaptacyjnym sterowaniu odbiornikiem. Praca magisterska, IPE PW, Warszawa 1995. Platonov A.A., Szabatin J.: Analog-digital systems for optimal adaptive measurements and parameter estimation of noisy processes. Proc. Int. Colloq. IMEKO TC-1 & TC-7 on State and Advances of the Measurement and Instrumentation Science, London 1993, pp. 293-298. Platonov A.A.: Basic theoretical principles for design of analog-digital measurement systems with adaptively controlled sensors. Proc. IMEKO XIII World Congress, Torino 1994, vol. 2, pp. 1025-1031. Platonov A.A., Szabatin J.: Analog-digital systems for adaptive measurements and parameter estimation of noisy processes. IEEE Trans. on Instrumentation and Measurement, vol. 45, No. 1, February 1996, pp. 6069. Platonov A.A.: General problems of designing the optimal measurement systems. Proc. XI-th Conf. Application of Microprocessors in Automatic Control and Measurement, Warsaw 1998, vol. 1, pp. 107-109. Płatonow A.A.: Optimalnaja sistema peredachi dannyh pri adaptivnom upravlenii rabotoy peredatchika s ispol'zovaniem obratnogo kanala. Materiały Krajowego Sympozjum Telekomunikacji KST'89, Bydgoszcz 1989, t. E, s. 356-361. Płatonow A.A.: O optymalnym dopasowaniu parametrów analogowych modulatorów do stochastycznych charakterystyk sygnałów w układach transmisji danych z kanałem zwrotnym. Materiały Krajowego Sympozjum Telekomunikacji KST'89, Bydgoszcz 1990, t. D, s. 100-108. Platonov A.A., Szabatin J.: Phase range-finder with adaptively controlled receiver. Proc. XVI-th Nat. Conf. Circuit Theory and Electronic Circuit, Koszalin 1993, vol. 2, pp. 433-438. Platonov A.A., Szabatin J., Jędrzejewski K.: Adaptive method for detecting sinusoidal signals and estimating its amplitudes and phases. Proc. XVII-th Nat. Conf. Circuit Theory and Electronic Circuit, Wrocław-Polanica Zdrój 1994, vol. 1, pp. 257-262. Platonov A.A., Szabatin J.: Joint detection and estimation of noisy signals using receivers with controlled parameters. Proc. XVII-th Nat. Conf. Circuit Theory and Electronic Circuit, Wrocław-Polanica Zdrój 1994, vol. 1, pp. 335-340. Płatonow A.A., Szabatin J.: Sowmiestnoje obnarużenije i ocienka paramietrow signała pri statisticheski sogłasowannym uprawlienii prijomnikom s ogranichionnym liniejnym diapazonom. Izwiestia Rosijskoj Akademii Nauk Radiotiechnika i Elektronika, wyp. 10, 1995, s. 1506-1524 (tłum. na język ang. Płatonov A.A., Szabatin J.: Joint detection and estimation of signal parameters in the presence of a statistically matched control of the receiver with a finite linear range. Journal of Communications Technology and Electronics, vol. 40, No. 13, 1996, pp. 89-105). Szabatin J., Płatonow A.A.: Szyrokodiapazonnyj kompiensacionnyj akcelerometr s adaptiwno uprawliajemoj chuvstwitielnostiu i s cyfrowoj obrabotkoj izmierienii. Materiały VII Vserosiskoj Nauchno-Tiechn. Konf. Datcziki i Prieobrazowateli Informacii Sistiem Izmierienija, Kontrola i Uprawlienija DATCZIK-95, KrymGurzuf 1995, s. 64-65. Szabatin J., Platonov A.A.: Adaptive accelerometer with controlled sensitivity. Proc. XVIII-th Nat. Conf. Circuit Theory and Electronic Circuit, Łódź-Polana Zgorzelisko 1995, pp. 103-108. Szabatin J., Melnikov V.E., Platonov A.A.: Analog-digital wide-range measurement systems with adaptively adjusted quartz glass sensors. Proc. IEEE Instr. and Meas. Techn. Conf. & IMEKO TC-7, Brussels 1996, vol. 1, pp. 1154-1159. Płatonow A.A., Szabatin J., Melnikov V.E.: Adaptacyjne czujniki do pomiaru wielkości mechanicznych, Materiały X Krajowej Konferencji Naukowo-Technicznej "Zastosowania mikroprocesorów w automatyce i pomiarach", Warszawa 1996, t. 1, s. 287-296. 123 Bibliografia [80] Platonov A.A., Melnikov V.E., Szabatin J.: Miniaturization of electromechanical sensors and problems of improvement of measurement accuracy. Proc. IMEKO XIV World Congress, Tampere 1997, vol. 4b, pp. 257262. [81] Platonov A.A., Plekhanow V.E., Melnikov V.E., Szabatin J.: A possibility of electrostatic control of sensitivity in adaptive compensatory microaccelerometers. Proc. X-th IMEKO Int. Symp. on Development in Digital Measurement Instrumentation (ISDDMI’98), Naples 1998, pp. 649-653. [82] Szabatin J., Platonov A.A., Melnikov V.E.: Smart wide range measurement using adaptively adjusted sensors. Bulletin of the Polish Academy of Sciences, Technical Sciences, vol. 47, No. 1, 1999, pp. 15-27. [83] Płatonow A.A., Szabatin J.: Sposób i urządzenie do szerokopasmowych pomiarów wielkości fizycznych. Patent Nr P.304.530, Urząd Patentowy RP, styczeń 1998. [84] Szabatin J., Płatonow A.A.: Strunowo-ramkowy akcelerometr kompensacyjny ze sterowaną czułością. Patent Nr P.304.531, Urząd Patentowy RP, luty 1998. [85] Płatonow A.A., Szabatin J.: Adaptacyjny strunowo-ramkowy akcelerometr kompensacyjny z czułością sterowaną za pomocą mikroelektromagnesu umocowanego na ramce. Zgłoszenie patentowe Nr P.313.898, Biuro patentowe PW, kwiecień 1996. [86] Platonov A.A., Szabatin J.: Adaptive robust observation and parameter estimation of regression processes with outliers. Bulletin of the Polish Academy of Sciences, Technical Sciences, vol. 41, No. 3, 1993, pp. 221236. [87] Szabatin J., Platonov A.A.: A Bayesian approach to the robust parameter estimation using nonlinearly observed data. Proc. Int. Aero-Space Congress, Moscow 1994, p. 429. [88] Platonov A.A., Gajo Z.K., Szabatin J.: Robust parameter estimation for short data sequences. Proc. XVII-th Nat. Conf. Circuit Theory and Electronic Circuit, Wrocław-Polanica Zdrój 1994, pp. 263-268. [89] Szabatin J.: New signal processing algorithms for robust adaptive measurements in the presence of noises, harmonic disturbances and random trends. Proc. 7-th IMEKO TC-4 International Symposium on Modern Electrical and Magnetic Measurement, Prague 1995, pp. 205-209. [90] Szabatin J., Płatonow A.A., Gajo Z.G., Jędrzejewski K.: Niektóre problemy analizy odpornych algorytmów modelowania i identyfikacji sygnałów niegaussowskich. Materiały Krajowego Sympozjum Telekomunikacji KST'95, Bydgoszcz 1995, t. B, s. 39-48. [91] Szabatin J.: A new approach to adaptive robust joint detection and estimation of discrete-time signals. Bulletin of the Polish Academy of Sciences, Technical Sciences, vol. 44, No. 4, 1996, pp. 449-474. [92] Platonov A.A., Szabatin J.: Robust measurement of processes using nonlinear adaptive sensors. Proc. IMEKO XIV World Congress, Tampere 1997, vol. 5, pp. 257-262. [93] Szabatin J.: Odporne i silnie zgodne metody i algorytmy identyfikacji sygnałów. Politechnika Warszawska. Prace naukowe. Elektronika z. 118, Warszawa 1998. [94] Platonov A.A.: Optimal identification of non-stationary regression parameters under adaptively controlled observations. Proc. 2nd Int. Symp. on Implicit and Robust Systems (ISIRS-2), Warszawa 1991, pp. 167-170. [95] Platonov A.A, Peczarski M.: Optimal adaptive observation and filtering of the processes with disturbances of the pulse or outlier kind. Proc. XIV-th Nat. Conf. Circuit Theory and Electronic Circuit, Waplewo 1991, pp. 514-519. [96] Platonov A.A., Szabatin J., Gajo Z.: A new method for detecting jumps of signal parameters. Proc. XVII-th Nat. Conf. Circuit Theory and Electronic Circuit, Koszalin 1993, vol. 2, pp. 427-432. [97] Platonov A.A.: Optimal filtering of random processes measured using sensors with adaptively controlled parameters. Proc. 7-th IMEKO TC-4 International Symposium on Modern Electrical and Magnetic Measurement, Prague 1995, pp. 210-214. [98] Platonov A.A., Jędrzejewski K.: Optimal filtering of nonstationary random processes using smart sensors with adaptively controlled parameters. Proc. IEEE Instr. and Meas. Techn. Conf. & IMEKO TC-7, Brussels, Belgium, June 1996, vol. 1, pp. 480-485. [99] Platonov A.A., Jędrzejewski K.: Optimal measurement of random processes with nonstationary parameters. Proc. XX-th Nat. Conf. Circuit Theory and Electronic Circuit, Kołobrzeg 1997, vol. 2, pp. 469-474. [100] Platonov A.A., Szabatin J., Jędrzejewski K.: Optimal design of smart measurement systems with automatic correction of setting errors and drifts of the sensor's working point. Proc. Hungarian-Polish-Czech Workshop on Circuits Theory and Applications, Budapest 1997, pp. 110-115. [101] Platonov A.A., Szabatin J., Jędrzejewski K.: Optimal synthesis of smart measurement systems with adaptive correction of drifts and setting errors of the sensor's working point. IEEE Trans. on Instrumentation and Measurement, vol. 47, No. 3, June 1998, pp. 659-665. [102] Platonov A.A., Jędrzejewski K.: Optimal synthesis of adaptive multipass voltmeter for the wide-range and high-accuracy measurements in conditions of noises and disturbances. Proc. Polish-Chech-Hungarian Workshop on Circuits Theory, Signal Processing and Applications, Kraków 1998, pp. 73-79. 124 Bibliografia [103] Platonov A.A., Jędrzejewski K.: Adaptive model-based procedure for detection and estimation of drift-like faults in objects of regression type. Proc. IX-th European Workshop on Dependable Computing EWDC’ 98 – Testing Methods and Tools for Modern Computers Systems and Networks, Gdańsk 1998, pp. 77-81. [104] Platonov A.A., Jędrzejewski K.: Optimal filtering of nonstationary processes using adaptive compensatory sensors. Zgłoszony do International Journal of Adaptive Control and Signal Processing. [105] Luenberg D.G.: An introduction to observers. IEEE Trans. on Automatic Control, vol. 16, 1971, pp. 596602. [106] Lueders G., Narenda K.S.: An adaptive observer and identifier for a linear system. IEEE Transaction on Automatic Control, vol. 18, 1973, pp. 117-119. [107] Van Der Schaft A.J.: On nonlinear observers. IEEE Trans. on Automatic Control, vol. 30, 1985, pp. 12541256. [108] Nagy F.: Measurement of signal parameters using nonlinear observers. IEEE Trans. on Instrumentation and Measurement, vol. 41, 1992, pp. 152-155. [109] Davis M.H.A.: Linear estimation and stochastic control. Champen & Hall Ltd., London 1977. [110] Medith J.S.: Estymacja i sterowanie statystycznie optymalne w układach liniowych. WNT, Warszawa 1975. [111] Schweppe F.C.: Układy dynamiczne w warunkach losowych. WNT, Warszawa 1978. [112] Van Trees H.L.: Detection, estimation and modulation theory. Wiley, New York 1972. [113] Morawski R.Z.: Metody odtwarzania sygnałów pomiarowych. Politechnika Warszawska, Instytut Radioelektroniki, wyd. II – uzupełnione. W serii Metrologia i systemy pomiarowe, Warszawa 1989. [114] Finkelstein L.: Measurement and instrumentation science - an analytical review. Measurement, No. 14, 1994, pp. 3-14. [115] Van den Bos A.: Parametric statistical model-based measurement. Measurement, No. 14, 1994, pp. 55-61. [116] Karcanias N.: Global process instrumentation - Issues and problems of a system and control theory framework, Measurement, No. 14, 1994, pp. 103-113. [117] Beyerer J.: The value of additional knowledge in measurement - a Bayesian approach. Measurement, No. 25, 1999, pp. 1-7. [118] Fiok A.J.: Electrical measuring instruments. Some "philosophical" aspects. Proc. IMEKO TC-4, Vienna, 1992, OVE-Shriftenreihe, No. 2, pp. 23-30. [119] Morawski R.Z.: Unified approach to measurand reconstruction. IEEE Trans. on Instrumentation and Measurement, vol. 43, 1994, pp. 226-231. [120] Jaworski J.M.: Pomiar jako identyfikacja parametryczna modelu matematycznego obiektu mierzonego. Metrologia i systemy pomiarowe, t. II, z. I, 1995, s. 1-23. [121] Morawski R.Z.: Modelowanie matematyczne a pomiar. Metrologia i systemy pomiarowe, t. II, z. I, 1995, s. 25-35. [122] Gajda J., Szyper M.: Modelowanie i badania symulacyjne systemów pomiarowych. Jartek s.c., Kraków 1998. [123] Sosulin Ju. G.: Tieorieticheskije osnovy radiolokacii i nawigacii. Radio i Swjaz’, Moskwa 1992. [124] Szabatin J.: Podstawy teorii sygnałów. WKŁ, Warszawa 1990 (wyd. II). [125] Sydenham P.H.: Podręcznik metrologii. t. I i II. WKŁ, Warszawa 1988 i 1990. [126] Dokumentacja techniczna kart kontrolno-pomiarowych serii LTI16V07. LATECH s.c., Puławy 1998. [127] Dokumentacja sterownika programowego dla Windows 3.x/95 LTIW32.DLL. LATECH s.c., Puławy 1998. [128] MATLAB. The language of technical computing. Application program interface guide. Version 5. The MathWorks, Inc. 1998. [129] MATLAB. The language of technical computing. Application program interface reference manual. Version 5. The MathWorks, Inc. 1998. [130] Jones L.T., Ressmeyer J.J., Clark C.A.: Precision DVM has wide dynamic range and high systems speed. Hewlett Packard Journal, April 1981, pp. 23-32. [131] Epstein J.S., Engel G.R., Hiller D.R., Purdy G.L., Hoog B.C., Wicklund E.J.: Hardware design for dynamic signal analyzer. Hewlett Packard Journal, December 1984, pp. 12-17. [132] Stabrowski M.M.: Miernictwo elektryczne. Cyfrowa technika pomiarowa. Warszawa 1994. [133] Złącze LAD-EXT dla modułów LTI16Vx. LATECH s.c., Puławy 1998. [134] Szabatin J. (red.): Teoria sygnałów i modulacji. Preskrypt laboratoryjny. Warszawa 1995 . 125