Analisis Espectral-con solucion de tarea

ESTIMACION ESPECTRAL
Analisis Espectral
1 / 33
Introducción
Recordemos la definición de la DEP; entonces dado un proceso
aleatorio ESA x[k] , la DEP esta dada por:
Recordemos ahora el teorema de Wiener-Khinchine:
Analisis Espectral
2 / 33
El problema de la estimación de la DEP
1.
Ambas ecuaciones anteriores involucran un promedio del ensamble
pero en la practica solo obtenemos una realización del ensamble.
2.
Ambas ecuaciones usan una Transformada de Fourier de longitud
infinita, pero en la practica solo tenemos un numero finito de
muestras.
(Nota: Un # finito de muestras solo permiten calcular un # finito
de valores de autocorrelación)
Hay 2 aproximaciones para obtener la DEP:
1.
Calcular la TFD de la señal y de alguna forma promediarla.
2.
Calculo y estimación de la autocorrelación usando alguna forma de
promedio y posteriormente calcular la TFD.
Ambas aproximaciones son llamadas Aproximaciones NoParamétricas “Clásicas”, las cuales tratan de hacer lo mejor posible
con los datos disponibles haciendo o sin hacer ninguna asumsion,
solo la de que el proceso es Estacionario en Sentido Amplio (ESA).
Analisis Espectral
3 / 33
La aproximación Paramétrica Moderna
Hay una aproximación llamada “Moderna” para la estimación de la
DEP la cual intenta resolver el problema de tener únicamente un #
finito de muestras:
Asume un modelo recursivo para la Autocorrelación
Permite una extensión recurrente de la autocorrelación
usando los valores conocidos.
Ejemplo de un Modelo recursivo:
Más adelante veremos que para esta aproximación, todo lo que
necesitamos hacer es estimar los parámetros del modelo {ai} y
usarlos para obtener una estimación de la DEP. Por lo tanto esta
estimación es llamada “Paramétrica”.
Analisis Espectral
4 / 33
Repaso de Estadísticas
Antes de que empecemos a estudiar el problema de estimar la DEP,
necesitamos repasar algunos detalles estadísticos.
Que necesitamos para realizar la estimación de la DEP?
Dado: Un numero finito de muestras de una realización
Obtenemos: Algo que se “parece a” la DEP del proceso.
Analisis Espectral
5 / 33
Repaso de Estadísticas (cont.)
Por lo tanto, debemos de ver la estimación de la DEP como un Proceso
Aleatorio.
Necesitamos caracterizar su media y su varianza:
• Queremos que la media de la estimación de la DEP = realmente la DEP
• Queremos que la varianza de la estimación de la DEP = “pequeña”
Para comprender mejor el problema, usaremos un problema ligeramente
diferente para ilustrar los detalles. Consideremos el proceso:
Dado un conjunto finito de muestras x[0],. . . ., x[N-1]. Deseamos estimar A
Una estimación lógica es:
“media de las muestras”
Para cada realización de x[n], obtenemos un valor diferente para la
estimación de A.
Analisis Espectral
6 / 33
Ejemplo: Filtro de Promedio Móvil
• Promedio Móvil de M puntos:
• Usada en suavizar variaciones aleatorias de datos.
• Una aplicación puede ser:
x[n] = s[n] + d[n],
• donde s[n] es la señal contaminada con ruido d[n]
Analisis Espectral
7 / 33
Ejemplo: Filtro de Promedio Móvil
% Suavizado de la senal por un filtro de
promedio movil
R = 50;
d = rand(R,1)-0.5;
m = 0:1:R-1;
s = 2*m.*(0.9.^m);
x = s + d';
plot(m,d,'k-',m,s,'b--',m,x,'r:')
xlabel('indice de tiempo n','FontSize',14);
ylabel('Amplitud','FontSize',14)
legend('d[n]','s[n]','x[n]');
pause
M = input('Numero de muestras de entrada =
');
b = ones(M,1)/M;
y = filter(b,1,x);
figure
plot(m,s,'r-',m,y,'b--')
legend('s[n]','y[n]');
xlabel ('indice de tiempo n','FontSize',14);
ylabel('Amplitud','FontSize',14)
Analisis Espectral
8 / 33
Repaso de Estadísticas (cont.)
Queremos que ocurran dos cosas durante la estimación:
1. Queremos que nuestra estimación sea “correcta en el promedio:
Si esto es verdadero, decimos que la estimación es sin desplazamiento
(unbiased).
Si no es verdad, entonces decimos que la estimación es desviada (biased)
Si no es verdad, pero
decimos entonces que la estimación es asintóticamente sin desplazamiento.
2. Queremos pequeñas fluctuaciones de estimación a estimación:
También nos gustaría que
Analisis Espectral
9 / 33
Estimación Espectral No-Paramétrica
Familia de Métodos No-Paramétricos
Analisis Espectral
10 / 33
Familia de Métodos Clásicos
Analisis Espectral
11 / 33
El Periodograma
Esta basado en la ecuación:
En forma practica tenemos un conjunto de datos de duración
finita, por lo que tenemos los siguientes problemas:
1) No podemos obtener el valor esperado
2) No podemos aplicar el limite
Sin embargo, el Periodograma es un método que ignora ambos
problemas.
En la practica podemos obtener esta estimación usando la TF
discreta en tiempo.
Analisis Espectral
12 / 33
Cálculo del Periodograma
En la practica, calculamos la estimación del periodograma usando
la TF discreta (FFT) (normalmente rellenamos con ceros).
Analisis Espectral
13 / 33
% Ejemplo del Periodograma de Ruido Blanco
x=randn(1,32);
% Genera 32 muestras de ruido blanco Gaussiano con varianza unitaria
% x=2*rand(1,100)-1; % Genera 100 muestras de ruido blanco con media cero que es uniformemente distribuida sobre % el intervalo [-1,1].
t=0:31;
stem (t,x)
legend('32 muestras de ruido blanco con varianza unitaria');
% Calculo de la autocorrelacion estimada
r=xcorr(x);
t1=-31:31;
figure
stem (t1,r)
legend('Estimacion de la autocorrelacion');
% Estimacion de la DEP con el periodograma
n1=1;
n2=31;
DEP=abs(fft(x(1:31),1024)).^2/(n2-n1-1);
P=20*log10(DEP+eps);
figure
plot(1:1024,P)
legend('Espectro');
ylabel('Magnitud (dB)');
Analisis Espectral
14 / 33
El periodograma como un banco de filtros
A pesar de que el Periodograma es implementado con la TFD, es
útil interpretarla como un banco de filtros.
Definamos la respuesta al impulso de un filtro FIR como:
La respuesta en frecuencia de este filtro es:
Analisis Espectral
15 / 33
El periodograma como un banco de filtros
La magnitud de la respuesta en frecuencia del filtro pasa banda
usado en la interpretación de bancos de filtros del periodograma.
Analisis Espectral
16 / 33
El periodograma como un banco de filtros
Ahora la salida del i-ésimo filtro es:
Ahora la estimación de la potencia a la salida del filtro es:
Para cualquier valor de n. Escogiendo n=N-1 nos resulta en el
periodograma
Analisis Espectral
17 / 33
El periodograma como un banco de filtros
El Periodograma puede ser visto como la DEP estimada que es
obtenida usando un banco de filtros pasa banda
Analisis Espectral
18 / 33
Tarea
• Obtenga la DEP para la siguiente señal usando el
método del Periodograma
Analisis Espectral
19 / 33
Solución
N=300;
M=1024;
P=1; %numero de realizaciones
x=zeros(N,P);
for i=1:P,
x(:,i)=cos(0.2*pi*[0:N-1]'+2*pi*(rand(1,1)-0.5))+randn(N,1);
end
S=abs(fft(x,M)).^2/N;
figure
subplot(211);
plot(x);
title ('señal coseno + ruido blanco');
grid on;
subplot(212)
plot(linspace(0,1,512),10*log10(S(1:512)));
grid on;
title ('Estimacion con Periodograma');
ylabel('Densidad Espectral de Potencia (dB)')
xlabel('frecuencia');
Analisis Espectral
20 / 33
Funcionamiento del Periodograma
Para una buena estimación de la DEP, nos gustaría tener (por lo
menos):
Tiene estas características, el Periodograma?
Vamos a averiguarlo!!!
Analisis Espectral
21 / 33
Funcionamiento del Periodograma: Desplazamiento (Bias)
Propiedad #1: El Periodograma es desviado (biased)
Propiedad #2: Pero. . el Periodograma es asintóticamente sin desplazamiento
Demostración: Tomamos el valor esperado del periodograma
Analisis Espectral
22 / 33
Funcionamiento del Periodograma: Desplazamiento (Bias)
Continuación de la demostración: La demostración anterior nos demuestra
que el Periodograma es desviado.
La desviación ocurre por el efecto suavizador de la ventana de Bartlett.
(el efecto de suavizado reduce la resolución de las características
espectrales agudas.
Pero cuando N
la ventana Bartlett tiende a la función delta en el
dominio de la frecuencia, o equivalentemente la ventana Bartlett tiende a
1 en el dominio del tiempo.
Por lo tanto el Periodograma
es asintóticamente sin
desplazamiento
Analisis Espectral
23 / 33
Funcionamiento del Periodograma: Varianza
Propiedad #3: La varianza del Periodograma no tiende (en general)
a cero conforme N
.
Demostración: Es difícil de demostrar para el caso general,
así que usaremos una asumsion para realizar la demostración:
Proceso Gausiano Blanco, con media cero y varianza
Con esta asumsion, la verdadera DEP y Autocorrelación son:
La varianza es lo que deseamos analizar y esta dada por:
Analisis Espectral
24 / 33
Funcionamiento del Periodograma: Varianza (cont.)
De nuestro anterior análisis de la desviación (bias) ( y las asumsiones
asumidas para el proceso), encontramos que el segundo término es:
De tal forma que la varianza del periodograma es ahora:
Analisis Espectral
25 / 33
Funcionamiento del Periodograma: Varianza (cont.)
Este término puede ser visto como:
Agrupando estos términos:
Analisis Espectral
26 / 33
Funcionamiento del Periodograma: Varianza (cont.)
Ahora, Cual es el Valor Esperado??? Bien… desde que asumimos
que el proceso es Gausiano, podemos usar un resultado estándar
para variables Gausianas complejas:
Ahora usamos este resultado en conjunto con la asumsion de
tener un proceso Gausiano blanco:
Remplazando este resultado en
Analisis Espectral
, obtenemos:
27 / 33
Funcionamiento del Periodograma: Varianza (cont.)
Analisis Espectral
28 / 33
Funcionamiento del Periodograma: Varianza (cont.)
Ahora la TF de la ventana Bartlett es:
Remplazándola en la ecuación anterior obtenemos:
Analisis Espectral
29 / 33
Funcionamiento del Periodograma: Varianza (cont.)
Para encontrar el primer término en la expresión de la varianza
,
debemos hacer que w=w1=w2 en la ecuación anterior de tal forma que
obtenemos:
Usando este resultado en la ecuación para la varianza
obtenemos
. . . La cual no tiende a 0
conforme N
Analisis Espectral
30 / 33
Funcionamiento del Periodograma: Covarianza
Propiedad #4: Incrementar N nos conduce a periodogramas de rápida
fluctuación (aun cuando la verdadera DEP es suave).
Demostración: Usando los resultados anteriores, la covarianza del
periodograma esta dada por:
La covarianza es una medida de cómo dos VA’s están correlacionadas
Por lo tanto, cov(X,Y)=0 indica que hay una alta probabilidad de que X
& Y sean muy diferentes. Ahora la ecuación anterior indica que hay
pares de frecuencia (w1,w2) para los cuales la covarianza del
periodograma es cero.
El periodograma fluctúa rápidamente de frec. en frec.
Analisis Espectral
31 / 33
Funcionamiento del Periodograma para un PA no blanco
El análisis anterior fue realizado considerando un ruido blanco.
Para el caso que tengamos un proceso no blanco tenemos que:
Analisis Espectral
32 / 33
• FIN
Analisis Espectral
33 / 33