ОБЩИЕ ВОПРОСЫ ОПТИМАЛЬНОЙ ОЦЕНКИ ПАРАМЕТРОВ СИГНАЛОВ

реклама
Лекция 5
ОБЩИЕ ВОПРОСЫ ОПТИМАЛЬНОЙ
ОЦЕНКИ ПАРАМЕТРОВ СИГНАЛОВ
ПРИ НАЛИЧИИ ПОМЕХ
Вопросы оптимальных оценок параметров сигналов на фоне аддитивных помех типа белого нормального шума впервые (1946 г.) были поставлены и решались академиком В. А. Котельниковым. Эта работа оказала сильное влияние на развитие оптимальных методов радиоприема.
Однако повышенный и широкоплановый интерес к вопросам оптимальных оценок параметров радиосигналов на фоне помех появился
только после опубликования в 1950 – 1952гг. работ Ф. Вудворта.
В качестве оптимальной оценки параметров сигнала на фоне белого
шума принималась оценка по максимуму апостериорного распределения
оцениваемого параметра.
Поскольку при больших отношениях сигнал/шум оценка параметра
по максимуму его апостериорного распределения асимптотически стремится к эффективной оценке, в работах Котельникова и Вудворта, а
также в последующих работах других авторов в качестве дисперсии оценок фактически принимались дисперсии эффективных оценок. В связи с
этим естественно возникает вопрос: насколько близка полученная таким
образом оценка к истинному значению в зависимости от отношения сигнал/шум, времени наблюдения, вида сигнала и оцениваемого параметра?
Позднее решались задачи о нахождении оптимальной оценки параметра сигнала при аддитивном приеме на фоне нормальных коррелированных помех, но и здесь в качестве дисперсии оценок как правило, принимаются дисперсии эффективных оценок без анализа получаемых при
этом ошибок.
Процесс наблюдения сигналов, осуществляемый человеком или каким-либо решающим устройством, состоит в обнаружении этих сигналов
и в оценке некоторых их параметров, несущих полезную информацию.
Техника наблюдения и оценки параметров сигналов в настоящее
время достигли весьма больших успехов.
Дальнейшее усовершенствование большинства радиотехнических и
радиофизических приборов и устройств за счет улучшения конструктивных
и технологических решений имеет свой предел, определяемый чисто физическими процессами – флуктуациями и помехами естественного и искусственного происхождения.
49
Это заставляет изыскивать принципиально новые пути решения задач передачи и приема сообщений, учитывающие статистические свойства различных характеристик передаваемых сообщений (сигналов) и
помех (шумов).
Шумы обусловливают случайный характер результатов наблюдения, и поэтому для обработки этих результатов используется статистический метод.
Современная статистическая теория приема сигналов рассматривает приемное устройство как некоторый фактор, выделяющий полезную информацию об интересующем нас параметре из принимаемой смеси сигнала и шума.
Формулировка задачи оценки параметров
Пусть s(t , , q, r ,...) – сигнал, а n(t) – шум на входе приемного
устройства.
Тогда на входе приемника действует реализация

x(t )  s (t , , q, r ,...) n(t )
0t T
.
По принятой реализации х(t) необходимо наилучшим образом решить, какие именно значения из возможных в интервале изменений
имеют параметры , q, r … .
Наиболее полное значение об искомых параметрах дает послеопытная (апостериорная) плотность вероятности. Для одного параметра 
имеем апостериорную плотность вероятности – условную вероятность в
зависимости от условия, что принята реализация x(t):
Pps ()  P( / x) .
По теореме об условных вероятностях
P(, x)  P( x) P( / x)  P() P( x / ) ,
P ( ) P ( x /  )
,
Pps ()  P( / x) 
P( x)
(1)
где P()  Ppr () – априорная плотность вероятности оцениваемого
параметра  ; P(x) – плотность вероятности реализации x(t ) ; [P(x)]-1 = g –
неизвестный коэффициент, не зависящий от  и определяемый из условий
нормирования:
50
 Pps ()d  1 ,
L
L – область возможных изменений значения  .
1. ФУНКЦИЯ ПРАВДОПОДОБИЯ P ( x / )  ()
Эта условная плотность вероятности при фиксированной реализации x(t) показывает, насколько одно возможное значение параметра 
более правдоподобно, чем другое.
Приемное устройство, образующее на своем выходе апостериорное
распределение оцениваемого параметра Pps    gPpr      , обычно
называют ОПТИМАЛЬНЫМ приемным устройством.
По значению Pps(  ) принимается то или иное решение относительно
наличия сигнала и оцениваемого параметра.
Вынести решение при оценке одного параметра – это значит каждой возможной реализации х(t) на входе оптимального приемника
необходимо поставить в соответствие некоторое значение параметра  из
интервала возможных значений  , т. е. сформулировать некоторый
ФУНКЦИОНАЛ f = f [x(t)], называемый оценкой.
Из-за помех неизбежны ошибки, т. е. когда на входе сигнал с параметром  0 , однако принимается решение о величине (оценке) этого параметра  .
Каждая ошибка сопровождается некоторыми потерями, которые в
свою очередь характеризуются функциями потерь.
Наиболее часто используются:
 простая функция потерь
w(, f )  1  (  f ) ,
 квадратичная функция потерь
w(, f )  ( f  ) 2 .
Простая функция потерь минимизирует среднюю вероятность неправильного решения. В качестве оценки выбирается  , при котором
апостериорная вероятность Pps (  ) обращается в максимум максиморум.
Квадратичная функция потерь минимизирует среднее отклонение, а
сама оценка определяется соотношением
51
f   Pps ()d,
L
т. е. координатой центра тяжести апостериорного распределения.
Из-за случайного характера оценка характеризуется условной плотностью g(f/  ), вид которой определяет качество оценки. Обычно стремятся, чтобы g(f/  ) как можно более тесно группировалась вокруг  .
Смещение m(f) и рассеяние  2f оценки характеризуются соответственно:
m( f )   ( f  ) g ( f / )d ,
 2f   ( f  ) 2 g ( f / )d .
Иногда вместо апостериорного распределения используют только
функцию правдоподобия () . Априорное распределение Ppr(  ) обычно
неизвестно, и расчеты выполняются для менее предпочтительного в
большинстве практических задач равномерного (на некотором интервале) распределения Ppr (  ).
В качестве критерия оптимальности используется:
 эффективная оценка;
 минимизация среднеквадратичной ошибки;
 максимизация апостериорной вероятности Pps(  ) или функции
правдоподобия () .
Установлено, что эффективная оценка существует тогда и только
тогда, когда удовлетворяются условия Краммера:
() = [x(t)] g (f/  ),

n g(f/  ) = к (f-  ),

где [x(t)] – некоторая произвольная функция от х(t); к – коэффициент,
не зависящий от  .
Рассеяние эффективной оценки ограничено снизу:
( 2 ()) мин

2



  n()
  


52
1

 ,

x (t ) 
где усреднение осуществляется по всем реализациям x(t).
При использовании критерия по минимуму среднеквадратической
ошибки необходимо вычислить интеграл
 2 ( f )   (  f ) 2 Pps ()d
L
Этот интеграл трудно вычислить, так как сложно определить Pps(  )
на всем интервале L.
Основными преимуществами оптимизации по методу максимума Pps
или  (  ) являются:
 оценка по максимуму Pps(  ) или  (  ) совпадает с оценкой по
минимуму среднеквадратической ошибки, если  (  ) в среднем
обладает свойством симметрии;
 если эффективная оценка существует, то она может быть найдена
по максимуму Pps(  ) ;
 эта оценка инвариантна по отношению к произвольному взаимно
однозначному преобразованию  (  ), что облегчает построение
схем.
При упомянутом ранее предположении о равномерном априорном
распределении оцениваемых параметров ОПТИМАЛЬНОЕ УСТРОЙСТВО
формирует функцию правдоподобия Λ(  ,q, …) , а решающее устройство
в результате анализа Λ(  ,q, …) по методу максимума максиморума
[в случае большого числа максимумов Λ(  ,q, …) ] должно определить
значения параметров  ,q и так далее, при которых функция правдоподобия Λ(  ,q, …) достигает максимума максиморума.
Для простоты рассмотрим оценку одного параметра (рис.1). При
этом всегда следует иметь в виду, что Λ(  ) – случайная функция, имеющая в интервале возможных изменений L в общем случае, несколько
максимумов.
53
 ()

0
m
 ()
   m   0
а


m
0
б
Рис. 1. Два вида ошибок оценки параметра случайного процесса по
методу максимума функции правдоподобия при большом (а) и малом (б)
отношении сигнал/шум
2. ОПТИМАЛЬНАЯ ОЦЕНКА ПАРАМЕТРОВ
ПОЛНОСТЬЮ ИЗВЕСТНЫХ СИГНАЛОВ НА
ФОНЕ НОРМАЛЬНОГО ШУМА
Достаточно полное и детальное описание случайного процесса ξ (t)
дается многомерными плотностями вероятности.
Плотность вероятности Wn(y1,…yn; t1,…,tn), называемая n-мерной,
определяет вероятность того, что значения случайной функции ξ (t) в
моменты времени t1,…,tn заключены соответственно в интервалы
(y1 < ξ1 < <y1+ Δy1), … ,yn< ξn< yn+Δyn).
При достаточно малых Δyi эта вероятность равна Wn(y1,…yn; t1,…,tn)·
·Δy1…Δyn.
Многомерная плотность вероятности Wn(y1,…,yn; t1,…,tn) позволяет
судить о связи между вероятными значениями случайной функции в
произвольные моменты времени t1,t2,…,tn.
54
Для стационарных случайных процессов Wn(y1,…,yn; t1,…,tn) =
= Wn(y1,…,yn; t1-t0,…,tn-t0), т.е. не изменяется при изменении начала отсчета по времени.
Для нахождения функции правдоподобия Λ(  ) оцениваемого параметра  при оптимальном приеме сигнала на фоне нормального шума в
течение некоторого фиксированного непрерывного промежутка времени
широко используется понятие функционала плотности вероятности, как
предельного случая многомерной плотности вероятности.
Функционал плотности вероятности
F[y(t)] = lim Wn ( y1 ,..., y n ) ,
0
n
где предполагается, что при дискретном наблюдении случайного
процесса ξ (t) отсчеты берутся через равноотстоящие моменты времени
Т
Δ = ti+1- ti (i=1,…,n). Число выборок равно целому числу дроби 1  .

Функционал плотности вероятности по своему характеру учитывает
все статистические свойства случайного процесса ξ (t) на интервале
(t,t+T).
Рассмотрим многомерную плотность вероятности стационарного
случайного процесса с корреляционной функцией
K(ti-tj)=Kij=  (t i ) (t j ) .
Для такого процесса имеем:
Wn ( y1 ,..., y n ) 
где Det K ij
1
(2n) n  Det K ij
 1 n

 exp   yi y j Сij  ,
 2 i , j 1

– определитель корреляционной матрицы порядка n  n,
Сij – элементы матрицы С  Сij , обратной корреляционной матрице,
причем элементы Сij определяются из уравнения вида
 1, i  k
n
 Сij K jk   ik  0, i  k.

j 1
Характеристика непрерывного случайного процесса y(t), являющаяся континуальным аналогом многомерного закона распределения при
55
T
 t i 1  t i  0 (при n   ), называется функционалом плотноn 1
сти вероятности процесса y(t):


F  y (t )  lim Wn ( y ) .
 0
n
Для вычисления функционала F[y(t)] введем функцию
(ti , t j )  lim
0
Сij
2
,
которая может быть определена из интегрального уравнения
T
 (ti , t j ) K (t j , t k )dt j  (ti  t k ) ,
0
где (ti  t k ) – дельта-функция Дирака, получающеюся из уравнения
n С ij

 2 K jk   ik при переходе к пределу при   0 .

j 1 
Заметим, что поскольку K ij  K ji , то
Сij  С ji ,
(ti , t j )  (t j , ti ) .
По аналогии с обратной матрицей Сij функцию (ti , t j ) будем
называть обратно-корреляционной функцией.
Предел показателя экспоненты функционала плотности вероятности
процесса y(t) равен:
cij 
 1 n
1TT
lim   yi y j 2 2      y (t1 ) y (t 2 )(t1 , t 2 )dt1dt2 ,
0
2 i , j 1
200


n 
где
T
 (t1 , t ) K (t , t 2 )dt  (t1  t 2 ) .
0
56
Таким образом, с точностью до некоторых постоянных множителя g,
не зависящих от конкретно рассматриваемой реализации процесса y(t) ,
функционал плотности вероятности можно представить в виде
 1TT

F [ y (t )]  g  exp    y (t1 ) y (t 2 )(t1 , t 2 )dt1dt2  ,
 2 00

где функция (t1 , t 2 ) связана с корреляционной функцией K(ti-tj) интеT
гральным уравнением  (t1 , t ) K (t , t 2 )dt  (t1  t 2 ) .
0
3. ФУНКЦИЯ ПРАВДОПОДОБИЯ ОЦЕНИВАЕМОГО
ПАРАМЕТРА
Функция правдоподобия оцениваемого параметра  при приеме
полностью известного сигнала s(t,  ) на фоне аддитивного нормального
стационарного шума получается путем подстановки в выражение для
функциональной плотности вероятности нормального шума вместо y(t)
функции n(t )  x(t )  s(t , ) . Получаем для функции правдоподобия параметра 
1TT
 ()  g  exp[   x(t1 ) x(t 2 )(t1 , t 2 )dt1dt2 
200

1TT
  s(t1 , ) s(t 2 , )(t1 , t 2 )dt1dt2 
200
TT
   x(t1 ) s (t 2 , )(t1 , t 2 )dt1dt2 ].
00
Первый двойной интеграл в этом выражении не зависит от  .
T
Введем функцию (t , )   s(t1 , )(t , t1 )dt1 .
0
T
 1T

Тогда ( )  g  exp    s(t , )(t , )dt   x(t )(t , )dt  .
0
 20

Функция (t , ) с помощью интегрального уравнения может быть
связана непосредственно с функцией корреляции исходного шума.
57
T
Для этого обе части уравнения  (t1 , t ) K (t  t 2 )dt  (t1  t 2 ) умножим на
0
s (t1 , ) и проинтегрируем по t1 , в результате чего получим
TT
T
00
0
  (t1 , t ) K (t  t 2 )s(t1 , )dt1dt   (t1  t 2 )s(t1 , )dt1  s(t 2 , ) .
С учетом выражения для (t , ) имеем
T
 K (t  t 2 )(t , )dt  s(t 2 , ) .
0
Таким образом, введенная функция определяется из интегрального
уравнения Фредгольма, где в качестве ядра фигурирует функция корреляции исходного шума.
58
Скачать