Cтраница 3
Отсутствие членов перекрестных произведений при комплексном умножении позволяет добиться увеличения скоростей, снижения сложности аппаратуры, отсутствия передачи ошибок от канала к каналу, а также регулярности структуры, которая легко реализуется на ПЛИС. Общее разделение и пересчет ( разделение по фиксированным постоянным) обычно требуют взаимодействия каналов, хотя эти операции могут быть использованы очень умеренно в большинстве алгоритмов обработки сигналов. Помимо высокой скорости и параллелизма, важных для реализации ПЛИС, разделение каналов также обеспечивает определенную степень локализации ошибок. Например, если случается сбой в одном из каналов и он может быть точно определен, процессор с исправным каналом может быть переключен в режим удвоенной нагрузки, в котором он выполняет работу обоих каналов. Такой механизм снизит скорость обработки данных, но позволит нейрокомпьютеру правильно продолжать работу. [31]
На практике не всегда выполняются условия оптимального приема сигналов, поэтому стали применять неоптимальные способы и схемы. Приемник принимает решение, что пришел тот сигнал, взаимокорреляционная функция которого с принятым в момент отсчета имеет максимальное значение. При неоптимальном некогерентном приеме алгоритм обработки сигналов (6.73) тот же, однако растет вероятность ошибки из-за искажений сигналов и применения неоптимальных схем. [32]
На практике не всегда выполняются необходимые условия оптимального приема сигналов, поэтому нашли применение неоптимальные способы и схемы приема. Приемник принимает решение, что пришел тот сигнал, взаимокорреляционная функция которого с принятым в момент отсчета имеет максимальное значение. При неоптимальном: некогерентном приеме алгоритм обработки сигналов (6.73) тот же, однако растет вероятность ошибки из-за искажений сигналов и применения неоптимальных схем. [33]
В книге много иллюстраций, полученных с помощью MATLAB, при этом во всех случаях приводится и соответствующий программный код. Разумеется, при описании многих функций MATLAB также демонстрируется их использование. Таким образом, книга содержит множество примеров реализации алгоритмов обработки сигналов средствами MATLAB, так что заинтересованный читатель сможет освоить эту систему и использовать ее для решения собственных задач. [34]
Обычно экспериментатор до опыта обладает лишь частью информации, необходимой для синтеза алгоритмов обработки сигналов методами классической теории. В этом случае имеет место проблема априорной неопределенности. Применение оптимальных для полностью известных сигналов и помех алгоритмов обработки сигналов в условиях априорной неопределенности приводит, как правило, к существенному снижению их эффективности или даже к полной потере работоспособности. Поэтому естественным является вопрос, существуют ли оптимальные для заданного вида априорной неопределенности алгоритмы обработки сигналов, обеспечивающие лучшие по сравнению с классическими характеристики эффективности, и, если да, то как их найти. Иными словами, нужно указать, как воспользоваться априорными сведениями об исследуемом объекте, которые имеются в распоряжении исследователя, чтобы сформулировать и решить задачу оптимального синтеза. [35]
В частности, в последние годы стали широко применяться цифровые фильтры. Их основным преимуществом перед аналоговыми фильтрами является возможность реализации сложных перестраиваемых алгоритмов обработки сигналов, которые практически неосуществимы с псмощью аналоговой техники. [36]
Подавляющее большинство современных систем обработки сигналов строятся как аналого-цифровые. Обусловлено это тем, что современные аналого-цифровые преобразователи ( АЦП) и цифровые компьютеры позволяют на их основе реализовывать системы, производительность и точность которых может значительно превосходить аналогичные характеристики аналоговых систем. В связи с этим необходимо учитывать особенности аналого-цифровых систем при построении и реализации алгоритмов обработки сигналов. [37]
Этот способ вообще является одним из самых распространенных методов повышения точности измерений, однако применительно к АС затрата на системы стабилизации значительно превосходят стоимость ИП. Повышение точности АС за счет структурной избыточности ( структурный метод) заключается в разработке структурно-избыточных АС, малочувствительных или инвариантных по отношению к основным дестабилизирующим факторам. Инвариантные структуры строятся по принципу двухканальногти, компенсационного метода Измерения, используют специальные, алгоритмы обработки сигналов измерения и т.п. Точность АС может быть повышена и за счет временной избыточности - используется, например, статистическая обработка результатов многократных наблюдений, уменьшающая случайную составляющую погрешности. Уровень СКО случайной погрешности АС снижается в атом случае в п раз, где Г) - число компонент выборки. Длительность измерения в этом случае возрастает в И раз, поэтому этот метод целесообразен при градуировке, в эксплуатационных условиях он зачастую неприемлем из-за изменения, измеряемой величины за время получения выборки. Широко распространены методы периодического контроля рабочей характеристики АС. Они осуществляются с помощью известных тестовых сигналов с последующей автоматической коррекцией результата измерения или рабочей характеристики ИП по данным контроля СХ тестовым методом. Используется также оптимизация эксплуатационных режимов АС по метрологическим показателям. Суть этого приема заключается в минимизации относительной СКП по измеряемой величине X, при фиксированных структуре АС и параметрах ИП. [38]
Обычно экспериментатор до опыта обладает лишь частью информации, необходимой для синтеза алгоритмов обработки сигналов методами классической теории. В этом случае имеет место проблема априорной неопределенности. Применение оптимальных для полностью известных сигналов и помех алгоритмов обработки сигналов в условиях априорной неопределенности приводит, как правило, к существенному снижению их эффективности или даже к полной потере работоспособности. Поэтому естественным является вопрос, существуют ли оптимальные для заданного вида априорной неопределенности алгоритмы обработки сигналов, обеспечивающие лучшие по сравнению с классическими характеристики эффективности, и, если да, то как их найти. Иными словами, нужно указать, как воспользоваться априорными сведениями об исследуемом объекте, которые имеются в распоряжении исследователя, чтобы сформулировать и решить задачу оптимального синтеза. [39]
Для этого код АРУ поступает на цифроаналоговый преобразователь ( ЦАП), где вырабатывается напряжение, управляющее коэффициентом усиления БСА. Синтезатор частот синхронизируется бортовым эталоном частоты и вырабатывает тактовые импульсы для АЦП и бортового вычислителя. Бортовой вычислитель выполняет арифметические и логические операции над кодами чисел, поступающими с АЦП в соответствии с алгоритмами обработки сигналов во всех режимах ПИ: идентификация сигналов, приходящих от различных РМ; синхронизация временной диаграммы ПИ с диаграммой излучения ( см. рис. 13.1); слежение за фазой принимаемых сигналов и измерение фаз ( разностей фаз); устранение многозначности фазовых отсчетов; оценка отношения сигнал / помеха и отбраковка ненадежных измерений; преобразование РНП в географические координаты с учетом поправок на распространение радиоволн. Пульт управления и индикации служит для ввода - вывода исходных данных и отображения информации о координатах и параметрах движения объекта. [40]
Большую роль в развитии теории обнаружения, различения и оценивания сигналов в условиях априорной неопределенности сыграли труды отечественных ученых-специалистов в области статистической радиотехники: П.А. Бакута, Д.Е. Вакмана, В.П. Ипатова, В.А. Корадо, В.П. Кузнецова, Е.И. Куликова, Б.Р. Левина, М.А. Миронова, В.Г. Репина, Ю.Б. Синдлера, Ю.Г. Сосулина, Р.Л. Стратоновича, Г.П. Тартаковского, В.И. Тихонова, А.П. Трифонова, Л.М. Финка, Д.М. Чибисова, Ю.С. Шинакова, A.M. Шлома, М.С. Ярлыкова и др. С середины 80 - х годов выходят в свет монографии, посвященные проблемам совместного обнаружения и оценивания сигналов ( см., например, монографию [75]), и с тех пор практически все авторы рассматривают эти задачи с единых позиций. В настоящее время теория продолжает интенсивно развиваться и еще далека от своего завершения. Об этом свидетельствуют большое число публикаций, появляющихся в научных журналах, и множество различных подходов к решению проблемы. Сфера применения устойчивых в условиях априорной неопределенности алгоритмов обработки сигналов непрерывно расширяется. К таким традиционным прикладным сферам, как связь, радио -, эхо - и гидролокация, добавились системы управления, медицина, психология, контрольно-измерительная техника и многие другие. Все это создает благоприятные условия для дальнейшего развития теории, появления новых идей и подходов. Один из таких подходов разработан авторами и нашел отражение в настоящей книге. Его сущность состоит в том, чтобы обеспечить синтез оптимальных, в условиях конкретного вида априорной неопределенности, алгоритмов обработки сигналов. Иными словами, синтезированные алгоритмы должны обеспечивать наилучшее качество обработки сигналов при любых фактических значениях параметров сигнально-помеховой обстановки и обладать устойчивостью к их изменениям. Такие свойства алгоритмов чрезвычайно полезны при их реализации в автоматических или автоматизированных технических системах. Слово устойчивого подчеркивает, что теория ориентирована на синтез алгоритмов, автоматически подстраивающих технические системы, в которых они реализованы, под конкретную сигнально-помеховую обстановку и позволяет получить максимальную в этих условиях эффективность. [41]
Синтезу оптимальных приемных устройств оптического диапазона и оценке их эффективности посвящен ряд работ. Так, в [41] Получен алгоритм действия оптического приемника при приеме дискретномодулированных по интенсивности сигналов; найдено, что оптимальными сигналами с точки зрения максимума отношения сигнал / шум являются сигналы с активной и пассивной паузой. В [21] рассматривался вопрос оптимального разрешения некогерентных Сигналов оптического диапазона; эта работа тесно связана с обнаружением точечных источников на фоне местности. Недостатком указанных работ является то, что статистические распределения сигнальных и шумовых фотонов задаются априорно, без строгого обоснования. Этого недостатка лишены работы [65, 90], где с квантовых позиций осуществляется подход к решению задач обнаружения и приема сигналов; этот подход позволяет определить потенциальные возможности обнаружения и выделения лазерных сигналов, осуществить синтез систем, реализующих эти возможности, найти предельную чувствительность и точность приборов. Анализ дискретных информационных систем оптического диапазона проводится в [42, 43, 45, 46, 47, 62, 67, 99, 101, 102, 103, 105, 106, 107], где также приведены оценки эффективности этих систем. Однако основополагающими работами в области статистической теории обнаружения и приема оптических сигналов следует считать работы К. Хелстрома [19, 20], где строго с квантовых позиций рассмотрен широкий круг интересных вопросов, введен оператор обнаружения и найден ряд аналитических выражений, позволяющих найти алгоритм обработки сигналов и произвести оценку эффективности систем. Отметим, что указанные работы носят характер журнальных статей и перечень их довольно скромен. Совершенно очевидно, что исследования в области создания статистической теории должны быть значительно расширены. [42]
Большую роль в развитии теории обнаружения, различения и оценивания сигналов в условиях априорной неопределенности сыграли труды отечественных ученых-специалистов в области статистической радиотехники: П.А. Бакута, Д.Е. Вакмана, В.П. Ипатова, В.А. Корадо, В.П. Кузнецова, Е.И. Куликова, Б.Р. Левина, М.А. Миронова, В.Г. Репина, Ю.Б. Синдлера, Ю.Г. Сосулина, Р.Л. Стратоновича, Г.П. Тартаковского, В.И. Тихонова, А.П. Трифонова, Л.М. Финка, Д.М. Чибисова, Ю.С. Шинакова, A.M. Шлома, М.С. Ярлыкова и др. С середины 80 - х годов выходят в свет монографии, посвященные проблемам совместного обнаружения и оценивания сигналов ( см., например, монографию [75]), и с тех пор практически все авторы рассматривают эти задачи с единых позиций. В настоящее время теория продолжает интенсивно развиваться и еще далека от своего завершения. Об этом свидетельствуют большое число публикаций, появляющихся в научных журналах, и множество различных подходов к решению проблемы. Сфера применения устойчивых в условиях априорной неопределенности алгоритмов обработки сигналов непрерывно расширяется. К таким традиционным прикладным сферам, как связь, радио -, эхо - и гидролокация, добавились системы управления, медицина, психология, контрольно-измерительная техника и многие другие. Все это создает благоприятные условия для дальнейшего развития теории, появления новых идей и подходов. Один из таких подходов разработан авторами и нашел отражение в настоящей книге. Его сущность состоит в том, чтобы обеспечить синтез оптимальных, в условиях конкретного вида априорной неопределенности, алгоритмов обработки сигналов. Иными словами, синтезированные алгоритмы должны обеспечивать наилучшее качество обработки сигналов при любых фактических значениях параметров сигнально-помеховой обстановки и обладать устойчивостью к их изменениям. Такие свойства алгоритмов чрезвычайно полезны при их реализации в автоматических или автоматизированных технических системах. Слово устойчивого подчеркивает, что теория ориентирована на синтез алгоритмов, автоматически подстраивающих технические системы, в которых они реализованы, под конкретную сигнально-помеховую обстановку и позволяет получить максимальную в этих условиях эффективность. [43]