Когерентный анализ сигналов по ключу
Автор: Нестеров М.М., Трифанов В.Н.
Журнал: Научное приборостроение @nauchnoe-priborostroenie
Рубрика: Оригинальные статьи
Статья в выпуске: 2 т.10, 2000 года.
Бесплатный доступ
Обобщаются методы когерентного анализа сигналов в форме наиболее удобной не только для сигналов импульсной и периодической природы, но и для тех случаев, когда можно применить метод кластеризации, позволяющий выделять набор особенностей статистического сигнала, специфических для рассматриваемой задачи.
Короткий адрес: https://sciup.org/14264132
IDR: 14264132
Текст научной статьи Когерентный анализ сигналов по ключу
Когерентный анализ сигналов был разработан авторами с целью повышения разрешающей способности обнаружения и описания скрытых слабых закономерностей в условиях большого шума.
Стандартные методы обработки сигналов, такие как дисперсионный, корреляционный и спектральный, имеют ряд существенных ограничений, к числу которых относятся условия, снижающие их разрешающую способность.
Прежде всего следует отметить их относительно хорошую работу в условиях низкого шума, когда отношение сигнал/шум больше пяти.
Этот порог можно несколько снизить если известен закон распределения шума. Тогда можно построить спектральный анализ сигнала с оптимальной фильтрацией. При хорошем разделении сигнала и шума методы с оптимальной фильтрацией позволяют снизить пороговое значение отношения сигнал/шум до единицы [1].
Если к тому же известны спектральные характеристики самого сигнала, значительно отличающиеся от спектральных характеристик известного шума, то методы оптимальной фильтрации могут иметь высокую и даже очень высокую разрешающую способность обнаружения сигнала с пороговым значением отношения сигнал/шум, измеряемым процентами и даже их долями. Однако такая ситуация встречается крайне редко. Как правило, проблема возникает уже на уровне разделения сигнала и шума, не говоря уже о знании их спектральных или других характеристик распределения, которые, как правило, неизвестны.
Другой не менее важной проблемой является проблема различения и распознавания обнаруженных слабых сигналов. Несмотря на большое количество весьма красивых стандартных методов распознавания в условиях шума, когда сигналы, накладываясь друг на друга, становятся совместными, практически все они перестают работать в силу недостаточных разрешающих возможностей различения.
Практически все хорошо отработанные стандартные методы обработки сигналов в решении проблем обнаружения, различения и распознавания могут удовлетворительно работать только в условиях стационарных сигналов. В случае нестационарных, нестабильных сигналов эти методы, по существу, перестают работать.
Всякие попытки построения время-частотных динамических фильтров не решают проблему получения удовлетворительной разрешающей способности. Более того, возникает высокий уровень неопределенности и ложных фантомных сигналов, наведенных самим методом обработки, например в случае анализа нестационарных разрывных сигналов, когда в местах разрыва появляются фантомы.
Следует также отметить, что динамические фильтры Калмана не оправдали надежд на возможность их эффективного применения к анализу нестационарных сигналов.
Когерентное суммирование линейных немультипликативных сигналов эффективно тогда, когда суммируемые сигналы синфазны, когерентны, од-нонаправлены. В этих условиях кумулятивная сумма даже очень слабых сигналов при определенных объемах суммирования становится выше порога обнаружения, различения и распознавания и становится пригодной для эффективного решения этих проблем.
Основная проблема реализации когерентного анализа лежит в способах выделения кластеров когерентности. Таких способов может быть неопределенное множество, отличающихся друг от друга своими ключевыми процедурами выделения когерентных кластеров и способами их группировки по классам подобия. Когерентное линейное суммирование производится по каждому классу подобия отдельно. В результате возникают распределения когерентных сумм по выделенным классам подобия, которые и используются для решения проблем обнаружения, различения, селекции и распознавания сигналов.
Подобные методы анализа сигналов будем кратко называть когерентным анализом по ключу .
В данном разделе рассматривается один из методов когерентного анализа по ключу, основанный на статистической фильтрации сигналов.
Этот анализ производится в режиме самоорганизации, самонастройки без всяких предварительных гипотез о разделении сигнала и шума, а также о характере законов их распределения.
Когерентный анализ по ключу производится в несколько последовательных крупных этапов.
-
1. Этап когерентной кластеризации сигнала по максимумам и минимумам (минимаксные методы).
-
2. Этап статистической фильтрации сигнала и получения статистического фильтра.
-
3. Этап линейного суммирования сигналов по классам подобия когерентных кластеров на основе статистического фильтра.
-
4. Этап линейного суммирования сигналов по классам подобия когерентных кластеров и получения распределений сумм по этим классам.
-
5. Этап сравнения распределений разных сигналов, обнаружения аномалий, их различения, селекции и распознавания.
Следует отметить, что по всем пяти этапам имеются свои оригинальные разработки нестандартного анализа . Однако, когда качественно выполнены первые четыре этапа нестандартного анализа, то пятый этап можно выполнить даже простым визуальным методом или соответствующими отработанными методами стандартного анализа сравнения распределений.
Поэтому в статье будут рассмотрены особенности нестандартного анализа первых четырех этапов.
-
1. КОГЕРЕНТНАЯ КЛАСТЕРИЗАЦИЯ СИГНАЛА МИНИМАКСНЫМИ
МЕТОДАМИ
Основная идея этого метода основана на выделении областей сигнала (кластеров) между соседними минимумами, между которыми находится один максимум (триады минимум–максимум–ми-нимум).
В самом простом случае достаточно иметь три последовательных значения сигнала x 1 , x 2 , x 3 , чтобы по ним обнаружить как минимум, так и максимум. А именно:
для максимума справедливы сравнения x 2 > x1 и x 2 > x 3;
для минимума имеем сравнения противоположного плана x 2 < x1 и x 2 < x 3.
Глобально для триады минимум – максимум – минимум достаточно иметь минимум три точки . Если сигнал регулярной периодичности типа сину соиды , то одна точка , а именно минимум между двумя соседними триадами , является общей . По этому для обнаружения регулярных триад в этом регулярном случае требуется по две точки на каж дую триаду .
Если триады возникают с частотой f, а время наблюдений Т, то общее количество точек такого регулярного сигнала будет равно
N = 2 f ■ T .
Как видим, это типичный аналог теоремы Котельникова.
В условиях нерегулярных сигналов с шумом, чтобы отфильтровать влияние высокочастотных шумов на обработку сигнала, целесообразно рассматривать не отдельные отсчеты сигнала, а их последовательные суммы. При этом возможны два полярных случая. В первом случае суммы x1, x2, x3 несовместны, но рядом положены. Во втором случае суммы x1, x3 несовместны и рядом положены, а сумма x2 совместна с ними обеими на их смежных симметричных частях. В этом случае мы имеем четыре несовместные рядом положенные суммы y1, y2, y3, y4. Причем с предыдущими суммами они связаны соотношениями x1 = y1 + y2, x2 = y2 + y3, x3 = y3 + y4.
Минимальное количество отсчетов, удовлетворяющих этим двум несовместным разбиениям общего измерительного кортежа равно 12, это число есть наименьшее общее кратное чисел 3 и 4.
Таким образом, для выделения регулярных кластеров в условиях высокочастотного шума требуется общее количество точек
N = 24 f • T .
Точки минимума и максимума в этом случае
определяются условиями: |
для максимума |
x 2 > x 1 и x 2 > x 3 , |
или |
y 2 + y 3 > У 1 + y 2 и y 2 + y 3 > y 3 + y 4 |
для минимума |
x 2 < x 1 и x 2 < x 3 , |
или |
y 2 + y 3 < y 1 + y 2 и y 2 + y 3 < y 3 + y 4 . |
Здесь 12 точек кортежа в первом случае разбиваются на 3 суммы x 1 , x 2 , x 3 по 4 точки в каждой.
Во втором случае они разбиваются на 4 суммы y 1 , y 2 , y 3 , y 4 по 3 точки в каждой.
Каждую пару сравнений можно взвесить и получить по одному равномощному сравнению.
Для максимума
-
3 x 2 + 4( у 2 + у з ) > 3 x 1 + 4( y 1 + у 2 ),
I 3 x 2 + 4( у 2 + у 3 ) > 3 x 3 + 4( у з + у 4 ).
Для минимума
-
3 x 2 + 4( у 2 + у 3 ) < 3 x 1 + 4( у 1 + у 2 ),
I 3 x 2 + 4( у 2 + у 3 ) < 3 x 3 + 4( у 3 + у 4 ).
Разделительными точками кластеров являются точки минимума, между которыми находится одна точка максимума.
Перенумеруем все максимумы сигнала и рассмотрим кластер ( к ) между точками ( к ) и ( к + 1) с временами tk и tk +1 и со значениями минимумов x 1, к , x 1, к +1 -
По точкам минимумов можно проводить аппроксимационные огибающие разного порядка. В самом простом случае огибающая будет состоять из отрезков прямых первого порядка.
Сигнал огибающей кластера (к) в момент t имеет вид x 1 к + 1 — x 1 к , x 1(t) = x 1,к + —.------—(t- tk)> tе [tk, tk+1].
-
t k + 1 t k
Таким образом, минимумы исходного сигнала x ( t ) образуют сигнал огибающей первого порядка x 1 ( t ).
Теперь мы можем сформировать неотрицательный сигнал первого порядка у 1(t) = x(t) - x 1(t).
Отсчеты каждого кластера в этом случае будут положительные и их можно накапливать простым линейным суммированиями.
Огибающую минимумов первого порядка x 1(t) можно рассматривать как самостоятельный сигнал, который можно разбить на кластеры второго порядка триадами минимум-максимум-минимум с огибающей x2(t) и сигналом у 2( t) = X 1( t) — X 2< t).
Эти сигналы положительны и их можно накапливать в кумулятивных суммах распределений второго порядка. Ясно, что кластеры второго порядка будут более протяженными.
Такую процедуру можно продолжать до тех пор, пока на некотором порядке n либо не будет максимумов между минимумам, либо не будет ни максимумов, ни минимумов, либо будет один глобальный минимум, либо один глобальный максимум.
В этом случае процесс останавливается. Вся информация исходного сигнала исчерпана и пе- решла в кластеры первого, второго и т.д. порядков.
Каждый кластер ( к ) сигнала порядка ( т ) имеет сумму сигнала
Хтк = Stут(t), t£ [tk, tk+1], где St — интеграл Лебега, которую можно рассматривать как кумулятивный импульс кластера (тк). Длительность этого импульса равна ттк tk+1 — tk .
Максимум сигнала кластерного импульса утк разделяет его интервал на две части
-
т тк т 1 тк + т 2 тк •
-
2. СТАТИСТИЧЕСКАЯ ФИЛЬТРАЦИЯ СИГНАЛА
Среднее значение его равно утк = X тк !Ттк .
Здесь перечислены основные информационные характеристики первого порядка для кластерного импульса ( тк ). Разбиение совокупности кластерных импульсов порядка ( т ) выполним по их длительности т тк , к е Jm , где Jm — множество кластерных импульсов порядка ( т ).
Рассмотрим центрированный сигнал x со средним значением (^x ^ = 0, вторым моментом xx 2 ^ = D , третьим моментом ^х 3 ^ = aD и четвертым моментом ^ x 4 ^ = dD , где ( ^ есть стандартное математическое ожидание; D , а , dD — соответственно дисперсия, асимметрия и четвертый момент, определенный стандартным способом.
В самом простейшем случае представим исходный сигнал модельным сигналом с тремя состояниями x = ( x 1 , 0, x 2), которые определяются процедурой фильтрации.
Значения модельного сигнала пребывают в них с вероятностями
P = (p 1 , p , p 2 ), p 1 + p 2 + p = 1.
Размах модельного сигнала равен s = x 2 - x 1. (1)
Моменты модельного сигнала подчиняются соотношению
X x" ( x - x 1 )( x - x 2 ) = 0, n е N .
Потребуем, чтобы первые 4 момента модельного сигнала были равны первым четырем моментам исходного сигнала.
При таком допущении модельный сигнал подобен исходному по четырем статистическим инвариантам, построенным на его четырех начальных моментах. При n = 1, 2 имеем
(x 3 - ( x 9 + x ,) x 2 + x,x9x ) = 0,
; 2 \(2)
/ 4 / . x 3 . 2\ x - (x2 + x1 ) x + x1 x2 x = 0.
Совместное решение этих уравнений позволяет выразить размах сигнала через его моменты s2 = 4d - a2.(3)
где количество модельных сигналов ( n ) определено ниже по формуле (13)
Рассмотрим первые 4 момента такой модельной суммы.
(x „ =V x, = nx ) = 0.
n k k
(xn2=(X .x. I2 = X k^k 2+X k ^ m, или xmxk
Аналогичным образом можно определить разрешенные состояния модельного процесса и вероятности пребывания в них
2 xn или
= nx 2 = n ( n - 1) xx ^ = 0,
x 2 = ( a + s )/2,
2 D
Р 2 = / , s (s + a)
p =1 -
x 1 = (a - s)/2, 2D p1 = , s (s - a)
D d - a2
Таким образом, статистический фильтр модельного процесса полностью определен. Его распределение вероятностей по разрешенным состояниям и сами эти разрешенные состояния эквивалентны исходному процессу с точностью до первых четырех моментов.
Для моментов более высокого порядка справедлива рекуррентная возвратная последовательность
(xn = ax" - 1 + ( d - a 2) xn ;;, n > 4. (5)
Возвратную последовательность можно использовать для прогноза моментов более высокого порядка и на их основе получить оценки разброса всех статистических характеристик модельного сигнала (дисперсии, асимметрии и эксцесса).
Однако есть возможность сделать модельный сигнал более точным приближением исследуемого сигнала. Для этого дополнительно к условиям (2) добавим еще одно, а именно равенство размахов исследуемого и модельного сигналов.
Чтобы модельная система не была переопределенной, представим исследуемый сигнал в виде независимой суммы одинаковых модельных сигналов. Обозначим это чисто символически, не вводя новых обозначений:
x n = X . x . , k = 1,..., n, (6)
В системе (2) состояния x 1 , x 2 определяются по формулам (4) через размах s и асимметрию а , в результате получаются формулы (3) и (4).
В возвратных последовательностях более высокие моменты < xn > выражаются через более низкие < xn - 1>, < xn - 2>,
n
= 0,
где Dn — дисперсия исходного сигнала, D — дисперсия модельного сигнала.
lx 3 = > X? > X > X X,X xn Akxk + ^im,k m xk ' ^i,k,m i *l i ^ k ^ m, или
(x
n или
3 xn
Далее
4 xn
= nx 3 + 2 n ( n - 1) x 2 x + n ( n - 1)( n - 2) xxx ^,
= naD = a nD = aDn ^.
+L
= Х X +Х ./•’ xk +Х m/m 2 x^ ‘ + i,k,mxi xkxm + ^j,.,m,ixjxkxmxi/ ’
или xxn 4 = nx4 + 3n(n - 1)x3 x + 3n(n - 1)x2 x2 +
+ 6n(n -1)(n - 2)x2xx + 3n(n -1)(n - 2)(n - 3)xxxx^, или
Xxn 4 - 3 Dn2 = n ( x 4 - 3 D 2) = Dn ( d - 3 D )},
или
d
n
-
3 D n = d - 3 D , d n = xxn 4
J ^ i ^ k ^ m.
Как видим, новый модельный сигнал содержит 4 статистических инварианта
xn = n x = 0 , Dn = nD ,
Xxn 3^ = naD = aDn , Xxn 4 - 3 Dn 2 = n ( x 4 - 3 D 2)}.
Из этих линейных инвариантов строятся два значимых инварианта исходного и модельного процессов
An = a, dn - 3Dn = d - 3D , d = (x 4 Id \ (11)
d n xnn /D n / •
Что касается размахов исходного и модельного процессов, то они тоже связаны линейным соотношением
sn = ns .
Изложенные зависимости позволяют получить квадратное уравнение относительно числа слагаемых линейного процесса ( n )
S n 2 = 12 nD + n 2(4( d n - 3 D n ) - 3 a n 2). (13)
Наблюдая Sn , Dn , dn , a n реального исходного сигнала по этой зависимости, находим число независимых слагаемых исходного процесса ( n ). Это позволяет найти характеристики элементарного модельного процесса
s = S nf n , D = D n(n , a = a n , x 2 = ( a + s )/2,
d = dn - (3 Dn - D ), x = ( a — s )/ 2,
2D s (s + a) ’
2 D s ( s - a )
p = 1 -
D d - a2
В компактном виде вся информация дискретного распределения содержится в стандартной производящей функции с состояниями ( х 1 , 0, х 2) и вероятностями ( p 1 , p , p 2)
F ( Z ) = ( p 1 Zx 1 + pZX = 0 + p 2 Zx 2) n . (15)
Вероятность состояния xmk = mx 1 + kx 2
равна
p, = mk
pmpkpn - k - m m!k!(n - k - m)! 1 2
•
Таким образом, построен генератор модельного процесса со своей производящей функцией, со своими разрешенными модельными состояниями и вероятностями пребывания в них.
3. ВЫДЕЛЕНИЕ КЛАССОВ ПОДОБИЯ КОГЕРЕНТНЫХ КЛАСТЕРОВ НА ОСНОВЕ СТАТИСТИЧЕСКОГО ФИЛЬТРА
xnk Tk, kЕ J, где J — множество когерентных кластеров рассматриваемого порядка.
Определим из этого множества основные статистические характеристики
(xn ), S n , D n , d n , a n , n , s , D , d , a , N n , x 1, x 2, где ( xn ), Nn — среднее значение интервалов кластеров и их общее количество.
Упорядочим все кластеры по возрастанию их интервалов. Тогда в класс (mk) с разрешенным интервалом xmk = mx1 + kx2 и вероятностью пребывания в нем р =_______n!_______pmpkpn - k - m mk m! k!(n - k - m)! 1 2
входит
N mk = p mk N кластеров * .
4. ЛИНЕЙНОЕ СУММИРОВАНИЕ СИГНАЛОВ ПО КЛАССАМ ПОДОБИЯ
Упорядочив все состояния x mk по возрастанию, с соответствующим числом кластеров N mk , получаем разбиение общего количества кластеров N , на классы x mk мощностью N mk . Просуммировав все импульсы кластеров класса ( mk ), получаем кумулятивный импульс класса ( mk ) с разрешенным интервалом xmk = T mk .
Все компоненты кумулятивных сумм положительны. Поэтому при достаточной длительности сигнала даже очень слабые кластерные импульсы, накапливаясь в кумулятивных суммах, вырастают в значимые наблюдаемые, обнаруживаемые и различаемые сигналы. Еще раз обращаем внимание на то, что все сигналы кластеров одного класса когерентны, поэтому их сигналы в суммах не уничтожают друг друга, а усиливают. В этом основное преимущество линейного когерентного суммирования.
С точки зрения вычислительной сложности все процедуры выделения кластеров по максимумам и минимумам и суммирования сигналов в пределах одного кластера, а также суммирования сигналов в пределах одного класса кластеров легко распараллеливаются. Кроме того, все процедуры статисти-
Применим изложенную модель статистической фильтрации для выделения классов подобия когерентных кластеров по их длительности.
Итак, в качестве исходного сигнала рассматриваются интервалы когерентных кластеров
Область применения изложенного метода статистической фильтрации распространяется на сигналы с огра-
ниченной дисперсией.

Рис. Типичная кардиограмма здорового человека (по [5])
ческой фильтрации также выполняются в параллельном режиме.
Для современных суперЭВМ эти процедуры являются весьма технологичными, позволяющими выполнять вычис*ления практически в режиме реального времени*.
Итак, на каждом уровне кластеризации получаем классы кумулятивных импульсов y mk с длительностью τ mk .
Это позволяет сравнивать между собой распределения разных сигналов и на основе этого сравнения решать проблемы обнаружения, различения, селекции и распознавания, используя либо стандартные, либо нами разработанные нестандартные технологии решения проблем.
ЗАКЛЮЧЕНИЕ
В статье рассматривается задача извлечения информации из статистических свойств обрабатываемого сигнала достаточно произвольной формы (задача «статистики излучения») [2, 3] в реальном времени. Ранее [4] рассматривался когерентный анализ нестационарных процессов в форме наиболее удобной для сигналов импульсной и периодической природы, т. к. такой анализ обеспечивает линейный рост вычислительной сложности и поэтому кажется наиболее подходящим для обработки сигналов в реальном времени.
Предложенные при этом рекурсивные процедуры, основанные на принципах самоорганизации и ультраметрии обобщаются с помощью метода кластеризации, позволяющего выделять набор особенностей статистического сигнала, специфических для данной задачи их когерентного накопления.
В качестве примера когерентного анализа сигнала по триадам минимум–максимум–минимум рассмотрим анализ типичной кардиограммы здорового человека, изображенной на рис. и взятой из монографии [5].
Как видно из рис., кардиоцикл содержит пять экстремальных точек: P, Q, R, S, T, среди которых P, R, T — максимумы, а Q, S — минимумы. Кардиологи установили, что P — импульс активности предсердия, R — импульс активности желудочка сердца, T — импульс релаксации мышечной среды. Причем установлено, что импульсы P, R частично работают совместно, и накладываются друг на друга, а импульс релаксации срабатывает несовместно с ними, после них.
Авторы рассмотрели независимую работу двух равноправных резонаторов в активной среде, равноправной с ними с точки зрения периода активности, и установили, что относительная активность резонаторов P, R и среды Т подчиняется квадратному уравнению (1 – p )2 = p , положительный корень которого равен золотому сечению ( p = 0,382). Как видно из рис., интервал T – P равен 14 в общем цикле длительностью 36 и составляет долю p = 14/36 =0,382. Как показал В.Д. Цветков в монографии [6], эта закономерность присуща всем животным.
В Пущинском центре РАН исследовались кардиоциклы разных животных разных весов и при разных нагрузках в течение последних 15 лет. Они чисто статистически, используя стандартные методы обработки на ЭВМ, пришли к отмеченной выше закономерности, которая нами была получена простым когерентным анализом триад. Более того, мы на этой основе получили прекрасную модельную интерпретацию закономерности золотого сечения в кардиоритмах здорового организма.
Можно также сигнал и его производные представить в виде двумерной картины на дисплее и разработать методы когерентного анализа по ключу для задач более общего вида. Основными особенностями такого когерентного анализа являются обработка данных в разных масштабах времени и с несколькими временными переменными. Это требует создания так называемых единых алгоритмов [7], которые позволят реализовать изложенный выше метод когерентного анализа по ключу в различных приспособленных к конкретной задаче функциональных элементных базах.
Список литературы Когерентный анализ сигналов по ключу
- Трифанов В.Н. Методические основы синтеза динамических сетей. Алгебраическое равновесие и статистика. Препринт № 148, Л.: ЛИИАН, 1981. 49 с.
- Клаудер Дж., Сударшан Э. Основы квантовой оптики. М.: Мир, 1970. 428 с.
- Стейнфельд Дж., Хаустон П., Шмальц Т. и др. Лазерная и когерентная спектроскопия. М.: Мир, 1982. 629 с.
- Нестеров М.М., Трифанов В.Н., Данилов В.Н. Нестандартный анализ данных с использованием самоорганизующихся технологий//Научное приборостроение. 2000. т. 10, № 1. с. 35-43.
- Физиология человека/ред. Р. Шмидт и Г. Тевс. В 2-х томах. М.: Мир, 1996. Т. 2. 475 с.
- Цветков В.Д. Сердце, золотое сечение и симметрия. Пущино: Пущинский центр РАН, 1997. 170 с.
- Nesterov M.M., Nesterov V.M., Tarasov N.A. Simulation of the thin-film growth dynamics and thin-film surface shape. SPb.: SPIIRAS, 1994. 29 p.