Лекции по "Технологии цифровой обработки сигналов"

Лекция 1.   ВВЕДЕНИЕ В ЦИФРОВУЮ ОБРАБОТКУ СИГНАЛОВ

Содержание

Введение.

1. Предисловие к цифровой обработке  сигналов.  Цифровые сигналы. Преобразование  сигнала в цифровую форму. Обработка  цифровых сигналов. Z-преобразование. Природа сигналов. Функциональные преобразования сигналов.

2. Ключевые операции цифровой  обработки. Линейная свертка.  Корреляция. Линейная цифровая фильтрация. Дискретные преобразования. Модуляция сигналов.

3. Области применения цифровой  обработки сигналов. Процессоры  ЦОС. Запись,  воспроизведение, использование звука. Применение ЦОС в телекоммуникациях.

Введение

Цифровая обработка  сигналов (ЦОС или DSP - digital signal processing) является одной из новейших и самых мощных технологий, которая активно внедрилась в широкий круг областей науки и техники: коммуникации, метеорология, радиолокация и гидролокация, медицинская визуализация изображений, цифровое аудио- и телевизионное вещание, разведка нефтяных и газовых месторождений, и многих других. Можно сказать, что происходит повсеместное и глубокое проникновение технологий цифровой обработки сигналов во все сферы деятельности человечества. Сегодня технология ЦОС относится к числу базовых знаний, которые необходимы ученым и инженерам всех отраслей без исключения.

Изучение принципов цифровой обработки сигналов не требует глубоких и всесторонних знаний по математике. Необходимо лишь немного опыта в элементарной алгебре, в способах декомпозиции (разложения) произвольных сигналов на составляющие и их обратной реконструкции. Почему же предмет считается сложным для понимания? Ответ в том, как материал преподносится для изучения. Одно дело писать уравнения, но другое -  объяснить их значение с практической точки зрения. Именно в последнем и состоит цель данного курса.

Физические величины макромира, как основного объекта наших измерений и источника информационных сигналов, как правило, имеют непрерывную природу и отображаются непрерывными (аналоговыми) сигналами. Цифровая обработка сигналов оперирует с дискретными величинами, причем с квантованием как по координатам динамики своих изменений (во времени, в пространстве, и по любым другим изменяемым аргументам), так и по значениям физических величин. Математика дискретных преобразований зародилась в недрах аналоговой математики еще в 18 веке в рамках теории рядов и их применения для интерполяции и аппроксимации функций, однако ускоренное развитие она получила в 20 веке после появления первых вычислительных машин. В своих основных положениях математический аппарат дискретных преобразований подобен преобразованиям аналоговых сигналов и систем. Однако дискретность данных требует учета этого фактора, а его игнорирование может приводить к ошибкам. Кроме того, ряд методов дискретной математики не имеет аналогов в аналитической математике.

Стимулом развития дискретной математики является и то, что стоимость цифровой обработки данных меньше аналоговой и продолжает снижаться, а производительность вычислительных операций непрерывно возрастает. Немаловажным является и то, что системы ЦОС отличаются высокой гибкостью. Их можно дополнять новыми программами и перепрограммировать на выполнение различных операций без изменения оборудования. В последние годы ЦОС оказывает возрастающее влияние на все отрасли современной промышленности: телекоммуникации, средства информации, цифровое телевидение и пр. Интерес к научным и к прикладным вопросам цифровой обработки сигналов возрастает во всех отраслях науки и техники.

 

1.1.  ПРЕДИСЛОВИЕ  К ЦИФРОВОЙ ОБРАБОТКЕ СИГНАЛОВ [5].

Цифровые  сигналы формируются из аналоговых операцией дискретизации – последовательным квантованием (измерением) амплитудных значений сигнала через определенные интервалы времени Dt или любой другой независимой переменной Dx. В результате равномерной дискретизации непрерывный по аргументу сигнал переводится в упорядоченную по независимой переменной последовательность чисел. В принципе разработаны методы ЦОС для неравномерной дискретизации данных, однако области их применения достаточно специфичны и ограничены. Условия, при которых возможно полное восстановление аналогового сигнала по его цифровому эквиваленту с сохранением всей исходно содержавшейся в сигнале информации, выражаются теоремами Найквиста, Котельникова, Шеннона, сущность которых практически одинакова. Для дискретизации аналогового сигнала с полным сохранением информации в его цифровом эквиваленте максимальные частоты в аналоговом сигнале должны быть не менее чем вдвое меньше, чем частота дискретизации, то есть f_max £ (1/2)f_d, т.е. на одном периоде максимальной частоты должно быть минимум два отсчета. Если это условие нарушается, в цифровом сигнале возникает эффект маскирования (подмены) действительных частот более низкими частотами. При этом в цифровом сигнале вместо фактической регистрируется "кажущаяся" частота, а, следовательно, восстановление фактической частоты в аналоговом сигнале становится невозможным. Восстановленный сигнал будет выглядеть так, как если бы частоты, лежащие выше половины частоты дискретизации, отразились от частоты (1/2)f_d в нижнюю часть спектра и наложились на частоты, уже присутствующие в этой части спектра. Этот эффект называется наложением спектров или алиасингом (aliasing). Наглядным примером алиасинга может служить иллюзия, довольно частая в кино – колесо автомобиля начинает вращаться против его движения, если между последовательными кадрами (аналог частоты дискретизации) колесо совершает более чем пол-оборота.

Преобразование  сигнала в цифровую форму выполняется аналого-цифровыми преобразователями (АЦП). Как правило, они используют двоичную систему счисления с определенным числом разрядов в равномерной шкале. Увеличение числа разрядов повышает точность измерений и расширяет динамический диапазон измеряемых сигналов. Потерянная из-за недостатка разрядов АЦП информация невосстановима, и существуют лишь оценки возникающей погрешности «округления» отсчетов, например, через мощность шума, порождаемого ошибкой в последнем разряде АЦП. Для этого используется понятие отношения «сигнал/шум» - отношение мощности сигнала к мощности шума (в децибелах). Наиболее часто применяются 8-, 10-, 12-, 16-, 20- и 24-х разрядные АЦП. Каждый дополнительный разряд улучшает отношение сигнал/шум на 6 децибел. Однако увеличение количества разрядов снижает скорость дискретизации и увеличивает стоимость аппаратуры. Важным аспектом является также динамический диапазон, определяемый максимальным и минимальным значением сигнала.

Обработка цифровых сигналов выполняется либо специальными процессорами, либо на универсальных ЭВМ и компьютерах по специальным программам. Наиболее просты для рассмотрения линейные системы. Линейными называются системы, для которых имеет место суперпозиция (отклик на сумму входных сигналов равен сумме откликов на каждый сигнал в отдельности) и однородность или гомогенность (изменение амплитуды входного сигнала вызывает пропорциональное изменение выходного сигнала). Для реальных объектов свойства линейности могут выполняться приближенно и в определенном интервале входных сигналов.

Если входной сигнал x(t-t₀) порождает однозначный выходной сигнал y(t-t₀) при любом сдвиге t₀, то систему называют инвариантной во времени. Ее свойства можно исследовать в любые произвольные моменты времени. Для описания линейной системы вводится специальный входной сигнал - единичный импульс (импульсная функция). В силу свойства суперпозиции и однородности любой входной сигнал можно представить в виде суммы таких импульсов, подаваемых в разные моменты времени и умноженных на соответствующие коэффициенты. Выходной сигнал системы в этом случае представляет собой сумму откликов на эти импульсы. Отклик на единичный импульс (импульс с единичной амплитудой) называют импульсной характеристикой системы h(n). Соответственно, отклик системы на произвольный входной сигнал s(k) можно выразить сверткой

g(k) = h(n) ③ s(k-n).

Если h(n)=0 при n<0, то систему  называют каузальной (причинной). В такой системе реакция на входной сигнал появляется только после поступления сигнала на ее вход. Некаузальные системы физически невозможно реализовать в реальном масштабе времени. Если требуется реализовать свертку сигналов с двусторонними операторами (при дифференцировании, преобразовании Гильберта, и т.п.), то это выполняется с задержкой (сдвигом) входного сигнала минимум на длину левосторонней части оператора свертки.

Z-преобразование. Для анализа дискретных сигналов и систем широко используется z-преобразование, которое является обобщением дискретного преобразования Фурье. Этим преобразованием произвольной непрерывной функции s(t), равномерно дискретизированной и отображенной отсчетами s_k = s(kDt), ставится в соответствие степенной полином по z (или степенной полином по z^-1 = 1/z), последовательными коэффициентами которого являются отсчеты функции:

s_k = s(kDt) « TZ[s(kDt)] =

s_k z^k = S(z),

где z = s+jv = r×exp(-jj) - произвольная комплексная переменная. Это преобразование позволяет в дискретной математике использовать всю мощь дифференциального и интегрального исчисления, алгебры и прочих хорошо развитых разделов аналитической математики.

Дискретные системы  обычно описывается линейными разностными  уравнениями с постоянными коэффициентами:

y(k) = ∑ b(n) x(k-n) - ∑ a(m) y(k-m), n=0, 1, … , N,  m=1, 2, … , M.

Этим уравнением устанавливается, что выходной сигнал y(k) системы в определенный момент k_i (например, в момент времени k_iDt) зависит от значений входного сигнала x(k) в данный (k_i) и предыдущие моменты (k_i-n) и значений сигнала y(k) в предыдущие моменты  (k_i-m).

Z-преобразование этого уравнения, выраженное относительно передаточной функции системы

H(z) = Y(z)/X(z),

представляет собой  рациональную функцию в виде отношения  двух полиномов от z. Корни полинома в числителе называются нулями, а в знаменателе - полюсами функции H(z). Значения нулей и полюсов позволяют определить свойства линейной системы. Так, если все полюсы X(z) по модулю больше единицы, то система является устойчивой (не пойдет “вразнос” ни при каких входных воздействиях). Нули функции Y(z) обращают в ноль H(z) и показывают, какие колебания вовсе не будут восприниматься системой (“антирезонанс”). Систему называют минимально-фазовой, если все полюсы и нули передаточной функции лежат вне единичной окружности |z|=1 на комплексной z-плоскости. Попутно заметим, что применение z-преобразования с отрицательными степенями z^-1 меняет положение полюсов и нулей относительно единичной окружности |z|=1 (область вне окружности перемещается внутрь окружности, и наоборот).

Природа сигналов. По своей природе сигналы могут быть случайными или детерминированными.

К детерминированным  относят сигналы, значения которых  в любой момент времени или  в произвольной точке пространства (а равно и в зависимости от любых других аргументов) являются априорно известными или могут быть определены (вычислены) по известной или предполагаемой функции, даже если мы не знаем ее явного вида.

Случайные сигналы непредсказуемы по своим значениям во времени  или в пространстве. Для каждого конкретного отсчета случайного сигнала можно знать только вероятность того, что он примет какое-либо значение в определенной области возможных значений. Закон распределения случайных значений далеко не всегда известен. Одним из самых распространенных является нормальное распределение, плотность которого имеет вид симметричного колокола. Для его описания достаточно двух первых моментов распределения случайных величин.

Наиболее простые характеристики законов распределения – среднее значение случайных величин (математическое ожидание) и дисперсия (математическое ожидание квадрата отклонения от среднего), характеризующая разброс значений случайных величин относительно среднего значения. Параметры динамики случайных сигналов во времени характеризуются функциями автокорреляции (количественная оценка взаимосвязи значений случайного сигнала на различных интервалах) или автоковариации (то же, при центрировании случайных сигналов). Аналогичной мерой взаимосвязи двух случайных процессов и степени их сходства по динамике развития является кросскорреляция или кроссковариация (взаимная корреляция или ковариация). Максимальное значение взаимной корреляции достигается при совпадении двух сигналов. При задержке одного из сигналов по отношению к другому положение максимума корреляционной функции дает возможность оценить величину этой задержки.

Функциональные  преобразования сигналов. Одним из основных методов частотного анализа и обработки сигналов является преобразование Фурье. Различают понятия “преобразование Фурье” и “ряд Фурье”. Преобразование Фурье предполагает непрерывное распределение частот, ряд Фурье задается на дискретном наборе частот. Сигналы также могут быть заданы в наборе временных отсчетов или как непрерывная функция времени. Это дает четыре варианта преобразований – преобразование Фурье с непрерывным или с дискретным временем, и ряд Фурье с непрерывным временем или с дискретным временем. Наиболее практична с точки зрения цифровой обработки сигналов дискретизация и во временной, и в частотной области, но не следует забывать, что она является аппроксимацией непрерывного преобразования. Непрерывное преобразование Фурье позволяет точно представлять любые явления. Сигнал, представленный рядом Фурье,  может быть только периодичен. Сигналы произвольной формы могут быть представлены рядом Фурье только приближенно, т.к. при этом предполагается периодическое повторение рассматриваемого интервала сигнала за пределами его задания. На стыках периодов при этом могут возникать разрывы и изломы сигнала, и возникать  ошибки обработки, вызванные явлением Гиббса, для минимизации которых применяют определенные методы (весовые окна, продление интервалов задания сигналов, и т.п.).

При дискретизации и  во временной, и в частотной области, обычно говорят о дискретном преобразовании Фурье (ДПФ):

S(n) =

s(k) exp(-j2p kn/N),

где N- количество отсчетов сигнала. Применяется оно для  вычисления спектров мощности, оценивания передаточных функций и импульсных откликов, быстрого вычисления сверток при фильтрации, расчете корреляции, расчете преобразований Гильберта, и т.п. Расчет ДПФ по приведенной формуле требует вычисления n коэффициентов, каждый из которых зависит от k элементов исходного отрезка, так что число операций не может быть меньше nk. Существует целое семейство алгоритмов, известное, как “Быстрое Преобразование Фурье” - БПФ, сокращающее число операций для вычисления коэффициентов до n log(k).  “Быстрое” не следует трактовать, как “упрощенное” или “неточное”. При точной арифметике результаты расчетов ДПФ и по алгоритмам БПФ совпадают.