2007/1–2 - Széchenyi István Egyetem
2007/1–2 - Széchenyi István Egyetem
2007/1–2 - Széchenyi István Egyetem
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Figyelembe véve Parseval tételét:<br />
2<br />
2 c ⋅ N ⋅ E<br />
P = n =<br />
z<br />
és Pj =c•E 2 .<br />
Így a keresett jel – zaj viszony:<br />
Pj<br />
2E<br />
= = R , (94)<br />
P N<br />
z<br />
0<br />
ami megegyezik a felderítési együtthatóval.<br />
A 87. kifejezésből látható, hogy szűrős vevő esetében is valójában<br />
a korreláció integrál realizálása történik.<br />
14. ILLESZTETT (OPTIMÁLIS) SZŰRŐVEL FELÉPÍTETT VEVŐ<br />
14.1. Az illesztett szűrő néhány tulajdonsága<br />
a) Az illesztett szűrő invariánsa a véletlen kezdőfázishoz viszonyítva<br />
Korábbról ismert az alábbi kifejezés:<br />
∞<br />
1<br />
ski ( t0 ) = K ( j )⋅ Sbe ( j ) ( j t0 ) d =<br />
2π<br />
∫ ω ω exp ω ω<br />
1<br />
ϕ<br />
2π<br />
−∞<br />
∞<br />
= exp j 0 ∫ K ( jω )⋅ S ( jω ) exp( jωt0 ) dω = c ⋅ E ⋅ exp(<br />
jϕ0<br />
)<br />
−∞<br />
0<br />
2<br />
, (95)<br />
ahol φ 0 a véletlen kezdőfázis.<br />
Amennyiben φ 0 -tól függetlenül akarjuk vizsgálni a vevő felépítését,<br />
akkor csak egy detektor alkalmazására van szükség, ugyanakkor<br />
a vevő egycsatornássá válik.<br />
b) Illesztett szűrő invariánsa a visszavert jel késleltetéséhez képest<br />
A visszavert jel késleltetése nem hat az amplitúdóra, de jelentkezik<br />
a jel fázisában [s(t–t c )].<br />
Így cos ωt – ωt k +φ s (t – t c ), amiből az ωt k = φ 1 -ként fogható föl,<br />
vagyis véletlen fázisként. Ez az eset az előző pontban leírtakra vezethető<br />
vissza, vagyis ekkor is csak egy detektorra van szükség.<br />
c) Illesztett szűrő invariánsa a visszavert jel véletlen amplitúdójához<br />
viszonyítva<br />
22. ábra: illesztett szűrővel felépített vevő<br />
A szűrő lineáris rendszer, így a bemeneti feszültségváltozás a kimeneten<br />
is megjelenik. A leírtak alapján az optimális szűrős vevő<br />
már egyszerűen realizálható (22. ábra).<br />
Az ilyen típusú vevő előnye a korrelációs vevővel szemben, hogy<br />
egyetlen csatornával is megfigyelhető a teljes légtér. Ezt a megoldást<br />
– de nem csak ezt – gyakran alkalmazzák a gépjárművek<br />
biztonságát fokozó radarok esetében.<br />
15. RADARJELEK MÉRÉSI EREDMÉNYEI<br />
STATISZTIKAI FELDOLGOZÁSÁNAK ELMÉLETE<br />
A radartechnikai méréseknél a cél mozgásparamétereiről és mozgásparamétereiről<br />
kell adatokat gyűjteni. Ehhez végre kell hajtani<br />
a visszavert jelek paramétereinek méréseit.<br />
Korábbról ismert:<br />
s(t; α 1 ; α 2 ;…….α n ;; β 1 ; β 2 ;……..β m ) függvény<br />
Továbbiakban tegyük fel, hogy a jel csak egyetlen mérendő paramétert<br />
tartalmaz.<br />
Továbbá teljesüljenek az alábbi feltételek:<br />
a) Az α mérendő paraméter értéke a megfigyelési időben legyen<br />
állandó.<br />
b) 2E / N 0 = R >> 1<br />
c) A visszavert jel legyen zajjal terhelt:<br />
x(t) = s(t;α) + n(t) (96)<br />
A vevő bemenetén figyelembe kell venni a jelek statisztikai jellegét,<br />
ezért pontos értéket nem kaphatunk. Ily módon csak egy<br />
α* értéket vehetünk figyelembe, ugyanakkor definiálhatunk egy<br />
rendszerpontosságot is. Tételezzük fel, hogy a jel feldolgozása<br />
optimális, akkor a jel értékelése is optimális. Ebben az estben az<br />
α* - ot optimálisnak nevezzük és jelöljük α* opt -val.<br />
A mérések során többféle hiba jelentkezik, amelyek egy része<br />
kompenzálható, de a véletlen hibák semmiképpen sem, ezért<br />
csak ezzel foglalkozunk. A hiba ε = α – α*. Értékelés során a hiba<br />
várható értékét kell vizsgálni. Ahhoz, hogy a mérés pontosságát<br />
mennyiségileg értékelni tudjuk, két kritériumot kell kielégíteni:<br />
2<br />
∗<br />
1) σ = α −α<br />
f α dα min<br />
(97)<br />
2) Az előző figyelembevételével a likelihood-függvény maximuma:<br />
d<br />
ln L(<br />
α ) = 0<br />
dα<br />
A lokációs mérések esetén szintézisnél a 2. kritériumot használjuk<br />
fel leggyakrabban. Ha az optimális értékelés nagyságát akarjuk<br />
meghatározni, akkor az alábbi feltételnek kell teljesülni:<br />
α α M<br />
Az elvégzett kísérlet alapján kapott sűrűségfüggvény:<br />
f x,α f x fx α<br />
fx f f x<br />
Az f(x) nem függ α-tól, ezért ∫ f d .<br />
x ( α ) α = 1<br />
Legyen:<br />
1<br />
f ( x) = ∫ f ( α )⋅ fα ( x) dα<br />
=<br />
K<br />
,<br />
α α ( ) = ( )⋅ α ( )<br />
A jövő járműve <strong>2007</strong>/<strong>1–2</strong>.<br />
91<br />
opt<br />
így:<br />
∗ = { }<br />
( ) ( ) =<br />
∫<br />
α<br />
opt<br />
2<br />
x<br />
( ) = ( )⋅ ( )<br />
α<br />
f α K f α f x K f α L α<br />
x<br />
( ) = ⋅ ( )⋅ ( ) = ⋅ ( )⋅ ( )<br />
1 α<br />
1<br />
1<br />
(98)<br />
(99)<br />
(100)<br />
A K 1 -et ismertnek tételezzük fel (mérhető), az f(α) kísérlet előtti sűrűségfüggvény<br />
szintén ismert (pl. ismert sebesség, távolság stb.).<br />
A legrosszabb eset (nincs fényes pont) vizsgálatakor a következő<br />
feltételt tesszük: f(α) = kons<br />
A legáltalánosabb likelihood-függvény felírható a 2E / N 0 = R >> 1<br />
feltétel mellett:<br />
L(α) = g • exp Z(α) (101)<br />
A likelihood-függvény maximuma mindig megegyezik a korreláció<br />
integrál maximumával.<br />
Logaritmizálás után: ln[exp Z(α)] = Z(α), így:<br />
Z α<br />
= 0.<br />
∂α<br />
E pontban említett két módszer ugyanazt a sémát és pontosságot<br />
adja, ezért:<br />
∂ Z ( α )<br />
= 0 ∗<br />
∂α<br />
∂ ( )<br />
Járműipari innováció