uvod - Laboratorij za obdelavo signalov in daljinska vodenja
uvod - Laboratorij za obdelavo signalov in daljinska vodenja
uvod - Laboratorij za obdelavo signalov in daljinska vodenja
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
UNIVERZA<br />
V<br />
MARIBORU<br />
Žarko ČUČEJ<br />
SIGNALI<br />
s primeri uporabe programskega orodja MATLAB<br />
Uvod v teorijo <strong>in</strong> statistično <strong>obdelavo</strong><br />
signal_A
CIP - Kataloški <strong>za</strong>pis o publikaciji<br />
Univerzitetna knjižnica Maribor<br />
681.51/.52(075.8)<br />
ČUČEJ, Žarko (urednik)<br />
Signali<br />
[risbe Žarko Čučej]. - Maribor: Fakulteta <strong>za</strong> elektrotehniko,<br />
računalništvo <strong>in</strong> <strong>in</strong>formatiko, 2003<br />
ISBN 86-435-0330-4 (prve izdaje)<br />
COBBIS-ID 44994817 (prve izdaje)<br />
naslov<br />
SIGNALI:<br />
Uvod v teorijo<br />
avtor<br />
Žarko ČUČEJ<br />
soavtorja nekaterih poglavij Peter Cafuta, Dušan Gleich, Gorazd Lešnjak, Peter Plan<strong>in</strong>šič<br />
revizija v1.05 20040315<br />
recenzija<br />
Rajko Svečko<br />
jezik<br />
Milena Milanovič<br />
uredil <strong>in</strong> oblikoval<br />
Žarko ČUČEJ<br />
risbe<br />
Žarko ČUČEJ<br />
uporabljani programi MikTeX 2.4, W<strong>in</strong>Edt 5.4, CorelDraw 7<br />
<strong>za</strong>ložba knjižna: UM – FERI 50 izvodov<br />
elektronska: SPaRC, na domači strani:<br />
http://sparc.feri.uni-mb.si/Digknj/<strong>in</strong>dex.htm#U%E8beniki<br />
datoteka: signal_A.pdf<br />
vse pravice pridržane
Ka<strong>za</strong>lo<br />
Ka<strong>za</strong>lo<br />
i<br />
I Uvod v teorijo 1<br />
1 Uvod 3<br />
1.1 Signali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3<br />
1.2 Podatki . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4<br />
1.3 Informacije . . . . . . . . . . . . . . . . . . . . . . . . . . 4<br />
1.4 Primer signala, podatkov <strong>in</strong> <strong>in</strong>formacije . . . . . . . . . . . 6<br />
1.5 Sistemi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6<br />
1.5.1 Sita . . . . . . . . . . . . . . . . . . . . . . . . . . 7<br />
1.5.2 Viri . . . . . . . . . . . . . . . . . . . . . . . . . . 7<br />
1.5.3 Zakonitosti sistemov . . . . . . . . . . . . . . . . . 7<br />
1.6 Uporaba teorije <strong>signalov</strong> . . . . . . . . . . . . . . . . . . . 8<br />
1.6.1 Obdelava <strong>signalov</strong> . . . . . . . . . . . . . . . . . . 8<br />
1.6.2 Telekomunikacije . . . . . . . . . . . . . . . . . . . 9<br />
Multipleksiranje . . . . . . . . . . . . . . . . . . . 10<br />
Komprimiranje . . . . . . . . . . . . . . . . . . . . 11<br />
Odstranjevanje odmeva . . . . . . . . . . . . . . . . 11<br />
1.6.3 Avdio . . . . . . . . . . . . . . . . . . . . . . . . . 12<br />
Glasba . . . . . . . . . . . . . . . . . . . . . . . . 12<br />
Umetni govor . . . . . . . . . . . . . . . . . . . . . 12<br />
Prepoznava govora . . . . . . . . . . . . . . . . . . 13<br />
1.6.4 Lokacija odmeva . . . . . . . . . . . . . . . . . . . 13<br />
Radar . . . . . . . . . . . . . . . . . . . . . . . . . 14<br />
Sonar . . . . . . . . . . . . . . . . . . . . . . . . . 15<br />
Seizmologija . . . . . . . . . . . . . . . . . . . . . 16<br />
1.6.5 Obdelava slik . . . . . . . . . . . . . . . . . . . . . 16<br />
Medic<strong>in</strong>a . . . . . . . . . . . . . . . . . . . . . . . 16<br />
Vesolje . . . . . . . . . . . . . . . . . . . . . . . . 17<br />
i
ii<br />
KAZALO<br />
Izdelki široke potrošnje . . . . . . . . . . . . . . . . 18<br />
1.6.6 Vodenje . . . . . . . . . . . . . . . . . . . . . . . . 19<br />
1.6.7 Vede, ki uporabljajo teorijo <strong>signalov</strong> . . . . . . . . . 19<br />
1.7 Orodja v teoriji <strong>signalov</strong> . . . . . . . . . . . . . . . . . . . 19<br />
1.7.1 MATLAB . . . . . . . . . . . . . . . . . . . . . . . 20<br />
1.7.2 Orodni kovčki programa MATLAB . . . . . . . . . . 21<br />
1.7.3 Učenje programa MATLAB . . . . . . . . . . . . . . 21<br />
2 Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije 23<br />
2.1 Funkcije: orodje <strong>za</strong> opis <strong>signalov</strong> . . . . . . . . . . . . . . . 24<br />
2.1.1 Realne funkcije . . . . . . . . . . . . . . . . . . . . 25<br />
2.1.2 Kompleksne funkcije . . . . . . . . . . . . . . . . . 26<br />
2.2 Vrste <strong>signalov</strong> . . . . . . . . . . . . . . . . . . . . . . . . . 27<br />
2.2.1 Analogni signali . . . . . . . . . . . . . . . . . . . 27<br />
2.2.2 Amplitudno diskretni časovno zvezni signali . . . . 27<br />
2.2.3 Diskretni signali . . . . . . . . . . . . . . . . . . . 27<br />
2.3 Digitalni signali . . . . . . . . . . . . . . . . . . . . . . . . 28<br />
2.3.1 Pove<strong>za</strong>va med digitalnimi <strong>in</strong> diskretnimi signali . . . 29<br />
2.3.2 Digitalna obdelava podatkov . . . . . . . . . . . . . 29<br />
2.3.3 B<strong>in</strong>arni signali . . . . . . . . . . . . . . . . . . . . 29<br />
2.3.4 M-terni signali . . . . . . . . . . . . . . . . . . . . 29<br />
2.4 Naključni signali . . . . . . . . . . . . . . . . . . . . . . . 30<br />
2.5 Determ<strong>in</strong>istični signali <strong>in</strong> <strong>za</strong>poredja . . . . . . . . . . . . . 30<br />
2.5.1 Periodični signal . . . . . . . . . . . . . . . . . . . 30<br />
2.5.2 Aperiodični signal . . . . . . . . . . . . . . . . . . 31<br />
2.5.3 Prehodni - neprehodni signali ter <strong>za</strong>poredja . . . . . 31<br />
2.6 Soda <strong>in</strong> liha simetričnost signala . . . . . . . . . . . . . . . 31<br />
2.6.1 Razstavljanje funkcij na simetrične komponente . . . 32<br />
2.6.2 Lastnosti računanja pri simetričnih signalih . . . . . 32<br />
2.6.3 Simetrije vsote <strong>in</strong> produkta simetričnih <strong>signalov</strong> . . . 33<br />
2.7 Harmonski signali <strong>in</strong> <strong>za</strong>poredja . . . . . . . . . . . . . . . . 33<br />
2.7.1 Enotski harmonski signal . . . . . . . . . . . . . . . 35<br />
2.7.2 Enotski normirani harmonski signal . . . . . . . . . 35<br />
2.7.3 Predstavitve harmonskega signala . . . . . . . . . . 35<br />
2.7.4 Harmonska <strong>za</strong>poredja . . . . . . . . . . . . . . . . . 38<br />
2.8 Elementarni signali <strong>in</strong> <strong>za</strong>poredja . . . . . . . . . . . . . . . 39<br />
2.8.1 Enotski konstantni signal <strong>in</strong> <strong>za</strong>poredje . . . . . . . . 39<br />
2.8.2 Enotski impulzi . . . . . . . . . . . . . . . . . . . . 40<br />
Diracov impulz . . . . . . . . . . . . . . . . . . . . 40<br />
Kroneckerov impulz . . . . . . . . . . . . . . . . . 40<br />
2.8.3 Enotska stopnica . . . . . . . . . . . . . . . . . . . 41<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
iii<br />
2.8.4 Klanec . . . . . . . . . . . . . . . . . . . . . . . . 42<br />
2.8.5 Pravokotni pulz . . . . . . . . . . . . . . . . . . . . 43<br />
2.8.6 Realni eksponentni pulz . . . . . . . . . . . . . . . 46<br />
2.8.7 Kompleksni eksponentni signali <strong>in</strong> <strong>za</strong>poredja . . . . 47<br />
2.8.8 Razlika med impulzi <strong>in</strong> pulzi . . . . . . . . . . . . . 48<br />
2.9 Signali <strong>in</strong> merske enote . . . . . . . . . . . . . . . . . . . . 49<br />
2.10 Elementarne operacije nad signali . . . . . . . . . . . . . . 50<br />
2.10.1 Amplitudna transformacija . . . . . . . . . . . . . . 50<br />
2.10.2 Transformacija signalne osi . . . . . . . . . . . . . 52<br />
2.10.3 Kvanti<strong>za</strong>cija . . . . . . . . . . . . . . . . . . . . . 54<br />
2.10.4 Skalarni produkt . . . . . . . . . . . . . . . . . . . 56<br />
Normirani skalarni produkt . . . . . . . . . . . . . . 57<br />
Primer uporabe skalarnega produkta v fiziki . . . . . 58<br />
2.10.5 Primer uporabe skalarnega produkta pri prepoznavanju<br />
<strong>signalov</strong> . . . . . . . . . . . . . . . . . 58<br />
2.11 Elementarne operacije s programom MATLAB . . . . . . . . 60<br />
2.11.1 Seštevanje <strong>za</strong>poredij . . . . . . . . . . . . . . . . . 60<br />
2.11.2 Seštevek podatkov v <strong>za</strong>poredju . . . . . . . . . . . . 60<br />
2.11.3 Pomik podatkov . . . . . . . . . . . . . . . . . . . 61<br />
2.11.4 Zasuk <strong>za</strong>poredja . . . . . . . . . . . . . . . . . . . 61<br />
2.11.5 Množenje <strong>za</strong>poredij . . . . . . . . . . . . . . . . . . 62<br />
2.11.6 Množenje podatkov . . . . . . . . . . . . . . . . . . 62<br />
2.11.7 Skaliranje <strong>za</strong>poredja . . . . . . . . . . . . . . . . . 63<br />
2.11.8 Skalarni produkt . . . . . . . . . . . . . . . . . . . 63<br />
2.11.9 Zgledi . . . . . . . . . . . . . . . . . . . . . . . . . 64<br />
3 Parametri <strong>signalov</strong> 65<br />
3.1 Signalni prostor . . . . . . . . . . . . . . . . . . . . . . . . 65<br />
3.1.1 Prostori <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong> . . . . . . . . . . . . 67<br />
3.1.2 Norme <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong> . . . . . . . . . . . . . 68<br />
3.1.3 Metrični prostori . . . . . . . . . . . . . . . . . . . 71<br />
3.1.4 Metrike v nel<strong>in</strong>earnih prostorih . . . . . . . . . . . 72<br />
3.1.5 Banachov prostor . . . . . . . . . . . . . . . . . . . 72<br />
3.1.6 Prostori s skalarnim produktom . . . . . . . . . . . 73<br />
Skalarni produkt v prostoru l <strong>in</strong> L . . . . . . . . . 73<br />
Posplošitev skalarnega produkta . . . . . . . . . . . 74<br />
Matrična oblika skalarnega produkta . . . . . . . . . 74<br />
Evklidski prostor . . . . . . . . . . . . . . . . . . . 75<br />
Hilbertov prostor . . . . . . . . . . . . . . . . . . . 75<br />
3.1.7 Cauchy-Schwarzova neenakost . . . . . . . . . . . . 75<br />
3.1.8 Fizikalni pomen norm v l <strong>in</strong> L . . . . . . . . . . . 77<br />
datoteka: signal_A
iv<br />
KAZALO<br />
3.2 Moč <strong>in</strong> energija signala . . . . . . . . . . . . . . . . . . . . 78<br />
Trenutna moč signala . . . . . . . . . . . . . . . . . 78<br />
Trenutna medsebojna moč dveh <strong>signalov</strong> . . . . . . 78<br />
3.2.1 Energija <strong>in</strong> gostota energije . . . . . . . . . . . . . . 79<br />
3.2.2 Močnostni signali . . . . . . . . . . . . . . . . . . . 80<br />
3.2.3 Pretok energije <strong>in</strong> moči . . . . . . . . . . . . . . . . 81<br />
3.2.4 Efektivna vrednost signala . . . . . . . . . . . . . . 82<br />
3.3 Povprečna vrednost . . . . . . . . . . . . . . . . . . . . . . 83<br />
3.4 Pretok energije . . . . . . . . . . . . . . . . . . . . . . . . 84<br />
3.5 Informacijski parametri . . . . . . . . . . . . . . . . . . . . 84<br />
4 Korelacija 87<br />
4.1 Zamisel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87<br />
4.1.1 Korelacijska funkcija . . . . . . . . . . . . . . . . . 89<br />
4.1.2 Lastnosti . . . . . . . . . . . . . . . . . . . . . . . 89<br />
4.2 Korelacija aperiodičnih <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong> . . . . . . . . 89<br />
4.3 Korelacija periodičnih <strong>signalov</strong> . . . . . . . . . . . . . . . . 90<br />
4.4 Računanje energije <strong>in</strong> moči s korelacijo . . . . . . . . . . . 91<br />
4.5 Robni efekt . . . . . . . . . . . . . . . . . . . . . . . . . . 92<br />
4.5.1 M<strong>in</strong>imi<strong>za</strong>cija robnega efekta<br />
z dodajanjem popravka . . . . . . . . . . . . . . . . 92<br />
4.5.2 M<strong>in</strong>imi<strong>za</strong>cija robnega efekta<br />
s podaljšanjem signala . . . . . . . . . . . . . . . . 93<br />
4.6 Korelacijski koeficient . . . . . . . . . . . . . . . . . . . . 94<br />
5 Opis <strong>signalov</strong> z osnovnimi funkcijami 97<br />
5.1 Matematični opis sestavljenih <strong>signalov</strong> . . . . . . . . . . . . 98<br />
5.2 Aproksimacija <strong>signalov</strong> z osnovnimi funkcijami . . . . . . . 102<br />
5.2.1 Srednji kvadratni pogrešek . . . . . . . . . . . . . . 102<br />
5.2.2 M<strong>in</strong>imi<strong>za</strong>cija srednjega kvadratnega pogreška . . . . 102<br />
5.2.3 Aproksimacija <strong>signalov</strong><br />
z l<strong>in</strong>earno komb<strong>in</strong>acijo osnovnih funkcij . . . . . . . 105<br />
5.3 Izražanje <strong>signalov</strong> z ortogonalnimi funkcijami . . . . . . . . 105<br />
5.3.1 Bazne funkcije . . . . . . . . . . . . . . . . . . . . 106<br />
5.3.2 Aproksimacija <strong>signalov</strong> z ortonormiranimi baznimi<br />
funkcijami . . . . . . . . . . . . . . . . . . . 106<br />
5.3.3 Določitev koeficientov c n<br />
s pomočjo ortogonalnosti . . . . . . . . . . . . . . . 107<br />
5.3.4 Določitev koeficientov c n<br />
po metodi najmanjšega kvadratnega pogreška . . . . 107<br />
5.3.5 Parsevalova identiteta . . . . . . . . . . . . . . . . . 108<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
v<br />
5.4 Primeri ortogonalnih funkcij . . . . . . . . . . . . . . . . . 110<br />
5.4.1 Nekatere ortonormalne funkcije . . . . . . . . . . . 110<br />
5.4.2 Walsheve funkcije . . . . . . . . . . . . . . . . . . 111<br />
6 Naključni signali <strong>in</strong> statistične metode 115<br />
6.1 Naključne spremenljivke . . . . . . . . . . . . . . . . . . . 116<br />
Porazdelitev verjetnosti diskretne naključne funkcije 118<br />
Gostota verjetnosti zvezne naključne funkcije . . . . 119<br />
σ algebra pri zveznih naključnih spremenljivkah . . 121<br />
Kumulativna porazdelitvena funkcija . . . . . . . . 121<br />
Lastnosti porazdelitvene funkcije . . . . . . . . . . 124<br />
6.1.1 Določitev porazdelitvenih funkcij . . . . . . . . . . 125<br />
6.1.2 Naključni vektorji . . . . . . . . . . . . . . . . . . 126<br />
Lastnosti vektorske porazdelitvene funkcije . . . . . 127<br />
Lastnosti gostote vektorske porazdelitvene funkcije . 130<br />
Statistična neodvisnost . . . . . . . . . . . . . . . . 131<br />
6.1.3 Funkcija porazdelitve pogojne verjetnost . . . . . . 132<br />
6.2 Statistična povprečja . . . . . . . . . . . . . . . . . . . . . 133<br />
6.2.1 Pričakovana vrednost . . . . . . . . . . . . . . . . . 134<br />
6.2.2 Momenti . . . . . . . . . . . . . . . . . . . . . . . 135<br />
6.2.3 Splošna povprečja . . . . . . . . . . . . . . . . . . 135<br />
6.2.4 Centralni momenti . . . . . . . . . . . . . . . . . . 136<br />
6.2.5 Varianca . . . . . . . . . . . . . . . . . . . . . . . . 136<br />
6.2.6 Momenti vektorski spremenljivk . . . . . . . . . . . 136<br />
6.2.7 Korelacija <strong>in</strong> kovarianca . . . . . . . . . . . . . . . 137<br />
6.3 Nekatere porazdelitve verjetnosti . . . . . . . . . . . . . . . 137<br />
6.3.1 B<strong>in</strong>omska porazdelitev . . . . . . . . . . . . . . . . 138<br />
6.3.2 Poisonova porazdelitev . . . . . . . . . . . . . . . . 139<br />
6.3.3 Uniformna porazdelitev . . . . . . . . . . . . . . . 140<br />
6.3.4 Gaussova ali normalna porazdelitev . . . . . . . . . 141<br />
Komplementarna funkcija napake Q(x) . . . . . . . 143<br />
Normalizirana Gaussova porazdelitev . . . . . . . . 144<br />
Skaliranje Q(x) . . . . . . . . . . . . . . . . . . . . 145<br />
Funkcija napake Φ(x) . . . . . . . . . . . . . . . . 147<br />
6.4 Histogrami . . . . . . . . . . . . . . . . . . . . . . . . . . 147<br />
6.4.1 Teoretični histogram . . . . . . . . . . . . . . . . . 147<br />
6.4.2 Empirični histogram . . . . . . . . . . . . . . . . . 150<br />
6.5 Centralni limitni izrek . . . . . . . . . . . . . . . . . . . . . 150<br />
6.6 Naključni signali <strong>in</strong> šumi . . . . . . . . . . . . . . . . . . . 150<br />
6.6.1 Def<strong>in</strong>icije <strong>in</strong> oznake . . . . . . . . . . . . . . . . . 151<br />
6.6.2 Statistični opis naključnih procesov . . . . . . . . . 152<br />
datoteka: signal_A
vi<br />
KAZALO<br />
Verjetnost . . . . . . . . . . . . . . . . . . . . . . . 153<br />
Statistična povprečja . . . . . . . . . . . . . . . . . 154<br />
6.6.3 Stacionarni procesi . . . . . . . . . . . . . . . . . . 155<br />
Striktno stacionarni procesi . . . . . . . . . . . . . . 155<br />
Širši stacionarni procesi . . . . . . . . . . . . . . . 155<br />
Ergodičnost . . . . . . . . . . . . . . . . . . . . . . 156<br />
Nekaj zgledov . . . . . . . . . . . . . . . . . . . . 158<br />
7 Posplošene funkcije 161<br />
7.1 Diracov impulz . . . . . . . . . . . . . . . . . . . . . . . . 161<br />
7.2 Def<strong>in</strong>icija Diracovega impul<strong>za</strong> s porazdelitveno funkcijo . . 164<br />
7.3 Lastnosti Diracovega impul<strong>za</strong> . . . . . . . . . . . . . . . . . 168<br />
7.4 Vzorčenje analognih <strong>signalov</strong> . . . . . . . . . . . . . . . . . 171<br />
7.5 Pove<strong>za</strong>va med enotsko stopnico <strong>in</strong> Diracovim impulzom . . 172<br />
8 Sistemi 175<br />
Peter Cafuta, Žarko Čučej<br />
8.1 Zakonitosti sistemov . . . . . . . . . . . . . . . . . . . . . 175<br />
8.1.1 Bela škatla . . . . . . . . . . . . . . . . . . . . . . 176<br />
8.1.2 Črna škatla . . . . . . . . . . . . . . . . . . . . . . 176<br />
8.1.3 Vhodno-izhodni opis . . . . . . . . . . . . . . . . . 177<br />
8.2 Vrste sistemov . . . . . . . . . . . . . . . . . . . . . . . . 178<br />
8.2.1 D<strong>in</strong>amični sistemi . . . . . . . . . . . . . . . . . . 179<br />
8.2.2 Statični sistemi . . . . . . . . . . . . . . . . . . . . 180<br />
8.2.3 Invertibilni sistemi . . . . . . . . . . . . . . . . . . 180<br />
8.2.4 Inverzni sistemi . . . . . . . . . . . . . . . . . . . . 180<br />
8.2.5 Vzročni sistemi . . . . . . . . . . . . . . . . . . . . 181<br />
8.2.6 Časovno neodvisni sistemi . . . . . . . . . . . . . . 182<br />
8.2.7 L<strong>in</strong>earni sistemi . . . . . . . . . . . . . . . . . . . . 182<br />
8.2.8 Stabilni sistemi . . . . . . . . . . . . . . . . . . . . 183<br />
8.3 Sestavljanje sistemov . . . . . . . . . . . . . . . . . . . . . 184<br />
8.3.1 Vzporedna <strong>in</strong> <strong>za</strong>poredna ve<strong>za</strong>va . . . . . . . . . . . 184<br />
8.3.2 Usmerjenost <strong>signalov</strong> <strong>in</strong> sistemov . . . . . . . . . . 186<br />
8.3.3 Sistemi s povratno <strong>za</strong>nko . . . . . . . . . . . . . . . 186<br />
8.4 Konvolucija . . . . . . . . . . . . . . . . . . . . . . . . . . 188<br />
8.4.1 Izpeljava konvolucijskega <strong>in</strong>tegrala . . . . . . . . . 188<br />
Impulzni odziv . . . . . . . . . . . . . . . . . . . . 188<br />
Odziv na poljubni vhodni signal . . . . . . . . . . . 188<br />
8.4.2 Odziv l<strong>in</strong>earnega časovno diskretnega sistema . . . . 189<br />
8.4.3 Računanje konvolucije . . . . . . . . . . . . . . . . 190<br />
8.5 Lastnosti konvolucije . . . . . . . . . . . . . . . . . . . . . 192<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
vii<br />
8.5.1 Obstoj konvolucije . . . . . . . . . . . . . . . . . . 193<br />
8.5.2 Stabilnost konvolucijskih sistemov . . . . . . . . . . 194<br />
8.5.3 L<strong>in</strong>earnost . . . . . . . . . . . . . . . . . . . . . . 195<br />
8.5.4 Statični <strong>in</strong> d<strong>in</strong>amični sistemi . . . . . . . . . . . . . 195<br />
8.5.5 Kav<strong>za</strong>lni sistemi . . . . . . . . . . . . . . . . . . . 195<br />
8.5.6 Premik funkcije . . . . . . . . . . . . . . . . . . . . 198<br />
8.5.7 Odvajanje konvolucije . . . . . . . . . . . . . . . . 198<br />
8.5.8 Konvolucija signala<br />
z odvodom Diracovega impul<strong>za</strong> . . . . . . . . . . . 198<br />
8.5.9 Odziv realnih sistemov<br />
na kompleksne signale . . . . . . . . . . . . . . . . 200<br />
8.6 Frekvenčna karakteristika . . . . . . . . . . . . . . . . . . . 200<br />
8.6.1 Odziv na kompleksni harmonični signal . . . . . . . 200<br />
8.6.2 Odziv realnega sistema<br />
na realni harmonični signal . . . . . . . . . . . . . . 203<br />
8.6.3 Odziv diskretnega sistema<br />
na diskretni harmonični signal . . . . . . . . . . . . 205<br />
8.6.4 Pogoj obstoja frekvenčne karakteristike . . . . . . . 205<br />
8.6.5 Lastnosti frekvenčnih karakteristik . . . . . . . . . . 206<br />
8.6.6 Prekrivanje . . . . . . . . . . . . . . . . . . . . . . 206<br />
8.6.7 Povzetek lastnosti konvolucijskih sistemov . . . . . 207<br />
8.7 Povezovanje konvolucijskih sistemov . . . . . . . . . . . . 207<br />
8.8 Ciklična konvolucija . . . . . . . . . . . . . . . . . . . . . 207<br />
8.8.1 Periodično podaljšanje signala . . . . . . . . . . . . 209<br />
8.8.2 Računanje ciklične konvolucije . . . . . . . . . . . 210<br />
8.8.3 Omejitev signala na periodo . . . . . . . . . . . . . 211<br />
8.8.4 Simbolični <strong>za</strong>pis . . . . . . . . . . . . . . . . . . . 211<br />
8.8.5 Matrični <strong>za</strong>pis diskretne ciklične konvolucije . . . . 212<br />
8.8.6 Lastnosti ciklične konvolucije . . . . . . . . . . . . 214<br />
L<strong>in</strong>earnost . . . . . . . . . . . . . . . . . . . . . . 214<br />
Pomik . . . . . . . . . . . . . . . . . . . . . . . . . 214<br />
8.8.7 Pove<strong>za</strong>va ciklične <strong>in</strong> l<strong>in</strong>earne konvolucije . . . . . . 214<br />
8.9 Uporaba programa MATLAB pri računanju konvolucije . . . 215<br />
8.9.1 Funkcija conv . . . . . . . . . . . . . . . . . . . . 215<br />
A Verjetnostni račun 221<br />
A.1 Osnovne <strong>za</strong>konitosti . . . . . . . . . . . . . . . . . . . . . . 221<br />
A.2 σ algebra . . . . . . . . . . . . . . . . . . . . . . . . . . . 225<br />
A.3 Verjetnost dogodkov . . . . . . . . . . . . . . . . . . . . . 226<br />
A.3.1 Matematična verjetnost . . . . . . . . . . . . . . . . 226<br />
A.3.2 Statistična verjetnost . . . . . . . . . . . . . . . . . 227<br />
datoteka: signal_A
viii<br />
KAZALO<br />
A.3.3 Verjetnost vsote . . . . . . . . . . . . . . . . . . . . 227<br />
A.3.4 Verjetnost vsote soodvisnih dogodkov . . . . . . . . 228<br />
A.3.5 Pogojna verjetnost . . . . . . . . . . . . . . . . . . 229<br />
A.3.6 Verjetnost neodvisnih dogodkov . . . . . . . . . . . 230<br />
A.3.7 Bayesova enačba . . . . . . . . . . . . . . . . . . . 230<br />
Literatura 233<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
1<br />
Uvod<br />
SSIGNALI vpeljemo koncept opisovanja poteka nekega razvijajočega se<br />
procesa, kot ga lahko opazujemo neposredno s čutili ali posredno z<br />
merjenjem količ<strong>in</strong>, ki nas v opazovanem procesu <strong>za</strong>nimajo. Signali<br />
nas torej “<strong>in</strong>formirajo”, kaj se s procesom dogaja. Signal lahko spremljamo<br />
kont<strong>in</strong>uirano ali občasno ali pa v enakomernih <strong>in</strong>tervalih izmerimo njihovo<br />
vrednost. V slednjem primeru govorimo o zbiranju merilnih podatkov. Tudi<br />
ti nas “<strong>in</strong>formirajo” o dogajanju v opazovanem procesu.<br />
S signali tudi sporočamo. Na primer, mnogo cestnih križišč ima semaforje,<br />
ki uravnavajo promet. Ti z ustreznim signalom (zelena, rumena ali<br />
rdeča luč) voznike ali pešce “<strong>in</strong>formirajo”, kdaj lahko prečkajo križišče. Kompleksnejše<br />
sporočanje je prenos agencijskih vesti na primer z radijskim signalom,<br />
ali pa prenos merilnih podatkov vodostaja v visokogorskem <strong>za</strong>jetju<br />
v nadzorni center. Zato, ko se sprašujemo, kaj so signali, odgovorimo:<br />
signali so nosilci podatkov <strong>in</strong> <strong>in</strong>formacij.<br />
Mnogi današnjo dobo sicer opisujejo kot <strong>in</strong>formacijsko dobo, vendar mnogi<br />
med njimi ne razlikujejo med signali, podatki <strong>in</strong> <strong>in</strong>formacijami. Zato v naslednjih<br />
razdelkih povzemamo njihove glavne značilnosti.<br />
1.1 Signali<br />
V [17] najdemo <strong>za</strong>pis: ”Signali so kočije, ki vozijo <strong>in</strong>formacije“. Z drugimi<br />
besedami, <strong>in</strong>formacije določajo potek signala. Ker <strong>za</strong> opis <strong>signalov</strong> uporabljamo<br />
funkcije, je signal kar s<strong>in</strong>onim <strong>za</strong> (časovne) funkcije. Z matematičnim<br />
opisom oblike ali sestave <strong>signalov</strong> vpeljemo parametre, ki pona<strong>za</strong>rjajo <strong>in</strong>formacije.<br />
S tehnikami obdelave <strong>signalov</strong>, ki jih v teoriji <strong>signalov</strong> razvijamo,<br />
3
4 1. Uvod<br />
te parametre izluščimo, ko signale sprejemamo, oziroma jih vpisujemo, ko<br />
signale pošiljamo.<br />
1.2 Podatki<br />
Več<strong>in</strong>o procesov lahko opazujemo oziroma sprejmemo s posebnimi napravami<br />
– <strong>in</strong>strumenti. Tako lahko na primer z osciloskopom ali oscilografom<br />
neposredno spremljamo potek napetosti električnega omrežja. Mnogo meritev<br />
pa opravimo z odčitavanjem vrednosti signala v določenem trenutku.<br />
Rezultat je časovno <strong>za</strong>poredje podatkov, ki predstavljajo stanje signala v trenutku<br />
meritve. Imenujemo ga tudi digitalni signal.<br />
V teoriji <strong>signalov</strong> se omejujemo na tehnično plat <strong>za</strong>pisa podatkov. Zapis<br />
določa kod, ki je sestavljen iz enega ali več znakov. Sestavljeni znak pogosto<br />
imenujemo kodna beseda, zbirko vseh znakov pa abeceda. Zapis podatkov<br />
v računalnik ali <strong>za</strong> prenos podatkov omogoči ustrezno oblikovan signal. To<br />
oblikovanje imenujemo kodiranje signala.<br />
Danes je osnovno tehnološko sredstvo pri obdelavi <strong>signalov</strong> digitalni računalnik.<br />
Posebnosti obdelave <strong>signalov</strong> so kmalu vzpodbudile razvoj <strong>in</strong> izdelavo<br />
namenskih mikroprocesorjev, ki jih imenujemo digitalni signalni procesorji.<br />
Z njimi (<strong>in</strong> digitalnimi računalniki nasploh) ne moremo neposredno<br />
obdelovati <strong>signalov</strong>, ampak le <strong>za</strong>poredja podatkov. Zato signale pretvorimo<br />
v <strong>za</strong>poredje podatkov <strong>in</strong> te po potrebi po obdelavi – imenujemo jo digitalna<br />
obdelava <strong>signalov</strong> – pretvorimo na<strong>za</strong>j v analogni signal.<br />
1.3 Informacije<br />
Na <strong>in</strong>formacije gledamo s splošnega filozofskega stališča pa vse do povsem<br />
tehniškega. S tehniškega stališča so <strong>in</strong>formacije množica elementov, ki predstavljajo<br />
podatke, nova dejstva, pojasnila, merilne rezultate <strong>in</strong> podobno. To<br />
množico imenujemo <strong>in</strong>formacijska množica ali tudi <strong>in</strong>formacijski prostor.<br />
Če <strong>in</strong>formacijska množica opisuje določen proces, potem je poznavanje<br />
tega procesa odvisno od količ<strong>in</strong>e elementov - <strong>in</strong>formacij, ki smo jih dobili od<br />
njega. Če je obnašanje ali stanje procesa pričakovano <strong>in</strong> ga lahko napovemo,<br />
potem sprem<strong>in</strong>janje stanja procesa pove le malo novega o sebi; nasprotno, nepredvidljiv<br />
proces pa z vsako spremembo svojega stanja da novo <strong>in</strong>formacijo<br />
o sebi. Torej proces, ki ga opišemo z le nekaj podatki, ima majhno količ<strong>in</strong>o<br />
<strong>in</strong>formacij, proces, katerega opis pa <strong>za</strong>hteva veliko (enako obsežnih kot pri<br />
predvidljivem sistemu) podatkov, vsebuje večjo količ<strong>in</strong>o <strong>in</strong>formacije. Zato s<br />
tehniškega stališča <strong>in</strong>formacije poistovetimo s količ<strong>in</strong>o <strong>in</strong>formacij.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
1.3 Informacije 5<br />
Temelje sodobni teoriji <strong>in</strong>formacij je podal leta 1948 Claude E. Shannon<br />
v delu A mathematical theory of communications. Vpeljal je mero <strong>in</strong>formacije,<br />
kar omogoča obravnavo <strong>in</strong>formacije kot količ<strong>in</strong>e. Zapisal je naslednjo<br />
def<strong>in</strong>icijo:<br />
DEFINICIJA 1.3.1 (Informacija)<br />
Informacija je enaka ne<strong>za</strong>nesljivosti, ki jo nastop dogodka odstrani.<br />
<br />
Iz def<strong>in</strong>icije 1.3.1 sledi:<br />
Bolj je dogodek verjeten, manj vsebuje <strong>in</strong>formacij <strong>in</strong> nasprotno, manj<br />
je dogodek verjeten, več <strong>in</strong>formacije vsebuje.<br />
Informacija je pozitivna količ<strong>in</strong>a, saj verjetnost dogodka izražamo z<br />
vrednostjo med 0 <strong>in</strong> 1.<br />
Informacija je aditivna <strong>in</strong> monotono naraščajoča funkcija. Informacija,<br />
ki jo dajeta dva neodvisna dogodka, je obratno sorazmerna njuni<br />
verjetnosti.<br />
Pojem <strong>in</strong>formacije ima smisel le, če obstaja poleg vira <strong>in</strong>formacij še prejemnik<br />
<strong>in</strong>formacij. Ta lahko <strong>in</strong>formacije prejema, če je pove<strong>za</strong>n z virom<br />
(slika 1.1). Torej, <strong>in</strong>formacije ne obstajajo same <strong>za</strong>se, ampak to postanejo,<br />
Slika 1.1<br />
Posredovanje <strong>in</strong>formacij, splošna<br />
predstavitev.<br />
ko jih sprejmemo. Pri prenosu <strong>in</strong>formacij sodelujejo vir, kanal <strong>in</strong> prejemnik,<br />
ovirajo pa ga motnje. Ti term<strong>in</strong>i opisujejo:<br />
Vir: je sistem, ki <strong>za</strong>jema (<strong>in</strong> pošilja) elemente iz <strong>in</strong>formacijske množice<br />
vseh možnih elementov v skladu z distribucijo verjetnosti<br />
njihovega pojavljanja v viru.<br />
Kanal:<br />
Prejemnik:<br />
Motnje:<br />
je sistem, ki omogoča prenos <strong>in</strong>formacij. Imenujemo ga tudi<br />
komunikacijski ali prenosni kanal.<br />
je uporabniški sistem <strong>in</strong>formacij. Danes je lahko poleg človeka<br />
to tudi računalnik.<br />
so vplivi okolja <strong>in</strong> nepopolnosti komunikacijskega sistema na<br />
vernost prenosa <strong>in</strong>formacij.<br />
datoteka: signal_A
6 1. Uvod<br />
1.4 Primer signala, podatkov <strong>in</strong> <strong>in</strong>formacije<br />
Za lažje razumevanje pojmov signal, podatek <strong>in</strong> <strong>in</strong>formacija si oglejmo naslednji<br />
preprosti primer. V enakomernih časovnih <strong>in</strong>tervalih merimo upornost<br />
upora, skozi katerega teče konstantni tok. Na primer, da dobimo rezultate,<br />
ki so navedeni v tabeli 1.1. Iz <strong>za</strong>poredja izmerjenih podatkov lahko<br />
narišemo graf signala (slika 1.2).<br />
Tabela 1.1<br />
št. <strong>in</strong>tervala 0 1 2 3 4 5 6 7 8 9<br />
upornost R[n] [Ω] 100,00 100,01 100,02 100,03 100,04 100,05 100,06 100,07 100,08 100,09<br />
∆R = R[n] − R[n − 1] [Ω] 0,00 0,01 0,01 0,01 0,01 0,01 0,01 0,01 0,01 0,01<br />
Slika 1.2<br />
Predstavitev signala,<br />
ki ga določajo podatki<br />
v tabeli 1.1.<br />
Iz slike <strong>in</strong> tabele vidimo, da signal na def<strong>in</strong>icijskem območju enakomerno<br />
narašča, torej ga lahko opišemo s funkcijo:<br />
x(t) = 0,01·t + 100 = ∆R·t + R 0 , 0·T t 9·T .<br />
In kaj je tu <strong>in</strong>formacija? Dva parametra: <strong>za</strong>četna vrednost upornosti (100<br />
Ω) <strong>in</strong> koeficient ∆R/<strong>in</strong>terval = 0,01Ω/<strong>in</strong>terval, ki podaja rast upornosti z<br />
<strong>in</strong>tervalom merjenja, torej s časom.<br />
1.5 Sistemi<br />
S sistemi opredeljujemo vsak del okolja, ki ustvarja signale oziroma se nanje<br />
odziva. V teoriji <strong>signalov</strong> se pri obravnavi sistemov omejujemo na matematični<br />
opis s sistemom enačb. Ta opis imenujemo tudi model sistema. Primer<br />
modelov so matematični opis električnih vezij, algoritmi generiranja <strong>signalov</strong>,<br />
algoritmi obdelave <strong>signalov</strong> itd.<br />
Sisteme delimo v dve skup<strong>in</strong>i:<br />
1. sisteme, s katerimi obdelujemo signale.<br />
Med te sisteme štejemo sita, okna, korelatorje, estimatorje itd.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
1.5 Sistemi 7<br />
2. sistemi, ki generirajo signale.<br />
To so lahko različni procesi ali naprave – signalni generatorji, ki smo<br />
jih izdelali, da ustvarjajo predpisane signale. Njihovo skupno je vir.<br />
V splošnem jih predstavimo z bloki označenimi s funkcijo sistema (slika 1.3).<br />
vhodni signali<br />
v<br />
sistem<br />
T<br />
izhodni signali<br />
y = T{ v}<br />
vklop<br />
( t)<br />
vir<br />
signali, podatki<br />
Slika 1.3<br />
Predstavitev sistemov;<br />
levo: sistemi <strong>za</strong> <strong>obdelavo</strong><br />
<strong>signalov</strong> ali podatkov,<br />
desno: vir.<br />
1.5.1 Sita<br />
S siti signale procesiramo oziroma obdelujemo. Obdelava <strong>signalov</strong> je najpomembnejši<br />
del teorije <strong>signalov</strong>, še več, mnogi teorijo <strong>signalov</strong> enačijo z<br />
<strong>obdelavo</strong> <strong>signalov</strong>. To poudarijo kar s term<strong>in</strong>om teorija obdelave <strong>signalov</strong>.<br />
1.5.2 Viri<br />
Vhod v vir je impulz, ki aktivira njegovo delovanje. Predstavljamo si ga<br />
lahko kot stikalo, s katerim vklopimo na primer signalni generator. Taki viri<br />
rojevajo tako imenovane vzročne ali kav<strong>za</strong>lne signale ali podatke.<br />
Poznamo pa tudi vire, ki nimajo <strong>za</strong>četka svojega delovanja. Zanje rečemo,<br />
da so pričeli delovati pred neskončno časa. V naravi sicer takšnih sistemov ni<br />
(po sedanjem razumevanja stvarstva), prav pa nam pridejo pri matematičnem<br />
opisu mnogih <strong>signalov</strong>.<br />
1.5.3 Zakonitosti sistemov<br />
Signali <strong>in</strong> sistemi so tesno pove<strong>za</strong>ni. Na primer, napetosti <strong>in</strong> tokovi so z električnim<br />
vezjem pove<strong>za</strong>ni z elektromagnetnimi <strong>za</strong>koni; lega, hitrost, pospešek<br />
so z mehanskim sistemom v klasični mehaniki pove<strong>za</strong>ni z Newtonovimi<br />
<strong>za</strong>koni; pretoki, tlaki, potek kislosti so v kemičnih procesih pove<strong>za</strong>ni na primer<br />
s termod<strong>in</strong>amičnimi <strong>za</strong>koni <strong>in</strong> ne na<strong>za</strong>dnje vrednost delnic na borzi sledi<br />
ekonomskim <strong>za</strong>konom ponudbe <strong>in</strong> povpraševanja. Te pove<strong>za</strong>ve določajo <strong>za</strong>konitosti<br />
sistema. Imenujemo jih tudi karakteristika sistema. Zakonitosti<br />
sistemov tudi določajo, kako se sistem odzove na vhodni signal. Odziv sistema<br />
je spet signal, <strong>za</strong>to s sistemi signale lahko preoblikujemo oziroma jih<br />
obdelujemo. V tej zvezi ni teorija obdelave <strong>signalov</strong> nič drugega kot skupek<br />
<strong>za</strong>konitosti, ki povezujejo sisteme s signali.<br />
datoteka: signal_A
8 1. Uvod<br />
1.6 Uporaba teorije <strong>signalov</strong><br />
Mnogim – ne le študentom – se pogosto <strong>za</strong>stavlja vprašanje, kje <strong>in</strong> <strong>za</strong>kaj<br />
potrebujemo teorijo <strong>signalov</strong>, oziroma, kaj lahko z <strong>obdelavo</strong> ali popularno<br />
rečeno, s procesiranjem <strong>signalov</strong> dosežemo. Zato v krajšem pregledu navajamo<br />
pomembnejše primere iz življenja, tehnike <strong>in</strong> znanosti, kjer ima teorija<br />
<strong>signalov</strong> pomembno ali celo ključno vlogo oziroma pomen. Ta v <strong>za</strong>dnjem<br />
času z razvojem polprevodniške tehnologije, ki omogoča poceni gradnjo digitalnih<br />
signalnih procesorjev <strong>in</strong> s tem uč<strong>in</strong>kovito uporabo teorije <strong>signalov</strong> v<br />
praksi.<br />
Razvoj digitalnih signalnih procesorjev je sprožil pravo revolucijo v uporabe<br />
teorije <strong>signalov</strong>. Ta je <strong>za</strong>jela tolikšen obseg, da se danes proučuje predvsem<br />
tako imenovana teorija digitalne obdelave <strong>signalov</strong>.<br />
1.6.1 Obdelava <strong>signalov</strong><br />
Značilni problem, ki ga rešujemo z <strong>obdelavo</strong> <strong>signalov</strong>, je na primer odstranjevanje<br />
šuma iz signala. Tega na primer želimo odstraniti iz merilnega signala,<br />
telefonskega signala <strong>in</strong> podobno. Ta problem opišemo z naslednjo enačbo:<br />
v(t) = x(t) + n(t) , (1.1)<br />
kjer so v(t) opazovani signal, x(t) koristni signali <strong>in</strong> n(t) šum, ki se je prištel<br />
signalu. Kako ločiti signal od šuma? Šum skušamo odstraniti ali vsaj<br />
zelo zmanjšati s sitom (slika 1.4), s katerim sejemo sprejeti signal. Izhod sita<br />
Slika 1.4<br />
Problem načrtovanja vhodnega sita <strong>za</strong><br />
izločevanje šuma.<br />
n( t)<br />
x( t)<br />
v( t) = x ( t) +n( t)<br />
y( t)<br />
sito<br />
je signal y(t), <strong>za</strong> katerega želimo, da je enak oziroma bolj podoben poslanemu<br />
signalu x(t), kot je sprejeti signal v(t). Pri izbiri sita predpostavimo, da<br />
je energija šuma koncentrirana v višem frekvenčnem področju kot je več<strong>in</strong>a<br />
energije signala, torej, da je sprem<strong>in</strong>janje šuma mnogo hitreje kot je sprem<strong>in</strong>janje<br />
poslanega signala. Če iz signala v(t) odrežemo komponente, ki so<br />
nad določeno frekvenco, signal zgladimo. S tem sicer odstranimo določeno<br />
količ<strong>in</strong>o šuma, hkrati pa spremenimo tudi signal. Močnejši je uč<strong>in</strong>ek glajenja,<br />
več šuma odstranimo, hkrati pa bolj spremenimo signal. Zato v takih<br />
primerih vedno iščemo kompromis. Pri tem si pomagamo s teorijo <strong>signalov</strong>,<br />
s katero proučujemo uč<strong>in</strong>ek sita na potek signala.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
1.6 Uporaba teorije <strong>signalov</strong> 9<br />
1.6.2 Telekomunikacije<br />
S pojmom telekomunikacije opisujemo prenos <strong>in</strong>formacij. Te lahko <strong>za</strong>jemajo<br />
telefonski pogovor, prenos televizijskega signala, računalniških <strong>in</strong> drugih podatkov.<br />
Za prenos podatkov potrebujemo komunikacijski kanal. Tvori ga<br />
lahko par žic, radijski signal, svetlo(bo)vodnik itd. Ker telekomunikacijske<br />
družbe svojim strankam <strong>za</strong>računavajo količ<strong>in</strong>o prenešenih <strong>in</strong>formacij, so zelo<br />
<strong>za</strong><strong>in</strong>teresirane, da po istem mediju prenesejo čimveč <strong>in</strong>formacij <strong>in</strong> s tem z obstoječo<br />
<strong>in</strong>frastrukturo več <strong>za</strong>služijo.<br />
Pojavom DSP je vplival na številna področja telekomunikacij. Na primer:<br />
generiranje <strong>in</strong> detekcija signalnih tonov, modulacijske <strong>in</strong> demodulacijske tehnike,<br />
sejanje šumov <strong>in</strong> l<strong>in</strong>ijskega bruma, itd. Izmed njih povzemamo le tri<br />
specifične primere: multipleksiranje komprimiranje ali stiskanje digitalnega<br />
<strong>za</strong>pisa <strong>in</strong> odpravljanje odmeva.<br />
Ponavadi so orig<strong>in</strong>alni signali neprimerni <strong>za</strong> prenos na večje razdalje, <strong>za</strong>to<br />
jih pustimo, da jih nosi nosilni signal – nosilec, ki je primeren <strong>za</strong> to. Proces<br />
vpisovanja sporočil na nosilec imenujemo modulacija. Rezultat modulacije<br />
je modulirani signal. Na sprejemni strani iz moduliranega signala izluščimo<br />
poslano sporočilo z modulaciji nasprotnim postopkom – imenujemo ga demodulacija.<br />
Modulacija <strong>in</strong> demodulacija se vršita v modulatorju oziroma<br />
demodulatorju (slika 1.5).<br />
Slika 1.5<br />
Prenos <strong>in</strong>formacije z modulacijo nosilca.<br />
Postopek modulacije si oglejmo na primeru amplitudne modulacije, ko <strong>in</strong>formacijo<br />
določa diskretni signal m(t) – imenujemo ga modulacijski signal,<br />
nosilni signal pa je s<strong>in</strong>usni val c(t) – imenujemo ga nosilec – z visoko frekvenco<br />
(slika 1.6).Vidimo, da je rezultat modulacijskega postopka signal x(t),<br />
katerega amplituda se sprem<strong>in</strong>ja v odvisnosti od modulacijskega signala:<br />
x(t) = m(t)·c(t) . (1.2)<br />
Lastnosti moduliranega signala x(t) določimo s pomočjo teorije <strong>signalov</strong>. Pri<br />
demodulaciji moramo razrešiti problem povrnitve orig<strong>in</strong>alnega signala, saj<br />
demodulacijo izvajamo na sprejetem signalu r(t). Ta se na poti, <strong>za</strong>radi neidealnosti<br />
prenosnega medija ali drugih omejitev (slika 1.7), popači, prišteje pa<br />
datoteka: signal_A
10 1. Uvod<br />
Slika 1.6<br />
Primer<br />
modulacijskega,<br />
nosilnega,<br />
moduliranega <strong>in</strong><br />
sprejetega signala.<br />
Slika 1.7<br />
Model prenosnega medija z aditivnim šumom. S<br />
sitom opišemo prenosno karakteristiko medija.<br />
se mu tudi šum. Zato demodulacije ne moremo preprosto izvesti z deljenjem<br />
sprejetega signala z nosilcem, saj<br />
m(t) = x(t)<br />
c(t) ≠ r(t)<br />
c(t)<br />
. (1.3)<br />
Rešiti moramo podoben, vendar <strong>za</strong>htevnejši problem, kot smo ga opisali v<br />
prejšnem paragrafu (slika 1.4). Zato si tudi v tem primeru pomagamo s teorijo<br />
<strong>signalov</strong>. Za razliko od prejšnjega primera, lahko na primer načrtamo<br />
optimalno sito – vstavimo ga pred demodulator, ki maksimira razmerje med<br />
amplitudo signala x(t) <strong>in</strong> efektivno vrednostjo šuma n(t). Načrtamo lahko<br />
tudi sito, ki izravna karakteristiko prenosnega medija, če le-to poznamo, ali<br />
zgradimo algoritme, ki identificirajo prenosno karakteristiko <strong>in</strong> glede na njo<br />
samodejno naravnajo sito <strong>za</strong> izravnavo karakteristike. Tudi v teh primerih si<br />
pomagamo s teorijo <strong>signalov</strong>.<br />
Modulacije <strong>in</strong> demodulacije so zelo pomemben del komunikacijske teorije.<br />
Poznamo jih celo vrsto, od tako imenovanih amplitudnih, kotnih, digitalnih<br />
modulacij (slika 1.6) pa vse do modulacije z razprševanjem spektra.<br />
Multipleksiranje<br />
Na svetu je sedaj okoli ena milijarda telefonov. S pritiskom nekaj številk na<br />
telefonu lahko v nekaj sekundah preko telefonskega omrežja povežemo poljubna<br />
telefona. Obsežnost dela, ki se pri tem opravi, si težko predstavljamo.<br />
Do šestdesetih let prejšnjega stoletja, je pove<strong>za</strong>va med dvema telefonoma<br />
<strong>za</strong>htevala analogni prenos govornega signala preko mehanskih stikal <strong>in</strong> analognih<br />
ojačevalnikov. Vsaka pove<strong>za</strong>va je <strong>za</strong>to <strong>za</strong>htevala svoj par žic. Z uporabo<br />
DSP lahko govorni signal preoblikujemo v serijski bitni tok. Tega lahko<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
1.6 Uporaba teorije <strong>signalov</strong> 11<br />
preprosto prepletemo z drugimi bitnimi tokovi <strong>in</strong> jih kasneje izdvojimo. Zato<br />
lahko po enem kanalu sočasno prenašamo veliko telefonskih pogovorov. Na<br />
primer, telefonski standard pozna T1 (v Združenih državah) <strong>in</strong> E1 (v Evropi)<br />
prenosni sistem. T1 prenosni sistem sočasno prenaša 24 govornih kanalov.<br />
Vsak kanal je otipan 8000 krat na sekundo, kar da 64 kbit/s, oziroma pri T1<br />
da <strong>za</strong> 24 kanalov skupaj 1,544 Mbit/s. Ta signal lahko prenašamo po telefonski<br />
l<strong>in</strong>iji približno 2000 m daleč. F<strong>in</strong>ančna prednost takega sistema je velika:<br />
žice <strong>in</strong> analogna stikala so draga, logična vezja so poceni.<br />
Komprimiranje<br />
Govorni signal, ki ga digitaliziramo 8000 krat na sekundo, ima več<strong>in</strong>o digitalnih<br />
podatkov redundančnih, saj je <strong>in</strong>formacija, ki jo nosi en otipek je<br />
najmanj podvojena v sosednjih otipkih. Razvitih je vsaj ducat algoritmov, ki<br />
stisnejo digitalni <strong>za</strong>pis, tako da je potrebna manjša prenosna zmogljivost <strong>in</strong> ga<br />
na sprejemni strani povrnejo v orig<strong>in</strong>alno obliko. Imenujemo jih kodek algoritmi.<br />
Kodeki se se medsebojno razlikujejo po kompresijskem razmerju (<strong>za</strong><br />
kolikokrat lahko stisnejo digitalni <strong>za</strong>pis), ki ga dosežejo <strong>in</strong> kakovosti govora.<br />
V splošnem pri zmanjšanju prenosne hitrosti iz 64 kbit/s na 32 kbit/s brez izgube<br />
kakovosti zvoka, pri zmanjšanju na 8 kbit/s opazimo manjšo kakovost<br />
govora, vendar to ne moti razumljivosti, <strong>za</strong>to te prenosne hitrosti uporabljamo<br />
pri prenosu govora na velike razdalje. Danes kodeki dosegajo kompresijska<br />
razmerja, ki dajo približno 2 kbit/s prenosne hitrosti. Ta govor je že močno<br />
popačen, vendar je razumljivost v nekaterih uporabah še dovolj uporabna, na<br />
primer pri vojaških <strong>in</strong> podmorskih komunikacijah.<br />
kodek:<br />
kodiranje dekodiranje<br />
govorni kodek,<br />
video kodek<br />
Odstranjevanje odmeva<br />
Pri prenosu govora na velike razdalje so odmevi velik problem. Ko govorimo<br />
v telefon, signal, ki predstavlja naš govor, potuje do l<strong>in</strong>ijskega ojačevalnika,<br />
od koder se ga del vrne kot odmev. Če je razdalja med govornikoma le nekaj<br />
sto kilometrov, ima odmev <strong>za</strong>kasnitev le nekaj mili sekund. Tako malih<br />
<strong>za</strong>kasnitev ne slišimo, <strong>za</strong>to nas pri govoru ne motijo. Pri večjih razdaljah,<br />
na primer med kont<strong>in</strong>entalnih zve<strong>za</strong>h, so <strong>za</strong>kasnitve lahko nekaj 100 mili<br />
sekund, kar pa nas že moti pri pogovoru. V tem primeru merimo vrnjeni signal,<br />
generiramo nasprotni signal, s katerim želimo izničiti signal odmeva.<br />
Ta postopek je uporaben tudi pri zvočnikih, preko katerega lahko sočasno<br />
govorimo <strong>in</strong> poslušamo. Prav tako se te tehnike uporabljajo pri zmanjševanju<br />
šuma okolja ali hrupa, ki ga ustvarjajo razne naprave.<br />
datoteka: signal_A
12 1. Uvod<br />
1.6.3 Avdio<br />
Vid <strong>in</strong> sluh sta dva glavna človekova čuta. Zato je tem področju posvečeno<br />
veliko raziskovalnega <strong>in</strong> razvojnega dela. Novi sistemi digitalne obdelave<br />
<strong>signalov</strong> so revolucionalizirali hranjenje, posredovanje <strong>in</strong> poslušanje<br />
tako glasbe kot govora.<br />
Glasba<br />
Digitalni <strong>za</strong>pis glasbe v veliki meri prepreči degradacijo kakovosti analognega<br />
<strong>za</strong>pisa. To lahko opazi vsakdo, ki primerja kakovost <strong>za</strong>pisa glasbe s<br />
kasete s kakovostjo z zgoščenke. Kako pa nastane posnetek? Ponavadi pri<br />
snemanju v tonskem studiu glasbo posnamejo v več kanalih ali na več trakovih,<br />
mnogokrat <strong>za</strong> vsak <strong>in</strong>strument <strong>in</strong> <strong>za</strong> vsakega pevca posebej. To daje<br />
studijskim tehnikom veliko kreativnih možnosti <strong>za</strong> oblikovanje končnega <strong>za</strong>pisa.<br />
Kompleksni proses komb<strong>in</strong>iranja <strong>in</strong>dividualnih <strong>za</strong>pisov v končno obliko<br />
kompozicije imenujemo mešanje navzdol. Z digitalno <strong>obdelavo</strong> <strong>signalov</strong> pri<br />
tem vršijo pomembne funkcije kot so filtriranje, seštevanje <strong>in</strong> odštevanje <strong>signalov</strong>,<br />
editiranje itd.<br />
Ena izmed najbolj <strong>za</strong>nimivih aplikacij pri pripravi glasbe je umetni odmev.<br />
Če posamezne kanale preprosto seštejemo, rezultat zveni prazno <strong>in</strong><br />
zvodenelo, približno tako, kot če glasbeniki igrajo na prostem. To je <strong>za</strong>to,<br />
ker je studi0 gluhi prostor (prostorih brez odmeva). Zato pri se mešanju umetno<br />
dodaja odmev <strong>za</strong> poslušanje določene glasbe idealnih okolij. Na primer,<br />
odmev z <strong>za</strong>kasnitvijo nekaj sto ms daje vtis, da poslušamo glasbo v katedrali,<br />
<strong>za</strong>kasnitev 10 ms do 20 ms pa ustvari vtis, da glasbo poslušamo v srednje<br />
velikem prostoru.<br />
Umetni govor<br />
Umetni govora <strong>in</strong> prepoznava govora se uporablja v komunikaciji med ljudmi<br />
<strong>in</strong> stroji. Omogočata, da v sedaj običajno tehniko, pri kateri uporabljamo roke<br />
(<strong>za</strong> tipkanje ukazov na tipkovnico) <strong>in</strong> oči (<strong>za</strong> gledanje <strong>za</strong>pisov na ekranu), <strong>za</strong>menjamo<br />
z <strong>za</strong> človeka preprostejšim (po)govorom. Ta nač<strong>in</strong> komunikacije je<br />
posebej udoben, ko roke <strong>in</strong> oči potrebujemo <strong>za</strong> druga opravila, na primer<br />
<strong>za</strong> vožnjo avtomobila, izvajanje operacije <strong>in</strong> podobno. Pri umetnem govoru<br />
se danes uporabljata dva pristopa: digitalni <strong>za</strong>pis govora <strong>in</strong> simulacija človekovega<br />
vokalnega trakta. Pri digitalnem <strong>za</strong>pisu govora je v pomnilniku<br />
shranjen, ponavadi komprimiran, digitalizirani signal govorca. Pri uporabi<br />
tega <strong>za</strong>pisa, se shranjeni podatki dekomprimirajo <strong>in</strong> pretvorijo na<strong>za</strong>j v analogni<br />
signal. Za ta postopek, na primer <strong>za</strong> uro govora, potrebujemo okoli 3 MB<br />
pomnilnika, kar danes zmorejo že zelo mali računalniški sistemi. Danes je<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
1.6 Uporaba teorije <strong>signalov</strong> 13<br />
to najbolj pogosti nač<strong>in</strong> generiranja umetnega govora. Simulatorji govornega<br />
trakta so bolj <strong>za</strong>pleteni. Z njimi skušamo posnemati fizikalne mehanizme, s<br />
katerimi ljudje ustvarijo govor. Človekov govorni trakt je akustična votl<strong>in</strong>a, v<br />
kateri so resonančne frekvence določene z velikostjo <strong>in</strong> obliko votl<strong>in</strong>. Govor<br />
sestavljajo dve vrsti glasov: samoglasniki <strong>in</strong> soglasniki. Pri samoglasnikih<br />
glasilke pošiljajo skoraj periodične pulze zraka v zvočne votl<strong>in</strong>e, pri soglasnikih<br />
pa zvok nastaja pri turbolenci zraka blizu ustnic ali zob. Simulatorji<br />
govornega trakta delujejo tako, da generirajo digitalni signal, ki sestavi ti dve<br />
vrsti glasov. Karakteristike resonantnih votl<strong>in</strong> simuliramo s prehodom signala<br />
preko sita s podobnimi resonancami. Tak postopek so uporabili v prvi<br />
uspešni uporabi digitalnega signalnega procesorja – napravi Speak & Spell,<br />
ki se v ZDA uporablja kot učni pripomoček <strong>za</strong> otroke.<br />
Prepoznava govora<br />
Prepoznava govora je neizmerno težja kot generiranje govora. To je klasični<br />
primer, kar človekovi možgani odlično opravljajo, računalniki pa (še vedno)<br />
slabo. Z računalniki lahko shranijo veliko podatkov, izvajajo različne izračune<br />
z zelo veliko hitrostjo, vendar so še žal vedno neuč<strong>in</strong>koviti, ko imajo<br />
opravka s surovimi senzorskimi podatki. Naučiti računalnik, da mesečno pošilja<br />
na primer račun <strong>za</strong> porabljeno električno energijo, je preprosto, naučiti<br />
ga razumeti pa zelo težko (po več kot dvajsetih letih <strong>in</strong>tenzivnega raziskovanja<br />
smo še vedno zelo na <strong>za</strong>četku). Razpoznavanje govora v splošnem<br />
poteka v dveh korakih. V prvem izvlečemo značilnost govora, v drugem pa<br />
iščemo ujemanje (z znanimi vzorci). Pri tem izoliramo vsako besedo <strong>in</strong> jo<br />
analiziramo, da lahko odkrijemo vrsto vzbujanja <strong>in</strong> rezonančne frekvence.<br />
Te parametre primerjamo s prejšnjimi primeri izgovorjenih besed ter s tem<br />
poiščemo najbližje ujemanje. Pogosto je tak sistem omejen le na nekaj sto<br />
besed, razume govor s poudarjenimi presledki med izgovorjenimi besedami.<br />
Sistem mora biti naučen na posameznega govorca. To je primerno <strong>za</strong> mnoge<br />
komercialne rešitve. Naštete omejitve pa postanejo ponižujoče, ko tak sistem<br />
primerjamo s človekovim sluhom. Na tem področju mora še biti opravljeno<br />
veliko dela <strong>in</strong> bo potrebno vložiti še veliko denarja, preden bodo na voljo<br />
uporabnejši <strong>in</strong> uspešnejši komercialni izdelki.<br />
1.6.4 Lokacija odmeva<br />
Tehnike dalj<strong>in</strong>skega opazovanja ločimo v dve veliki skup<strong>in</strong>i: pasivne, kjer<br />
merimo lastna ali odbita naravna sevanja od objekta, <strong>in</strong> aktivna, kjer opazovanje<br />
temelji na merjenju odboja pulzov različnega valovanja od objekta. Na<br />
primer, z radarji, ki delujejo na pr<strong>in</strong>cipu odboja radijskega valovanja, merimo<br />
datoteka: signal_A
14 1. Uvod<br />
položaj <strong>in</strong> hitrost letal, ugotavljamo nevihtne oblake, opazujemo zemeljsko<br />
površ<strong>in</strong>o <strong>in</strong> površ<strong>in</strong>o drugih planetov itd; s sonarji izkoriščajo širjenje <strong>in</strong> odboj<br />
zvočnega valovanja pri odkrivanju podmornic, velikih rib ali ribjih jat;<br />
geofiziki z merjenjem odboja udarnega vala, ki ga sprožijo z eksplozijo, proučujejo<br />
strukturo zemeljske skorje, iščejo rudn<strong>in</strong>e ali nafto na velike razdalje<br />
<strong>in</strong> glob<strong>in</strong>e. Vse te aktivnosti imajo seveda poleg skupnega pr<strong>in</strong>cipa merjenja<br />
odboja, mnogo specifičnih problemov, ki jih lahko z ustreznimi algoritmi<br />
digitalne obdelave <strong>signalov</strong> uspešno rešujemo.<br />
Radar<br />
Beseda radar je kratica <strong>za</strong> radio detection and rang<strong>in</strong>g, ki v prostem prevodu<br />
pomeni detekcija objektov <strong>in</strong> določanje njihove lege z odbojem radijskih valov.<br />
Najpreprostejši radarski sistem sestavlja radijski oddajnik, ki generira<br />
kratke impulze – dolge nekaj µs – visokih frekvenc, ki jih vodimo v usmerjeno<br />
anteno 1 Ta pulz se iz antene širi s svetlobno hitrostjo. Letalo (ali drugi<br />
predmet, katerega oddaljenost <strong>in</strong> smer želimo izmeriti) del te energije odbije<br />
na<strong>za</strong>j v sprejemno anteno, ki je postavljena v bliž<strong>in</strong>i oddajne. Razdaljo do<br />
objekta izračunamo iz <strong>za</strong>kasnitve med poslanim <strong>in</strong> sprejetim pulzom, smer<br />
pa določa smer antene ob sprejemu odbitega pul<strong>za</strong>.<br />
krmiljenje<br />
oddaje/sprejema<br />
navigacija<br />
<strong>in</strong> vodenje<br />
oddajnik<br />
krmiljenje antene<br />
cirkulator<br />
generator<br />
takta<br />
vzbujalnik<br />
mešalnik<br />
antena<br />
Slika 1.8<br />
Tipična zgradba sodobnega radarja.<br />
referenèni takt<br />
referenèni takt<br />
sprejemnik<br />
takt digitali<strong>za</strong>cije<br />
digitali<strong>za</strong>cija<br />
prenosni<br />
sistem<br />
1 Usmerjenost antene je odvisna od valovne dolž<strong>in</strong>e elektromagnetnega valovanja. Večja<br />
je antena v primerjavi z valovno dolž<strong>in</strong>o valovanja, boljša je usmerjenost antene. Zato<br />
radarji ponavadi delujejo v decimeterskem, centimeterskem, milimetrskem ali celo krajšem<br />
valovnem območju. Torej pri zelo visokih frekvencah, od nekaj GHz naprej.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
1.6 Uporaba teorije <strong>signalov</strong> 15<br />
Doseg radarja je določen z dvema parametroma: koliko energije je v oddanem<br />
pulzu <strong>in</strong> nivoju šuma v sprejemniku. Žal povečanje energije pul<strong>za</strong><br />
ponavadi <strong>za</strong>hteva, da so pulzi daljši. Posledica tega je, da se s tem zmanjša<br />
natančnost <strong>in</strong> točnost določanja razdalje do objekta. Tako nastane konflikt<br />
med možnostjo odkrivanja objektov na velikih razdaljah <strong>in</strong> natančnostjo določitve<br />
razdalje do njega. Z <strong>obdelavo</strong> <strong>signalov</strong> so delovanje radarjev revolucionarno<br />
izboljšali na treh bistvenih področjih: (i) s spretno modulacijo signala<br />
oddanega pul<strong>za</strong> <strong>in</strong> <strong>obdelavo</strong> njegovega odmeva lahko stisnemo sprejeti pulz<br />
ne da bi pri tem zmanjšali doseg radarja; (ii) s sejanjem vhodnega signala<br />
zmanjšamo šum v sprejetem signalu. S tem povečamo doseg radarja brez povečanja<br />
energije pul<strong>za</strong> <strong>in</strong> zmanjšanja natančnost določanja razdalje; <strong>in</strong> (iii) s<br />
hitro izbiro <strong>in</strong> sprem<strong>in</strong>janjem oblike <strong>in</strong> dolž<strong>in</strong>e pulzov lahko med ostalim tudi<br />
sproti optimiramo pulze <strong>za</strong> detekcijo različnih objektov ter tako omogočimo<br />
njihovo lažje prepoznavanje. In vse te naloge se izvedejo pri frekvenci vzorčenja,<br />
ki presega nekaj sto MHz! Temu so seveda prilagojeni tako strojna<br />
oprema kot algoritmi digitalne obdelave <strong>signalov</strong>.<br />
Sonar<br />
Sonar je kratica angleškega term<strong>in</strong>a sound navigation and rang<strong>in</strong>g. Poznamo<br />
aktivne <strong>in</strong> pasivne sonarje. Aktivni sonarji pošiljajo v vodo zvočne pulze s<br />
frekvencami med 2 kHz <strong>in</strong> 40 kHz. Iz analize odmevov, ki nastanejo na raznih<br />
objektih v vodi ali med plastmi v vodi, ugotavljamo razdaljo <strong>in</strong> smer<br />
gibanje objektov, njegovo velikost, izvajamo navigacijo, komunikacijo pod<br />
vodo, izdelujemo zemljevide morskega dna itd. Tipične razdalje, ki jih dosežemo<br />
s senzorji so med 10 km <strong>in</strong> 100 km. S pasivnimi senzorji lahko le<br />
prisluškujemo dogajanju v vodi. Zvoki v vodi nastajajo <strong>za</strong>radi naravnih turbolenc,<br />
življenja v vodi, zvokov, ki jih povzročajo razna plovila (čolni, ladje,<br />
podmornice). Frekvence zvočnih valovanj, katerim prisluškujemo, so nižje<br />
kot pri aktivnih sonarjih. Zaradi tega je doseg detekcije lahko tudi nekaj tisoč<br />
kilometrov.<br />
Z <strong>obdelavo</strong> <strong>signalov</strong> lahko sonarju izboljšamo lastnosti na istih področjih<br />
kot pri radarju. Pri tem je v obdelavi <strong>signalov</strong> nekaj pomembnih razlik.<br />
Sonarji delujejo na bistveno nižjih frekvencah. Po drugi strani pa je okolje<br />
uporabe sonarja bolj nehomogeno <strong>in</strong> manj stabilno, <strong>za</strong>to jih ponavadi gradimo<br />
kot omrežje oddajnih <strong>in</strong> sprejemnih senzorjev. S pravilnim nadzorom<br />
<strong>in</strong> mešanjem <strong>signalov</strong> lahko sonar usmerja oddajne pulze <strong>in</strong> določi smer odmeva.<br />
Zaradi tega sonarji potrebujejo enako procesorsko moč kot je potrebna<br />
pri radarjih.<br />
datoteka: signal_A
16 1. Uvod<br />
Seizmologija<br />
V zgodnjih dvajsetih letih prejšnjega stoletja so geofiziki odkrili, da lahko<br />
določajo strukturo zemeljske skorje z merjenjem odmevov zvoka, ki ga povzroči<br />
eksplozija na površ<strong>in</strong>i. Z meritvami po tem postopku sežejo več kot 10<br />
km v glob<strong>in</strong>o. Ti postopki so kmalu postali osnovi nač<strong>in</strong> iskanja naftnih <strong>in</strong><br />
m<strong>in</strong>eralnih nahajališč. Uporabljamo jih še danes.<br />
V idealnem primeru zvočni impulz, ki da pošljemo v zemeljsko notranjost,<br />
ustvari pri vsakem prehodu skozi posamezno zemeljsko plast en sam<br />
odmev. Žal, v praksi to ni tako preprosto. Vsak odmev, ki se vrača na<strong>za</strong>j na<br />
površ<strong>in</strong>o, mora preiti skozi vse plasti, ki so med površ<strong>in</strong>o <strong>in</strong> mejo plasti, kjer<br />
je nastal. Zaradi tega dobimo na površ<strong>in</strong>i zemlje množico odmevov, ki zelo<br />
otežijo detekcijo odmevov <strong>in</strong> njihovo predstavitev. Zato se po letu 1960 široko<br />
uporablja digitalna obdelava <strong>signalov</strong>, s katero si pomagamo razvozlati<br />
pomen odmevov. Kako pa geofiziki proučevali strukturo zemeljske skorje<br />
pred tem? Odgovor je preprost. Proučevali so lahko le najbolj preproste primere,<br />
kjer ni večkratnih odmevov, oziroma so ti zelo pridušeni. Digitalna<br />
obdelava <strong>signalov</strong> omogoča odkrivati na primer nahajališča nafte tudi pod<br />
oceanskim dnom.<br />
1.6.5 Obdelava slik<br />
Slikovni signali imajo nekatere posebnosti, ki jih pri ostalih signalih redkeje<br />
srečujemo. Prvo, njihovi parametri so prostorsko razporejeni <strong>in</strong> ne po po<br />
času, kot je to primer pri več<strong>in</strong>i ostalih <strong>signalov</strong>. Druga njihova značilnost<br />
je velika količ<strong>in</strong>a <strong>in</strong>formacij. Na primer <strong>za</strong> posnetek 1 sekunde televizijske<br />
slike potrebujemo več kot 10 MB pomnilnika. To je več tisoč krat več, kot<br />
pri <strong>za</strong>pisu govora enake dolž<strong>in</strong>e. Tretja posebnost je, da je končna ocena<br />
kakovosti slike subjektivna. Zaradi teh posebnosti, je obdelava slik posebna<br />
discipl<strong>in</strong>a (digitalne) obdelave slik.<br />
Medic<strong>in</strong>a<br />
Leta 1895 je Wilhelm Conrad Röntgen odkril, da x-žarki ali tudi Röntgenski<br />
žarki “svetijo” tudi skozi določeno debel<strong>in</strong>o snovi. S tem se je v medic<strong>in</strong>i odprla<br />
nova možnost pogleda v človeško telo. Ne glede na velik uspeh rentgenskega<br />
aparata, je njegova uporaba bila do nedavnega omejena z naslednjimi<br />
štirimi problemi:<br />
1. Strukture v telesu, ki se prekrivajo, <strong>za</strong>krivajo pogled <strong>za</strong> njimi. Na primer,<br />
del srca <strong>za</strong>kritega z rebri, ne moremo videti.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
1.6 Uporaba teorije <strong>signalov</strong> 17<br />
2. Mnogokrat ne moremo razlikovati med organi iz podobnih tkiv. Na primer,<br />
razlikovanje kosti od mehkih tkiv ne predstavlja večjih problemov,<br />
razlikovanje tumorja od jeter pa ni več preprosto ali sploh mogoče.<br />
3. Röntgenske slike kažejo anatomijo, ne pa delovanje organov. Izgled rentgenskih<br />
slik mrtvih <strong>in</strong> živih teles se ne razlikujejo!<br />
4. Röntgenske sevanje lahko povzroči raka. <strong>za</strong>to ga moramo uporabljati z<br />
veliko pazljivostjo <strong>in</strong> le s pravilno nastavljeno jakostjo.<br />
Problem prekrivanja strukture so rešili leta 1971 z izdelavo prvega računalniškega<br />
tomografa (CT: computed tomography). računalniški tomograf je<br />
klasični primer uspešne uporabe digitalne obdelave <strong>signalov</strong>. Posnetke, ki<br />
jih dobimo pri slikanju z rentgenskimi žarki iz večih smeri, se pretvori v<br />
digitalne podatke <strong>in</strong> hrani v računalniku. Ta iz njih z ustreznimi algoritmi<br />
izračuna slike ki kažejo prereze telesa. Te slike kažejo mnogo več detajlov<br />
kot konvencionalne tehnike. Omogočajo bistveno boljšo diagnostiko <strong>in</strong><br />
s tem zdravljenje. Uvedba računalniške tomografije je imela približno enake<br />
posledice kot odkritje rentgenskega aparata samega. V nekaj letih so vse pomembnejše<br />
bolnice v svetu imele računalniški tomograf. Za njegovo odkritje<br />
sta Godfrey N. Hounsfield and Allan M. Cormack – njegova glavna odkritelja<br />
– dobila leta 1979 Nobelovo nagrado <strong>za</strong> dosežke v medic<strong>in</strong>i. To je uporaba<br />
digitalne obdelave <strong>signalov</strong>!<br />
Ostale trije problemi so bili rešeni z uporabo drugačnega sevanja, na primer<br />
radijske frekvence <strong>in</strong> ultrazvočno valovanje. V vseh je ključni element<br />
delovanja naprav digitalna obdelava <strong>signalov</strong>. Na primer, pri preiskavah z<br />
uporabo magnetne resonance (Magnetic Resonance Imag<strong>in</strong>g: MRI) z radijskim<br />
valovanjem vzbujamo atomska jedra v izbranem območju telesa. Atomska<br />
jedra v tem področju (resonančno) nihajo med dvema kvantnima stanjima<br />
ter pri tem sevajo značilno radijsko valovanje, ki ga detektiramo s posebnimi<br />
antenami nameščenimi blizu telesa. Iz jakosti <strong>in</strong> <strong>in</strong> drugih karakteristik tega<br />
signala dobimo <strong>in</strong>formacije o opazovanem delu telesa. Z nastavitvijo magnetnega<br />
polja je možno pomikati območje resonance atomskih jeder skozi telo<br />
<strong>in</strong> tako slikati notranjo strukturo telesa. Te <strong>in</strong>formacije se običajno predstavijo<br />
kot slike, enako kot pri računalniški tomografiji. Poleg dobrega razlikovanja<br />
med različnimi vrstami mehkih tkiv, MRI lahko uporabimo <strong>za</strong> merjenje<br />
delovanja organov, na primer pretoka krvi skozi arterije. Delovanje MRI povsem<br />
temelji na digitalni obdelavi <strong>signalov</strong>. Ni ga mogoče izdelati brez nje.<br />
Vesolje<br />
Danes zemljo <strong>in</strong> <strong>in</strong> vesolje dalj<strong>in</strong>sko opazujemo predvsem iz satelitov, ki<br />
krožijo okoli zemlje, ali potujejo proti tujim nebesnim telesom. Pri tem mnodatoteka:<br />
signal_A
18 1. Uvod<br />
gokrat iz satelitov dobimo slabe slike, iz katerih pa želimo izvleči kar se da<br />
dosti <strong>in</strong>formacij, saj nihče ne bo šel še enkrat v vesolje <strong>za</strong>to, da nastavi nekaj<br />
gumbov na snemalnih napravah! (Izjema je primer teleskopa Huble 2 ). Z<br />
<strong>obdelavo</strong> <strong>signalov</strong> lahko kakovost slike, ki je posneta v zelo neugodnih okolišč<strong>in</strong>ah,<br />
izboljšamo na različne nač<strong>in</strong>e. Na primer, svetlost <strong>in</strong> kontrast slike,<br />
<strong>in</strong>strument<br />
SAR<br />
signalni<br />
podatki<br />
oblikovanje<br />
slike<br />
SAR<br />
slika<br />
obdelava<br />
slike<br />
<strong>in</strong>formacije<br />
o sceni<br />
uporaba<br />
slik<br />
senzor<br />
gibanja<br />
podatki o gibanju<br />
SAR <strong>in</strong>strumenta<br />
Slika 1.9<br />
Sistem dalj<strong>in</strong>skega opazovanja s pomočjo <strong>in</strong>strumenta SAR. SAR (Synthetic Aperture Radar: radar z umetno<br />
odprt<strong>in</strong>o) je <strong>in</strong>strument na osnovi radarja, kjer sevalni kot antene določimo z <strong>obdelavo</strong> <strong>signalov</strong>.<br />
detekcija robov, zmanjševanje šuma, izboljšava ostr<strong>in</strong>e, odstranjevanje senc<br />
<strong>za</strong>radi gibanja <strong>in</strong> podobno.<br />
Mnogo posameznih slik lahko združimo v eno samo, tako da lahko enotno<br />
prikažemo različne <strong>in</strong>formacije. Na primer, simulacija poleta po oddaljenem<br />
planetu. S tako imenovanim postopki zlivanja <strong>in</strong>formacij lahko pridobimo<br />
nove <strong>in</strong>formacije, ki jih posamezna slika ne vsebuje.<br />
Izdelki široke potrošnje<br />
Velika količ<strong>in</strong>a <strong>in</strong>formacij, ki jih vsebujejo slike, so velik problem <strong>za</strong> izdelke<br />
široke potrošnje. Ti morajo biti poceni, <strong>za</strong>to so njihove pomnilniške <strong>in</strong> prenosne<br />
zmogljivosti omejene. Ena izmed rešitev tega problema je stiskanje<br />
digitalnega <strong>za</strong>pisa slike. Podobno kot pri govoru, slike vsebujejo veliko redundantne<br />
<strong>in</strong>formacije, <strong>za</strong>to jih je možno <strong>za</strong>pisati v zelo skrčenem <strong>za</strong>pisu.<br />
Televizijske slike <strong>in</strong> podobne slikovna <strong>za</strong>poredja so posebej primerna <strong>za</strong> stiskanje<br />
<strong>za</strong>pisa, saj se pri njih vseb<strong>in</strong>a med slikami več<strong>in</strong>oma le malo razlikujejo.<br />
Prednosti, ki jih s tem pridobimo, omogočajo izdelke kot so video<br />
telefoni, računalniški programi <strong>za</strong> prikaz filmov <strong>in</strong> ne na<strong>za</strong>dnje digitalna televizija.<br />
2 Pri izdelavi zrcala teleskopa – izdelava je trajala štiri leta <strong>in</strong> stala eno milijardo ameriških<br />
dolarjev – je prišlo do okvare <strong>in</strong>strumenta <strong>za</strong> umerjanje zrcala, <strong>za</strong>to ima zrcalo sistemsko<br />
napako. Ko so odkrili napako, so izdelali korekcijski element, ki so ga astronavti v vesolju<br />
vstavili med zrcalo <strong>in</strong> slikovnim senzorjem.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
1.7 Orodja v teoriji <strong>signalov</strong> 19<br />
1.6.6 Vodenje<br />
Pri vodenju želimo načrtati naprave, imenujemo jih regulatorje, ki vplivajo<br />
na lastnosti vodenega sistema tako, da imajo želene lastnosti. To dosežemo s<br />
povratno ve<strong>za</strong>vo, ki omogoči, da je vhod regulatorja razlika med želenim <strong>in</strong><br />
izhodnim signalom. S tem skušamo odpraviti odstopanje od želenega obnašanja<br />
oziroma lastnosti (slika 1.10).<br />
motnje<br />
v<br />
eleni<br />
signal<br />
v - y<br />
regulacijsko<br />
odstopanje<br />
regulator<br />
x<br />
nastavitveni<br />
signal<br />
vodeni<br />
objekt<br />
y<br />
signal<br />
regulirane<br />
koliè<strong>in</strong>e<br />
Slika 1.10<br />
Uravnavanje d<strong>in</strong>amičnih lastnosti<br />
sistema z regulacijo.<br />
Pri načrtovanju regulatorjev je pomembno poznati lastnosti <strong>in</strong> značilnosti<br />
vodenega objekta. Te lahko ugotovimo s primerjavo nastavitvenega signala <strong>in</strong><br />
signala regulirane količ<strong>in</strong>e. Tehnike <strong>in</strong> metode primerjave <strong>signalov</strong>, kot tudi<br />
izbira primernih vhodnih <strong>signalov</strong> <strong>za</strong> identifikacijo sistemov je pomembno <strong>in</strong><br />
uporabno področje teorije <strong>signalov</strong>.<br />
Z vodenjem se ukvarja teorija regulacij.<br />
1.6.7 Vede, ki uporabljajo teorijo <strong>signalov</strong><br />
Komunikacije <strong>in</strong> vodenje obravnavamo danes kot samostojni tehniški discipl<strong>in</strong>i.<br />
S prvimi se predvsem ukvarjajo komunikacijski <strong>in</strong>ženirji, z drugimi pa<br />
<strong>in</strong>ženirji avtomatike. Obe discipl<strong>in</strong>i pa uporabljata isto izhodišče – teorijo<br />
<strong>signalov</strong>. Še več, težko je najti komunikacijsko napravo ali postopek, ki ne<br />
bi vseboval elementov regulacij. Pri vodenju pa morajo regulatorji <strong>in</strong> vodeni<br />
objekti medsebojno izmenjevati <strong>in</strong>formacije o svojem stanju, torej morajo<br />
medsebojno komunicirati. Danes obstajajo mnogi sistemi <strong>vodenja</strong>, kjer so<br />
regulacije porazdeljene, njihovi gradniki pa so medsebojno pove<strong>za</strong>ni z ustreznimi<br />
komunikacijskimi sistemi.<br />
1.7 Orodja v teoriji <strong>signalov</strong><br />
Kot v vseh naravoslovnih vedah je tudi teoriji <strong>signalov</strong> osnovno orodje, s katerim<br />
opisujemo, analiziramo ali s<strong>in</strong>teziramo signale, matematika. Iz njene<br />
<strong>za</strong>kladnice so v teoriji <strong>signalov</strong> pomembne funkcije, diferencialni <strong>in</strong> <strong>in</strong>tegralni<br />
račun. Z njimi lahko rešujemo probleme ali raziskujemo temeljne <strong>za</strong>konitosti<br />
<strong>signalov</strong>, ko imamo opravka s tako imenovanimi zveznimi <strong>in</strong> opisljivimi<br />
signali. Pri diskretnih signalih ali podatkih uporabljamo diskretno<br />
matematiko oziroma numerični račun. Obstaja pa tudi zvrst <strong>signalov</strong>, ki jih<br />
datoteka: signal_A
20 1. Uvod<br />
ne moremo opisati. To so naključni signali, pri katerih obstaja le določena<br />
vrednost, da bodo v nekem trenutku imeli določeno vrednost. Pri njih je<br />
osnovno orodje verjetnostni račun <strong>in</strong> statistične metode.<br />
Danes <strong>za</strong> vsa ta matematična področja obstajajo programska orodja, ki<br />
nam olajšajo razreševanje problemov. Med njimi so najbolj znana naslednja:<br />
Mathcad<br />
Mathematica<br />
LabWiev/HiQ<br />
MATLAB<br />
Poleg naštetih obstajajo še številni drugi programski paketi. Izmed njih smo<br />
<strong>za</strong> prikaz obdelave <strong>signalov</strong> izbrali MATLAB.<br />
1.7.1 MATLAB<br />
V [50, str. 5–6] je v <strong>uvod</strong>u o programu MATLAB <strong>za</strong>pisano naslednje:<br />
Programski paket MATLAB je <strong>in</strong>teraktivni program. Temelji na<br />
matričnem računu. Namenjen je znanstvenemu <strong>in</strong> <strong>in</strong>ženirskemu<br />
računanju ter vizuali<strong>za</strong>ciji funkcij. Njegova moč je v tem, da<br />
lahko z njim rešujemo kompleksne numerične probleme le v<br />
delcu časa, ki bi ga potrebovali reševanjem s programi v programskih<br />
jeziki kot sta Fortran ali C. Prav tako je močan v smislu,<br />
da lahko s programom MATLAB relativno enostavno programiramo<br />
nove ukaze <strong>in</strong> funkcije.<br />
Programski paket MATLAB je na razpolago <strong>za</strong> številna računalniška<br />
okolja. Tako ga lahko uporabljamo na osebnih računalnikih<br />
z operacijskimi sistemi DOS, serije W<strong>in</strong>dows od 95 naprej,<br />
potem na računalnikih Apple Mac<strong>in</strong>tosh, Unix delovnih postajah<br />
<strong>in</strong> na več paralelnih računalniških sistemih. Osnovni paket MA-<br />
TLAB je skozi leta bil izboljšan še s številnimi orodnimi kovčki<br />
(kolekcijami specializiranih funkcij <strong>za</strong> specifična znanstvena <strong>in</strong><br />
<strong>in</strong>ženirska področja) . . .<br />
Področje uporabe paketa MATLAB je seveda daleč večja, kot<br />
smo opisali v nekaj besedah. Nima pomena dati precizno <strong>in</strong>formacije<br />
ali pregledni material o paketu, saj o njem obstoji mnogo<br />
odličnih knjig <strong>in</strong> učbenikov . . .<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
1.7 Orodja v teoriji <strong>signalov</strong> 21<br />
1.7.2 Orodni kovčki programa MATLAB<br />
Za področje obdelave <strong>signalov</strong> je <strong>za</strong> program MATLAB izdelanih več orodnih<br />
kovčkov. Med njimi ima osrednje mesto kovček Signal Process<strong>in</strong>g Toolbox.<br />
Poleg njega so v knjigi še primeri uporabe orodnega kovčka ”Statistics Toolbox“.<br />
Prav lahko pridejo še drugi orodni kovčki, vendar njihov namen <strong>in</strong><br />
zmogljivosti presegajo name te knjige.<br />
1.7.3 Učenje programa MATLAB<br />
Študentom priporočamo, da si pri študiju primerov uporabe programa MA-<br />
TLAB pomagajo z MATLAB User’s Guide 3 <strong>in</strong> Reference Guide 4 Prav tako priporočamo<br />
učbenik The Student Edition of MATLAB 5 . Poleg teh knjig v angleškem<br />
jeziku so na voljo tudi slovenska skripta Teorija sistemov z uporabo<br />
Matlaba 6 .<br />
Informacije, ki so dane v teh učbenikih, so poleg sprotne pomoči, ki je<br />
sestavni del programskega paketa MATLAB, bi morale <strong>za</strong>doščati <strong>za</strong> uporabe<br />
te knjige.<br />
3 MATLAB User’s Guide: High-Performance Numeric computation and Visuali<strong>za</strong>tion Software.<br />
The MathWorks, Inc., South Natic, MA, 1984–1994.<br />
4 MATLAB Reference Guide: High Performance Numeric computation and Visuali<strong>za</strong>tion<br />
Software. The MathWorks, Inc., South Natic, MA, 1984–1994.<br />
5 The MathWorks, Inc.: The Student Edition of MATLAB. Prentice HAll, Engelwood Cliffs,<br />
NJ.<br />
6 Mart<strong>in</strong>a LEŠ, Rajko SVEČKO: Teorija sistemov z uporabo Matlaba: teoretske <strong>in</strong> laboratorijske<br />
vaje. 1. izd. Maribor: Fakulteta <strong>za</strong> elektrotehniko, računalništvo <strong>in</strong> <strong>in</strong>formatiko,<br />
2000, ISBN 86-435-0311-8.<br />
datoteka: signal_A
2<br />
Vrste <strong>signalov</strong> <strong>in</strong><br />
elementarne operacije<br />
RAZNOLIKOST SIGNALOV je velika. Zato želimo v njihovo obravnavo<br />
vnesti določeno sistematiko, ki olajša ali omogoči poiskati lastnosti,<br />
def<strong>in</strong>icije <strong>in</strong> pojme, ki bi veljali <strong>za</strong> vse ali <strong>za</strong> določene vrste <strong>signalov</strong>.<br />
Z njo torej izvedemo delitev <strong>signalov</strong> na vrste ali razrede s skupnimi<br />
lastnostmi. Delimo jih lahko na različne nač<strong>in</strong>e, na primer po:<br />
nač<strong>in</strong>u nastanka oziroma viru, na primer govorni, satelitski, radijski,<br />
video signali;<br />
namenu uporabe, na primer merilni, preizkusni, vhodni, izhodni, postavni<br />
signali;<br />
prenosnih oblikah, na primer nosilni, modulacijski, koristni, motilni<br />
signali;<br />
frekvenčnem obnašanju, na primer nizko pasovni, pasovni <strong>in</strong> visoko<br />
pasovni signali;<br />
obliki časovnega poteka, na primer periodični, impulzni, zvezni, diskretni<br />
signali;<br />
možnostih opisa, na primer determ<strong>in</strong>istični, naključni signali.<br />
Iz gledišča, da so signali nosilci <strong>in</strong>formacij, nas izmed naštetih delitev<br />
<strong>signalov</strong> <strong>za</strong>nimajo predvsem <strong>za</strong>dnje tri. Iz sprem<strong>in</strong>janja oblike <strong>signalov</strong> sklepamo<br />
o <strong>in</strong>formacijah o poteku fizičnih, kemičnih ali bioloških procesov. Spremljanje<br />
oblike signala, predvsem pa ekstrakcija <strong>in</strong>formacij, pa je mogoča le,<br />
23
24 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
če signale lahko opišemo z vsemi tistimi parametri, ki so določili njihov potek.<br />
Slutnjo, da je (matematični) opis tisti, ki razdeli signale na vrste oziroma<br />
razrede z določenimi skupnimi lastnostmi, ki jih izkoriščajo tehnike <strong>za</strong>jetja,<br />
preoblikovanja, analize <strong>in</strong> s<strong>in</strong>teze, to je obdelave oziroma procesiranja, potrjujemo<br />
tudi v tem učbeniku.<br />
2.1 Funkcije:<br />
orodje <strong>za</strong> opis <strong>signalov</strong><br />
Kako predstaviti oziroma opisati signal? Za opis odvisnosti med odvisno<br />
spremenljivko <strong>in</strong> neodvisno spremenljivko v matematiki uporabljamo funkcije.<br />
Matematiki def<strong>in</strong>irajo funkcije kot predpis, ki vrednosti neodvisne spremenljivke<br />
iz neke množice predpišejo natanko eno vrednost funkcije.<br />
Ko je potek <strong>signalov</strong> odvisen od časa – več<strong>in</strong>a <strong>signalov</strong>, ki jih bomo obravnavali,<br />
bo takšnih – odvisna spremenljivka opisuje potek signala v odvisnosti<br />
od časa. Take funkcije imenujemo časovne funkcije <strong>in</strong> jih v splošnem označimo<br />
z:<br />
x = f (t) ,<br />
kjer smo s f (t) označili funkcijski predpis. Pri tem je čas t neodvisna spremenljivka,<br />
ki <strong>za</strong>jema svoje vrednosti iz domene ali def<strong>in</strong>icijskega območja<br />
funkcije. To območje pri obravnavi <strong>signalov</strong> imenujemo tudi signalna os <strong>in</strong><br />
jo bomo v primeru časovnih <strong>signalov</strong> označevali s:<br />
T : signalna os signala x(t) .<br />
Množico vseh vrednosti x = f (t) matematiki imenujejo <strong>za</strong>loga vrednosti, v<br />
obravnavi <strong>signalov</strong> pa jo ponavadi imenujemo območje signala ali tudi amplitudni<br />
razmah signala. Označujemo jo z A .<br />
Funkcijski predpis pogosto opisujejo tudi kot pravilo (predpis) preslikave,<br />
ki vrednosti iz – v našem primeru – domene T preslikajo v vrednosti iz<br />
množice A . To simbolično <strong>za</strong>pišejo z:<br />
signal pa def<strong>in</strong>irajo z:<br />
x : T ↦→ A ,<br />
DEFINICIJA 2.1.1<br />
Vsak predpis preslikave x : T → A določa signal s signalno osjo T <strong>in</strong> s signalnim<br />
območjem A .<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.1 Funkcije: orodje <strong>za</strong> opis <strong>signalov</strong> 25<br />
Vrednosti v signalnem območju <strong>in</strong> na signalni osi so podmnožice ali množice<br />
naravnih, celih, realnih ali kompleksnih števil. Za te množice bomo uporabljali<br />
naslednje uveljavljene oznake:<br />
N : naravna števila<br />
Z :<br />
R :<br />
C :<br />
cela števila<br />
Z + : nenegativna cela števila<br />
Z − :<br />
realna števila<br />
nepozitivna cela števila<br />
kompleksna števila<br />
2.1.1 Realne funkcije<br />
Kadar sta signalna os <strong>in</strong> signalno območje podmnožici ali množici realnih<br />
števil, imenujemo funkcijo x = f (t) realna funkcija realne spremenljivke ali<br />
ponavadi kar realne funkcije. Več<strong>in</strong>a <strong>signalov</strong>, ki jih v tehniki uporabljamo,<br />
je realnih.<br />
Funkcije <strong>in</strong> signale ponavadi predstavimo z grafi. Na primer realni signal,<br />
ki ga opišemo s funkcijo x(t) = 1 + s<strong>in</strong>2t, kaže slika 2.1.<br />
2<br />
signalno obmoèje<br />
1.5<br />
1<br />
0.5<br />
% datoteka 1+s<strong>in</strong>(2t)<br />
% diagram funkcije x(t) = 1 + s<strong>in</strong>(2t)<br />
t = -pi/2:.01:pi/2; % signalna os<br />
x = 1 + s<strong>in</strong>(2*t);<br />
plot(t,x),grid on % izris funkcije<br />
xlabel(’signalna os v radianih’);<br />
ylabel(’signalno območje’);<br />
0<br />
−2 −1 0 1 2<br />
signalna os v radianih<br />
Slika 2.1<br />
Predstavitev signala x(t) = 1 + s<strong>in</strong>2t. Levo diagram, desno rut<strong>in</strong>a v programu MATLAB, s katerim je diagram<br />
narisan.<br />
datoteka: signal_A
|x| = |1/(s+1)|<br />
26 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
2.1.2 Kompleksne funkcije<br />
Kompleksna funkcija priredi kompleksnim vrednostim s = σ + jω kompleksne<br />
vrednosti w = u + jv:<br />
w = f (s)<br />
Funkcija w = f (s) preslika kompleksno s-ravn<strong>in</strong>o v kompleksno w-ravn<strong>in</strong>o.<br />
Kompleksna funkcija je analitična (regularna ali holomorfna) na območju G ,<br />
če je nad njim odvedljiva v vseh točkah območja G ⊂ C. Robne točke G , kjer<br />
prvi odvod ne obstaja, so s<strong>in</strong>gularne točke funkcije f (s).<br />
30<br />
20<br />
10<br />
2 0<br />
jω = jI{ s }<br />
0<br />
−2<br />
−3<br />
−2<br />
−1<br />
0<br />
σ = R{ s }<br />
1<br />
% datoteka 1_(s+1).m<br />
% diagram funkcije x(s) = 1/(s + a), s = sigma + j*omega<br />
a=1;<br />
% lega pola<br />
[sigma,omega] = meshgrid(-2.:0.05:2.,-3.:0.05:1.); % izsek s ravn<strong>in</strong>e<br />
x = 1./abs(complex(omega,sigma)+a); % izračun<br />
surfl(omega,sigma,abs(x))<br />
% izris<br />
Slika 2.2<br />
Predstavitev signala w(s) = 1/(s + a), s = σ + jω. Zgoraj je tridimenzionalni diagram, spodaj pa rut<strong>in</strong>a v<br />
programu MATLAB, s katerim je diagram narisan.<br />
Iz matematike je znano, da obstaja neskončno funkcij. Tako je <strong>za</strong> opis <strong>in</strong><br />
<strong>obdelavo</strong> <strong>signalov</strong> na voljo obsežno, raznoliko, pa tudi uč<strong>in</strong>kovito orodje, ki<br />
ga bomo s pridom izkoristili tako pri analizi <strong>in</strong> s<strong>in</strong>tezi <strong>signalov</strong>, kakor tudi <strong>za</strong><br />
njihovo odkrivanje ali razlikovanje oziroma razpoznavanje.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.2 Vrste <strong>signalov</strong> 27<br />
2.2 Vrste <strong>signalov</strong><br />
Glede na številske množice, ki so <strong>za</strong>jete v def<strong>in</strong>icijskem območju <strong>in</strong> <strong>za</strong>logi<br />
vrednosti funkcije, funkcije delimo na:<br />
časovno zvezne: T ⊆ R<br />
časovno diskretne: T ⊆ Z<br />
amplitudno zvezne: A ⊂ R<br />
amplitudno diskretne: A ⊂ Z<br />
<strong>in</strong> seveda njihove komb<strong>in</strong>acije. Za signale, ki jih opišemo z naštetimi funkcijami,<br />
se poleg naštetih imen uporabljajo še imena, ki poudarijo tehnološko<br />
o<strong>za</strong>dje njihovega nastanka ter obdelave.<br />
2.2.1 Analogni signali<br />
Te signale opišemo s časovno <strong>in</strong> amplitudno zveznimi funkcijami. Pri analognem<br />
signalu smejo amplitude znotraj vnaprej predpisanega signalnega območja<br />
<strong>za</strong>vzeti poljubno vrednost (slika 2.3a).<br />
Primer analognega signala je signal iz napetostnega ali tokovnega merilnega<br />
transformatorja. Opišemo ga na primer s funkcijo x(t) = U 0 cosω 0 t, kjer<br />
sta U 0 amplituda napetosti <strong>in</strong> ω 0 = 2π 50 = 100 π rad/s krožna frekvenca<br />
napetosti <strong>in</strong> toka, ki se uporablja v evropskih električnih omrežjih.<br />
2.2.2 Amplitudno diskretni časovno zvezni signali<br />
Več o krožni frekvenci<br />
piše v razdeleku 2.7 na<br />
strani 33.<br />
To so signali, ki jih opišemo s časovno zveznimi <strong>in</strong> amplitudno diskretnimi<br />
funkcijami. Njihove amplitude lahko imajo le diskretne vrednosti, vrednost<br />
amplitude pa je znana v vsakem trenutku obstoja signala.<br />
Zanje se uporablja tudi ime kvantizirani signali. Ime izhaja iz postopka<br />
njihovega nastanka. Opisan je v razdelku 2.10.3 na strani 54. Izgled kvantiziranega<br />
signala x(t) = U 0 cosωt kaže slika 2.3c na naslednji strani. Ponekod<br />
te signale imenujejo tudi amplitudno diskretni signali.<br />
2.2.3 Diskretni signali<br />
V več<strong>in</strong>i literature se s term<strong>in</strong>om diskretni signali označuje časovno diskretne,<br />
amplitudno kvantizirane signale (slika 2.3d). Za te signale velja:<br />
T ∈ Z , A ∈ Z .<br />
datoteka: signal_A
28 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
zvezen čas<br />
diskreten čas<br />
zvezna<br />
amplituda<br />
x( t)<br />
t<br />
x( n)<br />
n<br />
(a)<br />
(b)<br />
diskretna<br />
amplituda<br />
xq( t)<br />
t<br />
x[ n]<br />
n<br />
(c)<br />
(d)<br />
Slika 2.3<br />
Delitev <strong>signalov</strong> po amplitudni <strong>in</strong> časovni ločljivosti.<br />
Poleg njih poznamo še časovno diskretne amplitudno zvezne signale. Ponavadi<br />
jih na kratko imenujemo časovno diskretni signali. Zanje velja<br />
T ∈ Z , A ∈ R .<br />
Pri obojih signalih je časovni <strong>in</strong>terval med znanimi vrednostmi funkcije ponavadi<br />
konstanten oziroma ekvidistančen.<br />
Časovno diskretne vrednosti lahko iz analognega signala dobimo s postopkom,<br />
ki ga imenujemo otipavanje, rezultat postopka imenujemo vzorec.<br />
Postopek je opisan v razdelku 7.4 na strani 171. S kvanti<strong>za</strong>cijo vzorca dobimo<br />
amplitudno diskretni signal.<br />
2.3 Digitalni signali:<br />
sistemska alternativa analognemu svetu<br />
☞<br />
S term<strong>in</strong>om digitalni signali v literaturi ponavadi označujejo ”diskretne signale<br />
izražene v številčni obliki“. Z drugimi besedami, digitalni signal ni<br />
pravi signal, ampak <strong>za</strong>poredje številk oziroma podatkov. Zato <strong>za</strong> njih v tej<br />
knjigi uporabljamo term<strong>in</strong> <strong>za</strong>poredje podatkov, oziroma na kratko kar <strong>za</strong>poredje.<br />
Zaporedja označujemo enako kot diskretne signale:<br />
x[n] ,<br />
grafično pa jih ponazorimo tako, kot kaže slika 2.4 na naslednji strani.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.3 Digitalni signali 29<br />
x[ n]<br />
n<br />
Slika 2.4<br />
Grafična predstavitev <strong>za</strong>poredja podatkov<br />
dobljenih s kodiranjem diskretnega signala<br />
na sliki 2.3d.<br />
2.3.1 Pove<strong>za</strong>va med digitalnimi <strong>in</strong> diskretnimi signali<br />
Zaporedja x[n] <strong>in</strong> pripadajoče diskretne signale povezuje oziroma ločuje kodiranje.<br />
Kodiranje je širši pojem, ki ga uporabljamo <strong>za</strong> <strong>za</strong>pis podatkov <strong>in</strong><br />
prenosu podatkov oziroma <strong>in</strong>formacij. Pretvorbo signala v <strong>za</strong>poredje podatkov<br />
imenujemo analogno-digitalna pretvorba. Z njo kvantizirani amplitudi<br />
priredimo ustrezno številčno vrednost.<br />
2.3.2 Digitalna obdelava podatkov<br />
Sodobne tehnološke možnosti obdelave podatkov, kot so digitalni signalni<br />
procesorji, so “krivci” <strong>za</strong> buren razvoj digitalne obdelave <strong>signalov</strong>. Prednosti,<br />
ki jih ta pr<strong>in</strong>aša, so očitne: <strong>obdelavo</strong> opišemo z algoritmom obdelave, na<br />
izvajanje algoritma motnje praktično nimajo vpliva, absolutna ponovljivost<br />
itd. Zato smo danes priča vsesplošni digitali<strong>za</strong>ciji, to je pretvorbi analognih<br />
<strong>signalov</strong> v digitalne. Seveda moramo marsikdaj digitalne signale pretvoriti<br />
na<strong>za</strong>j v analogno obliko (na primer govorni signal).<br />
x[ n]<br />
1<br />
x( t)<br />
0<br />
0 0 1 0 1 1 0<br />
t<br />
2.3.3 B<strong>in</strong>arni signali<br />
Slika 2.5<br />
B<strong>in</strong>arni kod (zgoraj) <strong>in</strong><br />
b<strong>in</strong>arni signal (spodaj).<br />
B<strong>in</strong>arni signal je signal, ki ima le dve diskretni vrednosti. Posebej ga navajamo<br />
<strong>za</strong>radi njegove razširjenosti pri digitalni obdelavi <strong>in</strong> prenosu <strong>in</strong>formacij.<br />
Z njim ponavadi ponazorimo kod podatka. Ločiti moramo med b<strong>in</strong>arnim signalom<br />
<strong>in</strong> b<strong>in</strong>arnim kodom (slika 2.5). B<strong>in</strong>arni kod je <strong>za</strong>poredje logičnih enic<br />
<strong>in</strong> ničel.<br />
2.3.4 M-terni signali<br />
S tem term<strong>in</strong>om označujemo množico M kvantiziranih <strong>signalov</strong>, ki se medsebojno<br />
jasno razlikujejo, na primer po amplitudi, frekvenci, faznem kotu ali<br />
komb<strong>in</strong>aciji teh parametrov. Uporabljamo jih <strong>za</strong> prenos podatkov, v katerem<br />
vsakemu od <strong>signalov</strong> priredimo določeni kod (slika 2.6).<br />
x[ n]<br />
00 11 10 00 01 10<br />
3<br />
2<br />
x( t)<br />
1<br />
0<br />
Slika 2.6<br />
Primer M-ternega koda<br />
(zgoraj) <strong>in</strong> M-ternega<br />
signala (spodaj).<br />
t<br />
datoteka: signal_A
30 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
2.4 Naključni signali<br />
Naključni, slučajni ali tudi stohastični signali so preprosto povedano signali,<br />
<strong>za</strong> katere obstaja le določena verjetnost, da bo signal nastopil ali da bo <strong>za</strong>vzel<br />
določeno vrednost. Ti signali so naključna funkcija časa, njihova amplituda<br />
se s časom sprem<strong>in</strong>ja na naključen, nepredvidljiv nač<strong>in</strong>. Če ne moremo napovedati<br />
vrednosti signala v naslednjem trenutku, četudi poznamo njegovo<br />
preteklost, tedaj ta signal ni mogoče opisati v eksplicitni matematični obliki.<br />
Zato jih imenujemo tudi nedeterm<strong>in</strong>istični signali v nasprotju z determ<strong>in</strong>ističnimi,<br />
katerih potek lahko matematično določimo.<br />
Čeprav naključnih <strong>signalov</strong> ne moremo opisati z regularnimi matematičnimi<br />
funkcijami, imamo na razpolago močni matematični orodji <strong>za</strong> njihovo<br />
analizo <strong>in</strong> <strong>obdelavo</strong>. To sta verjetnostni račun <strong>in</strong> statistične metode. Glede na<br />
ti orodji lahko naključne signale delimo po poteku distribucije verjetnosti <strong>in</strong><br />
po statističnih značilnostih. Poleg tega pa jih delimo podobno kot determ<strong>in</strong>istične<br />
signale: na zvezne, diskretne, digitalne signale itd. Obširnejši pregled<br />
naključnih <strong>signalov</strong> je v poglavju 6 na strani 115.<br />
2.5 Determ<strong>in</strong>istični signali <strong>in</strong> <strong>za</strong>poredja<br />
Determ<strong>in</strong>istične signale <strong>in</strong> <strong>za</strong>poredja tvorita dve veliki druž<strong>in</strong>i <strong>signalov</strong>: periodični<br />
<strong>in</strong> aperiodični signali <strong>in</strong> <strong>za</strong>poredja.<br />
2.5.1 Periodični signal<br />
Signal x(t) je periodičen, če obstaja število T 0 , ki izpolni enačbo<br />
x(t) = x(t + T 0 ) = x(t + 2T 0 ) = x(t + 3T 0 ) = ··· (2.1)<br />
pri neomejeno veliki signalni osi T . To pomeni, da so periodični signali<br />
neprehodni ali časovno neomejeni signali.<br />
Najmanjše pozitivno število T 0 , ki ustre<strong>za</strong> enačbi (2.1), je perioda signala.<br />
Določa trajanje enega cikla. Iz periode T 0 lahko določimo frekvenco periodičnega<br />
signala<br />
f = 1 T 0<br />
(2.2)<br />
Merimo jih v s −1 ali Hz. Primer periodičnega signala je s<strong>in</strong>usoidni val.<br />
Vsi signali v naravi, imajo svoj <strong>za</strong>četek (<strong>in</strong> verjetno tudi svoj konec). Čeprav<br />
v določenem časovnem segmentu izpolnijo pogoj (2.1), ne morejo povsem<br />
<strong>za</strong>dostiti temu pogoju. Če je veljavnost (2.1) na mnogo večjem <strong>in</strong>tervalu<br />
kot ga v opazovanju, analizi oziroma obdelavi signala potrebujemo, potem v<br />
analizi <strong>in</strong> s<strong>in</strong>tezi <strong>za</strong> tak signal upoštevamo, da je periodičen.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.6 Soda <strong>in</strong> liha simetričnost signala 31<br />
2.5.2 Aperiodični signal<br />
Pri aperiodičnem signalu ni možno najti nobene vrednosti T 0 , ki bi izpolnila<br />
(2.1). Primeri aperiodičnih <strong>signalov</strong> so enotski impulz, enotska stopnica <strong>in</strong><br />
strm<strong>in</strong>a. V skup<strong>in</strong>o aperiodičnih <strong>signalov</strong> spadajo tudi prehodni pojavi.<br />
2.5.3 Prehodni - neprehodni signali ter <strong>za</strong>poredja<br />
Signale <strong>in</strong> <strong>za</strong>poredja ločujemo tudi po njihovem trajanju. Poznamo časovno<br />
omejene ali prehodne signale <strong>in</strong> <strong>za</strong>poredja, ki so def<strong>in</strong>irani nad nekim <strong>in</strong>tervalom,<br />
na primer T ∈ [−a,b] ⊂ R ali T ∈ [−M,N] ⊂ Z, izven tega <strong>in</strong>tervala<br />
so enaki nič. Več<strong>in</strong>a aperiodičnih <strong>signalov</strong> <strong>in</strong> <strong>za</strong>poredij je prehodnih.<br />
Neprehodni signali so časovno neomejeni signali. Def<strong>in</strong>irani so nad R ali<br />
Z. Vsi periodični signali so neprehodni. Neprehoden je tudi signal, ki ima<br />
konstantno vrednost pri vseh vrednostih T = R ali T = Z. Med neprehodne<br />
signale prištevamo tudi signale, ki imajo <strong>za</strong>četek, vendar ne konca, ali pa<br />
nimajo <strong>za</strong>četka <strong>in</strong> je znan njihov konec (slika 2.7).<br />
x( t) x[ n]<br />
- M 0 N t<br />
0 n<br />
Slika 2.7<br />
Prehodni signal (levo) <strong>in</strong><br />
neprehodno <strong>za</strong>poredje (desno).<br />
2.6 Soda <strong>in</strong> liha simetričnost signala<br />
Simetrije v izgledu signala v mnogih primerih poenostavijo računanje, poleg<br />
tega pa nam te značilnosti pomagajo razumeti ali doka<strong>za</strong>ti določene lastnosti<br />
<strong>signalov</strong>. Glede na simetričnost ločimo dve osnovni skup<strong>in</strong>i:<br />
Sodi signali <strong>in</strong> <strong>za</strong>poredja (slika 2.8), <strong>za</strong> katere velja:<br />
x(t) = x(−t) oziroma x[n] = x[−n] (2.3)<br />
Primer sodega periodičnega signala je signal cos(ωt).<br />
1 1<br />
x( t) x[ n]<br />
Slika 2.8<br />
0 0<br />
Primer sodo simetričnega signala<br />
(levo) <strong>in</strong> <strong>za</strong>poredja (desno).<br />
a 0 a t A 0 A n<br />
datoteka: signal_A
32 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
Lihi signali <strong>in</strong> <strong>za</strong>poredja (slika 2.9), <strong>za</strong> katere velja:<br />
x(t) = −x(−t) oziroma x[n] = −x[−n] . (2.4)<br />
Primer lihega periodičnega signala je signal, ki ga opiše funkcija s<strong>in</strong>(ωt),<br />
Slika 2.9<br />
Primer liho simetričnega signala<br />
(levo) <strong>in</strong> <strong>za</strong>poredja (desno).<br />
x( t)<br />
1 1<br />
0 0<br />
1<br />
a<br />
x[ n]<br />
1<br />
0 a t A 0<br />
A<br />
n<br />
saj velja s<strong>in</strong>(ωt) = −s<strong>in</strong>(−ωt).<br />
2.6.1 Razstavljanje funkcij na simetrične komponente<br />
Vsako funkcijo lahko razstavimo na lihi <strong>in</strong> sodi del:<br />
x(t) = x lih (t) + x sod (t) (2.5)<br />
kjer je x lih liha funkcija <strong>in</strong> x sod soda funkcija. Z <strong>za</strong>menjavo argumenta t z −t<br />
iz (2.5) z upoštevanjem (2.3) <strong>in</strong> (2.4), sledi:<br />
Seštevek (2.5) <strong>in</strong> (2.6) da:<br />
oziroma<br />
x(−t) = x lih (−t) + x sod (−t) = −x lih (t) + x sod (t) (2.6)<br />
x(t) + x(−t) = x lih (t) + x sod (t) − x lih (t) + x sod (t) = 2x sod (t)<br />
x sod (t) = 1 [x(t) + x(−t)] , (2.7)<br />
2<br />
iz razlike (2.5) <strong>in</strong> (2.6) pa dobimo:<br />
x lih (t) = 1 [x(t) − x(−t)] . (2.8)<br />
2<br />
2.6.2 Lastnosti računanja pri simetričnih signalih<br />
Simetrije <strong>signalov</strong> s pridom izkoriščamo pri njihovi obdelavi. Zaradi lastnosti<br />
simetrij <strong>za</strong>dostuje izračun le <strong>za</strong> polovico signalne osi. Na primer, pri izračunu<br />
<strong>in</strong>tegrala:<br />
∫ ∞<br />
−∞<br />
x(t) dt =<br />
∫ 0<br />
−∞<br />
∫ ∞ ∫ ∞<br />
∫ ∞<br />
x(t) dt + x(t) dt = x(−t) dt + x(t) dt ,<br />
0<br />
0<br />
0<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.7 Harmonski signali <strong>in</strong> <strong>za</strong>poredja 33<br />
lahko s poznavanjem simetričnih lastnosti funkcije hitreje dobimo rezultat<br />
računanja. Če je x(t) liho simetričen, dobimo:<br />
∫ ∞<br />
−∞<br />
∫ ∞ ∫ ∞<br />
x(t) dt = − x(t) dt + x(t) dt = 0 .<br />
0<br />
0<br />
Ko pa je x(t) sodo simetričen, pa dobimo:<br />
∫ ∞<br />
−∞<br />
∫ ∞ ∫ ∞<br />
x(t) dt = x(t) dt + x(t) dt<br />
= 2<br />
0<br />
∫ ∞<br />
0<br />
0<br />
x(t) dt .<br />
2.6.3 Simetrije vsote <strong>in</strong> produkta simetričnih <strong>signalov</strong><br />
Opis simetrij <strong>za</strong>ključimo še s pregledom lastnosti vsote <strong>in</strong> produkta lihih <strong>in</strong><br />
sodih funkcij:<br />
Vsota dveh sodih <strong>signalov</strong> je sodi signal.<br />
Vsota dveh lihih <strong>signalov</strong> je lihi signal.<br />
Vsota sodega <strong>in</strong> lihega signala ni ne sodi ne lihi signal.<br />
Produkt dveh sodih <strong>signalov</strong> je sodi signal.<br />
Produkt dveh lihih <strong>signalov</strong> je sodi signal.<br />
Produkt sodega <strong>in</strong> lihega signala je lihi signal.<br />
2.7 Harmonski signali <strong>in</strong> <strong>za</strong>poredja<br />
Med signali <strong>in</strong> <strong>za</strong>poredji, ki jih bomo spoznali, imajo posebno mesto harmonski<br />
signali <strong>in</strong> harmonska <strong>za</strong>poredja. Najprej si oglejmo signale, harmonska<br />
<strong>za</strong>poredja, ki jih ustvarimo s kodiranjem vzorca harmonskega signala, bomo<br />
povzeli na koncu tega podpoglavja.<br />
Harmonski signali so elementarni periodični signali, ki so <strong>in</strong>variantni na<br />
odvajanje 1 , imajo liho ali sodo simetrijo, polvalno <strong>in</strong> s tem tudi četrtvalno<br />
simetrijo, z njimi lahko sestavimo polne množice ortogonalnih <strong>signalov</strong> <strong>in</strong><br />
določimo jih le s tremi parametri:<br />
amplitudo A<br />
fazo ϕ<br />
periodo T 0<br />
1 Invariantnost funkcije na odvajanje pomeni, da je odvod funkcije do faktorja enak funkciji<br />
sami. Zato ima funkcija neskončno odvodov.<br />
datoteka: signal_A
34 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
Harmonski signal v splošnem opišemo z:<br />
harmonski signal:<br />
x(t) = A· e jω 0t+ϕ<br />
, (2.9)<br />
kjer je ω 0 tako imenovana krožna frekvenca ali tudi kotna hitrost 2 , ki jo merimo<br />
v rad/s. Zanjo velja znana odvisnost:<br />
ω = 2π<br />
T 0<br />
= 2 f 0 π , (2.10)<br />
kjer sta T 0 perioda harmoničnega signala v sekundah <strong>in</strong> f 0 frekvenca v Hz.<br />
Harmonski signal je analitski signal 3 (slika 2.10). Njegova projekcija na<br />
Re{ x( t)}<br />
<br />
Re{ x( t)}<br />
Re{ x( t)}<br />
realna<br />
ravn<strong>in</strong>a<br />
Im{ x( t)}<br />
Slika 2.10<br />
Harmonski signal.<br />
kompleksna<br />
ravn<strong>in</strong>a<br />
T 0<br />
Im{ x( t)}<br />
imag<strong>in</strong>arna<br />
ravn<strong>in</strong>a<br />
Im{ x( t)}<br />
☞<br />
ravn<strong>in</strong>i R{e jω 0t ,t} <strong>in</strong> I{e jω 0t ,t}, kjer simbola R <strong>in</strong> I pomenita realni <strong>in</strong><br />
imag<strong>in</strong>arni del, sta znana signala cos(ω 0 t + ϕ <strong>in</strong> s<strong>in</strong>(ω 0 t + ϕ.<br />
2 V elektrotehniki se je uveljavil term<strong>in</strong> krožna frekvenca, čeprav je ta term<strong>in</strong> fizikalno napačen<br />
<strong>in</strong> pomensko <strong>za</strong>vaja. Pravilnejši term<strong>in</strong> je kodna hitrost, ki pove kako hitro se sprem<strong>in</strong>ja<br />
argument – to je kot – pri dani frekvenci. Na to kaže njegova enota – rad/s, ki je mera <strong>za</strong><br />
hitrost <strong>in</strong> ne mera <strong>za</strong> frekvenco. Ker je napačen term<strong>in</strong> splošno razširjen, se bomo pridružili<br />
njegovi uporabi.<br />
3 Harmonski signal je na vsem def<strong>in</strong>icijskem območju poljubno krat odvedljiva kompleksna<br />
funkcija. Območje G nima mej, <strong>za</strong>to ta signal nima s<strong>in</strong>gularnih točk.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.7 Harmonski signali <strong>in</strong> <strong>za</strong>poredja 35<br />
2.7.1 Enotski harmonski signal<br />
Kadar je amplituda A = 1, govorimo o enotskem harmonskem signalu. Njega<br />
<strong>in</strong> njegovi projekciji cosωt <strong>in</strong> s<strong>in</strong>ω 0 t povezujejo Eulerovi obrazci:<br />
e jω 0t = cosω 0 t + j s<strong>in</strong>ω 0 t<br />
cosω 0 t = e jω0t + e − jω 0t<br />
2<br />
s<strong>in</strong>ω 0 t = e jω0t − e − jω 0t<br />
j2<br />
(2.11a)<br />
(2.11b)<br />
(2.11c)<br />
2.7.2 Enotski normirani harmonski signal<br />
Kadar je poleg amplitude A = 1 še normirana frekvenca, torej ω 0 = Ω 0 = 1 rad/s<br />
<strong>in</strong> <strong>za</strong>četni kot ϕ = 0, imamo opravka z enotskim normiranim harmonskim signalom:<br />
x(t) = e jΩ 0t<br />
(2.12)<br />
2.7.3 Predstavitve harmonskega signala<br />
Harmonske signale lahko predstavimo na več nač<strong>in</strong>ov. Na primer, tridimenzionalni<br />
prikaz kaže slika 2.10, v časovnem prostoru lahko realni harmonski<br />
signal v splošnem <strong>za</strong>pišemo kot:<br />
x(t) = A· cos(ω 0 t + ϕ) , (2.13)<br />
kjer so A amplituda, ω 0 krožna frekvenca <strong>in</strong> ϕ <strong>za</strong>četni fazni parametri, ki ga<br />
povsem določajo. Ta signal lahko prikažemo na nač<strong>in</strong>e, kako je odvisen od<br />
posameznega parametra. Na primer v časovnem prostoru njegov potek kaže<br />
slika 2.11.<br />
Slika 2.11<br />
Prikaz harmonskega signala v časovnem<br />
prostoru.<br />
datoteka: signal_A
36 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
Naslednji možni prikaz je v frekvenčnem prostoru. Tu <strong>za</strong> prikaz rabimo<br />
dva diagrama. V prvem pokažemo amplitudo A v odvisnosti od frekvence,<br />
v drugem pa fazni kot ϕ v odvisnosti od frekvence (slika 2.12). Pri tem<br />
Slika 2.12<br />
Prikaz harmoničnega vala v frekvenčnem prostoru.<br />
Slika 2.13<br />
Spekter signala x(t) = Acos(ω 0 t + π/2) +<br />
(A/2)cos(2ω 0 t − π/4) + (A/4)cos(3ω 0 t + π/8).<br />
je lahko frekvenca f 0 v HZ ali ω 0 v rad/s. Prikaz harmonskega signala v<br />
frekvenčnem prostoru imenujemo spekter. Če imamo na primer signal x(zt),<br />
ki ga en harmonski signal, ima spekter eno spektralno l<strong>in</strong>ijo, če pa je signal<br />
x(t) vsota večih harmonskih <strong>signalov</strong>, tvorijo spekter črte vseh komponent v<br />
vsoti (slika 2.13).<br />
Tretji prikaz izhaja iz <strong>za</strong>pisa v (2.9). Ta <strong>za</strong>pis pomeni, da imamo kompleksni<br />
ka<strong>za</strong>lec dolž<strong>in</strong>e A, ki se suče v kompleksni ravn<strong>in</strong>i s krožno hitrostjo 4<br />
ω 0 . Vrtenje ka<strong>za</strong>lca <strong>in</strong> trajektorijo, ki s časom nastane, smo v treh dimenzijah<br />
prika<strong>za</strong>li na sliki 2.10, običajni pa je dvodimenzionalni prikaz s ka<strong>za</strong>lcem v<br />
kompleksni ali tudi fazni ravn<strong>in</strong>i (slika 2.14). Za ka<strong>za</strong>lec se pogosto uporablja<br />
ime kompleksor ali tudi fazor. Z malo domišljije lahko uvidimo, da<br />
projekcijo ka<strong>za</strong>lca na realno os, določa tudi vsota:<br />
A<br />
2 e jω 0t+ϕ + A 2 e−( jω 0t+ϕ)<br />
. (2.14)<br />
Ta ka<strong>za</strong>lca, prvi bodi x 1 (t) <strong>in</strong> drugi x 2 (t), sta si konjugirano kompleksna<br />
(slika 2.15 na naslednji strani). Torej, imata enako amplitudo, vrtita pa se<br />
v nasprotni si smereh. Konjugirano kompleksne ka<strong>za</strong>lce (<strong>in</strong> spremenljivke<br />
na splošno) označujemo z zvezdico ∗:<br />
x 2 (t) = x ∗ 1(t) (2.15)<br />
4 Iz te predstavitve tudi izhaja drugo (pravilno) ime <strong>za</strong> ω 0 , to je kotna hitrost.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.7 Harmonski signali <strong>in</strong> <strong>za</strong>poredja 37<br />
Slika 2.14<br />
Prikaz harmoničnega vala s ka<strong>za</strong>lcem.<br />
Slika 2.15<br />
Prikaz harmoničnega valovanja s konjugirano<br />
kompleksnima ka<strong>za</strong>lcema.<br />
<strong>in</strong><br />
x(t) = R [ A e jω 0t ] = A 2 e jω 0t + A 2 e− jω 0t<br />
= x 1 (t) + x 2 (t)<br />
= x 1 (t) + x ∗ 1(t) . (2.16)<br />
Ka<strong>za</strong>lca x 1 (t) <strong>in</strong> x 2 (t) seveda določata signala, ki imata enako amplitudo<br />
<strong>in</strong> po iznosu enaki frekvenci, le da sta njuni frekvenci <strong>za</strong>radi nasprotnega<br />
se vrtenja ka<strong>za</strong>lcev, nasprotnega predznaka. Z drugimi besedami, na ta nač<strong>in</strong><br />
lahko razložimo pojem negativna frekvenca. V frekvenčnem prostoru signala<br />
x 1 (t) <strong>in</strong> x 2 (t) kaže slika 2.16. To predstavitev imenujemo tudi kompleksni<br />
spekter.<br />
Slika 2.16<br />
Kompleksni spekter signala z realnim spektrom<br />
s slike 2.13.<br />
Prikaz s konjugirano kompleksnimi ka<strong>za</strong>lci <strong>in</strong> s kompleksnim spektrom - s<br />
komponentami pri pozitivnih <strong>in</strong> negativnih frekvencah - je na prvi pogled bolj<br />
datoteka: signal_A
38 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
<strong>za</strong>pleten kot prikaz pri samo pozitivnih frekvencah. V kasnejših obravnavah<br />
spektrov bomo prednosti kompleksnega spektra postajale vse bolj očitne.<br />
2.7.4 Harmonska <strong>za</strong>poredja<br />
Več o harmonskih <strong>za</strong>poredjih bomo spoznali pri harmonski analizi <strong>signalov</strong><br />
<strong>in</strong> <strong>za</strong>poredij. Za zdaj, da <strong>za</strong>okrožimo podpoglavje, omenimo, da jih dobimo<br />
iz harmonskih <strong>signalov</strong> s procesom vzorčenja. Ta proces v enakomernih <strong>in</strong>tervalih<br />
<strong>za</strong>jema vrednosti signala, ki ga imenujemo otipek 5 . Množica otipkov<br />
tvori vzorec signala, torej časovno diskretni signal, <strong>za</strong> katerega v primeru harmonskih<br />
<strong>signalov</strong> velja:<br />
x(nT s ) = A· e jω 0 nT s<br />
, (2.17)<br />
kjer je T s <strong>in</strong>terval vzorčenja<br />
(slika 2.17). S kvanti<strong>za</strong>cijo otipkov dobimo<br />
1<br />
signalno obmoèje<br />
0.5<br />
0<br />
−0.5<br />
% diagram vzorca funkcije x(t) = s<strong>in</strong>(t)<br />
t = -pi:.2:pi; % signalna os<br />
x = s<strong>in</strong>(t); % vzorec signala<br />
stem(t,x),grid on % izris vzorca<br />
xlabel(’signalna os v radianih’);<br />
ylabel(’signalno območje’);<br />
−1<br />
−4 −3 −2 −1 0 1 2 3 4<br />
signalna os v radianih<br />
Slika 2.17<br />
Predstavitev vzorca harmonskega signala x(t) = s<strong>in</strong>α, α ∈ [−π,π]. Levo diagram, desno rut<strong>in</strong>a v programu<br />
MATLAB, s katerim je diagram narisan.<br />
diskreten signal, iz njega pa s kodiranjem digitalni signal oziroma <strong>za</strong>poredje<br />
podatkov:<br />
kvanti<strong>za</strong>ci ja+kodiran je<br />
x(nT s ) −−−−−−−−−−−−−−−−→ x[n] . (2.18)<br />
Harmonska <strong>za</strong>poredja imajo mnogo lastnosti harmonskih <strong>signalov</strong>, med<br />
njimi pa so tudi posebnosti, ki jih bomo širše opisali v harmonski analizi.<br />
5 Matematični model tega procesa opisujemo pri obravnavi posplošenih signali.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
☞<br />
☞<br />
2.8 Elementarni signali <strong>in</strong> <strong>za</strong>poredja 39<br />
2.8 Elementarni signali <strong>in</strong> <strong>za</strong>poredja<br />
Med signali obstaja druž<strong>in</strong>a <strong>signalov</strong> <strong>in</strong> <strong>za</strong>poredij, ki imajo v analizi <strong>signalov</strong><br />
<strong>in</strong> sistemov <strong>za</strong> <strong>obdelavo</strong> <strong>signalov</strong> poseben, praktični pomen. Druž<strong>in</strong>o teh<br />
<strong>signalov</strong> imenujemo elementarni signali oziroma elementarna <strong>za</strong>poredja.<br />
V opisu elementarnih <strong>za</strong>poredij so tudi opisane funkcije <strong>in</strong> postopki njihove<br />
predstavitve v programu MATLAB. V njem lahko <strong>za</strong>poredja predstavimo<br />
z vektorji. Vektorji so <strong>za</strong>radi omejitve velikosti pomnilnikov v računalnikih<br />
lahko le končno dimenzionalni. Seveda <strong>za</strong> natančno predstavitev<br />
<strong>za</strong>poredja, na primer<br />
x[n] = {2,3,4,−1,1,0<br />
↑<br />
,2,7} ,<br />
MATLAB<br />
kjer smo s pokončno puščico označili otipek pri n = 0, potrebujemo dva,<br />
enako dimenzionalna vektorja. Eden podaja vrednosti <strong>za</strong>poredja, drugi pa<br />
trenutke otipavanja:<br />
x = [ 2, 3, 4,-1, 1,0,2,7];<br />
n = [-5,-4,-3,-2,-1,0,1,2];<br />
V splošnem, kadar bo navajanje trenutkov otipavanja trivialno, na primer,<br />
da se pričnejo v trenutku n = 0, lahko vektor n izpustimo.<br />
2.8.1 Enotski konstantni signal <strong>in</strong> <strong>za</strong>poredje<br />
Za enotski konstantni signal <strong>in</strong> <strong>za</strong>poredje velja:<br />
x(t) = 1 , t ∈ R oziroma x[n] = 1 , n ∈ N . (2.19)<br />
Ta signal <strong>in</strong> <strong>za</strong>poredje ne vsebujeta nobene spremembe – pri katerikoli vrednosti<br />
t ali n imata isto vrednost (slika 2.18). Zato ne vsebujeta nobene<br />
<strong>in</strong>formacije.<br />
Slika 2.18<br />
Enotski konstantni signal.<br />
Levo: analogni,<br />
desno: digitalni.<br />
V programu MATLAB lahko enotsko konstanto predstavimo s funkcijo<br />
ones[1,N]. Ta generira <strong>za</strong>poredje enic, ki se pričnejo v trenutku n = 0 <strong>in</strong><br />
končajo v trenutku n = N.<br />
MATLAB<br />
datoteka: signal_A
40 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
2.8.2 Enotski impulzi<br />
Znana sta dva enotska impul<strong>za</strong>: (i) Diracov impulz, ki je def<strong>in</strong>iran v zveznem<br />
svetu <strong>in</strong> (ii) Kroneckerov impulz, ki je ekvivalent Diracovega impul<strong>za</strong><br />
v diskretnem svetu.<br />
Diracov impulz<br />
Za Diracov impulz, imenujemo ga tudi Diracova ali δ funkcija, velja:<br />
∫ ∞<br />
−∞<br />
δ(t) dt =<br />
{<br />
1 t = 0<br />
0 drugod<br />
t ∈ T = R . (2.20)<br />
Slika 2.19<br />
Dirackov impulz.<br />
Iz def<strong>in</strong>icije sledi, da Diracov impulz ne moremo opisati z navadno funkcijo.<br />
Def<strong>in</strong>ira ga <strong>in</strong>tegral, ki določa “površ<strong>in</strong>o” oziroma jakost impul<strong>za</strong>. Ker je<br />
šir<strong>in</strong>a pul<strong>za</strong> diferencialno majhna, teži amplituda proti neskončnosti. Zato<br />
Diracov impulz grafično predstavimo s puščico (slika 2.19). Diracov impulz<br />
podrobneje opisujemo v poglavju 7 na strani 161.<br />
Kroneckerov impulz<br />
Kroneckerov impulz 6 določa:<br />
Slika 2.20<br />
Kroneckerov impulz.<br />
MATLAB ☞<br />
δ[n] =<br />
{<br />
1 pri n = 0<br />
0 drugje<br />
{<br />
}<br />
= ...,0,0,1,0,0,...<br />
↑<br />
n ∈ T = Z (2.21)<br />
<strong>in</strong> ga grafično predstavimo tako kot kaže slika 2.20. Pri <strong>za</strong>poredjih ima δ[n]<br />
enak pomen kot Diracov impulz pri analognih signalih.<br />
V programu MATLAB lahko Kroneckerov impulz elegantno aproksimiramo<br />
z logično relacijo n==0. Za njegovo splošno predstavitev z vektorjem<br />
z elementi na <strong>in</strong>tervalu n 1 n n 2 def<strong>in</strong>iramo naslednjo funkcijo:<br />
MATLAB 2.1: Kroneckerov impulz<br />
function [x,n] = delta_k(n_0,n_1,n_2)<br />
% funkcija generira Kroneckerov impulz v trenutku n_0<br />
% vektor <strong>za</strong>jema elemente med n_1 <strong>in</strong> n_2<br />
%----------------------------------------------------<br />
n = [n_1:n_2];<br />
x = [(n - n_0) == 0];<br />
6 V angleški literaturi Kroneckerov impulz imenujejo tudi Unit Sample Sequence.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.8 Elementarni signali <strong>in</strong> <strong>za</strong>poredja 41<br />
Na primer, da Kroneckerov impulz δ[n] želimo predstaviti z vrstičnim vektorjem<br />
z enajstimi elementi med −5 <strong>in</strong> 5:<br />
x = delta_k(0,-5,5)<br />
2.8.3 Enotska stopnica<br />
Enotska stopnica <strong>za</strong> analogne signale je def<strong>in</strong>irana z:<br />
u(t) =<br />
{<br />
1 t > 0<br />
0 t < 0<br />
t ∈ T = R , (2.22)<br />
<strong>za</strong> <strong>za</strong>poredja pa z:<br />
u[n] =<br />
{ {<br />
}<br />
1 n 0<br />
0 n < 0 = ...,0,0,1,1,1,...<br />
↑<br />
n ∈ T = Z , (2.23)<br />
Graf enotske stopnice kaže slika 2.21. Def<strong>in</strong>iciji se razlikujeta v vrednosti v<br />
Slika 2.21<br />
Enotska stopnica.<br />
Levo: zvezna,<br />
desno: diskretna.<br />
točki t = n = 0. Zvezna stopnica v tem trenutku ni def<strong>in</strong>irana, digitalna pa<br />
ima vrednost ena. Ta razlika ima mnogo praktičnih prednosti. Na njih bomo<br />
opozorili pri uporabi teh <strong>signalov</strong>.<br />
V programu MATLAB lahko enotsko stopnico z otipki na <strong>in</strong>tervalu n 1 <br />
n n 2 aproksimiramo z logično funkcijo n>=0. Z njo lahko def<strong>in</strong>iramo<br />
naslednjo funkcijo (program MATLAB 2.2):<br />
☞<br />
Matlab<br />
MATLAB 2.2: Funkcija “enotska stopnica”<br />
function [x,n] = stopnica_n(n_0,n_1,n_2)<br />
% funkcija generira enotsko stopnico s pričetkom v trenutku n_0<br />
% vektor <strong>za</strong>jema elemente med n_1 <strong>in</strong> n_2<br />
%--------------------------------------------------------------<br />
n = [n_1:n_2];<br />
x = [(n - n_0) >= 0];<br />
Na primer, narišimo enotsko stopnico δ[n] z vrstičnim vektorjem s šestnajstimi<br />
elementi med −5 <strong>in</strong> 10:<br />
datoteka: signal_A
42 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
x = stopnica_n(0,-5,10)<br />
stem(-5:10,x);<br />
ylim([0 1.5]),<br />
xlabel(’n’);grid on<br />
ylabel(’x[n]’);<br />
% funkcija <strong>za</strong> izris<br />
Funkcija stem izriše <strong>za</strong>poredje x[n] na nač<strong>in</strong> kot to prikazuje slika 2.21 na<br />
predhodni strani. Njena osnovna s<strong>in</strong>taksa je:<br />
stem(n,x)<br />
Kadar <strong>za</strong>poredje x[n] poteka od trenutka n = 1 naprej, lahko <strong>za</strong>pišemo kar<br />
stem(x), kadar pa želimo x[n] prika<strong>za</strong>ti na območju −5 n 10 (slika 2.26),<br />
<strong>za</strong>pišemo:<br />
ali:<br />
stem(-5:10,x)<br />
n = [-5:10]<br />
stem(n,x)<br />
1.5<br />
1<br />
Slika 2.22<br />
Enotska stopnica narisana s programom MATLAB.<br />
x[n]<br />
0.5<br />
0<br />
−5 0 5 10<br />
n<br />
2.8.4 Klanec<br />
Pri analognih signalih je klanec def<strong>in</strong>iran z:<br />
k(t) =<br />
{<br />
t t 0<br />
0 t < 0<br />
t ∈ T = R , (2.24)<br />
pri <strong>za</strong>poredjih pa z:<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
☞<br />
2.8 Elementarni signali <strong>in</strong> <strong>za</strong>poredja 43<br />
k[n] =<br />
{ {<br />
}<br />
n n 0<br />
0 n < 0 = ...,0,0,1,2,3,...<br />
↑<br />
n ∈ T = Z . (2.25)<br />
Graf signala <strong>in</strong> <strong>za</strong>poredja sta predstavljena na sliki 2.23.<br />
Slika 2.23<br />
Klanec.<br />
Levo: zvezni,<br />
desno: diskretni.<br />
S programom MATLAB lahko aproksimiramo klanec nekaj manj preprosto<br />
kot enotsko stopnico, na primer z rut<strong>in</strong>o (program MATLAB 2.3):<br />
MATLAB<br />
MATLAB 2.3: Funkcija “klanec”<br />
function [k,n] = klanec_n(n_0,n_1,n_2)<br />
% funkcija generira klanec z <strong>za</strong>četkom v trenutku n_0<br />
% vektor <strong>za</strong>jema elemente med n_1 <strong>in</strong> n_2<br />
%-----------------------------------------------------<br />
n = [n_1:n_2];<br />
x = [(n - n_0) >= 0];<br />
% stopnica<br />
N = length(n);<br />
% dolž<strong>in</strong>a vektorja n<br />
N1 = abs(n_1 - n_0);<br />
% <strong>za</strong>mik <strong>za</strong>četka klanca<br />
for j = 1:N<br />
% računanje klanca<br />
k(j) = n(j)*x(j);<br />
end<br />
Sedaj lahko s funkcijo klanec_n preprosto narišemo aproksimacijo klanca<br />
(slika 2.24 na naslednji strani), na primer v območju −2 n 5:<br />
n = [-2:5];<br />
x = klanec_n(0,-2,5);<br />
stem(n,x);<br />
xlabel(’n’);grid on<br />
ylabel(’klanec: k[n]’);<br />
% funkcija <strong>za</strong> izris<br />
2.8.5 Pravokotni pulz<br />
Pravokotni enotski pulz trajanja T je def<strong>in</strong>iran z:<br />
p T (t) =<br />
{<br />
1 −T /2 < t < T /2<br />
0 drugje<br />
t ∈ T = R (2.26)<br />
datoteka: signal_A
44 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
5<br />
4<br />
Slika 2.24<br />
Aproksimacija<br />
klanca narisana<br />
s programom<br />
MATLAB.<br />
klanec: k[n]<br />
3<br />
2<br />
1<br />
0<br />
−2 −1 0 1 2 3 4 5<br />
n<br />
oziroma pri <strong>za</strong>poredjih z:<br />
p N [n] =<br />
{<br />
1 −N/2 n N/2<br />
0 drugje<br />
{<br />
}<br />
= ...,0,0,1,1,1,1,1,0,0,...<br />
↑<br />
n ∈ T = Z ,<br />
(2.27)<br />
kjer je N + 1 število otipkov, ki določajo pulz (slika 2.25).<br />
Slika 2.25<br />
Pravokotna pul<strong>za</strong>.<br />
Levo: zvezni,<br />
desno: diskretni.<br />
Iz slike 2.25 vidimo, da lahko pravokotni pulz p T določimo z razliko dveh<br />
ustrezno <strong>za</strong>maknjenih enotskih stopnic:<br />
p T (t) = u(t + T /2) − u(t − T /2) t ∈ T = R (2.28)<br />
oziroma pri <strong>za</strong>poredjih z:<br />
p N [n] = u(n + N/2) − u(n − N/2) t ∈ T = R . (2.29)<br />
MATLAB ☞<br />
S programom MATLAB lahko preprosto aproksimiramo pravokotni pulz<br />
po postopku določenim z (2.29). Funkcija, ki generira pravokotni pulz z<br />
N + 1 otipki s sred<strong>in</strong>o pri n 0 , je lahko naslednja (program MATLAB 2.3 na<br />
predhodni strani):<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.8 Elementarni signali <strong>in</strong> <strong>za</strong>poredja 45<br />
MATLAB 2.4: Funkcija “pravokotni pulz”<br />
function [x,n] = pulz_n(n_1,n_2)<br />
% funkcija generira enotsko stopnico s sred<strong>in</strong>o v trenutku n_0<br />
% šir<strong>in</strong>o n_1 na <strong>in</strong>tervalu dolgem n_2<br />
% če n_1 <strong>in</strong> n_2 nista sodi števili, jih funkcija poveča <strong>za</strong> 1<br />
%----------------------------------------------------------------<br />
N1=rem(n_1,2); % če je ostanek 0, je N1 sod, če je 1, je N1 lih<br />
if N1==0<br />
n_1=n_1 + 1;<br />
end<br />
N2=rem(n_2,2); % če je ostanek 0, je N2 sod, če je 1, je N2 lih<br />
if N2==0<br />
n_2=n_2 + 1;<br />
end<br />
n_m = floor(n_2/2);<br />
n = [-n_m:n_m];<br />
length(n)<br />
x1 = [(n + floor(n_1/2)) >= 0];<br />
x2 = [(n - ceil(n_1/2)) >= 0];<br />
x = x1 - x2;<br />
S pomočjo funkcije pulz_n lahko na primer preprosto narišemo enotski<br />
pulz dolž<strong>in</strong>e N + 1 = 5 na <strong>in</strong>tervalu dolž<strong>in</strong>e 2n 2 + 1 = 11 s sred<strong>in</strong>o pri n = 0:<br />
x=pulz_n(5,11)<br />
stem(n,x);<br />
ylim([0 1.2]),<br />
xlabel(’n’);grid on<br />
ylabel(’pulz: x[n]’);<br />
% funkcija <strong>za</strong> izris<br />
1<br />
pulz: x[n]<br />
0.8<br />
0.6<br />
0.4<br />
Slika 2.26<br />
Enotski pulz narisan s programom MATLAB.<br />
0.2<br />
0<br />
−5 0 5<br />
n<br />
datoteka: signal_A
46 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
2.8.6 Realni eksponentni pulz<br />
V splošnem <strong>za</strong> realne eksponentne signale <strong>in</strong> <strong>za</strong>poredja velja:<br />
x(t) = a t , ∀t ; a ∈ R (2.30)<br />
x[n] = a n , ∀n ; a ∈ R . (2.31)<br />
Če eksponentni signal <strong>in</strong> <strong>za</strong>poredje pri pozitivnih eksponentnih (eksponentno)<br />
upadata, potem pri negativnih naraščata. Seveda velja tudi obratno.<br />
Med vso množico realnih eksponentnih <strong>signalov</strong> <strong>in</strong> <strong>za</strong>poredij sta pomembna<br />
enotski eksponentni signal <strong>in</strong> <strong>za</strong>poredje. Def<strong>in</strong>irana sta z:<br />
x(t) = e −t/τ · u(t) , ∀t (2.32)<br />
x[n] = e −n/τ · u[n] , ∀n , (2.33)<br />
kjer sta τ časovna konstanta <strong>in</strong> u enotska stopnica. Časovna konstanta določi<br />
časovni <strong>in</strong>terval, v katerem se vrednost eksponentnega signala zmanjša<br />
na vrednost 1/e (slika 2.27). Vidimo, da imata enotski eksponentni signal <strong>in</strong><br />
Slika 2.27<br />
Eksponentni signal.<br />
Levo: zvezna oblika,<br />
desno: digitalna oblika.<br />
MATLAB ☞<br />
<strong>za</strong>poredje <strong>za</strong>četek v trenutku t = 0 oziroma n = 0, ter sorazmerno z velikostjo<br />
časovne konstante upadata. Ker lahko eksponentni signal razmeroma preprosto<br />
realiziramo z analognimi vezji <strong>in</strong> ker ima mnogo lastnosti podobnih<br />
Diracovemu impulzu, ga v analognih vezjih pogosto uporabljamo <strong>za</strong> testni<br />
signal.<br />
V programu MATLAB eksponent označimo z operatorjem “ ˆ ”. Tako se<br />
rut<strong>in</strong>a <strong>za</strong> izračun (2.31), ko sta a = 0,9 <strong>in</strong> želimo videti <strong>za</strong>poredje desetih<br />
podatkov (slika 2.28a na naslednji strani), glasi:<br />
n = [0:10];<br />
% izbira <strong>in</strong>tervala<br />
x = (0.9).^n; % izračun eksponentnega <strong>za</strong>poredja<br />
stem(x);<br />
% izris <strong>za</strong>poredja<br />
xlabel(’n’),<br />
ylabel(’eksponentni pulz x[n] = 0.9^n’),grid on<br />
Za izračun (2.33) uporabimo funkcijo exp. Z njo lahko računamo kompleksne<br />
<strong>in</strong> realne funkcije. Na primer, realni eksponentni pulz na <strong>in</strong>tervalu<br />
n = [0,10] s časovno konstanto 1 (slika 2.28b na naslednji strani), predstavimo<br />
z naslednjo rut<strong>in</strong>o:<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.8 Elementarni signali <strong>in</strong> <strong>za</strong>poredja 47<br />
1<br />
1<br />
eksponentni pulz x[n] = 0.9 n<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
eksponentni pulz x[n] = e ( n/2)<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
0 2 4 6 8 10 12<br />
n<br />
0<br />
0 2 4 6 8 10<br />
n<br />
(a) Zaporedje x[n] = 0,9 n , n = [1,10].<br />
(b) Zaporedje x[n] = e n/1 , n = [1,10].<br />
Slika 2.28<br />
Realni eksponentni <strong>za</strong>poredja narisani s programom MATLAB.<br />
n = [0:10];<br />
% izbira <strong>in</strong>tervala<br />
x = exp(-n); % izračun eksponentnega <strong>za</strong>poredja<br />
stem(n,x);<br />
% izris <strong>za</strong>poredja<br />
xlabel(’n’),<br />
ylabel(’eksponentni pulz x[n] = e^(n/2)’),grid on<br />
2.8.7 Kompleksni eksponentni signali <strong>in</strong> <strong>za</strong>poredja<br />
Kompleksni eksponentni signal oziroma <strong>za</strong>poredje izrazimo z:<br />
x(t) = e st , ∀t (2.34)<br />
x[n] = a sn , ∀n , (2.35)<br />
kjer je s kompleksna spremenljivka: s = σ + jω. Pri σ = 0 dobimo harmonski<br />
signal, ki smo ga podrobno opisali v prejšnjem razdelku. Pri σ < 0<br />
dobimo eksponentno upadanje harmonskega signala ali <strong>za</strong>poredja, pri σ > 0<br />
pa eksponentno naraščanje.<br />
V programu MATLAB kompleksni signal ali <strong>za</strong>poredje izračunamo podobno<br />
kot smo enotski eksponentni impulz. Na primer, potek <strong>za</strong>poredja na<br />
<strong>in</strong>tervalu n = [0,1] s σ = −1 <strong>in</strong> ω = 1 (slika 2.29 na naslednji strani), predstavimo<br />
z naslednjo rut<strong>in</strong>o:<br />
☞<br />
MATLAB<br />
n = [0:10];<br />
x = exp((-1+i*1)*n);<br />
% izbira <strong>in</strong>tervala<br />
% izračun kompleksnega <strong>za</strong>poredja<br />
datoteka: signal_A
48 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
iznos = abs(x);<br />
fa<strong>za</strong> = angle(x)*180/pi;<br />
% izris <strong>za</strong>poredja<br />
subplot(2,1,1);stem(n,iznos);title(’iznos podatkov’),<br />
xlabel(’n’),ylabel(’|x[n]| = |exp((-1+j1)n)|’),grid on<br />
subplot(2,1,2);stem(n,fa<strong>za</strong>);title(’fazni kot podatkov’),<br />
xlabel(’n’),ylabel(’kotne stop<strong>in</strong>je’),grid on<br />
Slika 2.29<br />
Prikaz kompleksnega<br />
eksponentnega<br />
<strong>za</strong>poredja narisanega s<br />
programom MATLAB.<br />
kotne stop<strong>in</strong>je<br />
|x[n]| = |exp((−1+j)n)|<br />
1<br />
iznos podatkov<br />
0.5<br />
0<br />
0 2 4<br />
n<br />
6 8 10<br />
fazni kot podatkov<br />
200<br />
100<br />
0<br />
−100<br />
−200<br />
0 2 4 6 8 10<br />
n<br />
2.8.8 Razlika med impulzi <strong>in</strong> pulzi<br />
V predstavitvi pomembnih <strong>signalov</strong> smo uporabili dva term<strong>in</strong>a: impulz <strong>in</strong><br />
pulz. Kakšna razlika pa je med njima? Iz prikazov na slikah 2.18 – 2.27<br />
lahko uvidimo, da je med njimi razlika v njihovem trajanju. Med tem ko<br />
je diskretni impulz trenutnega trajanja, torej ničte dolž<strong>in</strong>e, so pulzi merljive<br />
dolž<strong>in</strong>e. V naravi lahko ustvarjamo samo pulze, impulzi so le izjemno pomembni<br />
matematični pripomoček.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.9 Signali <strong>in</strong> merske enote 49<br />
2.9 Signali <strong>in</strong> merske enote<br />
Pri pona<strong>za</strong>rjanju, analizi <strong>in</strong> obdelavi signale pogosto normiramo ali pa pretvorimo<br />
v modelno obliko. Pri izbiri oblike so pomembne njihove naslednje<br />
lastnosti.<br />
Dejanski signali. Pri dejanskih signalih računamo s količ<strong>in</strong>ami, ki jih signali<br />
predstavljajo (slika 2.30).<br />
Slika 2.30<br />
Predstavitev dejanskih <strong>signalov</strong>.<br />
Levo: x(t) = 100 V, 0 t 6 ms;<br />
Desno: x(t) = 3,3 × δ(t) Vs.<br />
Prednosti: odpadejo vse pretvorbe, vsak trenutek je mogoča kontrola<br />
računa z merskimi enotami.<br />
Slabosti: predstavitev ni univer<strong>za</strong>lna, računski postopek je bolj <strong>za</strong>pleten,<br />
signal ni prilagojen računalniški obdelavi.<br />
Normirani signali. Če dejanske signale delimo z izbrano referenčno ali primerjalno<br />
vrednostjo, dobimo normirane signale:<br />
x n =<br />
x ,<br />
x ref<br />
kjer sta x <strong>in</strong> x ref dejanska oziroma referenčna vrednost signala. Za<br />
referenčne signale pogosto uporabljamo maksimalne vrednosti signala<br />
(slika 2.31).<br />
Slika 2.31<br />
Predstavitev normiranih <strong>signalov</strong>.<br />
Prednosti: enak <strong>in</strong>terval uporabljenih števil, univer<strong>za</strong>lna predstavljivost,<br />
zelo primerni <strong>za</strong> računalniško <strong>obdelavo</strong>.<br />
Slabosti: izguba merskih enot (posebej neugodno pri obdelavi merilnih<br />
rezultatov).<br />
Modelni signali. Normirane signale pomnožene z mersko enoto (na primer<br />
z 1 V), imenujemo modelni signali (slika 2.32).<br />
Prednosti: univer<strong>za</strong>lna predstavitev, možna dimenzijska kontrola.<br />
Slabosti: manj primerni <strong>za</strong> računalniško <strong>obdelavo</strong>, računanje je obremenjeno<br />
z upoštevanjem enot.<br />
datoteka: signal_A
50 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
Slika 2.32<br />
Predstavitev modelnih <strong>signalov</strong>.<br />
2.10 Elementarne operacije nad signali<br />
V obdelavi <strong>signalov</strong> pogosto želimo oziroma moramo signalom spremeniti<br />
signalno območje <strong>in</strong>/ali signalno os. Taka sprememba na primer nastane pri<br />
ojačanju signala. Pri analognih signalih signal ojača analogni ojačevalnik,<br />
pri digitalnih signalih pa dobimo ekvivalentni rezultat z množenjem signala<br />
z ustrezno konstanto. Te <strong>in</strong> njim podobne spremembe <strong>signalov</strong> imenujemo<br />
elementarne operacije nad signali. Delimo jih v dve skup<strong>in</strong>i:<br />
1. operacije, ki <strong>za</strong>jemajo transformacijo signalnega <strong>in</strong> časovnega območja,<br />
vzorčenje, <strong>in</strong>terpolacijo <strong>in</strong> kvanti<strong>za</strong>cijo signala;<br />
2. operacije, ki <strong>za</strong>jemajo seštevanje, odštevanje, množenje <strong>in</strong> deljenje<br />
dveh <strong>signalov</strong>.<br />
Prve imenujemo tudi unarne, ker obsegajo le en signal, druge pa b<strong>in</strong>arne<br />
operacije. Nekatere izmed teh operacije so l<strong>in</strong>earne – te ohranijo lastnosti<br />
l<strong>in</strong>earnega prostora, druge pa so nel<strong>in</strong>earne – te spremenijo lastnosti prostora.<br />
2.10.1 Amplitudna transformacija<br />
Z amplitudno transformacijo spremenimo amplitudni razmah oziroma signalno<br />
območje signala. Ločimo dve druž<strong>in</strong>i transformacij signalnega območja:<br />
1. l<strong>in</strong>earne, katere v splošnem opišemo z<br />
kjer sta a <strong>in</strong> b konstanti,<br />
2. nel<strong>in</strong>earne, katere v splošnem opišemo z<br />
x nov = a·x star + b , (2.36)<br />
x nov = T { x star<br />
}<br />
. (2.37)<br />
V obdelavi <strong>signalov</strong> uporabljamo tako l<strong>in</strong>earne kot nel<strong>in</strong>earne amplitudne<br />
transformacije. Na primer, l<strong>in</strong>earno transformacijo uporabimo pri normiranju<br />
signala (glej razdelek 2.9 na predhodni strani). Nel<strong>in</strong>earno transformacijo<br />
uporabljamo v primerih, ko želimo doseči posebne uč<strong>in</strong>ke. Na primer, z logaritmiranjem<br />
signalnega območja lahko množenje dveh <strong>signalov</strong> nadomestimo<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.10 Elementarne operacije nad signali 51<br />
s seštevanjem. Nel<strong>in</strong>earna transformacija je zelo razširjena pri digitali<strong>za</strong>ciji<br />
zvoka v telekomunikacijah.<br />
V tej knjigi se omejujemo na l<strong>in</strong>earne amplitudne transformacije. Glede<br />
na izbiro konstant a <strong>in</strong> b v (2.36) ločimo tri l<strong>in</strong>earne amplitudne transformacije:<br />
obrat signalnega območja<br />
a = −1, b = 0 :<br />
x nov = −x star<br />
skaliranje signalnega območja<br />
|a| ̸= 1, b = 0 :<br />
x = ax star<br />
pomik signalnega območja<br />
a = 1, b ≠ 0 :<br />
x nov = x star + b<br />
Pri prikazu transformiranega signala si lahko pomagamo s sliko starega signala,<br />
kjer ustrezno preoblikujemo (obrnemo, skaliramo ali premaknemo)<br />
amplitudno os. Če označimo orig<strong>in</strong>alno os z A star <strong>in</strong> novo os z A nov , potem<br />
z malo razmisleka ugotovimo, da je med njima naslednja pove<strong>za</strong>va:<br />
A nov = 1 a A star − b . (2.38)<br />
Veljavnost razmisleka potrjujemo z zgledom 2.10.1.<br />
ZGLED 2.10.1 (Transformacija signalnega območja)<br />
Izvedimo <strong>za</strong>suk, skaliranje <strong>in</strong> pomik signalnega območja signalu x 1 (t) = p(t). Koeficienti<br />
l<strong>in</strong>earne amplitudne transformacije so:<br />
(i) <strong>za</strong>suk: a = −1,b = 0, skaliranje: a = 1/2,b = 0, pomik: a = 1, b = −1<br />
(ii) amplitudna transformacija z a = − 1 2 <strong>in</strong> b = −1<br />
(i) Slika 2.33 kaže vse oblike l<strong>in</strong>earne amplitudne transformacije. Na levi strani sta<br />
<strong>za</strong>pisana izračuna (2.36) <strong>in</strong> (2.38), desno pa so po vrsti prika<strong>za</strong>ni orig<strong>in</strong>alni signal x star ,<br />
transformirana amplitudna os <strong>in</strong> transformirani signal x nov prika<strong>za</strong>n v starem signalnem<br />
območju. Na sliki vidimo, da transformacija amplitudne osi spremeni merilo prika<strong>za</strong><br />
signala. V tem primeru smo pri <strong>za</strong>suku merilo <strong>za</strong>sukali, pri skaliranju merilo povečali iz<br />
1:1 v 2:1, pri premiku pa smo ga premaknili <strong>za</strong> eno enoto navzgor.<br />
(ii) Prikaz transformacije x nov = −<br />
2 1x star − 1 kaže slika 2.34. Na levi strani sta<br />
<strong>za</strong>pisana izračuna novega signala <strong>in</strong> novega amplitudnega razmaha. Na levi sliki je<br />
prika<strong>za</strong>n stari signal. Ta skica ima na desni strani narisano novo amplitudno območje.<br />
Na desni sliki je prika<strong>za</strong>n nov signal v starem amplitudnem merilu.<br />
♦<br />
Zaključimo z ugotovitvijo, da (2.36) <strong>in</strong> (2.37) veljata <strong>za</strong> vse vrste <strong>signalov</strong><br />
x(t) <strong>in</strong> <strong>za</strong>poredij x[n].<br />
datoteka: signal_A
52 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
<strong>za</strong>suk: x nov = −x star<br />
x star , A star<br />
1 1<br />
1<br />
0 0<br />
0<br />
A nov = −A star 1<br />
1<br />
1<br />
-1/2 0 t<br />
-1/2 0<br />
skaliranje: x nov = 1 2 x star<br />
x star , A star<br />
A nov<br />
x nov , A star<br />
1/2 1/2<br />
1 1/2<br />
1<br />
0 0<br />
0<br />
A nov = 2A star 1<br />
12<br />
1<br />
-1/2 0 t<br />
-1/2 0<br />
pomik: x nov = x star − 1<br />
A nov = A star + 1<br />
x star , A star<br />
A nov<br />
x nov , A star<br />
1/2 1/2<br />
1 0<br />
1<br />
0 1<br />
0<br />
1<br />
A nov<br />
x nov , A star<br />
2<br />
1<br />
-1/2 0 1/2 t<br />
-1/2 0 1/2<br />
t<br />
t<br />
t<br />
Slika 2.33<br />
Amplitudne transformacije. Levo: <strong>za</strong>pisi amplitudnih transformacij desno: prikaz amplitudnih transformacij.<br />
x nov = − 1 2 x star − 1<br />
A nov = −2A star + 1<br />
x star , A star<br />
1 3/2<br />
1<br />
0 1<br />
0<br />
1<br />
2<br />
A nov<br />
12<br />
x nov , A star<br />
1<br />
2<br />
-1/2 0 1/2 t<br />
-1/2 0 1/2<br />
1<br />
t<br />
Slika 2.34<br />
Amplitudne transformacije pri a = − 1 / 2 <strong>in</strong> b = −1. Levo: <strong>za</strong>pisi amplitudnih transformacij, desno: prikaz<br />
amplitudnih transformacij.<br />
2.10.2 Transformacija signalne osi<br />
S to transformacijo skrčimo ali podaljšamo domeno, iz katere <strong>za</strong>jemamo vrednosti<br />
argumenta funkcije, s katero opišemo signal. Pri tem lahko <strong>za</strong>sučemo<br />
tudi signalno os. Formalno jo opišemo s preslikavo T : T star → T nov , ki jo<br />
def<strong>in</strong>iramo z:<br />
T { t } = τ , t,τ ∈ R . (2.39)<br />
Podobno kot pri transformaciji signalnega območja ločimo tri transformacije<br />
signalne osi: obrat, skaliranje <strong>in</strong> pomik. Njihovo poljubno komb<strong>in</strong>acijo<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
☞<br />
2.10 Elementarne operacije nad signali 53<br />
opišemo z:<br />
τ = at + b . (2.40)<br />
Transformacija je bijektivna, če obstaja <strong>in</strong>verzna transformacija T −1 : T nov →<br />
T star , ki povrne staro stanje:<br />
T −1{ τ } = t , t,τ ∈ R . (2.41)<br />
Označimo signal pred transformacijo signalne osi z x star . Po transformaciji<br />
uč<strong>in</strong>ek transformacije včasih bolje uvidimo, če opazujemo v starem<br />
signalnem območju nov signal x nov , <strong>za</strong> katerega velja:<br />
x nov (t) = x star (T{t}) . (2.42)<br />
Uč<strong>in</strong>ek transformacije uvidimo, če x nov prikažemo na stari signalni osi, torej<br />
ko opazujemo x nov (t), <strong>za</strong> katerega neodvisno spremenljivko izračunamo iz<br />
(2.42):<br />
t = τ a − b a<br />
. (2.43)<br />
Primerjava (2.43) <strong>in</strong> (2.40) pokaže, da se razširitev signalnega območja (|a| ><br />
1) na signalu x nov (t) vidi kot skrčenje signala, premik signalne osi v levo kot<br />
premik signala v desno itd, <strong>in</strong> seveda obratno. Pri premikih osi v levo ali desno<br />
imamo iz gledišča časa opravka z <strong>za</strong>kasnitvijo (ko signal premaknemo v<br />
desno, oziroma signalno os v levo) ali prehitevanjem (ko signal premaknemo<br />
v levo, oziroma signalno os v desno).<br />
Transformacija signalne osi <strong>za</strong> <strong>za</strong>poredja v enaki obliki kot pri zveznih<br />
signalih ne obstaja. Zapis x[n] dejansko pomeni x(nT ), kjer je T <strong>in</strong>terval<br />
med otipki signala, ki ga opisuje <strong>za</strong>poredje x[n] <strong>in</strong> n številka <strong>in</strong>tervala.<br />
Pri <strong>za</strong>poredjih sicer lahko izvedemo obrat <strong>in</strong> pomik:<br />
x nov [η] = x star [T{n}] = x star [−n]<br />
(2.44a)<br />
x nov [η] = x star [T{n}] = x star [n + m] , m ∈ Z , (2.44b)<br />
skaliranja pa ne moremo izvesti. Če <strong>za</strong>poredje podatkov gledamo kot <strong>za</strong>poredje<br />
otipkov nekega signala (postopek vzorčenja <strong>signalov</strong> opisujemo v<br />
razdelku ?? na strani ?? <strong>in</strong> ?? na strani ??), sprememba <strong>in</strong>tervala otipavanja<br />
pomeni, da iz signala <strong>za</strong>jemamo njegove vrednosti ob drugih trenutkih, signala<br />
samega pa ne razširimo ali skrčimo. Zamenjava <strong>in</strong>deksa m z drugim<br />
<strong>in</strong>deksom, na primer z m, m = an, a ∈ Z, pa pomeni, ali da med obstoječe<br />
otipke vrivamo nove otipke z vrednostjo nič (rečemo, da vrivamo ničle) ali<br />
pa da nekatere otipke izpuščamo (postopek pogosto imenujejo decimacija,<br />
čeprav ni nujno desetkanje signala). V obeh primerih pride do <strong>za</strong>nimivih pojavov,<br />
ki pa nimajo pove<strong>za</strong>ve s krčenjem ali širjenjem signala, kot smo ga na<br />
<strong>za</strong>četku razdelka opisali <strong>za</strong> zvezne signale.<br />
datoteka: signal_A
54 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
ZGLED 2.10.2 (Transformacija signalne osi)<br />
Izvedimo <strong>za</strong>suk, skaliranje <strong>in</strong> pomik signalne osi žagastemu signalu!<br />
Pri <strong>za</strong>suku, skaliranju <strong>in</strong> pomiku signalne osi upoštevamo obrazec (2.40), pri <strong>za</strong>suku,<br />
skaliranju <strong>in</strong> pomiku signala pa obrazec (2.43). Rezultat obeh nač<strong>in</strong>ov prika<strong>za</strong><br />
vidimo na sliki 2.35. Še enkrat poudarimo: <strong>za</strong>suk <strong>in</strong> pomik lahko izvedemo tudi <strong>za</strong><br />
1<br />
xstar( t)<br />
Slika 2.35<br />
Levo: Zasuk, skaliranje <strong>in</strong> pomik<br />
časovne osi; desno: <strong>za</strong>suk,<br />
skaliranje <strong>in</strong> pomik signala.<br />
transformirane signalne osi<br />
0<br />
0<br />
0<br />
0<br />
b<br />
t 0<br />
t 0<br />
at 0<br />
t 0 + b<br />
t<br />
t<br />
at<br />
t+b<br />
x<br />
t<br />
nov( )<br />
1<br />
0<br />
1<br />
xnov( t)<br />
0<br />
1<br />
xnov( t)<br />
0<br />
a 1, b = 0<br />
t 0 0<br />
t<br />
a > 1, b = 0<br />
0 t 0/a<br />
t<br />
a= 1, b =/ 0<br />
b 0 t 0 b<br />
t<br />
žagasto <strong>za</strong>poredje, skalirati pa se <strong>za</strong>poredja ne da.<br />
♦<br />
2.10.3 Kvanti<strong>za</strong>cija<br />
Kvanti<strong>za</strong>cija je transformacija, ki točke iz zveznega amplitudnega razmaha<br />
signala, to je signalnega območja, preslika v diskretne vrednosti, ki so medsebojno<br />
oddaljene <strong>za</strong> <strong>in</strong>terval, ki ga imenujemo kvanti<strong>za</strong>cijska stopnica ali<br />
kvanti<strong>za</strong>cijski korak. Glede na kvanti<strong>za</strong>cijski korak ločimo:<br />
enakomerno ali uniformirano kvanti<strong>za</strong>cijo, kjer je kvanti<strong>za</strong>cijski korak<br />
konstantno velik čez vso signalno območje<br />
neenakomerno ali neuniformno kvanti<strong>za</strong>cijo, pri kateri je velikost kvanti<strong>za</strong>cijskega<br />
koraka odvisna od njegove lege v signalnem območju.<br />
V obeh primerih kvanti<strong>za</strong>cija preslika točke A ∈ R v najbližje diskretne<br />
vrednosti k ·q, k ∈ Z:<br />
(k − 1 2 )q
2.10 Elementarne operacije nad signali 55<br />
kjer je q kvanti<strong>za</strong>cijski korak (slika 2.36). Sistem, ki izvede to transformacijo,<br />
kq<br />
( k 1/2) q ( k +1/2) q<br />
x( t), x[ n]<br />
x( t), x[ n] k.q<br />
Slika 2.36<br />
Transformacija amplitudnega<br />
razmaha signala pri uniformni<br />
kvanti<strong>za</strong>ciji.<br />
imenujemo kvanti<strong>za</strong>tor. Grafično ga predstavimo z blokom s slike 2.37.<br />
x x q<br />
Slika 2.37<br />
Blokovna shema<br />
kvanti<strong>za</strong>torja.<br />
ZGLED 2.10.3 (Uniformna kvanti<strong>za</strong>cija)<br />
Predpostavimo, da velja A star = (0,Nq) ∈ R, N ∈ N torej transformacija <strong>za</strong>jema svoje<br />
vrednosti iz <strong>za</strong>loge realnih števil v <strong>in</strong>tervalu (0,Nq). Kvanti<strong>za</strong>cijo amplitudnega razmaha<br />
signala izvedemo tako, da bodo diskretne vrednosti signala določene z:<br />
⎧<br />
0 x < 0,<br />
⎪⎨ ⌊ x<br />
x q =<br />
q + 1 q 0 x (N −<br />
2⌋<br />
1 2 )q,<br />
⎪⎩<br />
Nq x Nq,<br />
(2.46)<br />
kjer ⌊ ⌋ označuje funkcijo, ki <strong>za</strong>okroži realno število x na najbližjo manjše celo število.<br />
Nq<br />
( N 1)<br />
q<br />
T<br />
x q<br />
2q<br />
q<br />
0<br />
Slika 2.38<br />
Značilnica kvanti<strong>za</strong>torja.<br />
0 q 2q<br />
( N 1<br />
1 ) q<br />
2<br />
( N 1<br />
1 ) q ( N 1)<br />
q<br />
2<br />
x<br />
Ta kvanti<strong>za</strong>cija odreže vse vrednosti signala, ki so manjše od nič <strong>in</strong> omeji maksimalno<br />
vrednost signala na Nq (slika 2.38). Uč<strong>in</strong>ek uniformne kvanti<strong>za</strong>cije z osmimi<br />
kvanti<strong>za</strong>cijskimi koraki na signal x(t) = 1/2[1 − cos(2πt)],t ∈ R kaže slika 2.39.<br />
Tu je N = 8 <strong>in</strong> q =<br />
8 1 .<br />
♦<br />
datoteka: signal_A
56 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
1 1<br />
Slika 2.39<br />
Uniformna kvanti<strong>za</strong>cija,<br />
levo: orig<strong>in</strong>alni signal,<br />
desno: kvantizirani signal.<br />
signal: x( t)<br />
<br />
kvantiziran<br />
1<br />
2<br />
cos( 2 t)<br />
signal: xq t 0 0<br />
0 t 1 0 t 1<br />
Zaokroževanje na cela števila najlažje naredimo, če odrežemo številke <strong>za</strong><br />
decimalno vejico. Rezultat je prvo manjše celo število. Tako <strong>za</strong>okroževanje<br />
imenujemo <strong>za</strong>okroževanje navzdol. Če želimo imeti <strong>za</strong>okroževanje na najbližje<br />
celo število, na voljo pa je le <strong>za</strong>okroževanje navzdol, moramo številu<br />
prišteti 1/2, da dobimo pravi rezultat. Na primer, številu 3,2 je najbližje celo<br />
število 3, številu 3,7 pa 4. Ta rezultat z <strong>za</strong>okroževanjem navzdol dobimo le v<br />
primeru, če številu prištejemo 0,5:<br />
⌊3,2 + 0,5⌋ = ⌊3,7⌋ = 3 <strong>in</strong> ⌊3,7 + 0,5⌋ = ⌊4,2⌋ = 4<br />
Kvanti<strong>za</strong>cijo lahko izvedemo tako nad analognim kot nad časovno diskretnim<br />
signalom. V prvem primeru dobimo kvantizirani signal, v drugem pa<br />
diskretni signal.<br />
2.10.4 Skalarni produkt<br />
V opisu relacij med signali je med najpomembnejšimi računskimi operacijami<br />
skalarni produkt. V primeru <strong>za</strong>poredij skalarni produkt vsebuje množenje<br />
<strong>in</strong> seštevanje, pri zveznih signalih, <strong>za</strong> katere je prav tako def<strong>in</strong>iran, pa<br />
seštevanje preide v <strong>in</strong>tegracijo. Kljub temu ga bomo obravnavali kot elementarno<br />
računsko operacijo, saj na njegovi osnovi temelji zelo veliko postopkov<br />
obdelave <strong>signalov</strong>.<br />
Skalarni produkt lahko nazorno razložimo s primerom skalarnega produkta<br />
dveh vektorjev, na primer x <strong>in</strong> y, ki ležita na isti ravn<strong>in</strong>i (slika 2.40).<br />
Med njima <strong>in</strong> absciso pravokotnega koord<strong>in</strong>atnega sistema sta kota φ x <strong>in</strong> φ y .<br />
Kos<strong>in</strong>us kota med vektorjema φ x − φ y izračunamo s pomočjo lastnosti trigošarko<br />
ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.10 Elementarne operacije nad signali 57<br />
q<br />
x<br />
x 1<br />
y 2<br />
y 1<br />
x<br />
N<br />
y<br />
Slika 2.40<br />
Vektorja x <strong>in</strong> y v ravn<strong>in</strong>i.<br />
y<br />
0<br />
x 2<br />
p<br />
nometrijskih funkcije:<br />
cos(φ x − φ y ) = cosφ x cosφ y + s<strong>in</strong>φ x s<strong>in</strong>φ y<br />
=<br />
x 2<br />
√<br />
x 2 1 + x2 2<br />
} {{ }<br />
=d x<br />
·<br />
y 2<br />
√<br />
y 2 1 + y2 2<br />
} {{ }<br />
=d y<br />
+ x 1<br />
d x<br />
· y1<br />
d y<br />
= x 1y 1 + y 1 y 2<br />
d x ·d y<br />
, (2.47)<br />
kjer so x k <strong>in</strong> y k , k = 1,2, komponente vektorjev x <strong>in</strong> y <strong>in</strong> d x ter d x dolž<strong>in</strong>i teh<br />
vektorjev. Imenovalec v (2.47) je produkt dolž<strong>in</strong> obeh vektorjev, števec pa je<br />
enak skalarnemu produktu dveh vektorjev. Označevali ga bomo s simbolom:<br />
Velja:<br />
Poudarimo:<br />
〈·, ·〉 . (2.48)<br />
〈x, y〉 = x 1 y 1 + x 2 y 2 (2.49)<br />
= d x d y cos(φ x − φ y ) . (2.50)<br />
Rezultat skalarnega produkta dveh vektorjev je skalar, torej število!<br />
To število je mera medsebojne lege vektorjev.<br />
Normirani skalarni produkt<br />
Če je skalarni produkt 0, mora biti cos(φ x −φ y ) = 0. To pa je takrat, ko je kot<br />
med vektorjema z dolž<strong>in</strong>o večjo od nič enak π/2 radianov oziroma 90 o , oziroma<br />
ko sta vektorja pravokotna drug na drugega. Zato skalarni produkt uporabljamo<br />
tudi kot test, ali sta si določena vektorja medsebojno pravokotna.<br />
datoteka: signal_A
58 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
Pomen tega testa pride do izra<strong>za</strong> pri vektorjih, pri katerih grafična predstava<br />
ni več možna.<br />
Ostale vrednosti skalarnega produkta so odvisne od dolž<strong>in</strong>e vektorjev. Če<br />
skalarni produkt podelimo z dolž<strong>in</strong>o vektorjev, dobimo normirani skalarni<br />
produkt. Zapisali smo ga že v (2.50), <strong>za</strong>to ga le prepišimo v obliko, kjer<br />
upoštevamo (2.48):<br />
−1 〈x,y〉<br />
d x d y<br />
1 . (2.51)<br />
Srednjemu členu v (2.51) smo v izpeljavi skalarnega produkta dali pomen<br />
"kos<strong>in</strong>us kota med x <strong>in</strong> y". Ta lahko ima, kot vemo, svoje vrednosti le med -1<br />
<strong>in</strong> 1. Zato ima normirani skalarni produkt maksimum, ko je cos(φ x −φ y ) = 1.<br />
Takrat sta vektorja vzporedna <strong>in</strong> usmerjena v isto smer, oziroma je kot med<br />
njima enak 0. Skalarni produkt ima m<strong>in</strong>imum, ko je cos(φ x − φ y ) = −1.<br />
Takrat sta vektorja vzporedna <strong>in</strong> nasprotno usmerjena, oziroma je kot med<br />
njima enak π radianov oziroma 180 o .<br />
Primer uporabe skalarnega produkta v fiziki<br />
Določitev vektorskih komponent je osnovni postopek v analizi mnogih fizikalnih<br />
pojavov. Projekcija vektorja x na sliki 2.40 na predhodni strani na<br />
vektor y je enaka:<br />
−→<br />
ON = xcos(φ x − φ y ) . (2.52)<br />
Predpostavimo, da smo z vektorjem y predstavili vektor sile F, ki nas iz<br />
izhodiščne točke O prestavi v točko N. Delo, ki se pri tem opravi je, kot vemo<br />
iz fizike, enako:<br />
opravljeno delo = F scos(φ x − φ y ) .<br />
Podobne primere lahko najdemo tudi <strong>za</strong> druge fizikalne količ<strong>in</strong>e, na primer<br />
delovno (električno) energijo, moč itd. Na njihovem zgledu bomo tako def<strong>in</strong>irali<br />
energijo ali moč signala.<br />
2.10.5 Primer uporabe skalarnega produkta<br />
pri prepoznavanju <strong>signalov</strong><br />
Skalarni produkt je ena najpogostejših matematičnih operacij pri obdelavi<br />
<strong>signalov</strong>. Z njim računamo energijo signala, pretok energije med signaloma,<br />
uporabljamo ga v računanju moči, podobnosti med signali (korelacije) <strong>in</strong> še<br />
v mnogih drugih primerih.<br />
Oglejmo si primer njegove uporabe pri prepoznavanju signala. Opazujmo<br />
časovno zvezni signal x(t), ki vsebuje dolge ali kratke pulze (slika 2.41). Naj<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
2.10 Elementarne operacije nad signali 59<br />
d( t) “dolg pulz”<br />
k( t)<br />
1 1<br />
“kratek pulz”<br />
0.5 0.5<br />
0 0<br />
-2 -1 -1/2 0 1/2 1 2 t<br />
-1 -1/2 0 1/2 1 t<br />
Slika 2.41<br />
Testna pul<strong>za</strong> k(t) <strong>in</strong> d(t).<br />
bo dolg pulz določen z:<br />
<strong>in</strong> kratek pulz z:<br />
d(t) =<br />
{<br />
1/2 pri − 2 t < 2<br />
0 sicer<br />
k(t) =<br />
{<br />
1 pri − 1/2 t < 1/2<br />
0 sicer<br />
Pul<strong>za</strong> sta izbrana tako, da sta si njuna skalarna produkta s samim seboj enaka:<br />
〈d,d〉 = 〈k,k〉 = 1<br />
Eden izmed možnih nač<strong>in</strong>ov detekcije, kdaj je signal x(t) dolg oziroma kratek<br />
pulz, je izračun skalarnih produktov signala x(t) s testnima signaloma d(t) <strong>in</strong><br />
k(t):<br />
v x(t) je kratek pulz:<br />
v x(t) je dolg pulz:<br />
〈x,d〉 = 〈k,d〉 = 1/2<br />
〈x,k〉 = 〈k,k〉 = 1<br />
〈x,d〉 = 〈d,d〉 = 1<br />
〈x,k〉 = 〈d,k〉 = 1/2<br />
Vidimo, da je skalarni produkt največji takrat, ko se x(t) ujema s testnim signalom.<br />
Zato detektor, ki odkriva kateri signal je prisoten zgradimo z dvema<br />
skalarnima produktoma <strong>in</strong> primerjalnikom, ki pove, kateri produkt je večji<br />
(slika 2.42).<br />
x( t)<br />
x,d<br />
x,k<br />
x,d > x,k<br />
DA: v signalu je dolg pulz<br />
NE: v signalu je kratek pulz<br />
Slika 2.42<br />
Detekcija signala s skalarnim<br />
produktom.<br />
Opisana detekcija signala podaja <strong>za</strong>snovo sodobnih komunikacijskih sprejemnikov,<br />
ki zmorejo maksimirati razliko med šumom <strong>in</strong> signalom. Take<br />
sprejemnike imenujemo optimalne. V njih je detekcija signala ponavadi izvedena<br />
s korelatorji, ki izvedejo izračun skalarnega produkta pri danih parametrih.<br />
Korelacija je opisana v poglavju 4 na strani 87.<br />
datoteka: signal_A
60 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
2.11 Elementarne operacije s programom MATLAB<br />
MATLAB ☞<br />
V prejšnem razdelku smo pregledali elementarne operacije nad signali <strong>in</strong> <strong>za</strong>poredji.<br />
Sedaj pa poglejmo, kako jih lahko pri <strong>za</strong>poredjih računamo s pomočjo<br />
programa MATLAB. Seveda bomo uporabnost programa pri elementarnih<br />
računskih operacijah poka<strong>za</strong>li na (končnih) <strong>za</strong>poredjih.<br />
2.11.1 Seštevanje <strong>za</strong>poredij<br />
Dve <strong>za</strong>poredji seštejemo tako da seštejemo istoležne podatke:<br />
{x 1 [n]} + {x 2 [n]} = {x 1 [n] + x 2 [n]} . (2.53)<br />
Za ukaz seštevanja program MATLAB uporablja znak +. Da lahko dve <strong>za</strong>poredji<br />
seštejemo, morata biti enako dolgi. Če to nista, ali pa so podatki pri<br />
enako dolgih <strong>za</strong>poredjih na različnih mestih, seštevanja ne moremo izvesti.<br />
Kadar podatki niso urejeni, moramo najprej opraviti poravnavo podatkov,<br />
na primer x 1 [n] <strong>in</strong> x 2 [n] tako, da imajo enako pozicijo v vektorju. Pri tem<br />
moramo skrbno upoštevati mehanizem označevanja podatkov z <strong>in</strong>deksi. Tem<br />
postopkom so v programu MATLAB namenjeni logični operator preseka &,<br />
realcije <strong>in</strong> == ter funkcija f<strong>in</strong>d. Njihovo uporabo lahko uvidimo iz<br />
def<strong>in</strong>icije funkcije, ki sešteje dve <strong>za</strong>poredji (program MATLAB 2.5):<br />
MATLAB 2.5: Seštevanje <strong>za</strong>poredij<br />
function [y,n] = sigsuma(x1,n1,x2,n2)<br />
% funkcija sešteje <strong>za</strong>poredji y(n) = x1(n)+x2(n)<br />
% ------------------------------------------------------------------<br />
% y = seštevek po podatkih <strong>za</strong>poredij x1 <strong>in</strong> x2 dolž<strong>in</strong>e n1 <strong>in</strong> n2<br />
% x1 = <strong>za</strong>poredje dolž<strong>in</strong>e n1<br />
% x2 = <strong>za</strong>poredje dolž<strong>in</strong>e n2 (n2 se lahko razlikuje od n1)<br />
% ------------------------------------------------------------------<br />
n = m<strong>in</strong>(m<strong>in</strong>(n1),m<strong>in</strong>(n2)):max(max(n1),max(n2)); % trajanje y(n)<br />
y1 = zeros(1,length(n)); y2 = y1;<br />
% <strong>in</strong>iciali<strong>za</strong>cija<br />
y1(f<strong>in</strong>d((n>=m<strong>in</strong>(n1))&(n=m<strong>in</strong>(n2))&(n
2.11 Elementarne operacije s programom MATLAB 61<br />
Ta izračun naredimo s funkcijo sum:<br />
2.11.3 Pomik podatkov<br />
sum(x(n1:n2))<br />
Pri pomiku podatkov vsak podatek premaknemo <strong>za</strong> k mest v levo ali desno.<br />
Rezultat je novo <strong>za</strong>poredje y[n]:<br />
y[n] = {x[n − k]} . (2.55)<br />
Če naredimo <strong>za</strong>menjavo spremenljivk m = n−k, potem je n = m+k <strong>in</strong> (2.55)<br />
preide v:<br />
y[m + k] = {x[m]} . (2.56)<br />
Pomik nima vpliva na vektor x, ampak le na vektor n, kjer se k vsakemu<br />
elementu prišteje k (program MATLAB 2.6).<br />
MATLAB 2.6: Pomik podatkov<br />
function [y,n] = sigpomik(x,m,n0)<br />
% -------------------------------<br />
% n0: velikost pomika<br />
% m: orig<strong>in</strong>alni <strong>in</strong>deksi podatkov<br />
% -------------------------------<br />
n = m+n0;<br />
y = x;<br />
2.11.4 Zasuk <strong>za</strong>poredja<br />
Mnogokrat moramo <strong>za</strong>sukati <strong>za</strong>poredje podatkov okoli n = 0. Pri tem <strong>za</strong>dnji<br />
podatek postane prvi <strong>in</strong> prvi postane <strong>za</strong>dnji, <strong>za</strong>sučemo pa tudi vektor n, ki<br />
določa pozicijo podatkov:<br />
y[n] = {x[−n]} . (2.57)<br />
Zasuk <strong>za</strong>poredja lahko naredimo s funkcijo fliplr(x) <strong>in</strong> -fliplr(n):<br />
>> n=1:3;<br />
x=[1,2,3]<br />
y=fliplr(x)<br />
n=-fliplr(n)<br />
x =<br />
1 2 3<br />
datoteka: signal_A
62 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
y =<br />
3 2 1<br />
MATLAB 2.7: Množenje podatkov<br />
n =<br />
-3 -2 -1<br />
Iz zgornjega primera vidimo, da smo z <strong>za</strong>sukom premaknili tudi vektor. Iz<br />
{x[1] x[2] x[3]} smo dobili {x[−3] x[−2] x[−1]}.<br />
2.11.5 Množenje <strong>za</strong>poredij<br />
Z množenjem podatkov razumemo da podatke v enem vektorju skaliramo (to<br />
je pomnožimo) s podatki v drugem vektorju:<br />
{x 1 [n]} · {x 2 [n]} = {x 1 [n]·x 2 [n]} . (2.58)<br />
Operator, ki v programu MATLAB izvede množenje v (2.58), je .* . Pika<br />
označuje, da množimo vrstična vektorja. Ker imamo pri tej operaciji enake<br />
omejitve kot pri seštevanju dveh vektorjev, def<strong>in</strong>iramo funkcijo, ki skrbi <strong>za</strong><br />
enakost dolž<strong>in</strong> vektorjev <strong>in</strong> pravilno <strong>za</strong>poredje podatkov (program MATLAB 2.7),<br />
podobno kot smo jo pri seštevanju:<br />
function [y,n] = sigmult(x1,n1,x2,n2)<br />
% izračuna y(n) = x1(n)*x2(n)<br />
%----------------------------------------------------------------<br />
% y = produkt <strong>za</strong>poredja na n, ki vključuje n1 <strong>in</strong> n2<br />
% x1 = <strong>za</strong>poredje nad n1<br />
% x2 = <strong>za</strong>poredje nad n2 (n2 se lahko razlikuje od n1)<br />
%----------------------------------------------------------------<br />
n = m<strong>in</strong>(m<strong>in</strong>(n1),m<strong>in</strong>(n2)):max(max(n1),max(n2)); % trajanje y(n)<br />
y1 = zeros(1,length(n)); y2 = y1; %<br />
y1(f<strong>in</strong>d((n>=m<strong>in</strong>(n1))&(n=m<strong>in</strong>(n2))&(n
2.11 Elementarne operacije s programom MATLAB 63<br />
2.11.7 Skaliranje <strong>za</strong>poredja<br />
To je preprosta operacija, ko pomnožimo <strong>za</strong>poredje s skalarjem α:<br />
α {x[n]} = {αx[n]} . (2.60)<br />
Za njeno izvedbo v programu MATLAB uporabimo operator ”*“. Na primer:<br />
y = alpha*x<br />
2.11.8 Skalarni produkt<br />
Skalarni produkt dveh realnih <strong>za</strong>poredij lahko izračunamo na dva nač<strong>in</strong>a:<br />
1. Z uporabo matričnega računa, kjer drugi vektor transponiramo ali z<br />
uporabo posebne funkcije, ki vsebuje prej opisani nač<strong>in</strong> računanja:<br />
y = x1*x2’<br />
y = dot(x1,x2)<br />
% direktno računanje skalarnega produkta<br />
% funkcija <strong>za</strong> skalarni produkt<br />
kjer oznaka ’ pri realnih <strong>za</strong>poredjih pomeni transponirani vektor, pri<br />
kompleksnih pa konjugirano kompleksni transponirani vektor:<br />
x’ ←→ x T % pri realnih <strong>za</strong>poredjih<br />
x’ ←→ (x ∗ ) T % pri kompleksnih <strong>za</strong>poredjih<br />
Ponovno poudarjamo, da moramo transponirati drugi vektor. Če transponiramo<br />
prvi vektor dobimo tako imenovani zunanji produkt 7 .<br />
2. S seštevanjem podatkov, ki smo jih dobili z množenjem dveh <strong>za</strong>poredij:<br />
y = sum(x1.*x2)<br />
y = sum(x1.*conj(x2))<br />
% pri realnih <strong>za</strong>poredjih<br />
% pri kompleksnih <strong>za</strong>poredjih<br />
7 Zaradi tega se v angleški literaturi pogosto <strong>za</strong> skalarni produkt uporablja ime notranji produkt<br />
(<strong>in</strong>ner product) kot nasprotje zunanjemu produktu (outer product). Rezultat zunanjega<br />
produkta je matrika:<br />
testni program:<br />
a = [1+i 2+2i 3+3i];<br />
b = [4+4i 5+5i 6+6i];<br />
c = a*b’ % notranji produkt<br />
d = a’*b % zunanji produkt<br />
rezultat:<br />
c = 64<br />
d = 8 10 12<br />
16 20 24<br />
24 30 36<br />
datoteka: signal_A
64 2. Vrste <strong>signalov</strong> <strong>in</strong> elementarne operacije<br />
V opisu lastnosti skalarnega produkta smo <strong>za</strong>pisali, da je velikost skalarnega<br />
produkta odvisna od velikosti vektorja. Zato takrat, ko jih želimo medsebojno<br />
primerjati, običajno uporabljamo normirani skalarni produkt, ki smo<br />
ga <strong>za</strong>pisali v obrazcu (2.51) na strani 58:<br />
[en. 2.51]<br />
−1 〈x,y〉<br />
d x d y<br />
1 .<br />
Izračunamo ga lahko z naslednjo rut<strong>in</strong>o v programu MATLAB:<br />
% podatki<br />
a = [1+i 2+2i 3+3i]; % prvi vektor<br />
b = [4+4i 5+5i 6+6i]; % drugi vektor<br />
% računanje normiranega skalarnega produkta<br />
x = dot(a,b)<br />
% skalarni produkt<br />
d_a = sqrt(sum(a.*conj(a))) % iznos vektorja a<br />
d_b = sqrt(sum(b.*conj(b))) % iznos vektorja b<br />
y = x/(d_a*d_b)<br />
% normirani skalarni vektor<br />
Rezultat, ki ga da zgornja rut<strong>in</strong>a, je<br />
x =<br />
64<br />
d_a =<br />
5.2915<br />
d_b =<br />
12.4097<br />
y =<br />
0.9746<br />
2.11.9 Zgledi<br />
Primeri elementarnih operacij nad <strong>za</strong>poredji (skaliranje, . . . ) bodo dodani ob<br />
končni redakciji knjige. Do takrat bodo na voljo kot dodatki k tem <strong>za</strong>piskom.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3<br />
Parametri <strong>signalov</strong><br />
MNOGOKRAT ŽELIMO SIGNALE jedrnato opisati. Katere lastnosti<br />
pa so tiste, ki so karakteristične <strong>za</strong> signal? Med fizikalnimi količ<strong>in</strong>ami<br />
so na primer <strong>za</strong>nimive amplituda, moč, energija, srednja<br />
vrednost <strong>in</strong> podobno. Nekatere te količ<strong>in</strong>e so parametri, s katerimi lahko opišemo<br />
potek <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong>, druge pa določajo parametre, ki podajajo<br />
pomembne lastnosti signala.<br />
Na splošno izmerimo značilnosti <strong>za</strong>poredij ali funkcij z normami. Norme,<br />
če obstajajo, so po def<strong>in</strong>iciji nenegativna končno velika števila. Če takega števila<br />
<strong>za</strong> določeno normo ne moremo izračunati, potem rečemo, da <strong>za</strong>poredje<br />
oziroma funkcija te norme nima.<br />
Pri določanju parametrov se omejujemo na množice digitalnih <strong>in</strong> analognih<br />
signale, ki imajo strukturo l<strong>in</strong>earnega prostora. Ta prostor imenujemo<br />
signalni prostor.<br />
3.1 Signalni prostor<br />
Signalni prostor je vektorski ali l<strong>in</strong>earni prostor. Po def<strong>in</strong>iciji je to neprazna<br />
množica V nad komutativnim obsegom realnih ali kompleksnih skalarjev K,<br />
v kateri sta def<strong>in</strong>irani operaciji seštevanja <strong>in</strong> množenja elementov iz obsega<br />
K, ki izpolnjujeta <strong>za</strong>htevi:<br />
1. <strong>za</strong> poljubna elementa x,y ∈ V obstaja element z = x + y ∈ V , ki ga<br />
imenujemo vsota,<br />
2. <strong>za</strong> poljuben x ∈ V <strong>in</strong> poljuben skalar α ∈ K obstaja element αx ∈ V , ki<br />
ga imenujemo produkt vektorja x s skalarom α, tako da veljajo aksiomi<br />
65
66 3. Parametri <strong>signalov</strong><br />
vektorskega prostora:<br />
x + (y + z) = (x + y) + z<br />
x + y = y + x<br />
α(βx) = (αβ)x<br />
α(x + y) = αx + αy<br />
(3.1a)<br />
(3.1b)<br />
(3.1c)<br />
(3.1d)<br />
(α + β)x = αx + βx (3.1e)<br />
obstaja element 0 ∈ V <strong>in</strong> 1 ∈ V <strong>za</strong> katerega velja:<br />
x + 0 = x<br />
(3.1f)<br />
1·x = x , 0·x = 0 (3.1g)<br />
Pri tem so elementi x 1 ,x 2 ,...,x n l<strong>in</strong>earno neodvisni, če velja<br />
α 1 x 1 + α 2 x 2 + ··· + α n x n = 0 (3.2)<br />
le v trivialnem primeru, ko so α 1 ,α 2 ,...,α n = 0. V nasprotnem primeru so<br />
elementi x 1 ,x 2 ,...,x n l<strong>in</strong>earno odvisni. L<strong>in</strong>earni prostor je končno dimenzionalen,<br />
če v njem obstaja N l<strong>in</strong>earno neodvisnih elementov <strong>in</strong> je vsak N + 1<br />
element l<strong>in</strong>earno odvisen. Neskončno dimenzionalni prostori so prostori z<br />
neskončnim številom l<strong>in</strong>earno neodvisnih elementov. Primer končno dimenzionalnega<br />
l<strong>in</strong>earnega prostora je množica vseh N-teric (x 1 ,x 2 ,··· ,x n ). Če so<br />
N-terice sestavljene iz realnih števil, pripadajo prostoru R N , če pa so sestavljene<br />
iz kompleksnih števil, pa prostoru C N . Pri oznakah C N <strong>in</strong> R N smo z<br />
eksponentom N podali dimenzijo prostora, v katerem lahko N-terico predstavimo<br />
kot točko. Na primer, N-terico {2,3,−2} lahko predstavimo kot točko<br />
v prostoru R 3 (slika 3.1a), ali N-terico { j,3} v prostoru C 1 (slika 3.1b).<br />
x 3<br />
-2<br />
x 1<br />
2<br />
toèka, ki predstavlja<br />
jx 1 toèka,<br />
N -terico { 2, 3,<br />
-2}<br />
j2<br />
ki predstavlja<br />
N -terico {j1, 3}<br />
j1<br />
0 1 2 3 4 5 x<br />
-1<br />
2<br />
0 1 2 3 4 5 x 2<br />
os<br />
(a) {2,3,−2} prostoru R 3 (b) { j,3} v prostoru C 1<br />
os<br />
Slika 3.1<br />
Geometrijska predstavitev N-teric.<br />
Vidimo, da lahko nazorno geometrijsko predstavimo le N-terice, ki obsegajo<br />
največ tri realne komponente ali eno kompleksno.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3.1 Signalni prostor 67<br />
Točke, ki jih določata N-terici na slikah 3.1a <strong>in</strong> 3.1b, si lahko predstavimo<br />
tudi kot vrh vektorja, ki ima izhodišče v koord<strong>in</strong>atnem sistemu <strong>in</strong> konec v<br />
točki, ki jo določa N-terica (slika 3.2). V tem primeru lahko N-terico <strong>za</strong>pišemo<br />
kot vektor x(x 1 ,x 2 ,...,x n ) = {x 1 ,x 2 ,...,x n }. Z vektorji lahko opišemo<br />
tudi signale. Na primer, signal, ki ga opišemo s funkcijo x(t) = cosωt, je projekcija<br />
trajektorije konice vektorja enotskega harmoničnega vala s frekvenco<br />
ω na realno ravn<strong>in</strong>o (slika 3.2c). Vektorska predstavitev <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong><br />
x 1<br />
2<br />
jx 1<br />
j2<br />
j1<br />
0 1 2 3 x<br />
-1<br />
2<br />
-2<br />
0 1 2 3 x 2<br />
x 3<br />
os<br />
(a) element {2,3,−2} v (b) element { j,3} v<br />
prostoru R 3 prostoru C 1<br />
os<br />
Slika 3.2<br />
Predstavitev <strong>signalov</strong> z vektorjem.<br />
{ e j t }<br />
<br />
{ e jt<br />
}<br />
{ e jt<br />
}<br />
e jt<br />
1,0<br />
0.5<br />
-0.5<br />
-1,0<br />
(c) signal e jωt v prostoru C 1<br />
t<br />
ima mnogo prednosti. Izkušnje z njo imamo že iz osnov elektrotehnike, kjer<br />
smo na primer s kompleksnimi ka<strong>za</strong>lci nazorno poka<strong>za</strong>li, da je razlika med<br />
faznima napetostima v trifaznem sistemu z U R = 230 [V] <strong>in</strong> U S = 230 [V]<br />
enaka U RS = 400 [V] (zgled 3.1.3 na strani 72). Prav razlikovanje med signali<br />
je pomembno področje uporabe teorije <strong>signalov</strong>. Za izmero razlike med<br />
signali, morajo biti prostoti metrični prostori. Metrični prostori pa so tisti, v<br />
katerih lahko def<strong>in</strong>iramo normo <strong>za</strong>poredja oziroma signala <strong>in</strong> razdaljo med<br />
<strong>za</strong>poredji ali signali.<br />
3.1.1 Prostori <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong><br />
Signalne prostore delimo v dve veliki skup<strong>in</strong>i:<br />
1. Prostori časovnih <strong>za</strong>poredij l, ki ga def<strong>in</strong>ira množica vseh realnih ali<br />
kompleksnih <strong>za</strong>poredij x[n] = (··· ,x[−1],x[0],x[1],···).<br />
2. Prostori zveznih časovnih funkcij L , ki ga def<strong>in</strong>ira množica vseh realnih<br />
ali kompleksnih časovnih <strong>signalov</strong> x(t).<br />
Ko želimo poudariti def<strong>in</strong>icijsko območje <strong>za</strong>poredij ali <strong>signalov</strong>, <strong>za</strong>pišemo<br />
<strong>in</strong>terval, nad katerim je prostor def<strong>in</strong>iran, v oklepaju. Na primer l[n 1 ,n 2 ] je<br />
datoteka: signal_A
68 3. Parametri <strong>signalov</strong><br />
podprostor vseh <strong>za</strong>poredij, ki so def<strong>in</strong>irana nad <strong>in</strong>tervalom [n 1 ,n 2 ]; L (0,∞)<br />
je prostor vseh kav<strong>za</strong>lnih <strong>signalov</strong> (o njih bo več govora pri opisu sistemov).<br />
Kadar <strong>in</strong>terval ni <strong>za</strong>pisan, se razumeva, da prostor tvori množica vseh <strong>za</strong>poredij<br />
nad obsegom celih števil ali <strong>signalov</strong> nad obsegom vseh realnih števil.<br />
Na primer, l ≡ l(Z) <strong>in</strong> L ≡ L (R) .<br />
3.1.2 Norme <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong><br />
Normo <strong>za</strong>poredja ali signala x označimo z ‖·‖. Ker poznamo mnogo norm,<br />
bomo takrat, ko želimo poudariti, <strong>za</strong> katero normo gre, to označili z ustreznim<br />
<strong>in</strong>deksom, na primer ‖·‖ p . In kaj so norme? Matematično normo def<strong>in</strong>iramo<br />
kot preslikavo ‖·‖ : X ×X → R 1 +, ki da nenegativno realno število. Prostore, v<br />
katerih ta preslikava obstaja, imenujemo normirani prostori. Norma obstaja,<br />
če so izpolnjeni aksiomi normiranega prostora:<br />
‖x‖ 0 ‖x‖ = 0 če <strong>in</strong> samo če je x = 0 (3.3a)<br />
‖αx‖ =|α|·‖x‖ (homogenost) (3.3b)<br />
‖x + y‖ ‖x‖ + ‖y‖ (trikotniška lastnost) (3.3c)<br />
Aksiomi povedo naslednje: (i) rezultat izračuna norme je nenegativno število,<br />
ki količ<strong>in</strong>sko določa lastnost, ki jo z normo merimo; (ii) norma je homogena<br />
(enakomerna) mera, kar pomeni, da s transformacijo signala, ki <strong>za</strong>jema skaliranje<br />
amplitudnega ali signalnega območja, spremenimo tudi normo signala,<br />
s premikom signala po signalni osi ali <strong>za</strong>suk njegovega signalnega območja,<br />
pa velikosti norme ne spremeni; (iii) da se seštevanje dveh <strong>signalov</strong> pokorava<br />
pravilu seštevanj vektorjev.<br />
Norme def<strong>in</strong>iramo ločeno <strong>za</strong> <strong>za</strong>poredja <strong>in</strong> signale. Zaporedja tvorijo prostore<br />
l, signali pa prostore L :<br />
DEFINICIJA 3.1.1 (Norme v prostoru l)<br />
Norme ‖x‖ p <strong>za</strong> element iz prostora časovnih <strong>za</strong>poredij<br />
l, def<strong>in</strong>iranih nad <strong>in</strong>tervalom N elementov, so def<strong>in</strong>irane<br />
z:<br />
⎧( ⎪⎨ ∑N |x[n]| p) 1/p<br />
<strong>za</strong> 1 p < ∞<br />
‖x‖ p =<br />
⎪⎩ sup |x[n]| <strong>za</strong> p = ∞<br />
1nN<br />
<br />
DEFINICIJA 3.1.2 (Norme v prostoru L )<br />
Norme ‖x‖ p <strong>za</strong> element iz prostora časovno zveznih<br />
funkcij L , def<strong>in</strong>iranih nad <strong>in</strong>tervalom T , so def<strong>in</strong>irane<br />
z:<br />
⎧( ∫ 1/p<br />
⎪⎨ |x(t)| dt) p <strong>za</strong> 1 p < ∞<br />
T<br />
‖x‖ p =<br />
⎪⎩<br />
sup<br />
t∈R<br />
|x(t)| <strong>za</strong> p = ∞<br />
<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3.1 Signalni prostor 69<br />
V def<strong>in</strong>icijah 3.1.1 <strong>in</strong> 3.1.2 smo s “sup” označili supremum, to je najmanjšo<br />
zgornjo mejo signala. Zgornja meja signala je enaka najmanjšemu realnemu<br />
številu α, <strong>za</strong> katerega velja:<br />
|x[n]| α n ∈ Z oziroma |x(t)| α t ∈ R ,<br />
če tak α obstaja. Če α → ∞, potem funkcija nima zgornje meje, oziroma<br />
<strong>za</strong>njo norma ‖·‖ ∞ ne obstaja. Torej norma ‖·‖ ∞ v <strong>za</strong>poredju x[n] “prepozna”<br />
element z največjo končno vrednostjo, v funkciji x(t) pa končno vršno vrednost.<br />
Z oznako ∑ N smo označili seštevanje od prvega do <strong>za</strong>dnjega podatka<br />
v <strong>in</strong>tervalu N <strong>za</strong>porednih podatkov:<br />
n 2<br />
∑<br />
∑ N<br />
= , N = (n 1 ,n 2 ), n 2 = n 1 + N ,<br />
n=n 1<br />
oziroma z oznako ∫ T<br />
<strong>in</strong>tegracijo nad (časovnim) <strong>in</strong>tervalom T :<br />
∫<br />
T<br />
∫ t2<br />
= , T = (t 1 ,t 2 ), t 2 = t 1 + T .<br />
t 1<br />
Pove<strong>za</strong>vo med def<strong>in</strong>icijama norm v prostoru l <strong>in</strong> L uvidimo, če si časovno<br />
zvezne funkcije z def<strong>in</strong>icijsko domeno na <strong>in</strong>tervalu (a,b) ∈ R predstavljamo<br />
kot neskončno dimenzionalne vektorje. Pri predpostavki, da vsaka<br />
točka def<strong>in</strong>icijskega območja funkcije določa eno dimenzijo vektorja, vrednost<br />
funkcije v tej točki pa komponento vektorja, je funkcija “neskončno<br />
dimenzionalni vektor”. Ker so si točke <strong>in</strong>f<strong>in</strong>itezimalno blizu, je v normah v<br />
prostorih L operacija seštevanja v prostoru l <strong>za</strong>menjana z <strong>in</strong>tegriranjem.<br />
Normo ‖·‖ 2 v imenujemo tudi Evklidska norma. Določa dolž<strong>in</strong>o vektorja,<br />
ki predstavlja signal. V prostorih C 1 , R 2 <strong>in</strong> R 3 je Evklidska norma grafično<br />
predstavljiva.<br />
Evklidska norma<br />
O Grškem matematiku Evklidu (cca 365 do cca 325 let p.n.š.) je le<br />
malo znanega. Njegovo glavno delo Elementi ima logično zgradbo,<br />
ki je bila vzor <strong>za</strong> resno matematično obravnavo problemov vse do<br />
19. stoletja.<br />
V splošnem <strong>za</strong>poredja <strong>in</strong> signali nimajo vseh norm. Zato l<strong>in</strong>earna prostora<br />
l <strong>in</strong> L delimo na podprostore, katerih <strong>za</strong>poredja ali signali imajo določene<br />
norme. Te podprostore v splošnem ocenjujemo z l p <strong>in</strong> L p . V obdelavi <strong>signalov</strong><br />
(<strong>in</strong> tehniki nasploh) so pomembni naslednji podprostori:<br />
datoteka: signal_A
70 3. Parametri <strong>signalov</strong><br />
l ∞ , L ∞ :<br />
l 2 , L 2 :<br />
Ta podprostora tvorijo vsa <strong>za</strong>poredja oziroma signali, <strong>za</strong> katere<br />
velja ‖x‖ ∞ < ∞. Ta <strong>za</strong>poredja <strong>in</strong> signali imajo končno veliko<br />
največjo (vršno) vrednost.<br />
Ta podprostora tvorijo vsa <strong>za</strong>poredja oziroma signali, <strong>za</strong> katere<br />
obstaja Evklidska norma. Torej velja ‖x‖ 2 < ∞.<br />
Ker sta si obrazca <strong>za</strong> izračun energije <strong>za</strong>poredja ali signala<br />
identična z obrazcem <strong>za</strong> Evklidsko normo, <strong>za</strong>poredja <strong>in</strong> signale<br />
iz teh podprostorov imenujemo tudi energijska <strong>za</strong>poredja oziroma<br />
energijski signali. Iz def<strong>in</strong>icij 3.1.1 <strong>in</strong> 3.1.2 je očitno, da<br />
morajo energijska <strong>za</strong>poredja <strong>in</strong> signali imeti v vsakem trenutku<br />
končne vrednosti, torej pri njih obstaja tudi norma ‖·‖ ∞ . Obratno<br />
pa vedno ne velja. Za mnogo <strong>za</strong>poredij iz l ∞ <strong>in</strong> <strong>signalov</strong> iz L ∞<br />
norma ‖·‖ 2 ne obstaja, <strong>za</strong>to velja:<br />
l 2 ⊂ l ∞ <strong>in</strong> L 2 ⊂ L ∞ .<br />
l 1 , L 1 :<br />
Ta podprostor tvorijo tako imenovana konvergenčna <strong>za</strong>poredja<br />
oziroma absolutno <strong>in</strong>tegrabilni signali.<br />
V ti pomembni druž<strong>in</strong>i <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong> spadajo tudi vsa<br />
energijska <strong>za</strong>poredja <strong>in</strong> energijski signali. Obratno pa ne velja,<br />
<strong>za</strong>to<br />
l 2 ⊂ l 1 <strong>in</strong> L 2 ⊂ L 1 .<br />
ZGLED 3.1.1 (norme elementa v prostoru l)<br />
Norme ‖·‖ 1 , ‖·‖ 2 <strong>in</strong> ‖·‖ ∞ <strong>za</strong> element x = (1, j), x ∈ C 1 so:<br />
‖x‖ 1 = ( |1| 1 + | j| 1) 1/1<br />
= 1 + 1 = 2<br />
‖x‖ 2 = ( |1| 2 + | j| 2) 1/2<br />
=<br />
√ 1 + 1 =<br />
√<br />
2<br />
Normo ‖(1, j)‖ 2 si lahko v prostoru C 1 enostavno predstavimo: določa dolž<strong>in</strong>o kompleksnega<br />
ka<strong>za</strong>lca x = (1, j) s koord<strong>in</strong>atami (1, j) (slika 3.3). Maksimalno vrednost,<br />
Slika 3.3<br />
Evklidska norma v prostoru<br />
C 1<br />
ki jo določi ‖·‖ ∞ , pa je <strong>za</strong> ta element enaka:<br />
os<br />
j<br />
1/2<br />
x<br />
2<br />
= 2<br />
| {<br />
x}| = 1<br />
| {<br />
x}| = 1<br />
2<br />
os<br />
‖x‖ ∞ = max(|1|,| j|) = max(1,1) = 1<br />
k<br />
♦<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3.1 Signalni prostor 71<br />
ZGLED 3.1.2 (norma <strong>za</strong>poredja v prostoru l ∞ [1,3])<br />
Prostor l ∞ [1,3] vsebuje množico <strong>za</strong>poredij treh podatkov, <strong>za</strong> katere obstaja norma<br />
‖·‖ ∞ . Na primer, <strong>za</strong> <strong>za</strong>poredje x[1] = (1, j), x[2] = (1, j2), x[3] = (3, j) je norma ‖·‖ ∞<br />
enaka:<br />
(<br />
‖x‖ ∞ = sup<br />
k<br />
|1|,| j| ,|1|,| j2| ,|3|,| j|<br />
} {{ } } {{ } } {{ }<br />
x[1] x[2] x[3]<br />
)<br />
,<br />
= max(1,1,1,2,3,1) = 3 .<br />
♦<br />
3.1.3 Metrični prostori<br />
Funkcijo, ki priredi realno število dvem elementom nepraznega normiranega<br />
prostora X, imenujemo metrika, če izpolnjuje naslednje aksiome:<br />
d(x,y) 0 d(x,y) = 0 če <strong>in</strong> samo če je x = y (3.4a)<br />
d(x,y) = d(y,x)<br />
(3.4b)<br />
d(x,z) d(x,y) + d(y,z) (trikotniška lastnost) (3.4c)<br />
Metriko d(x,y) si lahko predstavljamo kot razdaljo med x <strong>in</strong> y. Določa jo<br />
norma vektorja razlike<br />
d(x, y) = ‖x − y‖ , (3.5)<br />
<strong>za</strong>to so normirani prostoti tudi metrični prostori. To lahko dokažemo z aksiomi<br />
v (3.4).<br />
DOKAZ 3.1 (norma razdalje je metrika)<br />
Za d(x, y) = ‖x − y‖ veljavnost (3.4a) sledi iz (3.3b). Z α = −1 v (3.3c) dobimo<br />
‖x − y‖ = ‖y − x‖, torej izpolnimo (3.4b). Za dva vektorja x = a − b <strong>in</strong> y = b − c v<br />
skladu z (3.3b) velja<br />
a − c = x + y ‖x‖ + ‖y‖ = ‖a − b‖ + ‖b − c‖ .<br />
Torej velja d(a, c) d(a, b) + d(b, c), kar pomeni, da je velja tudi (3.4c).<br />
□<br />
Primer metrike je Evklidska metrika, ki jo izračunamo z Evklidsko normo:<br />
[ <strong>za</strong>poredja<br />
∣ ∣<br />
d(x, y) = ∑N ∣x[n] − y[n] 2 ]1 /2<br />
[ analogni signali<br />
∫ ]1 ∣ / 2<br />
. (3.6) d(x, y) = ∣ x(t) − y(t) 2 dt<br />
T<br />
. (3.7)<br />
Kasneje bomo poka<strong>za</strong>li, da z Evklidsko metriko lahko določimo velikost<br />
energije, <strong>za</strong> katero se dve <strong>za</strong>poredji ali signala razlikujeta. To se pogosto<br />
izkorišča pri detekciji <strong>za</strong>poredij ali <strong>signalov</strong>, ko je znana le energija, ne pa<br />
potek <strong>za</strong>poredja ali signala.<br />
datoteka: signal_A
72 3. Parametri <strong>signalov</strong><br />
ZGLED 3.1.3<br />
Kolika je napetost u RS , če imata u R <strong>in</strong> u s amplitudo enako 230 V (slika 3.4)?<br />
( 3/2 . 230,0)<br />
U S<br />
U T<br />
(0,230)<br />
Slika 3.4<br />
Razlika faznih napetosti u R<br />
<strong>in</strong> u S iz trifaznega sistema.<br />
(0,-115)<br />
U RS<br />
U R<br />
REŠITEV: Amplitudo u RS izračunamo z Evklidsko metriko. Najprej določimo koord<strong>in</strong>ate<br />
konic vektorjev, s katerima predstavimo napetosti u R <strong>in</strong> u s . Če eno koord<strong>in</strong>atno<br />
os položimo tako, da na njej leži u R , ima ta vektor koord<strong>in</strong>ate {0,230}, vektor u s pa<br />
{ √ 3 / 2 230,− 1 / 2 230} Sledi:<br />
d(u R , u S ) = u RS = ‖u R − u S ‖ 2<br />
√<br />
= (0 − √ 3 / 2 230) 2 + (230 + 1 / 2 230) 2<br />
= √ 3·115 2 + 230 2 (1 + 1 / 2 ) 2 = √ (3 + 4 9 / 4 )115 2 = √ 12 ·115<br />
= √ 3 ·230 ≈ 400 [V ] . ♦<br />
3.1.4 Metrike v nel<strong>in</strong>earnih prostorih<br />
Obstajajo tudi metrike, ki niso pove<strong>za</strong>ne z normami. Primer take metrike je<br />
Hamm<strong>in</strong>gova razdalja:<br />
d(x, y) =<br />
n<br />
∑<br />
k=1<br />
[<br />
(xk + y k ) mod 2 ] , (3.8)<br />
ki določi število pozicij, kjer se b<strong>in</strong>arni besedi x = {x 1 ,x 2 ,...,x n } <strong>in</strong> y =<br />
{y 1 ,y 2 ,...,y n } razlikujeta.<br />
Seveda prostor kodnih besed ni l<strong>in</strong>earni prostor <strong>in</strong> <strong>za</strong>to v njem ni norm.<br />
Ta prostor <strong>in</strong> mnogi drugi prostori imajo pomembno vlogo tudi pri obdelavi<br />
<strong>signalov</strong>.<br />
3.1.5 Banachov prostor<br />
Podprostori l p <strong>in</strong> L p so tako imenovani Banachovi prostori, če sta l p <strong>in</strong><br />
L p kompletna glede na metriko d(x,y) = ‖x − y‖. Prostor je kompleten,<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3.1 Signalni prostor 73<br />
če katerokoli Cauchyjevo <strong>za</strong>poredje elementov iz tega prostora konvergira k<br />
elementu znotraj tega prostora:<br />
‖x n − x m ‖ → 0 , n,m → ∞ , (3.9)<br />
kjer je x n limita <strong>za</strong>poredja <strong>in</strong> leži znotraj prostora.<br />
Stefan Banach (1892 – 1945) je avtor sodobne funkcionalne analize.<br />
Njegovi glavni prispevki so k teoriji topoloških vektorskih prostorov.<br />
Poleg tega je prispeval k razvoju teoriji mer, <strong>in</strong>tegraciji <strong>in</strong><br />
ortogonalnim <strong>za</strong>poredjem.<br />
3.1.6 Prostori s skalarnim produktom<br />
Signalna prostora, ki ju najpogosteje uporabljamo, sta prostora l 2 <strong>in</strong> L 2 . Ta<br />
prostora imata Evklidsko metriko, to pa lahko izračunamo s skalarnim produktom.<br />
Zato te prostore imenujemo tudi prostori s skalarnim produktom. V<br />
angleški literaturi <strong>za</strong>nje srečamo tudi term<strong>in</strong> prostori z notranjim produktom.<br />
Skalarni produkt smo elementarno opisali že v razdelku 2.10.4 na strani 56.<br />
Ta opis tu le dopolnjujemo.<br />
Skalarni produkt v prostoru l <strong>in</strong> L<br />
Skalarni produkt ni omejen le na geometrijsko predstavljive vektorje, ampak<br />
velja na splošno. Če si <strong>za</strong>poredje podatkov predstavimo kot (neskončno)<br />
<strong>za</strong>poredje komponent vektorjev, oziroma si analogen signal predstavljamo<br />
kot neskončno dimenzionalen vektor, lahko def<strong>in</strong>icijo skalarnega produkta<br />
razširimo na <strong>za</strong>poredja <strong>in</strong> funkcije iz prostorov l <strong>in</strong> L . To posplošitev v<br />
angleški literaturi mnogokrat imenujejo notranji produkt. Velja:<br />
DEFINICIJA 3.1.3 (skalarni produkt v l)<br />
Skalarni produkt <strong>za</strong>poredij x[n] <strong>in</strong> y[n] je def<strong>in</strong>iran z:<br />
〈x,y〉 = ∑ N<br />
x[n]y ∗ [n] .<br />
Skalarni produkt obstaja, če <strong>za</strong> ti <strong>za</strong>poredji obstaja<br />
norma ‖·‖ 2 .<br />
<br />
DEFINICIJA 3.1.4 (skalarni produkt v L )<br />
Skalarni produkt <strong>signalov</strong> x(t) <strong>in</strong> y(t) je def<strong>in</strong>iran z:<br />
∫<br />
〈x,y〉 = x(t)y ∗ (t) dt .<br />
T<br />
Skalarni produkt obstaja, če <strong>za</strong> ta signala obstaja<br />
norma ‖·‖ 2 .<br />
<br />
datoteka: signal_A
74 3. Parametri <strong>signalov</strong><br />
Iz primerjave def<strong>in</strong>icije skalarnega produkta <strong>za</strong>poredja ali signala s samim<br />
seboj <strong>in</strong> def<strong>in</strong>icije Evklidske norme, na primer pri <strong>za</strong>poredjih:<br />
〈x,y〉 = ∑ N<br />
x[n]y ∗ [n] = ∑ N<br />
|x[n]| 2 ↔<br />
(<br />
‖x‖ 2 = ∑N |x[n]| 2)1 /2<br />
, (3.10)<br />
uvidimo pove<strong>za</strong>vo<br />
‖x‖ 2 = √ 〈x, x〉 . (3.11)<br />
Torej skalarni produkt obstaja v normiranih prostorih z Evklidsko normo,<br />
oziroma pravimo, da jo teh prostorih <strong>in</strong>ducira.<br />
Skalarni produkt mora izpolniti naslednje aksiome:<br />
(i) 〈x, y〉 = 〈y, x〉 ∗ (3.12a)<br />
(ii) 〈α x + β y, z〉 = α〈x, z〉 + β〈y, z〉 (3.12b)<br />
(iii) 〈x, x〉 0 , 〈x, x〉 = 0 če <strong>in</strong> samo če x = 0 , (3.12c)<br />
kjer so α,β ∈ C skalarji <strong>in</strong> 0 ničelni vektor.<br />
Posplošitev skalarnega produkta<br />
Splošna def<strong>in</strong>icija skalarnega produkta vsebuje tudi utežno funkcijo ali utežno<br />
matriko. Pri zveznih signalih x(t) <strong>in</strong> y(t) je v tem primeru skalarni produkt<br />
def<strong>in</strong>iran z:<br />
∫<br />
〈x, y〉 = g(t)x(t)y ∗ (t) dt , (3.13a)<br />
T<br />
kjer je g(t) realna utežna funkcija, <strong>za</strong> katero velja g(t) > 0, t ∈ T . Podobno<br />
velja <strong>za</strong> <strong>za</strong>poredja. Tu utežno funkcijo nadomesti utežna matrika. velja:<br />
〈x, y〉 = x H Gy , x, y ∈ C N . (3.13b)<br />
Matrika G mora biti realna, pozitivno def<strong>in</strong>itna matrika. To pomeni, da velja<br />
G H = G T = G <strong>in</strong> da so lastne vrednosti λ i večje od nič.<br />
Matrična oblika skalarnega produkta<br />
Skalarni produkt lahko <strong>za</strong>pišemo tudi v matrični obliki:<br />
〈x, y〉 = x H y , (3.14)<br />
kjer sta vektorja x <strong>in</strong> y vrstična vektorja. Z eksponentom H smo označili<br />
transpozicijo vektorja <strong>in</strong> konjugacijo vektorja x. Vektor x H imenujemo tudi<br />
Hermitski vektor, <strong>za</strong>nj velja x H = [x ∗ ] T .<br />
Matrični <strong>za</strong>pis 3.14 je izhodišče <strong>za</strong> funkcije, ki jih imajo def<strong>in</strong>irana orodja,<br />
ki jih uporabljamo pri obdelavi <strong>signalov</strong>. Na primer, pri Matlabu.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3.1 Signalni prostor 75<br />
Evklidski prostor<br />
Realni vektorski prostor, nad katerim je def<strong>in</strong>iran skalarni produkt, imenujemo<br />
Evklidski prostor.<br />
Hilbertov prostor<br />
Kompleksni vektorski prostor, nad katerim je def<strong>in</strong>iran skalarni produkt, je<br />
unitarni prostor. Poln, neskončno dimenzionalen unitarni prostor imenujemo<br />
Hilbertov prostor.<br />
Pomembne lastnosti Hilbertovega prostora so:<br />
Cauchy-Schwarzova ali Bunjakovski-Schwarzova neenakost<br />
enakost paralelograma:<br />
‖x + y‖ 2 + ‖x − y‖ 2 = 2(‖x‖ 2 + ‖y‖ 2 ) . (3.15)<br />
Ker je Hilbertov prostor podprostor Banachovega prostora, ima tudi vse lastnosti<br />
Banachovega prostora.<br />
David Hilbert (1862 – 1943) je deloval na področju geometrije. Po<br />
Evklidu je imel nanjo največji vpliv. Sistematski študij aksiomov Evklidske<br />
geometrije je Hilberta pripeljal k predlogu 21 takih aksiomov<br />
<strong>in</strong> analizi njihovega pomena. Prispeval je na mnogih področjih matematike<br />
<strong>in</strong> fizike.<br />
3.1.7 Cauchy-Schwarzova neenakost<br />
Med pomembnimi lastnostmi Hilbertovega prostora je Cauchy-Schwarzova<br />
neenakost. Z njeno pomočjo lahko načrtujemo sisteme, ki maksimirajo razmerje<br />
signal/šum. Glasi se:<br />
DEFINICIJA 3.1.5 (Cauchy-Schwarzova neenakost)<br />
Za vsak par elementov x <strong>in</strong> y prostora s skalarnim produktom velja relacija:<br />
|〈x,y〉| 2 〈x,x〉〈y,y〉 . (3.16)<br />
V (3.16) velja znak enakosti le, če sta x <strong>in</strong> y l<strong>in</strong>earno odvisna signala, to je, če je en od<br />
<strong>signalov</strong> mnogokratnik drugega.<br />
<br />
datoteka: signal_A
76 3. Parametri <strong>signalov</strong><br />
DOKAZ 3.2<br />
Veljavnost enačaja pri l<strong>in</strong>earno odvisnih signalih enostavno dokažemo s substitucijo<br />
x = αy ali y = αx, α ∈ C v (3.16). Na primer, pri x = αy dobimo:<br />
|〈x,y〉| = |〈αy,y〉| = |α|〈y,y〉<br />
= |α| ‖y‖ 2 2 = ‖αy‖ 2 ‖y‖ 2 = ‖x‖ 2 ‖y‖ 2 .<br />
Veljavnost neenakosti pri l<strong>in</strong>earno neodvisnih signalih dokažemo s signalom z = x +<br />
αy. Z upoštevanjem aksiomov (3.12) izpeljimo:<br />
0 〈z,z〉 = 〈x + αy,x + αy〉 = 〈x,x + α〉 + 〈αy,x + αy〉<br />
= 〈x,x〉 + α ∗ 〈x,y〉 + α〈x,y〉 + αα ∗ 〈y,y〉 .<br />
Zgornja izpeljava velja tudi v posebnem primeru, ko <strong>za</strong> skalar α upoštevamo:<br />
α = − 〈x,y〉<br />
〈y,y〉<br />
, y ≠ 0 .<br />
Sledi:<br />
0 〈x,x〉 − 〈x,y〉∗ 〈x,y〉<br />
〈y,y〉<br />
Drugi <strong>in</strong> četrti člen se izničita, tako ostane:<br />
− 〈x,y〉〈y,x〉<br />
〈y,y〉<br />
+ 〈x,y〉〈x,y〉∗ 〈y,y〉<br />
〈y,y〉〈y,y〉<br />
.<br />
0 〈x,x〉 − 〈x,y〉〈y,x〉<br />
〈y,y〉<br />
= 〈x,x〉 − |〈x,y〉|2<br />
〈y,y〉<br />
, (3.17)<br />
od koder dobimo:<br />
|〈x,y〉| 2 〈x,x〉〈y,y〉 . (3.18)<br />
Primerjava (3.18) s (3.11) <strong>in</strong> (3.16) potrdi veljavnost Cauchy-Schwarzove neenakosti.□<br />
August<strong>in</strong> Louis Cauchy (1789 – 1857) je bil po izobrazbi gradbeni<br />
<strong>in</strong>ženir. Deloval ja na področju realne <strong>in</strong> kompleksne analize, teorije<br />
permutacijskih grup. Raziskoval je konvergenco <strong>in</strong> divergenco neskončnih<br />
vrst, diferencialne enačbe, determ<strong>in</strong>ate, verjetnost <strong>in</strong> matematično<br />
fiziko.<br />
Viktor Jakovlevič Bunjakovski (1804 – 1889) je deloval na področju<br />
teorije števil, geometrije, mehanike <strong>in</strong> hidrostatike. Cauchy–<br />
Schwartz neenakost je odkril 25 let pred Cauchyjem ali Schwarzom.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3.1 Signalni prostor 77<br />
Amandus Schwarz (1843 – 1921) je bil nemški matematik. Deloval<br />
je na komformnih preslikavah polyhedral površ<strong>in</strong> na sferične površ<strong>in</strong>e<br />
<strong>in</strong> na problemih variacijskega računa.<br />
3.1.8 Fizikalni pomen norm v l <strong>in</strong> L<br />
Nekatere norme imajo tudi fizikalni pomen. Na primer, z normo ‖·‖ ∞ izračunamo<br />
maksimalno ali tudi vršno vrednost signala (slika 3.5a). Zanjo vemo,<br />
da je pri harmoničnih valovanjih enaka amplitudi valovanja. Z normo ‖·‖ 1<br />
določimo površ<strong>in</strong>o, ki jo oklepa absolutna vrednost signala (slika 3.5b). Z njo<br />
ocenjujemo zmožnost, oziroma jakost signala. Poka<strong>za</strong>li bomo, da primerjava<br />
norme ‖·‖ 2 pokaže, da se ujemata ‖·‖ 2 2 <strong>in</strong> energija signala (slika 3.5c).<br />
1<br />
x<br />
0<br />
orig<strong>in</strong>alni signal<br />
t<br />
norma x <br />
norma x 1<br />
kvadrat norme x 2<br />
1<br />
|x|<br />
0<br />
maksimalna<br />
vrednost<br />
(a) ‖·‖ ∞ : vršna vrednost signala<br />
t<br />
1<br />
|x|<br />
0<br />
površ<strong>in</strong>a =<br />
jakost signala<br />
(b) ‖·‖ 1 : jakost signala<br />
t<br />
površ<strong>in</strong>a =<br />
1<br />
|x| 2 energija signala<br />
0<br />
(c) ‖·‖ 2 2 : energija signala<br />
t<br />
Slika 3.5<br />
Grafična predstavitev norm<br />
Enako velja seveda tudi pri <strong>za</strong>poredjih. Pri tem si pri normah ‖·‖ 1 <strong>in</strong> ‖·‖ 2<br />
predstavljamo, da normi določata površ<strong>in</strong>o, ki bi jo določal signal stopničastega<br />
poteka, kjer plošč<strong>in</strong>a posamezne stopnice enaka vrednosti pripadajočega<br />
podatka.<br />
Norma ‖·‖ 1 ima velik pomen pri analizi <strong>signalov</strong>, saj z njo ocenimo, ali je<br />
določeno <strong>za</strong>poredje absolutno konvergenčno (<strong>in</strong> je <strong>za</strong>to možna njegova anali<strong>za</strong>)<br />
oziroma, ali je določeni signal absolutno <strong>in</strong>tegrabilen <strong>in</strong> ga <strong>za</strong>to lahko<br />
na primer razvijemo v Fourierovo vrsto, izračunamo srednjo vrednost signala<br />
ali <strong>za</strong>poredja <strong>in</strong> podobno.<br />
datoteka: signal_A
78 3. Parametri <strong>signalov</strong><br />
3.2 Moč <strong>in</strong> energija signala<br />
Poleg vršne vrednosti, jakosti signala <strong>in</strong> energije, so mnogokrat <strong>za</strong> opis značilnosti<br />
signala potrebne tudi druge količ<strong>in</strong>e. Na primer, obstaja pomembna<br />
druž<strong>in</strong>a <strong>signalov</strong> z neskončno energijo <strong>in</strong> končno povprečno močjo. Moč<br />
pa je, kot se spomnimo iz fizike, enaka energiji v časovni enoti. Značilni<br />
parametri signala so še gostota energije, povprečna moč, efektivna vrednost<br />
<strong>in</strong> srednja vrednost signala.<br />
Trenutna moč signala<br />
Opazujmo kompleksni signal x(t) = a(t) + jb(t), kjer sta a(t) <strong>in</strong> b(t) realni<br />
funkciji, ki opisujeta obliko signala. Njegova trenutna moč je def<strong>in</strong>irana z:<br />
p x (t) = [a(t)] 2 + [b(t)] 2 = |x(t)| 2 . (3.19)<br />
Analogija def<strong>in</strong>iciji v (3.19) je izračun električne moči na bremenu 1 Ω, ko<br />
skozi breme teče tok enak x(t) (slika 3.6). S faktori<strong>za</strong>cijo (3.19):<br />
[a(t)] 2 + [b(t)] 2 = [a(t) + jb(t)][a(t) − jb(t)]<br />
lahko trenutno moč izrazimo s konjugirano kompleksnim parom:<br />
p x (t) = x(t)x ∗ (t) = |x(t)| 2 . (3.20)<br />
Podobno lahko izračunamo trenutno moč kompleksnega podatka:<br />
p x [n] = x[n]x ∗ x[n] = |x[n]| 2 . (3.21)<br />
Če sta podatek ali signal realna, je njuna trenutna moč enaka<br />
p x = x 2 . (3.22)<br />
Trenutna medsebojna moč dveh <strong>signalov</strong><br />
Imejmo dva kompleksna signala ali <strong>za</strong>poredji x <strong>in</strong> y. Njihovo trenutno medsebojno<br />
moč p xy oziroma p yx izračunamo z:<br />
<strong>za</strong>poredja<br />
analogni signali<br />
p xy [n] = x[n]y ∗ [n]<br />
(3.23a)<br />
p yx [n] = x ∗ [n]y[n] n ∈ Z . (3.23b)<br />
p xy (t) = x(t)y ∗ (t)<br />
(3.24a)<br />
p yx (t) = x ∗ (t)y(t) , t ∈ R . (3.24b)<br />
Tako <strong>za</strong> zvezne <strong>in</strong> kot <strong>za</strong> časovno diskretne signale velja zve<strong>za</strong>: p xy = p ∗ yx.<br />
Če sta oba signala realna, seveda velja p xy = p yx = xy.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3.2 Moč <strong>in</strong> energija signala 79<br />
p(t) = p a (t) + p b (t)<br />
i( t ) = x( t)<br />
R = 1 <br />
p( t)<br />
x( t)<br />
a( t)<br />
p t<br />
a ( )<br />
jb( t) pb ( t )<br />
Slika 3.6<br />
p b (t) = |b(t)| 2<br />
p a (t) = |a(t)| 2<br />
Grafični prikaz trenutne<br />
moči kompleksnega<br />
signala.<br />
3.2.1 Energija <strong>in</strong> gostota energije<br />
Energija E x kompleksnega signala x(t) je def<strong>in</strong>irana z<br />
∫ ∞<br />
E x = x(t)x ∗ (t) dt . (3.25)<br />
−∞<br />
Integrand v (3.25) določa trenutno moč, <strong>za</strong>to lahko (3.25) <strong>za</strong>pišemo tudi v<br />
obliki:<br />
∫ ∞<br />
E x = p x (t) dt (3.26)<br />
−∞<br />
Iz (3.26) sledi, da je trenutna moč enaka energiji na <strong>in</strong>f<strong>in</strong>itezimalnem časovnem<br />
<strong>in</strong>tervalu v trenutku t, kar z drugimi besedami pomeni, da predstavlja<br />
časovno gostoto energije. Podobno velja tudi <strong>za</strong> časovno diskretne signale<br />
oziroma <strong>za</strong> <strong>za</strong>poredja, le da tam trenutna moč predstavlja diferenco energije<br />
med <strong>za</strong>porednima diskretnima trenutkoma. S tega gledišča je E x celotna ali<br />
totalna energija signala.<br />
Desna stran (3.25) je enaka skalarnemu produktu 〈x(t),x(t)〉 <strong>in</strong> <strong>za</strong>to tudi<br />
kvadratu Evklidske norme:<br />
E x = 〈x(t),x(t)〉 = ( ‖x(t)‖ 2<br />
) 2<br />
. (3.27)<br />
Predpostavimo, da imamo signal s konstantno gostoto energije. V tem primeru<br />
iz (3.26) sledi, da je njegova celotna energija enaka p x ·T , kjer smo s T<br />
označili <strong>in</strong>terval, nad katerim je signal def<strong>in</strong>iram. Takoj uvidimo, da je v primeru<br />
neprehodnega signala energija neskončna, oziroma, da glede na (3.27)<br />
<strong>za</strong>nj ne obstaja Evklidska norma ter <strong>za</strong>to prostor L 2 ne vsebuje tega signala.<br />
Do enakega sklepa pridemo tudi <strong>za</strong> <strong>za</strong>poredja z enakimi lastnostmi. Podobno<br />
lahko ugotovimo <strong>za</strong> vsa <strong>za</strong>poredja <strong>in</strong> signale, kjer se gostota signala periodično<br />
sprem<strong>in</strong>ja – to pa se pri vseh periodičnih <strong>za</strong>poredjih ali signalih. Vsi ti<br />
so brez norme ‖·‖ 2 . Z drugimi besedami, <strong>za</strong>poredja ali signali v prostorih l 2<br />
<strong>in</strong> L 2 imajo končno energijo, <strong>za</strong>to jih imenujemo tudi energijski signali.<br />
datoteka: signal_A
80 3. Parametri <strong>signalov</strong><br />
3.2.2 Močnostni signali<br />
Moč je po svoji def<strong>in</strong>iciji enaka energiji v časovni enoti. Pri <strong>za</strong>poredjih <strong>in</strong><br />
signalih jo ločeno def<strong>in</strong>iramo <strong>za</strong> prehodna <strong>in</strong> <strong>za</strong> neprehodna <strong>za</strong>poredja <strong>in</strong> signale.<br />
Pri prehodnih <strong>za</strong>poredjih <strong>in</strong> signalih lahko izračunamo povprečno moč<br />
na končnem <strong>in</strong>tervalu:<br />
DEFINICIJA 3.2.1 (moč prehodnega <strong>za</strong>poredja)<br />
Moč P x (N) <strong>za</strong>poredja N, 0 < N < ∞, podatkov je enaka<br />
povprečni energiji v tem <strong>in</strong>tervalu:<br />
P x (N) = 1 N ∑ ∣<br />
∣<br />
N x[n] 2 1 =<br />
N ∑ N x[n]x∗ [n]<br />
oziroma izraženo s skalarnim produktom ali Evklidsko<br />
normo:<br />
= 1 T 〈x[n],x[n]〉 = 1 T<br />
(<br />
‖x[n]‖ 2<br />
) 2<br />
<br />
DEFINICIJA 3.2.2 (moč prehodnega signala)<br />
Moč P x (T ) signala nad <strong>in</strong>tervalom T , 0 < T < ∞, je<br />
enaka povprečni energiji v tem <strong>in</strong>tervalu:<br />
P x = 1 T<br />
∫<br />
T<br />
∣ x(t)<br />
∣ ∣<br />
2 dt =<br />
1<br />
T<br />
∫<br />
T<br />
x(t)x ∗ (t) dt<br />
oziroma izraženo s skalarnim produktom ali Evklidsko<br />
normo:<br />
= 1 T 〈x(t),x(t)〉 = 1 T<br />
(<br />
‖x(t)‖ 2<br />
) 2<br />
<br />
Pri neprehodnih <strong>za</strong>poredjih ali signalih je <strong>in</strong>terval neskončno velik, <strong>za</strong>to moč<br />
signala def<strong>in</strong>iramo z:<br />
DEFINICIJA 3.2.3 (močnostno <strong>za</strong>poredje)<br />
Neprehodno <strong>za</strong>poredje z neskončno energijo je močnostno<br />
<strong>za</strong>poredje, če velja 0 < P x < ∞ <strong>in</strong><br />
P x = lim<br />
N→∞<br />
= lim<br />
N→∞<br />
1<br />
N ∑ ∣<br />
∣<br />
N x[n] 2<br />
1<br />
N ∑ N x[n]x∗ [n] , n ∈ Z <br />
DEFINICIJA 3.2.4 (močnostni signal)<br />
Neprehodni signal z neskončno energijo je močnostni<br />
signal, če velja 0 < P x < ∞ <strong>in</strong><br />
P x = lim<br />
∫<br />
1<br />
T →∞ T<br />
= lim<br />
∫<br />
1<br />
T →∞ T<br />
T<br />
T<br />
∣<br />
∣x(t) ∣ ∣ 2 dt<br />
x(t)x ∗ (t) dt , t ∈ R <br />
Iz def<strong>in</strong>icij 3.2.3 <strong>in</strong> 3.2.4 sledi, da <strong>za</strong> neprehodne signale s končno energijo ne<br />
moremo def<strong>in</strong>irati (povprečne) moči – rezultat deljenja končno velike energije<br />
z neskončno velikim <strong>in</strong>tervalom je nič.<br />
Pri neprehodnih signalih lahko moč določimo le <strong>za</strong> signale, katerim energija<br />
narašča sorazmerno z naraščanjem <strong>in</strong>tervala. Ker imajo neskončno energijo<br />
<strong>in</strong> končno moč, jih imenujemo močnostna <strong>za</strong>poredja oziroma močnostni<br />
signali. Primer močnostnih <strong>signalov</strong> so periodični signali z omejeno amplitudo.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3.2 Moč <strong>in</strong> energija signala 81<br />
ZGLED 3.2.1 (močnostni signal)<br />
Preverimo, ali je signal x(t) = 1 močnostni signal.<br />
REŠITEV: Energijo x(t) izračunamo z (3.25):<br />
∫ ∞<br />
∫ ∞<br />
E x = |x(t)| 2 dt = 1 dt = 1·t−∞ ∞ = lim<br />
−∞<br />
−∞<br />
T →∞ T .<br />
Moč izračunamo z def<strong>in</strong>icijo 3.2.4:<br />
E x<br />
P x = lim = lim<br />
T →∞ T T →∞<br />
T<br />
T = 1 .<br />
Torej je signal x(t) = 1 močnostni signal.<br />
♦<br />
ZGLED 3.2.2 (energija <strong>in</strong> moč signala k)<br />
Izračunajmo energijo <strong>in</strong> moč elementarnega signala x(t) = k. Njegova def<strong>in</strong>icija je<br />
(??):<br />
{<br />
t t 0<br />
k =<br />
0 sicer<br />
Energija tega signala je enaka:<br />
∫ ∞ ∫ ∞<br />
E x = k 2 dt = t 2 T 3<br />
dt = lim<br />
−∞<br />
0<br />
T →∞ 3<br />
,<br />
<strong>za</strong> moč pa velja:<br />
E x<br />
P x = lim = lim<br />
T →∞ T T →∞<br />
T 3<br />
3T = lim<br />
T →∞<br />
T 2<br />
3 → ∞ .<br />
Torej signal x(t) = k ni ne energijski ne močnostni signal. To uvidimo tudi iz tega, da<br />
ta signal ni omejen, njegova norma ‖·‖ ∞ ne obstaja.<br />
♦<br />
3.2.3 Pretok energije <strong>in</strong> moči<br />
Povprečni pretok energije med dvema <strong>za</strong>poredjima izračunamo z:<br />
E xy = ∑ N<br />
x[n]y ∗ [n] = 〈x[n],y ∗ [n]〉<br />
(3.28a)<br />
oziroma<br />
E yx = ∑ N<br />
x ∗ [n]y[n] = 〈x ∗ [n],y[n]〉<br />
(3.28b)<br />
kjer velja E xy = Eyx ∗ . Pri realnih signalih se gornja obrazca poenostavita v<br />
E xy = ∑ N<br />
x[n]y[n] = ∑ N<br />
y[n]x[n] = E yx = 〈x[n],y[n]〉<br />
(3.28c)<br />
datoteka: signal_A
82 3. Parametri <strong>signalov</strong><br />
Izračun energije s skalarnim produktom kaže na to, da je pretok energije odvisem<br />
od medsebojne lege vektorjev, ki pona<strong>za</strong>rjajo x[n] <strong>in</strong> y[n]. Če sta vektorja<br />
koplanarna, je pretok energije maksimalen, če pa sta pravokotna drug na<br />
drugega – torej ortogonalna – med njima ni pretoka energije. To lastnost skalarnega<br />
produkta izkoriščamo pri testu medsebojne ortogonalnosti <strong>za</strong>poredij<br />
ali <strong>signalov</strong>.<br />
Pri signalih energijo izračunamo podobno kot pri <strong>za</strong>poredjih, le seštevanje<br />
nadomestimo z <strong>in</strong>tegriranjem:<br />
∫<br />
E xy = x(t)y ∗ (t) dt = 〈x(t),y ∗ (t)〉<br />
(3.29a)<br />
T<br />
oziroma<br />
∫<br />
E yx = x ∗ (t)y(t) dt = 〈x ∗ (t),y(t)〉<br />
T<br />
(3.29b)<br />
kjer velja E xy = E ∗ yx. Pri realnih signalih se gornja obrazca poenostavita v:<br />
∫<br />
E xy =<br />
∫<br />
=<br />
T<br />
T<br />
x(t)y(t) dt<br />
y(t)x(t) dt = E yx = 〈x(t),y(t)〉<br />
(3.29c)<br />
Medsebojno so lahko ortogonalna tudi neprehodna <strong>za</strong>poredja <strong>in</strong> signali, ki<br />
imajo neskončno energijo. Pri njih test ortogonalnosti naredimo z izračunom<br />
pretoka moči med močnostnima <strong>za</strong>poredjima oziroma močnostnima signaloma.<br />
Pri kompleksnih <strong>za</strong>poredjih <strong>in</strong> signalih velja:<br />
P xy = lim<br />
N→∞<br />
P yx = lim<br />
N→∞<br />
1<br />
N ∑ N x[n]y∗ [n]<br />
1<br />
N ∑ N x∗ [n]y[n]<br />
P xy = P ∗ yx<br />
(3.30a)<br />
(3.30b)<br />
(3.30c)<br />
kjer je P xy = P yx = 0, kadar sta x <strong>in</strong> y medsebojno ortogonalna: x⊥y.<br />
3.2.4 Efektivna vrednost signala<br />
Efektivno vrednost signala bomo označili z x rms . Pri oznaki smo si <strong>in</strong>deks<br />
izposodili pri angleški kratici <strong>za</strong> root mean square, ki ubeseduje def<strong>in</strong>icijo <strong>za</strong><br />
efektivno vrednost:<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3.3 Povprečna vrednost 83<br />
3.2.5 (efektivna vrednost <strong>za</strong>poredja)<br />
√<br />
1<br />
x rms = lim<br />
N→∞<br />
N ∑ N |x[n]| 2 (3.31)<br />
= √ P x , n ∈ Z . <br />
DEFINICIJA 3.2.6 (efektivna vrednost signala)<br />
√<br />
1 ∫<br />
x rms = lim<br />
T →∞<br />
T T |x(t)|2 dt (3.32)<br />
= √ P x , t ∈ R . <br />
Iz def<strong>in</strong>icije sledi, da je efektivna vrednost signala tista srednja vrednost, katere<br />
kvadrat da (povprečno) moč signala. Efektivna vrednost signala je enako<br />
kot moč vedno večja od nič.<br />
3.3 Povprečna vrednost<br />
Povprečna vrednost <strong>za</strong>poredja ali signala bomo označili z x[n] oziroma x(t).<br />
Na <strong>in</strong>tervalu N je def<strong>in</strong>irana z:<br />
x(t) = 1 ∫<br />
x(t) dt (3.33)<br />
T<br />
oziroma na <strong>in</strong>tervalu T<br />
T<br />
x[n] = 1 N ∑ x[n] . (3.34)<br />
N<br />
Če je def<strong>in</strong>icijsko območje neskončno veliko, pri izračunu povprečne vrednosti<br />
signala v zgornjih enačbah uporabimo limitni postopek, podobno kot pri<br />
izračunu povprečne moči.<br />
Matematično gledano, povprečna vrednost zveznega signala na nekem <strong>in</strong>tervalu<br />
je enaka povprečni vrednosti določenega <strong>in</strong>tegrala. Zanjo velja prvi<br />
izrek o povprečni vrednosti:<br />
IZREK 3.1 (Prvi izrek o povprečni vrednosti)<br />
Naj bo funkcija x(t) na <strong>in</strong>tervalu [a,b] zvezna, potem znotraj <strong>in</strong>tervala obstaja vsaj eno<br />
število ξ , <strong>za</strong> katerega velja:<br />
∫ b<br />
x(t) dt = (b − a)x(ξ ) . (3.35)<br />
a<br />
<br />
Geometrijska <strong>in</strong>terpretacija je naslednja: med točkama a <strong>in</strong> b (ki omejujeta<br />
def<strong>in</strong>icijski <strong>in</strong>terval) obstaja točka ξ , v kateri je vrednost funkcije x takšna,<br />
da je njen zmnožek z def<strong>in</strong>icijskim <strong>in</strong>tervalom enak plošč<strong>in</strong>i, ki jo določa<br />
x(t) nad tem <strong>in</strong>tervalom (slika 3.7). Z drugimi besedami, v tej točki signal<br />
<strong>za</strong>vzeme svojo srednjo vrednost.<br />
datoteka: signal_A
84 3. Parametri <strong>signalov</strong><br />
Slika 3.7<br />
Povprečna vrednost signala – enaka je viš<strong>in</strong>i<br />
pravokotnika z dolž<strong>in</strong>o (a,b) <strong>in</strong> plošč<strong>in</strong>o<br />
enako vrednosti (3.35).<br />
x( t)<br />
x( )<br />
z<br />
b<br />
x ( t ) dt <br />
a<br />
( b a) x( )<br />
a<br />
<br />
b<br />
t<br />
3.4 Pretok energije<br />
Pretok energije med dvema signaloma lahko izračunamo tudi z drugim izrekom<br />
o povprečni vrednosti [5]. Glasi se:<br />
IZREK 3.2 (Drugi izrek o povprečni vrednosti)<br />
Če je funkcija x(t) na <strong>in</strong>tervalu (a,b) omejena <strong>in</strong> monotona, funkcija y(t) pa je omejena,<br />
<strong>in</strong>tegrabilna <strong>in</strong> ima končno število menjav predznaka, potem velja:<br />
∫ b<br />
a<br />
∫ ξ<br />
∫ b<br />
y(t)x(t) dt = x(a + 0) y(t) dt + x(b − 0) y(t) dt ,<br />
a<br />
ξ<br />
kjer <strong>za</strong> ξ velja a ξ b, vrednosti x(a+0) ter x(b−0) pa določa desna limita funkcije<br />
x(t) v točki a, oziroma leva limita v točki b:<br />
x(a + 0) = lim x(a + ∆t) , x(b − 0) = lim x(b − ∆t) .<br />
∆t→0<br />
∆t>0<br />
∆t→0<br />
∆t>0<br />
<br />
Drugi izrek o povprečni vrednosti imenujejo tudi posplošeni izrek o povprečni<br />
vrednosti. Pomemben je pri dokazovanju veljavnosti Dirichletovega<br />
<strong>in</strong>tegrala [5], oziroma izračunu vrednosti <strong>in</strong>verzne Fourierove transformacije<br />
v točkah nezveznosti signala [5, 22]. Dokaz izreka najdemo tudi v [23].<br />
3.5 Informacijski parametri<br />
Norme <strong>in</strong> z njimi pove<strong>za</strong>ne lastnosti <strong>signalov</strong> kot so vršna vrednost, energija,<br />
moč, sumabilnost <strong>in</strong> <strong>in</strong>tegrabilnost <strong>in</strong> druge, ki jih bomo spoznali pri<br />
harmonski analizi <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong>, uporabljamo predvsem <strong>za</strong> razvrščanje<br />
<strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong>, oziroma <strong>za</strong> ocenjevanje njihovih lastnosti. To so<br />
seveda pomembni parametri, ki jih potrebujemo pri načrtovanju različnih sistemov<br />
<strong>za</strong> <strong>obdelavo</strong> <strong>in</strong> detekcijo <strong>signalov</strong>, pa tudi v drugih področjih znanosti<br />
<strong>in</strong> tehnike.<br />
Druga pomembna druž<strong>in</strong>a parametrov pa so parametri, ki določajo potek<br />
<strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong>. V potekih so vtisnjene “<strong>in</strong>formacije”, ki jih signali<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
3.5 Informacijski parametri 85<br />
Tabela 3.1<br />
Primeri <strong>in</strong>formacijskega parametra ar v signalu.<br />
tip časovno zvezni signali časovno diskretni signali<br />
x ( t )<br />
x ( t )<br />
a r<br />
a r<br />
x ( t )<br />
t<br />
x ( t )<br />
a r<br />
t<br />
a r<br />
ar: vrednost signala<br />
ar: fa<strong>za</strong> signala<br />
t<br />
a r<br />
zvezni ar<br />
x ( t )<br />
x ( t )<br />
ar: viš<strong>in</strong>a pravokotnih pulzov<br />
ar: šir<strong>in</strong>a pravokotnih pulzov<br />
t<br />
a r<br />
analogni signali<br />
ar: frekvenca signala<br />
ar: položaj pravokotnih pulzov<br />
t<br />
T T T<br />
t<br />
x ( t )<br />
x ( t )<br />
a r ar: M diskretnih nivojev<br />
kvantizirani ar<br />
M-terni<br />
x ( t )<br />
t<br />
a r ar: dva diskretna nivoja<br />
T T<br />
a r<br />
t<br />
ar: M diskretnih amplitud pulzov<br />
b<strong>in</strong>arni<br />
t<br />
x ( t )<br />
a r<br />
100101 100100011<br />
ar: b<strong>in</strong>arna kodna beseda<br />
T T T<br />
t<br />
datoteka: signal_A
86 3. Parametri <strong>signalov</strong><br />
nosijo, imenujemo te parametre <strong>in</strong>formacijski parametri <strong>in</strong> ga v splošnem<br />
označimo z a r . Izbira <strong>in</strong>formacijskega parametra je odvisna od vrste signala.<br />
Na primer, harmonični signal<br />
x(t) = Acos(ω i t + ϕ i ) (3.36)<br />
določajo parametri: amplituda A, krožna frekvenca ω i <strong>in</strong> <strong>za</strong>četni fazni kot ϕ i .<br />
Če so ti parametri konstante, potem signal ne prenaša nobene <strong>in</strong>formacije. Da<br />
ta signal prenaša <strong>in</strong>formacijo, mora biti vsaj eden izmed teh parametrov odvisen<br />
od <strong>in</strong>formacije, ki jo signal prenaša. Informacijski parametri v signalu<br />
(3.36) so lahko<br />
a r = A(t) , a r = ω i (t) , a r = ϕ i (t) , (3.37)<br />
ali katerakoli njihova komb<strong>in</strong>acija. Pri <strong>za</strong>poredjih <strong>in</strong> signalih, kjer ne moremo<br />
def<strong>in</strong>irati frekvence ponavljanja <strong>in</strong> faze, je <strong>in</strong>formacijski parameter lahko le<br />
trenutna vrednost <strong>za</strong>poredja oziroma signala. Pri diskretnih signalih so <strong>in</strong>formacijski<br />
parametri kvantizirane trenutne vrednosti, šir<strong>in</strong>e pulzov, fazni <strong>za</strong>mik<br />
med pulti, frekvenca pulzov <strong>in</strong> njihove komb<strong>in</strong>acije (tabela 3.1).<br />
Postopek vnašanja podatkov v signal, imenujemo modulacija ali kodiranje.<br />
Iz <strong>signalov</strong> jih izvlečemo z <strong>in</strong>verznimi postopki, ki jih imenujemo demodulacije<br />
ali dekodiranje. S temi postopki se ukvarja komunikacijska tehnika.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
4<br />
Korelacija<br />
P<br />
RI<br />
OPISU SIGNALOV nas mnogokrat <strong>za</strong>nima podobnost med dvema<br />
signaloma ali zbirkama podatkov. Primerjavo med njimi lahko izvedemo<br />
s korelacijo. Korelacijo uporabljamo v mnogih področjih<br />
znanosti, tehnike, ekonomije itd. Na primer pri obdelavi slike računalniškega<br />
vida, dalj<strong>in</strong>skem opazovanju s satelitov, kjer primerjamo različne slike; potem<br />
v radarskih <strong>in</strong> sonarskih sistemih, kjer s korelacijo oddanega <strong>in</strong> odbitega<br />
signala določamo oddaljenost <strong>in</strong> smer opazovanih objektov; pri detekciji <strong>in</strong><br />
identifikaciji <strong>signalov</strong> v šumu, v regulacijah, kjer lahko s korelacijo vhodnega<br />
<strong>in</strong> izhodnega signala opazujemo uč<strong>in</strong>ek sistema na signal. Uporabljamo jo<br />
tudi v detekciji <strong>signalov</strong>.<br />
Korelacijo bomo označevali s črko r. Ločimo:<br />
križno korelacijo r xy , ki primerja signal x s signalom y,<br />
avtokorelacijo r xx , ki primerja signal x s samim seboj.<br />
Korelacija je funkcija argumenta τ pri signalih oziroma argumenta m pri <strong>za</strong>poredjih:<br />
r xy (τ), r xy [m]. S tema argumentoma označimo premik med signaloma,<br />
oziroma med <strong>za</strong>poredjima, ko se vrši primerjava.<br />
4.1 Zamisel<br />
Korelacijo izpeljemo iz skalarnega produkta. Njegovo uporabnost v ugotavljanju<br />
podobnosti <strong>signalov</strong> smo poka<strong>za</strong>li že na primeru detekcije <strong>signalov</strong><br />
(razdelek 2.10.5 na strani 58). Ugotovili smo, da je iznos skalarnega produkta<br />
odvisen od podobnosti <strong>signalov</strong>. Zato lahko sklepamo, da skalarni produkt<br />
〈x,y〉 = ∑ N<br />
x[n]y[n] ,<br />
87
88 4. Korelacija<br />
kjer sta <strong>za</strong>poredji x[n] <strong>in</strong> y[n] z N elementi nastajali sočasno <strong>in</strong> <strong>za</strong>jemali svoje<br />
vrednosti iz R, z večanjem N:<br />
1. teži proti nič, če so elementi v x[n] <strong>in</strong> y[n] naključni <strong>in</strong> medsebojno<br />
neodvisni;<br />
2. teži k pozitivni vrednosti, če so si elementi x[n] <strong>in</strong> y[n] podobni;<br />
3. teži k negativni vrednosti, če so si elementi x[n] <strong>in</strong> y[n] podobni, vendar<br />
prevladujejo nasprotni predznaki.<br />
Iste ugotovitve veljajo tudi <strong>za</strong> zvezne signale. Poleg naštetih <strong>za</strong>ključkov je<br />
pomembna še ugotovitev: vrednost skalarnega produkta je odvisna od števila<br />
elementov <strong>za</strong>poredja oziroma od velikosti def<strong>in</strong>icijskega območja signala. To<br />
pri primerjavi podobnosti povzroča anomalijo, ki jo lahko odstranimo z normali<strong>za</strong>cijo<br />
glede na število elementov – rezultat delimo s številom elementov:<br />
〈x,y〉 = 1 N ∑ N x[n]y[n] ,<br />
vendar lahko ta normali<strong>za</strong>cija, ko N narašča čez vse meje, da rezultat, ki –<br />
ne glede na medsebojno podobnost x[n] <strong>in</strong> y[n] – upada proti nič. Z drugimi<br />
besedami, ta normali<strong>za</strong>cija – to je povprečenje – pride v poštev samo pri<br />
močnostnih signalih oziroma <strong>za</strong>poredjih, pri energijskih pa ne.<br />
Za signala, ki ju kaže slika 4.1, s skalarnim produktom ne odkrijemo njune<br />
podobnosti, čeprav <strong>za</strong>nju velja x[n] = y[n−M]. Skalarni produkt narisanih <strong>signalov</strong><br />
je enak nič. Če pa pričnemo enega od <strong>signalov</strong> premikati, se vrednost<br />
skalarnega produkta prične večati, dokler pri premiku m enakemu M ne doseže<br />
maksimuma. Pri nadaljnjem premiku se skalarni produkt spet zmanjša<br />
(dokler pri m = 2M spet postane enak nič). Proces premikanja <strong>in</strong> računanja<br />
skalarnega produkta pri <strong>za</strong>poredjih opišemo z:<br />
〈x[n],y[n − m]〉 = ∑ N<br />
x[n]y[n − m]<br />
<strong>in</strong> ga imenujemo korelacija. Obstaja tudi pri analognih signalih.<br />
x[ n]<br />
Slika 4.1<br />
M<br />
n<br />
y[ n]<br />
n<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
4.2 Korelacija aperiodičnih <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong> 89<br />
4.1.1 Korelacijska funkcija<br />
Opisani proces rodi <strong>za</strong>poredje skalarnih produktov, ki jo imenujemo korelacijska<br />
funkcija oziroma na kratko korelacija. Velja:<br />
pri <strong>za</strong>poredjih <strong>in</strong>:<br />
pri analognih signalih.<br />
r xy [m] = 〈x[n],y[n − m]〉 , m,n ∈ Z (4.1a)<br />
r xy (τ) = 〈x(t),y(t − τ)〉 , τ,t ∈ R . (4.1b)<br />
4.1.2 Lastnosti<br />
Osnova korelacije je skalarni produkt, <strong>za</strong>to <strong>za</strong>njo veljajo vse lastnosti skalarnega<br />
produkta. Obstaja v Evklidovem, unitarnem <strong>in</strong> Hilbertovem prostoru.<br />
Izmed teh lastnosti je pomembna homogenost:<br />
r x(αy) [m] = 〈x[n],αy[n + m]〉<br />
= α〈x[n],y[n + m]〉<br />
= α r xy [m] .<br />
(4.2)<br />
Če signala x <strong>in</strong> y skaliramo, se ustrezno skalira tudi korelacija. Ta lastnost<br />
onemogoča medsebojno primerjavo korelacij, saj je iznos korelacij odvisna<br />
od amplitud <strong>signalov</strong>.<br />
Naslednja pomembna lastnost je:<br />
r xy [m] = r yx [−m] , (4.3)<br />
pri realnih signalih <strong>in</strong>:<br />
r xy [m] = r ∗ yx[−m] , (4.4)<br />
pri kompleksnih signalih.<br />
4.2 Korelacija aperiodičnih <strong>za</strong>poredij <strong>in</strong> <strong>signalov</strong><br />
Pri aperiodičnih <strong>za</strong>poredjih <strong>in</strong> signalih def<strong>in</strong>iramo korelacijo z (4.1). Običajni<br />
<strong>za</strong>pis def<strong>in</strong>icije korelacije pri realnih <strong>za</strong>poredjih <strong>in</strong> funkcijah je naslednji:<br />
datoteka: signal_A
90 4. Korelacija<br />
DEFINICIJA 4.2.1<br />
Za realni, aperiodični <strong>za</strong>poredji x[n] <strong>in</strong> y[n], n ∈ Z je<br />
križna korelacija def<strong>in</strong>irana z:<br />
r xy [m] =<br />
<strong>in</strong> avtokorelacija z:<br />
r xx [m] =<br />
∞<br />
∑<br />
n=−∞<br />
∞<br />
∑<br />
n=−∞<br />
x[n]y[n + m] (4.5)<br />
x[n]x[n + m] , (4.6)<br />
kjer je m ∈ Z trenutni premik med signaloma. Korelaciji<br />
obstajata, če imata <strong>za</strong>poredji x[n] <strong>in</strong> y[n] normo ‖·‖ 1 :<br />
‖x[n]‖ 1 < ∞ <strong>in</strong> ‖y[n]‖ 1 < ∞.<br />
<br />
DEFINICIJA 4.2.2<br />
Za realna, aperiodična signala x(t) <strong>in</strong> y(t), t ∈ R je<br />
križna korelacija def<strong>in</strong>irana z:<br />
∫ ∞<br />
r xy (τ) = x(t)y(t + τ) dt (4.7)<br />
−∞<br />
<strong>in</strong> avtokorelacija z:<br />
∫ ∞<br />
r xx (τ) = x(t)x(t + τ) dt , (4.8)<br />
−∞<br />
kjer je τ ∈ R trenutni premik med signaloma. Korelaciji<br />
obstajata, če imata signala x(t) <strong>in</strong> y(t) normo ‖·‖ 1 :<br />
‖x(t)‖ 1 < ∞ <strong>in</strong> ‖y(t)‖ 1 < ∞.<br />
<br />
<strong>in</strong> pri kompleksnih <strong>za</strong>poredjih ter funkcijah:<br />
DEFINICIJA 4.2.3<br />
Za kompleksni, aperiodični <strong>za</strong>poredji x[n] <strong>in</strong> y[n], n ∈ Z<br />
je križna korelacija def<strong>in</strong>irana z:<br />
r xy [m] =<br />
r xx [m] =<br />
kjer je m ∈ Z.<br />
∞<br />
∑<br />
n=−∞<br />
∞<br />
∑<br />
n=−∞<br />
x[n]y ∗ [n + m] (4.9)<br />
x[n]x ∗ [n + m] . (4.10)<br />
<br />
DEFINICIJA 4.2.4<br />
Za kompleksna, aperiodična signala x(t) <strong>in</strong> y(t), t ∈ R<br />
je križna korelacija def<strong>in</strong>irana z:<br />
∫ ∞<br />
r xy (τ) = x(t)y ∗ (t + τ) dt (4.11)<br />
−∞<br />
∫ ∞<br />
r xx (τ) = x(t)x ∗ (t + τ) dt , (4.12)<br />
−∞<br />
kjer je τ ∈ R.<br />
<br />
Obrazci (4.5) – (4.12) imajo končno vrednost le, če <strong>za</strong> <strong>za</strong>poredja <strong>in</strong> signale,<br />
ki v njih nastopajo, obstaja norma ‖·‖ 2 . To lahko pri <strong>za</strong>poredjih določimo pri<br />
m = 0, pri signalih pa pri τ = 0 – glej razdelek 4.4 na naslednji strani.<br />
4.3 Korelacija periodičnih <strong>signalov</strong><br />
Periodični signali nimajo, tudi pri obstoju norme ‖·‖ ∞ , norme ‖·‖ 2 . Zato<br />
ne izpolnjujejo pogoja <strong>za</strong> izračun korelacije z obrazci (4.5) – (4.12). Za te<br />
signale pa lahko izračunamo moč. Ta je, kot vemo, enaka povprečni vrednosti<br />
energije <strong>za</strong>poredja ali signala. Iz tega sklepamo, da <strong>za</strong> ta <strong>za</strong>poredja <strong>in</strong> signale<br />
obstoji tudi povprečna vrednost korelacije. Def<strong>in</strong>irana je z:<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
☞<br />
4.4 Računanje energije <strong>in</strong> moči s korelacijo 91<br />
DEFINICIJA 4.3.1<br />
Križna korelacija realnih periodičnih <strong>za</strong>poredij x[n] <strong>in</strong><br />
y[n], n ∈ Z z enako periodo <strong>in</strong> številom elementov na<br />
periodo je def<strong>in</strong>irana z:<br />
r xy [m] = 1 N ∑ x[n]y[n + m] , (4.13)<br />
N<br />
kjer je m ∈ Z. Za avtokorelacijo pa velja:<br />
r xx [m] = 1 N ∑ x[n]x[n + m] . (4.14)<br />
N<br />
Pri kompleksnih <strong>za</strong>poredjih mora biti eno od <strong>za</strong>poredij<br />
konjugirano kompleksno.<br />
<br />
DEFINICIJA 4.3.2<br />
Križna korelacija realnih periodičnih <strong>signalov</strong> x(t) <strong>in</strong><br />
y(t), t ∈ R z enako periodo T je def<strong>in</strong>irana z:<br />
r xy (τ) = 1 T<br />
∫<br />
T<br />
x(t)y(t + τ) dt . (4.15)<br />
kjer je τ ∈ R. Za avtokorelacijo pa velja:<br />
r xx (τ) = 1 T<br />
∫<br />
T<br />
x(t)x(t + τ) dt . (4.16)<br />
Pri kompleksnih signalih mora biti eden od <strong>signalov</strong> konjugirano<br />
kompleksen.<br />
<br />
Povprečna korelacija 1 periodičnih <strong>signalov</strong> je tudi periodična <strong>in</strong> ima isto periodo,<br />
kot jo imata signala. Zato <strong>za</strong>dostuje, da jo izračunamo le preko ene<br />
periode. Zaradi robnega efekta, opisan je v razdelku 4.5 na naslednji strani,<br />
ponavadi uporabimo nekajkrat daljša <strong>za</strong>poredja oziroma signale.<br />
Periodičnost korelacijske funkcije izkoriščamo pri iskanju periodičnih komponent<br />
v signalih, pri katerih to ni očitno (na primer pri vsoti naključnega <strong>in</strong><br />
periodičnega signala, ko ima naključni signal večji amplitudni razmah kot<br />
periodični signal).<br />
4.4 Računanje energije <strong>in</strong> moči s korelacijo<br />
Pri m = 0 oziroma τ = 0 je avtokorelacija enaka:<br />
r xx (0) = 〈x,x〉 = E x<br />
r xx (0) = 〈x,x〉 = P x<br />
(aperiodični signali)<br />
(periodični signali)<br />
<strong>in</strong> pri aperiodičnih <strong>za</strong>poredjih ter signalih določa energijo, pri periodičnih<br />
<strong>za</strong>poredjih <strong>in</strong> signalih pa moč. Preko njiju uvidimo pove<strong>za</strong>nost avtokorelacije<br />
z normo ‖·‖ 2 . Ta določa maksimalno vrednost avtokorelacije.<br />
1 Nekateri avtorji korelacijo periodičnih <strong>signalov</strong> ne označujejo kot povprečno vrednost,<br />
ampak <strong>za</strong> isto oznako uporabljajo dve def<strong>in</strong>iciji, na primer pri analognih signalih:<br />
∫<br />
r xy (τ) = x(t)y(t + τ) dt<br />
(aperiodični signal)<br />
T<br />
r xy (τ) = 1 ∫<br />
x(t)y(t + τ) dt . (periodični signal)<br />
T<br />
T<br />
Katera od def<strong>in</strong>icij je mišljena, bi se naj razumelo iz konteksta uporabe.<br />
datoteka: signal_A
92 4. Korelacija<br />
4.5 Robni efekt<br />
Robni efekt nastane pri računanju korelacije <strong>signalov</strong> omejene dolž<strong>in</strong>e, ko<br />
elementi nimajo več svojega primerjalnega para <strong>in</strong> so <strong>za</strong>to izpuščeni iz računanja<br />
korelacije. Posledica je l<strong>in</strong>earno upadanje r xy . Pojasnimo pojav s<br />
preprostim primerom. Na primer, želimo primerjati povprečno dnevno temperaturo<br />
meseca julija v dveh <strong>za</strong>porednih letih. Iz letnih meritev v<strong>za</strong>memo<br />
izsek <strong>za</strong> ta mesec. Pri računanju korelacije pri vsakem premiku <strong>za</strong> en dan<br />
dva dneva nimata svojega para v računanju korelacije. Zato ima trend korelacije<br />
upadanje, čeprav so na primer bile temperature iz <strong>za</strong>četka prvega meseca<br />
podobne temperaturam na koncu drugega meseca!<br />
4.5.1 M<strong>in</strong>imi<strong>za</strong>cija robnega efekta<br />
z dodajanjem popravka<br />
Robni efekt lahko zmanjšamo ali celo odstranimo z dodajanjem popravka.<br />
Tega izračunamo na osnovi naslednjega premisleka. Predpostavimo, da imata<br />
<strong>za</strong>poredji x[n] <strong>in</strong> y[n] enako dolž<strong>in</strong>o ter vse svoje vrednosti enake. V tem primeru<br />
dobimo <strong>za</strong>radi robnega efekta l<strong>in</strong>earno upadanje r xy [m] od vrednosti<br />
r xy [0], ko upoštevamo vse pare elementov do vrednosti r xy [m = N] = 0, N<br />
je število elementov v signalu, ko se <strong>za</strong>poredji več ne prekrivata (slika 4.2).<br />
Vmes, na primer pri premiku <strong>za</strong> m, 0 < m < N, je prava vrednost korela-<br />
r xy [0]<br />
r xy [ m pravi<br />
Slika 4.2<br />
Robni efekt.<br />
r xy[ m ]<br />
r xy [ m<br />
m<br />
N<br />
cije r xy [m] pravi , izračunana r xy [m] pa je <strong>za</strong>radi robnega efekta – sorazmerno s<br />
premikom – manjša.<br />
Robni efekt ilustrira slika 4.2. Iz nje sledi:<br />
r xy [m] pravi − r xy [m]<br />
m<br />
oziroma je prava vrednost korelacije<br />
= r xy[0]<br />
N<br />
,<br />
r xy [m] pravi = r xy [m] + m N r xy[0] . (4.17)<br />
Z besedami, pravo vrednost korelacije dobimo tako, da izračunani vrednosti<br />
prištejemo popravek r xy [0]m/N.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
4.5 Robni efekt 93<br />
4.5.2 M<strong>in</strong>imi<strong>za</strong>cija robnega efekta<br />
s podaljšanjem signala<br />
Vpliv robnega efekta lahko zmanjšamo tudi s podaljšanjem dolž<strong>in</strong>e enega<br />
od <strong>signalov</strong>. Pri periodičnem signalu je to enostavno doseči s ponavljanjem<br />
<strong>za</strong>pisa. Vprašanje pa je, <strong>za</strong> koliko moramo podaljšati <strong>za</strong>pis, da bo napaka v<br />
izračunu korelacije <strong>za</strong>radi robnega efekta sprejemljivo majhna.<br />
Ocenimo pogrešek avtokorelacije <strong>za</strong>radi robnega efekta pri zveznem signalu<br />
As<strong>in</strong>ωt.<br />
r xx (τ) = lim<br />
1<br />
T →∞ T<br />
A 2<br />
= lim<br />
T →∞ 2<br />
∫ T /2<br />
−T /2<br />
As<strong>in</strong>(ωt)As<strong>in</strong>(ωt + τ) dt<br />
[<br />
cos(ωτ) − cos(ωT )<br />
2ωT s<strong>in</strong>(ωτ) ]<br />
. (4.18)<br />
Vidimo, da avtokorelacijsko funkcijo sestavljata na dva člena:<br />
1. člen cosωτ, ki je neodvisen od dolž<strong>in</strong>e izseka T signala – sklepamo,<br />
da opisuje pravi potek avtokorelacije;<br />
2. člen (cosωT /2ωT )s<strong>in</strong>ωτ, ki je odvisen od dolž<strong>in</strong>e izseka T – sklepamo,<br />
da opisuje pogrešek <strong>za</strong>radi robnega efekta.<br />
Res, amplituda pogreška upada z naraščanjem T <strong>in</strong> postane nič pri T → ∞,<br />
tako kot pričakujemo od pogreška <strong>za</strong>radi robnega efekta. Poleg tega pa pri<br />
tem signalu pogrešek niha s cos(ωT ) <strong>in</strong> s<strong>in</strong>(ωτ). Zato je, ko sta T <strong>in</strong> τ<br />
ustrezen mnogokratnik periode signala T p , enak nič. Pri cos(ωT ) se to zgodi<br />
pri: ωT = (2 j + 1)π/2, oziroma, ker je ω = 2π/T p , T p je perioda signala,<br />
pri:<br />
T = (2 j + 1) T p<br />
, j = 1,2,... . (4.19)<br />
4<br />
Podobno pri s<strong>in</strong>(ωτ). Ta je nič, ko velja ωτ = kπ, oziroma:<br />
τ = k 2 T p , k = 1,2,... . (4.20)<br />
S komb<strong>in</strong>acijo (4.19) <strong>in</strong> (4.20) izračunamo razmerje τ <strong>in</strong> T , ko je pogrešek<br />
lahko nič. M<strong>in</strong>imalno razmerje je pri j = k = 1:<br />
τ/T = 1/3 , m<strong>in</strong>{T } = 3T p , (4.21)<br />
vendar to <strong>za</strong>hteva dobro s<strong>in</strong>hroni<strong>za</strong>cijo signala z lego izseka, ki ga upoštevamo<br />
v korelaciji. Na tako kratkem izseku je to v praksi težko doseči, <strong>za</strong>to je<br />
običajna vrednost razmerja τ/T 1/5.<br />
datoteka: signal_A
94 4. Korelacija<br />
4.6 Korelacijski koeficient<br />
V opisu lastnosti korelacij (razdelek 4.1.2 na strani 89) smo <strong>za</strong>pisali, da lastnost<br />
homogenosti onemogoča medsebojno primerjavo korelacij.<br />
ZGLED 4.6.1 (Primerjava korelacij skaliranih <strong>signalov</strong>)<br />
Primerjamo korelaciji <strong>za</strong>poredij x 1 [n] <strong>in</strong> y 1 [n] ter x 2 [n] <strong>in</strong> y 2 [n] (slika 4.3).<br />
Slika 4.3<br />
x1[ n] x2[ n]<br />
3<br />
2<br />
1<br />
0<br />
0<br />
y1[ n] y2[ n]<br />
2<br />
2<br />
1<br />
0<br />
0<br />
n<br />
n<br />
3<br />
2<br />
1<br />
0<br />
1<br />
0<br />
0<br />
0<br />
n<br />
n<br />
r xy1 [m] =<br />
REŠITEV: Iz slike 4.3 vidimo, da sta signala x 2 [n] <strong>in</strong> y 2 [n] z α = 2 pomnožena signala<br />
y 1 [n] <strong>in</strong> y 2 [n]. Iz lastnosti homogenosti skalarnega produkta sklepamo, da je tudi korelacija<br />
homogena ter da se bosta <strong>za</strong>to korelaciji obeh <strong>za</strong>poredij razlikovali. To potrdimo<br />
z naslednjim izračunom:<br />
4<br />
∑<br />
n=−4<br />
x 1 [n]y[n + m] , m = −8,−7,...,−1,0,1,...,8 .<br />
oziroma<br />
r xy1 [−8] = 0·1 + 0,5·0 + 1·0 + 1,5·0 + 2·0 + 1,5·0 + 1·0 + 0,5·0 + 0·0 = 0,0<br />
r xy1 [−7] = 0·1 + 0,5·1 + 1·0 + 1,5·0 + 2·0 + 1,5·0 + 1·0 + 0,5·0 + 0·0 = 0,5<br />
r xy1 [−6] = 0·1 + 0,5·1 + 1·1 + 1,5·0 + 2·0 + 1,5·0 + 1·0 + 0,5·0 + 0·0 = 1,5<br />
.<br />
Že po teh nekaj izračunih se prepričamo, da je računanje še tako preproste korelacije<br />
<strong>za</strong>mudno delo. Zato danes, v dobi računalnikov, to delo prepuščamo njim:<br />
Matlab: izračun korelacije<br />
tukaj bo<br />
kopija matlab programa<br />
Rezultati računanja obeh korelacij so v tabeli 4.1 <strong>in</strong> prika<strong>za</strong>ni na sliki 4.4. Rezultati<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
4.6 Korelacijski koeficient 95<br />
Tabela 4.1<br />
Rezultat izračuna korelacije<br />
m -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8<br />
r xy1 [m] 0 0,5 1,5 3 5 6,5 7,5 8 8 8 7,5 6,5 5 3 1,5 0,5 0<br />
r xy2 [m] 0 2 6 12 20 26 30 32 32 32 30 26 20 12 6 2 0<br />
r xy2 /r xy1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4<br />
xy [ ]<br />
r n<br />
8 32<br />
6 24<br />
0 0<br />
0 m<br />
0<br />
xy [ ]<br />
r n<br />
4 16<br />
2 8<br />
1<br />
2<br />
m<br />
Slika 4.4<br />
Potek korelacijske funkcije<br />
v tabeli potrjujejo lastnost homogenosti korelacije. Vidimo, da velja r xy2 [m] = 4r xy1 [m],<br />
čeprav sta si signala x 2 <strong>in</strong> y 2 enako podobna kot sta si signala x 1 <strong>in</strong> y 1 . To smo na sliki<br />
poudarili z ustrezno izbiro merila na ord<strong>in</strong>ati.<br />
♦<br />
Anomalije v primerjavi korelacij odpravimo z normali<strong>za</strong>cijo, ki amplitudni<br />
razmah korelacij omeji na <strong>in</strong>terval (-1,1). Iz normiranja skalarnega produkta<br />
(razdelek 2.10.4 na strani 57) vemo, da amplitudni razmah skalarnega<br />
produkta omejimo na to območje, če ga delimo s produktom Evklidskih norm<br />
<strong>signalov</strong>:<br />
(2.51): − 1 〈x,y〉<br />
‖x‖ 2 ‖y‖ 2<br />
1<br />
Ker smo korelacijo izpeljali iz skalarnega produkta, lahko tudi korelaciji priredimo<br />
ekvivalento normali<strong>za</strong>cijo:<br />
ρ xy =<br />
r xy<br />
‖x‖ 2 ‖y‖ 2<br />
(4.22)<br />
datoteka: signal_A
96 4. Korelacija<br />
<strong>za</strong> katero velja:<br />
− 1 ρ xy 1 . (4.23)<br />
ρ xy [m] imenujemo tudi korelacijski koeficient. V literaturi, na primer [17], ga<br />
najdemo pogosto <strong>za</strong>pisanega v (ekvivalentni) obliki:<br />
ρ xy [m] =<br />
[<br />
N−1<br />
∑<br />
n=0<br />
oziroma pri povprečni korelaciji r xy :<br />
ρ xy [m] =<br />
1<br />
N<br />
[<br />
N−1<br />
∑<br />
n=0<br />
r xy [m]<br />
x 2 N−1<br />
[n]<br />
∑<br />
n=0<br />
r xy [m]<br />
y 2 [n]<br />
x 2 N−1<br />
[n]<br />
∑<br />
n=0<br />
] 1/2<br />
, (4.24a)<br />
y 2 [n]<br />
] 1/2<br />
(4.24b)<br />
Vrednost korelacijskega koeficienta +1 pomeni popolno ujemanje <strong>za</strong>poredij,<br />
−1 da sta si <strong>za</strong>poredji enaki, vendar je drugo <strong>za</strong>poredje nasprotnega predznaka.<br />
Vrednost 0 pomeni, da sta <strong>za</strong>poredji medsebojno neodvisni.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
5<br />
Opis determ<strong>in</strong>ističnih<br />
<strong>signalov</strong> z osnovnimi<br />
funkcijami<br />
ZA KVANTITATIVNI OPIS SIGNALOV je potrebno, da jih opišemo z funkcijami.<br />
Če imajo signali časovni potek, so to časovne funkcije. Signale<br />
lahko opišemo na več nač<strong>in</strong>ov. Izbira določenega opisa je odvisna<br />
od tega, kaj želimo poudariti. Na primer, da je opis primeren <strong>za</strong> matematično<br />
<strong>obdelavo</strong>, da ga je mogoče vizualno prika<strong>za</strong>ti, ali pa, da je primeren<br />
<strong>za</strong> določeno uporabo.<br />
Nekatere signale je možno opisati z odseki premic. Ta opis je primeren<br />
le <strong>za</strong> signale, ki imajo odsekoma l<strong>in</strong>earni potek. Glavna pomanjkljivost tega<br />
<strong>za</strong>pisa je, da z eno premico opišemo le segment signala, ne pa ves signal. Zaradi<br />
tega se oziramo <strong>za</strong> funkcijami, ki zmorejo opisati signal na vsej signalni<br />
osi.<br />
Za lažjo matematično <strong>obdelavo</strong> ponavadi <strong>za</strong>htevamo, da signal x(t) ponazorimo<br />
z vrsto elementarnih funkcij. Te funkcije glede na to, da jih uporabljamo<br />
kot ”gradnike”, s katerimi sestavimo signale, imenujemo tudi osnovne<br />
ali bazne funkcije. Bazne funkcije izbiramo tako, da imajo želene lastnosti,<br />
na primer neodvisno izračunljivost vsake elementarne funkcije, <strong>in</strong>variantnost<br />
na odvajanje itd.<br />
97
98 5. Opis <strong>signalov</strong> z osnovnimi funkcijami<br />
5.1 Matematični opis sestavljenih <strong>signalov</strong><br />
Pri predstavitvi elementarnih <strong>signalov</strong> smo prvič <strong>za</strong>pisali funkcije, ki opišejo<br />
signal. V tem razdelku bomo nekatere od teh opisov razširili na sestavljene<br />
signale. Tehniko, ki jo bomo uporabili, pojasnuje naslednji zgled.<br />
ZGLED 5.1.1 (Opis signala z l<strong>in</strong>earnimi funkcijami)<br />
Narišimo graf signala:<br />
x(t) = 3u(t) +t ·u(t) − (t − 1)·u(t − 1) − 5u(t − 2) . (5.1)<br />
Grafe členov (5.1) kaže slika 5.1a, graf signala pa slika 5.1b.<br />
x( t)<br />
a<br />
4<br />
2<br />
0<br />
3 u( t)<br />
tu( t)<br />
( t ) u( t )<br />
-2<br />
Slika 5.1<br />
Primer konstrukcije grafa<br />
signala, a: sestav<strong>in</strong>e<br />
signala, b: signal.<br />
-4<br />
0<br />
1<br />
2<br />
5 u( t )<br />
3<br />
4<br />
t<br />
x( t)<br />
4<br />
2<br />
b<br />
0<br />
-2<br />
0<br />
1<br />
2<br />
3<br />
4<br />
t<br />
REŠITEV:<br />
Posamezne člene x(t) v (5.1) določajo funkcije:<br />
{<br />
3 t 0<br />
3u(t) =<br />
0 t < 0<br />
{<br />
−(t − 1) t 1<br />
−(t − 1)·u(t − 1) =<br />
0 t < 1<br />
{<br />
t t 0<br />
t ·u(t) =<br />
0 t < 0<br />
{<br />
−5 t 2<br />
−5u(t − 2) =<br />
0 t < 2<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
5.1 Matematični opis sestavljenih <strong>signalov</strong> 99<br />
Z njimi lahko opišemo x(t) po segmentih ali kot vsoto teh segmentov:<br />
⎧<br />
0 + 0 − 0 − 0 = 0 t < 0<br />
⎪⎨ 3 +t − 0 − 0 = 3 +t 0 < t 1<br />
x(t) =<br />
3 +t − (t − 1) − 0 = 4 1 < t 2<br />
⎪⎩<br />
3 +t − (t − 1) − 5 = −1 2 t<br />
Vidimo, da se dobljeni <strong>za</strong>pis signala ujema z grafom na sliki 5.1b. Opisali smo ga z<br />
odseki premic.<br />
♦<br />
Premico, ki gre skozi točko T 1 (t 1 ,x 1 ) <strong>in</strong> oklepa s pozitivno smerjo osi t<br />
kot ϕ (slika 5.2), določa enačba:<br />
x − x 1 = k ·(t −t 1 ) kjer je k = tanϕ . (5.2)<br />
Strm<strong>in</strong>o premice izračunamo z izbiro dveh točk na premici, na primer T 1 (t 1 ,x)<br />
<strong>in</strong> T 0 (x 0 ,t 0 ):<br />
k = x − x 0<br />
t 1 −t 0<br />
. (5.3)<br />
Tehniko pisanja enačb <strong>za</strong> funkcije, ki jih sestavljajo odseki premic, bomo<br />
x( t)<br />
x 1<br />
T0( t 0,x0)<br />
x 0<br />
t 0<br />
T1( t 1,x1)<br />
x x<br />
, tan<br />
k <br />
t1 t0<br />
t<br />
t 1<br />
1 0<br />
Slika 5.2<br />
Graf premice.<br />
poka<strong>za</strong>li na primeru signala s slike 5.3. Strm<strong>in</strong>e daljic, ki opisujejo signal<br />
x( t)<br />
T 1<br />
k<br />
k 2<br />
k<br />
T 3<br />
1<br />
2 Slika 5.3<br />
T 0 Graf signala.<br />
t 0 t 1 t t<br />
2<br />
v posameznih odsekih, so označene s k i . Zapis daljic, ki opisujejo potek<br />
signala v posameznih segmentih signala x(t), je preprost. Zanje uporabimo<br />
(5.2) <strong>in</strong> (5.3), kjer <strong>za</strong> T i−1 (t i−1 ,x i−1 ) izberemo <strong>za</strong>četno točko opazovanega<br />
segmenta, <strong>za</strong> T i (t i ,x i ) pa končno točko. Prvi segment signala x(t) s slike 5.3<br />
lahko opišemo s poltrakom x(t):<br />
x(t 0 < t t 1 ) = x 1 (t) = k 1 ·(t −t 0 )u(t −t 0 ) , (5.4)<br />
datoteka: signal_A
100 5. Opis <strong>signalov</strong> z osnovnimi funkcijami<br />
kjer smo z množenjem z <strong>za</strong>maknjeno enotsko stopnico u(t − t 0 ) dosegli, da<br />
je signal <strong>za</strong> t < t 0 enak nič. Drugi segment signala x(t), ki leži nad <strong>in</strong>tervalom<br />
t 1 < t t 2 , opišemo s pomočjo poltraka, ki ima izhodišče v točki s koord<strong>in</strong>atami<br />
(t 1 ,0) ter v <strong>in</strong>tervalu t 1 t < t 2 poteka vzporedno s signalom. Zanj<br />
velja:<br />
x 2 (t) = k 2 ·(t −t 1 )u(t −t 1 ) . (5.5)<br />
Hitro uvidimo, da seštevek x 1 (t)+x 2 (t) ne da poteka signala x(t) na <strong>in</strong>tervalu<br />
(t 1 ,t 2 ). Da ga dobimo, moramo v drugem segmentu odšteti še trend signala<br />
iz prvega segmenta:<br />
x(t 1 < t t 2 ) = x 1 (t)−x 1 (t −t 1 ) +x<br />
} {{ } 2 (t)<br />
izravnava x 1 (t)<br />
= k 1 ·(t −t 0 )u(t −t 0 ) − k 1 ·(t −t 1 )u(t −t 1 )<br />
+ k 2 (t −t 1 )u(t −t 1 )<br />
= k 1 ·(t −t 0 )u(t −t 0 ) + (k 2 − k 1 )·(t −t 1 )u(t −t 1 ) .<br />
Podobno velja <strong>za</strong> tretji segment. Poltrak, ki poteka skozi točko s koord<strong>in</strong>atama<br />
(t 2 ,0) <strong>in</strong> vzporedno s signalom v tem segmentu, je:<br />
x 3 (t) = k 3 ·(t −t 2 )u(t −t 2 ) .<br />
Potek signala v tem segmentu pa izračunamo na enak nač<strong>in</strong> kot v drugem<br />
segmentu. Torej:<br />
x(t 2 t) = x 1 (t) + [−x 1 (t −t 1 ) + x 2 (t)] + [−x 2 (t −t 2 ) + x 3 (t)]<br />
Po upoštevanju (5.4) <strong>in</strong> (5.5) dobimo:<br />
x(t) = k 1 ·(t −t 0 )u(t −t 0 ) + (k 2 − k 1 )·(t −t 1 )u(t −t 1 )−<br />
k 2 ·(t −t 2 )u(t −t 2 ) + k 3 ·(t −t 2 )u(t −t 2 )<br />
= k 1 ·(t −t 0 )u(t −t 0 ) + (k 2 − k 1 )·(t −t 1 )u(t −t 1 )+<br />
(k 3 − k 2 )·(t −t 2 )u(t −t 2 ) .<br />
Dobljeni rezultat velja na splošno <strong>za</strong> signale, ki jih lahko opišemo z daljicami.<br />
Tako vidimo, da lahko tudi <strong>za</strong>htevne oblike opišemo z vsoto členov, ki<br />
opisujejo potek posameznih segmentov signala. Pri tem moramo poudariti:<br />
Prika<strong>za</strong>na tehnika matematičnega opisa <strong>signalov</strong> velja le <strong>za</strong> časovno<br />
zvezne signale.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
5.1 Matematični opis sestavljenih <strong>signalov</strong> 101<br />
Postopek je precejšnjega praktičnega pomena, saj tako modeliramo mnogo<br />
fizikalnih <strong>signalov</strong>. Opisano metodo matematičnega opisa <strong>signalov</strong> utrdimo<br />
še z zgledom:<br />
ZGLED 5.1.2 (Enačba žagastega signala)<br />
Žagasti signal je zelo pogosta oblika signala v elektroniki. Z napetostjo žagaste oblike<br />
na primer odklanjamo elektronski curek v <strong>za</strong>slonski cevi osciloskopa. Žagaste oblike je<br />
tudi odklonski tok pri televizijskih ekranih. Primer žagaste napetosti kaže slika 5.4.<br />
V<br />
x( t)<br />
0<br />
Slika 5.4<br />
Graf žagaste napetosti.<br />
T 0 0 T 0 2T 0<br />
t<br />
Vidimo, da je signal periodičen s periodo T0. Strm<strong>in</strong>a signala je določena s:<br />
k = V T0<br />
,<br />
traja pa čas periode T0. Za segment med 0 <strong>in</strong> T0 lahko torej pišemo:<br />
x 1 (t) = V t[u(t) − u(t − T0)]<br />
T0<br />
( )<br />
= V t −<br />
T 0<br />
tp 2<br />
.<br />
T0 T0<br />
x 1 (t) je def<strong>in</strong>iran na <strong>in</strong>tervalu [0, T0]. Ker je periodični signal, lahko njegov <strong>za</strong>pis posplošimo<br />
<strong>za</strong> <strong>in</strong>terval [nT0,(n + 1)T0]:<br />
x n (t) = x 1 (t − nT0) = V (t − nT0)[u(t − nT0) − u(t − (n + 1)T0)]<br />
T0<br />
= V ( )<br />
t − nT 0 − T0/2<br />
(t − nT0)p<br />
. (5.6)<br />
T0<br />
T0<br />
Zgornja enačba velja tako pri pozitivnih kot pri negativnih n. Če seštejemo <strong>za</strong>pise <strong>za</strong><br />
posamezne segmente, dobimo:<br />
x(t) =<br />
∞<br />
∑<br />
n=−∞<br />
x 1 (t − nT0) ,<br />
kjer je x(t − nT0) opisan v (5.6).<br />
♦<br />
datoteka: signal_A
102 5. Opis <strong>signalov</strong> z osnovnimi funkcijami<br />
5.2 Aproksimacija <strong>signalov</strong><br />
osnovnimi funkcijami<br />
Za <strong>za</strong>četek rešimo preprost primer, ko želimo realni signal x(t) izraziti z realno<br />
funkcijo φ(t). Signal <strong>in</strong> funkcija sta def<strong>in</strong>irani v istem časovnem <strong>in</strong>tervalu<br />
T = b − a <strong>za</strong> vsak t ∈ (a,b). Seveda želimo, da je opis signala z bazno<br />
funkcijo tak, da bo znotraj <strong>in</strong>tervala T čim bolj veljalo:<br />
x(t) ≈ ˆx(t) = cφ(t) <strong>za</strong> vsak t ∈ T . (5.7)<br />
Funkcijo ˆx(t) imenujemo ocena, približek ali aproksimacija signala x(t). Na<br />
izpolnitev (5.7) vplivamo z izbiro koeficienta c. Pri njegovi določitvi potrebujemo<br />
merilo podobnosti med x(t) <strong>in</strong> ˆx(t). Najpogosteje se v ta namen<br />
uporablja srednji kvadratni pogrešek ali srednje kvadratno odstopanje.<br />
5.2.1 Srednji kvadratni pogrešek<br />
Def<strong>in</strong>icija srednjega kvadratnega pogreška je:<br />
ε 2 = 1 T<br />
∫<br />
T<br />
[x(t) − ˆx(t)] 2 dt = 1 T<br />
∫<br />
T<br />
e 2 (t) dt . (5.8)<br />
Srednji kvadratni pogrešek je vedno pozitiven. Iz (5.8) vidimo, da je def<strong>in</strong>iran<br />
kot (povprečna) moč signala e(t) = x(t)− ˆx(t). Ker je trenutna moč kvadratna<br />
funkcija: p e (t) = e 2 , ima m<strong>in</strong>imum (nič je takrat <strong>in</strong> samo takrat, ko je x(t) =<br />
ˆx(t) <strong>in</strong> je <strong>za</strong>to e(t) = x(t) − ˆx(t) = 0).<br />
Srednji kvadratni pogrešek je globalno merilo podobnosti med aproksimacijo<br />
<strong>in</strong> signalom. Zato <strong>in</strong> <strong>za</strong>radi opisane lastnosti, ga v teoriji <strong>signalov</strong>, pa<br />
tudi drugje, zelo pogosto uporabljamo<br />
5.2.2 M<strong>in</strong>imi<strong>za</strong>cija srednjega kvadratnega pogreška<br />
Naloga, ki si jo <strong>za</strong>stavljamo, je poiskati konstanto c tako, da bo srednji kvadratni<br />
pogrešek med signalom <strong>in</strong> njegovo aproksimacijo čim manjši. Z drugimi<br />
besedami, poiskati moramo tako konstanto c, da bo ε 2 m<strong>in</strong>imalni:<br />
∫<br />
1<br />
T<br />
T<br />
[x(t) − cφ(t)] 2 dt = ε 2 → m<strong>in</strong> (5.9)<br />
Potrebni pogoj <strong>za</strong> določitev m<strong>in</strong>imuma je, da je prvi odvod pogreška enak<br />
nič. Da je ekstrem, ki ga s tem izračunamo, tudi m<strong>in</strong>imalni pogrešek, sledi<br />
iz def<strong>in</strong>icije kvadratnega pogreška. Seveda ga lahko preverimo s testom vrednosti<br />
drugega odvoda pogreška. Ta je v tej točki vedno pozitiven.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
5.2 Aproksimacija <strong>signalov</strong> z osnovnimi funkcijami 103<br />
Prvi odvod ε 2 kot funkcijo c izračunamo s parcialnim odvajanjem (5.9)<br />
po c:<br />
∂ε<br />
∂c = ∂ ∫<br />
1<br />
[x(t) − cφ(t) dt] 2 = 0<br />
∂c T T<br />
= 1 ∫<br />
∂ [<br />
x 2 (t) − 2x(t)cφ(t) + c 2 φ 2 (t) ] dt<br />
T T ∂c<br />
= 1 [ ∫<br />
∫ ]<br />
0 − 2 x(t)φ(t) dt + 2c φ 2 (t) dt = 0 ,<br />
T<br />
T<br />
T<br />
odkoder <strong>za</strong> koeficient c sledi:<br />
∫<br />
x(t)φ(t) dt<br />
T<br />
c = ∫<br />
φ 2 (t) dt<br />
T<br />
. (5.10)<br />
Izraz v imenovalcu (5.10) določa energijo osnovne funkcije φ(t). Ta je (po<br />
def<strong>in</strong>iciji) vedno realna <strong>in</strong> pozitivna. Če jo označimo z E φ , lahko koeficient c<br />
izrazimo z:<br />
c = 1 x(t)φ(t) dt . (5.11)<br />
E φ<br />
∫T<br />
Izračunajmo še velikost srednjega kvadratnega pogreška. Najprej v (5.9)<br />
izračunamo kvadrat oglatega oklepaja, potem pa <strong>za</strong> c upoštevamo (5.11). Dobimo:<br />
∫<br />
ε 2 = 1 T T<br />
[<br />
= 1 ∫<br />
T T<br />
[<br />
x 2 (t) − 2x(t)cφ(t)t + c 2 φ 2 (t) ] dt<br />
∫<br />
x 2 (t) dt − 2c<br />
∫<br />
x(t)φ(t) dt +c 2 φ 2 (t) dt<br />
T<br />
} {{ }<br />
T<br />
} {{ }<br />
=cE φ<br />
= 1 [ ∫ ]<br />
x 2 (t) dt − 2c 2 E φ + c 2 E φ<br />
T T<br />
=E φ<br />
]<br />
<strong>in</strong> srednji kvadratni pogrešek je:<br />
ε 2 = 1 [ ∫ ]<br />
x 2 (t) dt − c 2 E φ<br />
T T<br />
(5.12)<br />
Tako vidimo, da je ε 2 realen, nenegativen <strong>in</strong> da je pri izbiri konstante c z<br />
enačbo (5.10) m<strong>in</strong>imalen.<br />
datoteka: signal_A
104 5. Opis <strong>signalov</strong> z osnovnimi funkcijami<br />
x( t)<br />
1<br />
Slika 5.5<br />
Pravokotni signal.<br />
0<br />
1<br />
0<br />
<br />
2 t<br />
ZGLED 5.2.1 (Aproksimacija signala z osnovno funkcijo)<br />
Aproksimirajmo signal, ki ga kaže slika 5.5, z osnovno funkcijo φ(t) = s<strong>in</strong>t tako, da bo<br />
srednji kvadratni pogrešek m<strong>in</strong>imalen!<br />
REŠITEV: Konstanto c izračunamo s pomočjo (5.10):<br />
c =<br />
∫ 2π<br />
0<br />
∫ 2π<br />
0<br />
x(t)s<strong>in</strong>t dt<br />
s<strong>in</strong> 2 t dt<br />
∫ π<br />
∫ 2π<br />
(1)s<strong>in</strong>t dt + (−1)s<strong>in</strong>t dt<br />
0<br />
π<br />
} {{ } } {{ }<br />
=2<br />
=2<br />
= ( 1<br />
2 t − 1 ) ∣∣∣ = 4<br />
4 s<strong>in</strong>2t 2π π . (5.13)<br />
} {{<br />
0<br />
}<br />
E φ =π<br />
Približek signala je (slika 5.6):<br />
ˆx(t) = 4 π s<strong>in</strong>t .<br />
M<strong>in</strong>imalni srednji kvadratni pogrešek ε 2 izračunamo iz (5.12). V obravnavanem pri-<br />
Slika 5.6<br />
Pravokotni signal <strong>in</strong> njegova<br />
aproksimacija.<br />
4/<br />
1<br />
x( t)<br />
0<br />
1<br />
4/<br />
<br />
0<br />
<br />
x<br />
x<br />
2 t<br />
meru sta meji a = 0,b = 2π, iz imenovalca (5.13) pa sledi, da je E φ = π, <strong>za</strong>to velja:<br />
ε 2 = 1 [ ∫ 2π<br />
] [<br />
x 2 (t)dt − c 2 E φ = 1 ∫ 2π<br />
( ) 4 2<br />
x 2 (t)dt − π]<br />
2π<br />
2π<br />
π<br />
= 1<br />
2π<br />
0<br />
[<br />
2π − 16<br />
π<br />
] [<br />
= 1 − 8 ]<br />
π 2 ≈ 0,18943<br />
0<br />
oziroma v procentih znaša 18,9% energije signala.<br />
♦<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
5.3 Izražanje <strong>signalov</strong> z ortogonalnimi funkcijami 105<br />
5.2.3 Aproksimacija <strong>signalov</strong><br />
z l<strong>in</strong>earno komb<strong>in</strong>acijo osnovnih funkcij<br />
Predpostavimo, da imamo na voljo množico osnovnih funkcij Φ:<br />
Φ = {φ 0 (t),φ 1 (t),φ 2 (t),...,φ N (t)} ,<br />
kjer je lahko <strong>in</strong>deks N v določenih primerih tudi neskončen. V tem primeru<br />
lahko signal x(t) aproksimiramo s približkom ˆx(t), <strong>za</strong> katerega velja:<br />
ˆx(t) = c 0 φ 0 (t) + c 1 φ 1 (t) + c 2 φ 2 (t) + ··· + c N φ N (t)<br />
=<br />
N<br />
∑<br />
n=0<br />
c n φ n (t) . (5.14)<br />
Od tako skonstruirane aproksimacije pričakujemo, da vsak člen v l<strong>in</strong>earni<br />
komb<strong>in</strong>aciji ali vrsti zmanjša srednje kvadratni pogrešek ε 2 . Problem, ki smo<br />
ga <strong>za</strong>stavili, je določiti koeficiente c 0 ,c 1 ,c 2 ,...,c N , ki so praviloma elementi<br />
C <strong>in</strong> izbrati najprimernejšo množico osnovnih funkcij Φ.<br />
Ta problem v splošnem ni rešen. Ena od lastnosti, ki je ponavadi zelo<br />
<strong>za</strong>želena, je neodvisnost osnovnih funkcij. Ta lastnost omogoča, da lahko<br />
določimo posamezne člene vsote v (5.14) oziroma njihove koeficiente c i , čeprav<br />
ne poznamo nobenega drugega koeficienta. Povedano drugače, če lahko<br />
l<strong>in</strong>earni komb<strong>in</strong>aciji, ki določa približek signala, dodamo člene, ne da bi morali<br />
že znane sprem<strong>in</strong>jati, potem so členi v l<strong>in</strong>earni komb<strong>in</strong>aciji (medsebojno)<br />
neodvisni.<br />
5.3 Izražanje <strong>signalov</strong> z ortogonalnimi funkcijami<br />
Členi s c n so neodvisni, če je množica osnovnih funkcij φ(t) ∈ Φ ortogonalna<br />
na celotnem časovnem <strong>in</strong>tervalu aproksimacije funkcije x(t). S term<strong>in</strong>om<br />
ortogonalna množica povemo, da <strong>za</strong> vse elemente množice Φ velja:<br />
φ m ⊥ φ n ,<br />
kjer znak ⊥ pomeni ”pravokotno“, oziroma da je skalarni produkt poljubnih<br />
dve osnovnih funkcij enak nič:<br />
〈φ m ,φ n 〉 = 0 ,<br />
oziroma:<br />
∫<br />
〈φ m ,φ n 〉 = φ m (t)φn ∗ (t) dt ,<br />
T<br />
ki lahko v primeru ortogonalnih funkcij <strong>za</strong>v<strong>za</strong>me le eno od dveh vrednosti:<br />
datoteka: signal_A
106 5. Opis <strong>signalov</strong> z osnovnimi funkcijami<br />
∫<br />
{<br />
0 m ≠ n<br />
〈φ m ,φ n 〉 = φ m (t)φ n (t)dt =<br />
T<br />
E φn m = n<br />
φ m ,φ n ∈ Φ<br />
Če je E φn = 1, so ortogonalne funkcije normirane <strong>in</strong> <strong>za</strong>to ortonormalne. Za<br />
ortonormalne funkcije velja:<br />
∫<br />
{<br />
0 m ≠ n<br />
〈φ m ,φ n 〉 = φ m (t)φ n (t)dt =<br />
T<br />
1 m = n<br />
φ m ,φ n ∈ Φ (5.16)<br />
OPOMBA 5.1 Normiranje funkcij ima podoben pomen kot normiranje vektorjev. Pri tem je<br />
normirani vektor, ki ga imenujemo tudi enotski vektor, vektor z dolž<strong>in</strong>o enako enoti. Torej <strong>za</strong><br />
normirani vektor a velja 〈a, a〉 = a 2 = 1.<br />
Zaporedje funkcij, ki izpolnjujejo (5.16), imenujemo ortonormalno ali ortonormirano<br />
<strong>za</strong>poredje na <strong>in</strong>tervalu T = b − a. Meji a <strong>in</strong> b sta pri tem lahko<br />
končni ali tudi neskončni. To je odvisno od signala, ki ga želimo aproksimirati<br />
s temi funkcijami.<br />
5.3.1 Bazne funkcije<br />
Tako kot lahko na primer vsak vektor izrazimo z l<strong>in</strong>earno komb<strong>in</strong>acijo ortogonalnih<br />
enotskih vektorjev i, j, k,..., na primer z r = c 1 i + c 2 j + c 3 k, lahko<br />
tudi x(t) izrazimo z l<strong>in</strong>earno komb<strong>in</strong>acijo ortonormiranih osnovnih funkcij<br />
oziroma vrsto:<br />
x(t) = ∑ N<br />
c n φ n (t) . (5.17)<br />
Če je množica ortonormiranih osnovnih funkcij Φ polna, potem tvori bazo<br />
ortonormiranega prostora. Zato polno <strong>za</strong>poredje osnovnih ortonormiranih<br />
funkcij imenujemo tudi ortonormirana ba<strong>za</strong>, funkcije pa ortonormirane bazne<br />
funkcije.<br />
Pojem polne množice bomo razložili pri razlagi Parsevalove identitete<br />
(razdelek 5.3.5 na strani 108).<br />
5.3.2 Aproksimacija <strong>signalov</strong> z ortonormiranimi baznimi funkcijami<br />
Pri aproksimaciji signala z baznimi funkcijami moramo (podobno kot smo<br />
poka<strong>za</strong>li pri aproksimaciji z eno osnovno funkcijo) rešiti dve nalogi. Prva je<br />
izbrati <strong>za</strong>poredje baznih funkcij, druga pa je izračunati koeficiente c n tako, da<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
5.3 Izražanje <strong>signalov</strong> z ortogonalnimi funkcijami 107<br />
bo pogrešek med orig<strong>in</strong>alnim signalom <strong>in</strong> njegovim približkom, sestavljenim<br />
iz <strong>za</strong>poredja ortonormiranih funkcij, m<strong>in</strong>imalen.<br />
Najprej si bomo ogledali možnosti določanja koeficientov c n ob danih ortonormiranih<br />
funkcijah, o izbiri ortonormiranih baznih funkcij pa bo govora<br />
kasneje.<br />
5.3.3 Določitev koeficientov c n<br />
s pomočjo ortogonalnosti<br />
Kako določiti koeficiente c n ∈ C? Recimo, da vrsta na desni strani (5.17)<br />
konvergira k x(t) <strong>in</strong> da so bazne funkcije ortonormirane. Obe strani zgornje<br />
enačbe pomnožimo s φ m (t) <strong>in</strong> ju nato <strong>in</strong>tegriramo:<br />
∫<br />
T<br />
∫<br />
x(t)φ m dt = ∑ N c nφ n (t)φ m (t) dt<br />
T<br />
∫<br />
= ∑ N<br />
c n φ n (t)φ m (t) dt .<br />
T<br />
(5.18)<br />
Zaradi lastnosti ortogonalnosti, glej (5.16), je desna stran (5.18) različna od<br />
nič le, ko je m = n. V vseh ostalih primerih je enaka nič. Zato:<br />
∫<br />
T<br />
x(t)φ n (t) dt = c n<br />
∫<br />
T<br />
φ n (t)φ n (t) dt .<br />
Ker je ba<strong>za</strong> ortonormirana, je E φn = 1 <strong>in</strong> koeficient c n je:<br />
∫<br />
c n = x(t)φ n (t) dt (5.19)<br />
T<br />
5.3.4 Določitev koeficientov c n<br />
po metodi najmanjšega kvadratnega pogreška<br />
V tem primeru izhajamo iz (5.8), kjer <strong>za</strong> ˆx upoštevamo (5.14):<br />
∫<br />
ε 2 = 1 T<br />
= 1 ∫<br />
T<br />
T<br />
T<br />
[<br />
2<br />
x(t) − ˆx(t)]<br />
dt<br />
[<br />
] 2<br />
(5.20)<br />
x(t) −∑ N<br />
c n φ n (t) dt<br />
V (5.20) na srednji kvadratni pogrešek vpliva množica koeficientov {c n }.<br />
Zato iščemo m<strong>in</strong>imum funkcije z več spremenljivkami.<br />
Pri iskanju m<strong>in</strong>imuma funkcije več spremenljivk je potreben (vendar ne<br />
<strong>za</strong>dosten) pogoj, da je funkcija odvedljiva po vseh koeficientih <strong>in</strong> da obstaja<br />
datoteka: signal_A
108 5. Opis <strong>signalov</strong> z osnovnimi funkcijami<br />
množica koeficientov c 0 ,c 1 ,c 2 ,...,c N , ki <strong>za</strong>dovoljuje sistem enačb:<br />
∂ε<br />
∂c 0<br />
= ∂ε<br />
∂c 1<br />
= ∂ε<br />
∂c 2<br />
= ··· = ∂ε<br />
∂c n<br />
= 0 .<br />
Postopek izračuna koeficientov je naslednji. Izračunajmo parcialni odvod po<br />
koeficientu c k . Ker <strong>in</strong>tegracijski <strong>in</strong>terval T ne vpliva na rezultat odvajanja,<br />
ga <strong>za</strong>radi krajšega pisanja izpustimo. Dobimo:<br />
∂ε<br />
= ∂ [<br />
2<br />
x(t)<br />
∂c k ∂c k<br />
−∑ N<br />
c n φ n (t)]<br />
dt<br />
∫T<br />
= ∂ x<br />
∂c k<br />
∫T<br />
2 (t) dt<br />
− ∂<br />
∂c k<br />
2x(t)∑ N<br />
c n φ n (t) dt +<br />
∫T<br />
∂<br />
∂c k<br />
∫T<br />
[ ] 2<br />
∑N c n φ n (t) dt = 0 . (5.21)<br />
Po parcialnem odvajanju po c k odpadejo vsi členi, ki ne vsebujejo koeficienta<br />
c k , <strong>za</strong>to od leve strani (5.21) ostaneta le dva člena:<br />
∫<br />
−2<br />
T<br />
x(t)φ k (t) dt + 2c k<br />
∫<br />
φ 2 k (t) dt<br />
T<br />
} {{ }<br />
=E φ =1<br />
,<br />
iz katerih je pot do enačbe <strong>za</strong> koeficient c k , ob upoštevanju def<strong>in</strong>icije ortonormiranih<br />
funkcij – glej (5.16), kratka:<br />
∫<br />
c k = x(t)φ k (t) dt . (5.22)<br />
T<br />
Vidimo, da se (5.19) <strong>in</strong> (5.22) ujemata. Iz tega sledi, da so koeficienti c k , ki<br />
jih izračunamo na osnovi lastnosti ortonormiranih funkcij, optimalni v smislu<br />
srednjega kvadratnega pogreška.<br />
5.3.5 Parsevalova identiteta<br />
Predpostavimo, da aproksimiramo signal x(t) z l<strong>in</strong>earno komb<strong>in</strong>acijo N + 1<br />
baznih funkcij φ n (t). Pogrešek med signalom x(t) <strong>in</strong> njegovo oceno ˆx(t)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
5.3 Izražanje <strong>signalov</strong> z ortogonalnimi funkcijami 109<br />
izračunajmo z (5.20):<br />
ε 2 = 1 ∫ [<br />
2<br />
x(t) −∑<br />
T<br />
N<br />
c n φ n (t)]<br />
dt<br />
T<br />
[<br />
= 1 ∫<br />
]<br />
∫<br />
∫<br />
x 2 (t) dt − 2∑<br />
T<br />
N<br />
c n x(t)φ n (t) dt + ∑ N c2 nφn 2 (t) dt<br />
T<br />
T<br />
T<br />
} {{ }<br />
=c n<br />
[<br />
= 1 ∫<br />
]<br />
∫<br />
x 2 (t) dt − 2∑<br />
T<br />
N<br />
c 2 n +∑ N<br />
c 2 n φn 2 (t) dt<br />
T<br />
T<br />
} {{ }<br />
=1<br />
= 1 [ ∫ ]<br />
x 2 (t) dt −∑<br />
T<br />
N<br />
c 2 n . (5.23)<br />
T<br />
V izračunu (5.23) smo upoštevali l<strong>in</strong>earnost operacij seštevanja <strong>in</strong> <strong>in</strong>tegriranja<br />
(<strong>za</strong>to smo <strong>za</strong>menjali njuno <strong>za</strong>poredje) ter ortogonalnost baznih funkcij.<br />
Iz (5.23) jasno sledi, da se z večanjem členov v aproksimaciji signala manjša<br />
srednji kvadratni pogrešek. V limitnem postopku, v katerem večamo N preko<br />
vseh meja, postane srednji kvadratni pogrešek enak nič:<br />
[ ∫ ]<br />
1<br />
lim<br />
N→∞ ε2 = lim x 2 (t)dt −∑<br />
N→∞ T<br />
N<br />
c 2 n = 0<br />
T<br />
oziroma:<br />
∫<br />
T<br />
x 2 (t) dt =<br />
∞<br />
∑<br />
n=−∞<br />
c 2 n . (5.24)<br />
V tem primeru je funkcija x(t) izražena z neskončnim <strong>za</strong>poredjem ortonormiranih<br />
funkcij; torej med oceno funkcije <strong>in</strong> funkcijo ni pogreška. Tako <strong>za</strong>poredje<br />
imenujemo polno ali kompletno <strong>za</strong>poredje. Enačbo (5.24), ki povezuje<br />
polno <strong>za</strong>poredje ortonormiranih funkcij <strong>in</strong> orig<strong>in</strong>alni signal, imenujemo Parsevalova<br />
identiteta.<br />
Rečemo lahko, da je pogoj Parsevalove <strong>in</strong>dentitete obstoj polnega <strong>za</strong>poredja,<br />
<strong>za</strong>to njen pomen poudarimo z naslednjim izrekom:<br />
IZREK 5.1 (Polno <strong>za</strong>poredje)<br />
Zaporedje ortonormiranih baznih funkcij Φ je polno takrat <strong>in</strong> samo takrat, ko <strong>za</strong> vsak<br />
x ∈ L 2 (a,b) velja (5.24). To pomeni, da ne obstaja neničelna funkcija φ(t), ki ni član<br />
Φ <strong>in</strong> <strong>za</strong> katero velja pogoj ortogonalnosti.<br />
<br />
Še kratek komentar k izreku. Če bi mogli najti tako funkcijo φ(t), tedaj bi bila<br />
ta funkcija ortogonalna na vsak člen v <strong>za</strong>poredju Φ <strong>in</strong> bi tudi sama pripadala<br />
temu <strong>za</strong>poredju.<br />
datoteka: signal_A
110 5. Opis <strong>signalov</strong> z osnovnimi funkcijami<br />
Pomen Parsevalove <strong>in</strong>dentitete je zelo velik, <strong>za</strong>to se bomo še večkrat vračali<br />
k njej. Napovejmo le njeno fizikalno razlago. S primerjavo (5.24) z<br />
obrazci <strong>za</strong> izračun energije vidimo, da Parsevalova <strong>in</strong>dentiteta govori o ohranitvi<br />
energije. Računamo jo lahko po komponentah.<br />
5.4 Primeri ortogonalnih funkcij<br />
Spoznali smo uporabo oziroma izražanje <strong>signalov</strong> z <strong>za</strong>poredji ortonormalnih<br />
baznih funkcij. Sedaj moramo takšna <strong>za</strong>poredja le še poiskati.<br />
5.4.1 Nekatere ortonormalne funkcije<br />
Obstaja mnogo druž<strong>in</strong> ortonormalnih funkcij. Med njimi sta najbolj znani<br />
trigonometrično <strong>za</strong>poredje:<br />
<strong>in</strong> eksponentno <strong>za</strong>poredje:<br />
{...,1,cosωt,cos2ωt,cos3ωt,...}<br />
{...,1,s<strong>in</strong>ωt,s<strong>in</strong>2ωt,s<strong>in</strong>3ωt,...}<br />
{...,e − jωt ,1,e jωt ,e 2 jωt ,e 3 jωt ,...}<br />
Ti <strong>za</strong>poredji se uporabljata <strong>za</strong> <strong>za</strong>pis signala s trigonometrično <strong>in</strong> eksponencialno<br />
obliko Fourierove vrste. Na njej temelji tako imenovana harmonska<br />
anali<strong>za</strong> <strong>signalov</strong>, s katero pa se v tej knjigi ne ukvarjamo.<br />
Poleg njih se v literaturi omenjajo še:<br />
Legendrove funkcije<br />
√<br />
2n+1<br />
φ n (t) =<br />
2<br />
P n (t) , −1 ≤ t ≤ 1 ,<br />
kjer je P n (t) Legendrov pol<strong>in</strong>om:<br />
Laguerrove funkcije<br />
d n<br />
P n (t) = 1<br />
2 n n! dt n (tn − 1) n .<br />
φ n (t) = 1 n! e−t/2 L n (t) , 0 ≤ t < ∞ ,<br />
kjer je L n (t) Laguerrov pol<strong>in</strong>om reda n:<br />
L n (t) = e t dn<br />
dt n tn (e −t ) .<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
5.4 Primeri ortogonalnih funkcij 111<br />
Hermitove funkcije<br />
φ n (t) =<br />
kjer je H n (t) Hermitov pol<strong>in</strong>om reda n:<br />
1<br />
2 n n! √ π e−t2 /2 H n (t) , −∞ < t < ∞<br />
H n (t) = (−1) n t2 dn<br />
e<br />
dt n (e−t2 )<br />
Poleg naštetih ortogonalnih funkcij, ki so vse poljubnokrat odvedljive, so<br />
pomembne še Walsheve funkcije - posvečeno jim je naslednje poglavje.<br />
5.4.2 Walsheve funkcije<br />
Polno <strong>za</strong>poredje Walshevih funkcij tvori <strong>za</strong>poredje medsebojno ortogonalnih<br />
pravokotnih valovnih oblik v končnem časovnem <strong>in</strong>tervalu. Te funkcije so<br />
tudi ortonormalne <strong>in</strong> lahko <strong>za</strong>vzemajo le dve vrednosti: +1 <strong>in</strong> −1. Časovni<br />
<strong>in</strong>terval def<strong>in</strong>iramo kot normirani <strong>in</strong>terval (0,1), <strong>in</strong>tervale drugih dolž<strong>in</strong> pa<br />
dobimo s preprostim skaliranjem tega <strong>in</strong>tervala.<br />
Nekaj Walshevih funkcij, ki so <strong>in</strong>deksirane po številu prehodov funkcije<br />
skozi absciso, kaže slika 5.7.Vidimo, da se da Walsheve funkcije enostavno<br />
1<br />
1<br />
0<br />
( t)<br />
0<br />
3<br />
( t)<br />
0<br />
1/2<br />
1 t<br />
1/2<br />
1<br />
1<br />
-1<br />
t<br />
1<br />
1<br />
1<br />
( t)<br />
0<br />
4<br />
( t)<br />
0<br />
1/2 1 t<br />
1/2<br />
1<br />
1<br />
-1<br />
t<br />
1<br />
1<br />
2<br />
( t)<br />
0<br />
5<br />
( t)<br />
0<br />
1/2<br />
1 t<br />
1/2<br />
1<br />
1<br />
-1<br />
t<br />
Slika 5.7<br />
Walsheve bazne funkcije.<br />
generirati z digitalnimi vezji. Velja:<br />
datoteka: signal_A<br />
φ 0 (t) =<br />
{<br />
1 0 ≤ t ≤ 1<br />
0 sicer<br />
.
112 5. Opis <strong>signalov</strong> z osnovnimi funkcijami<br />
Ostale bazne funkcije φ m lahko najdemo eno <strong>za</strong> drugo, če uporabimo pogoje<br />
ortonormiranosti. Tukaj le preverimo, ali grafi funkcij na sliki 5.7 res pripadajo<br />
ortonormalnim baznim funkcijam. Za φ 1 (t) velja:<br />
∫ 1<br />
0<br />
φ 0 (t)φ 1 (t) dt = 0 ,<br />
∫ 1<br />
0<br />
φ 2 1 (t) dt = 1 <strong>in</strong> φ 1 (t) =<br />
{<br />
1 0 ≤ t ≤ 1/2<br />
−1 1/2 ≤ t ≤ 1<br />
.<br />
∫ 1<br />
0<br />
Bazna funkcija φ 2 (t) mora ustre<strong>za</strong>ti enačbam:<br />
φ 0 (t)φ 2 (t) dt = 0 ,<br />
∫ 1<br />
0<br />
φ 1 (t)φ 2 (t) dt = 0<br />
<strong>in</strong><br />
∫ 1<br />
0<br />
φ 2 2 (t) dt = 1 .<br />
Funkcija φ 2 (t) na sliki 5.7 izpolnjuje vse te pogoje. Opisano pot lahko nadaljujemo<br />
<strong>za</strong> vse ostale bazne funkcije. Pri tem vidimo, da moramo <strong>za</strong> bazno<br />
funkcijo φ k (t) rešiti k + 1 enačb.<br />
ZGLED 5.4.1<br />
Ponazorimo signal x(t) = 6t,0 ≤ t ≤ 1 (slika 5.8) z Walshevimi funkcijami.<br />
Slika 5.8<br />
x ( t )<br />
6<br />
3<br />
-1 0 1/2 1<br />
t<br />
REŠITEV: Za izračun optimalnih koeficientov c k uporabimo (5.22). Prvi koeficient je<br />
c 0 <strong>in</strong> je enak:<br />
∫ 1<br />
c 0 = 6t(1)dt .<br />
0<br />
Drugi koeficient je c 1 :<br />
∫ 1/2 ∫ 1<br />
c 1 = 6t(1)dt + 6t(−1)dt = − 3<br />
0<br />
1/2<br />
2 .<br />
Po podobnem postopku določimo še ostale koeficiente. Dobimo:<br />
c 2 = 0, c 3 = − 3 4 , c 4 = 0, c 5 = 0, c 6 = 0, c 7 = − 3 8 ···<br />
Približek ˆx(t) funkcije x(z) izražen z osmimi <strong>za</strong>porednimi baznimi funkcijami φ k (t)<br />
(slika 5.9), je:<br />
ˆx(t) = 3φ 0 (t) − 3 2 φ 1(t) − 3 4 φ 3(t) − ···<br />
3<br />
2 k φ 2 k −1 (t) ··· (5.25) ♦<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
5.4 Primeri ortogonalnih funkcij 113<br />
Srednji kvadratni pogrešek, ki ga naredimo z opisom x(t) s približkom<br />
ˆx(t), če upoštevamo le prvih osem členov Walshevih funkcij, je enak:<br />
ε 2 = 1 [ ∫ 1 [ ] ]<br />
x(t) 2 dt − c 2 0 + c 2 1 + c 2 7<br />
T 0<br />
[<br />
= 1 ∫ 1<br />
(<br />
(6t) 2 dt − 3 2 + − 3 2 (<br />
+ −<br />
1 − 0<br />
2) 3 ) ] 2<br />
8<br />
0<br />
= 12 − 765<br />
64 ≈ 0.04685 .<br />
Čeprav je na videz razlika med ˆx(t) <strong>in</strong> x(t) velika, je srednji kvadratni pogrešek<br />
že po nekaj členih <strong>za</strong>poredja Φ(t) razmeroma mali. Na primer, če bi<br />
v <strong>za</strong>poredju (5.25) dodali še en člen, bi padel srednji kvadratni pogrešek na<br />
četrt<strong>in</strong>o prejšnje vrednosti.<br />
x ( t ) x ( t )<br />
x ( t )<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
6<br />
5<br />
4<br />
3<br />
1/2<br />
1/2<br />
1<br />
1<br />
3<br />
t<br />
t<br />
x( t)<br />
3 0 ( t)<br />
3<br />
3<br />
( t) ( t)<br />
x<br />
2<br />
0 1 0<br />
2 3<br />
3 ( t) ( t) ( t)<br />
x<br />
3 4<br />
0 1 3 1<br />
3<br />
( t) ( t)<br />
2<br />
0 1<br />
2 3 3<br />
3 ( t) ( t) ( t)<br />
x<br />
3 4 8<br />
2 3<br />
3 0( t) 1( t) 3( t)<br />
3 4<br />
0 1 3 7 2<br />
Slika 5.9<br />
Aproksimacija žagaste funkcije z<br />
dvemi (zgoraj), tremi (na sredi) <strong>in</strong><br />
štirimi (spodaj) Walshevimi funkcijami.<br />
2<br />
1<br />
0<br />
1/2<br />
1<br />
t<br />
datoteka: signal_A
6<br />
Naključni signali <strong>in</strong><br />
statistične metode<br />
V <strong>uvod</strong>u smo o naključnih signalih <strong>za</strong>pisali, da so to signali, pri katerih obstaja<br />
določena negotovost, da bo signal nastopil, oziroma, da bo <strong>za</strong>vzel določeno<br />
naslednjo vrednost. Zato teh <strong>signalov</strong> ne moremo opisati s funkcijami,<br />
saj njihov potek ni napovedljiv. Zato mnogi postopki <strong>in</strong> metode, ki smo jih<br />
spoznali <strong>in</strong> uporabili pri opisu, razvrščanju <strong>in</strong> vrednotenju determ<strong>in</strong>ističnih<br />
<strong>signalov</strong>, pri njih niso uporabne. To seveda ne pomeni, da naključnih <strong>signalov</strong><br />
ni mogoče razvrščati ali vrednotiti. Očitno pa je, da pri njih v ta namen<br />
potrebujemo druga matematična orodja. Osnovni orodji, ki jih pri naključnih<br />
signalih uporabljamo sta verjetnostni račun 1 . <strong>in</strong> statistika.<br />
Brez posebnega tveganja lahko <strong>za</strong>pišemo, da so naključni signali osrednja<br />
tema sodobne obdelave <strong>signalov</strong>. Po eni strani so <strong>in</strong>formacijsko najbolj bogati,<br />
po drugi strani s svojo prisotnostjo povsod v naravi motijo signale, ki<br />
jih ustvarjamo <strong>in</strong> uporabljamo v vodenju <strong>in</strong> upravljanju sistemov, prenosu<br />
<strong>in</strong>formacij itd.<br />
Viri naključnih <strong>signalov</strong> so naključni ali stohastični procesi. Te procese<br />
opišemo s funkcijo, ki iz <strong>za</strong>loge vseh možnih vrednosti naključno izbira elemente<br />
<strong>za</strong>loge <strong>in</strong> jih preslika v časovno <strong>za</strong>poredje – naključni signal, ki ga v<br />
matematičnem jeziku verjetnostnega računa imenujemo vzorčna funkcija.<br />
1 Kratek povzetek osnov verjetnostnega računa je v poglavju A na strani 221 (v dodatku<br />
knjige).<br />
115
116 6. Naključni signali <strong>in</strong> statistične metode<br />
6.1 Naključne spremenljivke<br />
Naključno spremenljivko si lahko predstavljamo preprosto kot numerično<br />
ovrednotenje naključnega dogodka. Mnogo je dogodkov, ki po svoji naravi<br />
dajo določeno število, na primer pri metanju kocke z oštevilčenimi stranicami.<br />
So pa tudi dogodki, kot je primer pri metanju kovanca, kjer je vzorčni<br />
prostor S = {glava,ci f ra} = {g,c}. Tudi tem dogodkom lahko pripišemo<br />
številčno vrednost, na primer {g,c} ↦→ {0,1}. Strnimo <strong>za</strong>pisano v def<strong>in</strong>icijo:<br />
DEFINICIJA 6.1.1 (naključna spremenljivka)<br />
Naključna spremenljivka X(s) – pogosto označena le z X – je funkcija, ki preslika vse<br />
elemente iz vzorčnega prostora S s σ-algebro dogodkov A v realna števila x tako, da<br />
velja:<br />
1. množica {s : X(s) x} ∈ A je dogodek <strong>za</strong> vsako realno število x,<br />
2. P{s : X(s) = −∞} = 0 <strong>in</strong> P{s : X(s) ∞} = 1. <br />
Zapisano def<strong>in</strong>icijo lahko pojasnimo s primerom opisa naključnih pojavov<br />
v nekem fizikalnem sistemu. Pri tem ponavadi izhajamo iz meritve izbrane<br />
spremenljivke. Bodi to spremenljivka X, <strong>za</strong> katero lahko pri ponavljanju meritve<br />
(pod enakimi pogoji) izmerimo različne vrednosti. Te vrednosti označimo<br />
z x. Kaj pa merimo? “Velikost” elementov vzorčnega prostora S , iz<br />
katerega jih naključni pojav v fizikalnem sistemu <strong>za</strong>jema. Zato lahko <strong>za</strong>pišemo:<br />
X(s) = x .<br />
Ta predpis določa funkcijo, ki priredi vsakemu elementu iz S numerično<br />
vrednost (slika 6.1). Predpis je smiseln, če vsakemu elementu vzorčnega<br />
prostora X(s) priredi eno samo vrednost x.<br />
Slika 6.1<br />
Naključna spremenljivka<br />
X(s) je preslikava elementov<br />
S na realno os.<br />
S<br />
s<br />
x = X( s)<br />
S x<br />
Def<strong>in</strong>icijsko območje X(s) je celotni vzorčni prostor S . Množico vrednosti,<br />
kamor se dogodki iz S preslikajo z X(s), imenujemo <strong>za</strong>loga vrednosti<br />
funkcije ali tudi fazni prostor:<br />
S x : {x : x = X(s),s ∈ S } ⊂ (−∞,∞) .<br />
Izmero vrednosti x iz podmnožice A x (slika 6.2) lahko obravnavamo kot urešarko<br />
ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.1 Naključne spremenljivke 117<br />
S<br />
A s<br />
s<br />
P( A s ) P( A x )<br />
x = X( s)<br />
S x<br />
A x<br />
Slika 6.2<br />
Prenos verjetnosti s funkcijo X(s).<br />
sničitev določenega dogodka, ki ga tudi označimo z A x . Ker s funkcijo X(s)<br />
priredimo elementom s i iz dogodka A s vrednosti x i v množici A x , se pri poskusu<br />
hkrati z dogodkom A s iz S uresniči tudi dogodek A x iz S x . Zato<br />
lahko enako verjetnost, kot jo ima dogodek A s ∈ S , predpišemo tudi dogodku<br />
A x ∈ S x . Porazdelitev verjetnosti v vzorčnem prostoru S se torej<br />
preko predpisa, ki določa preslikavo iz S v S x – torej X(s), prenese na<br />
porazdelitev verjetnosti v <strong>za</strong>logi verjetnosti funkcije X(s). To simbolično<br />
označimo z:<br />
A s<br />
X<br />
−−−−→ A x , (6.1a)<br />
P(A s ) = P(A x ) . (6.1b)<br />
Kadar je funkcija X def<strong>in</strong>irana na vzorčnem prostoru S tako, da je verjetnost<br />
dogodka A s določena <strong>za</strong> vsak dogodek A x , ki ga izberemo v <strong>za</strong>logi vrednosti<br />
S x , pravimo, da je X merljiva funkcija na S <strong>in</strong> jo imenujemo naključna<br />
spremenljivka.<br />
Med različnimi diskretnimi naključnimi spremenljivkami pogosto uporabljamo<br />
<strong>in</strong>dikatorsko ali označevalno funkcijo dogodka A. Ta funkcija ima<br />
vrednost 1, če je elementarni dogodek s vsebovan v dogodku A, <strong>in</strong> vrednost<br />
0, če element s ni v A. Označimo jo takole:<br />
{<br />
1 <strong>za</strong> s ∈ A<br />
I A (s) =<br />
0 <strong>za</strong> s /∈ A , (6.2)<br />
kar tudi pomeni A<br />
I A<br />
−−→ 1 <strong>in</strong> A<br />
I A<br />
−−→ 0.<br />
ZGLED 6.1.1 (naključna spremenljivka pri metanju kocke)<br />
Pri kocki je vzorčni prostor S = {1,2,...,6}. Naključna spremenljivka X(s,t), kjer je<br />
t trenutek preslikave, se pri preslikavi<br />
x i : S ↦→ X<br />
pokorava pravilu X(t) = s i <strong>in</strong> lahko <strong>za</strong>vzema vrednosti {1,2,3,4,5,6} z verjetnostjo<br />
P[X(s) = i] = 1 / 6 ,i = 1,2,...,6, pri preslikavi<br />
x i : S 2 ↦→ X ,<br />
datoteka: signal_A
118 6. Naključni signali <strong>in</strong> statistične metode<br />
ki se pokorava pravilu X(t) = s 2 i , pa vrednosti {1,4,9,16,25,36} z enako verjetnostjo<br />
kot prej.<br />
♦<br />
ZGLED 6.1.2 (naključna spremenljivka pri metanju kovanca)<br />
Pri metanju kovanca ima vzorčni prostor dva elementa S = {glava, cifra} = {s g ,s c }.<br />
Naključna spremenljivka X(s,t), kjer je t trenutek preslikave, se pri preslikavi pokorava<br />
pravilu (6.2), <strong>za</strong>to lahko <strong>za</strong>vzema vrednosti 0 <strong>in</strong> 1 z verjetnostjo P[X(s) = s g ] = 1 / 2 <strong>in</strong><br />
P[X(s) = s c ] = 1 − P[X(s) = s g ] = 1 − 1 / 2 = 1 / 2 . To preslikavo – naključno funkcijo –<br />
ilustrira slika 6.3a. Pri predpostavki, da poskus izvajamo v enakomernih <strong>in</strong>tervalih, ter<br />
S<br />
s g : glava<br />
s c : cifra<br />
1<br />
S x<br />
0<br />
0 1<br />
(a) preslikava<br />
S x<br />
(b) časovni potek<br />
t<br />
Slika 6.3<br />
Naključna spremenljivka X(s,t) pri metanju kovanca<br />
da se ob vsakem izvede preslikava (6.2), dobimo časovni potek naključne funkcije, ki<br />
opisuje to dogajanje (slika 6.3b). Funkcija je seveda amplitudno <strong>in</strong> časovno diskretna.♦<br />
☞<br />
Naključne spremenljivke so lahko zvezne – pri njih je vzorčni prostor S x<br />
podmnožica realne osi: S x ⊆ R ali diskretne – pri njih vzorčni prostor S x<br />
določa števna, lahko tudi neskončna množica. Obstajajo pa tudi komb<strong>in</strong>acije<br />
obeh, imenujemo jih mešane naključne spremenljivke.<br />
Pomnimo: naključna spremenljivka je funkcija dogodka iz vzorčnega prostora<br />
S <strong>in</strong> ne neodvisna spremenljivka. Kljub temu jo bomo v prihodnje<br />
imenovali kar spremenljivka brez poudarjanja njene funkcijske narave.<br />
Porazdelitev verjetnosti diskretne naključne funkcije<br />
Opišimo nek pojav z diskretno naključno spremenljivko X, ki ima <strong>za</strong>logo<br />
vrednosti S x = {x 1 ,x 2 ,...,x n }. Dogodek, ko pri poskusu izmerimo vrednost<br />
x i , označimo z A i = {X = x i }. Temu dogodku pripadajo verjetnosti<br />
P(X = x i ) = p i , i = 1,2,...,n . (6.3)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.1 Naključne spremenljivke 119<br />
Z množico vrednosti {p 1 .p 2 ,..., p n } opišemo porazdelitev verjetnosti po vzorčnem<br />
prostoru S x diskretne naključne spremenljivke X. Z njo izčrpno opišemo<br />
lastnosti naključne spremenljivke. Ponavadi porazdelitev prikažemo<br />
grafično (slika 6.4).<br />
P( X = x )<br />
i<br />
Slika 6.4<br />
p 1 p 2 p 3 p 4 p n-1<br />
p n<br />
x 1 x 2 x 3 x 4 x n-1<br />
x n<br />
Primer porazdelitve verjetnosti P(X = x i )<br />
diskretnega naključnega signala X(s i ).<br />
0<br />
Gostota verjetnosti zvezne naključne funkcije<br />
Pri zveznih naključnih spremenljivkah vrednostim v vzorčnem prostoru S x<br />
ne moremo pripisati verjetnosti na enak nač<strong>in</strong> kot pri diskretnih naključnih<br />
spremenljivkah (želeni izid deljen z neskončnim številom možnih izidov je<br />
enako nič!). Iz te <strong>za</strong>gate si pomagamo s takoimenovano diferencialno verjetnostjo<br />
oziroma gostoto verjetnosti, kjer verjetnost dogodka določimo <strong>za</strong><br />
<strong>in</strong>terval (x,x + dx) na S x s šir<strong>in</strong>o različno od nič. Verjetnost, da je vrednost<br />
naključne spremenljivke v <strong>in</strong>tervalu (x,x + dx) označimo s<br />
P(x < X < x + dx) .<br />
Določitev te verjetnosti naslonimo na poskus. Vzemimo, da opazujemo naključni<br />
proces, katerega vrednosti se sprem<strong>in</strong>jajo med mejami −a <strong>in</strong> b. Napravimo<br />
dovolj veliko število M meritev, pri katerih dobimo N 1 rezultatov,<br />
ko <strong>za</strong>v<strong>za</strong>me X vrednosti na <strong>in</strong>tervalu [0,∆x), N 2 rezultatov, ko X <strong>za</strong>v<strong>za</strong>me<br />
vrednost na <strong>in</strong>tervalu [∆x,2∆x) <strong>in</strong> tako naprej do števila N n , ki pove koliko je<br />
dogodkov, ko X <strong>za</strong>v<strong>za</strong>me vrednost v <strong>in</strong>tervalu [(n − 1)∆x,n∆x). Enako naredimo<br />
še <strong>za</strong> negativne <strong>in</strong>dekse. Pričnemo z <strong>in</strong>tervalom (−∆x,0] <strong>in</strong> <strong>za</strong>ključimo<br />
z <strong>in</strong>tervalom (−m∆x,−(m − 1)∆x]. Pri tem je vsota N i enaka številu vseh<br />
meritev: ∑ i N i = M. Razmerje N i /M je statistična verjetnost, da se vrednost<br />
X nahaja v <strong>in</strong>tervalu [(i − 1)∆x,i∆x). Zato velja:<br />
P ( (i − 1)∆x < X < i∆x ) ≈ N i<br />
M . (6.4)<br />
Razmerje N i /M lahko grafično predstavimo kot plošč<strong>in</strong>o pravokotnika z osnovnico<br />
∆x <strong>in</strong> viš<strong>in</strong>o N i /(M∆x) (slika 6.5). Po Bernulijevem <strong>za</strong>konom o velikih<br />
številih (A.18) lahko eksperimentalno dobljeno verjetnost upoštevamo kot<br />
datoteka: signal_A
120 6. Naključni signali <strong>in</strong> statistične metode<br />
Slika 6.5<br />
Eksperimentalno določanje verjetnosti na<br />
enoto dolž<strong>in</strong>e [17, str. 494].<br />
____ Ni<br />
Mx<br />
___ Ni<br />
____ Ni<br />
Mx . x i<br />
M =<br />
____ Ni<br />
x i Mx<br />
-a=mx<br />
i<br />
x -3<br />
x -2<br />
x -1 0 x 1 x 2 x 3 b=nx<br />
i<br />
x<br />
pravo vrednost verjetnosti, če M narašča proti neskončnosti. V tem primeru<br />
se seveda ∆x manjša proti nič. Ker je plošč<strong>in</strong>a pravokotnika enaka<br />
N i<br />
M = N i<br />
M∆x ∆x ,<br />
v limitnem postopku z M → ∞ <strong>in</strong> ∆x → 0 dobimo:<br />
N i<br />
lim<br />
M→∞ M = lim N i<br />
M→∞ M∆x ∆x = f X(x) dx (6.5)<br />
∆x→0 ∆x→0<br />
= P(x < X < x + dx) ,<br />
kjer f x (x) imenujemo gostota verjetnosti. Iz (6.5) sledi, da je verjetnost,<br />
da bo X v <strong>in</strong>f<strong>in</strong>itezimalno majhnem <strong>in</strong>tervalu šir<strong>in</strong>e dx enaka f X (x) dx. V<br />
limitnem postopku seveda stopničasta aproksimacija porazdelitve verjetnosti<br />
(slika 6.5) preide v zvezno krivuljo (slika 6.6). Podaja porazdelitev gostote<br />
verjetnosti.<br />
OPOMBA 6.2 Gostoto verjetnosti f X (x) v angleški literaturi ponavadi označujejo s pdf, ki je<br />
kratica term<strong>in</strong>a probability density function.<br />
Slika 6.6<br />
Grafična predstavitev gostote verjetnosti<br />
f X (x) naključne spremenljivke X(s).<br />
f X (x) dx je element verjetnosti.<br />
FX ( x )<br />
P( x
6.1 Naključne spremenljivke 121<br />
Če <strong>in</strong>terval na R, ki določa vzorčni prostor S x povečamo čez vse meje, torej<br />
S x = (−∞,∞) = R 1 ,<br />
potem vsebuje vrednost vsakega dogodka v poskusu. To v jeziku verjetnosti<br />
pomeni <strong>za</strong>nesljiv dogodek, ki ima (po def<strong>in</strong>iciji) verjetnost 1. Zato velja:<br />
∫ ∞<br />
f X (x) dx = 1 . (6.7)<br />
−∞<br />
σ algebra pri zveznih naključnih spremenljivkah<br />
Pri zveznih naključnih spremenljivkah lahko σ-algebro dogodkov A def<strong>in</strong>iramo<br />
le <strong>za</strong> (<strong>in</strong>f<strong>in</strong>itezimalno majhne) <strong>in</strong>tervale realnih števil. Zato lahko tudi<br />
pri njih enako kot pri diskretnih naključnih spremenljivkah def<strong>in</strong>iramo verjetnostni<br />
prostor (S ,A ,P).<br />
Kumulativna porazdelitvena funkcija<br />
Če (6.6) <strong>za</strong>pišemo <strong>za</strong> <strong>in</strong>terval (−∞,x], potem z njim izračunamo verjetnost,<br />
da je vrednost X znotraj tega <strong>in</strong>tervala. Ta verjetnost se sprem<strong>in</strong>ja z desno<br />
(zgornjo) mejo <strong>in</strong>tervala. Funkcija, ki to opiše, imenujemo porazdelitvena<br />
funkcija, pogosto se <strong>za</strong>njo uporablja tudi ime kumulativna porazdelitev verjetnosti.<br />
Def<strong>in</strong>irana je z<br />
P(−∞ < X < x) = F X (x) =<br />
∫ x<br />
−∞<br />
f X (x) dx . (6.8)<br />
OPOMBA 6.3 V angleški literaturi porazdelitev verjetnosti F X (x) pogosto označujejo s kratico<br />
cdf, ki je kratica term<strong>in</strong>a cumulative distribution function.<br />
Porazdelitveno funkcijo lahko določimo tudi <strong>za</strong> diskretne naključne spremenljivke.<br />
Splošno def<strong>in</strong>icija porazdelitvene funkcije, ki velja <strong>za</strong> vse naključne<br />
signale, se glasi:<br />
DEFINICIJA 6.1.2 (funkcija porazdelitve verjetnosti)<br />
Bodi (S ,A ,P) verjetnostni prostor <strong>in</strong> X(s) naključna spremenljivka def<strong>in</strong>irana na S .<br />
V njem je funkcija porazdelitve verjetnosti X(s), F X (x), def<strong>in</strong>irana z<br />
F X (x) = P[{s : X(s) ∈ (−∞,x] <strong>in</strong> s ∈ S }] = P(X x) . (6.9)<br />
Funkcija porazdelitve verjetnosti je verjetnost, <strong>za</strong>to <strong>za</strong>njo veljajo vsi aksiomi <strong>in</strong> lastnosti<br />
verjetnosti.<br />
<br />
Iz def<strong>in</strong>icije sledi, da lahko pri praktičnem računanju funkcije porazdelitve<br />
verjetnosti uporabimo obrazec (6.8) ali lastnosti unije neodvisnih dogodkov,<br />
datoteka: signal_A
122 6. Naključni signali <strong>in</strong> statistične metode<br />
ki so <strong>za</strong>jeti v opazovani <strong>in</strong>terval. Primer njihove uporabe pri diskretnih naključnih<br />
signalih najdemo v zgledu 6.1.3.<br />
ZGLED 6.1.3 (porazdelitvena funkcija pri metanju kocke)<br />
Določimo funkcijo porazdelitve verjetnosti pri metanju kocke. Pri tem upoštevamo, da<br />
so vsi elementi S enako verjetni.<br />
REŠITEV: Pri kocki ima vzorčni prostor S šest elementov {s 1 ,s 2 ,...,s 6 }. Njihova<br />
verjetnost pojavljanja je p i = 1 / 6 ,i = 1,2,...,6, naključna spremenljivka X(s) pa lahko<br />
<strong>za</strong>v<strong>za</strong>me naslednje vrednosti x i = i,i = 1,2,...,6.<br />
Iz lastnosti verjetnosti vemo, da je verjetnost naključne spremenljivke manjša od 1<br />
enaka 0:<br />
P(X < 1) = P(∅) = 0<br />
(to je nemogoč dogodek). Verjetnost, da bo vrednost spremenljivke manjša ali enaka<br />
6, pa je enaka 1:<br />
P(X 6) = P(S ) = 1<br />
(to je <strong>za</strong>nesljiv dogodek). Podobno lahko ugotovimo, da naključna spremenljivka na<br />
<strong>in</strong>tervalu (1,2] lahko <strong>za</strong>v<strong>za</strong>me le vrednost 1:<br />
P(X 1) = P(X = x 1 ) = 1 / 6 .<br />
Na <strong>in</strong>tervalu (1,3] lahko naključna spremenljivka <strong>za</strong>v<strong>za</strong>me vrednost 1 ali 2. Ker sta to<br />
dva neodvisna dogodka, je njuna skupna verjetnost (od točke 2 nadalje) vsota posameznih<br />
verjetnosti:<br />
P(X 3) = P(x 1 ∪ x 2 ) = 1 / 6 + 1 / 6 = 2 / 6 .<br />
Na enak nač<strong>in</strong> lahko določimo verjetnosti še <strong>za</strong> ostale dolž<strong>in</strong>e <strong>in</strong>tervala (1,6] (slika 6.7).<br />
Vidimo, da se verjetnost, da naključna spremenljivka <strong>za</strong>v<strong>za</strong>me svojo vrednost v <strong>in</strong>ter-<br />
Slika 6.7<br />
Kumulativna porazdelitev verjetnosti pri<br />
metanju kocke.<br />
p i, FX ( x)<br />
1<br />
5/6<br />
4/6<br />
3/6<br />
2/6<br />
1/6<br />
FX ( x) = P( X x )<br />
i<br />
p 3 =P( X= 3) = 1/<br />
6<br />
1 2 3 4 5 6 x<br />
p 1 p 2 p 3 p 4 p 5 p 6<br />
valu veča z dolž<strong>in</strong>o <strong>in</strong>tervala ter da se ob vsaki možni vrednosti, ki je <strong>za</strong>jeta v <strong>in</strong>terval,<br />
poveča <strong>za</strong> stopnico z viš<strong>in</strong>o enaki verjetnosti dogodka, da X(s) <strong>za</strong>v<strong>za</strong>me prav to vrednost<br />
(slika 6.7).<br />
♦<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.1 Naključne spremenljivke 123<br />
Iz primera sledi, da kot ekvivalent (6.8) lahko <strong>za</strong>pišemo<br />
F X (x i ) =<br />
n<br />
∑<br />
i=1<br />
P(X = x i )u(x − x i ) , (6.10)<br />
kjer so v x i diskretne vrednosti naključne spremenljivke z verjetnostmi P(X =<br />
x i ) = p i ,i = 1,2,...,n <strong>in</strong> u(x − x i ) enotska stopnica <strong>za</strong>maknjena <strong>za</strong> vrednost<br />
diskretne naključne spremenljivke.<br />
Pri mešanih naključnih spremenljivkah je potek F X (x) vsota poteka zveznega<br />
(slika 6.8a) <strong>in</strong> diskretnega (slika 6.8b) dela naključne spremenljivke<br />
(slika 6.8c).<br />
f ( x ), F ( x)<br />
X<br />
X<br />
p( x i) , FX ( x)<br />
F X ( x)<br />
fX ( x)<br />
1<br />
0,5<br />
FX ( x) =<br />
P( Xx)<br />
1<br />
0,5<br />
FX ( x) =<br />
P( Xx<br />
i )<br />
p 3=<br />
P( X=x )<br />
3<br />
1<br />
FX ( x) =<br />
P( Xxi) + P( Xx)<br />
0,5<br />
0<br />
x<br />
p 2<br />
p 1 p 2 p 3<br />
x 1 x 2 0 x 3 x<br />
x 1 x 2 0 x 3 x<br />
(a) funkcija gostota <strong>in</strong> porazdelitve<br />
verjetnosti <strong>za</strong> zvezno<br />
naključno spremenljivko<br />
(b) verjetnost <strong>in</strong> funkcija<br />
porazdelitve verjetnosti<br />
<strong>za</strong> diskretno naključno<br />
spremenljivko<br />
(c) funkcija porazdelitve verjetnosti<br />
<strong>za</strong> mešani naključni signal<br />
Slika 6.8<br />
Primer porazdelitvene funkcije <strong>za</strong> mešano naključno spremenljivko.<br />
datoteka: signal_A
124 6. Naključni signali <strong>in</strong> statistične metode<br />
Lastnosti porazdelitvene funkcije<br />
Porazdelitvena funkcija F X je osnova <strong>za</strong> splošni opis lastnosti naključnih pojavov,<br />
<strong>za</strong>to si naštejmo njene lastnosti:<br />
1. F X (−∞) = 0 (6.11a)<br />
2. F X (∞) = 1 (6.11b)<br />
3. 0 F X (x) 1 (6.11c)<br />
4. F X (a) F X (b) če a < b (6.11d)<br />
5. P(x 1 < X < x 2 ) = F X (x 2 ) − F X (x 1 ) (6.11e)<br />
6. F X (x + ) = F X (x) kjer je F X (x + ) = lim F X (x + ε)<br />
ε>0<br />
ε→0<br />
(6.11f)<br />
Več<strong>in</strong>a teh lastnosti je očitnih. Poglejmo. Lastnost 3 izhaja iz dejstva, da je<br />
F X (x) verjetnost, ki lahko <strong>za</strong>v<strong>za</strong>me vrednost med 0 <strong>in</strong> 1. Iz tega sledi<br />
F X (−∞) = P(X ∈ (−∞,−∞]) = P(∅) = 0<br />
F X (∞) = P(X ∈ (−∞,∞]) = P(S x ) = 1 ,<br />
kar pojasnuje tudi lastnosti 1 <strong>in</strong> 2.<br />
Lastnost 5 določa verjetnost nahajanja vrednosti X v <strong>in</strong>tervalu (a,b),a,b ∈<br />
S x . Izračunali smo jo že z (6.5), sedaj pa jo izpeljimo še uporabo σ-algebre.<br />
Izberimo <strong>in</strong>tervala A = (−∞,x 1 ] <strong>in</strong> B = (−∞,x 2 ], <strong>za</strong> katera velja x 1 < x 2 <strong>in</strong><br />
B = A ∪ (x 1 ,x 2 ] ter A ∩ (x 1 ,x 2 ] = ∅. Z uporabo pravila verjetnosti pri uniji<br />
dveh medsebojno neodvisnih dogodkov lahko <strong>za</strong>pišemo:<br />
P(X ∈ B) = P(X ∈ A) + P(X ∈ (x 1 ,x 2 ])<br />
F X (x 2 ) = F X (x 1 ) + P(x 1 < X < x 2 )<br />
P(x 1 < X < x 2 ) = F X (x 1 ) − F X (x 2 ) > 0 , x 1 < x 2 .<br />
Lastnost 4 pravi, da je F X (x) monotono nepadajoča funkcija. Izhaja iz lastnosti<br />
5, saj lahko P(x 1 < X x 2 ) 0 z večanjem <strong>in</strong>tervala [x 1 ,x 2 ] le narašča.<br />
Zadnja našteta lastnost – vrednost F X (x) v diskont<strong>in</strong>uiteti je enaka desni<br />
limiti F X (x) – izhaja iz def<strong>in</strong>icije (6.7). Interval (−∞,x] je z desne <strong>za</strong>prt <strong>in</strong><br />
iz (6.8), kjer smo skok F X (x) pri vrednosti x = a modelirali z <strong>za</strong>maknjeno<br />
enotsko stopnico<br />
{<br />
1 x a<br />
u(x − a) =<br />
. (6.12)<br />
0 x < a<br />
Vrednost 1 smo priredili x = a. Naredi enotsko stopnico zvezno na desni<br />
strani <strong>in</strong> konsistentno s funkcijo porazdelitve porazdelitve verjetnosti (slika 6.9).<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.1 Naključne spremenljivke 125<br />
FX ( x )<br />
F X<br />
(a)= F X<br />
(a+0)<br />
F X<br />
(a0)<br />
p =P X=a<br />
a ( ) Slika 6.9<br />
Nezveznost F X (x) v x = a.<br />
0<br />
a<br />
x<br />
6.1.1 Določitev porazdelitvenih funkcij<br />
Tam, kjer je funkcija porazdelitve verjetnosti F X (x) odvedljiva, lahko funkcijo<br />
porazdelitve gostote verjetnosti f X (x) določimo z odvajanjem F X (x):<br />
f X (x) = d F X(x)<br />
dx<br />
, (6.13)<br />
oziroma z limito aproksimacije odvoda:<br />
F X (x + ∆x) − F X (x)<br />
f X (x) = lim<br />
∆x→0 ∆x<br />
. (6.14)<br />
Obrazec (6.13) vodi k aproksimaciji funkcije porazdelitve gostote verjetnosti<br />
pri diskretnih naključnih funkcijah, ki jih imenujemo histogrami. Obravnavamo<br />
jih v razdelku 6.4 na strani 147.<br />
Poudarimo, da funkcija porazdelitve gostote ni verjetnost, verjetnost določa<br />
<strong>in</strong>tegral funkcije porazdelitve gostote. Osnovne lastnosti funkcije porazdelitve<br />
gostote smo že spoznali pri izpeljavi (6.3) – (6.6), <strong>za</strong>to jih le na kratko<br />
povzemimo:<br />
1. f x (x) 0 , −∞ < x < ∞ (6.15a)<br />
2. (en. 6.7)<br />
∫ ∞<br />
−∞<br />
3. (en. 6.8) F X (x) =<br />
f x (x) dx = 1<br />
∫ x<br />
4. (en. 6.6) P(a < X b) =<br />
∞<br />
f x (x) dx<br />
∫ b<br />
a<br />
f x (x) dx<br />
(6.15b)<br />
(6.15c)<br />
(6.15d)<br />
Na slikah 6.7 <strong>in</strong> 6.8 smo f x (x) v točki nezveznosti F X (x) podali kar z<br />
verjetnostjo p i , da diskretna naključna spremenljivka <strong>za</strong>v<strong>za</strong>me vrednost x i . V<br />
mnogih učbenikih je izpeljana z odvodom:<br />
datoteka: signal_A<br />
d<br />
dx [P(X = x i)u(x − x i )] = P(X = x i )δ(x − x i ) = p i , (6.16)
126 6. Naključni signali <strong>in</strong> statistične metode<br />
kjer je δ(x − x i ) enotski ali Diracov impulz <strong>za</strong>maknjen <strong>za</strong> vrednost x i . Diracov<br />
impulz je širše opisan v poglavju 7 na strani 161. Zato tu le opozorimo,<br />
da (6.16) podaja jakost impul<strong>za</strong>, ki jo grafično težko predstavimo. Zato smo<br />
jo v opisanih zgledih predstavili kot utežen Kroneckerov impulz. Tako predstavitev<br />
ohranjamo tudi v nadalje.<br />
6.1.2 Naključni vektorji<br />
Mnogo je naključnih pojavov, ko ne shajamo z eno samo naključno spremenljivko.<br />
Med njimi so najpogostejši problemi z dvema naključnima spremenljivkama,<br />
na primer naključni elementi dvo-dimenzionalnih slik. Tak element<br />
obravnavamo kot naključni vektor ali vektor naključnih spremenljivk, ki ima<br />
na primer pri slikah z dve komponenti – naključni spremenljivki. Zato pri poskusih<br />
vedno merimo vse spremenljivke, ki jih predstavimo kot komponente<br />
vektorja v večdimenzionalnem vzorčnem prostoru S x . V njem posamezni<br />
elementarni dogodek s označuje uresničitev poskusa, pri katerem izmerimo<br />
N-terico vrednosti {x 1 ,x 2 ,...,x n }. Te vrednosti obravnavamo kot komponente<br />
vektorja x. Predpis, ki dogodku s priredi vrednosti, ki določajo vektor<br />
x v S x , imenujemo vektorska funkcija naključnega dogodka. Velja:<br />
X(s) = (X 1 (s),Y (s),...,X n (s)) = x = (x 1 ,x 2 ,...,x n ) . (6.17)<br />
Na splošno ima vsaka izmed komponent X i (s) svoj vzorčni prostor S Xi . Običajno<br />
pravimo, da je vzorčni prostor vektorske funkcije kartetični produkt<br />
vzorčnih prostorov komponent:<br />
S X = S X1 × S X2 × ··· × S Xn . (6.18)<br />
Z množico točk v tem prostoru potem lahko upodobimo poljubni dogodek<br />
A X . Če je mogoče poljubnemu dogodku A X v vzorčnem prostoru S X pripisati<br />
verjetnost, ki je enaka verjetnosti abstraktnega dogodka A, iz katerega je<br />
A X nastal, pravimo, da je vektorska funkcija merljiva <strong>in</strong> označuje naključno<br />
vektorsko spremenljivko.<br />
ZGLED 6.1.4 (pove<strong>za</strong>na verjetnost pri metanju dveh kovancev)<br />
Vzorčni prostor S pri metanju dveh kovancev lahko preslikamo v xy ravn<strong>in</strong>o – združeni<br />
vzorčni prostor S X = S X × S y 6.10. V tem prostoru naj X(s) = 1 označuje dogodek<br />
Slika 6.10<br />
Preslikava S v xy ravn<strong>in</strong>o.<br />
S<br />
s cg<br />
s gc<br />
s cc<br />
s gg<br />
S Y<br />
1<br />
0 0 1<br />
S X S Y<br />
S X<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.1 Naključne spremenljivke 127<br />
“vsaj ena glava”, X(s) = 0 “nobene glave”, Y (s) = 1 “vsaj ena cifra” <strong>in</strong> Y (s) = 0 “nobene<br />
cifra. Verjetnost ve<strong>za</strong>nega dogodka naključnih spremenljivk X <strong>in</strong> Y so:<br />
P[(X,Y ) = (0,1)] = P[s = s cc ] = 1 / 4<br />
P[(X,Y ) = (1,0)] = P[s = s gg ] = 1 / 4<br />
P[(X,Y ) = (1,1)] = P[s = {s cg ,s gc }] = 1 / 2 . ♦<br />
Funkcija pove<strong>za</strong>ne porazdelitve verjetnosti naključne spremenljivke X <strong>in</strong><br />
Y je def<strong>in</strong>irana z:<br />
F XY (x,y) = P [ {s : X(s) ∈ (−∞,x] <strong>in</strong> Y (s) ∈ (−∞,y] <strong>in</strong> s ∈ S } ]<br />
= P ( (X x) ∩ (Y y) ) , (6.19)<br />
ki je direktna razširitev porazdelitvene funkcije ene naključne spremenljivke.<br />
Pogosto je <strong>za</strong>pisana tudi v obliki:<br />
F XY (x,y) = P(X x,Y y)<br />
=<br />
∫ x<br />
−∞<br />
∫ y<br />
−∞<br />
(6.20a)<br />
f XY (x,y) dx dy , (6.20b)<br />
kjer je f XY (x,y) vektorska ali tudi pove<strong>za</strong>na porazdelitev gostote verjetnosti.<br />
Izrazimo jo lahko v obliki:<br />
f XY (x,y) = ∂ 2<br />
Lastnosti vektorske porazdelitvene funkcije<br />
∂x∂y F XY (x,y) . (6.21)<br />
Vektorsko porazdelitveno funkcijo imenujemo tudi pove<strong>za</strong>na porazdelitvena<br />
funkcija. Združena porazdelitvena funkcija F XY (a,b) je verjetnost, da X <strong>in</strong> Y<br />
ležita znotraj neskončnega območja xy ravn<strong>in</strong>e (slika 6.11).<br />
S Y , y<br />
b<br />
0<br />
a<br />
S X S Y<br />
S Y , x<br />
Slika 6.11<br />
Območje F XY (a,b).<br />
Osnovne lastnosti pove<strong>za</strong>ne porazdelitvene funkcije so:<br />
1. Verjetnost, da pri poskusu izmerimo vrednost izven območja končnih<br />
vrednosti je nič:<br />
datoteka: signal_A<br />
lim<br />
x→−∞<br />
y→−∞<br />
F XY (x,y) = F XY (∅) = 0 , (6.22)
128 6. Naključni signali <strong>in</strong> statistične metode<br />
torej: F XY (−∞,y) = F XY (x,−∞) = F XY (−∞,−∞) = 0. Verjetnost, da<br />
je vektor kjerkoli v ravn<strong>in</strong>i (x,y), je enaka ena:<br />
lim F XY (x,y) = F XY (S X ) = 1 , (6.23)<br />
x→∞<br />
y→∞<br />
oziroma F XY (∞,∞) = 1.<br />
2. F XY (x,y) je verjetnost, <strong>za</strong>to:<br />
0 F XY (x,y) 1 . (6.24)<br />
Ta lastnost direktno izhaja iz lastnosti 1, podobno kot pri skalarni naključni<br />
spremenljivki.<br />
3. F XY (x,y) je monotona, nepadajoča funkcija v vseh dimenzijah prostora<br />
S X .<br />
4. Robno ali marg<strong>in</strong>alno porazdelitev gostote verjetnosti dveh naključnih<br />
spremenljivk določata:<br />
∫ x<br />
F X (x) =<br />
F Y (y) =<br />
∫ ∞<br />
−∞ −∞<br />
∫ ∞ ∫ y<br />
−∞<br />
−∞<br />
ki se v splošni (skupni) obliki glasita:<br />
f XY (x,y) dx dy<br />
F XY (x,∞) = P(X x) = F X (x)<br />
(6.25a)<br />
f XY (x,y) dx dy , (6.25b)<br />
(6.26a)<br />
F XY (∞,y) = P(Y y) = F Y (y) . (6.26b)<br />
5. P(a 1 < X a 2 ,b 1
F XY (x,y) = 1 4 u(x − 1) + 1 4 u(y − 1) + 1 2 u(x − 1)u(y − 1) . (6.27) ♦<br />
6.1 Naključne spremenljivke 129<br />
ZGLED 6.1.5 (Pove<strong>za</strong>na porazdelitev verjetnosti pri metanju dveh kovancev)<br />
Za vzorčni prostor S iz zgleda 6.1.4 določimo F XY (x,y).<br />
REŠITEV: Pove<strong>za</strong>na porazdelitev je določena z:<br />
F XY (x,y) = 1 x 1,y 1 F XY (x,y) = 1 4<br />
0 x < 1,y 1<br />
F XY (x,y) = 1 4<br />
x 1,0 y < 1 F XY (x,y) = 0 x < 1 ali y < 1 .<br />
V dvodimenzionalnih vzročnih prostorih – kot je ta v obravnavanem primeru – lahko<br />
pove<strong>za</strong>no porazdelitev prikažemo tudi v grafični obliki (slika 6.12b). Pove<strong>za</strong>no poraz-<br />
S Y , y<br />
b 1<br />
S X S Y<br />
F XY ( x,y)<br />
1<br />
3/<br />
4<br />
1/<br />
2<br />
1/<br />
4<br />
1<br />
S Y , y<br />
S X S Y<br />
b 2<br />
a 2<br />
0<br />
a 1<br />
S Y , x<br />
0 1<br />
S X , x<br />
(a) Območje P(a 1 < X a 2 ,b 1 < Y b 2 ).<br />
(b) Preslikava S v xy ravn<strong>in</strong>o.<br />
Slika 6.12<br />
delitveno funkcijo lahko <strong>za</strong>pišemo tudi kot:<br />
datoteka: signal_A
130 6. Naključni signali <strong>in</strong> statistične metode<br />
Lastnosti gostote vektorske porazdelitvene funkcije<br />
Osnovne lastnosti funkcije gostote pove<strong>za</strong>ne porazdelitvene funkcije so:<br />
1. f XY (x,y) 0 (6.28a)<br />
2.<br />
∫ ∞ ∫ ∞<br />
−∞<br />
−∞<br />
f XY (x,y) dx dy = 1<br />
3. F XY (x,y) =<br />
4. f x (x) =<br />
f y (y) =<br />
5. P(a 1 < X a 2 ,b 1 < Y b 2 ) =<br />
∫ x<br />
−∞<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
∫ y<br />
−∞<br />
−∞<br />
∫ a2<br />
∫ b2<br />
a 1<br />
f XY (x,y) dx dy<br />
f XY (x,y) dy<br />
f XY (x,y) dx<br />
(6.28b)<br />
(6.28c)<br />
(6.28d)<br />
(6.28e)<br />
b 1<br />
f XY (x,y) dx dy (6.28f)<br />
Funkcija gostote pove<strong>za</strong>ne porazdelitve je lahko večja od 1, ker pa smo jo<br />
def<strong>in</strong>irali kot odvod monotono nepadajoče funkcije (pove<strong>za</strong>ne porazdelitve),<br />
mora biti enaka ali večja od nič.<br />
Z lastnostjo 5 v splošnem lahko bolj enostavno izračunamo pove<strong>za</strong>no porazdelitev<br />
kot s to lastnostjo pri funkciji pove<strong>za</strong>ne porazdelitve.<br />
Zaradi lastnosti 4 ob upoštevanju pravila 3 ter pravila odvajanja <strong>in</strong>tegralov<br />
lahko izpeljemo obrazca <strong>za</strong> izračun robne funkcije gostote pove<strong>za</strong>ne porazdelitve:<br />
ki se glasita:<br />
dF XY (x)<br />
dx<br />
= d ∫ x ∫ ∞<br />
f XY (x,y) dy ,<br />
dx −∞ −∞<br />
f X (x) = dF XY (x)<br />
dx<br />
f Y (y) = dF XY (y)<br />
dy<br />
= dF XY (x,∞)<br />
dx<br />
= dF XY (y,∞)<br />
dy<br />
ZGLED 6.1.6 (Gostota pove<strong>za</strong>ne porazdelitve)<br />
Določimo gostoto pove<strong>za</strong>ne porazdelitve iz zgleda 6.1.5!<br />
(6.29a)<br />
. (6.29b)<br />
REŠITEV:<br />
V zgledu 6.1.5 je pove<strong>za</strong>na porazdelitev<br />
[en. (6.27)] F XY (x,y) =<br />
4 1u(x − 1) + 4 1u(y − 1) + 2 1 u(x − 1)u(y − 1) .<br />
Iz nje porazdelitev gostote verjetnosti izračunamo z (6.21). Dobimo:<br />
f XY (x,y) = ∂ 2 F XY (xy)<br />
∂x∂y<br />
= 1 4 δ(x − 1)δ(x) + 4 1δ(y)δ(y − 1) + 1 2δ(x − 1)δ(y − 1) ,<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.1 Naključne spremenljivke 131<br />
kjer smo upoštevali, da je du(x − x 0 )/ dx = δ(x − x 0 ), δ(x − x 0 ) je Diracov impulz<br />
v točki x 0 (slika 6.13a). Določa lego vrednosti P(X = x i ,Y = y j ) = p i j , ki jih lahko<br />
f XY ( x,y)<br />
1<br />
3/<br />
4<br />
1/<br />
2<br />
1/<br />
4<br />
/<br />
1 4<br />
1<br />
/<br />
1 4<br />
0 1<br />
S Y , y<br />
1/<br />
2<br />
S X S Y<br />
S X , x<br />
f XY ( x,y)<br />
1<br />
3/<br />
4<br />
1/<br />
2<br />
1/<br />
4<br />
0 1<br />
S Y , y<br />
p<br />
p 11<br />
01<br />
1<br />
p 10<br />
S X S Y<br />
S X , x<br />
(a) predstavitev pdf z Diracovimi impulzi<br />
(b) predstavitev pdf z Kroneckerovimi impulzi<br />
Slika 6.13<br />
Porazdelitev gostote verjetnosti.<br />
predstavimo kot utežene Kroneckerove impulze (slika 6.13b).<br />
♦<br />
Statistična neodvisnost<br />
Spomnimo se, da smo <strong>za</strong> dogodka, na primer A <strong>in</strong> B, izjavili, da sta statistično<br />
neodvisna takrat <strong>in</strong> samo takrat, če velja:<br />
[en. (A.30)] P(A ∩ B) = P(A)(B) .<br />
Če dogodka A <strong>in</strong> B predstavljata reali<strong>za</strong>cijo naključnih spremenljivk X <strong>in</strong> Y ,<br />
torej A = {X x} = (−∞,x] <strong>in</strong> B = {Y y} = (−∞,y], iz pogoja (A.30)<br />
uvidimo, sta naključni spremenljivki X <strong>in</strong> Y statistično neodvisni takrat <strong>in</strong><br />
samo takrat, ko velja:<br />
oziroma<br />
P(X x,Y y) = P(X x)P(Y y) (6.30)<br />
F XY (x,y) = F X (x)F Y (y) . (6.31)<br />
Z besedami, naključni spremenljivki X <strong>in</strong> Y sta statistično neodvisni, če <strong>in</strong><br />
samo če je možno njuno funkcijo pove<strong>za</strong>ne porazdelitve verjetnosti faktorizirati.<br />
Če se da, se da faktorizirati tudi njuna funkcija gostote pove<strong>za</strong>ne<br />
datoteka: signal_A
132 6. Naključni signali <strong>in</strong> statistične metode<br />
porazdelitve:<br />
f XY (x,y) = ∂ 2 F XY (x,y)<br />
∂x∂y<br />
<strong>in</strong> izračun pove<strong>za</strong>ne porazdelitve:<br />
∫ x<br />
F XY (x,y) =<br />
= dF X(x)<br />
dx<br />
dF Y (y)<br />
dy<br />
= f X (x) f Y (y) (6.32)<br />
=<br />
−∞<br />
∫ x<br />
−∞<br />
∫ y<br />
−∞<br />
f X (u) du<br />
f XY (u,v) du dv<br />
∫ y<br />
−∞<br />
f Y (v) dv . (6.33)<br />
Če naključni spremenljivki X <strong>in</strong> X nista neodvisni, potem poznavanje f X (x)<br />
<strong>in</strong> f Y (y) ni dovolj, da bi določili f XY (x,y).<br />
6.1.3 Funkcija porazdelitve pogojne verjetnost<br />
Če naključni spremenljivki X <strong>in</strong> Y nista neodvisni, potem lahko funkcijo porazdelitve<br />
določimo s pogojno verjetnostjo. Pri tem izhajamo iz:<br />
[en. (A.27)] P(A|B) =<br />
P(A ∩ B)<br />
P(B)<br />
,<br />
dogodkoma A <strong>in</strong> B pa pripišemo A = {X x} = (−∞,x] <strong>in</strong> Y ∈ B. Potem<br />
lahko funkcijo porazdelitve pogojne verjetnosti def<strong>in</strong>iramo z:<br />
F X (x|Y ∈ B) = F X (X x|Y ∈ B)<br />
=<br />
P(X x,Y ∈ B)<br />
P(Y ∈ B)<br />
, P(Y ∈ B) > 0 , (6.34)<br />
ki izpolni vse pogoje funkcije porazdelitve verjetnosti. Z odvajanjem (6.34)<br />
dobimo funkcijo porazdelitve pogojne verjetnosti:<br />
f X (x|Y ∈ B) =<br />
dF(X|Y ∈ B)<br />
dx<br />
. (6.35)<br />
Funkcijo porazdelitev verjetnosti X pri določeni vrednosti Y lahko določimo<br />
s pogojno verjetnostjo. Na primer, imejmo dve naključni spremenljivki X <strong>in</strong><br />
Y , ki imata pove<strong>za</strong>no porazdelitev gostote verjetnosti f XY (x,y). Zanima nas<br />
verjetnost, da je naključna spremenljivka X x pogojena z nahajanjem Y v<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.2 Statistična povprečja 133<br />
<strong>in</strong>tervalu y − ∆y < Y y – torej verjetnost dogodka (X x|y − ∆y < Y Y ).<br />
Upoštevajmo (6.1.3) <strong>in</strong> dobimo:<br />
P(X x|y − ∆y < Y y) =<br />
∫ x<br />
∫ y<br />
−∞ y−∆y<br />
∫ y<br />
y−∆y<br />
f XY (u,v) du dv<br />
. (6.36)<br />
f Y (v) dv<br />
Vrednost P(X x|Y = y) dobimo z limitnim postopkom z ∆y → 0, vendar<br />
direktno računanje da neuporabni rezultat – P(X x|Y = y) = 0/0. Temu<br />
se izognemo z uporabo prvega izreka o povprečni vrednosti ( ∫ b<br />
a g(z) dz =<br />
(b − a)g(c), a c b). Dobimo:<br />
P(X x|y − ∆y < Y y) =<br />
∫ x<br />
−∞<br />
∆y f XY (u,y ′ ) du<br />
∆y f Y (y ′′ )<br />
y ∆ yy ′ y,<br />
y ∆ yy ′′ y<br />
,<br />
kjer okrajšamo ∆y <strong>in</strong> sedaj z limitnim postopkom z ∆y → 0 dobimo:<br />
F X|Y (X|Y ) = lim P(X x|y − ∆y < Y y) ≡ P(X|Y )<br />
=<br />
∆y→0<br />
∫ x<br />
−∞<br />
f XY (u,y) du<br />
f Y (y)<br />
. (6.37)<br />
Predpostavimo, da sta v <strong>in</strong>tervalu (y − ∆y,y] porazdelitvi gostote verjetnosti<br />
f XY (x,y) <strong>in</strong> f Y (y) zvezni, torej na njem obstajata njuna odvoda. Odvajajmo<br />
(6.37) po spremenljivki x:<br />
f X|Y (x|y) = dF X|Y (X|Y )<br />
dx<br />
= f XY (x,y)<br />
f Y (y)<br />
. (6.38a)<br />
Gornji obrazec določa funkcijo gostote pogojne verjetnosti X pri danem Y .<br />
Podoben obrazec dobimo <strong>za</strong> funkcijo gostote pogojne verjetnosti Y pri danem<br />
X:<br />
f Y |X (y|x) = dF Y |XY (Y |X)<br />
= f XY (x,y)<br />
. (6.38b)<br />
dx f X (x)<br />
Zapisane relacije <strong>za</strong> pogojne porazdelitvene funkcije lahko enostavno razširimo<br />
na večdimenzionalne naključne spremenljivke.<br />
6.2 Statistična povprečja<br />
Pri karakteri<strong>za</strong>ciji rezultatov eksperimentov <strong>in</strong> pri naključnih spremenljivkah,<br />
ki so def<strong>in</strong>irane nad prostorom zbirke možnih spremenljivk, imajo povprečne<br />
datoteka: signal_A
134 6. Naključni signali <strong>in</strong> statistične metode<br />
vrednosti zelo pomembno vlogo. Posebej sta <strong>za</strong>nimiva prvi <strong>in</strong> drugi moment<br />
ene naključne spremenljivke <strong>in</strong> pove<strong>za</strong>ni momenti me dvema naključnima<br />
spremenljivkama, kot sta korelacija <strong>in</strong> kovarianca.<br />
6.2.1 Pričakovana vrednost<br />
Opazujmo eksperiment z n možnimi izidi. Ti izidi so <strong>za</strong>loga vrednosti naključne<br />
spremenljivke X, X = {x 1 ,x 2 ,...,x n }. Napravimo M poizkusov v<br />
katerem se izid x 1 pojavi N 1 krat, izid x 2 se zgodi N 2 krat <strong>in</strong> tako naprej<br />
vse do izida x n , ki se zgodi N n krat. Seveda je M = ∑ i N i . Tvorimo vsoto<br />
x 1 N 1 + x 2 N 2 + ··· + x n N n <strong>in</strong> jo delimo z M. Dobimo empirično povprečje<br />
naključne spremenljivke X:<br />
X emp. = x N 1<br />
1<br />
povpr. M + x N 2<br />
2<br />
M + ···x i<br />
N i<br />
M + ··· + x n<br />
N n<br />
M , (6.39)<br />
kjer so N i /M, i = 1,2,...,n frekvenčna razmerja dogodkov. Če večamo število<br />
M proti neskončnosti, preidejo frekvenčna razmerja v verjetnost dogodkov<br />
P(X = x i ) = p i , empirično povprečje pa limitira k povprečni vrednosti<br />
µ x , ki ga imenujemo pričakovana ali srednja vrednost naključne spremenljivke<br />
X. Zato je <strong>za</strong>njo pogosta oznaka E[X]. V literaturi se <strong>za</strong>njo najde tudi<br />
ime matematično upanje. Velja:<br />
oziroma:<br />
lim<br />
M→∞ X emp. povpr. = µ x = E[X] , (6.40)<br />
µ x = x 1 P(X = x 1 ) + x 2 P(X = x 2 ) + ··· + x n P(X = x n )<br />
= x 1 p 1 + x 2 p 2 + ··· + x n p n<br />
=<br />
n<br />
∑<br />
i=1<br />
x i p i =<br />
n<br />
∑<br />
i=1<br />
x i f X (x i ) , (6.41)<br />
kjer množica p 1 , p 2 ,..., p n določa diskretno funkcijo porazdelitve gostote<br />
verjetnosti f X (x i ). Pri zveznih sistemih, kjer ima naključna spremenljivka X<br />
neskončno mnogo možnih vrednosti, funkcijo f X (x i ) nadomesti f X (x), vsoto<br />
pa <strong>in</strong>tegral:<br />
∫ ∞<br />
E[X] = x f X (x) dx . (6.42)<br />
−∞<br />
Pričakovana vrednost je l<strong>in</strong>earna operacija, <strong>za</strong>to:<br />
E[X +Y ] = E[X] + E[Y ]<br />
(6.43a)<br />
E[αX] = αE[X] . (6.43b)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.2 Statistična povprečja 135<br />
6.2.2 Momenti<br />
Pričakovano vrednost E[X] večkrat imenujemo prvi moment naključne spremenljivke<br />
X. Ime moment je privzeto <strong>za</strong>radi podobnosti enačbe <strong>za</strong> matematično<br />
upanje z momentno enačbo v mehaniki – upanje, da bo spremenljivka<br />
<strong>za</strong>vzela neko vrednost, je sorazmerno velikosti spremenljivke (ročici) × porazdelitvi<br />
verjetnosti te spremenljivke (sili).<br />
Poleg prvega momenta poznamo še momente višjega reda. Def<strong>in</strong>iramo jih<br />
kot povprečja k-te potence naključne spremenljivke:<br />
E[X m ] = ∑xi m f X (x i ) (6.44)<br />
i<br />
oziroma pri zveznih naključnih spremenljivkah je enak<br />
∫<br />
E[X m ] = x m f X (x) dx . (6.45)<br />
S X<br />
Drugi moment imenujemo tudi srednja kvadratična vrednost naključne spremenljivke<br />
X. Momente uporabljamo takrat, kadar želimo približno okarakterizirati<br />
lastnosti gostote porazdelitve naključnih vrednosti.<br />
6.2.3 Splošna povprečja<br />
Momenti seveda veljajo ne le <strong>za</strong> naključno spremenljivko X, ampak tudi <strong>za</strong><br />
njene poljubne funkcije. Privzemimo, da velja Y = g(X), kjer je g(X) funkcija<br />
X. Pričakovana vrednost Y je:<br />
E[Y ]) = E [ (g(X) ] =<br />
∞<br />
∑<br />
i=−∞<br />
oziroma pri zveznih naključnih spremenljivkah:<br />
E[Y ] = E [ (g(X) ] =<br />
∫ ∞<br />
−∞<br />
g(x i ) f X (x i ) , (6.46)<br />
g(x) f X (x) dx . (6.47)<br />
Zgornja obrazca lahko razširimo na vektorske funkcije. Na primer, bodi Z =<br />
g(X,Y ). Pričakovana vrednost Z je<br />
E[Z] =<br />
∞<br />
∑<br />
i=−∞<br />
g(z i ) f Z (z i )<br />
= E[g(X,Y )] = ∑<br />
i<br />
oziroma pri zveznih naključnih spremenljivkah:<br />
datoteka: signal_A<br />
E[Z] = E[g(X,Y )] =<br />
∫ ∞ ∫ ∞<br />
−∞<br />
−∞<br />
∑g(x i ,y k ) f XY (x i ,y k ) , (6.48)<br />
k<br />
g(x,y) f XY (x,y) dx dy . (6.49)
136 6. Naključni signali <strong>in</strong> statistične metode<br />
6.2.4 Centralni momenti<br />
Oglejmo si še posebni primer pričakovane vrednosti <strong>za</strong> Y = (X − µ x ) n , kjer<br />
je µ x srednja vrednost naključne spremenljivke X:<br />
E[Y ] = E [ (X − µ x ) n] =<br />
∞<br />
∑<br />
i=−∞<br />
Pri zveznih naključnih spremenljivkah X pa velja:<br />
E[Y ] = E [ (X − µ x ) n] =<br />
∫ ∞<br />
−∞<br />
(x i − µ x ) n f X (x i ) , (6.50)<br />
(x − µ x ) n f X (x) dx . (6.51)<br />
Tej pričakovani vrednosti pravimo tudi n-ti centralni moment naključne spremenljivke<br />
X. Moment je centralni, ker se nanaša na srednjo vrednost naključne<br />
spremenljivke.<br />
6.2.5 Varianca<br />
Za n = 2 dobimo zelo pomemben centralni moment, <strong>za</strong>to ima svoje ime:<br />
varianca ali disperzija oziroma razpršitev vrednosti spremenljivke X okoli<br />
njene srednje vrednosti:<br />
var[X] = E [ (X − µ x ) 2] . (6.52)<br />
Koren iz variance je srednje kvadratično odstopanje ali tipična deviacija oziroma<br />
tipični odklon:<br />
σ x = √ var[X] . (6.53)<br />
S σ x merimo šir<strong>in</strong>o gostote porazdelitve verjetnosti okoli povprečja. Če je<br />
pričakovana vrednost spremenljivke X enako nič, je varianca enaka drugemu<br />
momentu spremenljivke X:<br />
σ 2 x = E [ X 2] , E[X] = 0 . (6.54)<br />
Z uporabo lastnosti (6.43) – l<strong>in</strong>earnosti – lahko (6.52) poenostavimo v:<br />
σ 2 x = E [ X 2] − µ 2 x = E [ X 2] − (E [X]) 2 . (6.55)<br />
6.2.6 Momenti vektorski spremenljivk<br />
Def<strong>in</strong>icijo momenta brez težav razširimo tudi na porazdelitev vektorskih naključnih<br />
spremenljivk. Na primer, če imamo naključni zvezni spremenljivki<br />
X <strong>in</strong> Y z pove<strong>za</strong>no porazdelitvijo gostote verjetnosti f XY (x,y), množico pove<strong>za</strong>nih<br />
momentov def<strong>in</strong>irajmo z:<br />
E[X k Y n ) =<br />
∫ ∞ ∫ ∞<br />
−∞<br />
−∞<br />
x k y n f XY (x,y) dx dy , k,n ∈ N . (6.56)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.3 Nekatere porazdelitve verjetnosti 137<br />
Kadar je vektorska funkcija diskretna, preide zgornji <strong>in</strong>tegral v vsoto, funkcija<br />
porazdelitve gostote verjetnosti pa v diskretno funkcijo porazdelitve<br />
6.2.7 Korelacija <strong>in</strong> kovarianca<br />
f XY (x i ,y j ) = {p 11 , p 12 ,..., p i j ,...} . (6.57)<br />
Posebej pomembna sta združeni moment <strong>in</strong> združeni centralni moment pri<br />
k = n = 1. Prvega imenujemo korelacija, drugega pa kovarianca naključnih<br />
spremenljivk X <strong>in</strong> Y . Če je njuna pove<strong>za</strong>na porazdelitev gostote verjetnosti<br />
f XY (x,y), potem je korelacija naključnih spremenljivk X <strong>in</strong> Y določena z:<br />
∫ ∞ ∫ ∞<br />
E[XY ] = ρ xy = xy f XY (x,y) dx dy , (6.58)<br />
−∞ −∞<br />
kovarianca pa z:<br />
cov[X,Y ] = E[(X − µ x )(Y − µ y )]<br />
=<br />
=<br />
∫ ∞ ∫ ∞<br />
−∞ −∞<br />
∫ ∞ ∫ ∞<br />
−∞<br />
−∞<br />
(x − µ x )(y − µ y ) f XY (x,y) dx dy<br />
xy f XY (x,y) dx dy − µ x µ y<br />
= E[XY ] − µ x µ y . (6.59)<br />
Naključni spremenljivki X <strong>in</strong> Y sta nekorelirani, če velja:<br />
E[XY ] = E[X]E[Y ] = µ x µ y . (6.60)<br />
V tem primeru je tudi kovarianca med tema naključnima spremenljivkama<br />
enaka nič. Ta pogoj je <strong>za</strong>gotovo izpolnjen pri statistično neodvisnih naključnih<br />
spremenljivkah. Obratno pa vedno ne velja. Iz zgornjega pogoja<br />
<strong>za</strong> povprečje namreč ne izhaja, da je možno gostoto f XY (x,y) faktorizirati v<br />
f X (x) f Y (y). Če je korelacija dveh spremenljivk enaka nič, sta lahko ti spremenljivki<br />
medsebojno ortogonalni. Zato moramo biti pri uporabi teh obrazcev<br />
pazljivi, da ne <strong>za</strong>menjamo nekoreliranih spremenljivk z ortogonalnimi.<br />
6.3 Nekatere porazdelitve verjetnosti<br />
V naslednjih podpoglavjih je kratek pregled porazdelitev verjetnosti, ki jih<br />
pogosto srečamo v teoriji prenosa <strong>signalov</strong>. Podane so njihove porazdelitve<br />
gostote verjetnosti <strong>in</strong> kumulativne porazdelitve verjetnosti. Pregled se prične<br />
s primerom <strong>za</strong> diskretno naključno spremenljivko, sledi pa več primerov <strong>za</strong><br />
zvezne naključne spremenljivke.<br />
datoteka: signal_A
138 6. Naključni signali <strong>in</strong> statistične metode<br />
P( X = x i )<br />
1<br />
0,5<br />
1-p<br />
p<br />
0 1<br />
Slika 6.14<br />
Primer porazdelitve<br />
verjetnosti X = {0,1}.<br />
x<br />
6.3.1 B<strong>in</strong>omska porazdelitev<br />
B<strong>in</strong>omsko porazdelitev uporabljamo predvsem <strong>za</strong> izračunavanje verjetnosti<br />
pri ponavljanju poskusa, ki ima le dva možna izida (primer takega poskusa<br />
je metanje kovanca). Vzemimo, da je pri poskusu lahko izid dogodek A.<br />
Če se ta ne realizira, se realizira nasprotni dogodek B = A. Bodi verjetnost<br />
dogodka A enak p, dogodka B pa q. Ker sta dogodka A <strong>in</strong> B nepove<strong>za</strong>na, velja<br />
P(S ) = P(A ∪ B) = P(A) + P(B) = 1, <strong>za</strong>to 1 = p + q oziroma q = 1 − p<br />
(slika 6.14). Z <strong>in</strong>dikatorsko funkcijo dogodka A <strong>in</strong> B preslikamo na x-os:<br />
A ↦→ 1,B ↦→ 0. S tem uvedemo Bernoullijevo spremenljivko X i = {0,1}.<br />
Naredimo n poskusov, ti naj določijo spremenljivko Y :<br />
Y =<br />
n<br />
∑<br />
i=1<br />
X i (6.61)<br />
<strong>in</strong> se vprašamo: kolika je verjetnost, da se bo v tem poskusu k-krat zgodil<br />
dogodek A oziroma, da bo k spremenljivk X i enakih 1? Vrstni red reali<strong>za</strong>cije<br />
pri tem naj ne bo pomemben. Da odgovorimo na to vprašanje, upoštevajmo,<br />
da iz (6.61) sledi, da je S Y = {0,1,...,n}. Verjetnost P(Y = 0) je enaka verjetnosti,<br />
da so vsi X i enaki 0. Ker je X i statistično neodvisna spremenljivka,<br />
velja:<br />
P(Y = 0) = q n = (1 − p) n . (6.62)<br />
Verjetnost P(Y = 1) je verjetnost, da je en X i = 1. Ta dogodek se more zgoditi<br />
na n različnih nač<strong>in</strong>ov:<br />
P(Y = 1) = np(1 − p) n−1 . (6.63)<br />
Posplošimo. Verjetnost P(Y = k) je enaka verjetnosti, da je bil v poskusu<br />
k-krat X = 1 <strong>in</strong> <strong>za</strong>to (n − k)-krat X = 0. To je možno doseči v<br />
komb<strong>in</strong>acijah. Iz tega sledi<br />
( n<br />
k)<br />
=<br />
P(Y = k) =<br />
n!<br />
k!(n − k)!<br />
(6.64)<br />
( n<br />
k)<br />
p k (1 − p) n−k . (6.65)<br />
To porazdelitev imenujemo Bernoullijeva ali b<strong>in</strong>omska porazdelitev. Iz (6.65)<br />
sledi, da je funkcija porazdelitve gostote verjetnosti enaka:<br />
f Y (y i ) =<br />
n<br />
∑<br />
k=0<br />
n<br />
∑<br />
P(Y = k)δ K (y − k)<br />
) n<br />
= p<br />
k=0( k (1 − p) n−k δ K (y − k) , (6.66)<br />
k<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.3 Nekatere porazdelitve verjetnosti 139<br />
kjer je δ K Kroneckerov impulz, kumulativna porazdelitev verjetnosti pa je<br />
enaka:<br />
⌈y⌉ ) n<br />
F Y (y i ) = P(Y y) = ∑ p<br />
k=0( k (1 − p) n−k , (6.67)<br />
k<br />
kjer pomeni ⌈y⌉ največje celo število m <strong>za</strong> katerega še velja m y. Kumulativna<br />
porazdelitev verjetnosti v zgornji enačbi opisuje b<strong>in</strong>omsko porazdelitev<br />
naključne spremenljivke (slika 6.15b). Srednja vrednost <strong>in</strong> varianca Y sta:<br />
p i, fX ( x)<br />
0,4<br />
FX ( x)<br />
1<br />
0,8<br />
0,9533 1,000<br />
0,7667<br />
0,3<br />
0,2765 0,3110 0,1866<br />
0,6<br />
0,4557<br />
0,2<br />
0,1<br />
0,0369<br />
0,1382<br />
0,0467<br />
0,4<br />
0,2<br />
0,1792<br />
0,041<br />
p p 3 4<br />
p p 5 2<br />
p 1<br />
p 6<br />
1 2 3 4 5 6 x<br />
1 2 3 4 5 6 x<br />
(a) porazdelitev gostote<br />
(b) kumulativna porazdelitev<br />
Slika 6.15<br />
Primer b<strong>in</strong>omske porazdelitve pri n = 6 <strong>in</strong> p = 0,6.<br />
6.3.2 Poisonova porazdelitev<br />
µ y = E[Y ] = np (6.68)<br />
var[(Y − µ x ) 2 ] = σ 2 y = npq = np(1 − p) . (6.69)<br />
Kadar je število poskusov zelo veliko <strong>in</strong> verjetnost dogodka A tako majhna,<br />
da je np ≈ 1, lahko b<strong>in</strong>omsko porazdelitev aproksimiramo s Poissonovo porazdelitvijo<br />
s parametrom α. Poglejmo:<br />
−a ak<br />
P(X = k) = e<br />
k!<br />
V tem primeru je porazdelitev gostote verjetnosti enaka:<br />
f X (x i ) = e −a<br />
∞<br />
∑<br />
k=−∞<br />
<strong>in</strong> pripadajoča porazdelitev je:<br />
datoteka: signal_A<br />
F X (x i ) = e −a<br />
∞<br />
∑<br />
k=−∞<br />
, k = 0,1,... (6.70)<br />
a k<br />
k! δ K(x − k) , k = 0,1,... (6.71)<br />
a k<br />
u(x − k) , k = 0,1,... (6.72)<br />
k!
140 6. Naključni signali <strong>in</strong> statistične metode<br />
Srednja vrednost <strong>in</strong> varianca pri tej porazdelitvi sta enaki:<br />
µ x = E[X] = a (6.73)<br />
σ 2 x = a (6.74)<br />
Poissonova porazdelitev se pojavi pri problemih pove<strong>za</strong>nih s štetjem, na primer<br />
števila telefonskih klicev, ki prihajajo ob različnih časovnih <strong>in</strong>tervalih.<br />
6.3.3 Uniformna porazdelitev<br />
Uniformno porazdelitev gostote verjetnosti <strong>in</strong> kumulativne porazdelitve verjetnosti<br />
(slika 6.16) določata:<br />
⎧<br />
⎨ 1<br />
a x b<br />
f X (x) = b − a<br />
(6.75)<br />
⎩<br />
0 sicer<br />
∫ ∞<br />
∫ b<br />
F X (x) = f x (x) dx = k dx = k(b − a) . (6.76)<br />
−∞<br />
a<br />
Prva dva momenta <strong>in</strong> varianca naključne spremenljivke X so:<br />
E[X] = µ x = a + b<br />
2<br />
E[X 2 ] = a2 + b 2 + ab<br />
3<br />
var(X) = E[X 2 ] − (µ x ) 2 = σ 2 x =<br />
(a − b)2<br />
12<br />
(6.77)<br />
(6.78)<br />
. (6.79)<br />
Slika 6.16<br />
Potek enakomerne porazdelitve f X (x) <strong>in</strong><br />
pripadajoče kumulativne porazdelitve<br />
F X (x).<br />
a<br />
fX( x) FX( x)<br />
1 1<br />
0<br />
1/( b-a)<br />
b<br />
x<br />
a<br />
0,5<br />
(a+ b)/2<br />
b<br />
x<br />
ZGLED 6.3.1 (enakomerna porazdelitev)<br />
Za porazdelitev f X (x) določeno z (6.75) določimo:<br />
1. konstanto k<br />
2. verjetnost P(|X| 1 / 2 ) pri a = −1 <strong>in</strong> b = 2<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.3 Nekatere porazdelitve verjetnosti 141<br />
REŠITEV:<br />
1. Iz lastnosti porazdelitve verjetnosti gostote (6.11a) sledi, da k mora biti pozitivna<br />
konstanta, iz druge lastnosti (6.11b) pa lahko izračunamo:<br />
∫ ∞<br />
−∞<br />
od koder dobimo k = 1/(b − a), oziroma:<br />
∫ b<br />
f X (x) dx = k dx = k(b − a) = 1<br />
a<br />
f X (x) =<br />
{ 1<br />
b−a<br />
0 sicer<br />
a x b<br />
2. Upoštevajmo meji a = −1 <strong>in</strong> b = 2 <strong>in</strong> izračunamo porazdelitev gostote verjetnosti:<br />
{ 13<br />
−1 x 2<br />
f X (x) =<br />
0 sicer<br />
1/3<br />
fX( x)<br />
1<br />
0,5 1/3<br />
Verjetnost P(|X| 1 / 2 ) pa izračunamo z (6.11d): -1 -0,5 0 0,5 2 x<br />
P(|X| 1 / 2 ) = P(− 1 / 2 X 1 / 2 )<br />
=<br />
∫ 1/2<br />
−1/2<br />
f X (x) dx =<br />
∫ 1/2<br />
−1/2<br />
1<br />
3 dx = 1 3<br />
♦<br />
Slika 6.17<br />
6.3.4 Gaussova ali normalna porazdelitev<br />
Naključno spremenljivko Xs funkcijo porazdelitve:<br />
1<br />
f X (x) = √<br />
2πσ 2<br />
{<br />
exp − 1 ( x−µx<br />
) 2<br />
}<br />
2 σ<br />
(6.80)<br />
imenujemo Gaussova ali normalna spremenljivka. V (6.80) sta konstanti µ x<br />
srednja vrednost <strong>in</strong> σ standardna deviacija: −∞ < µ x < ∞ <strong>in</strong> σ > 0. Funkcija<br />
f X (x) ima zvončast potek (slika 6.18). Maksimum ima v točki x = µ x <strong>in</strong> je<br />
fX( x)<br />
a<br />
0,61a<br />
0,14a<br />
x <br />
x <br />
0 x<br />
3<br />
x <br />
2<br />
x <br />
a= Slika 6.18<br />
Porazdelitev gostote verjetnosti pri<br />
Gaussovi naključni spremenljivki.<br />
x <br />
2<br />
x <br />
3<br />
x<br />
datoteka: signal_A
142 6. Naključni signali <strong>in</strong> statistične metode<br />
enak<br />
1<br />
f X (µ x ) = a = √<br />
2πσ 2<br />
,<br />
v razdalji ±σ od srednje vrednosti pa pade 61% maksimalne vrednosti, pri<br />
±2σ ima še 14% maksimalne vrednosti <strong>in</strong> pri ±3σ manj kot 0,1%. Pripadajoča<br />
Gaussova porazdelitev verjetnosti F X (x) = P(Xq x) je zvezna,<br />
monotona nepadajoča funkcija, ki ima pri x = µ x vrednost 1 / 2 (slika 6.19).<br />
Slika 6.19<br />
Porazdelitev verjetnosti<br />
pri Gaussovi naključni<br />
spremenljivki.<br />
FX( x)<br />
1<br />
0,84<br />
0,5<br />
0,16<br />
x <br />
x <br />
x <br />
0 x<br />
x <br />
x <br />
x <br />
3<br />
2<br />
2<br />
3<br />
x<br />
a b P(a x b)<br />
−σ σ 0,6827<br />
−2σ 2σ 0,9545<br />
−3σ 3σ 0,9973<br />
Gaussova funkcija porazdelitve gostote verjetnosti je ena izmed najpomembnejših<br />
znanih funkcij gostote. Opisuje več različnih naključnih dogodkov<br />
(<strong>in</strong> naključnih <strong>signalov</strong>) kot katerakoli druga porazdelitev. Njena<br />
pomembnost v glavnem izhaja iz centralnega limitnega izreka (glej razdelek<br />
6.5 na strani 150), ki pravi, da lahko skoraj vsako vsoto ali povprečje<br />
naključnih spremenljivk opišemo z Gaussovimi porazdelitvami, ko število<br />
členov postane (zelo) veliko. Če so naključne spremenljivke zvezne, potem<br />
njihova vsota teži h Gaussovi porazdelitvi gostote.<br />
Gaussova porazdelitev gostote se pojavlja v vseh področjih tehnike. Primeri<br />
so: šum v polprevodnikih, ki izhaja iz gibanja elektronov, ki se zelo<br />
dobro ujema z Gaussovo porazdelitvijo gostote, potem termični šum, šum<br />
o<strong>za</strong>dja pri satelitskih komunikacijah <strong>in</strong> drugo.<br />
Kumulativno Gaussovo porazdelitev verjetnosti dobimo z <strong>in</strong>tegriranjem<br />
Gaussove porazdelitve gostote:<br />
∫ x<br />
F X (x) = f X (ξ ) dξ<br />
−∞<br />
∫<br />
1 x<br />
= √ exp<br />
2πσ 2<br />
−∞<br />
{<br />
− 1 2<br />
(<br />
ξ −µx<br />
σ<br />
) 2<br />
}<br />
dξ , (6.81)<br />
ki jo z <strong>za</strong>menjavo spremenljivk u = (ξ − µ x )/σ – od koder sledi du = dξ /σ<br />
oziroma dξ = σ du – lahko <strong>za</strong>pišemo v bolj pregledni obliki:<br />
F X (x) = 1 √<br />
2π<br />
∫ x<br />
−∞<br />
e −u2 /2 du . (6.82)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.3 Nekatere porazdelitve verjetnosti 143<br />
Integral (6.82) nima analitične rešitve, <strong>za</strong>to je izračun verjetnosti <strong>za</strong> izbrani<br />
<strong>in</strong>terval pri Gaussovi porazdelitvi mnogo težji kot pri katerikoli drugi porazdelitvi<br />
verjetnosti. Ker pa je to zelo pomembna porazdelitev, obstajajo rezultati<br />
numeričnega izračuna, s katerimi lahko preprosto izračunamo (6.82). Pot<br />
do njih bomo ubrali preko doka<strong>za</strong>, da je F X (∞) = P(∞) = 1.<br />
DOKAZ 6.1<br />
Izhajamo iz (6.82). Upoštevamo drugo lastnost funkcij porazdelitve gostote <strong>in</strong> <strong>za</strong>pišemo:<br />
∫ ∞ 1<br />
P(∞) = I = √ e −u2 /2 du = 1 (6.83)<br />
−∞ 2π<br />
<strong>in</strong><br />
∫ ∞ ∫ ∞<br />
I 2 1<br />
= I × I =<br />
−∞ −∞ 2π e−u2 /2 e −v2 /2 du dv .<br />
S transformacijo pravokotnih koord<strong>in</strong>at v polarne: u = r cosθ <strong>in</strong> v = r s<strong>in</strong>θ <strong>in</strong> <strong>in</strong>verzno<br />
transformacijo r = √ u 2 + v 2 <strong>in</strong> θ = tan −1 u v ter du dv = r dr dθ dobimo:<br />
∫ 2π ∫ ∞<br />
∫<br />
I 2 1<br />
2π<br />
= I × I =<br />
0 0 2π e−r2 /2 −1<br />
r=∞<br />
r dr dθ =<br />
0 2π e−r2 /2<br />
∣ dθ<br />
r=0<br />
∫ 2π 1<br />
=<br />
2π dθ = 1 . □<br />
0<br />
Komplementarna funkcija napake Q(x)<br />
Obrazec (6.83) lahko <strong>za</strong>pišemo tudi v obliki:<br />
od koder sledi:<br />
∫ x<br />
1<br />
√ e −u2 /2 du+<br />
−∞ 2π<br />
} {{ }<br />
F X (x)<br />
Q(x) = 1 − F X (x) =<br />
∫ ∞<br />
1<br />
√<br />
x 2π<br />
} {{ }<br />
Q(x)<br />
∫ ∞<br />
x<br />
e −u2 /2 du = 1 , (6.84)<br />
1<br />
√ e −u2 /2 du . (6.85)<br />
2π<br />
Funkcijo Q(x) imenujemo zgornji del Gaussove porazdelitve oziroma komplementarna<br />
funkcija napake (slika 6.20). V <strong>in</strong>ženirski praksi je Q(x) zelo<br />
pripravna <strong>za</strong> izračun normalne porazdelitve verjetnosti <strong>in</strong> določanja verjetnosti<br />
preostalega pogreška, <strong>za</strong>to jo najdemo tabelirano v mnogih priročnikih (<strong>in</strong><br />
tudi v tej knjigi, tabela 6.1 na strani 145).<br />
datoteka: signal_A
144 6. Naključni signali <strong>in</strong> statistične metode<br />
fX( x)<br />
Slika 6.20<br />
Funkcija Q(x).<br />
Q( x)<br />
0 x<br />
S x<br />
Obrazec (6.85) ima tudi alternativno obliko. Izpeljemo jo iz (6.81) z naslednjo<br />
<strong>za</strong>menjavo spremenljivk:<br />
( ) 2<br />
√x−µ x<br />
= v 2 .<br />
2 σ<br />
Izračunamo dx:<br />
( )<br />
y−µ<br />
2 √ x dx<br />
√ = 2v dv ⇒ dx = √ 2 σ dv<br />
2 σ 2 σ<br />
<strong>in</strong> vstavimo v (6.90). Dobimo:<br />
∫<br />
1 x √<br />
∫<br />
1 x<br />
√ e −v2 2 σ dv = √ e −v2 dv = Q(x) . (6.86)<br />
2π σ π<br />
0<br />
Normalizirana Gaussova porazdelitev<br />
Ker lahko <strong>za</strong> µ x <strong>in</strong> σ izberemo neskončno število vrednosti, dobimo neskončno<br />
število Gaussovih porazdelitev gostote verjetnosti. Zato je praktično,<br />
če rešitve tabeliramo <strong>za</strong> normalizirano oziroma dogovorjeno standardno<br />
obliko <strong>in</strong> iz nje dobimo vse ostale Gaussove porazdelitve. Za normalizirano<br />
obliko so izbrali µ x = 0 <strong>in</strong> σ 2 = 1. Pri teh vrednosti (6.81) postane:<br />
F X (x) = 1 √<br />
2π<br />
∫ x<br />
−∞<br />
komplementarna funkcija napake Q(x) pa:<br />
0<br />
e −ξ 2 /2 dξ , (6.87)<br />
Q(x) = √ 1 ∫ ∞<br />
e −ξ 2 /2 dξ . (6.88)<br />
2π<br />
x<br />
Iz (6.84) sledi, da sta pri x = 0 normalizirana Gaussova porazdelitev verjetnosti<br />
<strong>in</strong> komplementarna funkcija napake enaki:<br />
F X (0) = Q(0) = 1 2<br />
. (6.89)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.3 Nekatere porazdelitve verjetnosti 145<br />
Tabela 6.1<br />
Komplementarna funkcija Q(x)<br />
x Q(x) x Q(x) x Q(x) x Q(x)<br />
0,00 0,5000 1,00 0,1587 2,00 0,0228 3.00 0,00135<br />
0,05 0,4801 1,10 0,1469 2,05 0,0202 3.05 0,00114<br />
0,10 0,4602 1,10 0,1357 2,10 0,0179 3.10 0,00097<br />
0,15 0,4404 1,15 0,1251 2,15 0,0158 3.15 0,00082<br />
0,20 0,4207 1,20 0,1151 2,20 0,0139 3.20 0,00069<br />
0,25 0,4013 1,25 0,1056 2,25 0,0122 3.25 0,00058<br />
0,30 0,3821 1,30 0,0968 2,30 0,0107 3.30 0,00048<br />
0,35 0,3632 1,35 0,0885 2,35 0,0094 3.35 0,00040<br />
0,40 0,3446 1,40 0,0808 2,40 0,0082 3.40 0,00034<br />
0,45 0,3264 1,45 0,0668 2,45 0,0071 3.45 0,00028<br />
0,50 0,3085 1,50 0,0668 2,50 0,0062 3.50 0,00023<br />
0,55 0,2912 1,55 0,0606 2,55 0,0054 3.55 0,00019<br />
0,60 0,2743 1,60 0,0548 2,60 0,0047 3.60 0,00016<br />
0,65 0,2578 1,65 0,0495 2,65 0,0040 3.65 0,00013<br />
0,70 0,2420 1,70 0,0446 2,70 0,0035 3.70 0,00011<br />
0,75 0,2266 1,75 0,0401 2,75 0,0030 3.75 0,00009<br />
0,80 0,2169 1,80 0,0359 2,80 0,0026 3.80 0,00007<br />
0,85 0,1977 1,85 0,0322 2,85 0,0022 3.85 0,00006<br />
0,90 0,1841 1,90 0,0287 2,90 0,0019 3.90 0,00005<br />
0,95 0,1711 1,95 0,0256 2,95 0,0016 3.95 0,00004<br />
4,00 0,00003<br />
4,25 10 −5<br />
4,75 10 −6<br />
5,20 10 −7<br />
5,60 10 −8<br />
Skaliranje Q(x)<br />
Poudarimo, Q(x) je tabelirana samo <strong>za</strong> standardno Gaussovo porazdelitev <strong>za</strong><br />
pozitivne vrednosti x. Za vse ostale Gaussove porazdelitve µ ≠ 0 <strong>in</strong> σ 2 > 0<br />
datoteka: signal_A
146 6. Naključni signali <strong>in</strong> statistične metode<br />
pa izhajamo iz:<br />
P(X > a) =<br />
∫ ∞<br />
a<br />
1<br />
√<br />
{− exp 1 ( x−µx<br />
) 2<br />
}<br />
2πσ 2 2<br />
dx ,<br />
kjer z <strong>za</strong>menjavo spremenljivk u = (x − µ x )/σ <strong>in</strong> s skaliranem spodnje meje<br />
<strong>in</strong>tegriranja: a = (a − µ x )/σ določimo pravilo uporabe tabeliranih vrednosti<br />
funkcije Q(x):<br />
1<br />
P(X > a) = √<br />
2πσ 2<br />
∫ ∞<br />
a−µx<br />
σ<br />
σ<br />
e −u2 /2 du = Q ( a−µ x<br />
)<br />
σ<br />
. (6.90)<br />
Iz P(X b) = 1 − P(X > b) z upoštevanjem (6.90) sledi:<br />
)<br />
P(X b) = 1 − Q(<br />
b−µx<br />
σ<br />
, (6.91)<br />
komb<strong>in</strong>acija (6.90) <strong>in</strong> (6.91) pa da:<br />
x <br />
x <br />
0 x<br />
3<br />
FX( x)<br />
P(D)<br />
P(F)<br />
x <br />
2<br />
P(C)<br />
x <br />
P(A)<br />
P(B)<br />
x <br />
2<br />
x <br />
3<br />
x<br />
P(a < X b) = P(X > a) − P(X > b)<br />
= Q ( a−µ x<br />
) ( )<br />
σ − Q b−µx<br />
σ<br />
. (6.92)<br />
Obrazci (6.90), (6.91) <strong>in</strong> (6.92) omogočajo izračun Q(x) <strong>za</strong> pozitivne vrednosti<br />
x. Za negativne x pa <strong>za</strong>radi sode simetrije f X (x) okoli vertikale skozi<br />
x = µ x velja<br />
Q(−c) = 1 − Q(c) . (6.93)<br />
ZGLED 6.3.2<br />
Določimo verjetnost ocen A, B, C, D <strong>in</strong> F, kadar je ocenjevanje narejeno na osnovi<br />
Gaussove porazdelitve gostote verjetnosti. Meje med ocenami A, B, C, <strong>in</strong> D so pri<br />
µ x + 2σ, µ x + σ, µ x − σ <strong>in</strong> µ − 2σ (slika 6.21).<br />
Slika 6.21<br />
REŠITEV:<br />
Verjetnost A (<strong>in</strong> F) izračunamo iz:<br />
P(A) = P(X > µ x + 2σ) = P( X−µ<br />
σ<br />
= Q(2) = 0,0228 = P(F) .<br />
Verjetnost B (<strong>in</strong> D) izračunamo iz:<br />
> µ x + 2σ − µ x<br />
) = Q( µ x+2σ−µ x<br />
σ<br />
σ<br />
P(A ∪ B) = P(X > µ x + σ) = P( X−µ<br />
σ<br />
= Q(1) = 0,1587 ,<br />
> µ x + σ − µ x<br />
) = Q( µ x+σ−µ x<br />
σ<br />
σ<br />
)<br />
od koder dobimo P(B) z<br />
P(B) = P(A ∪ B) − P(A) = 0,1587 − 0,0228 = 0,1359 = P(D) .<br />
Na koncu pa še P(C):<br />
P(C) = 1 − 2P(A) − 2P(B) = 1 − 2·0,0228 − 2·0,1359 = 0,6826 . ♦<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.4 Histogrami 147<br />
Funkcija napake Φ(x)<br />
Pri računanju F X (x) lahko izhajamo iz njene vrednosti F X (0) = 1 / 2 <strong>in</strong> vrednost<br />
F X (x) izračunamo z<br />
oziroma<br />
F X (x) = F(0) + √ 1 ∫ x<br />
e −u2 /2 du (6.94)<br />
2π<br />
0<br />
= F(0) + √ 1 ∫ x<br />
e −v2 dv (6.95)<br />
π<br />
0<br />
= 1 2 + erf(x) = 1 2<br />
+ Φ(x) . (6.96)<br />
fX( x)<br />
erf( x)<br />
Q( x)<br />
Funkcijo erf(x) imenujemo funkcija napake. Iz (6.89) <strong>in</strong> (6.96) sledi: 0 x<br />
erf(x) + erfc(x) = 1 2<br />
. (6.97)<br />
Slika 6.22<br />
oziroma (slika 6.22):<br />
Q(x) = 1 − erf(x) . (6.98)<br />
2<br />
Tudi funkcija erf(x) je tabelirana v številnih priročnikih.<br />
OPOMBA 6.4 Oznaka erf izhaja iz angleškega imena te funkcije: error function, <strong>za</strong> oznako<br />
erfc pa iz erf complementary.<br />
6.4 Histogrami<br />
Histogrami so stopničasti približek (zvezne) funkcije porazdelitve gostote<br />
verjetnosti. Funkcija porazdelitve gostote je – kot vemo – odvod porazdelitvene<br />
funkcije, ki smo ga v limitni obliki <strong>za</strong>pisali že v (6.14). Z njim<br />
opisujemo porazdelitev gostote verjetnosti <strong>za</strong> diskretne dogodke oziroma jih<br />
sestavimo iz rezultatov meritev naključne spremenljivke.<br />
6.4.1 Teoretični histogram<br />
S term<strong>in</strong>om teoretični histogram opisujemo postopek pridobitve histograma<br />
iz zvezne porazdelitve gostote verjetnosti. Dobimo ga iz (6.14), kjer opustimo<br />
limitni postopek:<br />
ˆf (x) = F X(x + ∆x) − F X (x)<br />
∆x<br />
=<br />
P(x < X x + ∆x)<br />
∆x<br />
. (6.99)<br />
datoteka: signal_A
148 6. Naključni signali <strong>in</strong> statistične metode<br />
Če območje f X (x),a < x b razdelimo na K <strong>in</strong>tervalov tako, da je x 0 =<br />
a,x K = b <strong>in</strong> x i−1 < x i , i = 1,2,...,K, <strong>in</strong> je i-ti <strong>in</strong>terval določen z ∆x i = x i −<br />
x i−1 . V tem primeru je teoretični histogram nad vsemi x določen z:<br />
ˆf i (x) = F X(x i ) − F X (x i−1 )<br />
x i − x i−1<br />
, x i−1 < x i , i = 1,2,...,K . (6.100)<br />
Obrazec (6.100) podaja verjetnost, da se vrednost naključne spremenljivke<br />
nahaja znotraj <strong>in</strong>tervala ∆x i .<br />
Intervale ∆x i lahko določimo na različne nač<strong>in</strong>e. Med njimi sta pogosta<br />
dva: (i) vsi <strong>in</strong>tervali so enako dolgi, (ii) v vseh <strong>in</strong>tervalih je enako velika<br />
gostota verjetnosti. Prvi nač<strong>in</strong> je seveda preprostejši. Razliko med obema<br />
ilustrira naslednji zgled.<br />
ZGLED 6.4.1<br />
Določimo histogram <strong>za</strong> l<strong>in</strong>earno funkcijo gostote verjetnosti<br />
f X (x) =<br />
{<br />
2x 0 < x 1<br />
0 sicer<br />
po prvi <strong>in</strong> drugi metodi. Število <strong>in</strong>tervalov bodi K = 5.<br />
REŠITEV:<br />
Porazdelitev verjetnosti pri dani porazdelitvi njene gostote je:<br />
∫ x<br />
F X (x) = 2x dx =<br />
0<br />
⎧<br />
0 x 0 ⎪⎨<br />
x 2 0 < x 1<br />
⎪⎩<br />
1 x > 1<br />
(i) Pri enako velikih <strong>in</strong>tervalih so meje med njimi pri<br />
verjetnosti pri teh mejah pa so<br />
x i = 0, 0,2, 0,4, 0,6, 0,8, 1 ,<br />
F X (x i ) = 0, 0,04, 0,16, 0,36, 0,64, 1 .<br />
Vstavimo vrednosti F X (x i ) v (6.100). Dobimo vrednosti teoretičnega histograma<br />
(slika 6.23a):<br />
ˆf i (x) = 0,2 i = 1 ˆf i (x) = 1,4 i = 4<br />
= 0,6 i = 2 = 1,8 i = 5<br />
= 1,0 i = 3<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.4 Histogrami 149<br />
f<br />
^<br />
i( x)<br />
2,0<br />
1,6<br />
fX( x)<br />
f<br />
^<br />
i( x)<br />
2,0 f x X( )<br />
1,6<br />
1,2<br />
f<br />
^<br />
i( x)<br />
1,2<br />
f<br />
^<br />
i( x)<br />
0,8<br />
0,8<br />
0,4<br />
Slika 6.23<br />
Teoretični histogram porazdelitve.<br />
0,4<br />
0 0,2 0,4 0,6 0,8 1,0 x<br />
0 0,2 0,4 0,6 0,8 1,0 x<br />
(a) enako dolgi <strong>in</strong>tervali ∆x i (b) <strong>in</strong>tervali z enako verjetnostjo ˆf i (x)<br />
(ii) Pri enako velikih verjetnosti v posameznem <strong>in</strong>tervalu razdelimo F X (x i ) na K enakih<br />
delov:<br />
F X (x i ) = 0, 0,2, 0,4, 0,6, 0,8, 1 .<br />
Meje med <strong>in</strong>tervali ∆x i izračunamo iz funkcije F X (x i ), vidimo da velja x i = √ F X (x i ) .<br />
Pri izračunanih vrednostih F X (x i ) so meje pri<br />
x i = 0, 0,447, 0,632, 0,775, 0,894, 1 .<br />
Vstavimo te vrednosti v (6.100) <strong>in</strong> dobimo vrednosti teoretičnega histograma z<br />
enakimi verjetnostmi (slika 6.23b):<br />
ˆf i (x) = 0,447 i = 1 ˆf i (x) = 1,681 i = 4<br />
= 1,081 i = 2 = 1,889 i = 5<br />
= 1,339 i = 3 ♦<br />
Pri neskončnem območju vrednosti naključne spremenljivke, imamo pri izbiri<br />
enakih <strong>in</strong>tervalov neskončno velike <strong>in</strong>tervale. Posledica tega je, da so<br />
ˆf i (x) = 0 pri vseh i. Pri <strong>in</strong>tervalih z enakimi verjetnostmi sta f 1 (x) = 0 <strong>in</strong><br />
f K (x) = 0, saj sta ta <strong>in</strong>tervala neskončno velika. To običajno kompenziramo<br />
tako, da poiščemo območje x, izven katerega je verjetnost naključne spremenljivke<br />
<strong>za</strong>nemarljiva. Območje pa potem razdelimo na <strong>in</strong>tervale po opisanem<br />
postopku.<br />
datoteka: signal_A
150 6. Naključni signali <strong>in</strong> statistične metode<br />
6.4.2 Empirični histogram<br />
Iz <strong>za</strong>kona o velikih številih vemo, da ko se število opazovanj približuje neskončno,<br />
postane verjetnost, da se vrednost naključne spremenljivke nahaja<br />
znotraj <strong>in</strong>tervala (x i−1 ,x i ], matematično je enaka F X (x i ) − F X (x i−1 ), postane<br />
enaka relativni frekvenci opazovanja tega pojava: N i /N. Empirični histogram,<br />
oziroma na kratko kar histogram nadomesti F X (x i ) − F X (x i−1 ) z ocenami<br />
N i /N:<br />
ˆf i (x) =<br />
N i<br />
N(x i − x i−1 )<br />
, x i−1 < x x i , i = 1,2,...,K . (6.101)<br />
Intervale izbiramo na enak nač<strong>in</strong> kot pri teoretičnem histogramu, torej enako<br />
velike <strong>in</strong>tervale ali <strong>in</strong>tervale z enako verjetnostjo. Če verjetnost v posameznih<br />
<strong>in</strong>tervalih ni znana vnaprej, lahko <strong>in</strong>tervale izberemo tako, da je v vsakem<br />
<strong>in</strong>tervalu isto število opazovanj.<br />
6.5 Centralni limitni izrek<br />
Bodi {X i } množica statistično neodvisnih, enako porazdeljenih naključnih<br />
spremenljivk s srednjo vrednostjo ν <strong>in</strong> varianco σ 2 . Potem<br />
Y =<br />
ima E[Y ] = 0 <strong>in</strong> var(Y ) = 1 ter<br />
N<br />
∑<br />
i=1<br />
(X i − µ)<br />
σ √ N<br />
, (6.102)<br />
lim F Y (y) = 1 ∫ y<br />
√ e −u2 /2 du , (6.103)<br />
N→∞ 2π −∞<br />
ki ga imenujemo centralni limitni izrek. Izrek pravi, če so {X i } diskretne<br />
naključne spremenljivke, njihova limita, ko N narašča proti neskončnosti, ne<br />
more biti enaka f Y (y), ker je f Y (y) zvezna funkcija, se pa njihova kumulativna<br />
porazdelitev prekriva z Gaussovo porazdelitveno funkcijo.<br />
6.6 Naključni signali <strong>in</strong> šumi<br />
Naključne spremenljivke, kot smo jih obravnavali do sedaj, so nam predstavljale<br />
rezultate izidov poizkusov, katerih rezultat je bil negotov. Naključno<br />
spremenljivko X smo obravnavali kot pravilo, ki priredi rezultatu x poizkusa<br />
S število X(x). V naravi pa je mnogo pojavov, ki generirajo signal x(t), katerega<br />
vrednost v naslednjem trenutku ne moremo napovedati čeprav poznamo<br />
nekaj ali vse njegove prejšnje vrednosti. Te signale imenujemo naključni ali<br />
slučajni signali. Procesi, ki generirajo takšne signale, so stohastični procesi.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.6 Naključni signali <strong>in</strong> šumi 151<br />
6.6.1 Def<strong>in</strong>icije <strong>in</strong> oznake<br />
Prehod od naključnih spremenljivk k naključnim signalom lahko vodi preko<br />
vektorskih spremenljivk<br />
X = (X 1 ,X 2 ,...,X n ) , (6.104)<br />
katerih komponente obravnavamo kot dogodke, ki se dogodijo na primer v<br />
enakomernih časovnih <strong>in</strong>tervalih. Za signale vemo, da so lahko zvezni ali<br />
diskretni, prehodni ali neprehodni, <strong>za</strong>to mora vektorska spremenljivka, s katero<br />
se da opisati vse te signale, imeti neskončno število komponent. Zato je<br />
cilj, ki si ga sedaj <strong>za</strong>stavljamo, razširiti znane metode <strong>za</strong> naključne spremenljivke<br />
tako, da bodo uporabne <strong>za</strong> opis vektorskih spremenljivk z neomejenim<br />
številom komponent. To pa so že naključni signali.<br />
Izhajamo iz vzorčnega prostora S , ki vsebuje množico elementarnih dogodkov<br />
s, s ∈ S . Če tem dogodkom priredimo časovno funkcijo<br />
X(t,s) ,<br />
ki v trenutkih t priredi dogodkom s številčno vrednost,<br />
X(t,s i ) = x i (t)<br />
ustvarimo naključni ali stohastični proces. V njem X(t,s i ) imenujemo vzorčna<br />
funkcija. Povzemimo. Naključne signale določa narava naključnega procesa.<br />
Njegova natančna def<strong>in</strong>icija je naslednja:<br />
DEFINICIJA 6.6.1 (Naključni proces)<br />
Če so:<br />
1. S neprazna množica<br />
2. P(·) mera verjetnosti, ki velja <strong>za</strong> podmnožice množice S <strong>in</strong><br />
3. če vsakemu elementu s ∈ S pripada časovna funkcija X(t,s)<br />
potem je verjetnost P stohastični proces.<br />
<br />
Ta def<strong>in</strong>icija seveda ni nič drugega kot strnjen <strong>za</strong>pis <strong>uvod</strong>nih ugotovitev.<br />
Zbirke vseh možnih reali<strong>za</strong>cij<br />
{<br />
X(t,s) : s ∈ S<br />
}<br />
=<br />
{<br />
X(t,s1 ),X(t,s 2 ),... }<br />
imenujemo zbirka funkcij naključnega procesa, kjer so elementi te množice<br />
vzorčne funkcije. Pri tem je lahko S števna ali ne(pre)števna množica<br />
(slika 6.6.1).<br />
datoteka: signal_A
152 6. Naključni signali <strong>in</strong> statistične metode<br />
s 2<br />
x 1 ( t)<br />
s 1<br />
x 2 ( t)<br />
x 1 ( t 1 ) x 1 ( t 2 )<br />
x 2 ( t 1 )<br />
x 2 ( t 2 )<br />
t<br />
t<br />
s n<br />
X 1 X 2<br />
x n ( t)<br />
x n t 1<br />
( )<br />
x n ( )<br />
t 2<br />
t 1<br />
t 2<br />
t<br />
Slika 6.24<br />
Naključni signal.<br />
Naključni proces X(t,s) je funkcija dveh parametrov: (i) časa t <strong>in</strong> (ii) dogodka<br />
s. Če enega ali oba od teh parametrov fiksiramo, to označimo z <strong>in</strong>deksom.<br />
Pri tem dobimo:<br />
(a) X(t,s) = X(t) je naključni proces<br />
(b) X(t i ,s) = X(t i ) = X ti je naključna spremenljivka<br />
(c) X(t,s j ) = x(t,s j ) je determ<strong>in</strong>istična časovna ali vzorčna funkcija<br />
(d) X(t i ,s j ) = x(t i ,s j ) določa realno število.<br />
Naključni proces včasih označujemo z druž<strong>in</strong>o naključnih spremenljivk,<br />
ki jih <strong>in</strong>deksiramo po parametru t, t ∈ T . Pri tem <strong>in</strong>terval T imenujemo<br />
množica <strong>in</strong>deksov. Pri <strong>za</strong>pisu X(t,s) bomo podobno kot to pogosto naredimo<br />
pri verjetnostnem računu, izpustili <strong>za</strong>pis odvisnosti od s, torej bomo ponavadi<br />
(ko ne bo dvomov, <strong>za</strong> kakšen signal gre) uporabljali krajši <strong>za</strong>pis X(t).<br />
6.6.2 Statistični opis naključnih procesov<br />
Popolni statistični opis splošnega naključnega procesa je lahko neskončno<br />
kompleksen. Tako je funkcija porazdelitve gostote X(t i ) odvisna od vrednosti<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.6 Naključni signali <strong>in</strong> šumi 153<br />
t i . Če X(t) vzorčimo, na primer <strong>za</strong>jamemo N otipkov,<br />
X T = (X(t 1 ),X(t 2 ),...,X(t N ))<br />
= (X t1 ,X t2 ,...,X tN ) ,<br />
je pove<strong>za</strong>na porazdelitev odvisna od t 1 ,t 2 ,...,t N . Primerni opisi so lahko teoretično<br />
podani z opisom pove<strong>za</strong>ne porazdelitve gostote X <strong>za</strong> vse N <strong>in</strong> vse<br />
t i . Takšen ekstremno posplošen opis ni lahko analizirati, <strong>za</strong>to običajno napravimo<br />
razne poenostavitve. Na srečo je mnogo primerov, kjer lahko to<br />
upravičeno naredimo.<br />
Naključne procese lahko delimo na več nač<strong>in</strong>ov. Med njimi je zelo uporabna<br />
naslednja delitev:<br />
1. Procesi, kjer je <strong>za</strong>konitost pove<strong>za</strong>ne porazdelitve gostote direktno podana.<br />
Primer takih procesov so Gaussovi procesi.<br />
2. Procesi, ki rojevajo determ<strong>in</strong>istične signale z naključno se sprem<strong>in</strong>jajočimi<br />
parametri. Primer takih procesov so harmonična valovanja, katerim<br />
z modulacijo naključno sprem<strong>in</strong>jamo parametre kot so amplituda,<br />
frekvenca ali fa<strong>za</strong>.<br />
3. Procesi, ki izpolnjujejo določene vrste stacionarnosti.<br />
Slednje je najpogostejša predpostavka pri obravnavi naključnih procesov.<br />
Zato jo po pregledu verjetnosti <strong>in</strong> statističnih povprečij naključnih <strong>signalov</strong><br />
podrobneje opisujemo.<br />
Verjetnost<br />
Obravnavamo naključni proces X(t). Pri kateremkoli času, na primer pri t 1 ,<br />
je X(t 1 ) = X 1 naključna spremenljivka s funkcijo porazdelitve verjetnosti:<br />
F X (x t1 ) = P{X(t 1 ) x 1 } , (6.105)<br />
kjer je x 1 poljubno realno število. To porazdelitev imenujemo porazdelitev<br />
X(t) prvega reda. Pripadajoča porazdelitev gostote verjetnosti dobimo z odvodom<br />
porazdelitve prvega reda:<br />
f X (x t1 ) = ∂F X(x t1 )<br />
∂x 1<br />
. (6.106)<br />
Podobno, v trenutkih t 1 <strong>in</strong> t 2 , X(t 1 ) = X 1 <strong>in</strong> X(t 2 ) = X 2 predstavljata dve naključni<br />
spremenljivki. Njuno pove<strong>za</strong>no porazdelitev imenujemo porazdelitev<br />
drugega reda:<br />
F X (x t1 ,x t2 ) = P{X(t 1 ) x 1 ,X(t 2 ) x 2 } , (6.107)<br />
datoteka: signal_A
154 6. Naključni signali <strong>in</strong> statistične metode<br />
kjer sta x 1 <strong>in</strong> x 2 poljubni realni števili. Pripadajoča porazdelitev drugega reda<br />
<strong>za</strong> gostoto verjetnosti dobimo z odvajanjem gornjega obrazca:<br />
f X (x t1 ,x t2 ) = ∂ 2 F X (x t1 ,x t2 )<br />
∂x 1 ∂x 2<br />
. (6.108)<br />
Na podoben nač<strong>in</strong> lahko izrazimo <strong>za</strong> n naključnih spremenljivk X(t i ) = X i ,i =<br />
1,2,...,n porazdelitve n-tega reda:<br />
F X (x t1 ,x t2 ,...,x tn )<br />
= P{X(t 1 ) x 1 ,X(t 2 ) x 2 ,...,X(t n ) x n } , (6.109)<br />
<strong>in</strong> pripadajoče porazdelitve gostote verjetnosti n-tega reda:<br />
Statistična povprečja<br />
f X (x t1 ,x t2 ,...,x tn ) = ∂ n F X (x t1 ,x t2 ,...,x tn )<br />
∂x 1 ∂x 2 ···∂x n<br />
. (6.110)<br />
Tudi naključne signale ali procese mnogokrat podobno kot naključne spremenljivke<br />
opišemo s statistični povprečji.<br />
Srednja vrednost:<br />
∫ ∞<br />
µ x (t) = E[X(t)] = x f X (x t1 ) dx<br />
−∞<br />
. (6.111)<br />
kjer X(t) obravnavamo kot naključno spremenljivko pri fiksnem t.<br />
Avtokorelacija:<br />
Avtokovarianca:<br />
ρ xx (t 1 ,t 2 ) = E[X(t 1 ),X(t 2 )]<br />
=<br />
∫ ∞ ∫ ∞<br />
−∞<br />
Pove<strong>za</strong>ni moment n-tega reda:<br />
−∞<br />
x 1 x 2 f X (x t1 ,x t2 ) dx 1 dx 2 . (6.112)<br />
C xx (t 1 ,t 2 ) = E[X(t 1 ) − µ x (t 1 )]E[X(t 2 ) − µ x (t 2 )]<br />
E[X(t 1 )X(t 2 )···X(t n )]<br />
= ρ xx (t 1 ,t 2 ) − µ x (t 1 )µ x (t 2 ) . (6.113)<br />
∫ ∞ ∫ ∞ ∫ ∞<br />
= ··· x 1 x 2 ···x n f X (x t1 ,x t2 ,...x tn ) dx 1 dx 2 ··· dx n .<br />
−∞ −∞ −∞<br />
(6.114)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.6 Naključni signali <strong>in</strong> šumi 155<br />
6.6.3 Stacionarni procesi<br />
Koncept stacionarnosti ima pri naključnih signalih podobno vlogo kot stacionarna<br />
stanja v analizi odzivov električnih vezij. Z njo predpostavljamo, da<br />
so statistike naključnega procesa v določenem smislu neodvisne od absolutne<br />
vrednosti časa.<br />
Striktno stacionarni procesi<br />
Stacionarni stohastični proces je stacionaren v striktnem pomenu, če so vse<br />
porazdelitve verjetnosti časovno pomično neodvisne. V tem primeru <strong>za</strong> poljubni<br />
premik T velja:<br />
P(X t1 < x 1 ,X t2 < x 2 ,...) = P(X t1 +T < x 1 ,X t2 +T < x 2 ,...)<br />
(6.115a)<br />
oziroma<br />
F X (x t1 ,x t2 ,...) = F X (x t1 +T ,x t2 +T ,...)<br />
(6.115b)<br />
f X (x t1 ,x t2 ,...) = f X (x t1 +T ,x t2 +T ,...,x tn +T ) , (6.115c)<br />
kjer so T poljubni pomik med opazovanji <strong>in</strong> t 1 > t 2 > ··· > t n trenutki opazovanja.<br />
Iz (6.115) sledi f X (x t1 ) = f X (x t1 +T ). Zato je porazdelitev gostote<br />
prvega reda neodvisna od časa:<br />
Podobno velja <strong>za</strong> porazdelitev drugega reda:<br />
Če izberemo T = −t 1 , dobimo<br />
f X (x t1 ) = f X (x 1 ) . (6.116)<br />
f X (x t1 ,x t2 ) = f X (x t1 +T ,x t2 +T ) .<br />
f X (x t1 ,x t2 ) = f X (x 1 ,x t2 −t 1<br />
) . (6.117)<br />
ki pove: če je X(t) striktno stacionaren so pove<strong>za</strong>ne porazdelitve <strong>za</strong> naključni<br />
spremenljivki X(t) <strong>in</strong> X(t + τ) neodvisni od časa t <strong>in</strong> odvisni le od časovne<br />
razlike τ = t 2 −t 1 . Če se pove<strong>za</strong>ni porazdelitvi gostote verjetnosti ne ujemata,<br />
potem opazovani stohastični sistem ni (striktno) stacionaren.<br />
Širši stacionarni procesi<br />
Procese, ki imajo povprečno vrednost naključne spremenljivke neodvisno od<br />
časa,<br />
E[X(t)] = µ x , (6.118)<br />
datoteka: signal_A
156 6. Naključni signali <strong>in</strong> statistične metode<br />
korelacijsko funkcijo pa pomično neodvisno, torej odvisno le od razlike τ =<br />
t 2 −t 1 :<br />
E [X t1 X t2 ] = ρ xx (τ) . (6.119)<br />
imenujemo stacionarne v širšem pomenu.<br />
Iz (6.113) <strong>in</strong> (6.119) sledi, da je pri stacionarnih naključnih procesih v<br />
širšem pomenu tudi kovarianca neodvisna od časa <strong>in</strong> odvisna le od <strong>in</strong>tervala<br />
τ:<br />
C xx (τ) = ρ xx (τ) − µ 2 x . (6.120)<br />
Dva naključna procesa, na primer X(t) <strong>in</strong> Y (t) sta pove<strong>za</strong>na stacionarno v<br />
širšem smislu, če sta vsak <strong>za</strong>se stacionarna v širšem smislu <strong>in</strong> je njuna križna<br />
korelacija odvisna le od pomika med signaloma:<br />
ρ xy (t,t + τ) = E [X(t)Y (t + τ)] = ρ xy (τ) . (6.121)<br />
Enako velja <strong>za</strong> križno kovarianco:<br />
C xy (τ) = ρ xx (τ) − µ 2 x . (6.122)<br />
Stacionarni sistemi v širšem smislu imajo manj stroge pogoje kot striktno<br />
stacionarni sistemi. Vsi striktno stacionarni sistemi so tudi stacionarni v<br />
širšem pomenu. Seveda obratno ne velja.<br />
Ergodičnost<br />
Da lahko izračunamo srednjo vrednost <strong>in</strong> avtokorelacijo s povprečenjem populacije,<br />
moramo poznati povprečje vseh vzorcev stohastičnega procesa <strong>in</strong><br />
moramo poznati prvi <strong>in</strong> drugi moment. Tako poznavanje stohastičnega procesa<br />
nam v splošnem ni na voljo. Izjemoma so nam znane, če ima opazovani<br />
naključni proces posebno lastnost, da je povprečje populacije enako časovnemu<br />
povprečju procesa. To lastnost imenujemo ergodičnost. Ergodičnim<br />
stohastičnim procesom lahko določimo statistične lastnosti že s časovnim<br />
povprečenjem ene same populacije, ki nastopi v nekem končnem časovnem<br />
<strong>in</strong>tervalu.<br />
Da je naključni proces ergodičen, mora biti stacionaren v striktnem pomenu.<br />
Obratno vedno ne velja, saj striktno stacionarni procesi niso nujno<br />
tudi ergodični procesi.<br />
DEFINICIJA 6.6.2 (ergodični proces)<br />
Stacionaren proces je ergodičen proces v striktnem pomenu takrat, ko naključna spremenljivka<br />
v opazovanem <strong>in</strong>tervalu <strong>za</strong>v<strong>za</strong>me vse svoje možne vrednosti. V tem primeru<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.6 Naključni signali <strong>in</strong> šumi 157<br />
<strong>za</strong>njo velja:<br />
1. x = lim<br />
2. ρ xx (τ) = lim<br />
1<br />
∫ T /2<br />
T →∞ T −T /2<br />
∫ T /2<br />
1<br />
T →∞ T<br />
−T /2<br />
X(t) dt = E[X(t)] = µ x (6.123)<br />
x(t)x(t + τ) dt = E[ρ xx (τ)] (6.124)<br />
<br />
Ponovimo, x <strong>in</strong> ρ xx (τ) sta naključni spremenljivki. Njuna vrednost je odvisna<br />
od tega, katera vzorčna funkcija spremenljivke X(t) je bila uporabljena v<br />
časovnem povprečenju.<br />
Testiranje, ali je nek signal ergodičen ali ne, je zelo težko. V praksi<br />
<strong>za</strong>to mnogokrat naredimo <strong>in</strong>tuitivno <strong>in</strong> izkustveno (hevristično) sodbo o tem.<br />
Pri analizi več<strong>in</strong>e komunikacijskih <strong>signalov</strong> običajno priv<strong>za</strong>memo, da so naključni<br />
signali, ko se prehodni pojavi iznihajo, ergodični v širšem, to je v<br />
avtokorelacijskem smislu.<br />
Ker je časovno povprečje ergodičnega signala enako povprečju populacije,<br />
moremo temeljne električne parametre signala, kot so enosmerni nivo,<br />
efektivna vrednost <strong>in</strong> povprečna moč, izraziti z momenti ergodičnega procesa:<br />
1. prvi moment µ x = E[X(t)] je enak enosmernemu nivoju signala<br />
2. µ 2 x je enak normalizirani moči enosmerne komponente signala<br />
3. drugi moment E[X 2 (t)] naključne spremenljivke je enak totalni povprečni<br />
normalizirani moči<br />
4. √ E[X 2 (t)] je efektivna vrednost signala (napetosti ali toka)<br />
5. varianca σ 2 x je enaka srednji normalizirani moči izmenične komponente<br />
signala<br />
6. če ima proces srednjo vrednost enako nič: µ x = µ 2 x = 0, potem velja<br />
σ 2 x = E[X 2 (t)] <strong>in</strong> varianca je isto kot efektivna vrednost, oziroma<br />
varianca predstavlja totalno moč signala pri normaliziranem bremenu<br />
(R L = 1)<br />
7. standardna deviacija σ x je efektivna vrednost izmenične komponente<br />
signala<br />
8. če je µ x = 0, potem je σ x efektivna vrednost signala.<br />
datoteka: signal_A
158 6. Naključni signali <strong>in</strong> statistične metode<br />
Nekaj zgledov<br />
Statistični opis naključnih <strong>signalov</strong> pojasnimo <strong>in</strong> utrdimo z nekaj zgledi.<br />
ZGLED 6.6.1<br />
Ugotovimo, ali je naključni proces X(t)<br />
X(t) = Acos(ωt + θ) , (6.125)<br />
kjer sta amplituda A <strong>in</strong> krožna frekvenca ω konstantni, fazni kot θ pa je naključna<br />
spremenljivka z enakomerno porazdelitvijo gostote verjetnosti:<br />
f θ =<br />
stacionarni proces v širšem pomenu.<br />
{ 1<br />
2π<br />
0 sicer<br />
−π < θ < π<br />
REŠITEV: Najprej izračunamo srednjo vrednost µ x :<br />
µ x = E[X(t)] (6.126)<br />
∫ ∞<br />
∫ π<br />
= Acos(ωt + θ) f θ (θ) dθ = A cos(ωt + θ) 1<br />
−∞<br />
−π<br />
2π dθ<br />
= A ∫ π [ ]<br />
s<strong>in</strong>ωt cosθ + cosωt s<strong>in</strong>θ dθ<br />
2π −π<br />
[<br />
= A<br />
π<br />
]<br />
π<br />
s<strong>in</strong>ωt s<strong>in</strong>θ<br />
2π<br />
∣ +cosωt cosθ<br />
∣ = 0 (6.127)<br />
−π<br />
−π<br />
} {{ } } {{ }<br />
(0−0)=0<br />
(−1−(−1))=0<br />
nato pa še avtokorelacijo:<br />
ρ xx = E[X(t)X(t + τ)] (6.128)<br />
=<br />
∫ π<br />
= A2<br />
2π<br />
= A2<br />
2π<br />
= A2<br />
2π<br />
−π<br />
∫ π<br />
Acos(ωt + θ)Acos(ω(t + τ) + θ) f θ (θ) dθ<br />
−π<br />
∫ π<br />
−π<br />
∫ π<br />
−π<br />
= A2<br />
4π cosωτ θ ∣ ∣∣∣<br />
π<br />
cos(ωt + θ)cos(ωt + ωτ + θ) dθ<br />
1<br />
2<br />
[cos(ωt + θ − ωt − ωτ − θ) + cos(ωt + θ + ωt + ωτ + θ)] dθ<br />
1<br />
2 cos(ωτ) dθ + A2<br />
} {{ } 2π<br />
=cos(−ωτ)<br />
−π<br />
} {{ }<br />
=2π<br />
= A2<br />
2<br />
∫ π<br />
1<br />
2<br />
−π<br />
cos(2ωt + ωτ + 2θ) dθ<br />
} {{ }<br />
=0, glej (6.126)<br />
cosωτ . (6.129)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
6.6 Naključni signali <strong>in</strong> šumi 159<br />
Ker je srednja vrednost X(t) enaka nič <strong>in</strong> <strong>za</strong>to neodvisna od časa, <strong>in</strong> ker je avtokorelacija<br />
odvisna le od <strong>za</strong>mika τ, <strong>za</strong>ključimo, da je X(t) stacionarni proces v širšem<br />
pomenu.<br />
♦<br />
V zgornjem zgledu je avtokorelacija ρ xx (τ) periodična funkcija s periodo<br />
T 0 = 2π/ω. Stacionarne procese s tako značilnostjo imenujemo tudi periodični<br />
stacionarni procesi.<br />
ZGLED 6.6.2<br />
Ugotovimo, ali je naključni proces X(t)<br />
X(t) = Acos(ωt + θ) , (6.130)<br />
kjer sta krožna frekvenca ω <strong>in</strong> fazni kot θ konstantna, amplituda A pa je naključna<br />
spremenljivka, stacionarni proces v širšem pomenu.<br />
REŠITEV: Najprej izračunamo srednjo vrednost µ x :<br />
µ x = E[X(t)] = E[Acos(ωt + θ)]<br />
= cos(ωt + θ)E[A] (6.131)<br />
kar kaže na to, da srednja vrednost X(t) ni konstantna, četudi je E[A] konstantna.<br />
ρ xx = E[X(t)X(t + τ)] = A2<br />
2π E[A2 cos(ωt + θ)cos[ω(t + τ) + θ] (6.132)<br />
= 1 2 [cosωτ + cos(2ωt + 2θ + ωτ)]E[A2 ] , (6.133)<br />
kar spet kaže na to, da avtokorelacija ni le funkcija premika τ četudi je E[A 2 ] konstantna.<br />
Zato lahko upravičeno sklepamo, X(t) ni stacionarni proces v širšem pomenu. ♦<br />
ZGLED 6.6.3<br />
Ugotovimo, ali je naključni proces (6.125) iz zgleda 6.6.1 striktno ergodičen.<br />
REŠITEV:<br />
Najprej preverimo, ali proces izpolnjuje točko 1 def<strong>in</strong>icije. Iz (6.123) sledi:<br />
x = X(t) = lim<br />
1<br />
∫ T /2<br />
T →∞ T −T /2<br />
∫ T0 /2<br />
= A T0<br />
−T 0 /2<br />
Acos(ωt + θ) dt<br />
cos(ωt + θ) dt = 0 , (6.134)<br />
datoteka: signal_A
160 6. Naključni signali <strong>in</strong> statistične metode<br />
kjer je T0 = 2π/ω. Iz druge točke def<strong>in</strong>icije (6.124) sledi:<br />
ρ xx = X(t)X(t + τ) = lim<br />
Torej imamo:<br />
1<br />
∫ T /2<br />
T →∞ T −T /2<br />
= A2 ∫ T0 /2<br />
T0 −T 0 /2<br />
= A2<br />
2<br />
A 2 cos(ωt + θ)cos[ω(t + τ) + θ] dt<br />
1<br />
[cosωτ + cos(2ωt + 2θ + ωτ)] dt<br />
2<br />
cosωτ . (6.135)<br />
µ x (t) = E[X(t)] = X(t) = x<br />
ρ xx (τ) = E[X(t)X(t + τ)] = X(t)X(t + τ) = ρ xx (τ)<br />
Zaključimo lahko, da je X(t) striktno ergodičen proces.<br />
♦<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
7<br />
Posplošene funkcije<br />
PREGLED SIGNALOV <strong>za</strong>ključimo z opisom posebnih <strong>signalov</strong>, ki jih ne<br />
moremo opisati z običajnimi funkcijami. To so na primer impulzi, s<br />
katerimi na primer v fiziki opišemo ohranitev gibalne količ<strong>in</strong>e pri trku<br />
idealnih togih teles, pri def<strong>in</strong>iciji enote v <strong>in</strong>tegralski transformaciji (harmonični<br />
analizi), pa tudi druge posebne oblike <strong>signalov</strong>, kot je enotska stopnica<br />
itd. Za te signale se uporabljajo term<strong>in</strong>i s<strong>in</strong>gularne funkcije, generalizirane<br />
funkcije <strong>in</strong> posplošene funkcije. Z njima poudarimo, da niso prave funkcije,<br />
ampak računski pripomočki, s katerimi v fiziki <strong>in</strong> <strong>in</strong>ženirstvu uč<strong>in</strong>kovito rešujemo<br />
različne probleme.<br />
Na vlogo <strong>in</strong> pomen posplošenih funkcij lahko gledamo kot na √ −1 . V<br />
matematiki ga označujemo z i (imag<strong>in</strong>arno število), ki ni realno število <strong>in</strong> v<br />
naravi ne obstaja, pa ga kljub temu s pridom uporabljamo, posebno v elektrotehniki<br />
(da ga ne <strong>za</strong>menjujemo s tokom, ga označujemo z j). Podobno je s<br />
posplošenimi funkcijami. Kljub temu, da jih v naravi ni, so izjemno koristen<br />
pripomoček.<br />
7.1 Diracov impulz<br />
Opazujmo pulz δ h (t) (slika 7.1). Zanj velja:<br />
δ h (t) =<br />
{ 1<br />
2h<br />
pri − h < t < h<br />
0 sicer<br />
. (7.1)<br />
Površ<strong>in</strong>a tega pul<strong>za</strong> je enaka<br />
∫ h<br />
−h<br />
1<br />
2h dt = 1 [ ]<br />
h − (−h) = 1 . (7.2)<br />
2h<br />
161
162 7. Posplošene funkcije<br />
Slika 7.1<br />
Pravokotni pulz δ h (t).<br />
Z manjšanjem h narašča viš<strong>in</strong>a pul<strong>za</strong>, vendar pri tem njegova površ<strong>in</strong>a ostaja<br />
konstantna, to je enaka 1. Površ<strong>in</strong>a pul<strong>za</strong> ostane enaka 1 tudi takrat, ko v<br />
limitnem postopku manjšamo h proti nič <strong>in</strong> <strong>za</strong>radi tega viš<strong>in</strong>a ”pul<strong>za</strong>“ narašča<br />
preko vseh mej:<br />
∫ h<br />
{<br />
1 pri h = t = 0<br />
lim δ h (t) dt =<br />
h→0 −h<br />
0 sicer<br />
. (7.3)<br />
Pri (7.3) opozorimo na dvoje:<br />
1. Rezultat limitnega postopka je ”pulz“ s šir<strong>in</strong>o nič (<strong>za</strong>to ga imenujemo<br />
impulz) <strong>in</strong> neskončno viš<strong>in</strong>o:<br />
lim δ h(t) = δ(t) =<br />
h→0<br />
{<br />
0 t ≠ 0<br />
∞ t = 0<br />
, (7.4)<br />
med tem ko plošč<strong>in</strong>a ostaja enaka 1. Funkcijo, ki opisuje ta primer,<br />
imenujemo Diracova delta funkcija ali na kratko Diracov impulz δ(t).<br />
2. Riemannov <strong>in</strong>tegral funkcije, ki je povsod enaka nič razen v trenutku<br />
nič, je enak nič. Zato je (7.3) le <strong>za</strong>pis, matematično pa to funkcijo<br />
def<strong>in</strong>ira:<br />
∫ ∞<br />
φ(t)δ(t) dt = φ(0) , (7.5)<br />
−∞<br />
kjer je φ(t) testna funkcija, omejena <strong>in</strong> regularna s signalno osjo T ∈<br />
R <strong>in</strong> zvezna v trenutku t = 0.<br />
Ker je <strong>in</strong>tegral (z mejama −∞,∞) produkta Diracovega impul<strong>za</strong> s testno<br />
funkcijo ohrani vrednost samo pri t = 0 (slika 7.2), imenujemo<br />
Diracov impulz tudi enotski impulz.<br />
Alternativa k <strong>za</strong>pisu v (7.5) je:<br />
⎧<br />
φ(0) a < 0 < b<br />
∫ b<br />
⎪⎨<br />
φ(t)δ(t) dt = 0 a < b < 0 , 0 < a < b<br />
a<br />
⎪⎩<br />
nedef<strong>in</strong>irana a = 0 ali b = 0<br />
. (7.6)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
7.1 Diracov impulz 163<br />
(a) Simbol <strong>za</strong> Diracov impulz δ(t).<br />
(b) Signal x(t), ki je zvezen v trenutku<br />
t = 0 <strong>in</strong> Diracov impulz δ(t).<br />
(c) vrednost signala v trenutku t = 0:<br />
x(0) = ∫ ∞<br />
−∞ x(t)δ(t) dt.<br />
Slika 7.2<br />
Ilustracija def<strong>in</strong>icije Diracovega impul<strong>za</strong> z (7.5).<br />
Seveda tudi pri (7.5) <strong>in</strong> (7.6) ne smemo <strong>in</strong>tegrala razumevati v običajnem<br />
Riemannovem smislu, temveč le simbolično.<br />
Limitni postopek v (7.4), s katerim smo def<strong>in</strong>irali Diracov impulz, lahko<br />
opravimo tudi pri drugih funkcijah, pri katerih je <strong>in</strong>tegral nad def<strong>in</strong>icijskim<br />
območjem enak 1 <strong>in</strong> v limitnem postopku, ko def<strong>in</strong>icijsko območje krčimo<br />
proti 0, ostaja 1. Na primer, imejmo trikotni pulz viš<strong>in</strong>e 1/h <strong>in</strong> trajanjem od<br />
−h do h (slika 7.3).Zanj velja:<br />
Slika 7.3<br />
δ h (t) ko trikotni pulz.<br />
δ h (t) =<br />
{ 1<br />
h − 1 h 2 |t| pri − h < t < h<br />
0 sicer<br />
(7.7)<br />
datoteka: signal_A
164 7. Posplošene funkcije<br />
<strong>in</strong><br />
∫ h<br />
−h<br />
∫ h ∫<br />
1 h<br />
δ h (t) dt =<br />
−h 2h dt − 1<br />
−h h 2 |t| dt = 1 h<br />
h∣<br />
− 1 ∣ ∣∣∣<br />
h<br />
−h<br />
h 2 |t| −h<br />
{<br />
1 pri − h < t < h<br />
=<br />
. (7.8)<br />
0 sicer<br />
oziroma v limitnem postopku, ko h manjšamo proti nič, dobimo enak rezultat<br />
kot v (7.3). Limitni postopek v (7.4) <strong>in</strong> (7.5) si lahko predstavljamo kot<br />
<strong>za</strong>poredje približkov, ki so še običajne funkcije, vendar se v limiti bližajo Diracovem<br />
impulzu. Ta predstava je bila osnova, na kateri je Laurent Schwartz<br />
razvil teorijo posplošenih funkcij.<br />
P.A.M. Dirac (1902–1984), angleški matematik <strong>in</strong> fizik, je avtor kvantne<br />
mehanike. Funkcijo δ(t), ki ima danes ime po njem, je vpeljal<br />
v svojem znamenitem delu ”The pr<strong>in</strong>ciples of Quantum Mechanics“.<br />
Leta 1993 je dobil Nobelovo nagrado <strong>za</strong> fiziko.<br />
Francoski matematik Laurent Schwartz (1915–2003), je med leti<br />
1945-1950 z razvojem teorije distribucij matematično utemeljil posplošene<br />
funkcij. Deloval je tudi na področju stohastičnih diferencialnih<br />
enačbah. Znan je tudi po svojem delovanju v mirovnih gibanjih.<br />
7.2 Def<strong>in</strong>icija Diracovega impul<strong>za</strong><br />
s porazdelitveno funkcijo<br />
Diracov impulz lahko def<strong>in</strong>iramo kot rezultat limitnega procesa <strong>za</strong>poredja<br />
tako imenovanih dobrih funkcij. Te def<strong>in</strong>icije Diracovega impul<strong>za</strong> s pridom<br />
uporabimo pri izračunu Fourierove transformacije <strong>signalov</strong>, <strong>za</strong> katere le ta ne<br />
obstaja v striktnem smislu <strong>in</strong> jih <strong>za</strong>to računamo z limitnim procesom.<br />
Najprej utrimo pot do def<strong>in</strong>icije Diracovega impul<strong>za</strong>. Pot vodi od def<strong>in</strong>icije<br />
dobrih funkcij, preko def<strong>in</strong>icij regularnih <strong>za</strong>poredij, ekvivalentnih dobrih<br />
funkcij do posplošenih funkcij. Poglejmo!<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
7.2 Def<strong>in</strong>icija Diracovega impul<strong>za</strong> s porazdelitveno funkcijo 165<br />
DEFINICIJA 7.2.1 (dobra funkcija)<br />
Dobra funkcija x(t) je funkcija, ki je: (i) poljubnokrat odvedljiva na vsem def<strong>in</strong>icijskem<br />
območju, (ii) njeni odvodi <strong>in</strong> funkcija sama z naraščanjem upadajo t s hitrostjo 1/t n pri<br />
vseh n.<br />
<br />
Preprosto lahko dokažemo, da je odvod dobre funkcije neka druga dobra<br />
funkcija. Pravtako je vsota <strong>in</strong> produkt dveh dobrih funkcij dobra funkcija.<br />
DEFINICIJA 7.2.2 (regularno <strong>za</strong>poredje)<br />
Zaporedje<br />
{x(t)} = {x ( t),x 2 (t),...,x n (t)} (7.9)<br />
dobrih funkcij imenujemo regularno, če <strong>za</strong> poljubno funkcijo ξ (t) obstaja limita:<br />
V x (ξ ) = lim<br />
n→∞<br />
∫ ∞<br />
−∞<br />
{x n (t)}ξ (t) dt (7.10)<br />
<br />
Primer regularnega <strong>za</strong>poredja je <strong>za</strong>poredje eksponentnih funkcij:<br />
{x(t)} = e (−t2 /n 2 )<br />
. (7.11)<br />
Limito tega <strong>za</strong>poredja (slika 7.4a) izračunamo z (7.10) <strong>in</strong> je enaka:<br />
V x (ξ ) =<br />
∫ ∞<br />
−∞<br />
ξ (t) dt . (7.12)<br />
DEFINICIJA 7.2.3 (ekvivalentna dobra funkcija)<br />
Dve regularni funkciji sta ekvivalentni, če z (7.10) dobimo isto limito njunih <strong>za</strong>poredji pri<br />
poljubni funkciji ξ (t).<br />
<br />
Primer ekvivalentnih <strong>za</strong>poredij dobrih funkcij sta e −t4 /n 4 <strong>in</strong> e −t2 /n 2 .<br />
Iz def<strong>in</strong>icij 7.2.2 <strong>in</strong> 7.2.3 sledi, da je število, ki ga da limita V x (ξ ), odvisno<br />
od funkcije ξ (t). Zato ta funkcija določa porazdelitev x(t), ki jo imenujemo<br />
limita <strong>za</strong>poredja {x n (t)}:<br />
x(t) = lim<br />
n→∞<br />
{x n (t)} . (7.13)<br />
Zgornja def<strong>in</strong>icija je le zgoščen <strong>za</strong>pis dejstva, da je <strong>za</strong>poredje {x n (t)} izpolni<br />
(7.10) <strong>in</strong> da limita (7.13) ne mora obstajati v navadnem smislu.<br />
DEFINICIJA 7.2.4 (posplošena funkcija)<br />
1. Posplošena funkcija x(t) je regularno <strong>za</strong>poredje dobrih funkcij.<br />
datoteka: signal_A
166 7. Posplošene funkcije<br />
(a) regularno <strong>za</strong>poredje<br />
(b) neregularno <strong>za</strong>poredje<br />
Slika 7.4<br />
Primer regularnega <strong>in</strong> neregularnega <strong>za</strong>poredja.<br />
2. Dve posplošeni funkciji sta enaki, če sta določeni z ekvivalentnimi regularnimi <strong>za</strong>poredji.<br />
Zato je vsaka posplošena funkcija dejansko razred vseh ekvivalentnih regularnih<br />
<strong>za</strong>poredij.<br />
<br />
Posplošena funkcija je na primer tudi konstanta k. Določimo jo z regularnim<br />
<strong>za</strong>poredjem {x n (t)} tako, da <strong>za</strong> poljubno dobro funkcijo ξ (t) velja:<br />
∫ ∞<br />
∫ ∞<br />
lim {x n (t)}ξ (t) dt = k ξ (t) dt . (7.14)<br />
n→∞ −∞<br />
−∞<br />
Regularno <strong>za</strong>poredje, s katerim lahko def<strong>in</strong>iramo konstanto k je na primer<br />
(slika 7.5):<br />
{x n (t)} ≡ k e −t2 /4n<br />
, (7.15)<br />
iz katere lahko formalno izrazimo konstanto k z limito:<br />
k = lim ke − 4n t2<br />
, (7.16)<br />
n→∞<br />
Tako, sedaj imamo vse elemente <strong>za</strong> def<strong>in</strong>icijo Diracovega impul<strong>za</strong>. Spada<br />
v druž<strong>in</strong>o posplošenih funkcij:<br />
DEFINICIJA 7.2.5 (Diracov enotski impulz)<br />
Če je posplošena funkcija def<strong>in</strong>irana z regularnim <strong>za</strong>poredjem {x n (n)} <strong>in</strong> so vsa regularna<br />
<strong>za</strong>poredja ekvivalentna {x n (n)}, tako da je rezultat limite (7.9) enak ξ (0), potem<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
7.2 Def<strong>in</strong>icija Diracovega impul<strong>za</strong> s porazdelitveno funkcijo 167<br />
Slika 7.5<br />
Regularno <strong>za</strong>poredje, ki def<strong>in</strong>ira<br />
konstanto k.<br />
je je limita tega <strong>za</strong>poredja Diracov impulz δ(t):<br />
oziroma<br />
δ(t) = lim {x n (t)} (7.17)<br />
n→∞<br />
∫ ∞<br />
lim {x n (t)} ξ (t) dt = ξ (0) (7.18)<br />
n→∞ −∞<br />
∫ ∞<br />
−∞<br />
δ(t)ξ (t) dt = ξ (0) , (7.19)<br />
<br />
Def<strong>in</strong>icija (7.19) se seveda ujema z <strong>za</strong>pisom v (7.5). Pomembna pa je pot,<br />
kako smo prišli do nje. Iz nje lahko <strong>za</strong>pišemo množico <strong>za</strong>poredij, ki v limitnem<br />
postopku dajo Diracov impulz. Navedimo nekaj primerov, ki bodo<br />
prišli prav v nadaljnjem opisu teorije <strong>signalov</strong>.<br />
⎧<br />
⎪⎨<br />
δ(t) =<br />
lim<br />
n→∞<br />
{<br />
e −n2 t 2<br />
√ π<br />
}<br />
(7.20a)<br />
{ } s<strong>in</strong>nt n<br />
lim = lim<br />
n→∞ πt n→∞ π S a(nt) (7.20b)<br />
{<br />
lim e −πn2 t 2}<br />
(7.20c)<br />
n→∞<br />
{ n<br />
lim<br />
n→∞ 2 e−n|t|} (7.20d)<br />
{ }<br />
n<br />
lim<br />
n→∞ π(n 2 +t 2 (7.20e)<br />
)<br />
{ ∫ n n<br />
}<br />
lim e ± jtn dn<br />
(7.20f)<br />
n→∞ 2π −n<br />
{ s<strong>in</strong> 2 }<br />
nt<br />
lim<br />
n→∞ πnt 2 (7.20g)<br />
⎪⎩ (1 ± j) 1 { √n<br />
2π lim e<br />
− jnt 2} (7.20h)<br />
n→∞<br />
Pot do Diracovega impul<strong>za</strong> <strong>za</strong>ključimo še z dvema def<strong>in</strong>icijama, ki <strong>za</strong>okrožita<br />
vpogled v opis posplošenih množic.<br />
datoteka: signal_A
168 7. Posplošene funkcije<br />
DEFINICIJA 7.2.6 (Fourierova transformacija posplošenih funkcij)<br />
Fourierova transformacija posplošene funkcije je določena z <strong>za</strong>poredjem Fourierovih<br />
transformacij dobrih funkcij.<br />
<br />
DEFINICIJA 7.2.7 (odvod posplošenih funkcij)<br />
Odvod posplošene funkcije je posplošena funkcija določena z <strong>za</strong>poredjem odvodov<br />
dobrih funkcij.<br />
<br />
7.3 Lastnosti Diracovega impul<strong>za</strong><br />
Poudarit moramo, da so vse lastnosti Diracovega impul<strong>za</strong>, ki jih tu navajamo,<br />
izpeljane iz njegove def<strong>in</strong>icije v (7.19). V nadaljevanju povzemamo<br />
le pomembnejše lastnosti δ(t), pri čemer je pozornost usmerjena na njihovo<br />
usklajenost z def<strong>in</strong>icijo v (7.19).<br />
(i) Diracov impulz je sodo simetričen:<br />
(ii) Vrednost funkcije v trenutku t = 0 (slika 7.2)<br />
δ(t) = δ(−t) . (7.21)<br />
x(t)δ(t) = x(0)δ(t) . (7.22)<br />
To lastnost smo uporabili pri def<strong>in</strong>iciji Diracovega impul<strong>za</strong>. Njeno pomen<br />
<strong>in</strong> veljavnost potrdimo še z naslednjim dokazom.<br />
DOKAZ 7.1<br />
Izhajamo iz (7.5) kjer δ(t) <strong>za</strong>menjamo z δ h (t). Tedaj je:<br />
∫ ∞<br />
∫ h<br />
x(t)δ h (t) dt = x(t)δ h (t) dt = 1 ∫ h<br />
x(t) dt<br />
−∞<br />
−h<br />
2h −h<br />
. (7.23)<br />
Integral na desni strani (7.23) uženimo s prvim izrekom o povprečni vrednosti<br />
(izrek 3.1 na strani 83):<br />
∫ h<br />
x(t) dt = 2hx(ξ h ) , −h ξ h h , (7.24)<br />
−h<br />
<strong>in</strong> upoštevamo rezultat v (7.23):<br />
∫ ∞<br />
x(t)δ h (t) dt = 1<br />
2h 2hx(ξ h) = x(ξ h ) , −h ξ h h .<br />
−∞<br />
V limitnem postopku manjšamo h proti nič:<br />
∫ ∞<br />
lim<br />
h→0 −∞<br />
Torej velja (7.22) <strong>in</strong> tudi (7.5).<br />
∫ h<br />
x(t)δ(t) dt = lim x(t)δ h (t) dt<br />
h→0 −h<br />
= x(ξ h = 0) = x(0) .<br />
(7.25)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315<br />
□
☞<br />
☞<br />
7.3 Lastnosti Diracovega impul<strong>za</strong> 169<br />
(iii) Vrednost funkcije v trenutku t = τ (slika 7.6)<br />
x(t)δ(t − τ) = x(τ)δ(t − τ) . (7.26)<br />
DOKAZ 7.2<br />
Premaknimo x(t) po signalni osi <strong>za</strong> konstanto a. V tem primeru leva stran (7.5)<br />
postane:<br />
∫ ∞<br />
x(t + a)δ(t) dt .<br />
−∞<br />
Z <strong>za</strong>menjavo spremenljivk t s ζ = t + a po ponovitvi izpeljave v dokazu 7.1 dobimo:<br />
∫ ∞<br />
x(ζ )δ(ζ − a) dζ = x(ζ − a = 0) = x(ζ = a) = x(a) . (7.27)<br />
−∞<br />
Vidimo, da je <strong>in</strong>tegral z mejama −∞,∞ produkta signala <strong>za</strong> a <strong>za</strong>kasnjenim Diracovim<br />
impulzom enak vrednosti signala x(a) (slika 7.6).<br />
(a) x(t) <strong>in</strong> δ(t − a) (b) x(t − a)<br />
Slika 7.6<br />
Vrednost zveznega signala v trenutku t = a: x(a) = ∫ ∞<br />
−∞ x(t)δ(t − a) dt .<br />
Rezultat v (7.23) je posplošitev (7.25). Uporabljamo ga pri vzorčevanju signala.□<br />
(iv) Opis funkcije z Diracovim impulzom<br />
∫ ∞<br />
x(τ)δ(t − τ) dτ = x(t) . (7.28)<br />
−∞<br />
Če zvezno premikamo Diracov impulz čez vso def<strong>in</strong>icijsko območje signala,<br />
<strong>in</strong>tegral produkta Diracovega impul<strong>za</strong> <strong>in</strong> signala opiše ves signal.<br />
Ta proces lahko imenujemo zvezno otipavanje <strong>in</strong> ga uporabimo pri izdatoteka:<br />
signal_A
170 7. Posplošene funkcije<br />
peljavi impulznega odziva pri l<strong>in</strong>earnih, pomično neodvisnih sistemih.<br />
V primeru, da Diracov impulz premikamo skokoma <strong>za</strong> <strong>in</strong>terval T , dobimo<br />
vzorec signala. Ker digitalna obdelava <strong>signalov</strong> temelji na tej<br />
lastnosti, je podrobneje opisana v razdelku 7.4 na naslednji strani.<br />
(v) Pomik funkcije<br />
Iz lastnosti (7.22), (7.26) <strong>in</strong> (7.28) sledi:<br />
∫ ∞<br />
x(t −t 0 )h(t − τ) dτ =<br />
−∞<br />
∫ ∞<br />
−∞<br />
x(t)δ(t −t 0 − τ) dτ = x(t −t 0 ) . (7.29)<br />
To lastnost uporabljamo pri opisu <strong>za</strong>kasnitev, oziroma opisa sistemov,<br />
katerih funkcija ali lastnost je <strong>za</strong>kasnitev signala.<br />
(vi) Odvod Diracovega impul<strong>za</strong> <strong>in</strong> odvajanje funkcij<br />
∫ ∞<br />
−∞<br />
x(τ) dn δ(τ)<br />
dτ n<br />
dτ = (−1) n dn x(t)<br />
dt n . (7.30)<br />
DOKAZ 7.3<br />
Bodi ξ (t) regularna funkcija, zvezna v trenutku t = 0. Z <strong>in</strong>tegracijo po delih lahko<br />
izpeljemo:<br />
∣<br />
∫ ∞<br />
−∞<br />
dξ (t)<br />
dt<br />
x(t) dt = ξ (t)x(t) ∣ ∞ ∫ ∞<br />
−<br />
−∞<br />
−∞<br />
ξ (t) dx(t)<br />
dt<br />
∫ ∞<br />
= − ξ (t) dx(t) dt (7.31)<br />
−∞ dt<br />
<strong>za</strong> vsak ξ (t), <strong>za</strong> katerega obstaja <strong>in</strong>tegral <strong>in</strong> x(t) pri katerem velja<br />
ξ (−∞)x(−∞) = ξ (∞)x(∞) = 0 . (7.32)<br />
Če <strong>za</strong> ξ (t) izberimo delta funkcijo δ(t), potem je (7.32) vedno izpolnjena, desna<br />
stran (7.31) pa pri vsaki regularni funkciji x(t), ki je odvedljiva v točki t = 0,<br />
postane:<br />
∫ ∞<br />
−∞<br />
δ(t) dx(t)<br />
dt<br />
dt = − d x(0) . (7.33)<br />
dt<br />
Na enak nač<strong>in</strong> lahko pokažemo, da obstaja n-ti odvod delta funkcije δ [n] <strong>in</strong> da<br />
lahko z njo določimo odvod zvezne funkcije x(t). S ponavljanjem parcialnega<br />
odvajanja v (7.31) je preprosto poka<strong>za</strong>ti, da velja:<br />
∫ ∞<br />
−∞<br />
δ [n] (t)x(t) dt =<br />
∫ ∞<br />
−∞<br />
δ(t)x [n] (t) dt = (−1) n x [n] (0) , (7.34)<br />
ki je def<strong>in</strong>irana <strong>za</strong> vsako regularno, v točki t = 0 zvezno <strong>in</strong> n-krat odvedljivo<br />
funkcijo x(t). Z upoštevanjem (7.28) lahko (7.34) posplošimo – dobimo enak<br />
rezultat, kot je v (7.30).<br />
□<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315<br />
dt
7.4 Vzorčenje analognih <strong>signalov</strong> 171<br />
Uporabnost tudi te lastnosti spoznamo pri obravnavi sistemov. Omogoča<br />
določitev impulznega odziva diferenciatorja, to je sistema, katerega<br />
izhod je enak odvodu vhoda.<br />
7.4 Vzorčenje analognih <strong>signalov</strong><br />
Za regularna signala x(t) <strong>in</strong> y(t) ter skalarja α 1 <strong>in</strong> α 2 lahko <strong>za</strong>pišemo:<br />
∫ ∞<br />
−∞<br />
[α 1 x(t) + α 2 y(t)]ξ (t) dt<br />
∫ ∞<br />
∫ ∞<br />
= α 1 x(t)ξ 1 (t) dt + α 2 y(t)ξ 2 (t) dt ,<br />
−∞<br />
kar velja pri vsaki funkciji ξ , <strong>za</strong> katero obstaja <strong>za</strong>pisani <strong>in</strong>tegral. Podobno<br />
lahko <strong>za</strong>pišemo <strong>za</strong> s<strong>in</strong>gularni funkciji ε 1 <strong>in</strong> ε 2 :<br />
∫ ∞<br />
−∞<br />
[α 1 ε 1 (t) + α 2 ε 2 (t)]ξ (t) dt<br />
−∞<br />
∫ ∞<br />
∫ ∞<br />
= α 1 ε 1 (t)ξ 1 (t) dt + α 2 ε 2 (t)ξ 2 (t) dt ,<br />
−∞<br />
pri čemer ξ (t) mora biti zvezna <strong>in</strong> potrebno krat odvedljiva funkcija v točki<br />
t = 0. Če sta s<strong>in</strong>gularni funkciji ε 1 <strong>in</strong> ε 2 delta funkciji, na primer δ(t) <strong>in</strong><br />
δ(t − τ), z upoštevanjem (7.23) dobimo enačbo:<br />
∫ ∞<br />
−∞<br />
[α 1 δ(t) + α 2 δ(t − τ)]ξ (t) dt<br />
∫<br />
∫<br />
= α 1 δ(t)ξ (t) dt + α 2<br />
T<br />
T<br />
−∞<br />
δ(t − τ)ξ (t) dt , (7.35)<br />
ki velja <strong>za</strong> vsako regularno funkcijo ξ (t), ki je zvezna v trenutkih t = 0 <strong>in</strong><br />
t = τ. Rezultat v (7.35) je zelo pomemben v obdelavi <strong>signalov</strong>, saj kaže<br />
pot, kako iz analognih <strong>signalov</strong> generirati njihove časovno diskretne vzorce.<br />
Vzorčenje <strong>signalov</strong> je postopek, pri katerem zvezni signal x(t) opišemo s<br />
časovnim <strong>za</strong>poredjem otipkov x[n], to je z vrednostmi signala v časovno diskretnih<br />
trenutkih nT . To časovno <strong>za</strong>poredje imenujemo vzorec signala, elemente<br />
vzorca, to je vrednosti signala v trenutkih nT pa otipke. Postopek<br />
vzorčenja imenujemo tudi tipanje signala.<br />
Pogoj, da je opis signala z otipki x[n] ekvivalenten zveznemu signalu x(t),<br />
je spoštovanje Shannonovega izreka o vzorčenju, ki je opisan v Fourierovi<br />
transformaciji <strong>za</strong>poredij.<br />
Če posplošeno funkcijo δ(t − τ) <strong>za</strong>menjamo z:<br />
δ(t − nT ) , n ∈ Z ,<br />
datoteka: signal_A
172 7. Posplošene funkcije<br />
Slika 7.7<br />
Vzorčenje zveznega signala.<br />
ustvarimo neskončno <strong>za</strong>poredje Diracovih impulzov, ki so medsebojno razmaknjeni<br />
<strong>za</strong> T . T imenujemo <strong>in</strong>terval tipanja. Če to zmnožek tega <strong>za</strong>poredja<br />
<strong>in</strong> signala x(t) <strong>in</strong>tegriramo, iz (7.23) sledi, da je rezultat časovno diskretni signal<br />
x[n] (slika 7.7):<br />
x[n] =<br />
∫ ∞<br />
−∞<br />
x(t)δ(t − nT ) dt , n ∈ Z , t ∈ R . (7.36)<br />
7.5 Pove<strong>za</strong>va med enotsko stopnico<br />
<strong>in</strong> Diracovim impulzom<br />
Enotska stopnica <strong>in</strong> Diracov impulz sta pove<strong>za</strong>na preko odvoda:<br />
du(t)<br />
dt<br />
= ˙u(t) = δ(t) . (7.37)<br />
DOKAZ 7.4<br />
Če velja (7.37), potem v skladu z def<strong>in</strong>icijo Diracovega impul<strong>za</strong> v (7.5) velja :<br />
∫ b<br />
−a<br />
x(t) ˙u(t) dt . (7.38)<br />
Integriranje (7.37) po delih da:<br />
∫ b<br />
[ ] b<br />
∫ b<br />
x(t) ˙u(t) dt = x(t)u(t) ẋ(t)u(t) dt<br />
−a<br />
−a −a<br />
. (7.39)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
7.5 Pove<strong>za</strong>va med enotsko stopnico <strong>in</strong> Diracovim impulzom 173<br />
Najprej izračunamo oglati oklepaj:<br />
x(t)u(t) ∣ b ∣ ∣∣ = x(t)u(t) b<br />
−a<br />
−a<br />
= x(b) − 0 , (7.40)<br />
kjer smo upoštevali def<strong>in</strong>icijo enotske stopnice (razdelek 2.8.3 na strani 41):<br />
[en. (2.22) ] u(t) =<br />
{<br />
1 t > 0<br />
0 t < 0<br />
.<br />
Zato x(−a)u(−a) = 0 <strong>in</strong> ostane le vrednost pri zgornji meji. Izračunamo še <strong>in</strong>tegral:<br />
∫ b<br />
−a<br />
Vstavimo v (7.40) <strong>in</strong> (7.41) v (7.39) <strong>in</strong> dobimo:<br />
∫ b<br />
−a<br />
∫ b<br />
ẋ(t)u(t) dt = ẋ(t) dt = x(b) − x(0) . (7.41)<br />
0<br />
x(t) ˙u(t) dt = [x(b) − 0] − [x(b) − x(0)] = x(0) . (7.42)<br />
Iz primerjave (7.5) <strong>in</strong> (7.42) sledi, da (7.37) velja.<br />
□<br />
datoteka: signal_A
8<br />
Sistemi<br />
Peter Cafuta, Žarko Čučej<br />
SISTEM JE MATEMATIČNI OPIS REALNEGA PROCESA, ki ima vhodni<br />
signal – vzbujanje ali vhod – ter izhodni signal – odziv ali izhod. V<br />
<strong>uvod</strong>u smo že opisali osnovne sisteme <strong>in</strong> njihove značilnosti, <strong>za</strong>to tukaj<br />
ta opis le dopolnjujemo. Pri tem se v tem poglavju omejujemo le na sisteme,<br />
s katerimi obdelujemo oziroma procesiramo signale. Virom <strong>signalov</strong><br />
je namenjeno posebno poglavje v tretjem delu knjige.<br />
S pogledom na sistem kot na “procesor” <strong>signalov</strong> se bomo razlikovali od<br />
pristopa v teoriji sistemov, kjer je v ospredju matematični model sistema,<br />
oziroma proučujejo njegovo strukturo <strong>in</strong> lastnosti. Med obema pristopoma,<br />
torej med “signalnim” <strong>in</strong> “sistemskim” ni ostre ločnice, saj načrtovanje sistema<br />
<strong>za</strong> želeno <strong>obdelavo</strong> signala <strong>za</strong>hteva poznavanje oziroma izbiro strukture<br />
sistema. Pri tem nas ne sme <strong>za</strong>vesti dejstvo, da je danes več<strong>in</strong>a obdelave<br />
<strong>signalov</strong> digitalna, ter <strong>za</strong>to <strong>za</strong>nje razvijamo računalniške algoritme. Ti le rešujejo<br />
(simulirajo) matematično formulirane (<strong>za</strong>pisane) modele.<br />
8.1 Zakonitosti sistemov<br />
Zakonitosti sistemov, ki povezujejo vhodne signale ali <strong>za</strong>poredja podatkov z<br />
izhodnimi signali ali <strong>za</strong>poredji, na splošno opisujemo na dva nač<strong>in</strong>a:<br />
1. s spremenljivkami stanja sistema,<br />
2. z vhodno-izhodnim opisom.<br />
Glede na izbrani <strong>za</strong>pis lahko sisteme predstavimo z belo škatlo (v prvem<br />
primeru) ali z bolj razširjeno črno škatlo (v drugem primeru).<br />
white box<br />
black box<br />
175
176 8. Sistemi<br />
8.1.1 Bela škatla<br />
O sistemu kot beli škatli govorimo takrat, ko poznamo <strong>in</strong> obravnavamo njegovo<br />
notranje delovanje. Ta vpogled vpeljuje spremenljivke (signale) prostora<br />
stanj, ki je ena najpomembnejših discipl<strong>in</strong> teorije sistemov. V slovenskem<br />
jeziku je obširno opisana na primer v [17, 18, 19, 20].<br />
ZGLED 8.1.1 (Opis sistema z njegovo zgradbo)<br />
Za sistem na sliki 8.1 poiščimo pove<strong>za</strong>vo med vhodom <strong>in</strong> izhodom.<br />
Slika 8.1<br />
Sistem, ki ga določa električno<br />
vezje z uporom <strong>in</strong> tuljavo.<br />
REŠITEV: Delovanje sistema določata upor <strong>in</strong> tuljava. Vhod sistema je napetost u(t),<br />
izhod pa padec napetosti na tuljavi u L (t). Ker je sistem predstavljen kot “bela škatla”,<br />
ga lahko s pomočjo Ohmovega <strong>in</strong> 1. Kirchhoffovega <strong>za</strong>kona opišemo z l<strong>in</strong>earno diferencialno<br />
enačbo, ki je hkrati matematični model sistema:<br />
L di L(t)<br />
dt<br />
+ Ri L (t) = u(t) , u L (t) = di L(t)<br />
L <strong>in</strong> i L (0) = i L0 . (8.1)<br />
dt<br />
Vidimo, da je v tem sistemu spremenljivka stanja tok skozi tuljavo i L (t). Zapis v (8.1)<br />
implicitno določa pove<strong>za</strong>vo med vhodom <strong>in</strong> izhodom. Z njegovo rešitvijo (preprosto<br />
možnost nudi operatorski račun na temelju Laplaceove transformacije, ki je opisana v<br />
poglavju ?? na strani ??) dobimo tudi eksplicitno pove<strong>za</strong>vo (glej primer ?? na strani<br />
??). ♦<br />
8.1.2 Črna škatla<br />
Pogosto struktura sistema ni znana, dostopni so le vhodi <strong>in</strong> izhodi. V tem<br />
primeru govorimo, da je sistem črna škatla.<br />
ZGLED 8.1.2 (Vhodno-izhodni opis sistema)<br />
Za sistem na sliki 8.2 poiščimo pove<strong>za</strong>vo med vhodom <strong>in</strong> izhodom.<br />
Slika 8.2<br />
Črna škatla<br />
REŠITEV:<br />
Sistem je kot črna škatla, <strong>za</strong>to njegove zgradbe ne vidimo <strong>in</strong> je <strong>za</strong>to ne<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.1 Zakonitosti sistemov 177<br />
poznamo. Vemo le, da je izhod nekako odvisen od vhoda <strong>in</strong> od obdelave vhodnega<br />
signala, ki se opravi v sistemu. Simbolično lahko sistemsko odvisnost izhoda od vhoda<br />
<strong>za</strong>pišemo:<br />
y = f (vhod,sistem) ali na kratko y = f (v) . (8.2)<br />
♦<br />
8.1.3 Vhodno-izhodni opis<br />
Za dani sistem – črno škatlo – lahko z opazovanjem (merjenjem) vhodnih<br />
<strong>in</strong> izhodnih <strong>signalov</strong> določimo značilko (karakteristiko) sistema, ki jo lahko<br />
prikažemo v obliki grafa (slika 8.3). Značilka povezuje množico signalnih<br />
parov:<br />
(v,y) ∈ T , v ∈ V , y ∈ Y , (8.3)<br />
kjer sta V <strong>in</strong> Y množici možnih vhodnih oziroma izhodnih <strong>signalov</strong> ali <strong>za</strong>poredij.<br />
To pove<strong>za</strong>vo imenujemo preslikava ali transformacija <strong>in</strong> jo bomo<br />
(a) večlična preslikava<br />
(b) enolična preslikava<br />
Slika 8.3<br />
Vhodno-izhodni sistem.<br />
označili s T :<br />
y = T { v } . (8.4)<br />
Preslikava T se od preslikave, ki jo poznamo iz def<strong>in</strong>icije funkcije – tam<br />
povezuje signalno os s signalnim območjem (amplitudnim razmahom), razlikuje<br />
po tem, da povezuje vhodno funkcijo z izhodno funkcijo. Ponavadi<br />
vhodno-izhodni sistem predstavimo grafično z blokom (slika 8.4).<br />
Slika 8.4<br />
Predstavitev vhodno-izhodnega<br />
sistema z blokom.<br />
datoteka: signal_A
178 8. Sistemi<br />
Iz ponazoritve (8.4) na sliki 8.3 vidimo, da ta splošnejši <strong>za</strong>pis nudi dve<br />
možnosti povezovanja parov (v,y): (i) ko je vhodu v prirejena množica izhodov<br />
y (slika 8.3a), (ii) ko vhodu v pripada le en izhod y (slika 8.3b). Vhodnoizhodne<br />
sisteme s slednjo lastnostjo imenujemo enolični sistemi.<br />
Ne (8.2) ne (8.4) ne določata <strong>za</strong>konitosti preslikave oziroma tvorbe signalnih<br />
parov. Preslikavo določa, kot bomo spoznali kasneje, impulzni odziv. Pri<br />
beli škatli ga lahko izračunamo iz znanega modela sistema. Tega pri analognih<br />
signalih predstavlja sistem diferencialnih enačb, pri digitalnih sistemih<br />
pa sistem diferenčnih enačb.<br />
8.2 Vrste sistemov<br />
Sisteme lahko razvrščamo na različne nač<strong>in</strong>e: od namena uporabe, tehnične<br />
izvedbe pa do vrste <strong>signalov</strong>, ki jih lahko obdelujejo. Tako glede na nač<strong>in</strong><br />
obdelave ločimo:<br />
1. Časovno (<strong>in</strong> amplitudno) zvezne sisteme, imenujemo jih tudi analogni<br />
sistemi. Ti vršijo analogno <strong>obdelavo</strong> <strong>signalov</strong>. Njihovi vhodi <strong>in</strong> izhodi<br />
so (vsaj) časovno zvezni.<br />
Vse naravne sisteme obravnavamo kot da so analogni.<br />
2. Časovno <strong>in</strong> amplitudno diskretni sistemi, imenujemo jih tudi digitalni<br />
sistemi. Ti sistemi obdelujejo signale z raznimi vrstami računalnikov<br />
ali specializiranih <strong>in</strong>tegriranih digitalnih vezij v skladu z vpisanimi algoritmi<br />
obdelave.<br />
Z digitalnimi sistemi ponavadi aproksimiramo naravne procese. Z njimi<br />
dosežemo lastnosti, ki jih pri gradnji analognih sistemov ne moremo<br />
doseči (na primer, neobčutljivost na staranje, temperaturni drift, izoliranost<br />
od okoliških vplivov, . . . )<br />
Po številu vhodov <strong>in</strong> izhodov ločimo:<br />
Multiple Input<br />
Multiple Output<br />
S<strong>in</strong>gle Input<br />
S<strong>in</strong>gle Output<br />
1. Sisteme z več vhodi <strong>in</strong> izhodi. Imenujemo jih tudi vektorski sistemi,<br />
pogosto pa se <strong>za</strong>nje uporablja kratica MIMO sistemi (slika 8.5a).<br />
2. Sistemi z enim vhodom <strong>in</strong> izhodom. Imenujemo jih tudi skalarni sistemi,<br />
<strong>za</strong>nje pa pogosto uporabljamo kratico SISO sistemi (slika 8.5b).<br />
Po osnovnih lastnostih ločimo d<strong>in</strong>amične, statične ali ned<strong>in</strong>amične sisteme,<br />
<strong>in</strong>vertibilne <strong>in</strong> <strong>in</strong>verzne sisteme, l<strong>in</strong>earne <strong>in</strong> nel<strong>in</strong>earne sisteme, časovno<br />
odvisne <strong>in</strong> časovno neodvisne sisteme itd. Lastnosti teh sistemov so na<br />
kratko opisane v naslednjih razdelkih.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.2 Vrste sistemov 179<br />
(a) večvhodni-večizhodni sistem<br />
(b) enovhodni-enoizhodni sistem<br />
Slika 8.5<br />
Vhodno-izhodni sistemi.<br />
8.2.1 D<strong>in</strong>amični sistemi<br />
D<strong>in</strong>amični sistemi so sistemi s spremenljivkami stanj ali na kratko sistemi s<br />
pomnjenjem. Njihova def<strong>in</strong>icija je:<br />
DEFINICIJA 8.2.1 (D<strong>in</strong>amični sistem)<br />
Če je izhod sistema y(t) odvisen od trenutne <strong>in</strong> predhodnih vrednosti vhoda v(t), je<br />
sistem d<strong>in</strong>amičen.<br />
Najpreprostejši primer d<strong>in</strong>amičnega sistema je <strong>in</strong>tegrator. Opisuje ga:<br />
∫ t<br />
y(t) =<br />
=<br />
−∞<br />
∫ t<br />
0<br />
v(τ) dτ (8.5)<br />
v(τ) dτ +<br />
∫ 0<br />
v(τ) dτ<br />
−∞<br />
} {{ }<br />
=y(0)<br />
∫ t<br />
= v(τ) dτ + y(0) , (8.6)<br />
0<br />
kjer je y(0) <strong>za</strong>četna vrednost stanja <strong>in</strong>tegratorja – izhoda (v nadaljevanju<br />
bomo vedno predpostavili, da je enaka nič). Vidimo, da je izhod <strong>in</strong>tegratorja<br />
odvisen od trenutne <strong>in</strong> vseh predhodnih vrednosti vhoda v(t).<br />
Primer vezja s pomnjenjem, ki ga matematično opiše <strong>in</strong>tegrator, je konden<strong>za</strong>tor<br />
s tokom i(t) kot vhodom <strong>in</strong> napetostjo u(t) kot izhodom:<br />
u C (t) = 1 C<br />
∫ t<br />
−∞<br />
i(τ) dτ = 1 C<br />
V (8.7) smo s q(0) označili <strong>za</strong>četni naboj v konden<strong>za</strong>torju.<br />
∫ t<br />
0<br />
i(τ) dτ + q(0) . (8.7)<br />
datoteka: signal_A
180 8. Sistemi<br />
8.2.2 Statični sistemi<br />
Sisteme brez pomnjenja imenujemo tudi statični sistemi. Pri njih je trenutni<br />
izhod odvisen le od trenutnega vhoda. Primer takega sistema je idealni<br />
ojačevalnik (slika 8.6). Modeliramo ga z:<br />
Slika 8.6<br />
Statični sistem, ki ga določa<br />
ojačevalnik.<br />
y(t) = Av(t) t ∈ R . (8.8)<br />
Sistem brez pomnjenja je tudi električni upor (u(t) = R·i(t)).<br />
8.2.3 Invertibilni sistemi<br />
Invertibilnost je lastnost, pri kateri je med dvema funkcijama enolična pove<strong>za</strong>va<br />
(slika 8.3b). To pomeni, da lahko s poznavanjem ene spremenljivke<br />
enoumno določimo drugo.<br />
DEFINICIJA 8.2.2 (Invertibilnost)<br />
Sistem je <strong>in</strong>vertibilen, če <strong>za</strong> vsak izhod lahko priredimo le en sam vhod.<br />
<br />
Primer <strong>in</strong>vertibilnega sistema je idealni ojačevalnik z ojačenjem A.<br />
lahko <strong>za</strong>pišemo:<br />
Zanj<br />
y(t) = Av(t) ⇒ v(t) = 1 y(t) . (8.9)<br />
A<br />
Tudi sistem, ki ga določa upor je<strong>in</strong>vertibilen, saj velja i(t) = 1 R u(t).<br />
Pri sistemu, kjer je izhod potenca vhoda, <strong>in</strong>vertibilnosti ni:<br />
y(t) = x 2 (t) ⇒ v(t) = ± √ y(t) . (8.10)<br />
Če je v (8.10) signal y napetost 9 V, je vhodna napetost lahko 3 V ali -3 V.<br />
8.2.4 Inverzni sistemi<br />
Če sistem opravi preslikavo v(t) → y(t), <strong>in</strong>verzni sistem opravi preslikavo<br />
y(t) → v(t). Pogoj obstoja <strong>in</strong>verznih sistemov je <strong>in</strong>vertibilnost preslikave<br />
v(t) → y(t). Povedano z drugimi besedami: <strong>in</strong>verzni sistem opravi <strong>in</strong>verzno<br />
transformacijo, <strong>za</strong>to njegovo delovanje simbolično označimo s T −1 . Za<br />
sistem <strong>in</strong> njemu <strong>in</strong>verzni sistem torej velja:<br />
y(t) = T { v(t) } ⇒ v(t) = T −1{ y(t) } . (8.11)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.2 Vrste sistemov 181<br />
Zaporedna ve<strong>za</strong>va sistema <strong>in</strong> njemu <strong>in</strong>verznega sistema tvori tako imenovani<br />
identični sistem (slika 8.7). To je sistem, ki ima izhod enak vhodu. Primer<br />
Slika 8.7<br />
Sistem <strong>in</strong> njegov <strong>in</strong>verzni sistem.<br />
identičnega sistema je <strong>za</strong>poredna ve<strong>za</strong>va idealnega prenosnega medija s slabljenjem<br />
1/k <strong>in</strong> ojačevalnika z ojačenjem k. Ojačevalnik ojači signal ravno<br />
<strong>za</strong> toliko, kot se ta oslabi pri prehodu skozi prenosni medij.<br />
Uporaba identičnih sistemov je zelo razširjena v telekomunikacijah. Tam<br />
ojačevalnik, ki kompenzira slabljenje signala, imenujemo izravnalnik. S<strong>in</strong>te<strong>za</strong><br />
izravnalnikov je pomembno <strong>in</strong> zelo <strong>za</strong>htevno področje uporabe teorije <strong>signalov</strong>.<br />
Običajno funkcija slabljenja signala pri njegovem razširjanju ni znana <strong>in</strong><br />
jo moramo najprej z ustreznimi postopki ugotoviti, izravnalnik pa je zgrajen<br />
tako, da samodejno prevzema njeno <strong>in</strong>verzno obliko.<br />
izravnalnik:<br />
ang. equalisator<br />
8.2.5 Vzročni sistemi<br />
Vsi nam znani naravni procesi so vzročni ali kav<strong>za</strong>lni. To pomeni, da posledica<br />
(izhod sistema) ne more nastati časovno pred svojim vzrokom (vhodom<br />
sistema). Def<strong>in</strong>icija vzročnega sistema je:<br />
DEFINICIJA 8.2.3 (Vzročni ali kav<strong>za</strong>lni sistem)<br />
Sistem je vzročen ali kav<strong>za</strong>len, ko je trenutna vrednost izhodnega signala sistema odvisna<br />
samo od trenutne <strong>in</strong> preteklih vrednosti vhodnega signala:<br />
y(t 0 ) =T { v(t) } pri vseh t t 0 (8.12a)<br />
oziroma<br />
y[n 0 ] =T { v[n] } pri vseh n n 0 . (8.12b)<br />
Kav<strong>za</strong>lne sisteme imenujemo tudi nenapovedne ali neanticipativne sisteme.<br />
<br />
Iz def<strong>in</strong>icije sledi, da so d<strong>in</strong>amični sistemi (s pomnjenjem) neanticipativni<br />
oziroma kav<strong>za</strong>lni sistemi. Poznamo tudi napovedne ali anticipativne sisteme.<br />
Pri njih je trenutna vrednost izhoda odvisna tudi od prihodnjih vhodov.<br />
Čeprav so fizikalno neizvedljivi, njihov koncept pogosto uporabljamo<br />
pri reševanju problemov v komunikacijah, vodenju sistemov itd. Primer nevzročnega<br />
oziroma anticipativnega sistema je idealni prediktor. To je sistem, s<br />
katerim iz poteka preteklih vhodov ali stanj sistema napovemo bodoče vhode<br />
<strong>in</strong> stanja.<br />
datoteka: signal_A
182 8. Sistemi<br />
Primer vzročnega sistema je sistem s preslikavo<br />
y(t) = v(t − 2) .<br />
Njegov trenutni izhod odvisen od vhoda v trenutku izpred dveh časovnih<br />
enot. Takšen sistem je idealni <strong>za</strong>kasnilni sistem. Sistem s preslikavo:<br />
y(t) = v(t + 2)<br />
pa ni vzročen, torej je anticipativen, saj napoveduje, da je njegov trenutni izhod<br />
odvisen od vrednosti, ki jo bo vhod <strong>za</strong>vzel čez dve časovni enoti. Opisani<br />
anticipativni sistem je idealni prediktor.<br />
8.2.6 Časovno neodvisni sistemi<br />
Časovno neodvisnim ali tudi <strong>in</strong>variantnim sistemom se lastnosti s časom ne<br />
sprem<strong>in</strong>jajo (na primer se ne starajo). Def<strong>in</strong>icija lastnosti se glasi:<br />
DEFINICIJA 8.2.4 (Časovno ali pomično neodvisni sistem)<br />
Sistem je časovno neodvisen, če časovni premik (<strong>za</strong>kasnitev) vhoda povzroči le časovni<br />
premik izhoda:<br />
v(t −t 0 ) → y(t −t 0 ) . <br />
Časovno neodvisne sisteme imenujemo tudi pomično neodvisne sisteme. Test<br />
časovne neodvisnosti ilustrira slika 8.8. Na njej vidimo, da lahko signal y(t −<br />
Slika 8.8<br />
Časovno neodvisni sistem.<br />
t 0 ) oziroma <strong>za</strong>poredje y[n−n 0 ] dobimo ali z <strong>za</strong>kasnitvijo izhoda <strong>za</strong> t 0 oziroma<br />
n 0 ali z <strong>za</strong>kasnitvijo vhoda <strong>za</strong> t 0 oziroma n 0 .<br />
8.2.7 L<strong>in</strong>earni sistemi<br />
L<strong>in</strong>earnost je najbolj želena lastnost sistemov. Sistem je l<strong>in</strong>earen, če izpolni<br />
naslednja kriterija:<br />
1. Aditivnost: če sistem preslika v 1 (t) → y 1 (t) <strong>in</strong> v 2 (t) → y 2 (t), potem<br />
preslika tudi v 1 (t) + v 2 (t) → y 1 (t) + y 2 (t)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.2 Vrste sistemov 183<br />
2. Homogenost: če sistem preslika v(t) → y(t), potem preslika tudi αv(t) →<br />
αy(t), kjer je α konstanta.<br />
Navedeni lastnosti sistema morata veljati <strong>za</strong> vse v 1 (t),v 2 (t) <strong>in</strong> α. Aditivnost<br />
<strong>in</strong> homogenost vodita do pomembne lastnosti l<strong>in</strong>earnih sistemov, to je superpozicije.<br />
Če sistem preslika v n (t) → y n (t) potem tudi velja:<br />
α 1 v 1 (t) + α 2 v 2 (t) → α 1 y 1 (t) + α 2 y 2 (t) ,<br />
kjer sta α 1 <strong>in</strong> α 2 konstanti. Torej je sistem, ki izpolni pogoj superpozicije,<br />
l<strong>in</strong>earen. V tem opisu sistemov se omejujemo na l<strong>in</strong>earne sisteme z enim<br />
vhodom <strong>in</strong> izhodom, <strong>za</strong>konitosti pa so opisane hkrati <strong>za</strong> analogne <strong>in</strong> <strong>za</strong> digitalne<br />
sisteme.<br />
8.2.8 Stabilni sistemi<br />
S stabilnostjo sistemov se predvsem ukvarja teorija sistemov, <strong>za</strong>to se bomo<br />
tukaj omejili le na def<strong>in</strong>icijo vhodno-izhodne stabilnosti. Imenujemo jo tudi<br />
BIBO stabilnost. Njena def<strong>in</strong>icija je: BIBO: Bounded Input -<br />
Bounded Output<br />
DEFINICIJA 8.2.5 (BIBO stabilni sistem)<br />
Sistem je stabilen, če je pri vsakem amplitudno omejenem vhodu tudi izhod amplitudno<br />
omejen:<br />
|v(t)| M ⇒ |y(t)| = T { v(t) } N<br />
(8.13a)<br />
oziroma<br />
|v[n]| M ⇒ |y[n]| = T { v[n] } N , M,N < ∞ . (8.13b)<br />
<br />
Grafično predstavitev pogoja BIBO stabilnosti kaže slika 8.9.<br />
Slika 8.9<br />
Amplitudno omejena vhodni <strong>in</strong><br />
izhodni signal (zgoraj) ter<br />
vhodno <strong>in</strong> izhodno <strong>za</strong>poredje<br />
(spodaj).<br />
datoteka: signal_A
184 8. Sistemi<br />
☞<br />
Primer BIBO stabilnega sistema je identični sistem. Pri njem je <strong>za</strong>radi<br />
v(t) = y(t) tudi M = N. Idealni <strong>in</strong>tegrator, ki ga opisuje (8.3) oziroma (8.4)<br />
ni stabilen sistem. Če je na primer vhod enotska stopnica u(t), ki je omejena<br />
funkcija, je izhod strm<strong>in</strong>a y(t) = t, ki pa ni omejena, saj s t l<strong>in</strong>earno narašča.<br />
Stabilnost je osnovna lastnost, ki jo <strong>za</strong>htevamo od vseh izvedljivih sistemov<br />
<strong>za</strong> <strong>obdelavo</strong> <strong>signalov</strong>. Viri, kot so oscilatorji, so izjema. Ti ustvarjajo<br />
izhod, tudi ko je vhod enak nič.<br />
8.3 Sestavljanje sistemov<br />
Sisteme lahko združujemo v nove, sestavljene sisteme. Mnogokrat ubiramo<br />
tudi nasprotno smer, kompleksne sisteme želimo razstaviti na množico medsebojno<br />
pove<strong>za</strong>nih manj kompleksnih podsistemov. Elemente sistemov, s<br />
katerih gradimo ali na katere razstavljamo sisteme, v splošnem imenujemo<br />
podsistemi ali gradniki.<br />
8.3.1 Vzporedna <strong>in</strong> <strong>za</strong>poredna ve<strong>za</strong>va<br />
Poznamo dve osnovni povezovanji sistemov: vzporedno ali paralelno ter <strong>za</strong>poredno<br />
ali serijsko (slika 8.10). Najprej si oglejmo vzporedno pove<strong>za</strong>vo.<br />
Slika 8.10<br />
Vzporedna (zgoraj) <strong>in</strong> <strong>za</strong>poredna (spodaj) pove<strong>za</strong>va<br />
dveh sistemov.<br />
Vhod v sestavljeni sistem je v(t), izhod pa določa vsota izhodov pove<strong>za</strong>nih<br />
sistemov. Z operatorji preslikave <strong>za</strong>pišemo:<br />
y = y 1 + y 2 = T 1<br />
{<br />
v<br />
}<br />
+ T2<br />
{<br />
v<br />
}<br />
= T<br />
{<br />
v<br />
}<br />
. (8.14)<br />
Seštevanje smo na sliki 8.10 predstavili s posebnim povezovalnim elementom<br />
- seštevalnikom. Poleg seštevalnika takšno ve<strong>za</strong>vo omogoča še povezovalni<br />
element – vejitev. V matematičnem smislu je to prireditev. Pri analognih<br />
sistemih mora vejitev <strong>signalov</strong> izpolniti tehniške <strong>za</strong>hteve, ki <strong>za</strong>gotovijo<br />
usmerjenost <strong>signalov</strong>. Ista <strong>za</strong>hteva velja tudi <strong>za</strong> ostale povezovalne elemente.<br />
Med elementarne povezovalne elemente spada še množilnik. Med tem ko<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.3 Sestavljanje sistemov 185<br />
sta vejitev <strong>in</strong> seštevanje l<strong>in</strong>earni operaciji, je množenje nel<strong>in</strong>earna operacija.<br />
Najpogosteje uporabljani povezovalni elementi so narisani na sliki 8.11.<br />
Slika 8.11<br />
Simboli povezovalnih elementov. Zgoraj:<br />
seštevalnik <strong>signalov</strong>, v sred<strong>in</strong>i: vejitev, spodaj:<br />
množilnik.<br />
Pri <strong>za</strong>poredni ve<strong>za</strong>vi sistemov vidimo, da je vhod naslednjega sistema<br />
enak izhodu predhodnega. Izhod skupnega sistema je določen z:<br />
y = T 2<br />
{<br />
y1<br />
}<br />
= T2<br />
{<br />
T1<br />
{<br />
v<br />
}}<br />
= T1 ◦ T 2 = T { v } . (8.15)<br />
Tako sestavljeno preslikavi imenujemo kompozicija preslikav T 1 <strong>in</strong> T 2 . Kompozicijo<br />
smo označili s simbolom ◦.<br />
ZGLED 8.3.1 (primer sestavljenega sistema)<br />
Za sestavljeni sistem na sliki 8.12 določimo izhodni signal.<br />
Slika 8.12<br />
Primer sestavljenega sistema.<br />
REŠITEV:<br />
v 3 = y 1 + y 2 = T 1<br />
{<br />
v<br />
}<br />
+ T2<br />
{<br />
v<br />
}<br />
= (T1 + T 2 ) { v }<br />
y 3 = T 3<br />
{<br />
v3<br />
}<br />
= T3<br />
{<br />
(T1 + T 2 ) { v }}<br />
= T 3 ◦ (T 1 + T 2 ) { v }<br />
<strong>in</strong> izhod sestavljenega sistema je<br />
y = y 3 y 4 = [ T 3 ◦ ( T 1<br />
{<br />
v<br />
}<br />
+ T2<br />
{<br />
v<br />
})]<br />
T4<br />
{<br />
v<br />
}<br />
.<br />
datoteka: signal_A
186 8. Sistemi<br />
Vidimo, da simbolični <strong>za</strong>pis pove le, kako so sistemi 1, 2, 3 <strong>in</strong> 4 medsebojno pove<strong>za</strong>ni.<br />
Brez poznavanja preslikav T i z njim ne moremo določiti vhodno izhodnega opisa. Če pa<br />
so preslikave znane, ta simbolični opis predstavlja vhodno-izhodni model sestavljenega<br />
sistema.<br />
♦<br />
8.3.2 Usmerjenost <strong>signalov</strong> <strong>in</strong> sistemov<br />
Pri povezovanju sestavljenih sistemov smo upoštevali, da so signali usmerjeni.<br />
To pomeni, da se signal v sistemu lahko širi le od vhoda proti izhodu.<br />
Pri digitalnih sistemih je to določeno s pravilnim <strong>za</strong>poredjem računanja. Električna<br />
vezja s pasivnimi elementi niso usmerjena. Pri njih lahko “signal”<br />
potuje iz “izhoda” k “vhodu”. To je možno preprečiti z uporabo aktivnih<br />
elementov – impedančnih pretvornikov (slika 8.13).<br />
Slika 8.13<br />
Primer impedančne razklopitve vhoda od izhoda.<br />
Razmere na izhodu tu ne vplivajo na delovanje<br />
R-L člena.<br />
8.3.3 Sistemi s povratno <strong>za</strong>nko<br />
Sestavljeni sistemi, v katerih so podsistemi pove<strong>za</strong>ni v povratno <strong>za</strong>nko, tvorijo<br />
zelo pomembno druž<strong>in</strong>o sistemov, na kateri temelji tehnika <strong>vodenja</strong> oziroma<br />
na splošno kibernetika. Primer zgradbe sistema s povratno <strong>za</strong>nko kaže<br />
slika 8.14. Regulator je podsistem, ki ga načrtamo tako, da bo imel skupni<br />
vhodno-izhodni sistem želene lastnosti oziroma karakteristike.Med naj-<br />
Slika 8.14<br />
Sistem s povratno <strong>za</strong>nko.<br />
pomembnejše lastnosti sodi stabilnost. Senzor meri izhod, ki ga želimo voditi.<br />
Pogrešek e(t) je signal razlike med vhodom <strong>in</strong> izhodom sistema. Sistem<br />
s povratno <strong>za</strong>nko na sliki 8.14 opišemo z:<br />
{ }<br />
e(t) = v(t) − y 3 (t) = v(t) − T 3 y(t) (8.16)<br />
{ }<br />
v 2 (t) = y 1 (t) = T 1 e(t) (8.17)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.3 Sestavljanje sistemov 187<br />
<strong>in</strong><br />
{<br />
y(t) = T 2 v2 (t) } { }<br />
= T 2 ◦ T 1 e(t) (8.18)<br />
= T 2 ◦ T 1 {v(t) − T 3 {y(t)} } (8.19)<br />
= T 2 ◦ T 1 {v(t)} − T 2 ◦ T 3 {y(t)}<br />
oziroma, če vhode <strong>in</strong> izhode združimo vsake na svoji strani enačbe:<br />
y(t) + T 2 ◦ T 1 ◦ T 3 {y(t)} = T 1 ◦ T 2 {v(t)} . (8.20)<br />
Če poznamo matematične modele regulatorja, reguliranega sistema <strong>in</strong> senzorja,<br />
lahko izpeljemo vhodno-izhodni model.<br />
ZGLED 8.3.2 (Sistem s povratno <strong>za</strong>nko)<br />
Predpostavimo, da povratno <strong>za</strong>nčni sistem na sliki 8.14 sestavljajo naslednji podsistemi:<br />
sistem 1: idealni ojačevalnik z ojačenjem k 1<br />
sistem 2: diferenciator y 2 = ˙v 2<br />
sistem 1: idealni ojačevalnik z ojačenjem k 3<br />
Določimo model tega sistema!<br />
REŠITEV: Z določitvijo preslikav v posameznih podsistemih je sestavljen sistem postal<br />
“bela škatla”. Njen model lahko določimo s pomočjo (8.16) – (8.19). To pokažemo<br />
z izpeljavo modela, ki sledi sledi tem rezultatom. Iz regulacijskega pogreška e(t):<br />
[ en. 8.16] e(t) = v(t) − k 3 y(t)<br />
izračunamo regulacijski signal<br />
[ en. 8.17] v 2 (t) = k 1 e(t) = k 1<br />
{<br />
v(t) − k3 y(t) }<br />
= k 1 v(t) − k 1 k 3 y(t) ,<br />
<strong>in</strong> z upoštevanjem modela objekta <strong>za</strong> izhod sistema dobimo:<br />
[ en. 8.18] y(t) = ˙v 2 = d dt<br />
[<br />
k1 e(t) ]<br />
[ en. 8.19] = k 1 ˙v(t) − k 1 k 3 ẏ(t) .<br />
Zgornja enačba tvori matematični model opazovanega sistema. Združimo še iste spremenljivke<br />
na eni strani enačaja:<br />
[ en. 8.20] k 1 k 3 ẏ(t) − y(t) = k 1 ˙v(t)<br />
<strong>in</strong> dobimo v običajen <strong>za</strong>pis l<strong>in</strong>earne diferencialne enačbe prvega reda s konstantnimi<br />
koeficienti.<br />
♦<br />
datoteka: signal_A
188 8. Sistemi<br />
8.4 Konvolucija<br />
Povejmo takoj! Konvolucija ima v signalni obravnavi sistemov osrednji, nikoli<br />
dovolj poudarjen pomen. Z njo, točneje konvolucijskim <strong>in</strong>tegralom oziroma<br />
konvolucijsko vsoto v l<strong>in</strong>earnih, časovno neodvisnih sistemih, <strong>za</strong> katere<br />
poznamo impulzni odziv, izračunamo odziv sistema na poljubni vhodni signal.<br />
8.4.1 Izpeljava konvolucijskega <strong>in</strong>tegrala<br />
Konvolucijski <strong>in</strong>tegral lahko preprosto izpeljemo iz odziva sistema na Diracov<br />
impulz z uporabo četrte lastnosti posplošenih funkcij (razdelek 7.3 na<br />
strani 168):<br />
[en. 7.28 ]<br />
∫ ∞<br />
−∞<br />
x(τ)δ(t − τ) dτ = x(t) , (8.21)<br />
iz katere sledi, da lahko signal x(t) opišemo z <strong>in</strong>tegralom, v katerem se pomika<br />
Diracov impulz po <strong>in</strong>tegracijskem območju od −∞ do +∞.<br />
Impulzni odziv<br />
V signalnem <strong>za</strong>pisu sistema izhajajmo iz odziva sistema na Diracov impulz:<br />
h(t) = T{δ(t)} . (8.22)<br />
Imenujemo ga impulzni odziv. Nanj gledamo kot na odziv na “enotski” vhodni<br />
signal (ker je po def<strong>in</strong>iciji ∫ ∞<br />
−∞ δ(t) dt = 1), <strong>za</strong>to z gotovostjo predvidevamo,<br />
da je možno preslikavo sistema opisati prav z njim.<br />
Odziv na poljubni vhodni signal<br />
V odzivu na poljubni vhodni signal:<br />
y(t) = T{v(t)} . (8.23)<br />
upoštevamo (8.21):<br />
{ ∫ ∞<br />
}<br />
y(t) = T v(τ)δ(t − τ) dτ<br />
−∞<br />
. (8.24)<br />
Ker je od časa t odvisen le δ(t − τ), <strong>za</strong> (8.24) velja:<br />
∫ ∞<br />
y(t) =<br />
{ v(τ)T δ(t − τ) } dτ (8.25)<br />
−∞<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.4 Konvolucija 189<br />
<strong>in</strong> ker je sistem pomično neodvisen, velja (8.23) <strong>za</strong>to tudi pri pomiku <strong>za</strong> τ:<br />
oziroma lahko <strong>za</strong> (8.25) pišemo:<br />
h(t − τ) = T{δ(t − τ)} , (8.26)<br />
∫ ∞<br />
y(t) = v(τ)h(t − τ) dτ . (8.27)<br />
−∞<br />
Obrazec (8.27) imenujemo konvolucija, ki jo krajše simbolično <strong>za</strong>pišemo s<br />
konvolucijskim produktom:<br />
y(t) = v(t) ∗ h(t) . (8.28)<br />
Iz (8.27) sledi, da impulzni odziv l<strong>in</strong>earnega, pomično neodvisnega sistema<br />
popolnoma opiše takšen sistem. S poznavanjem h(t) lahko s pomočjo konvolucije<br />
določimo odziv konvolucijskih sistemov na poljubni vhodni signal.<br />
Glede na (8.27) oziroma (8.37) lahko konvolucijski sistem grafično predstavimo<br />
tako, kot kaže slika 8.15.<br />
(a) predstavitev strukture preslikave (8.27) (b) običajna predstavitev preslikave (8.27)<br />
Slika 8.15<br />
Zvezni konvolucijski sistem.<br />
8.4.2 Odziv l<strong>in</strong>earnega časovno diskretnega sistema<br />
Odziv časovno diskretnega sistema določimo po podobni poti kot smo ga<br />
določili pri zveznih konvolucijskih sistemih. Razlika je ta, da tu uporabimo<br />
Kroneckerjev enotski impulz δ K [n] <strong>in</strong> konvolucijski <strong>in</strong>tegral <strong>za</strong>menja konvolucijska<br />
vsota.<br />
L<strong>in</strong>earni, pomično neodvisni časovno diskretni <strong>in</strong> sistem, ki je sproščen<br />
ali relaksiran (v sistemu so vsi elementi s pomnjenjem prazni, oziroma so<br />
njihove <strong>za</strong>četne vrednosti enake nič) se na Kroneckerjev enotski impulz δ K [n]<br />
odzove z <strong>za</strong>poredjem h[n], oziroma <strong>za</strong>dosti preslikavi:<br />
h[n] = T{δ K [n]} . (8.29)<br />
datoteka: signal_A
190 8. Sistemi<br />
Odziv diskretnega sistema lahko določimo po podobni poti, kot smo jo prehodili<br />
pri zveznih sistemih. Tako <strong>za</strong>poredje v[n] izrazimo z<br />
v[n] =<br />
∞<br />
∑<br />
m=−∞<br />
v[m]δ K [n − m] . (8.30)<br />
Ker je sistem l<strong>in</strong>earen, lahko odziv y[n] na poljubni vhod v[n] določimo z:<br />
∞∑<br />
}<br />
y[n] = T{x[n]} = T{<br />
v[m]δ K [n − m]<br />
(8.31)<br />
=<br />
m=−∞<br />
∞<br />
∑<br />
m=−∞<br />
<strong>in</strong> ker je sistem tudi pomično neodvisen, seveda velja tudi<br />
Vstavimo (8.33) v (8.32) <strong>in</strong> dobimo:<br />
y[n] =<br />
∞<br />
∑<br />
m=−∞<br />
x[m]T{δ K [n − m]} (8.32)<br />
h[n − m] = T{δ K [n − m]} . (8.33)<br />
v[m]h[n − m] . (8.34)<br />
Obrazec (8.34) imenujemo konvolucijska vsota. Podobno kot impulzni odziv<br />
h(t) popolnoma opiše zvezni sistem, h[n] popolnoma opiše diskretni sistem.<br />
8.4.3 Računanje konvolucije<br />
Beseda konvolucija je prireditev angleške besede convolution, ta pa je prevod<br />
Faltung, ki so jo vpeljali nemški matematiki. V slovenskem prevodu<br />
bi <strong>za</strong>to pomenila pregib. Pomen veže na računanje, ko preganemo signalno<br />
os vhodnemu signalu (slika 8.16b), oziroma signal <strong>za</strong>sučemo na signalni osi<br />
(slika 8.16c). Zakaj preganemo signal? Vemo, da je <strong>za</strong>suk nastal v izpeljavi<br />
konvolucijskega <strong>in</strong>tegrala, kjer smo izkoristili lastnosti Diracovega impul<strong>za</strong>.<br />
Pri kav<strong>za</strong>lnih sistemih (izpeljava konvolucijskega <strong>in</strong>tegrala <strong>za</strong> ta posebni primer<br />
je v razdelku 8.5.5 na strani 195), kjer je izhod sistema odvisen le od<br />
trenutne <strong>in</strong> preteklih vrednosti vhoda. Nujnost pregiba uvidimo tudi <strong>in</strong>tuitivno,<br />
ko s pregibom izpolnimo lastnost kav<strong>za</strong>lnih sistemov!<br />
Pregib <strong>za</strong>gotavlja, da z <strong>in</strong>tegriranjem vzdolž impulznega odziva <strong>za</strong>jemamo<br />
vrednosti vhoda vse bolj v preteklosti (slika 8.16d).<br />
Za utrditev razumevanje konvolucije izpišimo še potek računanja pri zveznih<br />
signalih <strong>in</strong> sicer različico algoritma <strong>za</strong> primer, ko <strong>za</strong>sučemo vhodni signal<br />
(na levi strani) <strong>in</strong> <strong>za</strong> primer, ko <strong>za</strong>sučemo impulzni odziv. Oba nač<strong>in</strong>a<br />
dajeta enak rezultat!<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.4 Konvolucija 191<br />
(a) Potek signala v(τ +t).<br />
(b) Pregib signalne osi τ.<br />
(c) Potek signala v(−τ +t) na običajnem prikazu signalne osi.<br />
(d) Potek signala v(t − τ) <strong>in</strong> odziva h(τ) s prikazom izračuna<br />
vrednosti konvolucije v trenutku t. Velikost površ<strong>in</strong>e pod potekom<br />
v(t − τ)h(τ) je enaka vrednosti konvolucije pri t. “Film”<br />
računanja konvolucije vidimo na sliki 8.17.<br />
Slika 8.16<br />
Pregib signalne osi na vhodnem signalu.<br />
prvi nač<strong>in</strong><br />
drugi nač<strong>in</strong><br />
1. preganemo vhodni signal:<br />
v(t) → v(−t),<br />
2. preganjeni vhodni signal po signalni osi τ premikamo<br />
s t,<br />
3. množimo (točko <strong>za</strong> točko) vhodni signal z<br />
impulznim odzivom:<br />
h(t)v(τ −t),<br />
4. produkte <strong>in</strong>tegriramo.<br />
1. preganemo impulzni odziv:<br />
h(t) → h(−t),<br />
2. preganjeni impulzni odziv po signalni osi τ premikamo<br />
s t,<br />
3. množimo (točko <strong>za</strong> točko) vhodni signal z<br />
impulznim odzivom:<br />
h(τ −t)v(t),<br />
4. produkte <strong>in</strong>tegriramo.<br />
Konvolucijo si lahko predstavljamo kot lokalno povprečenje produkta vhodnega<br />
signala s preganjenim <strong>in</strong> premikajočim se impulznim odzivom. Iz<br />
obrazcev konvolucije oziroma postopka njenega računanja (slika 8.17)vidimo,<br />
da je konvolucija sorodna korelaciji. Razlika med njima je le v “<strong>za</strong>suku”<br />
datoteka: signal_A
192 8. Sistemi<br />
Slika 8.17<br />
“Film” računanja konvolucije.<br />
enega od <strong>signalov</strong>. Zato data korelacija <strong>in</strong> konvolucija v primeru sodega vhodnega<br />
signala enak rezultat!<br />
V simulacijah lahko realiziramo signalni konvolutor le <strong>za</strong> končno trajanje<br />
impulznih odzivov, ki se shranijo v ustrezni pomnilnik naprave. Tehnično<br />
uporabljamo le diskretne (digitalne) rešitve. Izjema je le <strong>in</strong>tegrator, kjer ni<br />
potrebe shraniti njegov impulzni odziv, saj je enak ena.<br />
8.5 Lastnosti konvolucije<br />
Konvolucijski obrazci veljajo le <strong>za</strong> l<strong>in</strong>earne, časovno neodvisne sisteme. Za<br />
takšne sisteme velja:<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.5 Lastnosti konvolucije 193<br />
pri diskretnih sistemih<br />
L<strong>in</strong>earni, časovno diskretni preslikavalni sistem s signalno<br />
osjo T ∈ Z <strong>in</strong> realnim ali kompleksnim vhodom<br />
<strong>in</strong> izhodom je časovno neodvisni sistem takrat <strong>in</strong> samo<br />
takrat, ko je konvolucijski sistem.<br />
pri zveznih sistemih<br />
L<strong>in</strong>earni, časovno zvezni preslikavalni sistem s signalno<br />
osjo T ∈ R <strong>in</strong> realnim ali kompleksnim vhodom<br />
<strong>in</strong> izhodom je časovno neodvisni sistem takrat <strong>in</strong> samo<br />
takrat, ko je konvolucijski sistem.<br />
Več<strong>in</strong>a sistemov, s katerimi se bomo v pri obravnavi <strong>signalov</strong> ukvarjali, bodo<br />
konvolucijski sistemi. Za te sisteme se v angleški literaturi pogosto uporablja<br />
kratica sistemi LTI. Sistemi LTI so seveda lahko časovno zvezni ali časovno<br />
diskretni sistemi. Za oboje veljajo iste lastnosti.<br />
Pri časovno spremenljivih sistemih je impulzni odziv odvisen od trenutka<br />
vzbujanja, <strong>za</strong>to <strong>za</strong>nje konvolucijski obrazec ne obstoja. Pri zveznih sistemi<br />
namesto njega uporabljamo superpozicijski <strong>in</strong>tegral, v katerem namesto impulznega<br />
odziva h(t − τ) nastopa impulzni odziv h(t,τ):<br />
y(t) =<br />
∫ t<br />
0<br />
v(τ)h(t,τ) dτ . (8.35)<br />
Pomembna druž<strong>in</strong>a časovno spremenljivih sistemov so adaptivni sistemi, ki<br />
jih na primer sproti prilagajamo potrebam pri obdelavi <strong>signalov</strong>.<br />
LTI:<br />
L<strong>in</strong>ear Time Invariant<br />
8.5.1 Obstoj konvolucije<br />
Obstoj konvolucije, torej njena izračunljivost, ni sam po sebi umevna. Tako<br />
na primer, konvolucija dveh konstantnih <strong>signalov</strong> (<strong>in</strong>tegrator s konstantnim<br />
vhodom) narašča preko vseh mej. Zato morajo biti <strong>za</strong> obstoj konvolucije<br />
izpolnjeni določeni pogoji.<br />
DEFINICIJA 8.5.1 (Zadostni pogoji <strong>za</strong> obstoj konvolucije)<br />
Za signala oziroma funkciji v ali h, ki sta def<strong>in</strong>irani ali na signalni osi T ∈ Z ali T ∈ R<br />
obstaja konvolucija v primerih:<br />
1. Če sta v <strong>in</strong> h prehodni funkciji je tudi konvolucija v ∗ h prehodna.<br />
2. Če sta funkciji v ali h prehodni le v eni smeri, je tudi konvolucija v ∗ h prehodna<br />
v isto smer kot funkciji.<br />
3. Če velja ‖v‖ 2 < ∞,‖y‖ 2 < ∞, tedaj velja ‖v∗h‖ ∞ < ∞, vendar ni nujno, da velja<br />
tudi ‖x ∗ h‖ 2 < ∞.<br />
4. Če obstaja ‖v‖ 1 <strong>in</strong> ‖h‖ 1 , tedaj velja ‖v ∗ h‖ ∞ < ∞.<br />
Iz def<strong>in</strong>icije 8.5.1 sledi, (i) da je pri prehodnih signalih rezultat konvolucije<br />
različen od nič le na <strong>in</strong>tervalu, katerega dolž<strong>in</strong>a je vsota <strong>in</strong>tervalov, na<br />
katerih sta funkciji x <strong>in</strong> y različni od nič; <strong>in</strong> (ii) <strong>za</strong> obstoj konvolucije sta<br />
odgovorna tako vhod kot impulzni odziv sistema.<br />
datoteka: signal_A
194 8. Sistemi<br />
8.5.2 Stabilnost konvolucijskih sistemov<br />
Vhodno-izhodno (BIBO) stabilnost smo def<strong>in</strong>irali v def<strong>in</strong>iciji 8.2.5 na strani<br />
183. Iz nje sledi naslednji izrek:<br />
IZREK 8.1 (BIBO stabilnost konvolucijskih sistemov)<br />
Konvolucijski sistem je BIBO stabilen takrat <strong>in</strong> samo takrat, ko ima impulzni odziv h<br />
končno jakost ‖h‖ 1 < ∞. Takrat velja:<br />
‖y‖ ∞ ‖h‖ 1 ·‖v‖ ∞ (8.36)<br />
pri vsakem vhodu s končno amplitudo.<br />
<br />
Veljavnost (8.36) bomo doka<strong>za</strong>li le pri časovno diskretnih sistemih. Za<br />
časovno zvezne sisteme je izpeljava doka<strong>za</strong> ekvivalentna.<br />
DOKAZ 8.1<br />
Izhod časovno diskretnega konvolucijskega sistema y[n] je:<br />
y[n] =<br />
n<br />
∑<br />
m=−∞<br />
h[n − m]v[m] , n ∈ Z<br />
Z uporabo trikotniškega izreka <strong>za</strong> kompleksna števila lahko <strong>za</strong>pišemo:<br />
∣ ∣ ∣∣∣∣ ∞ ∞<br />
∣ y[n] = ∑ h[n − m]v[m]<br />
m=−∞<br />
∣ <br />
∣<br />
∑<br />
∣ h[n − m]v[m] .<br />
m=−∞<br />
} {{ }<br />
=S<br />
Izraz S ima očitno največjo vrednost takrat, ko so vsi v[m] enaki maksimalni vrednosti<br />
vhodnega <strong>za</strong>poredja, ki jo izmerimo z ‖·‖ ∞ . Zato <strong>za</strong>gotovo velja:<br />
∣<br />
∣y[n] ∣ <br />
∞<br />
∑<br />
m=−∞<br />
∣<br />
∣h[n − m] ∣ ∣·‖v[m]‖ ∞ = ‖v[m]‖ ∞ ·<br />
n<br />
∑<br />
m=−∞<br />
∣<br />
∣h[n − m] ∣ ∣<br />
pri vseh m ∈ Z. Z <strong>za</strong>menjavo spremenljivk n − m = k dobimo:<br />
(<br />
∣ ∞∑<br />
)<br />
∣ y[n] |h(k)| ·‖v‖ ∞ = ‖h‖ 1 ·‖v‖ ∞ , n ∈ Z ,<br />
m=−∞<br />
} {{ }<br />
‖h[k]‖<br />
oziroma:<br />
‖y‖ ‖h‖ 1 ·‖v‖ ∞ . □<br />
Iz doka<strong>za</strong> lahko pov<strong>za</strong>memo: če je jakost impulznega odziva končna, torej<br />
‖h‖ 1 < ∞, potem je maksimalna amplituda odziva ‖y‖ ∞ na vsak vhod s<br />
končno amplitudo ‖v‖ ∞ ∞ omejena s ‖h‖ 1 ·‖v‖ ∞ .<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.5 Lastnosti konvolucije 195<br />
8.5.3 L<strong>in</strong>earnost<br />
Konvolucija je l<strong>in</strong>earna operacija, <strong>za</strong>to <strong>za</strong>njo veljajo vse lastnosti l<strong>in</strong>earnih<br />
preslikav:<br />
1. komutativnost x ∗ h = h ∗ x (8.37a)<br />
2. asociativnost [x ∗ h 1 ] ∗ h 2 = x ∗ [h 1 ∗ h 2 ] (8.37b)<br />
3. distributivnost x ∗ [h 1 + h 2 ] = x ∗ h 1 + x ∗ h 2 (8.37c)<br />
3. distributivnost x ∗ [h 1 + h 2 ] = x ∗ h 1 + x ∗ h 2 (8.37d)<br />
4. množenje s skalarjem α(x ∗ y) = (αx) ∗ y = x ∗ (αy) (8.37e)<br />
8.5.4 Statični <strong>in</strong> d<strong>in</strong>amični sistemi<br />
Pri statičnih sistemih oziroma pri sistemih brez pomnjenja, je trenutni izhod<br />
odvisen le od trenutnega vhoda. Če je ta sistem tudi l<strong>in</strong>earen <strong>in</strong> pomično<br />
neodvisen, potem <strong>za</strong>nj velja:<br />
y(t) = Kx(t) , (8.38)<br />
kjer je K konstanta (ojačenje ali slabljenje) sistema. Tak sistem ima impulzni<br />
odziv enak<br />
h(t) = Kδ(t) . (8.39)<br />
Iz (8.39) sledi, da je pogoj <strong>za</strong> statični sistem<br />
h(t) =<br />
{<br />
h(0) = K t = 0<br />
h(t) = 0 t ≠ 0<br />
. (8.40)<br />
Če pogoj (8.40) ni izpolnjen, torej da je h(t) ≠ 0 pri t ≠ 0, potem je sistem<br />
d<strong>in</strong>amičen.<br />
8.5.5 Kav<strong>za</strong>lni sistemi<br />
Pri kav<strong>za</strong>lnih sistemih odziv ne more nastati pred vzbujanjem, oziroma trenutna<br />
vrednost izhoda ne more biti odvisna od prihodnjih vrednosti vhoda.<br />
Zato velja:<br />
h(t) = 0 , t < 0 (8.41)<br />
<strong>in</strong><br />
∫ ∞<br />
y(t) = h(τ)x(t − τ) dτ . (8.42)<br />
0<br />
Prav tako ne more biti izhod odvisen od prihodnjih vrednosti vhoda, ampak<br />
le od vrednosti do trenutka t, <strong>za</strong>to (8.42) omejimo na <strong>in</strong>terval [0,t]:<br />
datoteka: signal_A
196 8. Sistemi<br />
∫ t<br />
∫ t<br />
y(t) = x(τ)h(t − τ) dτ = h(τ)x(t − τ) dτ . (8.43)<br />
0<br />
0<br />
Ker so izvedljivi sistemi kav<strong>za</strong>lni sistemi, je obrazec (8.43) osrednjega<br />
pomena pri računanju odzivov. Zato njegov pomen osvetlimo <strong>in</strong> utrdimo z<br />
nekaj primeri uporabe.<br />
ZGLED 8.5.1 (Impulzni odziv <strong>in</strong>tegratorja)<br />
Določimo impulzni odziv <strong>in</strong>tegratorja (slika 8.18)!<br />
Slika 8.18<br />
Integrator.<br />
REŠITEV:<br />
Integrator je elementarni sistem, katerega izhod je enak <strong>in</strong>tegralu vhoda:<br />
∫ t<br />
y(t) = x(τ) dτ . (8.44)<br />
−∞<br />
Enačba (8.44) je že matematični model sistema, <strong>za</strong>to je določitev impulznega odziva<br />
preprosta. Iz def<strong>in</strong>icije, da je impulzni odziv enak odzivu sistema na Diracov impulz,<br />
sledi, da je <strong>in</strong>tegrator pred pojavom Diracovega impul<strong>za</strong> relaksiran (njegova <strong>za</strong>četna<br />
vrednost je enaka nič):<br />
∫ t<br />
h(t) = δ(τ) dτ =<br />
−∞<br />
{<br />
0 t < 0<br />
1 t > 1<br />
= u(t) . (8.45)<br />
♦<br />
Integrator je v zveznih sistemih osnovni gradnik d<strong>in</strong>amičnih sistemov. Zato<br />
se <strong>za</strong>nj ponavadi uporablja poseben simbol (slika 8.19).<br />
(a) simbol <strong>in</strong>tegratorja, ki ga uporabljamo<br />
v simulacijah (sistemski opis)<br />
(b) simbol <strong>in</strong>tegratorja, ki ga uporabljamo<br />
v regulacijah (vhodno-izhodni opis)<br />
Slika 8.19<br />
Simboli <strong>za</strong> upodobitev <strong>in</strong>tegratorja.<br />
ZGLED 8.5.2 (Odziv <strong>in</strong>tegratorja na enotsko stopnico)<br />
Določimo odziv <strong>in</strong>tegratorja na enotsko stopnico!<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.5 Lastnosti konvolucije 197<br />
REŠITEV: Ker je <strong>in</strong>tegrator kav<strong>za</strong>lni sistem – njegov izhod je odvisen od trenutne <strong>in</strong><br />
vseh predhodnih vrednosti vhoda – <strong>in</strong> ker je vhodni signal tudi kav<strong>za</strong>len, lahko njegov<br />
izhod določimo s konvolucijskim <strong>in</strong>tegralom, ki smo ga <strong>za</strong>pisali v (8.43).<br />
∫ t<br />
y(t) = h(t) ∗ x(t) = h(τ)v(t − τ) dτ . (8.46)<br />
0<br />
Upoštevamo, da vhod v(t) = u(t) ter impulzni odziv, ki smo ga določili v zgledu 8.5.1 na<br />
predhodni strani. Dobimo<br />
⎧<br />
∫ t<br />
⎨0 t < 0<br />
y(t) = 1<br />
0<br />
}{{}<br />
·<br />
}{{}<br />
1 dτ =<br />
⎩<br />
τ∣ t = t t > 1 = k(t) . (8.47)<br />
h(τ) v(t−τ)<br />
0<br />
Pripomnimo še, da simbol <strong>za</strong> <strong>in</strong>tegrator, ki ga uporabljamo v regulacijah, pona<strong>za</strong>rja<br />
klanec, ki je odziv <strong>in</strong>tegratorja na stopnico na vhodu.<br />
♦<br />
ZGLED 8.5.3 (Odziv <strong>in</strong>tegratorja na harmonični val)<br />
Določimo odziv <strong>in</strong>tegratorja na periodični signal v(t) = cosωt!<br />
REŠITEV: Imamo kav<strong>za</strong>lni sistem <strong>in</strong> periodični – torej nekav<strong>za</strong>lni – vhodni signal.<br />
Zato izhod <strong>in</strong>tegratorja lahko določimo z obrazcem v (8.44).<br />
∫ t<br />
y(t) = cosωτ dτ = 1 ∣ ∣∣∣<br />
t<br />
−∞<br />
ω s<strong>in</strong>ωτ = s<strong>in</strong>ωt<br />
−∞<br />
ω<br />
, (8.48)<br />
kjer smo upoštevali izrek o končnih vrednosti (glej dodatek ?? na strani ??):<br />
∫ ∞<br />
lim s<strong>in</strong>ωt dt = 0 .<br />
ω→−∞ −∞<br />
Do enakega rezultata pridemo, če odziv določimo s konvolucijskim <strong>in</strong>tegralom (8.27).<br />
V njem upoštevamo, da je <strong>in</strong>tegrator kav<strong>za</strong>lni sistem. Zato <strong>za</strong>pišemo:<br />
∫ t<br />
y(t) = 1· cosω(t − τ) dτ (8.49)<br />
0<br />
∫ t [ ]<br />
= cosωt cosωτ + s<strong>in</strong>ωt s<strong>in</strong>ωτ dτ<br />
0<br />
∫ t<br />
∫ t<br />
= cosωt cosωτ dτ + s<strong>in</strong>ωt s<strong>in</strong>ωτ dτ<br />
0<br />
0<br />
= cosωt 1 ω [s<strong>in</strong>ωt − 0] + s<strong>in</strong>ωt 1 [−cosωt + 1]<br />
ω<br />
cosωt s<strong>in</strong>ωt cosωt s<strong>in</strong>ωt<br />
= − + s<strong>in</strong>ωt<br />
ω<br />
ω ω<br />
= s<strong>in</strong>ωt . (8.50)<br />
ω<br />
♦<br />
datoteka: signal_A
198 8. Sistemi<br />
8.5.6 Premik funkcije<br />
Sistem, ki premakne (<strong>za</strong>kasni) signal po časovni osi, ima impulzni odziv<br />
enak:<br />
zvezni sistemi: h(t) = δ(t −t 0 ) (8.51a)<br />
diskretni sistemi: h[n] = δ[n − n 0 ] , (8.51b)<br />
kjer sta t 0 ∈ R + <strong>in</strong> n 0 ∈ Z + . V veljavnost (8.51) se lahko prepričamo z<br />
naslednjo izpeljavo. Iz def<strong>in</strong>icije Diracovega impul<strong>za</strong> sledi:<br />
∫ ∞<br />
∫ ∞<br />
v(t)δ(t −t 0 ) dt = v(t −t 0 )δ(t −t 0 ) dt = x(t 0 ) ,<br />
−∞<br />
−∞<br />
z upoštevanjem def<strong>in</strong>icije konvolucije v (8.43) pa lahko <strong>za</strong>pišemo:<br />
∫ t<br />
−∞<br />
∫ t<br />
x(t −t 0 )h(t − τ) dτ = x(t)δ(t −t 0 − τ) dτ = x(t −t 0 ) .<br />
−∞<br />
8.5.7 Odvajanje konvolucije<br />
Bodi p operator odvajanja:<br />
pz(t) = d dt<br />
z(t) , (8.52)<br />
Če je z(t) je zvezna <strong>in</strong> odvedljiva funkcija, potem pri konvoluciji zveznih<br />
funkcij, od katerih mora biti vsaj ena odvedljiva, velja:<br />
če je odvedljiva funkcija x, <strong>in</strong><br />
če je odvedljiva funkcija y.<br />
p(x ∗ y) = (px) ∗ y , (8.53a)<br />
p(x ∗ y) = x ∗ (py) , (8.53b)<br />
8.5.8 Konvolucija signala<br />
z odvodom Diracovega impul<strong>za</strong><br />
Lastnosti konvolucije z odvodom Diracovega impul<strong>za</strong> je pomembna pri sistemih,<br />
katerih izhod je sorazmeren odvodu vhoda. Predpostavimo, da je v<br />
regularna funkcija, ki je n-krat odvedljiva. Z uporabo lastnosti:<br />
∫ ∞<br />
δ [n] (t)φ(t) dt = (−1) n φ [n] (0) , (8.54)<br />
−∞<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.5 Lastnosti konvolucije 199<br />
kjer je n ∈ Z + <strong>in</strong> φ(t) najmanj n-krat v točki 0 (zvezno) odvedljiva funkcija,<br />
dobimo:<br />
∫ ∞<br />
v ∗ δ [n] = v(t − τ)δ [n] (τ) dτ (8.55)<br />
−∞<br />
∣<br />
[n] d[n]<br />
= (−1)<br />
dτ n v(t − τ) ∣∣τ=0<br />
= v [n] (t) ; t ∈ R , (8.56)<br />
kjer je v [n] n-ti odvod funkcije v. Sledi<br />
v ∗ δ [n] = v [n] , m,n ∈ Z . (8.57)<br />
Lastnosti konvolucije z δ impulzom so povzete v tabeli 8.1.<br />
Tabela 8.1<br />
Lastnosti konvolucije signala z odvodom Diracovega impul<strong>za</strong>.<br />
lastnost<br />
pogoj<br />
a. v ∗ δ [n] = v [n] v je lahko katerakoli regularna ali<br />
generalizirana funkcija, n ∈ Z +<br />
b. δ [m] ∗ δ [n] = δ [m+n] m,n ∈ Z +<br />
ZGLED 8.5.4 (Sistem z diferenciatorjem)<br />
Določimo impulzni odziv diferenciatorja!<br />
REŠITEV: Diferenciator je zvezni vhodno-izhodni sistem s pove<strong>za</strong>vo y = pv, p je<br />
operator odvajanja (glej razdelek 8.5.7 na predhodni strani).<br />
Preprosto lahko preverimo, da je ta sistem l<strong>in</strong>earen <strong>in</strong> časovno neodvisen, torej je<br />
konvolucijski sistem. Njegov impulzni odziv poiščimo tako, da damo na vhod Diracov<br />
impulz δ(t). Vemo, da je v tem primeru odziv sistema y(t) = h(t):<br />
y(t) = h(t) = pδ(t) = δ [1] (t) .<br />
Torej je impulzni odziv diferenciatorja enak δ [1] . Ker je δ (1) posplošena funkcija oziroma<br />
distribucija, mnogi avtorji pravijo, da diferenciator kot sistem ne obstaja, saj v<br />
praksi tako δ kot tudi δ (1) lahko le aproksimiramo.<br />
♦<br />
datoteka: signal_A
200 8. Sistemi<br />
8.5.9 Odziv realnih sistemov<br />
na kompleksne signale<br />
Imejmo realni sistem – to je sistem z realnim impulznim odzivom, ki ima na<br />
vhodu vsoto dveh amplitudno omejenih <strong>signalov</strong>, na primer<br />
v(t) = a 1 v 1 (t) + a 2 v 2 (t) .<br />
Ker je konvolucijski sistem l<strong>in</strong>earni, časovno neodvisni sistem, ta dva signala<br />
preslika v izhod<br />
y(t) = a 1 y 1 (t) + a 2 y 2 (t) .<br />
Pri tem velja <strong>za</strong> konstanti a 1 <strong>in</strong> a 2 ed<strong>in</strong>a omejitev, da sta končno veliki. Če ju<br />
izberemo tako, da sta:<br />
a 1 = 1 , a 2 = √ −1 = j ,<br />
potem sistem z realnim konvolucijskim odzivom opravlja preslikavo<br />
h<br />
v(t) = v 1 (t) + jv 2 (t) −−−−→ y(t) = y 1 (t) + jy 2 (t) (8.58)<br />
Z besedami, preslikava, ki jo vrši konvolucijski sistem z realnim impulznim<br />
odzivom, je neodvisna od tega, ali je vhod realen ali kompleksen. Realni<br />
vhod preslika v realni izhod, kompleksni vhod pa v kompleksni izhod.<br />
8.6 Frekvenčna karakteristika<br />
Med signali imajo posebno mesto harmonični signali. Z njimi lahko, kot je<br />
to znano iz harmonične analize, opišemo skoraj vse determ<strong>in</strong>istične signale.<br />
Zato si oglejmo, kakšen je izhod sistema, ko je na vhodu harmonični signal.<br />
8.6.1 Odziv na kompleksni harmonični signal<br />
(slika 8.20), opisali smo ga v raz-<br />
Za enotski kompleksni harmonični val<br />
delku ?? na strani ??, velja:<br />
[en. ??] v(t) = e jωt , t ∈ R , (8.59)<br />
Slika 8.20<br />
Harmonični val.<br />
Iz (8.58) vemo, da bo odziv sistema na ta signal kompleksen. Izračunamo ga<br />
s konvolucijo:<br />
∫ ∞<br />
y(t) = h(t − τ)v(τ) dτ<br />
=<br />
−∞<br />
∫ ∞<br />
−∞<br />
h(t − τ)e jωt dτ , t,τ ∈ R . (8.60)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
☞<br />
8.6 Frekvenčna karakteristika 201<br />
Predpostavimo, da je <strong>in</strong>tegral v (8.60) izračunljiv. V tem primeru lahko s substitucijo<br />
t − τ = θ (z njo <strong>za</strong>sučemo <strong>in</strong> premaknemo signalno os, <strong>za</strong>radi tega<br />
<strong>in</strong>tegriramo od stare zgornje meje proti stari spodnji: dτ = − dθ), izpeljemo:<br />
∫ −∞<br />
∫ ∞<br />
y(t) = h(θ)e jω(t−θ) [− dθ] = h(θ)e jω(t−θ) dθ<br />
∞<br />
−∞<br />
[ ∫<br />
]<br />
∞<br />
= h(θ)e − jωθ dθ e jωt = H( jω)e jωt . (8.61)<br />
−∞<br />
} {{ }<br />
H( jω)<br />
H( jω) imenujemo frekvenčna karakteristika ali prenosna funkcija konvolucijskega<br />
sistema. Njena def<strong>in</strong>icija:<br />
H( jω) =<br />
∫ ∞<br />
−∞<br />
h(θ)e − jωθ dθ , ω ∈ R (8.62)<br />
je, kot bomo spoznali v harmonski analizi (razdelek ?? na strani ??), Fourierova<br />
transformacija impulznega odziva. Z <strong>za</strong>pisom H( jω) poudarimo, da je<br />
frekvenčna karakteristika v splošnem kompleksna funkcija, četudi je impulzni<br />
odziv realen. Lahko jo <strong>za</strong>pišemo tudi v obliki:<br />
H( jω) = |H( jω)|e ∡{H( jω)} , (8.63a)<br />
kjer <strong>za</strong> |H( jω)| velja<br />
<strong>in</strong> <strong>za</strong> ∡{H( jω)} = φ h (ω):<br />
|H( jω)| =√ [R {<br />
H( jω)<br />
}] 2 +<br />
[<br />
I<br />
{<br />
H( jω)<br />
}] 2<br />
(8.63b)<br />
φ h (ω) = arctan I{ H( jω) }<br />
R { H( jω) } . (8.63c)<br />
S tem smo frekvenčno karakteristiko razstavili na dva dela: na amplitudno<br />
karakteristiko |H( jω)| <strong>in</strong> na fazno karakteristiko φ h (ω). Na sliki 8.21a je<br />
s ka<strong>za</strong>lčnim diagramom ilustrirana (8.63a) <strong>in</strong> (8.63b), slika 8.21b pa kaže<br />
amplitudno <strong>in</strong> fazno karakteristiko LR člena iz primera 8.6.1.<br />
Če je <strong>in</strong>tegral v (8.62) izračunljiv, dobimo:<br />
h y(t) = H( jω) h v(t) = |H( jω)t|e jφ h h v(t) . (8.64)<br />
kjer smo z predpono h označili, da so vhodi <strong>in</strong> izhodi harmonični signali <strong>in</strong> da<br />
ta obrazec velja samo <strong>za</strong> njih. Iz (8.64) sledi, da imajo konvolucijski sistemi<br />
pri harmoničnih vhodih harmonični izhod, ki pa je glede na vhod pridušen<br />
datoteka: signal_A
202 8. Sistemi<br />
(a) Predstavitev frekvenčnega odziva<br />
H( jω) s ka<strong>za</strong>lčnim diagramom.<br />
(b) potek normirane amplitudne <strong>in</strong> fazne karakteristike<br />
LR člena (slika 8.22).<br />
Slika 8.21<br />
Frekvenčna karakteristika<br />
☞<br />
(ojačen) <strong>in</strong> <strong>za</strong>kasnjen v skladu s frekvenčno karakteristiko. To pomeni, da<br />
se pri harmoničnih signalih računanje konvolucije vhodnega signala z impulznim<br />
odzivom poenostavi v navadno množenje frekvenčnega odziva H( jω)<br />
z vhodnim signalom. To je izjemna lastnost frekvenčnega odziva, ki ne velja<br />
le <strong>za</strong> kompleksne harmonične vale, ampak tudi <strong>za</strong> realne. To pokažemo z<br />
naslednjim zgledom.<br />
ZGLED 8.6.1 (Frekvenčna karakteristika LR člena)<br />
Za sistem, ki ga kaže slika 8.22 izračunajmo frekvenčni odziv!<br />
REŠITEV: Iz osnov osnov elektrotehnike vemo, da lahko pri napetostih <strong>in</strong> tokovih s<strong>in</strong>usoidne<br />
oblike pri razreševanju vezij uporabljamo impedance oziroma reaktance. Tako<br />
je impedanca tuljave enaka X L = ωL, reaktance <strong>za</strong>poredne ve<strong>za</strong>ve upora <strong>in</strong> tuljave pa<br />
Z LR = R + jX L = R + jωL. Iz slike 8.22 vidimo, da je izhod enak padcu napetosti<br />
na uporu, torej y(t) = i(t)R. Z upoštevanjem 1. Kirchhoffovega <strong>in</strong> Ohmovega <strong>za</strong>kona<br />
lahko izračunamo:<br />
h y(t) =<br />
R h R<br />
v(t) =<br />
Z LR R + jωL · U i cosωt<br />
} {{ }<br />
h v(t)<br />
. (8.65)<br />
Slika 8.22<br />
Električno vezje s členom LR.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.6 Frekvenčna karakteristika 203<br />
Iz primerjave (8.75) z (8.64) sledi:<br />
R<br />
H( jω) =<br />
R + jωL = 1<br />
1 + jωτ LR<br />
= R{H( jω)} + j I{H( jω)} , (8.66)<br />
kjer je τ LR<br />
= L/R časovna konstanta, ki jo določata elementa L <strong>in</strong> R. Realni <strong>in</strong> imag<strong>in</strong>arni<br />
del frekvenčne karakteristike v (8.76) sta:<br />
R{H( jω)} =<br />
1<br />
1 + ω 2 τ 2 , I{H( jω)} = −ωτ<br />
1 + ω 2 τ 2 ,<br />
amplitudno ter fazno karakteristiko pa izračunamo z (8.63):<br />
√<br />
|H( jω)| = √ 1 + ω 2 τ 2<br />
R{H( jω)} 2 + I{H( jω)} 2 LR<br />
=<br />
1 + ω 2 τ 2 LR<br />
I{H( jω)<br />
φ h (ω) = arctan<br />
R{H( jω)} = −arctanωτ LR<br />
.<br />
Potek |H( jω)| <strong>in</strong> φ h (ω) kaže slika 8.21b. Iz nje lahko sklepamo, kakšen je izhod y(t)<br />
– je harmonični signal z velikostjo amplitude U y = |H( jω)|·U i ki fazno <strong>za</strong>ostaja <strong>za</strong><br />
vhodnim signalom <strong>za</strong> kot φ h (ω). Torej <strong>za</strong>nj velja:<br />
h y(t) = |H( jω)|·U i<br />
} {{ }<br />
=U y<br />
cos[ωt − φ h (ω)] = U o cos[ωt − φ h (ω)]<br />
Na podoben nač<strong>in</strong> lahko določimo frekvenčne karakteristike <strong>za</strong> vsa pasivna električna<br />
vezja. Pri tem ni odveč ponovno poudariti: tako preprosto lahko električna vezja opisujemo<br />
le pri harmoničnih signalih. V splošnem pojave v njih opisujemo z diferencialnimi<br />
enačbami.<br />
♦<br />
8.6.2 Odziv realnega sistema<br />
na realni harmonični signal<br />
Iz zgornjega zgleda vidimo, da veljavnost (8.64) lahko razširimo tudi na realne<br />
harmonične signale:<br />
h v(t) = R{ae jωt } ,<br />
kjer je a kompleksna amplituda harmoničnega signala, ki jo v polarnih koord<strong>in</strong>atah<br />
predstavimo z amplitudo |a| <strong>in</strong> kotom φ v :<br />
h v(t) = R{|a|e jφ e jωt } = R{|a|e jωt+φ v<br />
} (8.67)<br />
= R{|a| [cos(ωt + φ v ) + j s<strong>in</strong>(ωt + φ v )]}<br />
= |a|cos(ωt + φ v ) . (8.68)<br />
datoteka: signal_A
204 8. Sistemi<br />
Upoštevamo Eulerjev obrazec cosα = 1 2 e jα + 1 2 e− jα <strong>in</strong> <strong>za</strong> vhod dobimo:<br />
h v(t) = |a|<br />
2 e jωt+φ v<br />
+ |a|<br />
2 e− jωt+φ v<br />
. (8.69)<br />
S tem smo realni harmonični signal predstavili kot vsoto dveh konjugirano<br />
kompleksnih <strong>signalov</strong>. To uvidimo iz njune ka<strong>za</strong>lčne predstavitve v prostoru<br />
C 1 (slika 8.23a).Izhod realnega sistema izračunamo pri tem vhodu s konvolucijo:<br />
∫ ∞<br />
h y(t) = h(t − τ) 1 [<br />
2 e<br />
jωτ+φ v<br />
+ e − jωτ−φ ] v<br />
dτ<br />
−∞<br />
, (8.70)<br />
kjer s substitucijo θ = t − τ dobimo<br />
∫ ∞<br />
h y(t) = 1 h(θ)e − jθ dθ e jωt+φ v<br />
+ 1 2 −∞<br />
2<br />
} {{ }<br />
=H( jω)<br />
∫ ∞<br />
= 1 2 H( jω)ejωt+φ v<br />
} {{ }<br />
+ 1 2 H∗ ( jω)e − jωt−φ v<br />
} {{ }<br />
h v(t)<br />
h v ∗ (t)<br />
h(θ)e jθ dθ<br />
−∞<br />
} {{ }<br />
=H ∗ ( jω)<br />
e jωt+φ v<br />
= 1 2 H( jω) h v(t) + 1 2 H∗ ( jω) h v ∗ (t) (8.71)<br />
{ }<br />
= R H( jω) h v(t) . (8.72)<br />
oziroma z upoštevanjem (8.63)<br />
{<br />
}<br />
h y(t) = R |H( jω)|e jφ v h v(t)<br />
(8.73)<br />
= |H( jω)|cos(ωt + φ v + φ h (ω)) , (8.74)<br />
(a) R{ h v(t)} = 1 2 h v(t) + 1 2 h v ∗ (t)<br />
(b) R{H( jω)} = 1 2 H( jω) + 1 2 H∗ (ω)<br />
Slika 8.23<br />
Predstavitev realnega harmoničnega signala cos(ωt + φ v ) <strong>in</strong> frekvenčne karakteristike s ka<strong>za</strong>lci v ravn<strong>in</strong>i C 1 .<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.6 Frekvenčna karakteristika 205<br />
kar se ujema z rezultatom zgleda 8.6.1 na strani 202.<br />
8.6.3 Odziv diskretnega sistema<br />
na diskretni harmonični signal<br />
Frekvenčna karakteristika obstaja tudi pri časovno diskretnih sistemih. Def<strong>in</strong>iramo<br />
jo podobno kot pri zveznih sistemih, le da moramo upoštevati, da<br />
imamo na vhodu namesto harmoničnega signala h v(t) harmonično <strong>za</strong>poredje<br />
h v[n], katerega ovojnica je harmonični signal (glej razdelek ?? na strani ??).<br />
Časovno diskretni konvolucijski sistem s časovno osjo T ∈ Z <strong>in</strong> impulznim<br />
odzivom h[n] se na harmonično <strong>za</strong>poredje na vhodu<br />
h v[n] = e jωn , n ∈ Z<br />
odzove z<br />
h y[n] = H( jω)e jωn , n ∈ Z . (8.75)<br />
H( jω) je zvezna frekvenčna karakteristika sistema, odvisen je od kotne hitrosti<br />
ω. Določa ga:<br />
H( jω) =<br />
∞<br />
∑<br />
n=−∞<br />
8.6.4 Pogoj obstoja frekvenčne karakteristike<br />
h[n]e jωn , ω ∈ R . (8.76)<br />
Iz (8.62) <strong>in</strong> (8.75) sledi, da obstaja frekvenčna karakteristika le, če je jakost<br />
impulznega odziva omejena: ‖h‖ 1 < ∞. Le v tem primeru lahko frekvenčno<br />
karakteristiko izračunamo. Ker je dokaz <strong>za</strong> to trditev pri zveznih sistemih<br />
podoben dokazu pri diskretnih sistemih, ga navajamo le <strong>za</strong> slednje:<br />
DOKAZ 8.2<br />
Predpostavimo, da je ‖h‖ 1 končen. V tem primeru velja:<br />
∣ ∞ ∣∣∣∣<br />
|H( jω)| =<br />
∣<br />
∑<br />
n=−∞h[n]e jωn<br />
<br />
=<br />
∞<br />
∑<br />
n=−∞<br />
∞<br />
∑<br />
n=−∞<br />
∣<br />
∣h[n] ∣ ∣·∣∣e jωn∣ ∣<br />
∣ h[n]<br />
∣ ∣ =<br />
∥ ∥h[n]<br />
∥<br />
∥1 < ∞ ,<br />
(Cauchy-Schwarzova neenakost)<br />
saj velja |e jωn | = 1.<br />
□<br />
Schwarzovo neenakost, ki smo jo uporabili v dokazu, smo opisali na strani<br />
75. Poudarimo še, da je pogoj obstoja frekvenčne karakteristike enak pogoju<br />
datoteka: signal_A
206 8. Sistemi<br />
BIBO stabilnosti (def<strong>in</strong>icija 8.2.5 na strani 183). Zato frekvenčna karakteristika<br />
obstaja pri vseh BIBO stabilnih sistemih.<br />
Kot smo videli v zgledu 8.5.3 na strani 197, <strong>in</strong>tegrator ni BIBO stabilen,<br />
<strong>za</strong>to njegove frekvenčne karakteristike ne moremo opisati z regularno funkcijo.<br />
V opisu Fourierove transformacije bomo poka<strong>za</strong>li, da jo lahko opišemo<br />
s posplošeno funkcijo.<br />
8.6.5 Lastnosti frekvenčnih karakteristik<br />
Frekvenčne karakteristike imajo dve pomembni lastnosti:<br />
1. Pri računanju odziva sistema na harmonični signal pri znani frekvenčni<br />
karakteristiki konvolucijo nadomesti navadno množenje.<br />
2. Frekvenčna karakteristika diskretnega sistema je periodična funkcija.<br />
Prva lastnost izhaja iz (8.61) <strong>in</strong> (8.75). Nanjo smo opozorili že na strani 201.<br />
Druga lastnost ni tako očitna, <strong>za</strong>to si jo posebej oglejmo. Frekvenčno karakteristiko<br />
zveznih sistemov določa (8.61). Za primer vezja LR ga kaže slika<br />
8.21b). Pri konvolucijskih sistemih, je tudi časovno neodvisna. Iz primerjave<br />
(8.76) – določa frekvenčno karakteristiko diskretnega sistema – <strong>in</strong> (8.62) –<br />
določa frekvenčno karakteristiko zveznega sistema – sledi, da je frekvenčna<br />
karakteristika diskretnega sistema periodična funkcija. Ponavlja se z nω. Pri<br />
n = 1 je enak kot pri zveznem – je funkcija ω, pri n = 2 se ponovi pri dvojnih<br />
frekvencah – je funkcija 2ω, pri n = 3 pri 3ω itd.<br />
8.6.6 Prekrivanje<br />
V literaturi se <strong>za</strong><br />
prekrivanje pogosto<br />
uporablja angleški<br />
term<strong>in</strong> alias<strong>in</strong>g<br />
Pri periodičnem ponavljanju frekvenčne karakteristike je očiten še en pomemben<br />
pojav – prekrivanje. Ko je funkcija frekvenčnega odziva neprehodna<br />
– različna od nič nad vso frekvenčno osjo – se periodično ponavljajoče se<br />
frekvenčne karakteristike prekrivajo. V tem primeru imamo na področjih prekrivanja<br />
vsoto vrednosti frekvenčnih karakteristik pri visokih <strong>in</strong> nizkih frekvencah<br />
(slika 8.24).Posledica prekrivanja je slabša uporabnost diskretnega<br />
Slika 8.24<br />
Ilustracija prekrivanja frekvenčnih<br />
karakteristik.<br />
sistema, kot so na primer sita, saj pri prekrivanju frekvenčnih karakteristik ne<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.7 Povezovanje konvolucijskih sistemov 207<br />
moremo ločiti prispevkov odzivov pri posameznih frekvencah. Prekrivanje<br />
lahko odpravimo, če je (i) frekvenčna karakteristika prehodna funkcija, <strong>in</strong><br />
(ii) če je njegova meja manjša od polovice periodične ponovitve. Ta pogoja<br />
povzema znano Shannonovo pravilo, ki mora biti izpolnjeno pri vzorčenju<br />
zveznih <strong>signalov</strong>.<br />
8.6.7 Povzetek lastnosti konvolucijskih sistemov<br />
Lastnosti odzivov konvolucijskih sistemov, ki smo jih spoznali v prejšnjem<br />
poglavju, lahko razdelimo v dve skup<strong>in</strong>i:<br />
1. lastnosti, ki so posledica periodičnosti<br />
2. lastnosti, ki so posledica oblike harmoničnega signala.<br />
Pri slednjih smo izpostavili frekvenčni odziv, ki je lasten harmoničnim signalom.<br />
Velja: konvolucija je l<strong>in</strong>earna računska operacija, <strong>za</strong>to ohranja naravo<br />
<strong>signalov</strong>. To pomeni:<br />
ko je vhod periodičen, je tudi izhod periodičen,<br />
ko je vhod aperiodičen, je tudi izhod aperiodičen<br />
ko je vhodni signal naključni, bo tudi izhodni signal naključni.<br />
To lastnost konvolucijskih sistemov lahko izkoristimo pri računanju konvolucije<br />
pri periodičnih vhodnih signalih. Pri njih <strong>za</strong>dostuje izračunati odziv le<br />
<strong>za</strong> eno periodo, znan pa je ves odziv, saj se pri ostalih periodah le ponavlja.<br />
8.7 Povezovanje konvolucijskih sistemov<br />
Pri konvolucijskih sistemih določa preslikavo T konvolucija oziroma frekvenčna<br />
karakteristika. Zato lahko <strong>za</strong>nje T konkretiziramo. Pravila <strong>za</strong> <strong>za</strong>poredno ve<strong>za</strong>vo<br />
sistemov so povzeta v tabeli 8.2, <strong>za</strong> vzporedno ve<strong>za</strong>vo pa v tabeli 8.3 na<br />
naslednji strani.<br />
Ta pravila veljajo <strong>za</strong> diskretne <strong>in</strong> <strong>za</strong> zvezne konvolucijske sisteme.<br />
8.8 Ciklična konvolucija<br />
V prejšnjem poglavju smo spoznali, da se računanje konvolucije pri harmoničnih<br />
signalih zelo poenostavi, če poznamo frekvenčni odziv sistema. Takšno<br />
poenostavitev <strong>in</strong> <strong>za</strong>to hitrejše računanje si želimo tudi pri drugih vrstah<br />
vhodnih <strong>signalov</strong>. Se tu da kaj narediti? Se!<br />
datoteka: signal_A
208 8. Sistemi<br />
Tabela 8.2<br />
Zaporedna ali kaskadna ve<strong>za</strong>va.<br />
a:<br />
b:<br />
c:<br />
Legenda <strong>za</strong> tabeli 8.2 <strong>in</strong> 8.3:<br />
shema<br />
a: splošni <strong>za</strong>pis preslikave v → y, določa jo transformacija T<br />
b: preslikavo v → y določa konvolucija z impulznim odzivom h i (t) ali h i [n]<br />
pravilo<br />
y = T 2 [y 1 ] = T 2<br />
{<br />
T1 {v} }<br />
= ( T 1 ◦ T 2<br />
){<br />
v<br />
}<br />
y = h 2 ∗ y 1 = h 2 ∗ ( h 1 ∗ v 1<br />
)<br />
= h 2 ∗ h 1 ∗ v = (h 1 ∗ h 2 ) ∗ v<br />
h y = H 2 h v 2 = H 1<br />
(<br />
H1 h v 1<br />
)<br />
= ( H 1 ·H 2<br />
) h<br />
v<br />
c: preslikava v → y pri harmoničnih signalih, določa jo frekvenčna karakteristika H i (e jω )<br />
Tabela 8.3<br />
Vzporedna ali paralelna ve<strong>za</strong>va.<br />
shema<br />
pravilo<br />
a:<br />
y = y 1 + y 2<br />
= T 1<br />
{<br />
v<br />
}<br />
+ T2<br />
{<br />
v<br />
}<br />
= ( T 1 + T 2<br />
){<br />
v<br />
}<br />
b:<br />
y = y 1 + y 2<br />
= h 1 v + h 2 v<br />
= (h 1 + h 2 )v<br />
h y = h y 1 + h y 2<br />
c:<br />
= H 1 h v + H 2 h v<br />
= ( H 1 + H 2<br />
) h<br />
v<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.8 Ciklična konvolucija 209<br />
Pri periodičnih signalih lahko podatke ali potek signala, ki ga <strong>za</strong>radi premika<br />
signala <strong>za</strong> m oziroma <strong>za</strong> τ <strong>za</strong>jemamo iz ”sosednje” periode, uporabimo<br />
<strong>za</strong> enako ležeče podatke iz obravnavane periode. Konvolucijski račun, ki to<br />
zmore, imenujemo ciklična konvolucija. Postopek najprej izpeljimo <strong>za</strong> zvezne<br />
signale oziroma sisteme. Pri tem izkoristimo l<strong>in</strong>earnost <strong>in</strong>tegriranja <strong>in</strong><br />
konvolucijski <strong>in</strong>tegral razcepimo v vsoto <strong>in</strong>tegralov def<strong>in</strong>iranih nad posameznimi<br />
periodami signala:<br />
∫ ∞<br />
y(t) = h(t − τ)v(τ) dτ<br />
−∞<br />
= ··· +<br />
∫ 0<br />
−T 0<br />
h(t − τ)v(τ) dτ +<br />
∫ T0<br />
0<br />
∫ 2T0<br />
h(t − τ)v(τ) dτ + h(t − τ)v(τ) dτ + ··· . (8.77)<br />
T 0<br />
Vidimo, da se <strong>in</strong>tegrali medsebojno razlikujejo le v <strong>in</strong>tegracijskih mejah.<br />
Zato z upoštevanjem lastnosti pomika vse <strong>in</strong>tegrale premaknemo na isti <strong>in</strong>tegracijski<br />
<strong>in</strong>terval:<br />
∫ T0<br />
y(t) = ··· +<br />
=<br />
∞<br />
∑<br />
k=−∞<br />
0<br />
∫ T0<br />
0<br />
∫ T0<br />
∫ T0<br />
h(t − τ + T 0 )v(τ − T 0 ) dτ + h(t − τ)v(τ) dτ + h(t − τ − T 0 )v(τ + T 0 ) dτ + ···<br />
0<br />
0<br />
h(t − τ − kT 0 )v(τ + kT 0 ) dτ , t ∈ R .<br />
Zamenjamo <strong>za</strong>poredje seštevanja <strong>in</strong> <strong>in</strong>tegriranja ter upoštevajmo, da je <strong>za</strong>radi<br />
periodičnosti v(τ) = v(τ + kT 0 ):<br />
]<br />
kjer<br />
y(t) =<br />
∫ T0<br />
0<br />
∫ T0<br />
=<br />
0<br />
p h(t) =<br />
[ ∞∑<br />
h(t − τ − kT 0 )<br />
k=−∞<br />
v(τ) dτ<br />
p h(t − τ)v(τ) dτ , t ∈ R , (8.78)<br />
∞<br />
∑<br />
k=−∞<br />
h(t − kT 0 ) , t ∈ R (8.79)<br />
imenujemo periodična razširitev ali periodično podaljšanje impulznega odziva.<br />
8.8.1 Periodično podaljšanje signala<br />
Periodično podaljšanje opisuje zelo pomembno operacijo nad signali. Pri<br />
njej aperiodični signal “podaljšamo” v periodični signal. Operacija izhaja iz<br />
naslednjega pojava oziroma dejstva. Pri periodičnem vhodu je izhod sistema<br />
tudi periodičen <strong>in</strong> to z isto periodo T 0 kot vhod. To je lahko takrat <strong>in</strong> samo<br />
datoteka: signal_A
210 8. Sistemi<br />
takrat, če so si konvolucije vseh period <strong>signalov</strong> z impulznim odzivom enake.<br />
To pa so lahko le, če je impulzni odziv periodičen. Vemo pa, da je impulzni<br />
odziv po def<strong>in</strong>iciji odziv sistema na Diracov impulz, torej aperiodičen pojav.<br />
Zato na (8.79) gledamo kot transformacijo aperiodičnega signala v periodičnega,<br />
oziroma jo imenujemo periodično podaljšanje.<br />
Periodično podaljšanje je splošna transformacija, ki jo lahko opravimo<br />
tako na realnih kot kompleksnih zveznih ali diskretnih signalih. Njen pomen<br />
poudarimo z naslednjo def<strong>in</strong>icijo.<br />
DEFINICIJA 8.8.1 (Periodično podaljšanje)<br />
Za kompleksni signal x, ki je def<strong>in</strong>iran nad diskretno signalno osjo T ∈ Z ali zvezno<br />
signalno osjo T ∈ R periodično podaljšanje p x s periodo T0 > 0 def<strong>in</strong>ira<br />
če vsota obstaja <strong>za</strong> t ∈ T .<br />
p x(t) =<br />
∞<br />
∑<br />
k=−∞<br />
x(t − kT0) , (8.80)<br />
<br />
Torej pri periodičnem podaljšanju neskončni <strong>in</strong>terval stisnemo v končni <strong>in</strong>terval<br />
T 0 . Pri tem se vrednosti pri −∞ prenesejo v −T 0 /2 <strong>in</strong> pri ∞ v T 0 /2.<br />
Pri −kT 0 oziroma kT 0 ,k ∈ Z pa se ponavljajo vrednosti signala pri t = 0.<br />
Def<strong>in</strong>icijo ilustrira slika 8.25.<br />
8.8.2 Računanje ciklične konvolucije<br />
Zaradi periodičnosti p h(t) <strong>in</strong> v(t) velja p h(t) = p h(t ± kT 0 ) <strong>in</strong> v(t) = v(t ±<br />
kT 0 ), <strong>za</strong>to lahko (8.78) <strong>za</strong>pišemo tudi v obliki:<br />
y(t + T 0 ) =<br />
=<br />
∫ T0<br />
0<br />
∫ T0<br />
0<br />
p h(t + T 0 − τ)v(τ) dτ<br />
p h(t − τ)v(τ) dτ = y(t) . (8.81)<br />
Konvolucijski <strong>in</strong>tegral v (8.78) sedaj ne računamo več po vsej osi R, ampak<br />
le nad <strong>in</strong>tervalom [0,T 0 ). S tem smo prišli do def<strong>in</strong>icije ciklične konvolucije:<br />
∫ T0<br />
y(t) =<br />
0<br />
p h [ t − τ (mod T 0 ) ] v(τ) dτ , t ∈ [0,T 0 ) (8.82)<br />
V (8.82) je (mod T 0 ) operator računanja po modulu T 0 . Računaje po<br />
modulu pomeni, da se vrednosti po meji modula ponavljajo. Torej, če sta a <strong>in</strong><br />
b realni števili, pri čemer naj bo b pozitiven, potem velja a (mod b) = a−kb,<br />
pri čemer je k celo število izbrano tako, da velja 0 a − kb < b.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.8 Ciklična konvolucija 211<br />
8.8.3 Omejitev signala na periodo<br />
Za signale v (8.82) <strong>za</strong>dostuje, da so podani le na <strong>in</strong>tervalu [0,T 0 ), saj se konvolucija<br />
def<strong>in</strong>irana v (8.82) ciklično ponavlja. Izsek ene periode periodičnega<br />
signala imenujemo omejitev na periodo.<br />
DEFINICIJA 8.8.2 (Omejitev na periodo)<br />
Omejitev na periodo je izsek signala nad signalno osjo T T0 = [0, T0) ∩ (T = R) ali<br />
T N = [0,...N − 1) ∩ (T = Z):<br />
X (t) =<br />
{<br />
x(t) <strong>za</strong> t ∈ TT0<br />
0 sicer<br />
(8.83a)<br />
oziroma<br />
{<br />
x[n] <strong>za</strong> t ∈ TN<br />
X [n] =<br />
0 sicer<br />
(8.83b)<br />
<br />
Slika 8.25<br />
Ilustracija periodične razširitve (a)<br />
<strong>in</strong> omejitve periode (b).<br />
8.8.4 Simbolični <strong>za</strong>pis<br />
Opis ciklične konvolucije <strong>za</strong>ključimo z simboličnim <strong>za</strong>pisom. Z novimi oznakami<br />
poudarimo omejitev periodičnih <strong>signalov</strong> na eno periodo:<br />
datoteka: signal_A
212 8. Sistemi<br />
H = p h(t) t ∈ (0,T 0 ] ali H = p h[n] n ∈ [0,1,...N 1 ]<br />
V = v(t) t ∈ (0,T 0 ] ali V = v[n] n ∈ [0,1,...N 1 ] (8.84)<br />
Y = y(t) t ∈ (0,T 0 ] ali Y = y[n] n ∈ [0,1,...N 1 ]<br />
Def<strong>in</strong>icijo (8.81) simbolično <strong>za</strong>pišemo z:<br />
Y = H ⊙ V . (8.85)<br />
Obrazec (8.84) velja <strong>za</strong> zvezno <strong>in</strong> <strong>za</strong> diskretno ciklično konvolucijo. Slednjo<br />
lahko izpeljemo podobno kot smo zvezno, <strong>za</strong>to le vzporedno ponovimo obe<br />
def<strong>in</strong>iciji:<br />
DEFINICIJA 8.8.3 (Ciklična konvolucija)<br />
pri diskretnih sistemih<br />
Bodita x <strong>in</strong> y kompleksni spremenljivki def<strong>in</strong>irani na<br />
končni časovni osi T N ∈ [0,1,...N − 1]. Njuna časovno<br />
diskretna ciklična konvolucija x ⊙ y je def<strong>in</strong>irana<br />
na isti časovni osi z<br />
(x ⊙ y)[n] = ∑<br />
m∈T N<br />
x [ m − n (mod N) ] y[m] ,<br />
n ∈ T N .<br />
pri zveznih sistemih<br />
Bodita x <strong>in</strong> y kompleksni spremenljivki def<strong>in</strong>irani na<br />
končni časovni osi T T0 ∈ [0, T0) ⊂ R. Njuna časovno<br />
zvezna ciklična konvolucija x⊙y je def<strong>in</strong>irana na isti časovni<br />
osi z<br />
∫<br />
(x ⊙ y)(t) = x [ t − τ (mod T0) ] y(t) dτ ,<br />
t∈T 0<br />
t ∈ T T0 . <br />
8.8.5 Matrični <strong>za</strong>pis diskretne ciklične konvolucije<br />
Obrazec (8.85) prav<strong>za</strong>prav opisuje matrični račun. To lahko uvidimo iz naslednjega<br />
primera.<br />
ZGLED 8.8.1 (Diskretna ciklična konvolucija)<br />
Za periodična signala x <strong>in</strong> y, ki imata na signali osi T 4 = {0,1,2,3} vrednosti x =<br />
{0,1,2,3} <strong>in</strong> y = {4,5,6,7} izračunajmo ciklično konvolucijo z = x ⊙ y!<br />
Iz def<strong>in</strong>icije ciklične konvolucije 8.8.3 sledi:<br />
z[0] =0·4 + 3·5 + 2·6 + 1·7 = 34<br />
z[1] =1·4 + 0·5 + 3·6 + 2·7 = 36<br />
z[2] =2·4 + 1·5 + 0·6 + 3·7 = 34<br />
(8.86a)<br />
z[3] =3·4<br />
šarko<br />
+ 2·5<br />
ƒu£ej:<br />
+ 1·6<br />
Teorija<br />
+ 0·7<br />
<strong>signalov</strong><br />
= 28 ,<br />
revizija 20040315
8.8 Ciklična konvolucija 213<br />
oziroma v matrični obliki<br />
⎡ ⎤ ⎡ ⎤ ⎡ ⎤<br />
z[0] 0 3 2 1 4<br />
z[1]<br />
1 0 3 2<br />
5<br />
=<br />
·<br />
⎢<br />
⎣z[2]<br />
⎥ ⎢<br />
⎦ ⎣2 1 0 3⎥<br />
⎢<br />
⎦ ⎣6<br />
⎥<br />
⎦<br />
z[3] 3 2 1 0 7<br />
. (8.86b)<br />
Ciklična konvolucija (nad periodo T 4 ) je z = {34,36,34,28}.<br />
Iz (8.86b) vidimo, da stolpce v matriki sestavljajo ciklično pomaknjene vrednosti x:<br />
col 1 = X T<br />
col 2 = (s 1 c<br />
X) T<br />
col 3 = (s 2 c<br />
X) T = s 1 c<br />
col 2<br />
col 4 = (s 3 c<br />
X ) T = s 1 c<br />
col 3 ,<br />
kjer je s i c<br />
operator cikličnega pomika <strong>za</strong> i mest v desno ali navzdol.<br />
(8.86c)<br />
♦<br />
Po vzoru zgleda 8.8.1 lahko diskretno ciklično konvolucijo <strong>za</strong>pišemo v matrični<br />
obliki:<br />
y = C v y , (8.87)<br />
kjer sta h <strong>in</strong> y vektorja s komponentami H <strong>in</strong> Y :<br />
h =<br />
[<br />
h(0) h(1) ...<br />
T<br />
h(N − 1)]<br />
(8.88a)<br />
y =<br />
[<br />
y(0) y(1) ...<br />
T<br />
y(N − 1)]<br />
(8.88b)<br />
<strong>in</strong> C v matrika, katere stolpci imajo v smislu (8.86c) ciklično pomaknjene<br />
vrednosti V :<br />
col i = s (i−1) c<br />
V = s (i−1) c<br />
v . (8.88c)<br />
Za jasnejšo predstavo o (8.87) <strong>in</strong> (8.88) še razširjen <strong>za</strong>pis:<br />
⎡ ⎤ ⎡<br />
⎤ ⎡ ⎤<br />
y[0] v[0] v[N − 1] ... v[1] h[0]<br />
y[1]<br />
v[1] v[o] ... v[2]<br />
=<br />
h[1]<br />
⎢<br />
⎣y[2]<br />
⎥<br />
⎦ ⎢<br />
.<br />
⎣<br />
. . .. ·<br />
. ⎥ ⎢<br />
⎦ ⎣h[2]<br />
⎥<br />
⎦<br />
y[3] v[N − 1] v[N − 2] ... v[0] h[3]<br />
. (8.89)<br />
datoteka: signal_A
214 8. Sistemi<br />
8.8.6 Lastnosti ciklične konvolucije<br />
Oglejmo si še lastnosti ciklične konvolucije. Ker uporablja enake matematične<br />
operacije kot l<strong>in</strong>earna konvolucija, pričakujemo, da ima njej enake ali<br />
vsaj podobne lastnosti. Poglejmo.<br />
L<strong>in</strong>earnost<br />
Ciklična konvolucija je prav tako l<strong>in</strong>earna operacija kot je običajna, l<strong>in</strong>earna<br />
konvolucija. Je asociativna, distributivna <strong>in</strong> komutitativna. Zato tudi pri njej<br />
velja superpozicijski teorem.<br />
Pomik<br />
Pri ciklični konvoluciji obstaja le ciklični pomik. To pomeni, da pri pomiku,<br />
na primer pri diskretni ciklični konvoluciji v desno, <strong>za</strong>dnji člen na desni postane<br />
prvi člen na levi.<br />
Ciklični ali krožni pomik matematično opišemo z operatorjem pomika<br />
s ∆c . Pri diskretnih sistemih velja:<br />
pri zveznih sistemih pa:<br />
s ∆c {x[n]} = x[n + ∆ c (mod N)] , n ∈ T N , (8.90)<br />
s ∆c {x(t)} = x ( t + ∆ c (mod T 0 ) ) , t ∈ T T0 . (8.91)<br />
Zato v primeru, da ciklična konvolucija x ⊙ y obstaja, velja:<br />
s ∆c {x ⊙ y} = s ∆c {x} ⊙ y = x ⊙ s ∆c {y} . (8.92)<br />
<strong>za</strong> katerikoli ∆ c ∈ T N pri diskretnih sistemih <strong>in</strong> ∆ c ∈ T T0 pri zveznih sistemih.<br />
8.8.7 Pove<strong>za</strong>va ciklične <strong>in</strong> l<strong>in</strong>earne konvolucije<br />
Pri periodičnih vhodnih signalih lahko odziv sistema izračunamo direktno z<br />
l<strong>in</strong>earno konvolucijo, ali preko omejitve signala na eno periodo s ciklično<br />
konvolucijo. Postopek ilustrira slika 8.26.<br />
Za diskretno ciklično konvolucijo obstajajo hitri algoritmi računanja. To<br />
je njena prednost pred l<strong>in</strong>earno konvolucijo. Zato se je hitro pojavilo vprašanje,<br />
ali je mogoče uporabiti ciklično konvolucijo tudi pri neperiodičnih signalih.<br />
Odgovor je pritrdilen, vendar se moramo pri tem <strong>za</strong>vedati, da je ciklična<br />
konvolucija def<strong>in</strong>irana <strong>za</strong> periodične ali periodično podaljšane signale omejene<br />
na periodo signala. Z drugimi besedami, prehodne aperiodične signale<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.9 Uporaba programa MATLAB pri računanju konvolucije 215<br />
Slika 8.26<br />
Odziv sistema na periodični signal lahko<br />
izračunamo z l<strong>in</strong>earno ali s ciklično konvolucijo.<br />
lahko enostavno periodično podaljšamo, če priv<strong>za</strong>memo, da je njihovo def<strong>in</strong>icijsko<br />
območje enako periodi periodično podaljšanega signala. Pri tem se<br />
moramo <strong>za</strong>vedati, da se v tem primeru ciklična konvolucija le deloma ujema<br />
z l<strong>in</strong>earno. To uvidimo iz ilustracije periodičnega podaljšanja <strong>in</strong> omejitve na<br />
periodo na sliki 8.25. Tam vidimo, da l<strong>in</strong>earna konvolucija na vsem <strong>in</strong>tervalu<br />
orig<strong>in</strong>alnega signala (torej od −∞ do ∞) da podoben potek kot ciklična<br />
konvolucija periodično podaljšanega signala na <strong>in</strong>tervalu [−T 0 /2,T 0 /2).<br />
Pri neprehodnih signalih ponavadi periodično podaljšanje naredimo tako,<br />
da aperiodični signal odrežemo pri vrednostih, <strong>za</strong>radi katerih je napaka pri<br />
izračunu manjša od predpisane vrednosti. Pogosto izbrana meja v takih primerih<br />
je 1% napake.<br />
8.9 Uporaba programa MATLAB pri računanju konvolucije<br />
Program MATLAB, posebej pa še orodni kovček “Signal process<strong>in</strong>g Toolbox”<br />
vsebuje več funkcij, s katerimi lahko določimo odzive sistemov, če poznamo<br />
njihov impulzni odziv, oziroma določimo impulzni odziv, če poznamo<br />
vhodno <strong>in</strong> izhodno <strong>za</strong>poredje.<br />
Ponovimo, l<strong>in</strong>earna konvolucijska vsota je izračunljiva le <strong>za</strong> sisteme s<br />
končnim impulznim odzivom <strong>in</strong> končnim <strong>za</strong>poredjem na vhodu.<br />
8.9.1 Funkcija conv<br />
Funkcija conv izračuna l<strong>in</strong>earno konvolucijo dveh prehodnih <strong>za</strong>poredij. Njena<br />
s<strong>in</strong>taksa je preprosta:<br />
y = conv(v,h)<br />
kjer sta v <strong>in</strong> h vektorja, ki vsebujeta (končno dolgi) <strong>za</strong>poredji, <strong>za</strong> kateri<br />
računamo konvolucijo. Zanju mora tudi veljati:<br />
‖·‖v ∞ < ∞ , ‖·‖h ∞ < ∞ .<br />
datoteka: signal_A
216 8. Sistemi<br />
Algebrajsko gledano je konvolucija računsko enaka množenju dveh pol<strong>in</strong>omov,<br />
katerih koeficienti so elementi v and h.<br />
Rezultat conv(v,h) je različen od nič znotraj <strong>in</strong>tervala, ki ga določata<br />
<strong>in</strong>tervala <strong>za</strong>poredja v[n] <strong>in</strong> h[n]. Če imata <strong>za</strong>poredji N v oziroma N h elementov,<br />
potem je vektor y sestavljajo neničelni elementi, ki se nahajajo na <strong>in</strong>tervalu:<br />
n v + n h n (n v + N v − 1) + (n h + N h − 1) , (8.93)<br />
kjer sta n v <strong>in</strong> n h <strong>za</strong>četka <strong>in</strong>tervala na katerem so sta def<strong>in</strong>irana v <strong>in</strong> h. To<br />
pomeni, da conv(v,h) izračuna N v + N h − 1 elementov y:<br />
y[n] = ∑v[m]h[n − m] , m ∈ [n v + n h ,n v + N v + n h + N h − 2] , (8.94)<br />
m<br />
Iz (8.94) sledi, da v primeru n v = n h = 0 <strong>in</strong> N v = N h = N dobimo<br />
y[0] = v[0]·h[0]<br />
y[1] = v[0]·h[1] + v[1]·h[0]<br />
y[2] = v[1]·h[2] + v[2]·h[1] + v[2]·h[0]<br />
.<br />
y[n] = v[0]·h[n − 1] + v[1]·h[n − 2] + ··· + v[n − 1]·h[0]<br />
.<br />
y[2N − 2] = v[N]·h[N]<br />
Povzemimo, pri uporabi funkcije conv(v,h) moramo sami določiti območje<br />
<strong>in</strong>deksov elementov y. Zapisano utrdimo s preprostim primerom.<br />
ZGLED 8.9.1 (izračun konvolucije dveh enakih pulzov)<br />
Imejmo prehodno <strong>za</strong>poredje<br />
x[n] =<br />
{<br />
1 , 0 n 5<br />
0 , sicer<br />
<strong>in</strong> s pomočjo programa MATLAB izračunamo konvolucijo y[n] = x[n]∗x[n] ter določimo<br />
njen potek!<br />
REŠITEV: Iz def<strong>in</strong>icije <strong>za</strong>poredja x[n] sledi, da je n x = n h = 0 <strong>in</strong> N x = N h = N = 6,<br />
torej bodo <strong>in</strong>deksi y[n] med 0 <strong>in</strong> 2N − 2 = 12 − 2 = 10. Njihovo območje določimo z<br />
ukazom:<br />
oziroma z<br />
ny=[(n_x+n_h):(n_x+N_x-1 + n_h+N_h-1)]<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.9 Uporaba programa MATLAB pri računanju konvolucije 217<br />
ny = [0:10]<br />
ker so okrogli oklepaji v zgornjem ukazu preprosto <strong>za</strong> izračunati. Zaporedje x[n],<br />
ker je dovolj kratko, lahko <strong>za</strong>pišemo direktno z:<br />
x=[1 1 1 1 1 1]<br />
lahko pa uporabimo funkcijo ones(n,m), kjer sta n <strong>in</strong> m dimenziji matrike enica.<br />
Ker rabimo vrstični vektor s 6 enicami, je n = 1 <strong>in</strong> m = 6, oziroma:<br />
x=ones(1,6)<br />
Zaporedje y[n], ki ga izračunamo s konvolucijo, narišemo s funkcijo stem(ny,y).<br />
Torej nalogo rešimo z naslednjim preprostim programom:<br />
MATLAB 8.1: Izračun konvolucije y[n] = x[n] ∗ x[n]<br />
ny=[0:10]; % <strong>in</strong>terval y[n]: n je element [0,10]<br />
x=ones(1,6);<br />
% funkcija x[n]=1, n=[1,6]<br />
y=conv(x,x);<br />
% konvolucija y[n]=x[n]*x[n]<br />
figure; stem(ny,y);<br />
% izris <strong>za</strong>poredja y[n]<br />
xlabel(’n’);ylabel(’x[n]*x[n]’)<br />
nx=[0:5];<br />
figure; stem(nx,x);<br />
% izris <strong>za</strong>poredja x[n]<br />
axis ([0 5 0 max(y)])<br />
xlabel(’n’);ylabel(’x[n]’)<br />
Da sta sliki 8.27b <strong>in</strong> 8.27a v enakem merilu, smo ukazu <strong>za</strong> naris slike 8.27a dodali še<br />
ukaz:<br />
axis ([0 6 0 max(y)])<br />
s katerim smo drugi sliki določili enako skalo amplitudnega razmaha kot ga ima<br />
slika 8.27b.<br />
♦<br />
ZGLED 8.9.2 (izračun konvolucije dveh različnih pulzov)<br />
Imejmo sistem s prehodnim impulznim odzivom:<br />
x[n] =<br />
{<br />
n , 0 n 5<br />
0 , sicer<br />
<strong>in</strong> s pomočjo programa MATLAB izračunajmo odziv tega sistema na (i) <strong>za</strong>poredje iz<br />
predhodnega zgleda <strong>in</strong> (ii) na <strong>za</strong>poredje:<br />
datoteka: signal_A<br />
x[n] =<br />
{<br />
1 , 0 n 25<br />
0 , sicer
218 8. Sistemi<br />
x[n]*x[n]<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
0 5 10<br />
n<br />
(a) konvolucija y[n] = x[n] ∗ x[n]<br />
x[n]<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
0 1 2 3 4 5<br />
n<br />
(b) <strong>za</strong>poredje x[n]<br />
Slika 8.27<br />
Zaporedje x[n] <strong>in</strong> konvolucija y[n] = x[n] ∗ x[n].<br />
REŠITEV: Iz def<strong>in</strong>icije <strong>za</strong>poredja h[n] sledi, da je n x = n h = 0 <strong>in</strong> N x = N h = N = 6,<br />
torej bodo <strong>in</strong>deksi y[n] med 0 <strong>in</strong> 2N − 2 = 12 − 2 = 10, tako kot v prejšnjem zgledu.<br />
Njihovo območje določimo z ukazom ny = [0:10]. Zaporedje h[n], ker je dovolj<br />
kratko, <strong>za</strong>pišemo direktno z:<br />
x=[0 1 2 3 4 5]<br />
lahko pa ga določimo z<br />
n=[0:5]<br />
x=n<br />
MATLAB 8.2: Izračun konvolucije y[n] = x[n] ∗ h[n]<br />
Torej odziv sistema izračunamo z naslednjim preprostim programom:<br />
n=[0:5];<br />
% <strong>in</strong>terval impulznega odziva<br />
h=n;<br />
% funkcija impulznega odziva<br />
ny=[0:10]; % <strong>in</strong>terval y[n]: n je element [0,10]<br />
x=ones(1,6);<br />
% funkcija x[n]=1, n=[1,6]<br />
y=conv(x,h);<br />
% konvolucija y[n]=x[n]*x[n]<br />
figure; stem(ny,y);<br />
% izris <strong>za</strong>poredja y[n]<br />
xlabel(’n’); ylabel(’x[n]*h[n]’)<br />
nh=[0:5];<br />
figure; stem(nh,h);<br />
% izris impulznega odziva h[n]<br />
axis ([0 5 0 max(y)])<br />
xlabel(’n’); ylabel(’h[n]’)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
8.9 Uporaba programa MATLAB pri računanju konvolucije 219<br />
15<br />
15<br />
x[n]*x[n]<br />
10<br />
5<br />
x[n]<br />
10<br />
5<br />
0<br />
0 5 10<br />
n<br />
(a) konvolucija y[n] = x[n] ∗ h[n]<br />
0<br />
0 1 2 3 4 5<br />
n<br />
(b) <strong>za</strong>poredje x[n]<br />
Slika 8.28<br />
Zaporedje x[n] <strong>in</strong> konvolucija y[n] = x[n] ∗ x[n].<br />
V drugem primeru tretjo <strong>in</strong> četrto vrstico <strong>za</strong>menjamo z:<br />
ny=[0:30]; % <strong>in</strong>terval y[n]: n je element [0,30]<br />
x=ones(1,26); % funkcija x[n]=1, n=[1,26]<br />
15<br />
10<br />
x[n]*x[n]<br />
5<br />
Slika 8.29<br />
Konvolucija y[n] = x[n] ∗ h[n]<br />
pri x[n] → u[n].<br />
0<br />
0 5 10 15 20 25 30<br />
n<br />
Iz slike 8.29 lahko sklepamo, da pri končnem impulznem odzivu s približevanjem<br />
x[n] k u[n] imamo na izhodu sistema prehodni pojav na <strong>za</strong>četku enotske stopnice,<br />
datoteka: signal_A
220 8. Sistemi<br />
kasneje pa je izhod sistema konstanten, oziroma lahko računamo izhod sistema tudi<br />
pri enostransko neprehodnem (kav<strong>za</strong>lnem) vhodnem <strong>za</strong>poredju.<br />
♦<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
A<br />
Verjetnostni račun<br />
Več<strong>in</strong>oma učbeniki vpeljejo pojem verjetnosti z opisom poizkusa metanja<br />
kocke. Pa še mi uberimo to uhojeno pot! Vzemimo kocko, ki ima svoje<br />
stranice označene s pikami, prva stranica z eno, naslednja z dvema <strong>in</strong> tako<br />
naprej do <strong>za</strong>dnje, ki ima šest pik. Pokotalimo kocko <strong>in</strong> si beležimo rezultate<br />
poizkusov. Pri tem def<strong>in</strong>irajmo:<br />
vzorčni prostor S je prostor, ki ga določa množica vseh možnih rezultatov<br />
poskusa.<br />
element zbirke s<br />
vsak možen rezultat poskusa si predstavljamo kot točko<br />
s v vzorčnem prostoru S , torej s ∈ S .<br />
dogodek je podmnožica prostora S , ki jo lahko sestavlja poljubno<br />
število elementov iz vzorčnega prostora S . Dogodke<br />
bomo označevali z veliki črkami, na primer A,B,C ....<br />
Iz izkušenj vemo, da pri metanju poštene kocke, to je povsem homogene<br />
kocke, ne moremo <strong>za</strong>gotovo napovedati, kako se bo kocka ustavila. Zato nas<br />
<strong>za</strong>nima, kolikšna je verjetnost, da se bo kocka po metu ustavila tako, da bo<br />
vrhnja ploskev tista, ki ima na primer šest pik, ali pa kolika je verjetnost, da<br />
se to zgodi dvakrat <strong>za</strong>poredoma.<br />
A.1 Osnovne <strong>za</strong>konitosti<br />
V primeru kocke je možnih šest različnih rezultatov poizkusa, torej je pri<br />
kocki prostor S :<br />
S = {1,2,3,4,5,6} . (A.1)<br />
221
222 A. Verjetnostni račun<br />
Dogodek, na primer A, je rezultat poskusa, na primer dveh <strong>za</strong>porednih metanj<br />
kocke, ki da rezultat 3 <strong>in</strong> 5, dogodek B pa rezultat treh <strong>za</strong>porednih metov<br />
kocke z rezultati 1, 2 <strong>in</strong> 4:<br />
A = {3,5} , B = {1,2,4} . (A.2)<br />
Če izvajamo več eksperimentov z elementi iste zbirke, dobimo dogodke, ki<br />
lahko imajo skupne ali različne elemente. Pri tem def<strong>in</strong>iramo:<br />
Komplement k dogodku A, označujemo ga z A, je podmnožica z elementi<br />
iz zbirke S , ki niso sodelovali v dogodku A:<br />
A = {s : s ≠ A,s ∈ S } . (A.3)<br />
V opazovanem primeru je kompliment k dogodku A = {3,5} enak<br />
A = {1,2,4,6}.<br />
Združitev dogodkov ali unija A ∪ B je nov dogodek C, ki se zgodi takrat,<br />
ko se zgodita A ali B ali oba hkrati. Na primer, če sta dogodka A <strong>in</strong> B<br />
določena z:<br />
A = {1,4,6} <strong>in</strong> B = {1,2,4} , (A.4)<br />
potem je unija dogodkov A <strong>in</strong> B dogodek C:<br />
C = A ∪ B = {1,2,4,6} , (A.5)<br />
Seveda velja<br />
A ∪ A = S , (A.6)<br />
<strong>za</strong>to je S <strong>za</strong>nesljiv dogodek. Unijo imenujemo tudi vsota dogodkov<br />
<strong>in</strong> jo označujemo tudi C = A + B.<br />
Presek dogodkov A ∩ B, je dogodek, ki ga določajo skupni elementi A <strong>in</strong> B.<br />
Na primer, če sta A <strong>in</strong> B določena z (A.4) <strong>in</strong> (A.5), potem je dogodek<br />
C, ki ga določa njun presek enak:<br />
C = A ∩ B = {1,4} . (A.7)<br />
Presek dogodkov imenujemo tudi produkt dogodkov <strong>in</strong> ga označujemo<br />
s C = AB.<br />
Nemogoč dogodek je dogodek, ki ne vsebuje nobenega elementa. Torej ga<br />
določa prazna množica. Označujemo jo z ∅: ∅ = {}.<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
A.1 Osnovne <strong>za</strong>konitosti 223<br />
Medsebojna nezdružljivost ali ekskluzivnost dveh dogodkov nastane takrat,<br />
ko dva dogodka nimata skupnih elementov. Na primer, da je A<br />
določen z (A.2) <strong>in</strong> B (A.4), potem sta A <strong>in</strong> B nezdružljiva dogodka. Če<br />
sta dva dogodka nezdružljiva, potem je njun presek prazna množica ∅.<br />
Torej, A ∩ B = ∅, <strong>in</strong> seveda<br />
A ∩ A = ∅ . (A.8)<br />
Razdelitev vzorčnega prostora Skup<strong>in</strong>a dogodkov A i razdeli vzorčni prostor<br />
S , če velja:<br />
A i ∩ A j = ∅ <strong>za</strong> i ≠ j <strong>in</strong><br />
n⋃<br />
A i = S . (A.9)<br />
i=1<br />
Elementarni dogodki s i , ki tvorijo vzorčni prostor, ga hkrati razdelijo.<br />
Vključenost dogodka, A ⊂ B. Če je vsak element dogodka A tudi element<br />
dogodka B, potem je dogodek A podmnožica dogodka B. Pravimo, da<br />
v tem primeru dogodek A povzroči dogodek B. Zato mora biti izid<br />
dogodka A tudi izid dogodka B, kar označimo A ⊂ B. Izjava, da je<br />
dogodek A vključen v dogodek B je enak izjavi, da dogodek B vsebuje<br />
dogodek A.<br />
Iz lastnosti vzorčnega prostora izhaja, da gotov dogodek S vključuje<br />
poljuben dogodek A: A ⊂ S . Podobno poljubni dogodek A vsebuje<br />
nemogoč dogodek ∅: ∅ ∈ A.<br />
Enakost dogodkov, A = B. Dva dogodka sta enaka, če je dogodek A vključen<br />
v dogodek B <strong>in</strong> istočasno je B vključen v A:<br />
A = B ⇔ (A ⊂ B)&(B ⊂ A) . (A.10)<br />
To pomeni, da ustre<strong>za</strong>jo obema dogodkoma isti izidi, čeprav se lahko<br />
nač<strong>in</strong>a opisa obeh množic razlikujeta.<br />
Zaporedje dogodkov je <strong>za</strong>poredje podmnožic {A 1 ,A 2 ,...}. iz vzorčnega<br />
prostora. V primeru A 1 ⊂ A 2 ⊂ A 3 ⊂ ··· je <strong>za</strong>poredje naraščajoče. Za<br />
ta <strong>za</strong>poredja velja:<br />
n⋃<br />
A i = A n . (A.11)<br />
i=1<br />
Podobno opišemo tudi padajoče <strong>za</strong>poredje. Pri naraščajočih <strong>in</strong> padajočih<br />
<strong>za</strong>poredjih lahko def<strong>in</strong>iramo pojem limite z dogodkom, ki je unija<br />
števnega <strong>za</strong>poredja dogodkov.<br />
datoteka: signal_A
224 A. Verjetnostni račun<br />
Komplement, unijo <strong>in</strong> presek <strong>in</strong> druge operacije – imenujemo jih algebra<br />
dogodkov – lahko nazorno geometrijsko predstavimo z Vennovimi diagrami<br />
(slika A.1). Algebra dogodkov poleg obrazcev (A.6) <strong>in</strong> (A.8)<br />
S<br />
A<br />
\A<br />
S<br />
A<br />
B<br />
AB<br />
( AB)<br />
S<br />
B<br />
A AB<br />
A\<br />
B<br />
\AB<br />
\A\<br />
B<br />
S<br />
A j<br />
Ai<br />
(a) Komplement<br />
(b) Unija<br />
(c) Presek<br />
(d) Razdelitev S<br />
S<br />
S<br />
B<br />
B<br />
AB<br />
\A\<br />
B<br />
A<br />
A<br />
S<br />
S<br />
B<br />
B<br />
AB<br />
\A\<br />
B<br />
A<br />
A<br />
(e) De Morganov izrek (A.12b)<br />
(f) De Morganov izrek (A.12c)<br />
Slika A.1<br />
Vennovi diagrami.<br />
obsega še:<br />
A ∪ A = S A ∩ A = ∅ (A.6) , (A.8)<br />
A ∩ S = A<br />
(A ∪ B) = A ∩ B<br />
(A ∩ B) = A ∪ B<br />
A ∪ B = (A ∩ B) ∪ (A ∩ B) ∪ (A ∩ B)<br />
(A.12a)<br />
(A.12b)<br />
(A.12c)<br />
(A.12d)<br />
Enačbi (A.12b) <strong>in</strong> (A.12c) sta znani De Morganov izrek. Unija <strong>in</strong> presek<br />
izpolnjujeta naslednje <strong>za</strong>konitosti:<br />
komutativnost : A ∪ B = B ∪ A (A.13a)<br />
A ∩ B = B ∩ A<br />
(A.13b)<br />
asociativnost : A ∪ (B ∪C) = (A ∪ B) ∪C (A.13c)<br />
A ∩ (B ∩C) = (A ∩ B) ∩C<br />
(A.13d)<br />
distributivnost : A ∩ (B ∪C) = (A ∩ B) ∪ (A ∩C) (A.13e)<br />
A ∪ (B ∩C) = (A ∪ B) ∩ (A ∪C)<br />
(A.13f)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
A.2 σ algebra 225<br />
John Venn (1834 – 1923) je bil anglikanski duhovnik <strong>in</strong> učitelj moralel<br />
logike <strong>in</strong> verjetnostne teorije na Univerzi Cambridge. Znan je po<br />
grafični predstavitvi množic, njihovih unij <strong>in</strong> presekov.<br />
Augustus De Morgann (1806 to 1871) angleški matematik. Def<strong>in</strong>iral<br />
je izraz “matematična <strong>in</strong>dukcija”.<br />
Emile Borel (1871 - 1956) francoski matematik. Oblikoval je prvo<br />
uč<strong>in</strong>kovito teorijo mere množic, ki danes predstavlja <strong>za</strong>četek moderne<br />
teorije funkcij realne spremenljivke.<br />
A.2 σ algebra<br />
Pri vpeljavi pojma sestavljenega dogodka smo omenili, da ga lahko opišemo<br />
z množico elementarnih dogodkov, pri katerih se ta dogodek lahko zgodi.<br />
Zato bi lahko pomislili, da je vedno najprimerneje uporabljati <strong>za</strong> opis naključnega<br />
pojava kar elementarne dogodke. Vendar se pri opisovanju verjetnosti<br />
pogosto izkaže, da ni najbolj primerno uporabljati elementarnih dogodkov<br />
kot osnovo <strong>za</strong> opis pojava, temveč bolj obširne množice, oziroma sestavljene<br />
dogodke. Skup<strong>in</strong>o dogodkov A , ki jo uporabljamo kot osnovo <strong>za</strong> opis pojava,<br />
imenujemo algebra. Iz doslej navedenih splošnih lastnosti dogodkov<br />
<strong>za</strong>htevamo, da mora algebra imeti naslednje lastnosti:<br />
1. <strong>za</strong> vsak dogodek A ∈ A je tudi A ∈ A<br />
2. <strong>za</strong> vsak par A ∈ A <strong>in</strong> B ∈ A je tudi A ∪ B ∈ A<br />
Kadar je vzorčni prostor S sestavljen iz končno mnogo vzorčnih točk, je<br />
različnih dogodkov le končno mnogo. Kot osnovo <strong>za</strong> opis pojava lahko tedaj<br />
uporabimo elementarne dogodke. V primeru, ko pa vzorčni prostor S ni<br />
datoteka: signal_A
226 A. Verjetnostni račun<br />
končen, pa kot osnovo uporabimo sestavljene dogodke, ki predstavljajo dele<br />
opisa tega prostora. Tedaj moramo lastnost 2 razširiti tako, da velja:<br />
3. če so dogodki A i elementi skup<strong>in</strong>e A , je v tej skup<strong>in</strong>i tudi njihova<br />
števna unija, oziroma če je A i ∈ A <strong>za</strong> i = 1,2,..., je tudi ∪ ∞ i=1 A i ∈ A<br />
Skup<strong>in</strong>a, ki ima lastnosti 1 <strong>in</strong> 3, imenujemo σ − algebra (sigma algebra) ali<br />
tudi Borelova polja. Grupa A s temi lastnostmi je <strong>za</strong>prta glede na operacijo<br />
negacije, števne unije <strong>in</strong> števnega preseka. To pomeni, da pri <strong>za</strong>poredni uporabi<br />
teh operacij ostanemo v tej skup<strong>in</strong>i. Grupa A vsebuje dogodke, ki so<br />
<strong>za</strong>nimivi <strong>za</strong> opis poskusa.<br />
A.3 Verjetnost dogodkov<br />
Vsakemu dogodku A, ki vsebuje reali<strong>za</strong>cije elementov iz vzorčnega prostora<br />
S , A ⊂ S , lahko določimo verjetnost P(A), da se pri poskusu dogodi ravno<br />
dogodek A.<br />
A.3.1<br />
Matematična verjetnost<br />
Če vzorčni prostor S vsebuje n elementov <strong>in</strong> je m število ugodnih izidov ali<br />
<strong>za</strong>detkov, potem je verjetnost, da se pri poskusu dogodi ravno dogodek A, po<br />
def<strong>in</strong>iciji enaka:<br />
P(A) = m . (A.14)<br />
n<br />
Def<strong>in</strong>icijo (A.14) imenujemo matematična verjetnost. Ker število <strong>za</strong>detkov<br />
ne more biti večje od števila poskusov, je verjetnost P(A) število med 0 <strong>in</strong> 1:<br />
0 P(A) 1 . (A.15)<br />
ZGLED A.3.1 (matematična verjetnost)<br />
V posodi so tri črne <strong>in</strong> dve beli kroglici. Koliko je verjetnost, da potegnemo iz posode<br />
belo kroglico?<br />
REŠITEV: Dogodek, ko potegnemo belo kroglico označimo z A. Število vseh možnih<br />
dogodkov je 5 (toliko kot je vseh kroglic), torej n = 5. Število ugodnih dogodkov <strong>za</strong><br />
dogodek A je 2 (toliko je belih kroglic), <strong>za</strong>to sledi<br />
P(A) = 2 5 . ♦<br />
Verjetnost dogodka, ki se <strong>za</strong>nesljivo zgodi, je ena, verjetnost nemogočega<br />
dogodka pa nič, <strong>za</strong>to<br />
P(S ) = 1 , P(∅) = 0 . (A.16)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
A.3 Verjetnost dogodkov 227<br />
A.3.2<br />
Statistična verjetnost<br />
Tudi statistično verjetnost spoznajmo na zgledu. Mečimo kocko <strong>in</strong> beležimo<br />
število reali<strong>za</strong>cij dogodka A, na primer kolikokrat vržemo šestico. Po n 1<br />
metih naj bo m 1 <strong>za</strong>detkov šestice, po n 2 metih m 2 <strong>za</strong>detkov, po n 3 metih<br />
skupaj m 3 <strong>za</strong>detkov <strong>in</strong> tako naprej. Če po n k metih s skupaj m k <strong>za</strong>detkov<br />
tvorimo <strong>za</strong>poredje razmerij <strong>za</strong>detkov m i , i = 1,2,...,k:<br />
m 1<br />
, m 2<br />
, m 3<br />
,··· , m k<br />
, (A.17)<br />
n 1 n 2 n 3 n k<br />
ugotovimo, da ta razmerja nihajo okoli neke mejne vrednosti (ki je v opazovanem<br />
primeru 1 / 6 ), <strong>in</strong> da odstopanje razmerij m i /n i od te mejne vrednosti z<br />
večanjem n i , upada. Nauk iz tega – u<strong>za</strong>konil ga je Jacob Bernoulli – je znan<br />
pod imenom <strong>za</strong>kon o velikih številih:<br />
DEFINICIJA A.3.1 (Bernoullijev <strong>za</strong>kon o velikih številih)<br />
Če je n k število neodvisnih izidov naključnega eksperimenta, m k število <strong>za</strong>detkov <strong>za</strong><br />
določeni dogodek <strong>in</strong> p matematična verjetnost tega dogodka, se verjetnost P, da se<br />
razmerje m k/ nk razlikuje od p <strong>za</strong> manj kot ε, ε je poljubno majhno v naprej predpisano<br />
število, približuje 1, če le gre n k proti neskončnosti:<br />
(∣ ) ∣∣∣<br />
lim P m k<br />
− p<br />
n k →∞ n ∣ ε → 1 . (A.18)<br />
k<br />
<br />
Razmerje m k /n k imenujemo tudi frekvenčno razmerje. Določa statistična<br />
verjetnost P st (A). Velja:<br />
P st = m k<br />
n k<br />
<strong>in</strong> P = lim<br />
n k →∞ P st , (A.19)<br />
torej lahko “pravo”, to je matematično verjetnost dogodka v nekem procesu<br />
določimo tudi s poskusom.<br />
Jacob Bernoulli (1654 – 1705) švicarski matematik, je sicer študiral<br />
filozofijo <strong>in</strong> teologijo, vendar je vse svoje življenje posvetil matematiki.<br />
Prvi je uporabil term<strong>in</strong> <strong>in</strong>tegral. Njegov prvi pomemben prispevek je<br />
bil na področju verjetnosti (<strong>za</strong>kon velikih števil). Bil je prvi iz te znane<br />
druž<strong>in</strong>e matematikov <strong>in</strong> fizikov.<br />
A.3.3<br />
Verjetnost vsote<br />
Verjetnost unije dveh nezdružljivih dogodkov je enaka vsoti verjetnosti <strong>za</strong><br />
posamezni dogodek:<br />
P(A ∪ B) = P(A) + P(B) če velja P(A) ∩ P(B) = /0 . (A.20)<br />
datoteka: signal_A
228 A. Verjetnostni račun<br />
Ta stavek moremo razširiti na več nezdružljivih dogodkov:<br />
P i (∪ n i=1A i ) = ∑ i<br />
P(A i ) , (A.21)<br />
kjer ∪ n i=1 A i pomeni unijo med n dogodki A 1 ∪ A 2 ∪ ··· ∪ A n . Če tvorijo dogodki<br />
A 1 ,A 2 ,...,A n poln sistem nezdružljivih dogodkov, je njihova unija <strong>za</strong>nesljiv<br />
dogodek:<br />
P i (∪ n i=1A i ) =<br />
n<br />
∑<br />
i<br />
P(A i ) = P(S ) = 1 . (A.22)<br />
Primer polnega sistema je A ∪ A. Verjetnost te unije je 1, ker če se ne zgodi<br />
A, se zgodi A. Iz (A.15), (A.21) <strong>in</strong> (A.22) sledi:<br />
P(A) = 1 − P(A)<br />
P(∅) = 0<br />
P(A) P(B) ⇒ A ⊂ B<br />
(A.23a)<br />
(A.23b)<br />
(A.23c)<br />
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) . (A.23d)<br />
Izpeljavi (A.23a) <strong>in</strong> (A.23b) sta očitni, veljavnost (A.23c) uvidimo iz naslednjega<br />
sklepanja: dogodek A <strong>in</strong> dogodek B tvori unija reali<strong>za</strong>cij elementov<br />
prostora S . Zato je njuna verjetnost vsota verjetnosti reali<strong>za</strong>cij posameznih<br />
elementov. Če sta si dogodka enaka, imata iste elemente <strong>in</strong> s tem isto verjetnost,<br />
če pa dogodek A določajo elementi, ki so podmnožica elementov<br />
dogodka B, je verjetnost njegovega pojava seveda manjša.<br />
A.3.4<br />
Verjetnost vsote soodvisnih dogodkov<br />
Obrazec (A.23d) določa verjetnost soodvisnih dogodkov. Sodvisnot dveh<br />
dogodkov pomeni, da se je na primer v n, n ≫ 1, poskusih m a -krat zgodil<br />
dogodek A, m b -krat dogodek B <strong>in</strong> m ab -krat sta se hkrati zgodila oba dogodka<br />
(torej dogodek A ∩ B). Po def<strong>in</strong>iciji <strong>za</strong> matematično verjetnost velja:<br />
P(A) = m a<br />
n<br />
, P(B) = m b<br />
n<br />
, P(A ∩ B) = m ab<br />
n<br />
. (A.24)<br />
Preštejmo poskuse, v katerih se je zgodil dogodek A ∪ B! Ko bi bila dogodka<br />
A <strong>in</strong> B nezdružljiva, bi bilo teh poskusov m a + m b . Toda v m ab poskusih<br />
sta se zgodila oba dogodka hkrati, <strong>za</strong>to smo v vsoti m a + m b upoštevali tudi<br />
m ab dogodkov A ∩ B. Potemtakem se zgodi dogodek A ∪ B v m a + m b − m ab<br />
poskusih. Torej je matematična verjetnost tega enaka:<br />
P(A ∪ B) = m a + m b − m ab<br />
n<br />
= m a<br />
n + m b<br />
n − m ab<br />
n<br />
, (A.25)<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
A.3 Verjetnost dogodkov 229<br />
od koder sledi (A.23d). Če sta dogodka nezdružljiva, potem je P(A ∩ B) = 0<br />
<strong>in</strong> enačba (A.23d) postane enaka (A.20).<br />
Posplošitev (A.25) ni tako preprosta, kot je bila pri nezdružljivih dogodkih.<br />
Opisi <strong>za</strong> primere treh ali več združljivih dogodkov poglejte v [29, ?].<br />
Verjetnost, da nastopata dogodka A <strong>in</strong> B skupaj ali eden <strong>za</strong> drugim, v literaturu<br />
pogosto označujejo s P(AB). Dogodek AB je presek ali produkt dogodkov<br />
A <strong>in</strong> B: AB = A ∩ B. To verjetnost imenujemo pove<strong>za</strong>na verjetnost.<br />
A.3.5<br />
Pogojna verjetnost<br />
Verjetnost dogodka B pri pogoju, da se je zgodil dogodek A, imenujemo pogojna<br />
verjetnost <strong>in</strong> jo označujemo s P(B|A). Def<strong>in</strong>irana je s:<br />
P(B|A) =<br />
P(A ∩ B)<br />
P(A)<br />
, P(A) ≠ 0 (A.26)<br />
<strong>in</strong> analogno, verjetnost dogodka A pri pogoju, da se je zgodil dogodek B je<br />
enaka:<br />
P(A ∩ B)<br />
P(A|B) = , P(B) ≠ 0 . (A.27)<br />
P(B)<br />
če v enačbi (A.26) <strong>in</strong> (A.27) odpravimo ulomke, ju lahko <strong>za</strong>pišemo v obliki:<br />
P(A ∩ B) = P(A|B)P(B) = P(B|A)P(A) . (A.28)<br />
Razširimo formulo (A.28) še na produkt več kot dveh dogodkov! Zlahka<br />
uvidimo, da velja:<br />
P(A 1 ∩ A 2 ∩ ... ∩ A n )<br />
= P(A 1 )P(A 2 |A 1 )P(A 3 |A 1 ∩ A 2 )...<br />
...P(A n |A 1 ∩ A 2 ∩ ... ∩ A n−1 ) . (A.29)<br />
Veljavnost (A.29) lahko dokažemo z razcepljenjem produkta. Najprej vzemimo,<br />
da je dogodek P(A 1 ,A 2 ,...,A n ) produkt dveh dogodkov:<br />
P(A 1 ∩ A 2 ∩ ... ∩ A n−1 ) <strong>in</strong> A n<br />
<strong>in</strong> upoštevamo obrazec (A.28). Dobimo:<br />
P(A 1 ∩ A 2 ∩ ... ∩ A n )<br />
= P(A 1 ∩ A 2 ...A n−1 )P(A n |A 1 ∩ A 2 ∩ ... ∩ A n−1 ) .<br />
Isto ponovimo nato na dogodku P(A 1 ∩ A 2 ∩ ... ∩ A n−1 ) <strong>in</strong> tako naprej, da<br />
pridemo po N − 1 korakih do formule (A.29).<br />
datoteka: signal_A
230 A. Verjetnostni račun<br />
A.3.6<br />
Verjetnost neodvisnih dogodkov<br />
Dogodka A <strong>in</strong> B sta (statistično) neodvisna, takrat <strong>in</strong> samo takrat, če velja<br />
Če sta A <strong>in</strong> B neodvisna, potem velja<br />
P(A ∩ B) = P(A)P(B) . (A.30)<br />
P(B|A) = P(B) <strong>in</strong> P(A|B) = P(A) . (A.31)<br />
Za množico v celoti neodvisnih dogodkov velja, da je vsak izmed dogodkov<br />
neodvisen od produkta preostalih dogodkov. Torej velja:<br />
P(A 2 |A 1 ) = P(A 2 )<br />
P(A 3 |A 1 ∩ A 2 ) = P(A 3 )<br />
P(A n |A 1 ∩ A 2 ∩ ... ∩ A n−1 ) = P(A n )<br />
(A.32)<br />
Če (A.30) upoštevamo v (A.29), ta dobi bolj preprosto obliko:<br />
P(A 1 ∩ A 2 ∩ ... ∩ A n ) = P(A 1 )P(A 2 )···P(A n ) . (A.33)<br />
Tu moramo poudariti, da <strong>za</strong> neodvisnost med dogodki v celoti ni dovolj, da<br />
so dogodki le paroma neodvisni, torej P(A j |A i ) = P(A j ), i = 1,2,...,n, i ≠ j.<br />
Veljati mora (A.30).<br />
A.3.7<br />
Bayesova enačba<br />
Zelo važna relacija verjetnostnega računa je Bayesov izrek. Preden ga bomo<br />
formalno <strong>za</strong>pisali, opišimo znan poskus s tremi žarami, v katerih so črne<br />
<strong>in</strong> bele kroglice, katere izbiramo z metanjem kocke. Napravimo naslednji<br />
poskus: mečimo kocko, <strong>in</strong> če je rezultat metanja na primer 1, 2 ali 3, vlečemo<br />
kroglice iz prve žare, če je rezultat 4 ali 5, vlečemo iz druge žare, če pa je 6,<br />
pa iz tretje. Kolika je verjetnost, da bomo izvlekli črno kroglico?<br />
V opisanem poskusu lahko takoj izračunamo verjetnosti izbire žare. Imenujmo,<br />
da so to dogodki A i , i = 1,2,3. Ti dogodki tvorijo poln sistem, torej<br />
∑ 3 i=1 P(A i) = 1. Če je število belih <strong>in</strong> črnih kroglic v žarah znano, lahko določimo<br />
tudi verjetnost dogodka B, da potegnemo črno kroglico iz prve, druge<br />
ali tretje žare – to so pogojne verjetnosti P(B|A 1 ), P(B|A 2 ) <strong>in</strong> P(B|A 3 ). Opišimo<br />
problem kar na splošno. Znane so verjetnosti<br />
<strong>in</strong> pogojne verjetnosti<br />
P(A 1 ),P(A 2 ),...,P(A n )<br />
P(A|A 1 ),P(A|A 2 ),...,P(A|A n ) .<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
A.3 Verjetnost dogodkov 231<br />
Izračunati je treba verjetnost P(B). Ker tvorijo dogodki A i poln sistem, lahko<br />
pišemo:<br />
B = B ∩ (A 1 ∪ A 2 ∪ ... ∪ A n )<br />
= (B ∩ A 1 ) ∪ (B ∩ A 2 ) ∪ ... ∪ (B ∩ A n ) .<br />
(A.34)<br />
Dogodki A∩A 1 ,A∩A 2 ,...,A∩A n so paroma nezdružljivi, <strong>za</strong>to je po obrazcu<br />
(A.20):<br />
P(B) = P(B ∩ A 1 ) + P(B ∩ A 2 ) + ··· + P(B ∩ A n ) . (A.35)<br />
Uporabimo še izrek <strong>za</strong> verjetnost produkta:<br />
P(B) = P(A 1 )P(B|A 1 ) + P(A 2 )P(B|A 2 ) + ···<br />
=<br />
N<br />
∑<br />
i=1<br />
··· + P(A n )P(B|A n )<br />
P(A i )P(A|A i ) . (A.36)<br />
To je do tako imenovani obrazec <strong>za</strong> popolno verjetnost dogodka. Strnimo<br />
sedaj podano razlago v izrek, ki ga ponavadi imenujemo po avtorju obrazca:<br />
DEFINICIJA A.3.2 (Bayesov izrek)<br />
Če so dogodki A i , i = 1,2,...,N medsebojno nezdružljivi tako, da njihova unija tvori<br />
zbirko S :<br />
N<br />
∪ A i = S . (A.37)<br />
i=1<br />
(tvorijo poln sistem) <strong>in</strong> je A poljuben dogodek z neničelno verjetnostjo P(A), potem<br />
velja:<br />
P(A i |A) = P(A i ∩ A)<br />
P(A)<br />
= P(A|A i)P(A i )<br />
N<br />
P(A|A j )P(A j )<br />
∑<br />
j=1<br />
. (A.38)<br />
<br />
Thomas Bayes (1702 – 1761) angleški nekonformistični teolog <strong>in</strong><br />
matematik. Postavil je matematične osnove verjetnostnega sklepanja.<br />
Njegove <strong>za</strong>ključke je privzel Laplace <strong>in</strong> so ostali nespremenjeni<br />
do Boola. Od takrat naprej so predmet polemik med matematiki.<br />
V Bayesovem obrazcu verjetnost P(A i ) imenujemo a priori ali v naprej<br />
dano verjetnost, pogojno verjetnost P(A i |A) pa a posteriori ali končna verjetnost.<br />
Ta pove, kolikšna je verjetnost, da se bo dogodek A i zgodil prav pri<br />
dogodku A. Dogodke A i , ki tvorijo polno grupo, imenujemo hipoteze.<br />
datoteka: signal_A
Literatura<br />
[1] H. Kwakernaak, R. Sivan: Modern signals and systems (third edition). The<br />
McMillan Press LTD., ISBN 0–13–812728–X<br />
[2] A.V. Oppenheim, Ronald W. Schafer: Discrete-Time Signal Process<strong>in</strong>g.<br />
Prentice Hall Process<strong>in</strong>g Series, 1989, ISBN 0–13–216292–X<br />
[3] Charles L. Phillips, John M. Parr (1995). Signals, systems, and transformas,<br />
Prentice Hall Inc., ISBN 0–13–795253–8<br />
[4] E.C. Ifeachor, B.W. Jervis: Digital signal proces<strong>in</strong>g, A practical approach.<br />
Addison-Wesley, 1997, ISBN 0–201–54413–X<br />
[5] H. S. Carslaw: An <strong>in</strong>troduction to Fourier’s series and <strong>in</strong>tegrals (third<br />
edition). Dover Publications, <strong>in</strong>c. (ponatis 1960)<br />
[6] I.N. Sneddon: Fourier transforms. Dover publications I<strong>in</strong>c., (ponatis 1995),<br />
ISBN 0–486–68522–5 (pbk)<br />
[7] H.F. Davis: Fourier series and orthogonal functions. Dover publications Inc.,<br />
1963, ISBN 0–486–65973–9<br />
[8] M. Reed, B. Simon: Fourier analysis, Self-Adja<strong>in</strong>tness. Academic press Inc.,<br />
1975, ISBN 0–12–585002–6(v.2)<br />
[9] M. R. Spiegel: Theory and problems of Fourier analysis with applications to<br />
boundary value problems. Schaum’s outl<strong>in</strong>e series, McGraw-Hill<br />
(18.izdaja 1994). ISBN 0-07-060219-0<br />
[10] M. R. Spiegel: Theory and problems of Lapalace transform. Schaum’s<br />
outl<strong>in</strong>e series, McGraw-Hill (18.izdaja 1994). ISBN 0-07-06231-X<br />
[11] M. E. van Valkeburg: Network Analysis.<br />
[12] D. Lange (19xx). Methoden der Signal und sistemanalise.<br />
[13] Dietmar Achilles: Die Fourier-Transformation <strong>in</strong> der Signalverabeitung.<br />
Spr<strong>in</strong>ger Verlag, 1985<br />
[14] Charles K. Chui, Guanrong Chen: Signal Process<strong>in</strong>g and System Theory<br />
(Selected topics). Spr<strong>in</strong>ger Verlag, 1992<br />
[15] Paul A. Lynn (1994). An <strong>in</strong>troduction to the analysis and Process<strong>in</strong>g of<br />
signals. MacMillan Press LTD. 1994, ISBN 0–333–48887–3<br />
[16] I.N. Bronšte<strong>in</strong>, K.A. Semendjajev, G. Musol, H. Mühlig: Matematični<br />
priročnik. Tehniška <strong>za</strong>ložba Ljubljana.<br />
233
234 LITERATURA<br />
[17] Ludvig Gyergyek: Teorija obdelave <strong>signalov</strong> <strong>in</strong> statistične metode. Založba<br />
FER Ljubljana, 1987.<br />
[18] T<strong>in</strong>e Zorič, Dali Ðonlagić, Rajko Svečko: Teorija l<strong>in</strong>earnih diskretnih<br />
sistemov. Založba FERI Maribor, 1994 ISBN 86–436–0053–4<br />
[19] Rajko Svečko, T<strong>in</strong>e Zorič: Teorija l<strong>in</strong>earnih diskretnih sistemov. Založba<br />
FERI Maribor, 1994 ISBN 86–435–0076–3<br />
[20] Rajko Svečko: Teorija sistemov. Založba FERI Maribor, 2000 ISBN<br />
86–435–0366–5<br />
[21] Žarko Čučej: Komunikacije v sisteih dalj<strong>in</strong>skega <strong>vodenja</strong>, Založba FERI<br />
Maribor, 1998, ISBN 86–435–0217–0<br />
[22] Žarko Čučej, Peter Plan<strong>in</strong>šič: Teorija <strong>signalov</strong>: Uvod v teorijo, Založba FERI<br />
Maribor, 1999, ISBN 86–435–0267–7<br />
http://SPaRC.feri.uni-mb/publikacije<br />
[23] Žarko Čučej, Peter Plan<strong>in</strong>šič: Teorija <strong>signalov</strong>: Harmonična anali<strong>za</strong> <strong>in</strong><br />
obdelava, Založba FERI Maribor, 2001, (trenutno dosegljiva kot datoteka<br />
Signal_C na http://SPaRC.feri.uni-mb/publikacije)<br />
[24] Erhard Stepanek Praktische analyse l<strong>in</strong>earer systeme durch<br />
faltungsoperationen, Academishe verlagsgesellschaft, Geest & Portig<br />
k.g. Leipzig, 1976<br />
[25] John J. Komo: Random Signal Annalysis <strong>in</strong> Eng<strong>in</strong>eer<strong>in</strong>g Systems, Acaddemic<br />
Press. Inc., 1987, ISBN 0–12–418660–2.<br />
[26] Harry Urkowitz: Signal theory and random processes. Artech house. Inc.,<br />
1983, ISBN 0–89006–121–1<br />
[27] Igor Grabec, Janez Gradišek: Opis naključnih pojavov, Univer<strong>za</strong> v Ljubljani,<br />
Fakulteta <strong>za</strong> strojništvo, 2000, ISBN 961–6238–42–6.<br />
[28] Ludvig Gyergyek: Teorija obdelave <strong>signalov</strong> <strong>in</strong> statistične metode. Univer<strong>za</strong><br />
v Ljubljani, Založba FER Ljubljana, 1987<br />
[29] Rajko Jamnik: Verjetnostni račun. Univer<strong>za</strong> v Ljubljani, Mladnska knjiga,<br />
1987<br />
[30] Rajko Jamnik: Matematična statistika. Državna <strong>za</strong>ložba Slovenije, 198o<br />
[31] Georgije Lukatela: Statistička teorija telekomunikacija i teorija <strong>in</strong>formacija 1<br />
Gra ¯dev<strong>in</strong>ska knjiga Beograd, 1991, ISBN 86–395–0280–3<br />
[32] Ian A. Glover, Peter M. Grant: Digital Communications Prentice Hall<br />
Europe, 1998, ISBN 0–13–5653391–6<br />
[33] John G. Proakis: Digital Communications (third edition) McGraw-Hill<br />
International editions, 1995, ISBN 0–07–113814–5<br />
[34] Jay L. Devore: Probability and statistics for eng<strong>in</strong>eer<strong>in</strong>g and sciences<br />
Brooks/Cole Publish<strong>in</strong>g company 1991, ISBN 0–534–14352–0<br />
[35] Yannis V<strong>in</strong>iotis: Probability and random processes for electrical eng<strong>in</strong>eers<br />
McGraw-Hill International editions, 1997, ISBN 0–07–067491–4<br />
šarko ƒu£ej: Teorija <strong>signalov</strong> revizija 20040315
235<br />
[36] Claude E. Shannon: A mathematical theory of communications<br />
[37] Kem<strong>in</strong> Zhow, John c. Doyle and Keith Glower: Robust and optimal control<br />
Prentice Hall, Upper Saddle River, New Jersey 07458, 1996 ISBN<br />
0-13-456567-3<br />
[38] Slovar Slovenskega knjižnega jezika Slovenska akademija znanosti <strong>in</strong><br />
umetnosti, Državna <strong>za</strong>ložba SLoenije, 1980<br />
[39] Random Hause Dictionary of the English Language Edit. Jess Ste<strong>in</strong>, Random<br />
Hause Inc., 1966, ISBN: 0–394–47176–8<br />
[40] Norbert Wiener: Generalized Harmonic Analysis Acta Mathematica, Vol. 55,<br />
str. 117–258, 1930<br />
[41] A.J. H<strong>in</strong>č<strong>in</strong>: Teorija korreljaciii stacionarnih slučajnih funkcij Uspehi<br />
matematičeskih nauk, vip. 5, 42, 1938<br />
[42] A.Ya. Kh<strong>in</strong>tch<strong>in</strong>e: Korrelationstheorie der stacionören stochaschen Prozese<br />
Matematiche Annalen, vol.1, No. 109, str. 415–458, 1934<br />
[43] Y.W. Lee: Statistical Theory of Communications John Willey & Sons, New<br />
York, 1960<br />
[44] Leon Cohen: Time-Frequency Analysis Prentice Hall PTR, 1995<br />
[45] M.H. Ackroyd: Instataneous and time-vary<strong>in</strong>g spectra – An <strong>in</strong>troduction,<br />
objavljeno v Radio Electron. Eng., vol 239, str. 145–152, 1970<br />
[46] R.M. Lerner: Representation of signals, objavljeno v E.J. Baghdady (editor)<br />
Lectures on Communication System Theory, McGraw-Hill Book Co.,<br />
1961<br />
[47] M.I. Skolnik: Introduction to Radar Systens McGraw-Hill Book Co., 1980<br />
[48] J.G. Kikwood: Quantum statistics of almost classical ensembles Phys. Rev.,<br />
vol. 44, str. 31–37, 1933<br />
[49] Ya. P. Terletsky: Z. Eksp.. Teor. Fiz., vol. 7, str. 1290, 1937<br />
[50] V<strong>in</strong>ay K. Ingle and John G. Proakis: Digital Signal Process<strong>in</strong>g us<strong>in</strong>g<br />
MATLAB R○ Brooks/Cole: BookWare Companion Series TM , 2000, ISBN<br />
0-534-3717-4<br />
datoteka: signal_A