999902

23.D.2.2 Základní souhrnné předběžné zpracováníČOS 9999022. vydáníPříloha 23DOprava 1Existují dvě metody, ze kterých lze získat souhrnnou obálku. První metoda je použítnějaké „obálkové“ schéma na základní spektra, aby se dospělo ke konzervativnímu odhaduprostředí a k nějakému kvalitativnímu odhadu spektrálního rozložení vztahujícího se k tétoobálce. Tento postup je závislý na posouzení analytika a může vytvářet rozporné výsledky odrůzných analytiků. Druhá metoda má kombinovat jednotlivé spektrum vhodným statistickýmpostupem a odvozovat statistický význam dat založený na teorii statistické distribuce. Odkaza shrnuje současný stav znalostí ve vztahu k tomuto přístupu a jeho vztah k obálkování. Obecněvzato předmětná spektra a jejich statistické údaje se vztahují ke stejnému kmitočtovému pásmu,ve kterém se uskutečňuje zpracování. Bohužel pro dané kmitočtové pásmo statistické údaje zasouborem spektra nejsou snadno přístupné vzhledem k neznámé distribuční funkci amplitud prozájmové kmitočtové pásmo. Ve většině případů se může distribuční funkce považovat zanormální, jestliže se jednotlivá spektra přemění do nějaké „normalizované“ podobyvypočítáním dekadického logaritmu spektra. Pro ESD a FS průměrování sousedícíchkomponent (předpokládá se, že statisticky nezávislých) zvyšuje počet stupňů volnosti vespektrech, zatímco snižuje kmitočtové rozlišení s možným zavedením statistického zkreslení dospekter. Pro ASD je to také případ zajišťující, že zkreslující odchylka ve spektru je malá, tj. žešířka pásma rozlišovacího filtru je velmi malou částí celkové šířky pásma spektra.Protože spektrum SRS je založeno na maximální odezvě systému s jedním stupněmvolnosti když jeho přirozený kmitočet kolísá, sousední spektrum má sklon být statistickyzávislé a tudíž ne dobře uhlazené s průměrovacími filtry, ledaže by se SRS počítalo provelmi úzké kmitočtové intervaly. V takových případech je vyhlazování spekter SRS spíšedosaženo pomocí přepracování původních dat o časovém průběhu v širších intervalechpřirozených kmitočtů, např. 1/6-oktávový na rozdíl od 1/12-oktávového. Neexistuje žádnýzjevný způsob matematického vyhlazení závislých spekter SRS, pokud se nemůže provéstnové zpracování; přijatelnou možností je nějaká forma obálkování spektra. V každém případěčím větší je velikost vzorku, tím bližší je logaritmická transformace spektra k normálnímurozložení, pokud neexistuje měřený výběr nevyvážených chyb v experimentu. Konečně obálkyhorních limitů získané v dále uvedených odstavcích jsou obecně vyhlazené pomocísegmentů přímek protínajících se ve spektrálních „bodech zlomu“ před konečným použitímobálkových dat. Tato příloha neposkytuje žádný návod pro postup konečného„vyhlazování“, například zda by se spektrální vrcholy měly „přistřihnout“ nebo obalit,vztah šířky datového pásma k míře „střihání“ atd. Takové vyhlazování se doporučujeprovádět pouze zkušeným analytikem; dále uvedený odkaz a o tom pojednává.23.D.2.3 Úvahy o statistických odhadech parametrických horních mezíVe všech vzorcích pro odhad statistické horní meze souboru N předpovědí neboměření, je jednotlivé spektrum označováno jako x i , vytvářející soubor od 1 do N .{x i } = {x 1 , x 2 , .......... x N } i = 1, 2, ......... ,NMá se za to, že spektra se budou logaritmicky transformovat, aby přenesla úplný souborměření blíže ke spektrům vybíraným z normálního rozdělení a že zkreslení dané výběremměření je zanedbatelné. Protože normální a „Student t“ rozdělení jsou symetrická, dáleuvedené vzorce se používají pro snížení hranice změnou znaménka mezi velikostí středníodchylky a směrodatné odchylky na minus. Předpokládá se, že celé spektrum je v jedinémkmitočtu nebo jediné šířce pásma a že spektra mezi šířkami pásem jsou nezávislá tak, že355