======================================Известия вузов России. Радиоэлектроника. 2004. Вып. 3
Теория сигналов
УДК 621.372.54:681.327.8
Ю. М. Вешкурцев, Е. Д. Бычков, Д. А. Титов
Омский государственный технический университет
Приложение теории нечетких множеств в цифровой фильтрации случайных сигналов
Разработан алгоритм цифровой фильтрации нестационарных случайных сигналов, статистические характеристики которых неизвестны и заменены информацией о обучающем сигнале, полученной с помощью теории нечетких множеств. Приведены результаты моделирования нечеткого цифрового фильтра.
Нестационарный случайный сигнал, цифровой фильтр, нечеткий фильтр, алгоритм цифровой фильтрации, обучение цифрового фильтра, обучающий сигнал, функция принадлежности
В ряде областей техники форму сигналов связывают с объектом исследования. Примером этого служат радиолокация, техническая диагностика, телеметрия, биомедицинские исследования и др. Как правило, в этом случае обработке подвергаются нестационарные случайные сигналы малой продолжительности во времени. Их анализ затруднен отсутствием априорных сведений относительно вероятностных характеристик. Для облегчения задачи используют классификацию сигналов в группы по условно отобранным признакам, а затем каждую группу сигналов обрабатывают отдельным оптимальным фильтром. Однако такая классификация не может быть выполнена определенно, так как граница между различными условными признаками обычно недостаточно выражена, например, прямоугольный импульс с конечной длительностью фронтов слабо отличается от импульса трапецеидальной формы. В результате этого при обработке сигналов, в частности с помощью цифрового фильтра (ЦФ), возникают большие погрешности определения правильной формы или вида нестационарного случайного процесса.
В настоящей статье предлагается восполнить отсутствие априорных сведений о статистических характеристиках сигнала с помощью процедуры обучения цифрового фильтра некоторым сигналом малой длительности для снижения погрешности идентификации нестационарного случайного процесса.
Известно [1], что работа линейного цифрового фильтра описывается уравнением
М N
У 0пТ) = -X а]У |> - №] + X ъкX[(« - к)Т], (1)
]=1 к=0
где х (пТ) и у (пТ) - п-е отсчеты входного и выходного сигналов фильтра соответственно; а^ и Ък - отсчеты решетчатых функций, зависящих только от п. В общем случае ЦФ неточно реализует алгоритм (1), так как операция умножения отсчетов цифрового сигнала
© Ю. М. Вешкурцев, Е. Д. Бычков, Д. А. Титов, 2004
3
Известия вузов России. Радиоэлектроника. 2004. Вып. 3======================================
на постоянное число неточна из-за округления (усечения) и поэтому выходной сигнал фильтра отличается от точного решения уравнения (1). Другими причинами искажения выходного сигнала ЦФ являются ошибки (погрешности) аппроксимации, неточности представления коэффициентов фильтрации и воздействие помех.
В этой связи классические ЦФ, представленные равенством (1), недостаточно адекватно восстанавливают нестационарные сигналы, упомянутые ранее, так как они рассчитаны на информационную и энергетическую избыточность речи, аудио, данных, изображения и т. д.
Одним из подходов идентификации нестационарных случайных сигналов при цифровой обработке является использование концепций теории нечетких (fuzzy) множеств. Задача распознавания сигналов уже рассматривалась на основе концепций нечетких множеств, в частности в работах [2], [3]. Например, в [2] представлена модель цифровой фильтрации, основанная на использовании функции принадлежности с двумя параметрами - разностью между отсчетами сигнала и положением отсчетов сигнала во времени.
Оценивать значения отсчетов сигнала будем отношением (операция дефазификации)
N
Z ^(xn-к)
n-к)xn-к
dn =
к=-N
N
Z »(xn-к)
к=-N
(2)
где (хп-£) е [0,1] - степень функции принадлежности значения хп-£ интервалу (-£, £)
(рис. 1). В отличие от работы [2] здесь оценка (2) определяет конкретное значение отсчета
сигнала хп-£, а не их разности Ахп-£ =
1n-к
^в (xn-к )
-+£ 1
--S
( xn-к )
/ /\
/ Цр ( xn-к )
/
I ^---I
Ax,
0
Рис. 1
y'
в
Рис. 2
J
Ax,
n-к
= \хп - хп_£ |. Оценка разности отсчетов
сигнала определяет крутизну нарастания реального сигнала в зависимости от величины шага дискретизации, что дает возможность оценивать скачки сигнала более адекватно в каждом отсчете сигнала. Функция принадлежности разности отсчетов будет определяться выражением
Ц ( Axn-к ) = max [цр ( Axn-к ) >Цр (Axn - к )],
(3)
где цр (Дхп-£) - функция принадлежности непоявления скачка сигнала на отсчете хп-£ интервала в; Др (Дхп-£) - функция принадлежности появления скачка сигнала на отсчете хп-£ интервала в . Функции принадлежности цр (Ьхп-£) * Цр (Ахп-£) и их пересечение непустое (Ахп-£ ) п цр (дхп-£) ф , что иллюстрируется рис. 2. В соответствии с (3), чем меньше разность отсчетов Ахп-к, тем меньше возможность появления скачка уровня
x
0
n
======================================Известия вузов России. Радиоэлектроника. 2004. Вып. 3
сигнала на отсчете Хп-к . Решение о регистрации скачка уровня сигнала на отсчете хп-к принимается по условию р (Ахп-к ) > р (Ах о ) с определенной долей риска. С учетом (3) оценка значения отсчетов сигнала имеет следующий вид:
N
^ =
£ {тт [Ц (хп-к ), Ц (^п-к )]} хп-к
к=-N
п N
Е т1П [Ц (хп-к ), Ц (Ахп-к )] к=-N
(4)
Для нерекурсивного цифрового фильтра математическая модель (1) с учетом (4) преобразуется в выражение
(5)
N
У (пТ) = X Ъка [(п - к) Т].
к=0
По выражениям (2)-(5) разработан алгоритм цифровой фильтрации сигналов и проведено его моделирование в программной среде МЛТЬЛВ. В частности, построена модель нечеткого цифрового фильтра, а также получены обучающие сигналы и сигналы, которые необходимо обработать. При этом были промоделированы реакции фильтра при воздействии на него импульсных и непрерывных сигналов.
Алгоритм (рис. 3) имеет силу, если рассчитаны значения функции принадлежности. Однако для реальных сигналов функция принадлежности обычно бывает неопределена. Как известно [3], [4], существует множество методов построения функции принадлежности, а выбор того или иного метода определяется содержанием априорной информации о сигнале, требуемой точностью (достоверностью) получения конечного результата и квалификацией экспертов. При этом основной задачей адаптивного фильтра является подстройка весовых коэффициентов, при которой оптимизируется определенный критерий эффективности. Функции принадлежности модели найдены авторами статьи с помощью обучающих сигналов методом минимизации среднеквадратической ошибки. После этого модель фильтра применялась для обработки сигналов с наложенным на них аддитивным шумом от встроенного источника системы МЛТЬЛВ.
На рис. 4, а и 5, а представлены обучающие сигналы, использующиеся для регулирования величины функции принадлежности, а на рис. 4, б и 5, б - сигналы, обрабатываемые нечетким фильтром, оптимизиро- 3
О 100 200 300 400 п 0 100 200 300 400 и
б б Рис. 4 Рис. 5
ванным обучающими сигналами. Для сопоставления результатов взяты те же формы сигналов, которые опубликованы в работе [2]. Параметры сигналов и фильтра заданы в относительных единицах.
В ходе исследования были получены новые результаты идентификации сигналов. В таблице представлены значения оценки среднеквадратической погрешности идентификации сигналов, искаженных гауссовским шумом с нулевым математическим ожиданием и мощностью 0.01.
Сигнал Фильтр
Усредняющий SC-TC SF-TC SF-TF SF-TF-V
Среднеквадратическая погрешность идентификации
Импульсный 0.0133 0.0028 0.0022 0.0020 0.0019
Непрерывный 0.0035 0.0034 0.0028 0.0024 0.0023
Фильтры SC-TC, SF-TF и SF-TC (см. таблицу) заимствованы из работы [2]. Для сравнения приведены данные для усредняющего фильтра. Фильтр, использующий предложенную в данной статье оценку значения отсчета сигнала, обозначен SF-TF-V, так как нечеткое группирование значений сигнала (разности между отсчетами) и положения отсчетов во времени дополнен нечетким группированием конкретного значения отсчета сигнала. Соответственно, к обозначению SF-TF добавлена латинская буква V (от английского слова value - значение, величина). Все фильтры, кроме усредняющего, оптимизированы обучающими сигналами. Обучающий сигнал подобран так, чтобы его характеристики были подобны характеристикам обрабатываемого сигнала, т. е. для импульсного сигнала используется импульсный обучающий сигнал, а для непрерывного сигнала - непрерывный. Для обучения фильтра, т. е. нахождения функции принадлежности, был использован градиентный метод минимизации среднеквадратической ошибки выходного сигнала фильтра [5], [6]. Все значения в таблице найдены по выборке объемом 500 отсчетов обрабатываемого сигнала. На рис. 6 и 7 представлены формы функции принадлежности импульсного сигнала с применением ступенчатой аппроксимации. Рис. 6 иллюстрирует функцию принадлежности значения отсчетов. На рис. 7 показана функция принадлежности разности отсчетов р (Axn-к ) при к = ±1, ± 2, ± 3, ± 4.
В синтезированной модели фильтра используются стандартные блоки библиотеки Simulink, позволяющие организовать выполнение различных математических операций и
6
Ц
_ '-1
L
0.6
1.0
1.4 1.8 Рис. 6
2.2
xn-k
необходимую задержку сигнала. Модель (рис. 8) представляет собой цифровой нечеткий фильтр, который производит взве- 0.5
шенное усреднение отсчетов сигнала со- _Г
гласно выражению (2). Вес отсчетов соответствует значениям функции принадлежности (см. рис. 6, 7). Для упрощения структуры модели блоки вычисления весовых коэффициентов объединены в подсистемы. Как видно из рис. 9, в них вычисляется значение Axn-к = \xn - xn-, которое затем подается
на вход блока Matlab Function. Этот блок выдает на выход значение функции принадлежности, которая была задана программно в виде файла-функции (М-файла). ц ц ц ц
к = ±1 к = ±2 к = ±3
0.5 -
0.5
0.5
k = ±4
0.5 -
0.6
0.6
Рис. 7
Вес конкретного значения отсчета сигнала определяется по тому же принципу с той лишь разницей, что в этом случае значение Ахп-к не вычисляется, а вместо него используется хп-к (см. рис. 7). Все подсистемы вычисления весовых коэффициентов имеют аналогичную структуру. Интервал дискретизации сигналов взят равным одному шагу модельного времени.
Вход
щ
Mxn+4
Subí
xn+3
Г
Mxn+3
Sub2
X
Product2
Productí
xn+2
Mxn
Sub4
Г
Mxn+2
"Ur
X
Sub3
Product3
xn+1
Mxn+1
X
Product4
Sub5
X
Product5
1 z
Mxn-1
xn-1
Sub6
xn-2
Mxn-2
Sub7
xn-3
С
Mxn-3
JT
Product7
Sub8
xn-4
Г
Mxn-4
Sum1
Product6
Product8
"Ur
Sum2
Вых.
Product10
Sub9
Product9
Рис. 8
0
0
xn xn-k
xn xn-k
X
X
X
X
X
X
xn-4
Abs
MATLAB Function
И ( xn+4 )
Рис. 9
Из таблицы можно видеть, что наилучшими характеристиками обладает фильтр, использующий предложенную в данной работе оценку значения отсчета сигнала. На рис. 10, а и 11, a представлены виды обрабатываемых сигналов при наличии аддитивного шума, а на рис. 10, б-е и 11, б-е - виды выходных сигналов пяти типов фильтров в соответствии с таблицей. Выходные сигналы фильтра SC-TC (рис. 10, в и 11, в) содержат шумовую составляющую, что свидетельствует о недостаточной эффективности четкой кластеризации. Также можно наблюдать, что нечеткое группирование значений отсчетов сигналов позволяет снизить шум без искажения формы сигнала, в то время как усредняющий фильтр (рис. 10, б и 11, б) искажает эти формы. Результаты обработки исходного сигнала при отсутствии шума визуально не отличается от него и практически совпадают с рис. 4, б и 5, б.
Таким образом, в статье рассмотрен один из подходов цифровой фильтрации, который может быть применен в случае, когда имеющаяся информация о характеристиках и параметрах сигнала является неполной с точки зрения исследователя. Проведенное машинное моделирование продемонстрировало, что изложенная оценка позволяет значительно улучшить характеристики фильтра по сравнению с существующими аналогами. В частности, достигнуто
кn-k
100
200 300 400
Уп-k
2 -
100
Усредняющий фильтр
200
300
400
Уп-k
100
Фильтр SC-TC
200
300
400
yn-k
ЛО
100
Фильтр SF-TC
200
300
400
yn-k
AI
100
Фильтр SF-TF
200
300
400
yn-k
Л1
100
Фильтр SF-TF-V
200
300
400
Рис. 10
2
1
1
0
0
n
n
б
а
2
2
1
1
0
0
n
n
в
г
2
2
1
1
0
0
n
n
д
е
xn-k
yn-k
Усредняющий фильтр
100
200
300
400
100
200 300 б
yn-k
Фильтр SC-TC yn-k
400
Фильтр SF-TC
100
200 300 400
yn-k
Фильтр SF-TF yn-k
1 -
0
100 200 300 400 n
г
Фильтр SF-TF-V
100
200
300
400
1 -
О
100
200
300
400
д
Рис. 11
снижение среднеквадратической погрешности идентификации сигналов в пределах от 5 до 14% по отношению к нечетким фильтрам, рассмотренным в [2]. Предложенный фильтр снижает среднеквадратическую погрешность в семь раз по сравнению с усредняющим фильтром.
Библиографический список
1. Цифровые фильтры в электросвязи и радиотехнике / А. В. Брунченко, Ю. Т. Бутыльский, Л. М. Голь-денберг и др; Под ред. Л. М. Гольденберга. М.: Радио и связь, 1982. 224 с.
2.Arakawa K., Arakawa Y. Digital signal processing using clustering for nonstationary signal // Proc. of Int. Fuzzy Engineering Symposium (IFES-91). Yokohama. 13-15 November 1991. Japan: Fuzzy Engineering toward. Human Friendly Systems, 1991. Vol. 2. P. 877-888.
3. Бычков Е. Д. Диагностирование и распознавание состояний сложных цифровых систем, функционирующих в нечеткой (fuzzy) среде // Приложение теории нечетких (fuzzy) множеств в математических моделях систем связи. Исследования и материалы: Прил. к журн. "Омский научный вестник". Омск: ОГМА, 2000. С. 97-186.
4. Бычков Е. Д. Дистанционное диагностирование цифровых устройств при нечетких условиях // Исследование элементов сетей связи и узлов электрической связи: Сб. науч. тр. / ТашГТУ. Ташкент, 1991. С. 30-33.
5. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Радио и связь, 1989. 440 с.
6. Adaptive Noise Cancelling: Principles and Applications / B. Widrow, J. R. Glover-Jr., J. M. McCool et al. // Proc. IEEE. 1975. Vol. 63, № 12. P. 1692-1716.
1
1
0
0
n
n
a
1
1
0
0
n
в
n
n
e
J. M. Veshkurtsev, E. D. Bychkov, D. A. Titov
Omsk state technical university
Application of the Fuzzy Sets Theory in a Digital Filtring of Casual Signals
The algorithm of a digital filtering of non-stationary casual signals is developed, which statistical performances are not known and are replaced by an information about a training signal obtained with the help of the theory of fuzzy sets. The outcomes of simulation of a fuzzy digital filter are indicated.
Non-stationary casual signal, digital filter, fuzzy filter, algorithm of digital filtering, training of the digital
filter, training signal, membership function
Статья поступила в редакцию 22 января 2004 г.