Адаптивная фильтрация квазигармонических помех в информационно-измерительных системах с время-импульсным преобразованием

• Автор: Бордюков, Антон Геннадьевич
• Шифр специальности: 05.11.16
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Санкт-Петербург
• Количество страниц: 199 с. : ил.

Оглавление
Введение

Глава 1. Состояние вопроса и постановка задачи исследования

1.1. Постановка задачи и решаемые вопросы

1.2. Модели сигналов и помех

1.3. Обзор методов фильтрации, позволяющих повысить эффективность время-импульсного преобразования в условиях квазигармонических и случайных помех

1.4. Выбор метода спектрального анализа

1.5. Методы получения спектра сигнала, основанные на дискретном преобразовании Фурье

1.6. Выбор цифрового фильтра для минимизации влияния квазигармонических помех

1.7. Основные результаты по главе

Глава 2. Алгоритм обнаружения квазигармонических составляющих

2.1. Влияние параметров окна на обнаружение квазигармонических составляющих
2.2. Влияние фазового сдвига на обнаружение квазигармонических составляющих
2.3. Алгоритм обнаружения квазигармонических составляющих
2.4. Определение основных параметров алгоритма обнаружения: пороговое значение Х0 и величина перехода ДА
2.5. Определение основных параметров обнаружения: объем выборки N
2.6. Оценка быстродействия алгоритма обнаружения
2.7. Основные результаты по главе
Глава 3. Разработка и анализ алгоритмов адаптивной фильтрации квазигармонических помех
3.1. Оценка влияния идеальной фильтрации на полезный сигнал
3.2. Определение схемы допусков фильтра
3.3. Алгоритм адаптивной фильтрации
3.4. Оценка быстродействия разработанного алгоритма адаптивной
фильтрации
3.5. Основные результаты по главе
Глава 4. Имитационное моделирование и рекомендации по практической реализации метода адаптивной фильтрации
4.1. Обобщенная схема работы системы
4.2. Проверка аналитических результатов методами имитационного
моделирования
4.3. Оценка эффективности адаптивной фильтрации методами
имитационного моделирования
4.4. Аппаратная реализация алгоритма адаптивной фильтрации на
различных аппаратных платформах
4.5. Основные результаты по главе
Заключение
Список литературы
ПРИЛОЖЕНИЕ 1. Обзор и выбор методов спектрального анализа
ПРИЛОЖЕНИЕ 2. Основные параметры частотных окон и их влияние на обнаружение гармонических составляющих

Введение
В информационно-измерительных системах (ИИС) большое влияние на результаты измерений, кроме шумовых сигналов, оказывают
квазигармонические помехи. Такие помехи возникают вследствие
зашумленности эфира различными электромагнитными сигналами,
перекрёстных' искажений от соседних каналов, отражений радиолокационных сигналов от волновой поверхности моря, наводок на измерительные цепи от источников питания и других причин. Достаточно большой класс таких помех может быть представлен в виде гармонических сигналов с неизвестными частотой и амплитудой или в виде суперпозиции таких сигналов. Более того, параметры таких сигналов нередко являются переменными во времени. Всё это оказывает ощутимое влияние на точность и достоверность результатов измерений.
Для ИИС, работающих в натуральном масштабе времени, важной представляется возможность, во-первых, оценивать текущие характеристики влияющих помех и, во-вторых, оперативно (адаптивно) применять согласованные методы борьбы с такими помехами. Очевидно, реализация соответствующих алгоритмов в ИИС приведет к повышению эффективности ее работы.
В литературных источниках, содержащих сведения о возможных способах борьбы с такими помехами, мало внимания уделено совместному решению указанных задач. Так книги по теории обнаружения сигналов Г. Ван Триса [11], Б.Р. Левина [16], П.С. Акимова [4], В.И. Тихонова [22] в основном рассматривают вопросы построения систем обнаружения сигналов на фоне стационарных помех с известными характеристиками, тогда как вопросу оценки параметров шума уделено недостаточное внимание. В работе Левина приведена методика оценки амплитуды и начальной фазы гармонического сигнала на фоне аддитивного шума, которая может быть использована для

х(и2А, тсхПУ) ГIV0 «ч IV' к
Х(п2) = х(1 + л22 А', тос1Л') , А = П7° ГУЩ К
х(А -1 + пгЫх тосШ) ш° - *1 <Н) ... <н>!_
В результате такой замены число комплексных операций для алгоритма Винограда можно вычислить по следующим формулам [19]:
0и{Ю = П0нФ,),

Оа(Ы) = Оа(Н1)К2..Лг+Ом(М1)Оа(М2)М
Отметим, что число сложений зависит от порядка выполнения коротких БПФ. Чем меньше величина (Ом(М,)-Н,)/01), тем раньше рекомендуется рассчитывать ДПФ. Выполнение данного правила позволит минимизировать число сложений.
АВПФ обеспечивает наименьшее число нетривиальных умножений среди всех известных методов получения ДПФ и при этом наиболее сложную структуру, что ведет к дополнительным операциям на перераспределение информации в памяти и в результате не позволяет добиться большего быстродействия, нежели алгоритм разделенных оснований. Алгоритм не позволяет получить регулярную структуру, поэтому с ростом N размер программы увеличивается.
Выделим общие черты данного класса алгоритмов. АВПФ и алгоритм простых оснований при N>512 имеют число сложений несколько большее, чем у алгоритма разделенных оснований, но значительно меньшее число умножений. Алгоритмы позволяют уменьшить число сложений за счет добавления дополнительных умножений, что делает их достаточно гибкими и позволяет подбирать число сложений и умножений так, чтобы удовлетворить требования конкретной реализации. При расчете ДПФ алгоритмы линейной фильтрации требуют дополнительные объемы памяти для хранения промежуточных результатов расчета. С другой стороны данные алгоритмы