Модульная структуризация устройств обработки сигналов для телекоммуникационных систем

• Автор: Акчурин, Эдуард Александрович
• Шифр специальности: 05.12.13
• Научная степень: Докторская
• Год защиты: 2002
• Место защиты: Самара
• Количество страниц: 370 с. : ил

ВВЕДЕНИЕ

Развитие телекоммуникационных систем и сетей неразрывно связано с ускорением разработки и снижением стоимости устройств обработки сигналов (УОС), повышением эффективности обработки сигналов в них. УОС строится на основе аналоговой обработки сигналов (АОС), цифровой обработки сигналов (ЦОС) или смешанной аналогово-цифровой обработки сигналов (АЦОС).
АОС как техническое направление существует в течение всего развития электронной техники. ЦОС же, как новое техническое направление, сформировалось 30 лет назад. Этому предшествовали успехи в области теории связи, микроэлектроники и вычислительной техники. Прогресс в обработке сигналов во многом связан с достижениями в области микроэлектроники, позволившими создать средства ЦОС, обладающие высоким быстродействием, малыми габаритами, весом и энергопотреблением. С использованием ЦОС можно создать устройства с характеристиками, не достижимыми при использовании АОС.

Широкое и многообразное применение ЦОС обусловлено рядом преимуществ перед АОС:

■ более высокой точностью обработки по сложным алгоритмам,

■ гибкой и оперативной перестройкой алгоритмов обработки, обеспечивающей создание многорежимных устройств и адаптивных систем,

• высокой технологичностью изготовления и автоматизации эксплуатации устройств,

■ высокой степенью совпадения и повторяемости характеристик реализованных устройств с расчетными характеристиками,
■ возможностью построения развивающихся, интеллектуальных систем, способных к реконфигурации, поиску и обнаружению неисправностей,

■ большими возможностями автоматизации проектирования,

■ высокой степенью совпадения результатов моделирования на ЭВМ с физическим экспериментом,
* высокостабильными эксплуатационными характеристиками устройств.
На основе ЦОС принципиально можно выполнить любую обработку сигнала, если она может быть формализована. Есть примеры УОС, где ЦОС является безальтернативной. Вместе с тем ЦОС по сравнению с АОС имеет и существенные недостатки:
■ меньшую ширину спектра обрабатываемых сигналов,
■ дополнительные погрешности, искажения и шумы, возникающие в АЦП и ЦАП,
■ превращение узкополосных сигналов в широкополосные при дискретизации,
■ в ряде случаев худшие массогабаритные и энергетические показатели,
■ меньший динамический диапазон обрабатываемых сигналов.
Указанные недостатки ЦОС по мере развития микроэлектроники постепенно устраняются. Можно ожидать, что доля ЦОС при работе с аналоговыми сигналами будет все время возрастать. Однако следует отметить и то, что успехи, достигнутые от применения ЦОС, необоснованно привели в последние годы к стремлению совсем отказаться от АОС при синтезе У ОС. В частности не получили надлежащего развития работы Пухова [20] в области квазианалоговых электронных цепей, использующих совместно ЦОС и АОС. Конечно же АОС в ряде областей до сих пор сохраняет свои достоинства и может успешно применяться. В ряде случаев массо габаритные, энергетические и стоимостные показатели У ОС при применении ЦОС хуже, чем при использовании АОС. Например, трансверсальный фильтр высокого порядка, использующий АОС в компоненте с поверхностными акустическими волнами, эффективнее фильтра с ЦОС.
Для оптимального синтеза УОС целесообразно разумно сочетать АОС и ЦОС на разных этапах обработки. Это позволяет разрабатывать устройства, работающие с аналоговыми и цифровьми входными и/или выходными сигналами, использующие АОС и ЦОС в оптимальном сочетании для получения наилучших технологических, технических, эксплуатационных и потребительских характеристик. Таким образом, оптимальный вариант методологии обработки сигналов - это АЦОС.
На пути внедрения АЦОС не полностью решены вопросы оптимизации методов проектирования, основанных на структурировании программ и использовании взаимных преобразований форматов сигналов. При разработке алгоритма обработки аналогового сигнала нет разумного распределения обязанностей между узлами АОС и ЦОС. Оптимальный выбор этого соотношения позволяет существенно улучшить все показатели устройства обработки. Большая часть известных алгоритмов ЦОС получена путем цифровой или компьютерной реализации известных аналоговых приемов. Мало используется прямой синтез устройства ЦОС по уравнению его состояния.
Для часто выполняемых процедур ЦОС значительный выигрыш получается при использовании сопроцессоров, реализуемых на СБИС, которые не требуют программирования. Например, так может быть реализован высокоизбирательный нерекурсивный цифровой фильтр.
Для уменьшения программных затрат на реализацию алгоритмов ЦОС плодотворной являются разработка элементов ЦОС, выполняющих одновременно несколько функций (например, деление частоты и стабилизацию амплитуды гармонического сигнала).
Сфера применения АЦОС непрерывно расширяется. Это радиосвязь (в том числе космическая и мобильная), радио-, гидро- и звуколокация, телеметрия, анализ спектров, обнаруже-

ние сигналов на фоне помех, адаптивная коррекция каналов связи, адаптивная компенсация помех, анализ и синтез речи, радиовещание, телевидение, цифровой синтез частот, цифровые методы измерений, обработка сигналов в геологоразведке, сейсмологии, системах мониторинга за состоянием окружающей среды и технических средств, медицине и т.д. Теория и применение АЦОС охватывают различные направления. В их развитие большой вклад внесли отечественные и зарубежные ученые.
Математические основы обработки сигналов, пригодные для анализа УОС как с ЦОС, так и с АОС, базируются на фундаментальных исследованиях Фурье, Лапласа, Котельникова и развиты в работах Цыпкина [1], Финка [25], Голда [33], Ахмеда [55], Оппенгейма [42], Игнатьева [56], Цикина [59], Макса [68], Гоноровского [87], Залманзона [113] и других.
В области цифровой фильтрации и анализа спектров следует отметить работы Фланагана [22], Голда и Рейдера [33], Кайзера [33], Рабинера [38], Оппенгейма [53], Хемминга [54], Шафера [42], Каппелини, Константинидиса и Эмилиани [62], Антонью [67], Высоцкого [70], Гольденберга, Матюшкина и Поляка [83] и других. Огромное значение в реализации форматных преобразований в базисе Фурье имела разработка Кули и Тьюки алгоритмов быстрого преобразования Фурье [38, 55]. Важные исследования в области вейвлетных преобразований сделали Добеши [111], Морле [135], Мейер [127].
В разработку теории и новых алгоритмов, основанных на ЦОС, большой вклад внесли Котельников, Финк [25], Витерби [27], Форни [34], Окунев [45], Цикин [59], Макклеллан и Вайноград [64], Тузов [85], Банкет [105], Николаев [110], Зюко и Кловский [143]и другие.
В разработку теории и создание устройств с ЦОС значительный вклад внесли Цыпкин [1], Стивенсон [28], Пелед и Лиу [43], Макклеллан, Хуанг и Нуссбаумер [64], Хуанг [69], Высоцкий [70], Остапенко [72], Иванова [95], Ланнэ [101], Макаров [103], Тяжев [124], Жодзиш-ский [122] и другие. В теоретические и экспериментальные исследования систем фазовой синхронизации (СФС), цифровых синтезаторов частот и цифровых методов измерений большой вклад внесли Шахгильдян, Ляховкин, Белюстина, Карякин и другие [46].
В области сравнительной оценки УОС и определения вычислительной сложности алгоритмов отметим работы Ахо, Хопркрофта и Ульмана [44]. В разработку теории и методов реализации адаптивных устройств ЦОС большой вклад внесли Грант и Коуэн [106], Курицын [107], Уидроу [115] и другие.
Решение задач синтеза оптимальных по программным и аппаратным затратам УОС с заданными качественными показателями во многом сдерживаются трудоемкостью подготовки программного обеспечения (ПО). Особое значение в условиях жесткой конкуренции в областях интеллектуальных технологий имеет создание готового продукта в ограниченное время.
Рис. 2.7. ДПФ сигнала суммы двух лучей
2.4.4. Косинусное преобразование
Дискретное преобразование Фурье при большом объеме выборки требует больших затрат времени на расчеты. В некоторых скоростных приложениях (сжатие звуковых или видео данных с потерями) используется упрощенный вариант преобразования Фурье - косинусное преобразование. При этом во входном сигнале обнаруживаются только косинусные компоненты. Это приводит к ошибкам (синусные компоненты вообще не видны), но во многих случаях они внешне мало заметны.
Типичный пример использования дискретного косинусного преобразования - системы сжатия статических изображений в стандарте JPEG.
2.4.5. Оконное преобразование Фурье
Для преодоления отмеченного недостатка Фурье преобразования можно использовать оконное ДПФ [135]. При оконном ДПФ область анализа разбивается на части (в данном примере протяженностью в один ЭС). ДПФ выполняется для каждой части с использованием оконного ДПФ

S(i, f ) = | у (t) • w(t - т) • exp(-j • © • t)dt.
где w(t - т) - функция окна в комплексно-сопряженной форме, т - позиция окна.
Из всей выборки отсчетов с помощью оконной функции формируются подобласти, для которых ДПФ вычисляется индивидуально. Простейшая оконная функция - прямоугольная. В каждом окне для каждой анализируемой частотной компоненты делается оценка по модулю. Результаты, полученные для отдельных окон, объединяются путем суммирования или выбора максимального по модулю. В ЧД с оконным ДПФ вероятность ошибки дискриминации частот из-за вычитания вклада побочного луча ослабляется, так как спектры вычисляются в сущности для каждого луча отдельно.