diff --git a/content-ukraine/cyclostationary.rst b/content-ukraine/cyclostationary.rst index 5a34c53c..1041ca07 100644 --- a/content-ukraine/cyclostationary.rst +++ b/content-ukraine/cyclostationary.rst @@ -577,32 +577,32 @@ SCF — не єдиний спосіб виявляти для сигналу й Спробуйте цей метод на своїх синтизованих чи записаних сигналах — він дуже корисний і поза межами CSP. ********************************* -Функція спектральної когерентності (COH) +Функція спектральної когерентності (Spectral Coherence Function COH) ********************************* *Коротко: функція спектральної когерентності — це нормалізована версія SCF, яка в деяких випадках є кориснішою за звичайну SCF.* -Ще одна міра циклічно-стаціонарності, що в багатьох випадках може дати більше інформації, ніж «сире» SCF, — це функція спектральної когерентності (COH). COH нормалізує SCF так, що результат лежить у діапазоні від -1 до 1 (ми розглядатимемо модуль, тобто 0–1). Це корисно, адже із результату вилучається інформація про спектр потужності сигналу, яку містить «сире» SCF. Нормалізація залишає лише впливи циклічної кореляції. +Ще однією мірою циклостаціонарності, яка в багатьох випадках може бути більш інформативною, ніж «необробленій» SCF, є спектральна функція когерентності (Spectral Coherence Function, COH). COH отримують шляхом нормалізації SCF таким чином, що результат лежить у межах від −1 до 1 (хоча надалі ми розглядатимемо модуль, який знаходиться в діапазоні від 0 до 1). Це корисно, оскільки COH відокремлює інформацію про циклостаціонарні властивості сигналу від інформації про його спектр потужності, обидві з яких присутні в необробленій SCF. Завдяки нормалізації вплив спектра потужності усувається, і в результаті залишаються лише ефекти циклічної кореляції. -Щоб краще зрозуміти COH, згадаємо `коефіцієнт кореляції `_ зі статистики. Коефіцієнт кореляції :math:`\rho_{X,Y}` вимірює зв’язок між двома випадковими величинами :math:`X` і :math:`Y` у діапазоні -1…1. Він визначається як ковариація, поділена на добуток стандартних відхилень: +Щоб краще зрозуміти COH, згадаємо що таке `коефіцієнт кореляції `_ зі статистики. Коефіцієнт кореляції :math:`\rho_{X,Y}` вимірює зв’язок між двома випадковими величинами :math:`X` і :math:`Y` у діапазоні -1…1. Він визначається як ковариація, поділена на добуток стандартних відхилень: .. math:: \rho_{X,Y} = \frac{E[(X-\mu_X)(Y-\mu_Y)]}{\sigma_X \sigma_Y} -COH розширює цю концепцію на спектральну кореляцію: він оцінює, наскільки PSD сигналу на одній частоті пов’язана з PSD того самого сигналу на іншій частоті. Ці дві частоти — це частотні зсуви, які ми застосовуємо під час обчислення SCF. Щоб обчислити COH, спершу обчислюємо SCF (позначимо його :math:`S_X(f,\alpha)`), а потім нормалізуємо, поділивши на добуток двох зсунених PSD, аналогічно до поділу на добуток стандартних відхилень: +COH позширює цю концепцію на спектральну кореляцію: він оцінює, наскільки PSD сигналу на одній частоті пов’язана з PSD того самого сигналу на іншій частоті. Ці дві частоти — це частотні зсуви, які ми застосовуємо під час обчислення SCF. Щоб обчислити COH, спершу обчислюємо SCF (позначимо його :math:`S_X(f,\alpha)`), а потім нормалізуємо, поділивши на добуток двох зсунених PSD, аналогічно до поділу на добуток стандартних відхилень: .. math:: \rho = C_x(f, \alpha) = \frac{S_X(f,\alpha)}{\sqrt{C_x^0(f + \alpha/2) C_x^0(f - \alpha/2)}} -Знаменник — ключовий новий елемент: :math:`C_x^0(f + \alpha/2)` та :math:`C_x^0(f - \alpha/2)` — це PSD, зсунуті на :math:`\alpha/2` та :math:`-\alpha/2`. Іншими словами, SCF — це крос-спектральна густина (спектр потужності з двома вхідними сигналами), а нормувальні члени в знаменнику — автоспектральні густини (спектри потужності для одного сигналу). +Знаменник це ключовий новий елемент: :math:`C_x^0(f + \alpha/2)` та :math:`C_x^0(f - \alpha/2)` — це просто PSD, зсунуті на :math:`\alpha/2` та :math:`-\alpha/2`. Іншими словами, SCF — це крос-спектральна густина (спектр потужності з двома вхідними сигналами), а нормувальні члени в знаменнику — автоспектральні густини (спектри потужності для одного вхідного сигналу). -Застосуймо це до нашого коду, зокрема до SCF, обчисленого методом FSM. Оскільки FSM виконує усереднення в частотній області, ми вже маємо :math:`C_x^0(f + \alpha/2)` та :math:`C_x^0(f - \alpha/2)`, які в коді відповідають :code:`np.roll(X, -shift)` та :code:`np.roll(X, shift)`, адже :code:`X` — це FFT сигналу. Тож залишилось перемножити їх, взяти корінь і поділити зріз SCF на цей результат (зверніть увагу, що це відбувається всередині циклу за :math:`\alpha`): +Застосуймо це в нашому коді для отримання, зокрема до SCF, обчисленого методом FSM. Оскільки FSM виконує усереднення в частотній області, ми вже маємо :math:`C_x^0(f + \alpha/2)` та :math:`C_x^0(f - \alpha/2)`, рядки які в коді відповідають за це обчислиння :code:`np.roll(X, -shift)` та :code:`np.roll(X, shift)`, адже :code:`X` — це FFT сигналу. Тож залишилось перемножити їх, взяти корінь і поділити зріз SCF на цей результат (зверніть увагу, що це відбувається всередині циклу по :math:`\alpha`): .. code-block:: python COH_slice = SCF_slice / np.sqrt(np.roll(X, -shift) * np.roll(X, shift)) -Нарешті повторимо згортку та проріджування, як і для SCF: +Після чого повторимо згортку та проріджування, як і для фінального нарізання SCF: .. code-block:: python @@ -653,21 +653,21 @@ COH розширює цю концепцію на спектральну кор -Обчислимо COH (та звичайну SCF) для прямокутного BPSK із 20 відліками на символ і частотним зсувом 0.2 Гц: +Тепер обчислимо COH (а також звичайну SCF) для прямокутного BPSK із 20 відліками на символ і частотним зсувом 0.2 Гц: .. image:: ../_images/scf_coherence.svg :align: center :target: ../_images/scf_coherence.svg :alt: SCF і COH прямокутного сигналу BPSK із 20 відліками на символ і зсувом 0.2 Гц -Бачимо, що в COH значно виразніші високі значення :math:`\alpha`, ніж у SCF. Якщо запустити той самий код для BPSK із формуванням імпульсу, різниця буде не такою помітною: +Бачимо, що порівняно з SCF в COH значно виразніші високі значення :math:`\alpha`. Якщо запустити той самий код для BPSK із формуванням імпульсу, різниця буде не такою помітною: .. image:: ../_images/scf_coherence_pulse_shaped.svg :align: center :target: ../_images/scf_coherence_pulse_shaped.svg :alt: SCF і COH сигналу BPSK з формуванням імпульсу, 20 відліків на символ, зсув 0.2 Гц -Спробуйте обчислити SCF і COH для вашої задачі, щоб визначити, який варіант підходить краще! +Спробуйте обчислити SCF і COH для вашої задачі, щоб визначити, який варіант вам підходить краще! ********** Спряжені варіанти @@ -679,7 +679,7 @@ COH розширює цю концепцію на спектральну кор R_x(\tau,\alpha) = \lim_{T\rightarrow\infty} \frac{1}{T} \int_{-T/2}^{T/2} x(t + \tau/2)x^*(t - \tau/2)e^{-j2\pi \alpha t}dt \\ S_X(f,\alpha) = \lim_{T\rightarrow\infty} \frac{1}{T} \lim_{U\rightarrow\infty} \frac{1}{U} \int_{-U/2}^{U/2} X(t,f + \alpha/2) X^*(t,f - \alpha/2) dt -Однак існує альтернативна форма CAF і SCF без спряження. Їх називають *спряженою CAF* та *спряженою SCF*. Назва трохи заплутана, але головне пам’ятати, що існує «звичайна» версія CAF/SCF і спряжена версія. Спряжені варіанти дозволяють отримати більше інформації із сигналу, але не завжди потрібні залежно від ситуації. Визначення спряжених функцій: +Однак існує альтернативна форма знаходження CAF і SCF без спряження. Ці форми відповідно називають *спряженою CAF* та *спряженою SCF*. Назва трохи заплутає, але головне пам’ятати, що існує «звичайна» версія CAF/SCF і спряжена версія. Спряжені варіанти дозволяють отримати більше інформації із сигналу, але залежно від ситуації не завжди потрібні. Визначення спряжених функцій наступне: .. math:: R_{x^*}(\tau,\alpha) = \lim_{T\rightarrow\infty} \frac{1}{T} \int_{-T/2}^{T/2} x(t + \tau/2)x(t - \tau/2)e^{-j2\pi \alpha t}dt \\ @@ -692,21 +692,21 @@ COH розширює цю концепцію на спектральну кор .. math:: y(t) = x_I(t) \cos(2\pi f_c t + \phi) + x_Q(t) \sin(2\pi f_c t + \phi) -де :math:`x_I(t)` та :math:`x_Q(t)` — відповідно інфазна та квадратурна компоненти сигналу, тобто IQ-відліки, які ми обробляємо на базовій частоті. +де :math:`x_I(t)` та :math:`x_Q(t)` — відповідно інфазна та квадратурна компоненти сигналу, тобто IQ-відліки немодульованого сигналу, який ми обробляємо за допомогою СSP. Використовуючи формулу Ейлера :math:`e^{jx} = \cos(x) + j \sin(x)`, перепишемо вище наведений вираз через комплексні експоненти: .. math:: y(t) = \frac{x_I(t) - j x_Q(t)}{2} e^{j 2\pi f_c t + j \phi} + \frac{x_I(t) + j x_Q(t)}{2} e^{-j 2\pi f_c t - j \phi} -Можемо представити реальний сигнал :math:`y(t)` через комплексну огинаючу :math:`z(t)`, припускаючи, що смуга сигналу значно вужча за несучу :math:`f_c`, що типовою для RF-застосувань: +Можемо представити реальний сигнал :math:`y(t)` через комплексну огинаючу :math:`z(t)`, припускаючи, що смуга сигналу значно вужча за несучу :math:`f_c`, що типово для радіо-сигналів: .. math:: y(t) = z(t) e^{j 2 \pi f_c t + j \phi} + z^*(t) e^{-j 2 \pi f_c t - j \phi} -Це називається комплексно-базовим представленням. +Це називається комплексним представленням немодульованого сигналу (complex-baseband representation). -Повернімося до CAF і спробуймо обчислити «лаговий добуток», тобто частину :math:`x(t + \tau/2) x(t - \tau/2)`: +Повернімося до CAF і спробуймо обчислити «добуток затримок», тобто частину :math:`x(t + \tau/2) x(t - \tau/2)`: .. math:: \left(z(t + \tau/2) e^{j 2 \pi f_c (t + \tau/2) + j \phi} + z^*(t + \tau/2) e^{-j 2 \pi f_c (t + \tau/2) - j \phi}\right) \times \\ @@ -722,18 +722,18 @@ COH розширює цю концепцію на спектральну кор Виявляється, що перший та четвертий доданки по суті несуть однакову інформацію, як і другий із третім. Тож залишаються дві справді важливі комбінації — зі спряженням і без нього. Підсумовуючи: щоб отримати всю статистичну інформацію зі :math:`y(t)`, потрібно розглянути всі комбінації спряжених та неспряжених членів. -Щоб реалізувати спряжену SCF методом FSM, потрібно зробити ще один крок понад просте видалення :code:`conj()`, адже ми беремо один великий FFT і усереднюємо в частотній області. Існує властивість перетворення Фур’є: комплексне спряження у часовій області відповідає перевернутому й спряженому спектру: +Щоб реалізувати спряжену SCF методом FSM, потрібно зробити ще один крок окрім простого видалення :code:`conj()`, адже ми беремо один великий FFT і потім усереднюємо в частотній області. Існує властивість перетворення Фур’є: комплексне спряження у часовій області відповідає перевернутому й спряженому спектру: .. math:: x^*(t) \leftrightarrow X^*(-f) -Оскільки в звичайній SCF ми вже брали комплексне спряження другого множника (пригадайте код :code:`SCF_slice = np.roll(X, -shift) * np.conj(np.roll(X, shift))`), при додатковому спряженні воно просто зникає, і залишається таке: +Оскільки при обчислеині звичайного SCF ми вже брали комплексне спряження другого множника (пригадайте код :code:`SCF_slice = np.roll(X, -shift) * np.conj(np.roll(X, shift))`), то при додатковому спряженні воно просто зникає, і залишається наступне: .. code-block:: python SCF_slice = np.roll(X, -shift) * np.flip(np.roll(X, -shift - 1)) -Зверніть увагу на доданий :code:`np.flip()` та те, що зсув :code:`roll()` відбувається в протилежному напрямку. Повна реалізація FSM для спряженої SCF виглядає так: +Зверніть увагу на доданий :code:`np.flip()` та те, що зсув :code:`roll()` відбувається в протилежному напрямку. Повна реалізація FSM для спряженої SCF виглядає наступним чином: .. code-block:: python @@ -758,7 +758,7 @@ COH розширює цю концепцію на спектральну кор plt.ylabel('Cyclic Frequency [Normalized Hz]') plt.show() -Ще одна важлива відмінність спряженої SCF — необхідність обчислювати :math:`\alpha` у діапазоні від -1 до +1, тоді як у звичайній SCF ми використовували 0.0–0.5 через симетрію. Ви зрозумієте чому, коли побачите приклади спряженої SCF. +Ще одна важлива відмінність спряженої SCF — це необхідність обчислювати :math:`\alpha` у діапазоні від -1 до +1, тоді як у звичайній SCF ми використовували 0.0–0.5 через симетрію. Ви побачите, чому саме так, на практиці, коли почнемо розглядати спряжену SCF для сигналів прикладів. Що ж нам дає спряжена SCF? Для початку подивімося на спряжену SCF нашого базового прямокутного BPSK із 20 відліками на символ (циклічна частота 0.05 Гц) і частотним зсувом 0.2 Гц: @@ -767,12 +767,12 @@ COH розширює цю концепцію на спектральну кор :target: ../_images/scf_conj_rect_bpsk.svg :alt: Спряжена SCF прямокутного BPSK, обчислена методом FSM -Головний висновок: у спряженій SCF з’являються піки на циклічній частоті +/- **подвійний** зсув несучої, позначимо його :math:`f_c`. На осі частоти вони зосереджені навколо 0 Гц, а не :math:`f_c`. У нашому прикладі :math:`f_c = 0.2` Гц, тож спостерігаємо піки на 0.4 +/- 0.05 Гц. Якщо запам’ятати щось одне про спряжену SCF, то це таке співвідношення: +Головний висновок: у спряженій SCF з’являються піки з'являються на циклічній частоті +/- **подвійний** зсув несучої, який ми позначимо як :math:`f_c`. На осі частоти спряжена SCF зосереджена навколо 0 Гц, а не :math:`f_c`. У нашому прикладі :math:`f_c = 0.2` Гц, тож спостерігаємо піки на 0.4 +/- 0.05 Гц. Основне запам’ятати про спряжену SCF те, що піки знаходяться на: .. math:: 2f_c \pm \alpha -Розгляньмо BPSK із формуванням імпульсу з тими ж параметрами (зсув 0.2 Гц, 20 відліків на символ, roll-off 0.3): +Розгляньмо BPSK із формуванням імпульсу з тими ж параметрами (зсув 0.2 Гц, 20 відліків на символ, з коефіцієнтом згасання roll-off 0.3): .. image:: ../_images/scf_conj_pulseshaped_bpsk.svg :align: center @@ -788,7 +788,7 @@ COH розширює цю концепцію на спектральну кор :target: ../_images/scf_conj_rect_qpsk.svg :alt: Спряжена SCF прямокутного QPSK, обчислена методом FSM -Спершу може здатися, що в коді помилка, але погляньте на кольорову шкалу — вона показує, які значення відповідають кольорам. Якщо використовувати :code:`plt.imshow()` зі стандартним масштабуванням, треба пам’ятати, що кольори (у нас — від фіолетового до жовтого) завжди масштабуються від мінімального до максимального значення вхідного 2D-масиву. У випадку спряженої SCF QPSK весь результат дуже малий, адже *піки відсутні*. Ось той самий результат, але зі шкалою, як у попередніх прикладах BPSK: +Спершу може здатися, що в коді помилка, але погляньте на кольорову шкалу — вона показує, які значення відповідають яким кольорам. Якщо використовувати :code:`plt.imshow()` зі стандартним масштабуванням, треба пам’ятати, що кольори (у нас — від фіолетового до жовтого) завжди масштабуються від мінімального до максимального значення вхідного 2D-масиву. У випадку спряженої SCF QPSK весь результат дуже малий, адже *піки відсутні*. Ось той самий результат, але зі шкалою, як у попередніх прикладах з BPSK: .. image:: ../_images/scf_conj_rect_qpsk_scaled.svg :align: center @@ -797,7 +797,7 @@ COH розширює цю концепцію на спектральну кор Зверніть увагу на діапазон кольорової шкали. -Спряжена SCF для QPSK, а також для PSK та QAM вищих порядків, фактично дорівнює нулю/шуму. Це означає, що спряжену SCF можна використати для виявлення сигналів BPSK (наприклад, чипової послідовності в DSSS), навіть якщо одночасно присутні численні сигнали QPSK/QAM. Дуже потужний інструмент у наборі CSP! +Спряжена SCF для QPSK, а також для PSK та QAM вищих порядків, фактично дорівнює нулю або шуму. Це означає, що спряжену SCF можна використати для виявлення сигналів BPSK (наприклад, чипової послідовності в DSSS), навіть якщо одночасно присутні численні сигнали QPSK/QAM. Це дуже потужний інструмент CSP! Розгляньмо спряжену SCF для сценарію з трьома сигналами, який ми використовували раніше: @@ -810,7 +810,7 @@ COH розширює цю концепцію на спектральну кор :target: ../_images/scf_conj_multiple_signals.svg :alt: Спряжена SCF трьох сигналів, обчислена методом FSM -Бачимо обидва сигнали BPSK, а сигнал QPSK не проявляється — інакше ми б побачили пік на :math:`\alpha = 0.65` та 0.15 Гц. Якщо придивитися, видно піки на 0.4 +/- 0.05 Гц і -0.2 +/- 0.05 Гц. +Бачимо обидва сигнали BPSK, а сигнал QPSK не проявляється — інакше ми б побачили пік на :math:`\alpha = 0.65` та 0.15 Гц. Якщо придивитися при збільшені, видно піки на 0.4 +/- 0.05 Гц і -0.2 +/- 0.05 Гц. ******************************** Метод накопичення FFT (FAM)