Изучение измерительных информационных систем для анализа стохастических процессов (на примере анализатора СК4-72)

Страницы работы

8 страниц (Word-файл)

Содержание работы

Лабораторная работа  № 3

Изучение измерительных информационных систем для анализа стохастических процессов (на примере анализатора СК4-72)

5 курс 8 группа

8 вариант

Задачи:

1.  Смоделировать процедуру вычисления спектральных характеристик методом фильтрации с использованием гетеродина;

2.  Изучить функциональную схему и органы управления анализатора с временной компрессией СК4-72.

3.  Смоделировать процедуру вычисления спектральных характеристик методом фильтрации с использованием гетеродина;

Ход выполнения:

1. Использование различных окон для оценки амплитуды гармонической составляющей

Спектр плотности мощности гармонического сигнала (fs= 300, Fd= 980) оценивался методом периодограмм с использованием окна Хэмминга и прямоугольного окна различных длин.


2. Моделирование методов оценки спектра

Стационарный сигнал


Меандр


Свип сигнал


Проверка мощностей:

Сигнал

Суммарная мощность процесса

мощность из оценки методом периодограмм

мощность из оценки по теореме Винера-Хинчина

мощность из оценки методом фильтрации

Гармонический сигнал

0.500051

0.496124

0.498312

0.590090

Меандр

1.000102

0.992248

1.249604

1.197128

Свип сигнал

0.508985

0.504597

0.860099

0.571562

Выводы: Наиболее узкие пики дает метод, основанный на теореме Винера-Хинчина, хотя из-за сложности в получении точной спектральной оценки, он дает ошибку в суммарной мощности. Наиболее точные данные по суммарной мощности дает метод периодограмм.

Полученные графики отчетливо показывают, что анализировать нестационарные сигналы данными методами неэффективно: необходимо либо рассматривать спектр мощности очень коротких кусков сигнала (что негативно отразится на разрешающей способности) либо использовать вейвлет преобразования.

Для реализации метода фильтрации в реальном времени можно уменьшать порог обнаруживаемых сигналов. Для этого нужно прореживать сигнал по частоте. Второй вариант реализации метода фильтрации в реальном времени - использовать одновременно несколько каналов. Количество каналов выбирается по числу частотных областей.


Код программы:

clc;

clear;

Fd=980;

fs=300;

% другие постоянные

T=10;% время длинного процесса

N=T*Fd;%количество отсчетов

time=(0:N-1)/Fd; % вектор моментов времени осчетов

twinmach=0.2; % длительность окна, дающее разрешение попадающее на fs

nwinmach=twinmach*Fd; % количество отсчетов для этого окна

twinpass=300/9800; % длительность окна, когда fs попадет между отсчетами

nwinpass=twinpass*Fd; % количество отсчетов для этого окна

% создадим сигналы

nsignals=3; % количество сигналов

allsignals=zeros(nsignals,N);

% гармонический сигнал

allsignals(1,:)=sin(2*pi*fs*time);

names{1}='Гармонический сигнал';

%периодический - меандр

allsignals(2,:)=square(2*pi*fs*time);

names{2}='Меандр';

%непериодический - свип

K=-fs/T*2;% за время Т частота пройдет через 0 и опять востановится

allsignals(3,:)=sin(fs*time+K/2*(time.^2));

names{3}='Свип сигнал';

%найдем мощности сигналов

means(1)=mean(sin(2*pi*fs*time));

means(2)=mean(square(2*pi*fs*time));

means(3)=mean(sin(fs*time+K/2*(time.^2)));

vars(1)=cov(sin(2*pi*fs*time));

powers(1)=means(1).^2+vars(1);

vars(2)=cov(square(2*pi*fs*time));

powers(2)=means(2).^2+vars(2);

vars(3)=cov(sin(fs*time+K/2*(time.^2)));

powers(3)=means(3).^2+vars(3);

% оценка гармонического сигнала с разными окнами

windows{1}=hanning(nwinmach);

winnames{1}='Окно Хэмминга,интервал кратный T сигнала;';

windows{2}=hanning(nwinpass);

winnames{2}='Окно Хэмминга,некратный T сигнала';

windows{3}=rectwin(nwinmach);

winnames{3}='Прямоугольное окно,интервал кратный T;';

windows{4}=rectwin(nwinpass);

winnames{4}='  Прямоугольное окно,некратный T сигнала';

for i=1:4

subplot(2,2,i);

[pow freq]=pwelch(allsignals(1,:),windows{i},[],[],Fd);

plot(freq,10*log(pow));

title(winnames{i})

xlabel('Частота,Гц');

ylabel('СПМ, дБ/Гц');

grid on;

end;

figure;

[corr lags]=xcorr(allsignals(1,1:nwinmach/4),'unbiased');

plot(lags/Fd,corr);

title('Корреляционная функция');

xlabel('Время, с');

ylabel(' Амплитуда^2');

grid on;

figure;

[corr lags]=xcorr(allsignals(2,1:nwinmach/4),'unbiased');

plot(lags/Fd,corr);

title('Корреляционная функция');

xlabel('Время, с');

ylabel(' Амплитуда^2');

grid on;

figure;

[corr lags]=xcorr(allsignals(3,1:nwinmach*6),'unbiased');

plot(lags/Fd,corr);

title('Корреляционная функция');

xlabel('Время, с');

ylabel(' Амплитуда^2');

grid on;

% оценка различных методов получения спектральных характеристик

for i=1:nsignals

figure;

subplot(2,2,1);

plot(time(1:nwinmach/2),allsignals(i,1:nwinmach/2));

title(names{i});

xlabel('Время, с');

ylabel(' Амплитуда');

grid on;

% Оценка методом периодограмм

[powspec freq]=pwelch(allsignals(i,:),nwinmach,[],[],Fd);

subplot(2,2,2)

plot(freq,10*log(powspec));

title('СПМ, метод периодограмм');

xlabel('Частота,Гц');

ylabel('СПМ, дБ/Гц');

grid on;

% Оценка по теореме Винера-Хинчина

[corr lags]=xcorr(allsignals(i,1:nwinmach),'unbiased');

powercor=fft(corr)/(2*nwinmach-1)/Fd*length(corr);

subplot(2,2,3);

plot(0:1/2/twinmach:Fd/2-1,10*log(abs(real(powercor(1:nwinmach)))));

title('СПМ, теорема Винера-Хинчина');

xlabel('Частота,Гц');

ylabel('СПМ, дБ/Гц');

grid on;

% оценка методом фильтрации

nchunks=40;

chunksize=N/nchunks;

freqband=Fd/2/nchunks;

powerfilt=zeros(1,nchunks);

for j=1:nchunks

chunk=allsignals(i,(1:chunksize)+(j-1)*chunksize);

heterodin=cos(2*pi*(j-1)*freqband*time(1:chunksize));

signal=chunk.*heterodin;

power=pwelch(signal,[],[],[],Fd);

freqbandsize=floor(length(power)/nchunks);

powerfilt(j)=sum(power(1:freqbandsize));

end;

subplot(2,2,4);

plot(0:freqband:Fd/2-freqband,10*log(powerfilt));

title('СПМ, метод фильтрации');

xlabel('Частота,Гц');

ylabel('СПМ, дБ/Гц');

grid on;

fprintf('%s: Суммарная мощность процесса (  sig2 + m2): %f; мощность из оценки методом периодограмм: %f; \n',names{i},powers(i),sum(powspec)*Fd/2/length(powspec));

fprintf('мощность из оценки по теореме Винера-Хинчина %f; методом фильтрации: %f\n',sum(abs(real(powercor(1:nwinmach))))*Fd/2/nwinmach,sum(powerfilt)*freqband);

end;

Похожие материалы

Информация о работе

Тип:
Отчеты по лабораторным работам
Размер файла:
148 Kb
Скачали:
0