Цифровой способ обработки сигнала

Цифровая обработка сигналов

Цифровая обработка сигналов – это метод обработки информации, основанный на определенной последовательности с установленным периодом дискретизации.

Цифровыми называют сигналы, представленные с учетом уровневого и временного квантования. Такие сигналы широко применяются в самых разных отраслях и видах современной техники.

Основы и задачи цифровой обработки сигналов

Основой для предварительной обработки сигналов являются процедуры быстрых дискретных ортогональных преобразований, которые реализуются в различных функциональных базисах, процедуры линейной и нелинейной фильтрации, линейной алгебры.

Самая главная задача обработки – это устранение помех и шумов. Решить эту задачу в полной мере можно только в том случае, если сигнал поступает избыточный с точно определенными параметрами.

В результате необходимо обеспечить правильный прием сигнала. Чем больше поступает полезного сигнала и чем меньше помех, тем больше вероятность выполнить задачу качественно.

К основным задачам цифровой обработке сигнала относится:

• спектральный анализ;
• линейная фильтрация;
• свертка традиционных типов;
• частотно-временной анализ;
• нелинейная обработка;
• адаптивная фильтрация;
• многоскоростная обработка;
• секционная свертка.

Цифровая обработка используется в таких отраслях, как:

• самолетостроение, оборонные системы, космическое оборудование;
• электроника для автомобилей;
• осветительные системы;
• мобильная, стационарная связь, интернет-телефония и прочее;
• электронные приборы и устройства для дома;
• медицинское оборудование;
• измерительные и прочие приборы;
• системы управления;
• средства для обеспечения безопасности.

Методы, алгоритмы и практический подход при цифровой обработке сигналов

При цифровой обработке сигналов используются различные методы, востребованность которых сегодня гораздо выше, чем у применявшихся ранее аналоговых методов.

В основе большинства методов лежит применение DSP-процессоров. Эти импульсные цифровые устройства обеспечивают качественную обработку сигналов и объединяются в дискретные управляющие системы.

Методы и алгоритмы, которые применяются в цифровой обработке постоянно усовершенствуются.

Цифровая обработка имеет ряд преимуществ:

• обработка сигнала проводится с точностью от 75% и выше;
• дестабилизирующие факторы сводятся к минимуму;
• обработка информации может производиться программными средствами.

Простая настройка и применение специальных алгоритмов для обработки сигналов существенно повышают эффективность и производительность работы.

Системы и процессоры цифровой обработки сигнала

Для обработки цифровых сигналов используются специальные процессоры. Процессоры представляют собой особый класс микропроцессоров, которые разработаны специально для работы с ЦОС, то есть анализа изображений, звуков, речи, цветов, проведение спектрального анализа и других операций. Подобные устройства называют DSP или ЦСП, то есть цифровыми сигнальными процессорами.

Первые DSP появились еще в семидесятых годах прошлого века. Благодаря развитию технологий, распространению мобильной связи и интернета, введением множества других инноваций, процессоры для работы с цифровыми сигналами становятся все более востребованы.

Возрастает мощность, увеличиваются возможности устройств. При этом стоимость процессоров постепенно снижается. Современные методы и технологии позволяют сделать процессоры для работы с цифровой обработкой сигнала более доступными.

Примеры применения цифровой обработки сигналов

Цифровая обработка сигналов окружает нас в повседневной жизни каждый день. Результаты использования этой обработки видит каждый, но даже не догадывается, какие сложные расчеты используются для осуществления многих привычных вещей.

В качестве примеров использований ЦОС можно привести:

• системы шумоподавления для аудиозаписей и видео;
• обработка изображений – выравнивание степени освещенности, анти-алиасинг, наложение псевдотонирования;
• разнообразные художественные эффекты и способы улучшения эстетических качеств изображений, фотографий и прочее;
• восстановительные работы над изображениями;
• компрессия изображений;
• поиск определенных фрагментов на графических файлах.

Чаще всего обработка сигналов цифровым способом используется в области графики, но звук также можно очищать от шумов при помощи ЦОС, делая его более четким и правильным.

Компании, обслуживающие системы цифровой обработки сигнала

В области цифровой обработки сигналов работают многие компании.

Среди российских предприятий можно выделить такие предприятия, как:

• научно-исследовательский центр «Нейроинформатика», разрабатывающий оборудование и программное обеспечение для интегрированных систем безопасности и цифрового видеонаблюдения;
• АО НПЦ «Электронные вычислительно-информационные системы» (АО НПЦ «ЭЛВИС»), являющиеся одним из ведущих центров проектирования микросхем в стране;
• АО «НИИЭТ» (Научно-исследовательский институт электронной техники) – это производитель электронных компонентов и одна из старейших отечественных школ разработки электронной техники.

Все эти предприятия позволяют обеспечить всех качественной связью и надежными технологиями.

Больше о цифровой обработке сигналов: методах, применении, примерах; можно узнать на ежегодной выставке «Связь».

Источник

Курс лекций «Основы цифровой обработки сигналов»

Часто ко мне обращаются люди с вопросами по задачам из области цифровой обработки сигналов (ЦОС). Я подробно рассказываю нюансы, подсказываю нужные источники информации. Но всем слушателям, как показало время, не хватает практических задач и примеров в процессе познания этой области. В связи с этим я решил написать краткий интерактивный курс по цифровой обработке сигналов и выложить его в открытый доступ.

Большая часть обучающего материала для наглядного и интерактивного представления реализована с использованием Jupyter Notebook. Предполагается, что читатель имеет базовые знания из области высшей математики, а также немного владеет языком программирования Python.

Список лекций

Этот курс содержит материалы в виде законченных лекций по разным тематикам из области цифровой обработки сигналов. Материалы представлены с использованием библиотек на языке Python (пакеты numpy, scipy, matplotlib, и т.д.). Основная информация для этого курса взята из моих лекций, которые я, будучи аспирантом, читал студентам Московского Энергетического Института (НИУ МЭИ). Частично информация из этих лекций была использована на обучающих семинарах в Центре Современной Электроники, где я выступал в качестве лектора. Кроме того, в этот материал входит перевод различных научных статей, компиляция информации из достоверных источников и литературы по тематике цифровой обработки сигналов, а также официальная документация по прикладным пакетам и встроенным функциям библиотек scipy и numpy языка Python.

Для пользователей MATLAB (GNU Octave) освоение материала с точки зрения программного кода не составит труда, поскольку основные функции и их атрибуты во многом идентичны и схожи с методами из Python-библиотек.

Все материалы сгруппированы по основным тематикам цифровой обработки сигналов:

1. Сигналы: аналоговые, дискретные, цифровые. Z-преобразование,
2. Преобразование Фурье: амплитудный и фазовый сигнала, ДПФ и БПФ,
3. Свертка и корреляция. Линейная и циклическая свертка. Быстрая свёртка,
4. Случайные процессы. Белый шум. Функция плотности вероятностей,
5. Детерминированные сигналы. Модуляция: АМ, ЧМ, ФМ, ЛЧМ. Манипуляция,
6. Фильтрация сигналов: БИХ, КИХ фильтры,
7. Оконные функции в задачах фильтрации. Детектирование слабых сигналов,
8. Ресемплинг: децимация и интерполяция. CIC-фильтры, фильтры скользящего среднего,
9. Непараметрические методы спектрального анализа,
10. Усреднение по частоте и по времени. Полифазный БПФ.

Список лекций — достаточный но, разумеется, неполный для вводного знакомства с областью ЦОС. При наличии свободного времени я планирую поддерживать и развивать этот проект.

Где найти?

Все материалы — абсолютно бесплатны и доступны в виде открытого репозитория на моем гитхабе как opensource проект. Материалы представлены в двух форматах — в виде тетрадок Jupyter Notebook для интерактивной работы, изучения и редактирования, и в виде скомпилированных из этих тетрадок HTML-файлов (после скачивания с гитхаба имеют вполне пригодный формат для чтения и для печати).

Ниже приводится очень краткое описание разделов курса с небольшими пояснениями, терминами и определениями. Основная информация доступна в исходных лекциях, здесь представлен лишь краткий обзор!

Сигналы. Z-преобразование

Вводный раздел, в котором содержится основная информация по типам сигналов. Вводится понятие дискретной последовательности, дельта-функции и функции Хевисайда (единичный скачок).

Все сигналы по способу представления на множестве можно разделить на четыре группы:

• аналоговые — описываются непрерывными во времени функциями,
• дискретные — прерываются во времени с шагом заданным дискретизации,
• квантованные — имеют набор конечных уровней (как правило, по амплитуде),
• цифровые — комбинация свойств дискретных и квантованных сигналов.

Для правильного восстановления аналогового сигнала из цифрового без искажений и потерь используется теорема отсчетов, известная как Теорема Котельникова (Найквиста-Шеннона).

Любой непрерывный сигнал с ограниченным спектром может быть восстановлен однозначно и без потерь по своим дискретным отсчетам, взятым с частотой строго больше удвоенной верхней частоты спектра непрерывного сигнала.

Такая трактовка справедлива при условии, что непрерывная функция времени занимает полосу частот от 0 до значения верхней частоты. Если шаг квантования и дискретизации выбраны неправильно, преобразование сигнала из аналоговой формы в дискретную будет происходить с искажениями.

Также в этом разделе описывается Z-преобразование и его свойства, показывается представление дискретных последовательностей в Z-форме.

Пример конечной дискретной последовательности:
.
Пример этой же последовательности в Z-форме:

X(z) = 2 + z -1 — 2z -2 + 2z -4 + 3z -5 + 1z -6

Преобразование Фурье. Свойства. ДПФ и БПФ

В этом разделе описывается понятие временной и частотной области сигнала. Вводится определение дискретного преобразования Фурье (ДПФ). Рассмотрены прямое и обратное ДПФ, их основные свойства. Показан переход от ДПФ к алгоритму быстрого преобразования Фурье (БПФ) по основанию 2 (алгоритмы децимации по частоте и по времени). Отражена эффективность БПФ в сравнении с ДПФ.

В частности, в этом разделе описывается Python пакет scipy.ffpack для вычисления различных преобразований Фурье (синусное, косинусное, прямое, обратное, многомерное, вещественное).

Преобразование Фурье позволяет представить любую функцию в виде набора гармонических сигналов! Преобразование Фурье лежит в основе методов свертки и проектировании цифровых корреляторов, активно применяется при спектральном анализе, используется при работе с длинными числами.

Особенности спектров дискретных сигналов:
1. Спектральная плотность дискретного сигнала – периодическая функция с периодом, равным частоте дискретизации.
2. Если дискретная последовательность вещественная, то модуль спектральной плотности такой последовательности есть четная функция, а аргумент – нечетная функция частоты.

Спектр гармонического сигнала:

Сравнение эффективности ДПФ и БПФ

Эффективность алгоритма БПФ и количество выполняемых операций линейно зависит от длины последовательности N:

N	ДПФ		БПФ		Отношение числа комплексных сложений	Отношение числа комплексных умножений
	Число операций умножения	Число операций сложения	Число операций умножения	Число операций сложения
2	4	2	1	2	4	1
4	16	12	4	8	4	1.5
8	64	56	12	24	5.3	2.3
16	256	240	32	64	8	3.75
32	1024	992	80	160	12.8	6.2
64	4096	4032	192	384	21.3	10.5
128	16384	16256	448	896	36.6	18.1
.	.	.	.	.	.	.
4096	16777216	16773120	24576	49152	683	341
8192	67108864	67100672	53248	106496	1260	630

Как видно, чем больше длина преобразования, тем больше экономия вычислительных ресурсов (по скорости обработки или количеству аппаратных блоков)!

Любой сигнал произвольной формы можно представить в виде набора гармонических сигналов разных частот. Иными словами, сигнал сложной формы во временной области имеет набор комплексных отсчетов в частотной области, которые называются *гармоники*. Эти отсчеты выражают амплитуду и фазу гармонического воздействия на определенной частоте. Чем больше набор гармоник в частотной области, тем точнее представляется сигнал сложной формы.

Свертка и корреляция

В этом разделе вводится понятие корреляции и свертки для дискретных случайных и детерминированных последовательностей. Показана связь автокорреляционной и взаимнокорреляционной функций со сверткой. Описываются свойства свертки, в частности, рассмотрены методы линейной и циклической свертки дискретного сигнала с подробным разбором на примере дискретной последовательности. Кроме того, показан метод вычисления «быстрой» свертки с помощью алгоритмов БПФ.

В реальных задачах часто ставится вопрос о степени похожести одного процесса на другой или же о независимости одного процесса от другого. Иными словами, требуется определить взаимосвязь между сигналами, то есть найти корреляцию. Методы корреляции используются в широком диапазоне задач: поиск сигналов, компьютерное зрение и обработка изображений, в задачах радиолокации для определения характеристик целей и определения расстояния до объекта. Кроме того, с помощью корреляции производится поиск слабых сигналов в шумах.

Свертка описывает взаимодействие сигналов между собой. Если один из сигналов — импульсная характеристика фильтра, то свертка входной последовательности с импульсной характеристикой есть ни что иное, как реакция цепи на входное воздействие. Иными словами, результирующий сигнал отражает прохождение сигнала через фильтр.

Автокорреляционная функция (АКФ) находит применение в кодировании информации. Выбор кодирующей последовательности по параметрам длины, частоты и формы во многом обусловлен корреляционными свойствами этой последовательности. Наилучшая кодовая последовательность обладает наименьшим значением вероятности ложного обнаружения или срабатывания (для детектирования сигналов, для пороговых устройств) или ложной синхронизации (для передачи и приема кодовых последовательностей).

В этом разделе представлена таблица сравнения эффективности быстрой свертки и свертки, вычисляемой по прямой формуле (по числу вещественных умножений).

Как видно, для длин БПФ до 64, быстрая свёртка проигрывает у прямого метода. Однако, при увеличении длины БПФ результаты меняются в обратную сторону — быстрая свертка начинает выигрывать у прямого метода. Очевидно, чем больше длина БПФ, тем лучше выигрыш частотного метода.

N	Свертка	Быстрая свертка	Отношение
8	64	448	0.14
16	256	1088	0.24
32	1024	2560	0.4
64	4096	5888	0.7
128	16K	13312	1.23
.	.	..	.
2048	4M	311296	13.5

Случайные сигналы и шум

В этом разделе вводится понятие случайных сигналов, плотности распределения вероятностей, закона распределения случайной величины. Рассматриваются математические моменты — среднее (математическое ожидание) и дисперсия (или корень этой величины — среднеквадратическое отклонение). Также в этом разделе рассматривается нормальное распределение и связанное с ним понятие белого шума, как основного источника шумов (помех) при обработке сигналов.

Случайным сигналом называют функцию времени, значения которой заранее неизвестны и могут быть предсказаны лишь с некоторой вероятностью. К основным характеристикам случайных сигналов относятся:

• закон распределения (относительное время пребывания значения сигнала в определенном интервале),
• спектральное распределение мощности сигнала.

В задачах ЦОС случайные сигналы делятся на два класса:

• шумы — беспорядочные колебания, состоящие из набора разных частот и амплитуд,
• сигналы, несущие информацию, для обработки которых требуется прибегать к вероятностным методам.

С помощью случайных величин можно моделировать воздействие реальной среды на прохождение сигнала от источника к приёмнику данных. При прохождении сигнала через какое-то шумящее звено, к сигналу добавляется так называемый белый шум. Как правило, спектральная плотность такого шума равномерно (одинаково) распределена на всех частотах, а значения шума во временной области распределены нормально (Гауссовский закон распределения). Поскольку белый шум физически добавляется к амплитудам сигнала в выбранные отсчеты времени, он называется аддитивный белый гауссовский шум (AWGN — Additive white Gaussian noise).

Сигналы, модуляция и манипуляция

В этом разделе показаны основные способы изменения одного или нескольких параметров гармонического сигнала. Вводятся понятия амплитудной, частотной и фазовой модуляции. В частности, выделяется линейная частотная модуляция, применяемая в задачах радиолокации. Показаны основные характеристики сигналов, спектры модулированных сигналов в зависимости от параметров модуляции.

Для удобства на языке Python создан набор функций, осуществляющих перечисленные виды модуляции. Пример реализации ЛЧМ-сигнала:

Также в этом разделе из теории передачи дискретных сообщений описаны виды цифровой модуляции — манипуляции. Как и в случае с аналоговыми сигналами, цифровые гармонические последовательности могут быть манипулированы по амплитуде, фазе и частоте (либо по нескольким параметрам сразу).

Цифровые фильтры — БИХ и КИХ

Достаточно большой раздел, посвященный вопросам цифровой фильтрации дискретных последовательностей. В задачах цифровой обработки сигналов данные проходят через цепи, которые называются фильтрами. Цифровые фильтры, как и аналоговые, обладают различными характеристиками — частотные: АЧХ, ФЧХ, временная: импульсная характеристика, а также передаточная характеристика фильтра. Цифровые фильтры используются в основном для улучшения качества сигнала — для выделения сигнала из последовательности данных, либо для ухудшения нежелательных сигналов — для подавления определенных сигналов в приходящих последовательностях отсчетов.

В разделе перечислены основные преимущества и недостатки цифровых фильтров (в сравнении с аналоговыми). Вводится понятие импульсной и передаточной характеристик фильтра. Рассматривается два класса фильтров — с бесконечной импульсной характеристикой (БИХ) и конечной импульсной характеристикой (КИХ). Показан способ проектирования фильтров по канонической и прямой форме. Для КИХ фильтров рассматривается вопрос о способе перехода к рекурсивной форме.

Для КИХ фильтров показан процесс проектирования фильтра от стадии разработки технического задания (с указанием основных параметров), до программной и аппаратной реализации — поиска коэффициентов фильтра (с учетом формы представления числа, разрядности данных и т.д.). Вводятся определения симметричных КИХ фильтров, линейной ФЧХ и её связи с понятием групповой задержки.

Оконные функции в задачах фильтрации

Чем сильнее подавление боковых лепестков спектра, тем шире главный лепесток спектра и наоборот.

Одно из применений оконных функций: обнаружение слабых сигналов на фоне более сильных путём подавления уровня боковых лепестков. Основные оконные функции в задачах ЦОС — **треугольное, синусоидальное, окно Ланцоша, Ханна, Хэмминга, Блэкмана, Харриса, Блэкмана-Харриса, окно с плоской вершиной, окно Наталла, Гаусса, Кайзера** и множество других. Большая часть из них выражена через конечный ряд путём суммирования гармонических сигналов с определенными весовыми коэффициентами. Такие сигналы отлично реализуются на практике на любых аппаратных устройствах (программируемые логические схемы или сигнальные процессоры).

Ресемплинг. Децимация и интерполяция

В этом разделе рассматриваются вопросы многоскоростной обработки сигналов — изменения частоты дискретизации. Многоскоростная обработка сигналов (multirate processing) предполагает, что в процессе линейного преобразования цифровых сигналов возможно изменение частоты дискретизации в сторону уменьшения или увеличения, либо в дробное число раз. Это приводит к более эффективной обработке сигналов, так как открывается возможность использования минимально допустимых частот дискретизации и, как следствие, значительного уменьшения требуемой вычислительной производительности проектируемой цифровой системы.

Децимация (прореживание) – понижение частоты дискретизации. Интерполяция – повышение частоты дискретизации.

Также в разделе рассматривается класс однородных КИХ фильтров, которые называются интегрально-гребенчатыми фильтрами (CIC, Cascaded integrator–comb). Показана реализация, основные свойства и особенности CIC фильтров. В силу линейности математических операций, происходящих в CIC фильтре возможно каскадное соединение нескольких фильтров подряд, что дает пропорциональное уменьшение уровня боковых лепестков, но также увеличивает «завал» главного лепестка амплитудно-частотной характеристики.

График АЧХ фильтра в зависимости от коэффициента децимации:

Также в этом разделе обсуждается вопрос увеличения разрядности данных на выходе CIC фильтра в зависимости от его параметров. Это особенно важно в задачах программной реализации, в частности на ПЛИС.

Для практической реализации CIC фильтров на Python разработан отдельный класс CicFilter, реализующий методы децимации и интерполяции. Также показаны примеры изменения частоты дискретизации с помощью встроенных методов из scipy пакета Python.

Наконец, в этом разделе приведен особый класс фильтров — скользящего среднего. Показано три способа реализации: через свертку сигналов, с помощью КИХ-фильтра и БИХ-фильтра.

Заключение

Надеюсь, этот курс лекций в совокупности с моими предыдущими статьями по цифровой обработке сигналов на ПЛИС принесет практическую пользу и поможет читателю лучше понять основы цифровой обработки сигналов. Этот проект будет улучшаться и дополняться новым полезным и не менее интересным материалом. Следите за развитием!

Дополнительно к этому материалу я поддерживаю и развиваю свой проект по основным модулям ЦОС (на языке Python). Он содержит пакет генерации различных сигналов, класс CIC фильтров для задач децимации и интерполяции, алгоритм расчета коэффициентов корректирующего КИХ-фильтра, фильтр скользящего среднего, алгоритм вычисления сверх-длинного БПФ через методы двумерного преобразования (последнее очень пригодилось в работе при аппаратной реализации на ПЛИС).

UPD: 20.04.2020

В курс добавлено две лекции:

1. Непараметрические методы спектрального анализа (Владимир Фадеев)
2. Усреднение по частоте и по времени. Полифазный БПФ.

Источник