Ранговый критерий обнаружения сигнала ЛЧМ-ионозонда

Размещено на http://www.allbest.ru/

Ранговый критерий обнаружения сигнала ЛЧМ-ионозонда

А.Е. Недопекин

Аннотация

В работе рассмотрена задача обнаружения многомодового сигнала ЛЧМ-ионозонда в частотной области с учетом локальных свойств анализируемой выборки. Предложенный критерий использует скользящее окно с вычислением ранга для каждого его положения, позволяет осуществлять обнаружение слабых мод. Проведенные имитационное моделирование и апробация на экспериментальных данных показали приемлемый уровень ошибок.

Ключевые слова: неопределенность; ионосфера; обнаружение сигнала; частотная область; ранговый критерий.

The paper considers the problem of detecting a multimode chirp-ionosonde signal in the frequency domain, taking into account the local properties of the analyzed sample. The proposed criterion uses a sliding window with the calculation of the rank for each of its position, allows the detection of weak modes. Conducted simulation and testing on experimental data. The criterion showed an acceptable level of errors.

Keywords: uncertainty; ionosphere; signal detection; frequency domain; rank criterion.

Введение

Для исследований ионосферы и мониторинга состояния декаметровых радиоканалов в настоящее время широко применяются ионозонды с линейно-частотной модуляцией (ЛЧМ). Они обладают хорошей электромагнитной совместимостью, малой потребляемой мощностью, позволяют осуществлять непрерывное зондирование в широком частотном диапазоне [1]. При ионосферном зондировании принимаемый сигнал обладает дискретной и диффузной многолучевостью, которые обусловлены многоскачковым распространением в волноводе земля-ионосфера и свойствами случайно-неоднородной среды распространения. В [2] указывается на априорную непараметрическую неопределенность, наблюдаемую при обработке сигнала в частотной области, что вызвано, помимо свойств среды, прохождение через множество узко- и широкополосных каналов с сигналами неизвестной частотно-временной структуры.

С радиофизической точки зрения непредсказуемость статистических свойств принятого многолучевого сигнала полезна, поскольку позволяет выявлять неизвестные свойства канала. Для автоматического выделения сигнала в частотной области уже давно применяется подход, основанный на обнаружении в амплитудном спектре сигнала аномальных отсчетов [3]. При этом существует проблема наиболее полного выделения сигнала, так как отсчеты, принадлежащие частотному уширению сильных мод, и отсчеты слабых мод выделяются с потерями. В [4] рассмотрено выделение аномальных отсчетов по выборке с повышенным «контрастом» данных, однако это улучшает выделение отсчетов из уширения, а слабые моды по-прежнему могут быть потеряны.

Цель работы -- разработка метода, способного выделять сигнал слабых ионосферных мод ЛЧМ-сигнала в частотном спектре.

Обнаружение мод

Принятый сигнал ионосферного распространения сжимается в частотной области путем умножения на сигнал, комплексно-сопряженный с излученным сигналом ЛЧМ-ионозонда. Затем происходит фильтрация низких частот, в итоге все моды занимают диапазон в несколько сотен герц, их частота пропорциональна времени группового запаздывания. Сигнал оцифровывается и записывается в аудиофайл одного из стандартных форматов. Обработка производится элементами анализа определенной длительности (например, по 1 с) с произвольным сдвигом элементов относительно друг друга. Амплитудный спектр сигнала называется ионограммой (рисунок 1).

Рис. 1. Пример ионограммы, автоматически сгенерированной приемным комплексом

Для выделения сигнала используется подход, основанный на том, что амплитудный спектр мощности, полученный по оцифрованному элементу анализа, поступившего с приемника после когерентной обработки, описывается суммой двух распределений с различными параметрами и весовыми коэффициентами [3]. Функцию плотности вероятностей смеси сигнала и шума в спектральной области можно представить как сумму двух законов (или двух смесей законов):

, (1)

где -- плотность, соответствующая шуму, а -- плотность, соответствующая сигналу. Параметры и весовые коэффициенты (доля в общей генеральной совокупности) значительно отличаются, причём , а (). Внешний вид распределения при ненулевом напоминает распределения с «длинными» хвостами, широко применяемые при анализе процессов с памятью, самоподобных процессов. Однако в случае анализа спектров отдельных элементов анализа автором установлено, что их показатель Херста не превосходит 0,5, что соответствует случайным процессам. Радиус автоковариации на уровне 0,5 для спектральных выборок обычно не превосходит 10 отсчетов. В отсутствие ощутимых сосредоточенных помех распределение одинаково хорошо описывается распределением Вейбулла с коэффициентом масштаба равным 1 и переменным коэффициентом формы как при отсутствии, так и при наличии полезного сигнала [5].

В ряде работ, например, в [3] выделение отсчетов полезного сигнала представляется как задача разделения смеси (1) при помощи критериев тестирования выборки на аномальные отсчеты, потому что отсчеты сигнала больше по амплитуде и составляют заметно меньшую часть выборки (менее 10%).

Ранговый критерий

Особенности распространения в ионосфере таковы, что каждая следующая по задержке мода имеет меньшую амплитуду за счет большего частотного уширения (см. рисунок 1). Первое замечание: с уменьшением значения аномальные отсчеты имеют тенденцию к расположению группами, размер группы тем больше, чем меньше значение. Моделирование смесей по (1) с использованием подхода из [5] показывает, что наличие аномальных отсчетов делает значимым изменение параметров выборки уже при отношениях сигнал/шум 7-8 дБ, однако, часто отсчеты уширенной слабой моды недостаточно «аномальны» для критерия, применяемого ко всей выборке, хотя визуально выделяются относительно ближайшей окрестности. Снижение критического значения для используемой статистики приводит к ложному выделению шумовых отсчетов вместо сигнальных. Из этого следует второе замечание: анализ выборки необходимо производить не по всей выборке сразу, а с учетом локальных особенностей структуры, например, при помощи скользящего окна.

Суммируя оба замечания, можно прийти к выводу, что для обнаружения мод необходимо использовать скользящее окно, в котором вычисляется некоторая характеристика в зависимости от окрестности этого окна, размер окна и его окрестность тем больше, чем меньшие по амплитуде отсчеты предполагается выделять. Минимальный размер окрестности определяется свойствами типичной автокорреляционной или автоковариационной функции (АКФ) анализируемых данных.

Автор предлагает использовать следующий подход. Данные рассматриваются в текущем окне размера и в его окрестностях слева и справа. Предлагается процедура выделения с накоплением ранга для каждого -го положения окна. Решение о наличии аномальных отсчетов принимается на основании выполнения условия . Чем меньше мощность предполагаемых к выделению целевых отсчетов, тем больше порог и тем больше окно предварительной медианной фильтрации. Расчет проводится по следующим формулам:

, (2)

где -- функция Хэвисайда.

Проверка на модели и экспериментальных данных

С использованием имитационного моделирования фона в виде распределения Вейбулла с параметром формы в диапазоне от 1,8 до 2,5 было сгенерировано 1000 выборок , . В выборки добавлялись две моды, для которых измерялось отношение сигнал-шум в ближайшей окрестности в 1,5-3 радиуса автоковариации. Гистограммы для мод представлены на рисунке 2 а) и рисунке 2 б), а примеры выборок с модами соответственно на рисунке 2 в) и г).

Рис. 2. Отношения сигнал/шум и примеры выборок

черным отрезком. Тестируемые наборы параметров для обнаружения представлены в таблице 1. Ошибки пропуска сигнала и ложного обнаружения в зависимости от представлены в таблице 2 и таблице 3.

Таблица 1. Параметры процедуры

Таблица 2. Ошибки обнаружения сигнала для первой моды

Таблица 3. Ошибки обнаружения сигнала для второй моды

Ошибка пропуска моды вычислялась как доля спектров от общего количества, в которых она была пропущена, ошибка ложного обнаружения -- доля спектров, в которых было обнаружение помимо добавленной моды. Моделирование показало, что использование окна размера менее 10 (шаг № 1) не дает преимущества для сильных мод в сравнении с набором №2 из таблицы 1. Ошибки пропуска и ложного обнаружения менее 10% достигаются для окон в 5-7 отсчетов при только свыше 10-11 дБ, что не лучше уже известных «глобальных» критериев.

На практике применение критерия необходимо совмещать с уже используемыми методами выделения сигнала. Критерий дополняет возможности методов при работе со слабыми модами с высокой дисперсией. На рисунке 3 приведен пример использования для данных зондирования на трассе Инскип-Йошкар-Ола (14.10.2009 г. 15:21:58, скорость перестройки частоты 100 кГц/с), на рисунке 3 а) представлена ионограмма, построенная по исходным данным, на рисунке 3 б) обозначены отсчеты, выделенные с использованием статистики Кохрена [6], на рисунке 3 в) -- отсчеты, выделенные критерием Кохрена, дополненные отсчетами, полученными ранговым критерием. Применялся ранговый критерий для окна размера 10 с набором параметров : 1; : 4; : 2,25; : 1. На рисунке 3 в) хорошо видно, что обнаружена ещё одна мода сигнала, которая была потеряна при фильтрации результатов критерия Кохрена. Точкам, которые оказываются внутри области срабатывания критерия, сопоставляются единичные значения, таким образом формируется двумерный массив из нулей и единиц, соответствующий ионограмме. Затем этот массив подвергался медианной фильтрации фильтром размера 3 на 3 отсчета, с обнулением одиночных выделенных значений. ионозонд частотный локальный

Для точного определения отсчетов, принадлежащих уширению сигнала, далее можно действовать следующим образом: определять в каждом спектре ионограммы для каждой группы элементов, совпадающих с группой единичных элементов в бинарном массиве, адрес максимального элемента спектра в группе, а далее работать с его окрестностью по методу из [6].

Рис. 3 Пример ионограммы и обнаруженных мод

Заключение

Предложен метод обнаружения слабых уширенных мод ионосферного распространения, который может дополнить критерий выделения аномальных отсчетов в задаче выделения сигнала ЛЧМ-ионозонда. Метод выделяет отсчеты, обладающие аномальными свойствами в локальной области выборки. Моделирование показало, что при размере окна в 10-15 отсчетов (определяемого из радиуса автоковариации) и порогового отношения сигнал/шум 6-7 дБ необходимо проводить вычисление ранга для положения окна при сравнении с областью радиуса 3-4 размера окна. Практическая апробация показывает возможность обнаружения слабых мод, соответствующих большому числу скачков сигнала в волноводе земля-ионосфера.

Литература

1. Вертоградов Г.Г. Многофункциональный комплекс для наклонного зондирования на базе ионозонда-радиопеленгатора / Вертоградов Г.Г., Урядов В.П., Вертоградов В.Г., Вертоградова Е.Г., Кубатко С.В., Валов В.А. // Журнал радиоэлектроники: электронный журнал, 2010, № 12. http://jre.cplire.ru/jre/dec10/4/text.html, 23.02.2019.

2. Колчев А.А., Недопекин А.Е. Экспериментальное подтверждение априорной непараметрической неопределённости для сигнала ЛЧМ-ионозонда в спектральной области // Вестник Национального технического университета «Харьковский политехнический институт». Сборник научных статей. Тематический выпуск: Радиофизика и ионосфера. Харьков: НТУ «ХПИ», 2011, № 44 - С. 91-100.

3. Недопекин А.Е. Повышение контрастности данных при обработке сигнала ЛЧМ-ионозонда // Сборник материалов XII Всероссийской молодежной научно-инновационной школы «Математика и математическое моделирование». 17-19 апреля 2018 г. Саров. 2018. -С. 26.

4. Недопекин А.Е. Метод обнаружения сигнала ЛЧМ-ионозонда в частотной области с учетом уширения принимаемых мод ионосферного распространения // Журнал радиоэлектроники, 2015, № 10. http://jre.cplire.ru/jre/oct15/5/text.html, 23.02.2019.

Размещено на Allbest.ru