Алгоритм измерения тренда сигналов
Построение алгоритма, предназначенного для решения задач обнаружения, измерения и классификации трендов сигналов. Порядок вычисления относительного расстояния между выборочной реализацией исследуемого сигнала и двумя эталонными последовательностями.
Рубрика | Коммуникации, связь, цифровые приборы и радиоэлектроника |
Вид | доклад |
Язык | русский |
Дата добавления | 11.01.2020 |
Размер файла | 302,3 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Размещено на http://www.allbest.ru/
Алгоритм измерения тренда сигналов
Разработчики:
Кликушин Ю.Н.
Кобенко В.Ю.
Горшенков А.А.
Функциональное назначение программы, область применения, ее ограничения
Функциональное назначение - способ предназначен для решения задач обнаружения, измерения и классификации трендов сигналов.
Область применения - техническая и медицинская диагностика, технический анализ финансовых рынков.
Используемые технические средства
Персональный компьютер с операционной системой Windows и средой программирования Delphi.
Специальные условия применения и требования организационного, технического и технологического характера
Определяются конкретной предметной областью применения и оговариваются в техническом задании в соответствии с описанием разработки, приведенным ниже.
Условия передачи программной документации или ее продажи
Документация может быть передана или продана с письменного согласия авторов разработки.
Техническое описание
В задачах цифровой обработки сигналов (ЦОС) часто возникает проблема выявления наличия и количественной оценки временных трендов в исследуемых процессах. Во многих случаях эти тренды определяют развитие либо негативных, либо позитивных тенденций явлений. Своевременное и надежное обнаружение наличия трендов сигналов позволяет оперативно принимать адекватные решения, что особенно важно для задач технической и медицинской диагностики. Большое значение исследованию трендов придается в техническом анализе рынков валюты и ценных бумаг [1].
Известные методы выделения трендов сигналов используют в основном два подхода: фильтрацию и статистическую обработку [2]. При использовании метода фильтрации необходимо знать и задавать параметры (например, коэффициенты передачи и частоты среза) фильтров. Использование же статистических методов, предполагает наличие предварительного неформального этапа определения типа тенденции и выдвижения гипотез относительно моделей тренда. При этом алгоритмы статистического усреднения (например, скользящего среднего) предполагают знание статистических параметров сигнала для правильного выбора ширины окна сканирования. В любом случае, условием эффективного использования указанных методов является наличие априорных данных об исследуемом сигнале, что далеко не всегда возможно.
В данной работе описан такой алгоритм, который, во-первых, не требует предварительных знаний характеристик процесса. Во-вторых, алгоритм позволяет не только обнаруживать тренд, но также измерять его «силу» и проводить классификацию.
Идея предлагаемого алгоритма основана на вычислении относительного расстояния между тремя списками, названными авторами прямым (Direct List), обратным (Reverse List) и измерительным (Measurement List) и образованными из исходной выборочной реализации сигнала X(t), объема N. Первый список (Direct List) получается путем сортировки значений (Xi) выборочной реализации сигнала по возрастанию, а обратный (Reverse List) - по убыванию. Измерительный список (Measurement List) представляется самой выборочной реализацией сигнала.
Рис. 1. Иллюстрация идеи измерения тренда сигналов
На рис. 1 данная идея поясняется изображением компонент алгоритма и его программным кодом, выполненным в среде LabVIEW. Упорядоченные списки (Direct List и Reverse List) образуют, соответственно, левый и правый граничные последовательности, между которыми располагается выборка анализируемого сигнала. На нижнем дисплее изображено их совместное представление. Количественно тренд оценивается величиной (Ms), равной относительному расстоянию между анализируемым сигналом и его упорядоченными граничными эталонами. Алгоритм вычисления этого расстояния представлен на рис. 2, где d1, d2, d - расстояния между указанными списками, определяемые через сумму абсолютных разностей значений отсчетов, находящихся в одинаковых ячейках. Физический смысл меры относительного расстояния (М) заключается в том, что оно характеризует степень неупорядоченности (хаотичности) измерительного списка по отношению к упорядоченным прямым и обратным спискам (шкалам). Подобный подход к задачам измерения был описан, например, в работах [3, 4].
Рис. 2. Алгоритм оценки «силы» трендовой компоненты сигнала
Исследование данного алгоритма в отношении разнообразных сигналов позволило постулировать несколько правил.
Первое классификационное правило для трендов формулируется следующим образом: «Если Ms ? 0, тренд отсутствует. Если Ms ? -1, имеет место монотонно возрастающий тренд с закономерностью левой границы. Если Ms ? 1, имеет место монотонно убывающий тренд с закономерностью правой границы».
Второе классификационное правило определяет вид закономерности возрастания или убывания тренда и выражается именем распределения мгновенных значений анализируемого сигнала. Даже при отсутствии тренда (Ms ? 0) имя распределения существует и определяется путем идентификационных измерений. В частности, на рис. 1 показан сигнал, имеющий нормальное (имя «gaus») распределение мгновенных значений.
В соответствие с данными работы [5], можно различить 8 основных типов трендов: двумодальный (2mod), арксинусный (asin), равномерный (even), трапецеидальный (trap), треугольный (simp), нормальный (gaus), двусторонний экспоненциальный (lapl) и Коши (kosh).
Третье правило относится к условию сравнения сигналов. Оно может быть записано следующим образом: «Если два сигнала имеют одинаковую силу тренда (Ms1 ? Ms2), но разные виды закономерности (имя 1 ? имя 2), то сигналы - разные. Иначе (имя 1 = имя 2; Ms1 ? Ms2), сигналы - похожи». Отсюда следует, что сравнивать, в первую очередь, надо сигналы одного типа, т.е. с одинаковыми распределениями мгновенных значений.
На рис. 3 показан пример сравнения трех фрактальных сигналов с одинаковым показателем Херста, равным Н = 1. Сравниваемые сигналы (средний столбец дисплеев) подобраны так, чтобы их тренды охватывали полный диапазон измерения - от левой до правой границ, отображенных в левом и правом столбцах, соответственно. Все сигналы имеют одинаковое распределение (равномерное, even) мгновенных значений, но разные количественные оценки «силы» тренда. Например, верхний сигнал имеет явный убывающий тренд, практически полностью (Ms ? 0,98 или на 98%) совпадающий с правой границей. Нижний сигнал, наоборот, обладает тенденцией к возрастанию (Ms ? - 0,949) и потому почти на 95% совпадает с левой границей трендового диапазона.
Рис. 3. Пример сравнения трендов фрактальных сигналов
Что касается среднего сигнала, имеющего выраженную переменную компоненту («колебательность»), то показатель «силы» тренда этого сигнала оказывается близким к нулю (Ms ? - 0,009). Однако, это не означает, что тренд вообще отсутствует - за время наблюдения (N = 1024) конечное значение сигнала увеличилось по сравнению с начальным (с 0,2 до 0,6), что, возможно, говорит о наличии некоторой возрастающей тенденции.
Для полноты исследования было изучено поведение алгоритма при анализе периодических сигналов. В табл. 1 представлены некоторые характерные данные, указывающие на присутствие двух закономерностей: зависимости показателя «силы» (Ms) от начальной фазы и частоты периодических сигналов.
Таблица 1. Результаты анализа тренда периодических сигналов
№ п/п |
Сигнал |
Р - количество периодов за время наблюдения N = 1000 |
|||
1 |
10 |
100 |
|||
1 |
Sin |
0,75 |
0,05 |
0,005 |
|
2 |
Cos |
0,0025 |
0,0016 |
0 |
|
3 |
Tri |
0,67 |
0,05 |
0,005 |
|
4 |
Squ |
1 |
0,006 |
0 |
|
5 |
Saw |
0,5 |
0,029 |
-0,01 |
В качестве примера на рис. 4 показаны зависимости показателя тренда (Ms) от сдвига (Shift) синусоидального и косинусоидального сигналов в диапазоне от 0 до 0,5N, где N - объем выборки (частота = 1). Полученные данные позволяют ввести аналитическое описание зависимости показателя тренда от сдвига фаз для сигналов sin - cos:
Ms[sin-1] = 0,75C0S(2рn/N); Ms[cos-1] = 0,75SIN(2рn/N), где 0 ?n?N/2.
Рис. 4. Зависимости трендового показателя от сдвига фаз для пары сигналов sin - cos
По результатам проведенных исследований можно сделать следующие выводы.
Предложенный алгоритм является универсальным алгоритмом измерения, поскольку, во-первых, не требует априорных знаний об исследуемом процессе. Во-вторых, алгоритм использует модель измерения неупорядоченности (хаоса), как всеобщей меры состояния сложных объектов и процессов. В-третьих, для реализации процедур измерения не требуется никаких специальных шкал - эти шкалы (списки) формируются непосредственно из отсчетов исследуемого процесса.
Предложенная мера «силы» тренда на самом деле является комплексным показателем соотношения колебательности и тренда исследуемого сигнала: колебательность максимальна, когда тренд равен нулю и наоборот. Именно поэтому стационарные случайные сигналы можно классифицировать как «колебательные», а фрактальные - как «трендовые». В периодических сигналах имеется возможность управлять границей перехода из класса «трендовых» (на низких частотах) в класс «колебательных» (на высоких частотах) с помощью задания частоты колебаний.
Алгоритм использует автоматическую классификацию типов тренда, устанавливая правила сравнения сигналов между собой.
Представленные в данной работе материалы получены при выполнении научно-исследовательской работы «Проведение поисковых научно-исследовательских работ в области разработки и создания оборудования для диагностики и эксплуатации энергетического оборудования» по государственному контракту № 16.516.11.6091.
Литература
тренд сигнал выборочный эталонный
1. Трендовый анализ //Сайт: Форекс. Блог независимых аналитиков МОФТ. http://profianalitics.com/?p=1459. Дата обращения 10.04.2012.
2. Елисеева И.И., Юзбашев М.М. Общая теория статистики: Учебник / Под ред. чл.-корр. РАН И.И. Елисеевой. - 4-е изд., перераб. и доп - М.: Финансы и статистика, 2001. - 480 с.
3. Горшенков А.А. Системный подход к описанию свойств МТШ-90 / А.А. Горшенков, В.А. Захаренко, Ю.Н. Кликушин, С.А. Орлов. - Измерительная техника, № 8, 2011, с. 34-38.
4. Кликушин Ю.Н. Лингвистическая модель измерений // Интернет публикация. - Прага: НТК Дни Науки, 27.03-05.04.2012, т. 0. 2012. http://www.rusnauka.com/10_DN_2012/Tecnic/6_102219.doc.htm.
5. Горшенков А.А., Кликушин Ю.Н. Представление моделей сигналов в системе идентификационных параметров // Интернет публикация. - М.: Журнал Радиоэлектроники, ИРЭ РАН, № 9 (сентябрь), 2010. - http://jre.cplire.ru/.
Размещено на Allbest.ru
Подобные документы
Анализ методов обнаружения и определения сигналов. Оценка периода следования сигналов с использованием методов полных достаточных статистик. Оценка формы импульса сигналов для различения абонентов в системе связи без учета передаваемой информации.
дипломная работа [3,0 M], добавлен 24.01.2018Сущность, условия решения и критерий оптимальности задачи измерения параметров сигнала. Постановка задачи измерения параметров сигнала. Классификация измерителей. Следящий режим измерения. Автоматические измерители работающие без участия человека.
реферат [382,0 K], добавлен 29.01.2009Рассмотрение методов измерения параметров радиосигналов при времени измерения менее и некратном периоду сигнала. Разработка алгоритмов оценки параметров сигнала и исследование их погрешностей в аппаратуре потребителя спутниковых навигационных систем.
дипломная работа [3,6 M], добавлен 23.10.2011Ретранслятор как комплекс оборудования, предназначенного для обеспечения связи между двумя и более радиопередатчиками, удаленными друг от друга на большие расстояния. Принцип его действия, структура и компоненты. Выбор внешней и внутренней антенны.
курсовая работа [2,7 M], добавлен 26.01.2015Метод максимального правдоподобия. Определение точки начала импульса. Нахождение переданного сигнала. Методы оптимального приема сигналов. Демодуляторы с различными правилами решения. Различия между реализациями сигналов. Оценка качества приема.
контрольная работа [133,9 K], добавлен 20.11.2012Устройство первичной обработки сигналов как неотъемлемая часть системы, ее значение в процессе сопряжения датчиков с последующими электронными устройствами. Понятие и классификация сигналов, их функциональные особенности и основные критерии измерения.
контрольная работа [39,9 K], добавлен 13.02.2015Устройство для измерения абсолютных комплексных коэффициентов передачи и отражения СВЧ-устройств с преобразованием. Структурная схема блока опорных частот. Смеситель сигналов 140 МГц. Фильтр нижних частот для сигнала. Система фазовой автоподстройки.
дипломная работа [2,8 M], добавлен 20.12.2013Проблемы современной радиотехники. Преимущества сверхширокополосных сигналов в сравнении с узкополосными. Эллипсные функции и их связь с круговой тригонометрией. Использование оптимального алгоритма обнаружения радиоимпульсов с эллипсными несущими.
дипломная работа [2,2 M], добавлен 09.03.2015Сигналы и их характеристики. Линейная дискретная обработка, ее сущность. Построение графиков для периодических сигналов. Расчет энергии и средней мощности сигналов. Определение корреляционных функций сигналов и построение соответствующих диаграмм.
курсовая работа [731,0 K], добавлен 16.01.2015Методы обработки и передачи речевых сигналов. Сокращение избыточности речевого сигнала как одна из проблем ресурсосберегающего развития телефонных сетей. Кодирование речевых сигналов на основе линейного предсказания. Разработка алгоритма программы.
дипломная работа [324,7 K], добавлен 26.10.2011