ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ. Аппроксимация сигналов. Цифровая обработка сигналов
 Скачать 360.5 Kb.
|
|
ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ Тема 14. АППРОКСИМАЦИЯ СИГНАЛОВ И ФУНКЦИЙ На фабрике будущего будут заняты только двое служащих: человек и собака. Человек будет нужен для того, чтобы кормить собаку. Собака будет нужна для того, чтобы не позволять человеку прикасаться к оборудованию. Уоррен Беннис, американский экономист. Блестящий пример линейной экстраполяции по двум узловым точкам – прошлому и настоящему. Потребуется конкретизация – повышайте степень аппроксимации введением новых точек: что производит фабрика, есть ли на ней профсоюз, чем кормят собаку. Появление председателя профсоюза гарантировано. Станислав Игумнов, Уральский геофизик. Содержание Введение. 1. Приближение сигналов рядами Тейлора. 2. Интерполяция и экстраполяция сигналов. Полиномиальная интерполяция. Кривые Безье. 3. Сплайновая интерполяция. 4. Спектральный метод интерполяции. Спектр дискретного сигнала. Интерполяционный ряд Котельникова-Шеннона. 5. Децимация и интерполяция цифровых сигналов. Децимация с целым шагом. Интерполяция с целым шагом. Преобразование частоты дискретизации с нецелым шагом. 6. Методика аппроксимации эмпирических данных. Мера приближения. Аппроксимирующая функция. Порядок модели. Оценка качества приближения. ВВЕДЕНИЕ Математика часто оперирует с математическими функциями решения дифференциальных уравнений и интегралов, которые не имеют аналитических выражений и представляются табличными числовыми значениями yi для дискретных значений независимых переменных xi вместо аналитических выражений в виде y=s(x). Это означает, что любому значению x из области определения поставлено в соответствии определенное числовое значение y. Аналогичными таблицами {yi, xi} могут представляться и экспериментальные данные, для которых неизвестна явная связь между y и x или эта связь только подлежит выяснению. Точки, в которых определены числовые значения функций или данных, называются узловыми. Однако на практике могут понадобиться значения данных величин совсем в других точках, отличных от узловых, или с другим шагом дискретизации аргументов. Возникающая задача вычисления значений функции в промежутках между узами называется задачей интерполяции, за пределами семейства узловых точек вперед или назад по переменным – задачей экстраполяции или прогнозирования. Даже при известных зависимостях y=s(x) формулы этих зависимостей, детально и точно описывающие определенные физические объекты и процессы, могут быть очень сложными и мало пригодными для практического использования как при математическом анализе физических данных, так и в прикладных задачах, особенно при расчетах ожидаемых результатов измерений и при математическом моделировании физических процессов. Кроме того, практическая регистрация физических данных выполняется, как правило, с определенной погрешностью или с определенным уровнем шумов, которые по своим значениям могут быть выше теоретической погрешности прогнозирования сигналов при расчетах по сложным, хотя и очень точным формулам. Не имеет смысла и проектирование систем обработки и анализа сигналов по высокоточным формулам, если повышение точности расчетов не дает эффекта в повышении точности обработки данных. Во всех этих условиях возникает задача аппроксимации. Аппроксимация, это представление сложных функций s(x) или дискретных выборок из этих функций s(xi) простыми и удобными для практического использования функциями аппроксимации f(x) таким образом, чтобы отклонение f(x) от s(x) в области ее задания было наименьшим по определенному критерию приближения. Если приближение строиться на заданном множестве точек {xi}, то аппроксимация называется точечной. К ней относятся интерполирование, среднеквадратичное приближение и др. При построении приближения на непрерывном множестве точек, например на отрезке [a,b], аппроксимация называется непрерывной или интегральной. Сглаживание статистических данных или аппроксимация данных с учетом их статистических параметров относится к задачам регрессии. Как правило, при регрессионном анализе усреднение данных производится методом наименьших квадратов (МНК). Классические математические методы аппроксимации, интерполяции, экстраполяции и регрессии функций имеют многовековую историю. В рамках настоящего курса мы не будем углубляться в строгую математическую теорию этих операций. Все современные математические системы (Mathcad, Matlab, Maple и пр.) имеют в своем составе универсальный аппарат выполнения таких операций, дающий пользователю возможность реализации любых практических задач по обработке данных. В качестве основной математической системы для примеров будем использовать систему Mathcad. 14.1. Приближение сигналов рядами тейлора [39] Разложение функций в ряд Тейлора явилось одним из первых методов приближения функций в окрестностях точек х0: f(x) f(x0) +  (x-x0) +  (x-x0)2 + … +  (x-x0)n.f(x) f(x0) +   (x-x0)i.При разложении функции в окрестностях точки х0=0 ряд Тейлора принято называть рядом Маклорена. Первый член ряда f(x0) представляет собой отсчет функции в точке х0 и грубое приближение к значениям функции в окрестностях этой точки. Остальные члены ряда детализируют значения функции в окрестностях точки х0 по информации в соседних точках и тем точнее приближают сумму ряда к значениям функции, чем больше членов суммы участвуют в приближении, с расширением интервала окрестностей точного приближения. Наглядно это можно видеть на примере двух функций, приведенном на рис. 14.1.1 (с усечением отображения членов рядов f2(x) и f4(x)).  Рис. 14.1.1. Примеры разложения функций в ряд Маклорена. Приближение функций рядом Тейлора применяется, в основном, для непрерывных гладких функций в локальных интервалах задания. Для разрывных и периодически повторяющихся функций использовать его практически невозможно, равно как и для непрерывных не дифференцируемых функций. Операция дифференцирования тоже может быть далеко не простой, а получаемые ряды могут сходиться очень медленно. |