Universidad de las Fuerzas Armadas ESPE.
Estimacin Espectral
Araujo, Michelle., Ballagan, Dayana., Nacevilla, Mireya., Taipe, Estefana., Tamayo, Santiago., Estefana,
Vzquez.
[email protected], [email protected], [email protected], [email protected],
[email protected], [email protected].
Universidad de las Fuerzas Armadas ESPE
ResumenLa estimacin de las seales espectrales de
procesos aleatorios no estacionarios es una importante pero
difcil tarea, que puede ser facilitada por la utilizacin de
diferentes tcnicas del proceso que sern citadas en el presente
artculo. Entre ellos se presenta un procedimiento adecuado de
clculo para la obtencin de modelos, de ceros y polos
(ARMA).
I. INTRODUCCIN
La mayora de las seales biomdicas son el resultado de
procesos que tienen lugar en el dominio del tiempo. No
obstante, en algunos casos es conveniente realizar su estudio
en el dominio de la frecuencia, tanto en casos deterministas
como estocsticos, por lo cual es necesario obtener la funcin
densidad espectral de potencias (PSD).
En EEG, el anlisis espectral se ha utilizado tanto en clnica
como en investigacin.
Los objetivos han sido la clasificacin de desrdenes
neurolgicos, clasificacin automtica de estados de sueo y
grados de anestesia. En EMG, se ha utilizado para estudiar la
fatiga muscular. En seales de voz, se ha utilizado para
diagnosticar
malfunciones de la laringe.
El valor real del PSD no puede, en principio, obtenerse. La
seal de entrada est limitada en el tiempo, es no estacionaria
y tiene ruido superpuesto, por lo que es necesario estimar el
PSD a partir de un registro de cierta cantidad de datos. Los
primeros mtodos se basaron en la estimacin de la
transformada de Fourier (FT). Un paso importante en
estimacin espectral moderna fue el trabajo de Wiener, que
estableca las bases tericas del tratamiento de procesos
estocsticos. Wiener y Khinchin, de forma independiente,
demostraron que la FT relaciona la funcin autocorrelacin de
un proceso estacionario y su PSD. Se denomina generalmente
relacin de Wiener-Khinchin.
Con anterioridad a la introduccin del algoritmo de la
transformada rpida de Fourier (FFT) en 1965, el mtodo
usual para estimar el PSD era la implementacin de la relacin
de Wiener-Khinchin sugerida por Blackman y Tukey. Segn
este mtodo, los coeficientes de autocorrelacin se estiman
utilizando una secuencia de datos eventanados.
Se realiza la transformada de Fourier de esta correlacin
enventanada para obtener el PSD.
Este mtodo suele denominarse tambin mtodo indirecto.
A partir de la introduccin de la FFT, que implicaba la
disposicin de un algoritmo computacionalmente eficiente
para el clculo de la transformada discreta de Fourier (DFT),
se utiliza de forma intensiva la aproximacin directa
(periodograma), que se obtiene como la magnitud al cuadrado
de la DFT obtenida mediante FFT y aplicada directamente
sobre los datos (previamente enventanados). Otros mtodos
como tcnicas de anlisis ARMA y procedimientos ms
especializados como la descomposicin armnica de
Pisarenko, el mtodo de Prony, etc., proporcionan estimadores
con mejores caractersticas estadsticas, aunque pueden ser
computacionalmente menos eficientes que los basados en la
DFT. Bsicamente podemos distinguir dos grandes clases:
Mtodos no paramtricos: basados en la DFT.
Mtodos paramtricos: basados en modelos ARMA y
variantes.
II. MARCO TERICO
.
A. ESTIMACIN ESPECTRAL
El propsito de la estimacin espectral es estimar la densidad
espectral de potencia de un proceso estocstico a partir de las
muestras. De este modo, es posible caracterizar el contenido
espectral de una seal determinada.
El espectro de potencia es la transformada de Fourier de una
secuencia de autocorrelacin donde primero se necesita
estimar una secuencia de autocorrelacin y posteriormente
hallar la transformada de Fourier.
En el proceso pueden existir ciertas dificultades como es que
la seal est contaminada de ruido. Por lo tanto, la estimacin
espectral implica estimar la secuencia a partir de un nmero
finito de medidas ruidosas.
Universidad de las Fuerzas Armadas ESPE.
Las propiedades asociadas con un estimador espectral son las
mismas que se consideran en los estimadores estadsticos
clsicos, como error cuadrtico medio, varianza, desviacin,
2
disponible para realizar la estimacin es reducida. El mtodo
paramtrico no realiza suposiciones de valores.
^ a un estimador que estima un1.1.
sesgo, etc. Se llamar
ESTIMACIN
ESPECTRAL
DE
valor . Las propiedades ms importantes que se consideran en MEDIA MVIL (MA)
un estimador espectral son las siguientes:
Sesgo: El sesgo de un estimador se dene como la Un proceso de media mvil puede obtenerse filtrando ruido
diferencia entre su valor esperado y el verdadero valor del blanco de varianza unidad, w(n), con un filtro FIR de la
parmetro a estimar,
siguiente manera:
B ( ^ )=E [ ^ ]
(B, del trmino en ingls para sesgo)
Se dene un estimador insesgado como aquel que cumple:
B ( ^ )=0
Consistencia: Un estimador es consistente cuando
converge en probabilidad a si el tamao de la muestra
aumenta. Hay que tener en cuenta que cuando el tamao
de la muestra vara, el estimador que se usa es otro. As,
t n }, converge
en probabilidad hacia si, y solamente si, >0.
x ( n )= b q (k )w(nk )
k=0
La relacin entre el espectro de potencia de un proceso MA y
bq (k ) es:
los coeficientes
S X (e )= bq ( k )e
jw
jkw
k=0
una secuencia de estimadores para , {
El espectro de potencia, en trminos de la secuencia de
autocorrelacin rx(k) puede ser expresado:
q
S X ( e jw )= r x ( k ) e jkw
Eciencia: Se dice que un estimador es ms eciente que
otro cuando su varianza es menor. El teorema de CramerRao impone un valor mnimo para la varianza de un
estimador (donde f es la funcin de verosimilitud de ).
k=q
r x (k )
Donde
est relacionado con los coeficientes
bq (k )
q
r x ( k ) = bq ( l ) bq ( lk )
l=k
k =0 ,1 , , q
Robustez: Un estimador es robusto si su salida no vara
signicativamente cuando las suposiciones sobre las que
se basa no se cumplen.
Con un modelo MA, el espectro puede ser estimado de dos
formas. La primera de ellas aprovecha el hecho de que la
secuencia de autocorrelacin de un proceso MA es de longitud
r x ( k ) =0
finita. Como
para
|k| >q, un estimador
utilizado es:
q
S^ MA ( e jw ) = r^ x ( k ) e jkw
CLASIFICACIN DE ESTIMADORES
ESPECTRALES
1. MTODOS PARAMTRICOS
Estiman los parmetros que en teora denen el proceso
estocstico por el que se generan las seales que se analizan.
Algunos estimadores son capaces de estimar varios parmetros
simultneamente, mientras que otros necesitan suponer valores
para algunos parmetros con el n de estimar los restantes.
Los estimadores paramtricos suelen dar mejores resultados
que los estimadores clsicos cuando la cantidad de datos
k=q
La segunda tcnica de estimacin MA consiste en estimar los
parmetros
bq (k ) , a partir de x(n), y posteriormente
sustituirlos segn la ecuacin:
S^ MA (e jw )= b^ q (k ) e jkw
k=0
1.2.
ESTIMACIN ESPECTRAL AR
(Modelo autorregresivo)
Universidad de las Fuerzas Armadas ESPE.
Es una representacin de un tipo de proceso aleatorio, que
como tal, describe ciertos procesos variables en el tiempo.
El modelo autorregresivo especifica que la variable de salida
depende linealmente de sus propios valores anteriores.
Existen
procesos
autorregresivos
de:
Primer orden (AR 1)
Segundo orden (AR 2)
De orden p (ARp)
Si
, el proceso tiene un par de
races complejos conjugados, la creacin de un pico
de frecuencia media en:
Definicin
La densidad espectral de potencia de un proceso AR(p)
De lo contrario, el proceso tiene races reales, y:
con la varianza del ruido
S
que acta como un filtro de paso bajo
en el ruido blanco con un pico espectral a f = 0
S
que acta como un filtro de paso alto en
el ruido blanco con un pico espectral a
La funcin PSD completa se puede expresar en forma
real como:
1) AR (0)
Para el ruido blanco (AR (0))
2) AR (1)
4) AR (P)
La notacin AR (p) presenta un modelo
autorregresivo de orden p. El modelo AR (P) se
define como:
Para AR(1)
Donde
una constante, y
Si
hay un solo pico espectral a f = 0, a
menudo referido como ruido rojo . Si
hay
un mnimo en f = 0, a menudo referido como ruido
azul.
3) AR (2)
Para AR (2)
Los procesos se pueden dividir en tres grupos en
funcin de las caractersticas de sus races:
son los parmetros del modelo,
es Ruido blanco.
es
El ruido blanco o sonido blanco es una seal aleatoria o
proceso estocstico que se caracteriza por el hecho de que sus
valores de seal en dos tiempos diferentes no
guardan correlacin estadstica.
La correlacin indica la fuerza y la direccin de una relacin
lineal y proporcionalidad entre dos variables estadsticas.
Como consecuencia de ello, su densidad espectral de
potencia (PSD) es una constante, es decir, su grfica es
plana. Esto significa que la seal contiene todas
las frecuencias y todas ellas muestran la misma potencia. Igual
fenmeno ocurre con la luz blanca, de all la denominacin.
Universidad de las Fuerzas Armadas ESPE.
Esto se puede escribir de manera equivalente usando el
operador de backshift B como
Con longitud de datos N =128, generamos 50 realizaciones del
proceso y estimamos el espectro de potencia AR con dos
mtodos, autocorrelacin y covarianza.
En el caso de la covarianza, aparecen los picos a las
frecuencias previstas (0.2p y 0.3p).
de manera que, moviendo el trmino sumatorio hacia el lado
izquierdo y el uso de la notacin polinmica, tenemos
En cambio, el mtodo de la autocorrelacin no puede
diferenciar las dos componentes espectrales y muestra un solo
pico.
Mtodo de Autocorrelacin:
Un modelo autorregresivo por lo tanto se puede ver como la
salida de un todo- polo de impulso respuesta infinito filtro
cuya entrada es ruido blanco.
Algunas limitaciones son necesarios en los valores de los
parmetros de este modelo con el fin de que el modelo se
mantiene estacionario en sentido amplio.
Mtodo de Covarianza:
1.2.1. Estimacin de parmetros AR
Mtodo de autocovarianzas o autocorrelaciones.
Es
una
herramienta matemtica
utilizada
frecuentemente en el procesado de seales donde
cada trmino se estima por separado, utilizando
estimaciones convencionales.
Se
define
como
la correlacin
cruzada de
la seal consigo
misma.
La
funcin
de
autocorrelacin resulta de gran utilidad para
encontrar patrones repetitivos dentro de una seal,
como por ejemplo, la periodicidad de una seal
enmascarada bajo el ruido.
Mtodo de Covarianza
El modelo obtenido es tpicamente ms preciso que el
obtenido por autocorrelacin.
1.2.2. Ejemplo: Mtodos Autocorrelacin y
Covarianza.
Consideremos el proceso x(n) AR(4) generado por la ecuacin
en diferencias
x(n) = 2.7377 x(n-1) - 3.7476 x(n-2) + 2.6293 x(n-3) - 0.9224
x(n-4) + w(n)
1.3.
MODELOS
AUTORREGRESIVOS DE MEDIA
MVIL (ARMA)
Los
modelos autorregresivos de media mvil (en
ingls AutoRegressive
Moving
Average
models,
abreviados ARMA), tambin llamados Modelos Box-Jenkins,
se aplican a series temporales de datos.
Dada una serie temporal de datos X, el modelo ARMA es una
herramienta para entender y, an ms, para predecir futuros
valores de la serie. El modelo est formado por dos partes, una
parte autorregresiva (AR) y otra de media mvil (MA). El
modelo se conoce con el nombre de modelo ARMA (p,q),
donde p es el orden de la parte autorregresiva y q es el orden
de la parte de media mvil.
El modelo ARMA proporciona una representacin ms
eficiente del espectro de un proceso aleatorio desde el punto
de vista del nmero de parmetros del modelo.
con w(n) ruido blanco gaussiano de varianza unidad.
1.3.1. Estimacin espectral ARMA
Universidad de las Fuerzas Armadas ESPE.
Un proceso autorregresivo de media mvil posee una ecuacin
en diferencias de la forma:
P
k=1
k=1
x [ n ]= ak x [ nk ] + w [ n ] + b k w[nk ]
Espectro de potencia de la forma:
2
|
q
S X ( e )=
Si la PSD no es plana, entonces se dice que el ruido est
"coloreado" (correlacionado). Segn la forma que tenga la
grfica de la PSD del ruido, se definen diferentes colores.
1.3.3. Anlisis y sntesis de
estocsticos WSS coloreados
procesos
jkw
bq (k )e
k=0
jw
jkw
1+ a p (k )e
k =1
Dicho proceso puede generarse filtrando ruido blanco de
varianza unidad con un filtro con polos y ceros:
B (z )
H ( z )= q
=
Ap( z )
k=0
Tambin se puede ver el ruido blanco como el residuo que
queda despus de extraer toda la redundancia a un proceso
estocstico WSS coloreado. De hecho, es posible demostrar
que todo proceso estocstico estacionario en sentido amplio
(WSS, del ingls wide-sense stationarity) se puede obtener
filtrando ruido blanco con un filtro todo polos (modelo AR),
con un filtro todo ceros (modelo MA) o con un filtro de polos
y ceros (modelo ARMA).
Estas tcnicas tienen gran importancia en el procesamiento
de la seal.
En codificacin de voz, el cdec vocoder en ningn
momento transmite las muestras de la seal, sino un bit que
decide si el fonema es sordo/sonoro y a continuacin los
parmetros del modelo de prediccin lineal para cada caso.
bq (k )z
1+ a p (k) zk
k=1
1.3.4. Ejemplo
Consideremos un proceso ARMA (4,2) generado mediante
el filtrado de ruido blanco gaussiano de varianza unidad con el
filtro.
El espectro de potencia de un proceso ARMA puede ser
estimado utilizando los parmetros (estimados) del modelo:
k=0
jw
S ARMA ( e )=
jkw
b q (k )e
Con N = 1024, p = 4 y q = 2, realizamos la estimacin
ARMA y obtenemos
jkw
1+ a p (k )e
k=1
1.3.2. Aplicacin
Ruido Blanco: El ruido blanco sonido blanco es una
seal aleatoria (proceso estocstico) que se caracteriza por el
hecho de que sus valores de seal en dos tiempos diferentes no
guardan correlacin estadstica. Como consecuencia de ello,
su densidad espectral de potencia (PSD, siglas en ingls
depower spectral density) es una constante, es decir, su grfica
es plana. Esto significa que la seal contiene todas
las frecuencias y todas ellas muestran la misma potencia. Igual
fenmeno ocurre con la luz blanca, de all la denominacin.
La curva slida representa la estimacin y la discontinua el
espectro de potencia real, calculado con
k=0
jw
S X ( e )=
jkw
bq (k )e
jkw
1+ a p (k )e
k =1
Los coeficientes obtenidos son:
Figura 1: Ejemplo de la onda de un ruido blanco
a = [1 -1.8869 2.7954 -1.8276 0.9351]
Universidad de las Fuerzas Armadas ESPE.
b = [1 -0.7797 0.8134]
Aunque es posible mejorar la resolucin de la estimacin
espectral con un mtodo paramtrico, debemos ser conscientes
de que si el modelo utilizado no es apropiado para el proceso
que est siendo analizado, la estimacin obtenida no ser la
correcta.
2.1.
Los mtodos no paramtricos de estimacin espectral de
potencia son relativamente simples y fciles de calcular
utilizando el algoritmo de la FFT. Sin embargo, estos mtodos
necesitan de la disponibilidad de largos registros de datos para
obtener la resolucin en frecuencia requerida en muchas
aplicaciones. Adems, estos mtodos sufren efectos de
derrame espectral, debido al enventanado, que son inherentes
a los registros de datos de longitud finita. A menudo, el
derrame espectral enmascara seales dbiles que estn
presentes en los datos.
Las limitaciones bsicas de los mtodos no paramtricos se
encuentran en la suposicin inherente de que la estimacin de
la autocorrelacin rx(n) es cero para n = N. Esta suposicin
limita severamente la resolucin en frecuencia y la calidad de
la estimacin en la potencia espectral lograda. Por otro lado, la
suposicin en la estimacin del periodograma es que los datos
son peridicos con periodo N. Ninguna de estas dos
suposiciones es real.
Los mtodos paramtricos no realizan tales
suposiciones. Extrapolan los valores de la autocorrelacin para
retardos de n mayores o iguales a N. Esta extrapolacin es
posible si tenemos informacin sobre la generacin de los
datos. As, el primer paso a seguir es elegir un modelo
apropiado para el proceso. Esta eleccin puede estar basada en
conocimiento a priori de cmo ha sido generado el proceso, o
en resultados experimentales que indiquen que un modelo en
particular funciona bien. Los modelos que vamos a estudiar
son AR, MA y ARMA. Una vez elegido el modelo, se han de
estimar los parmetros del modelo para los datos disponibles.
Finalmente, se estima el espectro de potencia incorporando
dichos parmetros en la forma paramtrica elegida. Por
ejemplo, con un modelo ARMA, con parmetros bq(k) y ap(k),
la estimacin del espectro sera:
2.1.1.
Interpretacin.
El periodograma mide aportaciones a la varianza total de la
serie de componentes peridicos de una frecuencia
determinada (w).Si el periodograma presenta un pico en una
frecuencia, indica que dicha frecuencia tiene mayor
importancia en la serie que el resto
ciclo1=cos(2*pi*t/10)+cos(2*pi*t/40)+cos(2*p
i*t/20)+cos(2*pi*t/25)+u
N=200;
200/10=20;
200/40=5;
200/20=10; 200/25=8
20
15
10
5
00 50 100 150
FREC
2
0
1
5
1
0
5
0
0 51
01
52
02
5
F
R
E
C
PERDG
2. METODOS NO PARAMETRICOS.
El periodograma se asimila a un sintonizador de un
receptor de radio, as, la serie que observamos sera la
seal emitida por una radio y el periodograma no sera
ms que el dial que busca en que frecuencia se oye
mejor la seal emitida.
P
E
R
D
G
Figura 2: Anlisis de Residuos del modelo arma (1,4)
PERIODOGRAMA
De izqda. a drcha. aumenta la frecuencia (disminuye el
perodo)
Universidad de las Fuerzas Armadas ESPE.
2.1.2. El Periodograma y la Transformada de
Fourier
El periodograma est basado en una herramienta
matemtica denominada Transformada de Fourier, segn
la cual una serie, que cumpla determinados requisitos,
puede descomponerse como suma de un nmero finito o
infinito de frecuencias. Del mismo modo, a partir de la
representacin frecuencial puede recuperarse la serie
original a travs de la Transformada Inversa de Fourier
En este punto, es preciso sealar las diferencias existentes
entre procesos discretos peridicos, aperidicos y
estocsticos en trminos frecuenciales:
Las series peridicas presenta un periodograma
discreto, es decir, solo existe "masa" espectral en
aquellas frecuencias contenidas en la serie, siendo
stas un nmero discreto.
Las series aperidicas presentan un periodograma
contino, es decir, existe "masa" en un "infinito"
nmero de frecuencias.
Las series estocsticas presentan densidad espectral
en un rango contino de frecuencias.
Universidad de las Fuerzas Armadas ESPE.
Los valores obtenidos de amplitud son los esperados; as,
para N = 64, obtenemos un mximo cercano a 24 dB,
10 log10 (64 x 42 / 4) = 24.0824 dB,
mientras que en el segundo caso, con N = 512, el mximo
sobrepasa los 33 dB,
10 log10 (512 x 42 / 4) = 33.1133 dB.
2.1.4.
Ejemplo 2: Periodograma de Ruido Blanco.
2.1.3. Ejemplo 1: Periodograma de Sinusoide en
Ruido.
Supongamos que x(n) es un proceso estacionario en sentido
amplio formado por una sinusiode de fase aleatoria en ruido
blanco de varianza unidad
Supongamos que x(n) es un ruido gaussiano blanco con
Px(ejw) = 1
A partir de la ecuacin:
x(n) = A sin(nw0 + f) + v(n)
Con A = 4, w0 = 0.5p y N = 64, generamos 50 realizaciones
diferentes de este proceso, calculamos el periodograma de
cada realizacin y representamos los 50 periodogramas
superpuestos. Junto a esta grfica, observamos el promedio del
periodograma.
Aunque el pico de cada periodograma aparece
aproximadamente en 0.5 (unidades de p), existe una gran
variacin entre un periodograma y el siguiente. Si repetimos el
proceso para N = 512, la potencia de la sinusoide se extiende
en una banda frecuencial ms estrecha.
valor
esperado
segn
1.
del
, obtenemos que el
periodograma
es
1,
y
, la varianza tambin es igual a
Aunque el periodograma es insesgado, la varianza es una
constante independiente de N. Para comprobarlo, realizamos
50 realizaciones de ruido blanco, calculamos los
periodogramas y el periodograma promedio, para distintos
valores
de N.
Observamos que el valor medio obtenido es aproximadamente
0 dB, y la varianza no disminuye aunque el nmero de datos
crezca.
N = 64:
Universidad de las Fuerzas Armadas ESPE.
9
U es una constante definida de forma que el periodograma
modificado resulte asintticamente no sesgado.
2.2.1. Prestaciones del periodograma modificado
N = 128:
Vamos a evaluar las prestaciones de este mtodo de estimacin
espectral. El valor esperado del periodograma modificado es:
donde W(ejw) es la transformada de Fourier de la ventana. Con
N = 256:
entonces
y, con la ventana apropiada, |W(ejw)|2/NU converge a un
impulso de rea unidad con N tendiendo a infinito. De esta
manera, el periodograma modificado, es asintticamente no
sesgado. (Lgicamente, si w(n) es una ventana rectangular, U
=1 y el periodograma modificado se reduce al periodograma).
2.2.
PERIODOGRAMA MODIFICADO
El periodograma modificado tiene por objetivo solucionar el
problema de enmascaramiento espectral producido por el
periodograma, ocasionado por la gran amplitud de los
lbulos secundarios de la ventana rectangular. Para ello,
propone enventanar el proceso con una ventana
general w(n). El periodograma modificado se expresa segn
la ecuacin:
El periodograma modificado es simplemente el periodograma
de una secuencia de datos enventanados, por tanto, la varianza
del periodograma modificado es aproximadamente igual a la
del periodograma, es decir:
Y como la varianza del periodograma modificado no tiende a
cero al crecer N, no es un estimador consistente del espectro
de potencia. Por tanto, el enventanado no ofrece beneficio en
cuanto a una reduccin en la varianza. La ventana proporciona
un compromiso entre la resolucin (anchura del lbulo
principal) y el enmascaramiento espectral (amplitud de lbulos
laterales). Supongamos que definimos la resolucin del
periodograma modificado como el ancho de banda a 3 dB de
la ventana de datos:
donde N es la longitud de la ventana, y
Veamos
las caractersticas de las ventanas utilizadas:
Universidad de las Fuerzas Armadas ESPE.
Ventana
Nivel
secundario
lbulo
Resolucin 3 dB
BW
10
Rectangula
r
-13
0.89(2p/N)
Universidad de las Fuerzas Armadas ESPE.
11
Bartlett
-27
1.28(2p/N)
Hanning
-32
1.44(2p/N)
Hamming
-43
1.30(2p/N)
Blackman
-58
1.68(2p/N)
posteriores, sustituimos la ventana rectangular por otras
ventanas con lbulos laterales de menor amplitud que
permitan diferenciar la sinusoide a w1, pero esta reduccin en
la amplitud de lbulos laterales se produce a costa de un
incremento en la anchura del lbulo principal, lo cual afecta a
la
resolucin.
Podemos observar una reduccin en la amplitud del lbulo
secundario, producida al aplicar una ventana diferente a la
rectangular, pero el valor de la resolucin crece, es decir,
aumenta la separacin mnima entre componentes espectrales
que vamos a ser capaces de discriminar.
2.2.2.
Ventana Rectangular:
Propiedades del periodograma modificado:
Ventana de Hamming:
Sesgo o bias:
Ventana de Hamming:
o
Resolucin: dependiente
utilizada.
Varianza:
de
la
ventana
2.2.3. Ejemplo
Supongamos que x(n) es un proceso formado por dos
sinusoides en ruido blanco con 2 = 0.01,
x(n) =A sin(nw1 + 1) + sin(nw2 + ) + v(n)
con w1 = 0.2 , w2 = 0.3, A = 0.1, y una longitud N = 128.
En primer lugar, evaluamos el periodograma sobre 50
realizaciones y calculamos el periodograma promedio.
Observamos que la sinusoide de menor amplitud, a
frecuencia w1, aparece prcticamente enmascarada por los
lbulos laterales de la ventana a frecuencia w2. En los casos
Ventana de Bartlett:
Universidad de las Fuerzas Armadas ESPE.
12
El valor medio de Sx(ejw):
Donde:
WB(ejw) : transformada de Fourier de la ventana de Bartlett
wB(k): se extiende desde -L hasta L.
En este mtodo se desarrolla la realizacin incorrelada de un
proceso, pero esta situacin, en la prctica, es difcil de
conseguir. Generalmente se dispone de una sola realizacin de
un proceso x(n) de longitud N, y Bartlett propone dividir este
proceso en K secuencias no solapadas de longitud L,
donde N= KL:
xi(n) = x(n + iL)
Ventana de Blackman:
n = 0, 1, ..., L-1
i = 0, 1, ..., K-1
2.3.1. Propiedades:
Sesgo o bias:
Resolucin:
Varianza:
2.3.
MTODO DE BARTLETT
Es un estimador consistente del espectro de potencia que
realiza un promediado del periodograma. La mejora respecto
al periodograma reside en la reduccin de varianza.
Supongamos K realizaciones incorreladas de un proceso
aleatorio x(n). Cada realizacin tiene una longitud L. [1]
El periodograma de cada realizacin xi(n) es:
2.3.2. Ejemplo
upongamos que x(n) es un proceso formado por dos
sinusoides en ruido blanco de varianza unidad,
x(n) =A sin(nw1 + f1) + sin(nw2 +f2) + v(n)
El promedio de estos periodogramas define el estimador de
Bartlett:
con w1 = 0.3 p, w2 = 0.35 p, A =3 y N =512. Aplicamos el
mtodo de Bartlett con diferentes valores de K para 50
realizaciones y observamos que, al subir K, la varianza
disminuye, pero tambin lo hace la resolucin, al disminuir la
longitud de las secciones utilizadas en el periodograma, y las
sinusoides no son discriminadas con tanta facilidad.
K = 1:
Universidad de las Fuerzas Armadas ESPE.
13
calcular los periodogramas de cada uno de los segmentos ms
cortos y promediar.[2]
2.4.1. Aspectos Generales
K = 4:
Dos variaciones sobre el mtodo de Bartlett:
- Eventanado de los datos
- Solapamiento entre segmentos
El efecto del enventanado de datos es similar al del
mtodo de Blackman-Turke.
Valores externos del intervalo se emplean para
estimar valores extremos de la correlacin
El solapamiento entre segmentos permite promediar
ms realizaciones sin reducir la resolucin.
K = 8:
2.4.2. Primera modificacin al mtodo de Bartlett
Solapamiento de segmentos de datos.
Suponiendo que entre dos secuencias sucesivas existe un
desplazamiento de D puntos y que cada secuencia consta
de L puntos de longitud, la secuencia i-sima viene
determinada por la expresin:
xi(n) = x(n + iD) ; n = 0, 1, ..., L-1
El solapamiento entre dos secuencias consecutivas
xi(n) y xi+1(n) es de L-D puntos, y si las K secuencias cubren
una longitud de N puntos, entonces:
N = L +D(K-1)
Veamos que ocurre para K = 16:
MTODO DE WELCH
Supongamos que no existe solape entre las secuencias (D=L);
tendremos K = N/L secciones de longitud L, como en el
mtodo de Bartlett. Si permitimos que las secuencias posean
un solape del 50% (D = L/2), el nmero de secciones K de
longitud L es:
K = 2N/L - 1
De esta manera, se mantiene la resolucin (la longitud de la
secuencia no vara) del mtodo de Bartlett, pero al doblar el
nmero de periodogramas modificados que van a promediarse,
se reduce la varianza.
Con un 50% de solape entre las secuencias, tambin podemos
formar K secuencias de longitud 2L, donde K es:
K = N/L - 1
As, mejoramos la resolucin manteniendo la misma varianza
que en el mtodo de Bartlett.
Con el overlap o solapamiento es posible incrementar el
nmero y/o la longitud de las secuencias que van a ser
promediadas, logrando de esta forma una reduccin en la
varianza, siempre con un compromiso en la resolucin del
mtodo de estimacin espectral. .[3]
2.4.3. Segunda modificacin al mtodo de Bartlett
Enventanar
cada
secuencia xi(n) con
una
ventana
general w(n), antes de calcular el periodograma.
No se puede diferenciar las 2 sinusoides, pues el valor mximo
de K que garantiza una resolucin aceptable es
K = Dw N /( 0.89 2 p ) = 14
segn nos indica la frmula de la resolucin
con
Dw = ( 0.35 p - 0.30 p ) = 0.05 p y
2.4.
idea
fundamental
del
estimador
N = 512.
de
Welch
periodograma promediado consiste en dividir el registro
original de N muestras en K registros de M < N muestras,
Universidad de las Fuerzas Armadas ESPE.
De esta manera se obtiene un periodograma modificado por
cada secuencia enventanada:
14
Si comparamos los resultados con los obtenidos aplicando al
mismo proceso el mtodo de Bartlett, con N = 512 y K = 8,
observamos:
El estimador de Welch es el promedio de los periodogramas
modificados:
y su expresin general es:
donde U:
2.4.4. Propiedades
Sesgo o bias:
Resolucin: depende de la ventana utilizada.
Varianza (con 50% de solape y ventana de Bartlett):
El nmero de secciones utilizadas en ambos casos es
parecido (7 en Welch y 8 en Bartlett).
Por tanto, es de esperar que la varianza sea
aproximadamente la misma.
Notamos que, aunque la anchura del lbulo principal de la
ventana de Hamming aplicada en el mtodo de Welch es
1.46 (1.30 / 0.89) veces ms ancha que la ventana
rectangular utilizada en el mtodo de Bartlett, la resolucin
es prcticamente igual.
Esto es debido a que el 50% de overlap en el mtodo de
Welch permite que la longitud de la seccin sea el doble que
en el mtodo de Bartlett.
En consecuencia, la ganancia obtenida con el mtodo de
Welch reside en la reduccin de la prdida espectral a travs
de los lbulos laterales de la ventana de datos.
2.4.5. Ejemplo:
Supongamos que x(n) es un proceso formado por dos
sinusoides en ruido blanco de varianza unidad,
x(n) =A sin(nw1 + f1) + sin(nw2 +f2) + v(n)
con w1 = 0.3 p, w2 = 0.35 p, A =3 y N =512. Consideramos una
longitud de seccin L = 128, un solape del 50% (por tanto,
vamos a tener 2*512/128 - 1 = 7 secciones) y ventana de
Hamming.
Visualizamos las estimaciones espectrales de 50 realizaciones
diferentes de este proceso, y calculamos el valor medio.
2.5.
MTODO BLACKMAN-TUKEY
Este es un mtodo en el cual se enventana la secuencia de
autocorrelacin y despues se calcula la transformada de
Fourier para producir la estimacin al espectro.
La razn por la cual se enventana la secuencia es debido a que
cuando existe retardos grandes, las estimaciones son menos
fiables, ya que se usan menos puntos en la estimacin (N-k).
El estimado de Black-Tukey es:
( jw ) =
S^
BT e
k=M
jkw
r^x ( k ) w( k) e
Donde:
w ( k ) Ventanaaplicada para
reducir el periodograma de
estimaciones menos fiables
Se extiende de -M hasta M con M<N-1
Se puede decir que de esta forma las estimaciones
r x( k )
con mayor varianza son puestas a cero, dndose as que la
estimacin espectral de potencia tendr una varianza menor.
El estimador de Blackman-Tukey en el dominio de la
frecuencia es:
Universidad de las Fuerzas Armadas ESPE.
15
( jw ) = 1 ^S per ( e jw )W ( e jw ) = 1 S^ per ( e jw ) W ( e j(wu) ) du
S^
BT e
2
2
Donde:
W ( e jw ) Transformadade fourier
de la ventana w( k)
El enventanado de esta secuencia se refleja en el suavizado de
la estimacin del perodograma, decreciendo asi su varianza.
La ventana aplicada debe poseer simetra conjugada para
asegurar que la estimacin es real y que posea una
transformada de Fourier no negativa, donde W ( e jw )=0
para que la
estimacin no sea negativa.
Para el clculo de la varianza:
( jw ) } S 2 (e jw ) 1 w2 (k )
Var { S^
BT e
N K =M
Donde:
M n mero de t rminos utilizados
en el sumatorio
Utilizacin del Componente BT
Recibe por su entrada un proceso y obtiene la estimacin
espectral de la potencia de dicho proceso.
Se puede especificar la longitud del espectro(muestras): el
total de muestras de salida del espectro. Este parmetro es el
nmero de puntos que se toman en el clculo de la fft.
El progreso alcanzado en el campo de la estimacin de los
parmetros de los modelos lineales con un nmero finito
de parmetros AR, MA, ARMA, desde su difusin en el
campo hasta el presente, es muy importante en el proceso
de anlisis de una seal.
Si comparamos el mtodo de estimacin espectral
periodograma con el mtodo de Bartlett podemos
encontrar en este la reduccin de varianza, cuyo resultado
indica como se reparte la potencia a lo largo del espectro.
La densidad espectral de energa de una seal representa
su energa por unidad de frecuencia (Joules/Hertz)
y muestra las condiciones relativas de energa de los
distintos componentes de frecuencia.
Al usar enventando en este mtodo, implica una perdida
de la resolucin. La nueva resolucin estar dado por el
tamao de la ventana.
IV. REFERENCIAS
Componente de Blackman-Tukey (BT)
Este realiza la estimacin espectral de un proceso por el
mtodo no paramtrico de Blackman-Tukey.
III. CONCLUSIONES
[1] [Online].
Disponible
en:
http://physionet.cps.unizar.es/~eduardo/docencia/tds/libro
html/bart1.htm
[2], [Online]. Disponible en:
http://www.xente.mundor.com/cosas/TEMA4_Analisis_E
spectral_II.pdf
[3]
[Online]. Disponible en:
