Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
UNIVERZITET CRNE GORE
ELEKTROTEHNIČKI FAKULTET
Branka Jokanović
HARDVERSKE REALIZACIJE DISTRIBUCIJA IZ
COHEN-OVE KLASE I COMPRESSIVE SENSING
METODA REKONSTRUKCIJE SIGNALA
-MAGISTARSKI RAD-
Podgorica, 2012
PODACI I INFORMACIJE O MAGISTRANTU
Ime i prezime Branka Jokanović
Datum i mjesto rođenja 15.02.1989. Nikšić
Naziv završenog osnovnog studijskog
programa i godina diplomiranja
Elektrotehnički fakultet, odsjek za
Elektroniku, telekomunikacije i računare,
2011
INFORMACIJE O MAGISTARSKOM RADU
Naziv postdiplomskog studija Studijski program Računari
Naslov rada
Hardverske realizacije distribucija iz Cohen-
ove klase i Compressive sensing metoda
rekonstrukcije signala
Fakultet na kome je rad odbranjen Elektrotehnički fakultet, Podgorica
UDK, OCJENA I ODBRANA MAGISTARSKOG RADA
Datum prijave magistarskog rada 18.05.2012
Datum sjednice Vijeća Univerzitetske
jedinice na kojoj je prihvaćena tema 04.06.2012
Komisija za ocjenu teme i podobnosti
magistranta
Prof. dr Srdjan Stanković
Prof. dr Radovan Stojanović
Doc. dr Irena Orović
Mentor Prof. dr Srdjan Stanković
Komisija za ocjenu rada
Prof. dr Srdjan Stanković
Prof. dr Radovan Stojanović
Prof. dr Veselin Ivanović
Doc. dr Irena Orović
Komisija za odbranu rada
Prof. dr Veselin Ivanović
Prof. dr Srdjan Stanković
Prof. dr Radovan Stojanović
Doc. dr Irena Orović
Datum odbrane 16.08.2012
Zahvaljujem se svom mentoru prof. dr Srdjanu Stankoviću na strpljenju,
svakodnevnom i kontinuiranom radu, korisnim sugestijama i idejama koje su bile
ključne u izradi ove magistarske teze. Omogućivši mi da radim u Laboratoriji za
multimedije, pružio mi je šansu da svakodnevno stičem i obogaćujem svoja znanja
iz oblasti hardverskih realizacija i obrade signala.
Posebnu zahvalnost dugujem doc. dr Ireni Orović na korisnim sugestijama i
pomoći prilikom pisanja naučnih radova na kojima je zasnovana ova teza.
Takođe, zahvalnost dugujem ostatku laboratorijskog tima doc. dr Nikoli Žariću i
Anđeli Draganić.
Sažetak
U ovom radu predložena je modifikovana forma distribucija iz Cohen-ove klase. Data
forma omogućava efikasno hardversko rješenje Cohen-ove klase pogodno za implementaciju.
Posebna pažnja je posvećena realizaciji jezgra koje je zasnovano na eksponencijalnoj ili sinusnoj
funkciji. Predložena arhitektura je implementirana koristeći FPGA tehnologiju i može se koristiti
u raznim aplikacijama u realnom vremenu koje zahtjevaju vremensko-frekvencijsku analizu
signala. Kako realizovano hardversko rješenje ne razmatra signale u prisustvu impulsnog ili
kombinacije impulsnog i Gauss-ovog šuma, predložena je median i L-forma Ambiguity funkcije.
Zahvaljujući tim formama, postojeći hardver je jednostavno modifikovati tako da omogući
adekvantnu analizu signala i prisustvu pomenutih šumova.
Dio rada je posvećen algoritmima na kojima se zasniva kompresivno odabiranje. Jedan
od ključnih djelova ovog metoda rekonstrukcije signala predstavlja optimizacioni metod. U radu
je opisano kompresivno odabiranje signala koji je razrijeđen u frekvencijskom domenu, a kao
optimizacioni metod korišćen je primal dual algoritam. Poznavajući sve operacije koje čine
kompresivno odabiranje moguće je dizajnirati arhitekturu, pa samim tim i hardversko rješenje
sistema koje bi obavljalo rekonstrukciju signala na osnovu kompresivnog odabiranja.
Abstract
A modified form of the Cohen class distributions is proposed. An efficient hardware
solution based on this form is introduced. A special attention is devoted to the realization of
kernel function. Namely, the proposed solution includes various kernels based on the exponential
and sine function. The proposed architecture is implemented using field programmable gate
array technology and can be used in high-speed real-time applications. However, the proposed
solution represents a standard form of the Cohen class distribution which is sensitive to the
impulse noise or the combination of impulse and Gaussian noise. In order to analyze signal
disturbed by these types of noise, median and L-form of the Ambiguity function are introduced.
Based on these forms, the existing hardware is modified to provide the signal analysis in the
presence of impulse or combination of impulse and Gaussian noise.
Also, we describe the algorithms on which Compressive sensing is based. The
optimization procedure represents an important part of this reconstruction method. We consider
signal sparse in frequency, while the primal dual algorithm is used for signal reconstruction. The
architecture and hardware solution for Compressive sensing based on the primal dual algorithms
can be realized by using the described operations.
Magistarska teza Branka Jokanović
1
Sadržaj
Uvod ............................................................................................................................................ 7
Glava 1
1 Vremensko-frekvencijske distribucije signala ...................................................................... 9
1.1 Kratkotrajna Fourier-ova transformacija i spektrogram ........................................ 10
1.2 Wigner-ova distribucija.......................................................................................... 10
1.3 S-metod .................................................................................................................. 11
1.4 Cohen-ova klasa distribucija .................................................................................. 12
1.5 Primjer .................................................................................................................... 13
1.6 Hardverske realizacije nekih vremensko-frekvencijskih distribucija .................... 14
Glava 2
2 Robusne distribucije ............................................................................................................ 18
2.1 Uvod – priroda šuma .............................................................................................. 18
2.2 Estimacije signala .................................................................................................. 19
2.2.1 Mean i median forme Fourier-ove transformacije ..................................... 21
2.2.2 Marginalni median ..................................................................................... 23
2.3 Mean i median forme Cohen-ove klase distribucija .............................................. 23
2.3.1 Dobijanje estimacije Cohen-ove klase distribucija korišćenjem Wigner-ove
distribucije ............................................................................................................. 24
2.4 Median forma Ambiguity funkcije ........................................................................ 27
2.5 Forma Ambiguity funkcije u prisustvu kombinovanog Gauss-ovog i impulsnog
šuma (robusna forma) .......................................................................................................... 28
2.6 Primjeri................................................................................................................... 30
Glava 3
3 Modifikovana forma Cohen – ove klase distribucija pogodna za hardversku realizaciju i
njena implementacija ............................................................................................................... 34
Magistarska teza Branka Jokanović
2
3.1 Modifikovana forma Cohen-ove klase ................................................................... 36
3.1.1 Procedura računanja eksponencijalne funkcije za negativne argumente ... 42
3.2 Hardverska realizacija Cohen-ove klase distribucija ............................................. 44
3.3 Hardver za Ambiguity funkciju ............................................................................. 44
3.4 Hardverska realizacija funkcije jezgra ................................................................... 45
3.5 Hardver za inverznu 2D Fourier-ovu transformaciju ............................................. 49
3.6 FPGA implementacija Cohen-ove klase distribucija ............................................. 50
Glava 4
4 Hardverska realizacija robusne forme Cohen – ove klase .................................................. 57
4.1 Hardverska realizacija median i L forme Cohen-ove klase distribucija ................ 58
4.2 Blok za računanje L-forme Ambiguity funkcije .................................................... 60
4.2.1 Memorija i množenje ................................................................................. 60
4.2.2 Sorter .......................................................................................................... 61
Glava 5
5 Arhitektura za realizaciju Compressive sensing metode..................................................... 67
5.1 Shannon-ova teorema ............................................................................................. 67
5.2 Kompresivno odabiranje ........................................................................................ 68
5.3 Arhitektura za realizaciju kompresivnog odabiranja ............................................. 69
5.4 Množenje matrice sa vektorom .............................................................................. 71
5.5 Transponovanje matrice ......................................................................................... 74
5.6 Generisanje slučajnih brojeva ................................................................................ 74
5.6.1 Linearni feedback shift registar ................................................................. 75
5.6.2 Linear congruential generator .................................................................... 77
5.6.3 Blum Blum Shub generator ....................................................................... 77
5.7 Arhitektura za optimizacioni metod ....................................................................... 78
5.7.1 Primal-dual algoritam za rekonstrukciju signala ....................................... 78
5.7.2 Arhitektura za primal-dual algoritam ......................................................... 86
Magistarska teza Branka Jokanović
3
5.8 Komentari vezani za implementaciju kompresivnog odabiranja u FPGA
tehnologiji ............................................................................................................................ 96
Zaključak................................................................................................................................... 97
Literatura ................................................................................................................................... 99
Prilog ....................................................................................................................................... 103
Magistarska teza Branka Jokanović
4
Lista tabela
Tabela 3.1 Najčešće korišćena jezgra ................................................................................................... 34
Tabela 3.2 Karakteristike za čip EP3SL150F1152I3 u serijskoj konfiguraciji ..................................... 54
Tabela 3.3 Iskorišćenost logike za pojedinačne blokove u serijskoj konfiguraciji ............................... 54
Magistarska teza Branka Jokanović
5
Lista slika
Slika 1.1 a) Spektrogram, b) Wigner-ova distribucija, c) Distribucija iz Cohen-ove klase .................. 14
Slika 1.2 Gauss-ovo jezgro ................................................................................................................... 14
Slika 1.3 Blok šema realizacije sistema za računanje S-metoda ........................................................... 15
Slika 1.4 Šema realizacije multiple clock cycle sistema za vremensko-frekvencijsku analizu ............ 16
Slika 1.5 Šema realizacije multiple clock cycle sistema za prostorno-frekvencijsku analizu .............. 17
Slika 2.1 Gauss-ova raspodjela ............................................................................................................. 18
Slika 2.2 Laplace-ova raspodjela .......................................................................................................... 19
Slika 2.3 a) Ambiguity funkcija signala b) Standardna Ambiguity funkcija signala sa Gauss-ovim
šumom, c) Median forma Ambiguity funkcije signala sa Gauss-ovim šumom, d) L-forma Ambiguity
funkcije signala sa Gauss-ovim šumom, e) Standardna Ambiguity funkcija signala sa impulsnim
šumom f) Median forma Ambiguity funkcije signala sa impulsnim šumom, g) L-forma Ambiguity
funkcije signala sa impulsnim šumom, h) Standardna Ambiguity funkcija signala sa mješovitim
šumom, i) Median forma Ambiguity funkcije signala sa mješovitim šumom, j) L-forma Ambiguity
funkcije signala sa mješovitim šumom. ................................................................................................ 31
Slika 2.4 a) Standardna Wigner-ova distribucija zašumljenog signala, b) Median forma Wigner-ove
distribucije signala sa mješovitim šumom, c) L forma Wigner-ove distribucije signala sa mješovitim
šumom. .................................................................................................................................................. 32
Slika 2.5 Wigner-ova distribucija signala sa mješovitim šumom dobijena preko Ambiguity funkcije :
a) Standardna forma, b) Median forma, c) L-forma.............................................................................. 32
Slika 3.1 Jezgra iz Cohen-ove klase distribucija: a) Choi-Williams, b) Born-Jordan, c) Gauss, d)
Radial Gauss ......................................................................................................................................... 35
Slika 3.2 Konstante u memoriji na čiji ulaz dolazi adresa a ................................................................. 37
Slika 3.3 Unificirana procedura za računanje jezgra baziranog na eksponencijalnoj i sinusnoj funkciji
.............................................................................................................................................................. 39
Slika 3.4 Serijska konfiguracija za realizaciju Cohen-ove klase distribucija ....................................... 44
Slika 3.5 Paralelna konfiguracija za realizaciju Cohen-ove klase distribucija ..................................... 44
Slika 3.6 Gauss-ovo jezgro a) Originalni oblik b) Cjelobrojna realizacija ........................................... 47
Slika 3.7 Realizacija Taylor-ovog reda sa četiri člana razvoja ............................................................. 47
Slika 3.8 Algoritam realizacije Taylor-ovog reda sa L članova Taylor-ovog reda ............................... 48
Slika 3.9 Blok šema realizacije funkcije jezgra .................................................................................... 49
Slika 3.10 Blok šema dijela sistema koji obavlja inverznu 2D Fourier-ovu transformaciju ................. 50
Slika 3.11 FPGA realizacija autokorelacione funkcije ......................................................................... 52
Slika 3.12 Blok za računanje brze Fourier-ove transformacije ............................................................. 52
Slika 3.13 a) FPGA realizacija bloka koji određuje tip jezgra, b) FPGA realizacija eksponencijalne
funkcije ................................................................................................................................................. 53
Slika 3.14 Dio hardverske realizacije bloka koji računa inverznu 2D Fourier-ovu transformaciju ...... 53
Slika 3.15 Simulacioni rezultati ............................................................................................................ 54
Slika 3.16 Simulacioni rezultati dobijeni na izlazu sistema: a) Ambiguity funkcija, b) Distribucija iz
Cohen-ove klase bazirana na Gauss-ovom jezgru ................................................................................ 56
Slika 4.1 Blok šema realizacije distribucije iz Cohen-ove klase .......................................................... 59
Slika 4.2 Realizacija autokorelacione funkcije ..................................................................................... 59
Slika 4.3 Blok šema realizacije kola za računanje L-forme Ambiguity funkcije ................................. 60
Magistarska teza Branka Jokanović
6
Slika 4.4 RAM jedinice u Quartus-u ..................................................................................................... 61
Slika 4.5 Blok šema realizacije sortera ................................................................................................. 62
Slika 4.6 Moduli za kašnjenje u Quartus-u ........................................................................................... 63
Slika 4.7 Blok šema realiazcije L kola .................................................................................................. 65
Slika 4.8 Kolo multipleksera sa 32 ulaza .............................................................................................. 66
Slika 5.1 Blok šema realizacije kompresivnog odabiranja ................................................................... 70
Slika 5.2 Ilustracija množenja matrice i vektora ................................................................................... 71
Slika 5.3 FPGA implementacija množenja matrice i vektora čiji su elementi kompleksni brojevi ...... 72
Slika 5.4 a) Eksterna konfiguracija LFSR, b) Interna konfiguracija LFSR .......................................... 76
Slika 5.5 Simulacioni rezultati dobijeni za LFSR. ................................................................................ 76
Slika 5.6 Simulacioni rezultati dobijeni za linear congruential generator. ........................................... 77
Slika 5.7 Blok šema realizacije optimizacionog metoda ...................................................................... 80
Slika 5.8 Dobijanje početnog niza xf0 ................................................................................................... 81
Slika 5.9 Algoritam računanja kvadratnog korijena ............................................................................. 81
Slika 5.10 Dobijanje početnog niza xf0 ................................................................................................. 87
Slika 5.11 Računanje vrijednosti za prvu iteraciju................................................................................ 90
Slika 5.12 Realizacija iterativne procedure ........................................................................................... 92
Slika 5.13 Realizacija iterativne procedure (nastavak) ......................................................................... 93
Slika 5.14 Realizacija iterativne procedure (nastavak) ......................................................................... 94
Slika 5.15 Backtracking line search metod ........................................................................................... 95
Magistarska teza Branka Jokanović
7
UVOD
Većina signala u prirodi ima vremenski promjenljiv spektar. Analiza ovih signala u
isključivo vremenskom ili frekvencijskom domenu ne daje dovoljno informacija. Zbog toga
se koristi združeno vremensko-frekvencijsko predstavljanje. Definisane su razne forme
vremensko-frekvencijskih distribucija, ali nijedna ne predstavlja optimalno rješenje za sve
tipove signala. Spektrogram, kao jedna od računski najprostijih distribucija, ima slabu
rezoluciju u vremensko-frekvencijskom domenu. Rezoluciju je moguće poboljšati upotrebom
Wigner-ove distribucije, ali u slučaju multikomponentnih signala pojavljuju se kros članovi.
Cohen-ova klasa distribucija predstavlja skup distribucija kojima je cilj uklanjanje kros
članova. Ove distribucije su našle primjenu pri analizi raznih tipova signala kao što su
radarski, biomedicinski i seizmički signali. Da bi se ova analiza uspješno obavila u praksi
potrebno je realizovati efikasna hardverska rješenja za distribicije iz Cohen-ove klase.
Takođe, treba obezbjediti pogodne forme ovih distribucija za signale zahvaćenim šumovima.
U prvoj glavi dat je opis najčešće korišćenih vremensko-frekvencijskih distribucija:
spektrograma, Wigner-ove distribucije, S-metoda i Cohen-ove klase distribucija. Takođe je
dat pregled hardverskih realizacija nekih vremensko-frekvencijskih distribucija. Forme
distribucija u prvoj glavi predstavljaju standardne forme i one daju dobre rezultate za analizu
signala u prisustvu Gauss-ovog šuma. Međutim, pored Gauss-ovog šuma, u praksi se često
javljaju impulsni šumovi ili kombinacija Gauss-ovog i impulsnog šuma (mješoviti šum). U
tim slučajevima se koriste robusne forme i L-forme distribucija. Median forma i L-forma
Ambiguity funkcije su uvedene u Glavi 2. Na njima se zasnivaju forme distribucija iz Cohen-
ove klase koje se mogu koristiti u prisustvu impulsnog ili mješovitog šuma.
S obzirom da je realizovanje bilo koje distribucije iz Cohen-ove klase računski
zahtjevno, potrebno je naći pogodno rješenje za hardversku implementaciju. U Glavi 3
predstavljena je forma Cohen-ove klase distribucija koja sadrži generalnu formu jezgara
baziranih na eksponencijalnoj ili sinusnoj funkciji. Koristeći datu formu realizovano je
efikasno hardversko rješenje za Cohen-ovu klasu distribucija. Predstavljeno rješenje ne uzima
u obzir slučaj kada je signal zahvaćen sa impulsnim ili mješovitim šumom. U Glavi 4 dato
Magistarska teza Branka Jokanović
8
hardversko rješenje je modifikovano na osnovu predloženih robusnih i L-formi Ambiguity
funkcije.
Peta glava je posvećena algoritmima na kojima je zasnovano kompresivno odabiranje.
Kompesivno odabiranje, kao alternativa Shannon-ovoj teoremi, može se primjenjivati na
velikom broju signala. U radu je opisana realizacija jednog metoda kompresivnog odabiranja
zasnovanog na primal dual algoritmu. Primal dual algoritam predstavlja optimizacioni metod
koji ima ključnu ulogu u rekonstrukciji signala. Ovaj algoritam je inače računski
najzahtjevniji dio sistema. S obzirom na široku primjenljivost kompresivnog odabiranja,
definisanje algoritama na kojima bi se zasnivala arhitektura sistema ima veliki značaj.
Magistarska teza Branka Jokanović
9
Equation Chapter (Next) Section 1
Glava 1
1 Vremensko-frekvencijske distribucije signala
Signali, kao nosioci informacije su svuda oko nas. Da bi dobili željenu informaciju iz
signala potrebno je obraditi signal na odgovarajući način. Domen u kome se obavlja obrada i
analiza signala ima važnu ulogu. Prirodan domen za predstavljanje velikog broja signala je
vremenski domen. Međutim, veoma često je teško protumačiti informaciju iz signala
njegovim posmatranjem u ovom domenu. Iz tog razloga, pristupa se analizi signala u drugim
domenima [1], [2]. Prelazak signala iz jednog u drugi domen se obavlja preko transformacija.
Najčešće korišćena transformacija je Fourier-ova transformacija kojim se vrši predstavljanje
signala u frekvencijskom domenu. Fourier-ova transformacija u kontinualnoj formi se
definiše kao:
( ) ( )j tF f t e dt
, (1.1)
Frekvencijski domen je naročito pogodan za signale koji se mogu predstaviti kao
suma sinusoida. Inverzna Fourier-ova transformacija je definisana sa:
1
( ) ( )2
j tf t F e dt
, (1.2)
gdje F(ω) predstavlja Fourier-ovu transformaciju signala. Koristeći primjer Fourier - ove
transformacije, mogu se bolje razumjeti i neke druge transformacije u obradi signala.
Generalno, neka transformacija treba da omogući prestavljanje signala preko nekih
jednostavnih, takozvanih bazisnih funkcija koje su pomnožene odgovarajućim koeficijentima.
Svakom signalu odgovaraju određeni transformacioni koeficijenti. U većini aplikacija cilj je
da se preko što manjeg broja bazisnih funkcija predstavi signal. Smanjivanje broja
koeficijenata preko kojih se predstavlja signal je naročito značajno u oblastima kompresije
signala i uklanjanja šuma. Postoje razne vrste transformacija, ali nijedna nije optimalna za sve
vrste signala. Transformacije koje predstavljaju signal u frekvencijskom domenu kao što su
Fourier-ova transformacija ili diskretna kosinusna transformacija pružaju podatke o
spektralnom sadržaju signala, ali ne i o vremenskom pojavljivanju spektralnih komponenti. S
Magistarska teza Branka Jokanović
10
obzirom da je većina signala u prirodi vremenski promjenljivog spektralnog sadržaja,
potrebno je koristiti transformaciju koja će pratiti spektar u vremenu [1]-[10].
1.1 Kratkotrajna Fourier-ova transformacija i spektrogram
Najprostije rješenje za dobijanje vremenski promjenljivog spektra je kada se za dati
vremenski trenutak izvrši Fourier-ova transformacija signala odsiječenog prozorom, a zatim
se, klizajući prozor izračunavaju Fourier-ove transformacije za ostale vremenske trenutke. Na
ovaj način je definisana kratkotrajna Fourier-ova transformacija [1]:
( , ) ( ) ( ) .jSTFT t x t w e d
(1.3)
Njena energetska verzija je spektrogram:
2
( , ) ( , ) .SPEC t STFT t (1.4)
Ova transformacija je veoma jednostavna, ali ima određene nedostatke. Naime, zbog
fiksne funkcije prozora ne možemo imati dobru rezoluciju i u vremenskom i u
frekvencijskom domenu. Sužavanjem prozora u vremenskom domenu poboljšava se
vremenska, ali slabi frekvencijska rezolucija i obratno.
1.2 Wigner-ova distribucija
U cilju poboljšanja rezolucije u vremensko- frekvencijskom domenu uvedena je
Wigner-ova distribucija koja se zasniva na autokorelacionoj funkciji signala [1]. Wigner-ova
distribucija se definiše kao Fourier-ova transformacija autokorelacione funkcije R(t,τ):
( , ) ( , )jWD t R t e d
, (1.5)
gdje je R(t,τ):
( , ) ( ) ( )2 2
R t x t x t
. (1.6)
Magistarska teza Branka Jokanović
11
Za monokomponente signale, Wigner-ova distribucija daje bolju rezoluciju u odnosu
na spektrogram. U slučaju multikomponentnih signala, Wigner-ova distribucija zbog svoje
kvadratne prirode, proizvodi kros članove. Za multikomponentni signal x(t),
1
( ) ,m
i
i
x t x
(1.7)
Wigner-ova distribucija je:
1 1 1
( , ) ( ) ( ) ( ) ( ) .2 2 2 2
m m mj j
i i i k
i i kk
WD t x t x t e d x t x t e d
(1.8)
Uočavamo da, pored sume Wigner-ovih distribucija za svaku komponentu signala, postoje i
članovi koji predstavljaju neželjenu komponentu. Sumirajući rezultate pomenutih distribucija
možemo konstantovati da spektrogram ima slabu rezoluciju, dok se kod Wigner-ove
distribucije javljaju kros članovi. Međutim, ovo nisu jedine mane ovih distribucija. Treba
napomenuti da u slučaju signala čiji viši izvodi faze se ne mogu zanemariti, Wigner-ova
distribucija i spektrogram će proizvoditi rasipanje oko trenutne frekvencije (trenutna
frekvencija je prvi izvod faze). Stoga su uvedene i distribucije višeg reda. S obzirom da je
kod velikog broja signala moguće zanemariti više izvode faze, velika pažnja je posvećena
definisanju distribucija koje bi davale bolje rezultate u odnosu na Wigner-ovu distribuciju i
spektrogram. Kao što je rečeno, kros članovi predstavljaju manu Wigner-ove distribucije. U
cilju poboljšanja Wigner-ove distribucije predložene su brojne forme distribucija čiji je cilj
eliminacija ili redukcija uticaja kros članova.
1.3 S-metod
Jedan od načina da se redukuju ili u potpunosti eliminišu kros članovi je upotreba S-
metoda koji koristi vezu kratkotrajne Fourier-ove transformacije i Wigner-ove distribucije
[3]. Naime, Wigner-ova distribucija se može izraziti preko kratkotrajne Fourier-ove
transformacije na sljedeći način:
1
( , ) ( , ) ( , ) .WD t STFT t STFT t d
(1.9)
Magistarska teza Branka Jokanović
12
Uvodeći prozor u frekvencijskom domenu, moguće je eliminisati kros članove. Odnosno, S-
metod se definiše kao:
1
( , ) ( ) ( , ) ( , ) ,SM t P STFT t STFT t d
(1.10)
ili u diskretnom obliku:
*
2 *
1
( , ) ( ) ( , ) ( , )
( , ) 2Re ( ) ( , ) ( , ) .
L
i L
L
i
SM n k P i STFT n k i STFT n k i
STFT n k P i STFT n k i STFT n k i
(1.11)
Mana S-metoda je što ne zadovoljava marginalne uslove.
1.4 Cohen-ova klasa distribucija
U cilju eliminisanja kros članova koji se javljaju u Wigner-ovoj distribuciji može se
koristiti i čitav set distribucija koje pripadaju Cohen-ovoj klasi [4]. Napomenimo da
spektrogram i Wigner-ova distribucija takođe pripadaju generalizovanoj Cohen-ovoj klasi.
Jedna od definicija Cohenove klase distribucija se bazira na korišćenju ambiguity domena. U
ambiguity domenu auto i kros članovi imaju drugačiji raspored u odnosu na raspored u
vremensko-frekvencijskom domenu. Za signale čije se glavne kompunente nalaze na niskim
frekvencijama, kakva je većina u praksi, auto članovi će biti locirani oko koordinatnog
početka. Ovakav raspored nam omogućava izdvajanje auto članova koristeći niskopropusnu
filtarsku funkciju. Filtarska funkcija se zove funkcija jezgra. Za povratak iz ambiguity u
vremensko-frekvencijski domen koristi se 2D inverzna Fourier-ova transformacija. Na ovaj
način dobija se vremensko-frekvencijska distribucija koja ima redukovane kros članove.
Međutim, treba napomenuti da kod nekih signala auto i kros članovi u ambiguity domenu
mogu biti veoma bliski. U tom slučaju, treba biti pažljiv sa odabirom funkcije jezgra, jer ako
bi uklonili dio auto članova došlo bi do gubitka korisne informacije. Optimalno rješenje
predstavlja kompromis između očuvanja auto članova i eliminacije kros članova.
Cohen-ova klasa distribucija se definiše kao:
Magistarska teza Branka Jokanović
13
1
( , ) ( , ) ( , ) ,2
j t jCD t c A e d d
(1.12)
gdje c(θ,τ) predstavlja funkciju jezgra, dok je A(θ,τ) Ambiguity funkcija. Koordinata θ se
označava kao Doppler-ova frekvencija, dok je τ vremensko kašnjenje. Relacija koja povezuje
Ambiguity funkciju i Wigner-ovu distribuciju je:
,( , ) { ( , )},tA FT WD t (1.13)
gdje FTt,ω predstavlja 2D Fourier-ovu transformaciju po vremenu t i frekvenciji ω.
Ambiguity funkcija se definiše kao Fourier-ova transformacija auto-korelacione
funkcije po promjenljivoj t:
*( , ) ( ) ( ) .2 2
j tA x t x t e dt
(1.14)
Svaka specifična distribucija iz Cohen-ove klase je određena funkcijom jezgra. Na primjer, za
2 2
( , ) , 0,c e
dobija se Choi-Williams-ova distribucija. Osobine distribucija iz
Cohen-ove klase su određene osobinama funkcije jezgra. Neke od osobina koje bi trebalo da
zadovoljava funkcija jezgra su:
1. Funkcija jezgra je realna *( , ) ( , )c c ,
2. Trenutna snaga signala ( ,0) 1c ,
3. Spektralna gustina snage (0, ) 1c .
1.5 Primjer
Posmatrajmo signal 20.3( 7) 3.1sin(0.2 )( ) j n j nx n e e . Na Slici 1.1 dat je spektrogram
signala, Wigner-ova distribucija i distribucija iz Cohen-ove klase zasnovana na Gauss-ovom
jezgru (Slika 1.2).
Magistarska teza Branka Jokanović
14
a) b) c)
Slika 1.1 a) Spektrogram, b) Wigner-ova distribucija, c) Distribucija iz Cohen-ove klase
Slika 1.2 Gauss-ovo jezgro
Dati signal ima dvije komponente. Uočavamo da spektrogram ima slabu rezoluciju, dok
je kod Wigner-ove distribucije rezolucija znatno bolja. Međutim, pojavljuje se kros član na
sredini između dva auto člana. Dobra rezolucija i odsustvo kros člana je postignuto
korišćenjem distribucije iz Cohen-ove klase zasnovane na Gauss-ovom jezgru.
1.6 Hardverske realizacije nekih vremensko-frekvencijskih
distribucija
Za vremensku-frekvencijsku analizu signala u praksi potrebno je obezbjediti optimalna
hardverska rješenja. U literaturi su predložene razne vrste implementacija za spektrogram i
Wigner-ovu distribuciju. Ove distribucije su računski jednostavne za realizaciju. S-metod,
iako računski kompleksniji u odnosu na pomenute distribucije, ima bolju rezoluciju u odnosu
na spektrogram, a kros članovi koji se javljuju kod Wigner-ove distribucije za slučaj
multikomponentnih signala, su redukovani ili potpuno eliminisani. Jedan način realizacije
sistema koji računa S-metod je predložen u [11]. Data su hardverska rješenja za S-metod sa
fiksnom dužinom prozora i za adaptivni S-metod. Takođe, postojeći hardver se može koristiti
Magistarska teza Branka Jokanović
15
za realizaciju L-Wigner-ove distribucije i polinomijalne Wigner-ove distribucije. Šema
realizacije za S-metod sa fiksnom dužinom prozora (L=2) je data na Slici 1.3 (zbog
jednostavnosti prikaza izostavljeni su kontrolni signali). Sistem se sastoji iz dva dijela. Prvi
dio služi za računanje kratkotrajne Fourier-ove transformacije, dok drugi dio koristi dobijenu
kratkotrajnu Fourier-ovu transformaciju za realizaciju S-metoda. Ulazni signal se preko A/D
konvertora pretvara u 16-bitni signal i na osnovu takvog signala se računa kratkotrajna
Fourier-ova transformacija koja se dalje koristi pri računanju S-metoda. Da bi se izbjegla
operacija kompleksnog množenja, posebno se radi sa realnim STFTRe i imaginarnim dijelom
STFTIm kratkotrajne Fourier-ove transformacije. S obzirom na vezu koja postoji između S-
metoda, L- Wigner-ove distribucije i polinomijalne Wigner-ove distribucije dato rješenje
predstavlja efikasan način realizacije pomenutih vremensko-frekvencijskih distribucija.
A/D
R1
X
X
16
R64
...
Vcc
+Vcc
...
k=0
k=1...+
+
+
Vcc
X
X
STFTIm(n-1,k)
STFTRe(n-1,k)
X
XSTFTRe(n,k+2)
STFTRe(n,k-2)
XSTFTRe(n,k-1)
STFTRe(n,k+1)
STFTRe(n,k)
shift
shift
+
+
X
XSTFTIm(n,k+1)
STFTIm(n,k-1)
XSTFTIm(n,k+2)
STFTIm(n,k-2)
STFTIm(n,k)
shift
shift
+
+
+
SM(n,k)
Slika 1.3 Blok šema realizacije sistema za računanje S-metoda
Drugačiji način realizacije hardverskog rješenja za vremensko-frekvencijsku analizu
je dat u [12]-[15]. Pomenuta rješenja koriste pristup sa više taktova (multiple clock cycle
implementacija - MCCI). Ovaj pristup je pogodan, jer omogućava korišćenje istih
hardverskih resursa više puta što umanjuje broj kola potrebnih za njegovu realizaciju. U [12]
je data realizacija sistema koji se zasniva na S-metodu. Šema realizacije sistema je data na
Slici 1.4. Ovaj sistem se može podijeliti na dva bloka. Prvi blok računa kratkotrajnu Fourier-
Magistarska teza Branka Jokanović
16
ovu transformaciju (označenu sa F na slici), dok drugi dio modifikuje izlaze prvog bloka u
cilju dobijanja distribucije zasnovane na S-metodu ili na L-Wigner-ovoj distribuciji. Razlika
ovog pristupa u odnosu na prethodni je ta što se pokušava raspodjeliti vrijeme računanja
distribucije na više taktova. Odnosno, računanje se obavlja iz nekolika koraka, pri čemu je
trajanje svakog koraka jedan takt. Na ovaj način se povećava frekvencija takta. U prvom taktu
se računa kratkotrajna Fourier-ova transformacija, dok se u drugom računa spektrogram. U
sljedećim taktovima se računa S-metod, pri čemu što je veći redni broj takta, širi je i prozor
koji se koristi za računanje S-metoda. Multiplekser na ulazu drugog dijela omogućava
korišćenje dobijenog S-metoda ukoliko se želi računati L-Wigner-ova distribucija. Ovaj
pristup je iskorišćen i za prostorno-frekvencijsku analizu 2D signala u [13] čija je šema
realizacije data na Slici 1.5. Prikazan je sistem gdje je širina prozora za realizaciju 2D S-
metoda L=1. Otuda devet elemenata u konvolucionom prozoru koji se dalje dovode na dio
koji od vrijednosti 2D kratkotrajne Fourier-ove transformacije računa 2D S-metod (STFT-
SM).
A/D
R1
X
X
16
R64
...
Vcc
+Vcc
...k=0
k=1...
+
+
+
Vcc
X
X
FIm(n-1,k)
FRe(n-1,k)
FIm(n,k-N/2+1)
FIm(n,k)
M
U
XM
U
X
M
U
X
M
U
X
M
U
X
X
D
M
U
X shift
M
U
X+
M
U
X
0
real
X
D
M
U
X shift
M
U
X+
M
U
X
0
imag
M
U
X
0+
SM
......
......
FIm(n,k+N/2-1)
FRe(n,k-N/2+1)
FRe(n,k+N/2-1)
FRe(n,k)
Slika 1.4 Šema realizacije multiple clock cycle sistema za vremensko-frekvencijsku analizu
Magistarska teza Branka Jokanović
17
(k1+1,k2+1) (k1+1,k2) (k1+1,k2-1) kašnjenje
(k1,k2+1) (k1,k2) (k1,k2-1) kašnjenje
(k1-1,k2+1) (k1-1,k2) (k1-1,k2-1)
STFT
9
M
U
X
M
U
X
X + SMregistarshiftSM
Slika 1.5 Šema realizacije multiple clock cycle sistema za prostorno-frekvencijsku analizu
Magistarska teza Branka Jokanović
18
Equation Chapter (Next) Section 1
Glava 2
2 Robusne distribucije
2.1 Uvod – priroda šuma
Šumovi su neizbježna pojava u realnim signalima. Naime, zbog različitih uzroka,
nikad nemamo idealno „čist“ signal, već neku zašumljenu verziju. Postoje razne vrste
šumova. Najčešći šum je termički šum koji nastaje u poluprovodničkim komponentama.
Jedan takođe veoma rasprostranjen tip šuma je impulsni šum. Svi šumovi su slučajne veličine.
S obzirom na tu osobinu, šumovi se ne mogu u potpunosti eliminisati. Međutim, moguće je
smanjiti njihov uticaj. Da bi analizirali šum koriste se funkcije raspodjele vjerovatnoće.
Termički šum se može modelovati Gauss-ovom raspodjelom, dok impulsnom šumu odgovara
Laplace-ova raspodjela. Na Slici 2.1 je data Gauss-ova raspodjela koja se opisuje relacijom
2
2
( )
21
( ) ,2
e
p e e
(2.1)
gdje je µ srednja vrijednost promjenljive e, dok je σ varijansa šuma.
Slika 2.1 Gauss-ova raspodjela
Srednja vrijednost nam govori koja vrijednost šuma je najviše zastupljena, dok
varijansa pruža informaciju koliko su ostale vrijednosti šuma udaljene u odnosu na srednju
vrijednost. Oba parametra su vrlo bitna, jer ako šum ima malu srednju vrijednost to ne znači
da su ostale vrijednosti takođe bliske srednjoj vrijednosti. Odnosno, manja vrijednost µ ne
znači manju varijansu. Iz tog razloga se uzimaju u obzir oba parametra. Još jedna
e
p(e)
Magistarska teza Branka Jokanović
19
karakteristika Gauss-ovog šuma je ta što vrijednosti na krajevima intervala imaju male
vjerovatnoće pojavljivanja.
Impulsni šum je šum koji se najčešće javlja uslijed atmosferskog pražnjenja. Ovaj šum
može da uzima vrlo velike vrijednosti, odnosno u signalu se javljaju impulsi. Odatle i njegov
naziv. Impulsni šum se može modelovati Laplace-ovom raspodjelom (Slika 2.2):
1
( ) ,2
e
bp e eb
(2.2)
gdje su b i µ parametri raspodjele. Parametar µ predstavlja centralnu vrijednost raspodjele,
dok vrijednost parametra b određuje nagib raspodjele.
Slika 2.2 Laplace-ova raspodjela
Šumovi kojima odgovara Laplace-ova raspodjela se zovu heavy-tailed šumovi.
Postavlja se pitanje na koji način je moguće smanjiti uticaj šuma bilo kojeg tipa. Definisane
su različite vrste filtara čiji je zadatak redukcija šuma.
2.2 Estimacije signala
Jedan od načina filtriranja definiše Huber-ova estimaciona teorija. Po ovoj teoriji,
estimator signala se dobija rješavanjem optimizacionog problema koji zavisi od statističkih
karakteristika šuma. Neka je dat diskretni signal f(n) koji sadrži šum i koji se može
modelovati kao:
( ) ( ) ( ),f n s n v n (2.3)
e
p(e)
Magistarska teza Branka Jokanović
20
gdje je s(n) nezašumljena verzija signala f(n), dok je v(n) signal šuma. Po Huber-ovoj teoriji
estimator signala, odnosno filtrirani signal x(n) se dobija kao rješenje sljedećeg
optimizacionog problema:
( ) arg min ( ) .n N
k n N
x n F f k
(2.4)
Za svaki odbirak signala f(n) formira se skup od 2N+1 odbiraka koji učestvuju u
estimaciji tačke x(n). Funkcija F(e) predstavlja funkciju gubitaka, gdje je ( )e f k . Ova
funkcija zavisi od funkcije gustine šuma pv(e) i definiše se kao:
( ) log ( ).vF e p e (2.5)
S obzirom na zavisnost funkcije F(e) od pv(e), u slučaju šuma čija funkcija gustine šuma
odstupa od zadate, filtar neće davati zadovoljavajuče rezultate. U nastavku su date forme
filtara za Gauss-ov i impulsni šum.
Gauss-ov šum
Kod Gauss-ovog šuma, funkcija gustine vjerovatnoće je data sa (2.1), pa je funkcija gubitaka:
2
2
( )
221
( ) log ( ) log( ) .2
e
F e p e e e
(2.6)
Rješavanjem optimizacionog problema dobija se forma filtra koji zapravo predstavlja filtar
srednje vrijednosti:
,
1( ) ( ) ( ).
2 1
n N
k n N n Nk n N
f k mean f k x nN
(2.7)
Impulsni šum
Na sličan način se dobija forma filtra za šum sa Laplace-ovom raspodjelom. Funkcija
gubitaka je:
1
( ) log ( ) log( ) .2
e
bF e p e e eb
(2.8)
Zamjenjujući (2.8) u (2.4) i minimizacijom dobija se filtar koji se zove median filtar:
Magistarska teza Branka Jokanović
21
( ) 0 ( ) 0.n N n N
k n N k n N
sign f k sign f k
(2.9)
Date forme filtara su zasnovane na posmatranju signala u vremenskom domenu. S
obzirom na značaj transformacija signala, treba naći i njihove odgovarajuće forme filtara.
2.2.1 Mean i median forme Fourier-ove transformacije
Neka je dat signal f(n) od N odbiraka koji sadrži šum v(n). Njegova Fourier-ova
transformacija se dobija rješavanjem sljedećeg optimizacionog problema:
21
0
( ) arg min ( ) .N j kn
N
n
X k F f n e
(2.10)
Gauss-ov šum
Za Gauss-ov šum funkcija gubitaka se definiše kao 2( )F e e . Minimizacija izraza
221
0
( , ) ( ) ,N j kn
N
n
I k f n e
(2.11)
podrazumijeva traženje njegovog parcijalnog izvoda po i izjednačavanje dobijenog izraza
sa nulom. Opisanim postupkom dobija se jednačina sa nepoznatom :
21 1
0 0
( ) ,N Nj kn
N
n n
f k e
(2.12)
čijim rješavanjem se dobija:
21
0
1( ) ( ).
N j knN
n
f k e X kN
(2.13)
Izraz (2.13) predstavlja standardnu formu diskretne Fourier-ove transformacije.
Magistarska teza Branka Jokanović
22
Impulsni šum
Iako postoje nekoliko vrsta impulsnih šumova, većina se može modelovati sa Laplace-
ovom raspodjelom, odnosno njihova funkcija gubitaka je ( )F e e . Slično kao u slučaju
Gauss-ovog šuma, vršimo minimizaciju sljedećeg izraza:
21
0
( , ) ( ) .N j kn
N
n
I k f k e
(2.14)
Izjednačavanjem parcijalnog izvoda po µ,
( , )0
I k
,
dobija se
21
0
( ) 0.N j kn
N
n
sign f k e
(2.15)
Funkcija znaka ( )sign x se može zamjeniti sa ( )x
sign xx
, pa (2.15) postaje:
2
1
20
( )0,
( )
j knN N
j knn N
f k e
f k e
(2.16)
odnosno:
2
1
1 20
20
1 ( )( ).
1( )
( )
j knN N
Nj knn N
j knn N
f k eX k
f k e
f k e
(2.17)
S obzirom da relacija (2.17) sadrži traženu estimaciju µ i na lijevoj i na desnoj strani,
potrebno je naći odgovarajući način rješavanja. Razmotrimo tri načina za rješavanje
jednačine:
iterativna procedura,
vektor median,
Magistarska teza Branka Jokanović
23
marginalni median.
Dobijena forma filtra u prisustvu impulsnog šuma je poznata pod nazivom median forma
[16]-[18].
2.2.2 Marginalni median
Za rješavanje izraza (2.17) najčešće se koristi marginalni median. Razlog je manja
računska složenost u odnosu na iterativnu proceduru i vektor median. Manja računska
složenost znači i brže izvršavanje. Marginalni median se može koristiti kada su realni i
imaginarni dio funkcije gubitaka nezavisni, odnosno F(e) možemo zapisati kao:
( ) Re{ ( )} Im{ ( )} .F e F e j F e (2.18)
Postupak traženja marginalnog mediana se može objasniti na primjeru diskretne Fourier-ove
transformacije. Marginalni median diskretne Fourier-ove transformacije je:
2 2
( ) (Re ( ) ) (Im ( ) ) 0, 1 .j kn j kn
N NX k median f n e jmedian f n e n N
(2.19)
Naime, posebno se posmatraju nizovi koji predstavljaju realne i imaginarne djelove
elemenata niza
2
( )j kn
Nf n e
. Dobijeni nizovi se sortiraju i uzima se srednja vrijendost niza.
Ovaj postupak razdvajanja na realni i imaginarni dio se koristi i u slučajevima kada se
funkcija gubitaka ne može predstaviti kao u (2.18). Greška koja nastaje se može zanemariti,
jer je mala razlika u rezultatima dobijenim preko marginalnog mediana, vektor mediana i
iterativne procedure.
2.3 Mean i median forme Cohen-ove klase distribucija
Mean i median forme vremensko-frekvencijskih distribucija su izvedene na sličan
način kao u slučaju Fourier-ove transformacije. Za signale u prisustvu impulsnog šuma,
definisane su median forme spektrograma i Wigner-ove distribucije. S obzirom da postoji
Magistarska teza Branka Jokanović
24
veza između Cohen-ove klase distribucija, tačnije Ambiguity funkcije i Wigner-ove
distribucije, na osnovu median forme Wigner-ove distribucije mogu se izračunati distribucije
iz Cohen-ove klase.
2.3.1 Dobijanje estimacije Cohen-ove klase distribucija korišćenjem
Wigner-ove distribucije
Za Wigner-ovu distribuciju optimizacioni problem se definiše na sljedeći način:
/2
/2
, arg min , , ,p
p
N
m N
WD n k F e n k m
(2.20)
gdje je Np širina prozora koja se koristi kod autokorelacione funkcije, a e(n,k,m):
* 2 /, , 2 Re .j mk Ne n k m f n m f n m e (2.21)
Gauss-ov šum (standardna forma Wigner-ove distribucije i Ambiguity funkcije)
Za Gauss-ov šum i njegovu funkciju gubitaka 2( )F e e optimizacioni problem (2.20)
postaje:
/2
2
/2
( , ) arg min .p
p
N
m N
J
WD n k e
(2.22)
Minimizacijom izraza označenog sa J dobijamo:
0J
/22 /*
/2
2 Re{ ( ) ( ) } 0.p
p
p
Nj mk N
m N
x n m x n m e
(2.23)
Kako je suma realnih djelova isto što i realni dio od sume, prethodni izraz zapisujemo kao:
/22 /*
/2
Re ( ) ( ) 0,p
p
p
Nj mk N
m N
x n m x n m e
(2.24)
odnosno,
Magistarska teza Branka Jokanović
25
/22 /*
/2
Re ( ) ( ) .p
p
p
Nj mk N
p
m N
x n m x n m e N
(2.25)
Standardna Wigner-ova distribucija se dobija kao:
/22 /*
/2
1Re ( ) ( ) ( , ).
p
p
p
Nj mk N
m Np
x n m x n m e WD n kN
(2.26)
Nakon dobijanja standardne forme Wigner-ove distribucije, Ambiguity funkcija se
računa kao:
/2/22 /2 /
/2 /2
( , ) ( , ) .p
p
p
NNj kv Nj np N
n N k N
A p v WD n k e e
(2.27)
Zamjenjujući dobijeni izraz (2.26) u (2.27) dobijamo:
/2 /2/22 / 2 /* 2 /
/2 /2 /2
1( , ) ( ) ( ) .
p p
p p
p p
N NNj mk N j kv Nj np N
n N k N m Np
A p v x n m x n m e e eN
(2.28)
Zamijenimo mjesta sumama kao i eksponencijalnim članovima:
/2 /2 /22 / 2 /* 2 /
/2 /2 /2
1( , ) ( ) ( ) .
p p
p p
p p
N N Nj mk N j kv Nj np N
m N k N n Np
A p v x n m x n m e e eN
(2.29)
Uočava se da dio unutar velike zagrade odgovara direktnom računanju Ambiguity funkcije
preko autokorelacione funkcije.
Impulsni šum (median forma Wigner-ove distribucije i Ambiguity funkcije)
Na sličan način kao u slučaju standardne forme, izvodi se rješenje za median formu.
Rješenje optimizacionog problema za Wigner-ovu distribuciju kada je ( )F e e označićemo
sa:
/2
/2
( , ) arg min ( ),p
p
N
R
m N
WD n k F e
(2.30)
Odnosno važi:
Magistarska teza Branka Jokanović
26
/2
/2
( , ) arg min .p
p
N
R
m N
J
WD n k e
(2.31)
Traženjem parcijalnog izvoda izraza J po µ i njegovim izjednačavanjem sa nulom dobijamo:
/2
2 /*
/2
( ) ( ) 0.p
p
p
Nj mk N
m N
sign x n m x n m e
(2.32)
Zamjenjivanjem funkcije znaka dobja se pogodniji izraz za µ:
( )x
sign xx
/2 2 /*
2 /*/2
( ) ( )0,
( ) ( )
p p
p
p
N j mk N
j mk Nm N
x n m x n m e
x n m x n m e
(2.33)
odnosno,
/2 /2 2 /*
2 / 2 /* */2 /2
1 ( ) ( ).
( ) ( ) ( ) ( )
p p p
p p
p p
N N j mk N
j mk N j mk Nm N m N
x n m x n m e
x n m x n m e x n m x n m e
(2.34)
Median forma Wigner-ove distribucije je:
/2 2 /*
/2 2 /*/2
2 /*/2
1 ( ) ( ),
1 ( ) ( )
( ) ( )
p p
p p
p
p
p
N j mk N
N j mk Nm N
j mk Nm N
x n m x n m e
x n m x n m e
x n m x n m e
(2.35)
ili drugačije zapisano:
/2 2 /*
/22 //2 *
2 /*/2
( ) ( )( , ) .
1( ) ( )
( ) ( )
p p
p
pp
p
p
N j mk N
R Nj mk Nm N
j mk Nm N
x n m x n m eWD n k
x n m x n m ex n m x n m e
(2.36)
Na osnovu dobijene Wigner-ove distribucije računamo Ambiguity funkciju koristeći:
/2/22 /2 /
/2 /2
( , ) ( , ) .p
p
p
NNj kv Nj np N
R
n N k N
A p v WD n k e e
(2.37)
Magistarska teza Branka Jokanović
27
Median forma Ambiguity funkcije je:
/2 /2 2 / 2 /* 2 //2
/22 //2 /2 /2 *
2 /*/2
( , )
( ) ( ).
1( ) ( )
( ) ( )
p p p p
p
pp p
p
p
N N j mk N j kv Nj np NN
Nj mk Nn N k N m N
j mk Nm N
A p v
x n m x n m e e e
x n m x n m ex n m x n m e
(2.38)
Uz zamjenu mjesta sumama kao i eksponencijalnim članovima dobijamo:
/2 /22 / 2 /
/2 /2
* 2 //2
/22 //2 *
2 /*/2
( , ) ( , , ) ,
( ) ( )za ( , , ) .
1( ) ( )
( ) ( )
p p
p p
p p
p
p
p
p
N Nj mk N j kv N
m N k N
j np NN
Nj mk Nn N
j mk Nm N
A p v D n m p e e
x n m x n m eD n m p
x n m x n m ex n m x n m e
(2.39)
2.4 Median forma Ambiguity funkcije
Postupak traženja median forme Ambiguity funkcije na osnovu Wigner-ove
distribucije je računski zahtjevan. U nastavku ćemo objasniti postupak traženja median forme
Ambiguity funkcije direktno u ambiguity domenu. Tražimo rješenje optimizacionog
problema definisanog na sljedeći način:
/2
/2
( , ) arg min ( ).N
R
n N
A p m F e
(2.40)
Zapisujući funkciju gubitaka kao ( )F e e gdje je e:
* 2 /( ) ( ) ,j np Ne x n m x n m e (2.41)
(2.40) postaje
Magistarska teza Branka Jokanović
28
/2
/2
( , ) arg min .N
R
n N
J
A p m e
(2.42)
Rješavanje optimizacionog problema uključuje sljedeće korake:
0J
/2
* 2 /
/2
( ) ( ) 0,N
j np N
n N
sign x n m x n m e
(2.43)
* 2 //2
* 2 //2
( ) ( )0.
( ) ( )
j np NN
j np Nn N
x n m x n m e
x n m x n m e
(2.44)
Na osnovu:
* 2 //2 /2
* 2 / * 2 //2 /2
1 ( ) ( ),
( ) ( ) ( ) ( )
j np NN N
j np N j np Nn N n N
x n m x n m e
x n m x n m e x n m x n m e
(2.45)
dobijamo rješenje optimizacionog problema kao:
* 2 //2
/2 * 2 //2
* 2 //2
1 ( ) ( ).
1 ( ) ( )
( ) ( )
j np NN
N j np Nn N
j np Nn N
x n m x n m e
x n m x n m e
x n m x n m e
(2.46)
Odnosno, median forma Ambiguity funkcije dobijena direktnim računanjem u ambiguity
domenu je:
* 2 //2
/2* 2 //2
* 2 //2
( ) ( )( , ) .
1( ) ( )
( ) ( )
j np NN
R Nj np Nn N
j np Nn N
x n m x n m eA p m
x n m x n m ex n m x n m e
(2.47)
2.5 Forma Ambiguity funkcije u prisustvu kombinovanog Gauss-
ovog i impulsnog šuma (robusna forma)
Forma filtra kada je signal zahvaćen kombinacijom Gauss-ovog i impulsnog šuma
(poznat i kao mješoviti šum) se može izvesti ako se zna funkcija gustine vjerovatnoće takvog
Magistarska teza Branka Jokanović
29
šuma. Međutim, u praksi je teško odrediti funkciju gustine vjerovatnoće kombinacije Gauss-
ovog i impulsnog šuma. Kako je Huber-ov estimacioni pristup osjetljiv na formu funkcije
gustine vjerovatnoće, umjesto njega koriste se L-filtri.
Izlaz L-filtra za ulazni signal f(n) se definiše kao:
1
( ) ( ),N
i i
i
x n a f n
(2.48)
gdje su koeficijenti ia takvi da zadovoljavaju sljedeće uslove:
11,
.
N
i
i
i N i
a
a a
(2.49)
Prvi uslov se odnosi na očuvanje energije, dok drugi omogućava da su jednaki
koeficijenti koji se množe sa elementima simetričnim u odnosu na medijan.
Najčešće se koristi trimovana forma L-filtra koja iz sortirane sekvence bira
nekoliko vrijednosti oko mediana (simetrično) i usrednjava ih, a ostale množi sa nulom.
Izraz za robusnu Ambiguity funkciju u trimovanoj formi L-filtra je:
/2 1
/2
, , ,N
L i i i
i N
A p m a r p m j i p m
gdje su ,ir p m i ,ii p m elementi sortiranih nizova ,R p m i ,I p m . ,R p m sadrži
realne djelove* 2 /( ) ( ) j np Nx n m x n m e , a ,I p m imaginarne:
* 2 /
* 2 /
, , , , Re ( ) ( ) , / 2, / 2 ,
, , , , Im ( ) ( ) , / 2, / 2 .
j np N
i
j np N
i
r p m R p m R p m x n m x n m e n N N
i p m I p m I p m x n m x n m e n N N
Koeficijenti ia se mogu definisati kao:
1, za 2 , 2 1 ,
1 2 4
0, ostalo.
i
i N N NNa
(2.50)
Magistarska teza Branka Jokanović
30
Za 0 dobija se standardna Ambiguity funkcija, a za 0.5 median forma Ambiguity
funkcije.
2.6 Primjeri
Primjer 1
Posmatrajmo signal 32cos(2 )( ) j nx n e zahvaćen Gauss-ovim, impulsnim i mješovitim
šumom. Na Slici 2.3 date su standardne, median i L forme Ambiguity funkcije dobijene
direktnim računanjem u ambiguity domenu. Uzeto je da prozor autokorelacione funkcije ima
128 odbiraka, dok je ukupna dužina signala 256 odbiraka.
a)
b) c) d)
Magistarska teza Branka Jokanović
31
e) f) g)
h) i) j)
Slika 2.3 a) Ambiguity funkcija signala b) Standardna Ambiguity funkcija signala sa Gauss-
ovim šumom, c) Median forma Ambiguity funkcije signala sa Gauss-ovim šumom, d) L-
forma Ambiguity funkcije signala sa Gauss-ovim šumom, e) Standardna Ambiguity funkcija
signala sa impulsnim šumom f) Median forma Ambiguity funkcije signala sa impulsnim
šumom, g) L-forma Ambiguity funkcije signala sa impulsnim šumom, h) Standardna
Ambiguity funkcija signala sa mješovitim šumom, i) Median forma Ambiguity funkcije
signala sa mješovitim šumom, j) L-forma Ambiguity funkcije signala sa mješovitim šumom.
Uočavamo da su rezultati dobijeni korišćenjem L forme optimalni za sve tri vrste šuma, dok
standardne forme jedino daju dobre rezultate u prisustvu Gauss-ovog šuma.
Primjer 2
Signalu
32cos(1.5 ) 20cos( )
3( )j n j n
x n e
je dodat mješoviti šum. Na Slici 2.4 date su standardne,
median i L forme Wigner-ove distribucije. Wigner-ove distribucije dobijene preko
standardnih, median i L formi Ambiguity funkcije koje su računate direktno u ambiguity
domenu su date na Slici 2.5. Prozor autokorelacione funkcije ima 101 odbirak, dok je ukupna
dužina signala 800 odbiraka.
Magistarska teza Branka Jokanović
32
a) b) c)
Slika 2.4 a) Standardna Wigner-ova distribucija zašumljenog signala, b) Median forma
Wigner-ove distribucije signala sa mješovitim šumom, c) L forma Wigner-ove distribucije
signala sa mješovitim šumom.
a) b) c)
Slika 2.5 Wigner-ova distribucija signala sa mješovitim šumom dobijena preko Ambiguity
funkcije : a) Standardna forma, b) Median forma, c) L-forma
Ovaj primjer ukazuje na prednost direktnog računanja estimacije ambiguity funkcije. S
obzirom da se u našim primjerima analiza signala ne vrši u ambiguity domenu, već u
vremensko-frekvencijskom domenu, koristeći Ambiguity funkciju dobili smo vremensko-
frekvencijsko predstavljanje. Dakle, vremensko-frekvencijsko predstavljanje dobijeno na bazi
robusne Ambiguity funkcije (L-forma) predstavlja optimalno rješenje za analizu signala
zahvaćenih mješovitim šumom. Na Slici 1.4 su prikazana tri slučaja Wigner-ove distribucije
dobijene standardnim računanjem, dok su na Slici 1.5 prikazane Wigner-ove distribucije
Magistarska teza Branka Jokanović
33
dobijene preko tri forme Ambiguity funkcije. Pokazuje se da je L-forma optimalno rješenje za
analizu signala zahvaćenog mješovitim šumom.
Magistarska teza Branka Jokanović
34
Equation Chapter (Next) Section 1
Glava 3
3 Modifikovana forma Cohen – ove klase distribucija
pogodna za hardversku realizaciju i njena
implementacija
Za redukciju kros članova prisutnih kod Wigner-ove distribucije koristi se Cohen-ova
klasa distribucija. Njoj pripada značajan broj kvadratnih distribucija. Svaka distribucija je
određena funkcijom jezgra preko koje se filtriranjem u ambiguity domenu vrši redukcija kros
članova. Postoje različiti oblici funkcije jezgra. Neke od najčešće korišćenih funkcija jezgra
su date u Tabeli 3.1, dok je njihova ilustracija prikazana na Slici 3.1.
Tabela 3.1 Najčešće korišćena jezgra
Jezgro Matematički oblik
Choi-Williams 2 2
( , ) , 0c e
Born-Jordan sin( / 2)
( , )/ 2
c
Gauss 2 2
1 2
( )2 2
( , )c e
Radial Gauss 2 2
2 (arctan( / ))( , )c e
a) b)
Magistarska teza Branka Jokanović
35
c) d)
Slika 3.1 Jezgra iz Cohen-ove klase distribucija: a) Choi-Williams, b) Born-Jordan, c)
Gauss, d) Radial Gauss
Može se uočiti da je većina funkcija jezgra zasnovana na eksponencijalnoj funkciji.
Diskretna forma Cohen-ove klase distribucija se definiše kao:
2( )1 2 1
*
1 2 1
( , ) 2 ( , ) ( ) ( ) ,
Nj pu pn kmN N N
N N p
p N m N u N
CD n k c p m x u m x u m e
(3.1)
gdje je 12 1N N i 22 1pN N . Postupak računanja distribucije iz Cohen-ove klase se može
opisati na sljedeći način:
1. Izračuna se auto-korelaciona funkcija,
2. Računanje Ambiguity funkcije i funkcije jezgra,
3. Filtrira se Ambiguity funkcija koristeći funkciju jezgra,
4. Izvrši se 2D inverzna Fourier-ova transformacija.
Kao generalizacija hardverskih rješenja za vremensko –frekvencijske distribucije,
predložena je modifikovana forma Cohen-ove klase pogodna za hardversko rješenje. Ova
forma omogućava hardversku implementaciiu distribucija iz Cohen-ove klase zasnovanih na
eksponencijalnim i sinusnim jezgrima. Data forma, dovođenjem odgovarajućih kontrolnih
signala, takođe omogućava i realizaciju spektrograma i Wigner-ove distribucije.
Magistarska teza Branka Jokanović
36
3.1 Modifikovana forma Cohen-ove klase
Distribucije iz Cohen-ove klase su računski kompeksne. Razlog su veliki broj
operacija koje je potrebno izvesti u cilju dobijanja vremensko-frekvencijske distribucije.
Realizacija jedne distribucije podrazumijeva računanje Ambiguity funkcije i određene
funkcije jezgra sa odgovarajućim parametrima. Naglasimo da distribucije koje se najčešće
koriste imaju eksponencijalni ili sinusni oblik jezgra. Primjer su Choi-Williams-ova i Born-
Jordan-ova distribucija. One su našle značajnu primjenu u analizi biomedicinskih signala . U
cilju generalizacije Cohen-ove klase distribucija zasnovanih na eksponencijalnim i sinusnim
jezgrima uvešćemo formu koja je pogodna za hardversku realizaciju.
Modifikovana forma Cohen-ove klase distribucija zasnovanih na eksponencijalnim
jezgrima se može definisati kao:
2 2/2 11 2
/2 ,01 2
( , ) 2 (1 ( , )) ( ) ( , ) ,
j pn j kmN N M N N pM p m
p N m N i
CD n k p m c i A p m e
(3.2)
gdje , ( )p mc i i /2 ( , )M p m (za datu tačku (p,m)) predstavljaju konstante koje se računaju u
iterativnoj proceduri. Za jezgra koja su zasnovana na sinusnoj funkciji, predložena forma
(3.2) se može modifikovati na sljedeći način:
/2 12 2
,1 20
/21 2
( )
( , ) 2 Im((1 ( , )) ) ( , )( , )
M
j pn j kmN N p mN N pi
Mp N m N
c i
CD n k j p m A p m ep m
(3.3)
Za ( , ) /2p m pm dobija se Born – Jordan-ovo jezgro.
U cilju optimalne hardverske realizacije konstante se definišu kao [27], [28]:
,
1 ( )2 , ( ) 0,1 , za eksponencijalnu funkciju,( )
1 ( )2 , ( ) 1,1 ,za sinusnu funkciju.
i
p m i
a i a ic i
jb i b i
(3.4)
Vrijednosti a(i) (ili b(i) za sinusnu funkciju) se računaju kroz M/2 iteracija gdje je M
broj bita koji definiše preciznost. Niz binarnih vrijednosti a(i) (ili b(i) za sinusnu funkciju)
određuje /2 1
,0
( )M
p mi
c i
. Dakle, postoji 2M/2
konstanti. U cilju optimizacije hardverskih resursa,
konstante su izračunate za sve binarne kombinacije a: {a(i), i[0,M/2-1]} (ili za b:{b(i),
Magistarska teza Branka Jokanović
37
i[0,M/2-1]}) i sačuvane u memoriji. Niz a (ili b) je ulaz memorije i određuje koja će se
adresa pročitati. Ilustracija koja prikazuje kako su konstante određene nizom a je data na Slici
3.2.
0 1 ( /2 2) ( /2 1)
0 1 ( /2 2) ( /2 1)
0 1 ( /2 2) ( /2 1)
konstante u memoriji
(1 0 2 )(1 0 2 )...(1 0 2 )(1 0 2 )00...00
00...01 (1 0 2 )(1 0 2 )...(1 0 2 )(1 1 2 )
11...11(1 1 2 )(1 1 2 )...(1 1 2 )(1 1 2 )
M M
M M
M M
a
Slika 3.2 Konstante u memoriji na čiji ulaz dolazi adresa a
Vrijednost /2 ( , )M p m se dobija nakon M/2 koraka u iterativnoj proceduri. Algoritam
iterativne procedure je:
Korak 1:
0( , ) ( , ),p m p m
Korak 2:
1, ( , ) ln(1 2 ) 0,( )
0, ,
iiif p ma i
otherwise
1, ( , ) 0,( )
1, ,
iif p mb i
otherwise
Korak 3:
1( , ) ( , ) ln(1 ( )2 ), za eksponencijalnu funkciju,i
i ip m p m a i
11( , ) ( , ) ( ) tan (2 ),za sinusnu funkciju.
ii ip m p m b i
Korak 4:
Ako je 12
Mi procedura je završena, u suprotnom treba preći na Korak 2.
Uočimo da je /2 ( , )M p m dobijeno u Koraku 3 za zadnju iteraciju 1
2
Mi .
Magistarska teza Branka Jokanović
38
Koristeći datu proceduru, maksimalna i minimalna vrijednost argumenta ( , )p m su
/2 1
0
ln(1 2 )M
i
i
i 0, respektivno. Za M/2≥10 izraz /2 1
0
ln(1 2 )M
i
i
konvergira ka 1.56,
tako da je argument eksponencijalne funkcije ograničen na opsegu [0,1.56]. Međutim, pošto
argument funkcije jezgra ( , )p m može imati proizvoljnu vrijednost, ograničenost opsega se
može prevazići zapisivanjem ( , )p m na sljedeći način:
( , ) ( ) ln 2,p m I F (3.5)
gdje je I cjelobrojni dio, dok je F frakcioni dio izraza 2( , )logp m e ,(0≤F
Magistarska teza Branka Jokanović
39
DA
NE
NE
START
( , ), , 1p m M skala
( , ) ( , ) ( )1 p m p m ii i
STOP
( , ) ( )p m ii
00, ( , ) ( , )i p m p m
ln(1 2 ), za eksponencijalnu funkciju,( )
0, za sinusnu funkciju,
1, za eksponencijalnu i sinusnu funkciju,1
0, za eksponencijalnu funkciju,2
1, za sinusnu funkciju,
ln(1 ( )2 ), za( )
ii
s
s
is ii
eksponencijalnu funkciju,
1( ) tan (2 ), za sinusnu funkciju.is i
1( )s i s
2( )s i s
12
Mi
1i i
( , )result skala c p m
Blok za
skaliranje
( , ) ( , ) log ln 22
( , ) log2
2
( , ) ln 2
p m p m e
I F p m e
Iskala
p m F
DA
ROM
22( , ) _ (1 ( , ))/2
j sc p m mem out e p mM
mem_out( , )/2 p mM
s[0..M/2-1]
Blok za
skaliranje(samo za
eksponencijalnu
funkciju)
Slika 3.3 Unificirana procedura za računanje jezgra baziranog na eksponencijalnoj i sinusnoj
funkciji
Dokaz:
a) Eksponencijalna funkcija:
Posmatrajmo slučaj eksponencijalne funkcije sa pozitivnim argumentum ( , )p m koji
je skaliran na opseg [0, 0.69). Cilj je napisati vrijednost argumenta ( , )p m koristeći M
pozitivnih brojeva koji konvergiraju ka nuli:
1 1( , ),... ( , ), ( , ),..., ( , ) 0i i Mp m p m p m p m
Počevši od 0( , ) ( , )p m p m i koristeći relaciju [27]:
1 ,( , ) ( , ) ln ( ),i i p mp m p m c i (3.7)
Magistarska teza Branka Jokanović
40
dobija se sljedeći sistem jednačina:
( , ) ( , )0 1,
( , ) ( , )1 2,
( , ) ( , )1,
(0) ,
(1) ,
...
( 1) .
p m p mp m
p m p mp m
p m p mM Mp m
e c e
e c e
e c M e
(3.8)
Konstante , ( )p mc i su date u formi (3.4) koja je pogodna za hardversku realizaciju.
Kako je 0 ( , ) ( , )p m p m i ( , ) 0M p m , eksponencijalna funkcija se dobija kao:
1
( , )( , ), , ,
0
(0)... ( 1) ( ).M
p mp m Mp m p m p m
i
e c c M e c i
(3.9)
Moguće je smanjiti broj operacija potrebnih za računanje eksponencijalne funkcije
koristeći dio proizvoda konstanti kao u (3.2). Naime, računamo proizvod M/2 konstanti
koristeći (3.9), dok je za preostalih M/2 konstanti korišćena sljedeća aproksimacija:
ln(1 2 ) 2 .i i (3.10)
Dakle, pri računanju a(i) u Koraku 2 iterativne procedure, važi:
1,ako je ( , ) 2 0
( )0,u suprotnom.
ii p ma i
(3.11)
To znači da su elementi a(i) direktno dobijeni iz vrijednosti i-og bita frakcionog dijela u
( , )i p m . Naime, a(i) ima vrijednost '1' ako je i-ti bit ( , )i p m jednak '1', i suprotno. Odnosno,
ne moramo računati a(i) za / 2i M , jer su već sadržani u /2 ( , )M p m . Dakle, umjesto M/2
množenja imamo:
1( 1)
/2
/2
(1 ( )2 ) 1 ( )2 ( 1)2 ...
1 ( , ).
Mi i i
i M
M
a i a i a i
p m
(3.12)
Proizvod prvih M/2 konstanti se koristi iz memorije koja ima /22M elemenata, dok je
proizvod preostalih konstanti aproksimiran sa jednim sabiranjem, što je optimalnije za
hardversku realizaciju.
Magistarska teza Branka Jokanović
41
b) Sinusna funkcija:
Slična procedura se može koristiti i za jezgra zasnovana na sinusnoj funkciji. Umjesto
(3.7) koristimo:
,1
1,
Im{ ( )}( , ) ( , ) tan .
Re{ ( )}
p mi i
p m
c ip m p m
c i (3.13)
Odgovarajući sistem jednačina je:
( , ) arg( (0))( , ) 1 ,0
( , ) arg( (1))( , ) 2 ,1
( , ) arg( ( 1))( , ) ,1
,
,
...
.
j p m j cj p m p m
j p m j cj p m p m
j p m j c Mj p m M p mM
e e
e e
e e
(3.14)
Uvrštavanjem izraza (3.13) u svaku jednačinu dobijamo:
1 arg( ( ))( , ) ,0
0
M j c ij p m p m
i
e e
(3.15)
odnosno, za sinusnu funkciju važi:
1
, 10
,10
,0
( )1
sin( ( , )) Im Im ( ) .1.6468
( )
M
p m Mi
p mMi
p mi
c i
p m c i
c i
Za M>10 i ( ) 1,1b i korišćena je sljedeća aproksimacija:
1 12
,0 0
( ) 1 ( 2 ) 1.6468M M
ip m i
i i
c i b
.
Slično kao u slučaju eksponencijalne funkcije moguće je smanjenje broja operacija.
Naime, računa se , ( )p mc i za iM/2 (uzmimo da važi M/2>10 i /2 1
2
0
1 ( 2 ) 1.6468M
ii
i
b
). Preostali
dio se dobija kao:
1( 1)
/2
/2
(1 ( )2 ) 1 ( )2 ( 1)2 ...
1 ( , ).
Mi i i
i M
M
jb i jb i jb i
j p m
(3.16)
Magistarska teza Branka Jokanović
42
gdje b(i) uzima vrijednosti ( ) 0,1b i .
3.1.1 Procedura računanja eksponencijalne funkcije za negativne
argumente
U definisanoj proceduri za računanje eksponencijalne funkcije posmatrali smo
isključivo pozitivne argumente ( , )p m . Računanje eksponencijalne funkcije i za negativne
argumente ( , ) (gdje je ( , ) 0)p m p m je moguće izvesti na jedan od dva načina:
Provjeri se da li je argument pozitivan ili negativan. Računa se vrijednost
eksponencijalne funkcije za absolutnu vrijednost argumenta. Na izlazu kola, ako je
argument pozitivan ostavlja se rezultat ( , )p m
e
. U suprotnom, računa se recipročna
vrijednost ( , )
1p m
e
.
Procedura se može proširiti i za negativne argumente tako što se izmjene uslovi u
Koraku 2 preko kojih se dobijaju elementi a(i). U tom slučaju elemenat a(i) može
uzimati jednu od tri vrijednosti {-1,0,1}, za razliku od situacije kada se javljaju samo
pozitivni argumenti gdje a(i) uzima vrijednost 0 ili 1.
Međutim, moguće je i na sljedeći način računati eksponencijalnu funkcije i za
pozitivne i negativne argumente bez ispitivanja znaka argumenta ili mijenjanja uslova.
Naime, dovoljno je promjeniti način dobijanja cjelobrojnog dijela I i frakcionog dijela F u
(3.5). Za pozitivni broj cjelobrojni dio je računat odsijecanjem frakcionog dijela, odnosno vrši
se zaokruživanje na manji broj. Na primjer za broj 2.88, I=2 i F=0.88. Kod negativnog broja,
cjelobrojni dio se zaokružuje na veći broj (za -2.88, I=-2 i F=-0.88).
Predloženi način računanja eksponencijalne funkcije podrazumijeva zaokruživanje i
pozitivnih i negativnih brojeva na manji broj, odnosno I i F se definišu kao:
2( , ) log ,I p m e (3.17)
2 2( , ) log ( , ) log .F p m e p m e (3.18)
Magistarska teza Branka Jokanović
43
Dokažimo da ovakav način formiranja I i F može da se koristi za pozitivne i negativne
argumente. U slučaju pozitivnih argumenata, (3.17) i (3.18) daju iste rezultate kao i prije
modifikacije. Za negativne argumente, tačnost relacija ćemo pokazati računanjem izraza
( , )( , ) , (gdje je ( , ) 0)p mp m p
pe e p m
na dva načina. Prvi, standardnim računanjem
recipročne vrijednosti ( , )
1p mpe
, a drugi modifikovanim definisanjem I i F.
Neka su I1 i F1 definisani kao u (3.5), dok su I2 i F2 definisani preko (3.17) i (3.18).
Računanjem recipročne vrijednosti dobijamo:
( , ) ( )ln 2( , ) 1 1
ln 21 1
1.
2
p m I Fp m p
I Fe e e
e
(3.19)
Posmatrajmo drugi način dobijanja eksponencijalne funkcije preko modifikovanih relacija za
I i F. Važi sljedeće:
( ) ln 2 ln 2( , ) 2 2 2 22 .I F I Fp me e e (3.20)
Za negativne brojeve znamo da je I2 negativno, pa prethodni izraz postaje:
ln 22
( , )2p 2
2, gdje je = .
2
Fp m
I p
ee I I (3.21)
S obzirom da je I2 nastalo zaokruživanjem na manji negativni broj, onda važi:
2 1 1 21 i 1 .pI I F F (3.22)
Zamjenjujući (3.22) u (3.21) dobija se:
(1 ) ln 21
( , )
11,
2
Fp m
I
ee
(3.23)
odnosno
ln 2 ln 2ln 2 1 1
( , )
1 1
2.
2 2 2 2
F Fp m
I I
e e ee
(3.24)
Sređivanjem (3.24) dobijamo isti izraz kao u (3.19), što dokazuje tačnost predložene formule.
Magistarska teza Branka Jokanović
44
3.2 Hardverska realizacija Cohen-ove klase distribucija
U ovom poglavlju je razmatrana hardverska realizacija Cohen-ove klase distribucija,
bazirana na predloženoj formi (3.2). Na Slici 3.4 i Slici 3.5 date su blok šeme za serijsku i
paralelnu konfiguraciju. Auto-korelaciona funkcija ( , )R n m ulaznog kompleksnog signala se
dobija na izlazu Bloka 1 (za obje konfiguracije). Fourier-ova transformacija auto-korelacione
funkcije se obavlja u Bloku 2. Ambiguity funkcija ( , )A p m dobijena na izlazu Bloka 2 se
množi sa funkcijom jezgra (Blok 3). Vremensko-frekvencijska distribucija je dobijena na
izlazu Bloka 4.
Slika 3.4 Serijska konfiguracija za realizaciju Cohen-ove klase distribucija
Slika 3.5 Paralelna konfiguracija za realizaciju Cohen-ove klase distribucija
3.3 Hardver za Ambiguity funkciju
Realni i imaginarni dio kompleksnog signala x(n) su na ulazu sistema. Računanje
lokalne auto-korelacione funkcije u trenutku n podrazumijeva množenje x(n+m) i x*(n-m),
m[-N2,N2]. Auto–korelaciona funkcija se može zapisati u matričnoj formi na sljedeći način:
Magistarska teza Branka Jokanović
45
* * *
* * *
*
(1) ( ) (2) ( 1) ( ) (1)
(2) ( 1) (3) ( ) ( 1) (2)
( 1) ( ) (
x x Np x x Np x Np x
x x Np x x Np x Np x
x N Np x N x N Np
R
* *
.
2) ( 1) ( ) ( 1)x N x N x N Np
(3.25)
U slučaju paralelne realizacije, broj operacija se može prepoloviti zbog činjenice da
elementi R zadovoljavaju Hermitsku simetriju. Realni i imaginarni djelovi elemenata kolona
matrice R su dobijeni na izlazu Bloka 1.
Da bi se dobila ambiguity funkcija potrebno je naći Fourier-ovu transformaciju
kolona matrice R. Brza Fourier-ova transformacija se obavlja u Bloku 2 na čijem izlazu se
dobijaju realni i imaginarni dio Ambiguity funkcije.
3.4 Hardverska realizacija funkcije jezgra
Kao što je naglašeno, predložena forma Cohen-ove klase distribucija sadrži generalnu
formu jezgara baziranih na eksponencijalnoj ili sinusnoj funkciji. Na samom početku dat je
kratak opis originalne forme Cohen-ove klase distribucija. Takođe su dati razlozi zbog kojih
su takve realizacije neoptimalne za hardversku realizaciju.
Razmotrićemo nekolike metode za realizaciju funkcije jezgra među kojima su:
Lookup Tables (LUTs), razvoj u Taylor-ov red i polinomijalne aproksimacije. LUTs metod je
pogodan ako želimo da sačuvamo vrijednosti određene funkcije jezgra sa fiksnim oblikom i
parametrima. Međutim, za različite tipove signala potrebno je naći ne samo optimalan tip
jezgra, već i optimalne parametre. Iz tog razloga hardver za Cohen-ovu klasu bi zahtjevao
veliki broj memorijskih jedinica. Za svaku vrijednost varijanse jezgra, potrebno je u memoriji
smjestiti po jednu matricu. U razmatranoj FPGA tehnologiji, kod koje jedna memorijska
jedinica ima 65536 elemenata, moglo bi se smjestiti samo četiri matrice veličine 128x128.
Takođe, specijalno kolo kontrolne logike bilo bi potrebno za pretraživanje memorije, što
dodatno komplikuje dizajn sistema. Ovo su razlozi zbog kojih treba pronaći optimalnije
rješenje za realizaciju funkcije jezgra.
Magistarska teza Branka Jokanović
46
Drugi mogući način realizacije funkcije jezgra bio bi korišćenje razvoja u Taylor-ov
red. Eksponencijalna funkcija se može razviti u Taylor-ov red na sljedeći način:
( , )
2
0
( , ) ( , )1 ( , ) ...,
! 2!
p m
i
i
p m p me p m
i
(3.26)
dok je razvoj sinusne funkcije u Taylor-ov red dat sa:
2 1 3
0
( 1) ( , ) ( , )sin( ( , )) ( , ) ...
(2 1)! 3!
i i
i
p m p mp m p m
i
(3.27)
Koristeći prva četiri člana iz razvoja, zadovoljavajuća tačnost je dobijena za argument
u opsegu (-1,1). Kao što se i vidi sa Slike 3.6, razvoj sa četiri člana je jednostavno realizovati.
Ako je argument ψ(p,m) van ovog opsega, Taylor-ov red sporije konvergira, što znači da
treba uključiti članove višeg reda. Uključivanje članova višeg reda povećava broj operacija,
pa samim tim i vrijeme računanja. Na primjer, za argument eksponencijalne funkcije
ψ(p,m)=2, korišćenje četiri člana iz razvoja daje rezultat eψ(p,m)
= 6.3333, dok je tačan rezultat
7.3891. Da bi dobili tačan rezultat potrebno nam je 11 članova iz razvoja, odnosno 10
sabirača i 9 množača. Svaki od ovih jedinica unosi značajno kašnjenje koje želimo da
izbjegnemo. Algoritam realizacije u aritmetici sa pomičnim zarezom sa L članova Taylor-
ovog reda je dat na Slici 3.7. Algoritam se može direktno implementirati u VHDL kodu. Zbog
jednostavnosti uzeto je da je argument ψ(p,m) pozitivan. Argument je prvo skaliran tako da
važi ψ(p,m)
Magistarska teza Branka Jokanović
47
a) b)
Slika 3.6 Gauss-ovo jezgro a) Originalni oblik b) Cjelobrojna realizacija
Slika 3.7 Realizacija Taylor-ovog reda sa četiri člana razvoja
Magistarska teza Branka Jokanović
48
DA
DA
NE
NE
s=s*e10
s=s*e
n
Magistarska teza Branka Jokanović
49
samo jedna memorija sa unaprijed izračunatim konstantama (za paralelnu konfiguraciju
postoji memorija sa mogućnošću istovremenog čitanja sa više adresa – memorija sa više ulaza
i izlaza).
Slika 3.9 Blok šema realizacije funkcije jezgra
3.5 Hardver za inverznu 2D Fourier-ovu transformaciju
Nakon računanja proizvoda funkcije jezgra i Ambiguity funkcije, potrebno je
realizovati inverznu 2D brzu Fourier-ovu transformaciju (2D FT). Ovo je urađeno u Bloku 4.
Operacija inverzne 2D FT se može zapisati kao kompozicija inverznih 1D brzih Fourier-ovih
transformacija:
( ) ( ( ) ) ,T TB B2IFFT IFFT IFFT (3.28)
gdje B predstavlja proizvoljnu matricu. U našem slučaju, matrica B je proizvod funkcije
jezgra i Ambiguity funkcije. Algoritam za računanje inverzne 2D FT se može opisati
sljedećim koracima:
1. svaka vrsta matrice B je ulaz IFFT bloka koji obavlja inverznu Fourier-ovu
transformaciju,
2. rezultujući nizovi su vrste matrice koju treba transponovati,
3. računanje inverzne Fourier-ove transformacije za sve vrste transponovane matrice.
Nakon prvog koraka iz navedenog algoritma, dobija se matrica dimenzija (N-Np+1)xNp
koja se smješta u RAM (random access memory). Sljedeći korak je transponovanje matrice.
Ovo je jednostavno urađeno preko brojača koji generiše adrese za čitanje memorije. Naime,
adrese za čitanje memorije su takve da se iščitavaju kolone matrice, odnosno na izlazu RAM-
a dobijamo elemente u sljedećem redosljedu: 1, Np+1, 2Np+1…, 2, Np+2, 2Np+2…
Magistarska teza Branka Jokanović
50
procedura traje sve dok se ne iščita zadnja kolona. Treba napomenuti da je za paralelnu
realizaciju svakoj vrsti matrice B dodijeljen jedan IFFT blok. Da bi se rezultujući nizovi
smjestili u memoriju, potrebni su multiplekseri. Nakon smještanja matrice u RAM, drugi i
treći korak su identično realizovani i za serijsku i za paralelnu konfiguraciju (Slika 3.10). U
slučaju paralelne realizacije, postoje efikasniji metodi transponovanja matrice koje smanjuju
kašnjenje i iskorišćenost memorije.
Slika 3.10 Blok šema dijela sistema koji obavlja inverznu 2D Fourier-ovu transformaciju
3.6 FPGA implementacija Cohen-ove klase distribucija
Postoje različite platforme na kojima bi se mogla zasnivati hardverska realizacija
Cohen-ove klase distribucija. Digital signal procesor (DSP) predstavlja mikroprocesor za
digitalnu o