Processamento de Sinais Prof. Dr.-Ing. João Paulo C. Lustosa da Costa Universidade de Brasília (UnB) Departamento de Engenharia Elétrica (ENE) Laboratório de Processamento de Sinais em Arranjos Caixa Postal 4386 CEP 70.919-970, Brasília - DF 1 Homepage: http://www.redes.unb.br/lasp Processamento de Sinais em Alta Resolução (1) Modelo de dados da estimação cega da direção de chegada Premissas sobre os sinais Arranjo Linear Uniforme (ULA) Frentes de onda planares Banda estreita Quantos sinais são recebidos? Ordem do modelo Assume-se que a quantidade de amostras temporais N é maior que a quantidade de sensores M. Problema sobredeterminado: assume-se que a quantidade de sensores é maior que a quantidade de fontes d. Processamento de Sinais em Alta Resolução (2) Modelo de dados da estimação cega da direção de chegada Dados complexos • Sensores sempre retornam dados reais. • Exemplos de transformações de sinais reais em complexos 1) Separação das componentes em fase e em quadratura 2) Transformada de Hilbert: sinal na forma analítica 3) Análise Tempo-Frequência • Transformada de Fourier de tempo curto, do inglês Short-Time Fourier Transform (STFT) 4) Polarização das antenas: vertical e horizontal Processamento de Sinais em Alta Resolução (3) Modelo de dados da estimação cega da direção de chegada Frentes de onda circulares: mapemaneto em duas variáveis Frentes de onda planares: mapeamento com uma única variável • Maior distância entre fonte e arranjo de antenas • Espaçamento entre as antenas e quantidade de antenas Processamento de Sinais em Alta Resolução (4) Modelo de dados da estimação cega da direção de chegada Banda estreita Processamento de Sinais em Alta Resolução (5) Modelo de dados da estimação cega da direção de chegada Mistura instantânea no caso de sinais banda estreita. Processamento de Sinais em Alta Resolução (6) Modelo de dados da estimação cega da direção de chegada Somente uma frente de onda, i.e., d = 1. Relação entre a direção de chegada e a frequência espacial c é a velocidade da onda eletromagnética no ar e f é a frequência do sinal banda estreita. Se o sinal tem = 0, então o desvio de fase entre as saída é zero. 0 1 2 3 M-1 Processamento de Sinais em Alta Resolução (7) Modelo de dados da estimação cega da direção de chegada Estrutura Vandermonde Processamento de Sinais em Alta Resolução (8) Modelo de dados da estimação cega da direção de chegada Assumindo o caso de N amostras temporais A matriz de dados vetor linha de dados vetor coluna diretor Posto da matriz de dados Todas as linhas e colunas são linearmente dependentes. Processamento de Sinais em Alta Resolução (9) Modelo de dados da estimação cega da direção de chegada Superposição de d fontes na Figura de exemplo d = 4. Sendo N > M = 5, o posto da matriz X é igual a 4. Processamento de Sinais em Alta Resolução (10) Modelo de dados da estimação cega da direção de chegada Matriz de símbolos Matriz diretora sendo N > M > d, o posto da matriz X é igual a d. A é uma matriz Vandermonde. Processamento de Sinais em Alta Resolução (11) Modelo de dados da estimação cega da direção de chegada • Caso sem ruído: não realístico = • Caso com ruído + + Processamento de Sinais em Alta Resolução (12) Modelo de dados da estimação cega da direção de chegada • Estimação cega – Dadas apenas as medições ruidosas , deseja-se obter e – Passo 1) Estimar a ordem do modelo, i.e., d, via técnicas de seleção da ordem do modelo – Passo 2) Estimar as frequências espaciais para i = 1, …, d e a partir delas as direções de chegada , para i = 1, …, d – Passo 3) Reconstruir a matriz diretora A dada a estrutura Vandermonde e as direções de chegada – Passo 4) Estimar a matriz de símbolos S via Moore Penrose pseudoinversa . Processamento de Sinais em Alta Resolução (13) Matriz de covariância • Define-se a função correlação como sendo: • Assume-se d sinais não-correlacionados e o ruído é gerado por variáveis independentes e identicamente distribuídas (i.i.d.). Processamento de Sinais em Alta Resolução (14) Matriz de covariância Sinais e ruído não-correlacionados Processamento de Sinais em Alta Resolução (15) Matriz de covariância • Matriz de covariância do ruído Processamento de Sinais em Alta Resolução (16) Matriz de covariância • Matriz de covariância dos sinais Processamento de Sinais em Alta Resolução (17) Matriz de covariância • Matriz de covariância de amostras – Na prática, apenas um número limitado de amostras está disponível. – Notar que: Processamento de Sinais em Alta Resolução (18) Beamforming Como escolher o vetor ? Critério de escolha? Como filtrar sinais de cada direção? Assume-se o número de fontes e as direções conhecidos. Processamento de Sinais em Alta Resolução (19) Beamforming • Atraso e Soma, do inglês Delay and Sum - Caso de uma única fonte e sem ruído - Escolhendo o caso em que: Interferência construtiva • Na prática, existem ruído e sinais de outras direções. Processamento de Sinais em Alta Resolução (20) Beamforming • Capon: Resposta de Mínima Variância sem Distorção (MVDR) • Primeira técnica de processamento de sinais em alta resolução e não baseada na decomposição em autovalores (EVD) • Dada a saída do filtro: • A potência de saída é dada por: • Note que: J. Capon, “High-Resolution Frequency-Wavenumber Spectrum Analysis”, Proc. IEEE, Vol. 57, 1408-1418, 1969 Processamento de Sinais em Alta Resolução (21) Beamforming • Capon: Resposta de Mínima Variância sem Distorção (MVDR) • Deseja-se maximizar a potência para a direção - independente do sinal, ou seja, estatisticamente • Restrição: Como maximizar/minimizar uma função quadrática com uma função de restrição? Processamento de Sinais em Alta Resolução (22) Beamforming • Método dos multiplicadores de Lagrange Multiplicador de - Equação de Lagrange Lagrange Restrição Função a ser max/min Processamento de Sinais em Alta Resolução (23) Beamforming • Método dos multiplicadores de Lagrange - Equação de Lagrange: Processamento de Sinais em Alta Resolução (24) Beamforming • Método dos multiplicadores de Lagrange - Equação de Lagrange: Processamento de Sinais em Alta Resolução (25) Beamforming • Método dos multiplicadores de Lagrange - Equação de Lagrange: Processamento de Sinais em Alta Resolução (26) Beamforming • Densidade Espacial de Potência: variando Processamento de Sinais em Alta Resolução (27) Beamforming • Densidade Espacial de Potência via DS: cenário 1 Processamento de Sinais em Alta Resolução (28) Beamforming • Densidade Espacial de Potência via Capon: cenário 1 Processamento de Sinais em Alta Resolução (29) Beamforming • Densidade Espacial de Potência via DS: cenário 2 Processamento de Sinais em Alta Resolução (30) Beamforming • Densidade Espacial de Potência via Capon: cenário 2 Processamento de Sinais em Alta Resolução (31) Beamforming • Densidade Espacial de Potência via DS: cenário 3 Processamento de Sinais em Alta Resolução (32) Beamforming • Densidade Espacial de Potência via Capon: cenário 3 Processamento de Sinais em Alta Resolução (33) Decomposição em Autovalores e Autovetores – Comparação com a Transformada de Fourier (TF) • Transformada de Fourier (TF) projeta os dados sobre exponenciais complexas. Cada vetor da TF mapeia uma certa frequência. • A TF não leva em conta a estrutura dos dados. – Transformada Karhunen-Loeve • ou Transformada Hotelling • ou Transformada de Autovetores • Leva em conta a estrutura dos dados. – Definição de um autovetor: onde é um autovetor e é um autovalor. Processamento de Sinais em Alta Resolução (34) Decomposição em Autovalores e Autovetores – Para encontrar os autovalores: – Dados um certo autovalor, o seu autovetor correspondente pode ser encontrado substituindo na equação abaixo: – Com todos os autovetores e autovalores encontrados, é possível se rescrever a matriz A da seguinte forma: Processamento de Sinais em Alta Resolução (35) Decomposição em Autovalores e Autovetores – Calcule os autovalores e os autovetores da seguinte matriz: Processamento de Sinais em Alta Resolução (36) Decomposição em Autovalores e Autovetores – Calcule os autovalores e os autovetores da seguinte matriz: Processamento de Sinais em Alta Resolução (37) Decomposição em Autovalores e Autovetores – Calcule os autovalores e os autovetores da seguinte matriz: – Autovetores são unitários: – Repetir procedimento para Processamento de Sinais em Alta Resolução (38) Decomposição em Autovalores e Autovetores – Interpretação física da decomposição em autovalores e autovetores da matriz de correlação de amostras Matriz de correlação – Em caso de – Em caso de Processamento de Sinais em Alta Resolução (39) Decomposição em Autovalores e Autovetores – Interpretação física da decomposição em autovalores e autovetores da matriz de correlação de amostras – Passo 1) Cálculo da matriz de covariância de amostras – Passo 2) Decomposição em autovalores e autovetores da matriz de covariância de amostras Processamento de Sinais em Alta Resolução (40) Decomposição em Autovalores e Autovetores – Interpretação física da decomposição em autovalores e autovetores da matriz de correlação de amostras Processamento de Sinais em Alta Resolução (41) Decomposição em Autovalores e Autovetores – Interpretação física da decomposição em autovalores e autovetores da matriz de correlação de amostras Processamento de Sinais em Alta Resolução (42) Decomposição em Autovalores e Autovetores – Interpretação física da decomposição em autovalores e autovetores da matriz de correlação de amostras Processamento de Sinais em Alta Resolução (43) Decomposição em Autovalores e Autovetores – Interpretação física da decomposição em autovalores e autovetores da matriz de correlação de amostras Processamento de Sinais em Alta Resolução (44) Decomposição em Autovalores e Autovetores – Interpretação física da decomposição em autovalores e autovetores da matriz de correlação de amostras Processamento de Sinais em Alta Resolução (45) Decomposição em Autovalores e Autovetores – Interpretação física da decomposição em autovalores e autovetores da matriz de correlação de amostras Processamento de Sinais em Alta Resolução (46) Autovalores da matriz de covariância de amostras d = 2, M = 8 10 8 6 i • SNR ∞, N ∞ – M-d autovalores nulos – d autovalores de sinais não nulos 4 2 0 1 2 3 4 5 6 7 Eigenvalue index i 8 Processamento de Sinais em Alta Resolução (47) Autovalores da matriz de covariância de amostras d = 2, M = 8, SNR = 0 dB 10 8 6 i • SNR finito, N ∞ – M - d autovalores de ruído iguais – d autovalores de sinais – Comportamento assintótico dos autovalores de ruído 4 2 0 1 2 3 4 5 6 7 Eigenvalue index i 8 Processamento de Sinais em Alta Resolução (48) Autovalores da matriz de covariância de amostras 10 d = 2, M = 8, SNR = 0 dB, N = 10 8 • SNR finito, N = 10 i – M - d autovalores de ruído – d autovalores de sinais 6 4 2 0 1 2 3 7 6 5 4 Eigenvalue index i 8 Processamento de Sinais em Alta Resolução (49) Seleção da Ordem do Modelo • Por que é importante saber a ordem do modelo? - Caso de subestimação da ordem do modelo: Sinais são modelados como ruído. Logo, SNR baixa! Processamento de Sinais em Alta Resolução (50) Seleção da Ordem do Modelo • Por que é importante saber a ordem do modelo? - Caso de sobrestimação da ordem do modelo: Ruído é modelado como sinais. Logo, informação e parâmetros sem sentido! Processamento de Sinais em Alta Resolução (51) Seleção da Ordem do Modelo • Perfil dos autovalores - Indicação da ordem do modelo d Inspeção visual: subjetiva e não automatizada - Estimação automatizada da ordem do modelo Critério de Informação de Akaike Original usando máxima verossimilhança Versão baseada em autovalores H. Akaike, “A new look at the statistical model identification,” IEEE Transactions on Automatic Control 19 (6): 716–723 , 1974 M. Wax, and T. Kailath, “Detection of signals by information theoretic criteria,” IEEE Trans. Acoustics, Speech and Signal Processing, vol. 33, pp. 387-392, Apr. 1985