Signale und Systeme - Zufallsprozesse und Systeme

1. Stochastische Signale und lineare Systeme

Aufgabenstellung

Ein Nutzsignal \(x(t) = a \cdot \cos(\omega_0 t)\) ist additiv durch mittelwertfreies weißes Rauschen \(z(t)\) mit der Varianz \(\sigma_z^2\) gestört, so dass nur das Signal

\( v(t)=x(t)+z(t)\)

gemessen werden kan. Dieses Signal \(v(t)\) soll mit einem System mit dem Frequenzgang

\(    H(j\omega)=\frac{1}{\alpha+j\omega} \qquad \textrm{mit }\alpha > 0\)

gefiltert werden, um so das Signal \(y(t)\) zu erhalten.

  1. Berechnen Sie den Erwartungswert des gefilterten Signals \(y(t)\).
  2. Geben Sie das Verhältnis von Nutz- zu Störleistung (SNR) am Filterausgang an.
  3. Für welche Wahl von \(\alpha\) wird das SNR maximal?

Umfang und Schwierigkeitsgrad

  • Zeitlicher Umfang: ca. 30 Minuten
  • Schwierigkeitsgrad: mittel

Lösung

1. Zur Berechnung des Erwartungswertes können die folgenden Schritte hilfreich sein:

Für das Signal \(y(t)\) gilt

\(y(t) = v(t) \ast \mathcal{F}^{-1}\left\{H(j\omega\right\}\)

\(= x(t) \ast h(t) + z(t) \ast h(t)\)

\(= s(t) + n(t).\)

Dabei seien \(s(t)\) das Nutzsignal und \(n(t)\) das Störsignal oder Rauschsignal (\(n(t)\) von englisch noise). Werden beide

Signalanteile als unkorreliert angenommen, können die Erwartungswerte getrennt bestimmt werden:

\(\textrm{E}\left\{y(t)\right\} =  \textrm{E}\left\{s(t) + n(t)\right\} =  \textrm{E}\left\{s(t)\right\} + \textrm{E}\left\{n(t)\right\}.\)

Bestimmung von \(\textrm{E}\left\{n(t)\right\}\): Ausnutzen, dass \(z(t)\) mittelwertfrei ist.

Bestimmung von \(\textrm{E}\left\{s(t)\right\}\):

Wie reagiert das System \(H(j\omega)\) auf das Eingangssignal \(x(t)\)? Da \(x(t)\) monofrequent ist (Spektralanteile nur be der Frequenz \(\omega_0\)), ist eine Lösung ohne Berechnung von\(X(j\omega) = \mathcal{F}\left\{ x(t) \right\}\) oder \(h(t) = \mathcal{F}^{-1}\left\{ H(j\omega) \right\}\) möglich.Dazu muss \(H(j\omega)\) in Betrag und Phase aufgespalten werden.

\(\displaystyle \textrm{E}\left\{y(t)\right\} = \frac{a}{\sqrt{\alpha^2+\omega^2}} \cos\left(\omega_0t - \arctan\left(\frac{\omega_0}{\alpha}\right)\right)= \hat{s} \cos\left(\omega_0t - \varphi_s\right)\)

2. Das Verhältnis von Nutz- zu Störleistung (signal to noise ratio) ist folgendermaßen definiert:

\(SNR = \frac{\textrm{Leistung des Nutzsignals}}{\textrm{Leistung des Störsignals}} = \frac{P_s}{P_n}\)

Die Nutzsingalleistung kann durch Integration über eine beliebige Signalperiode \(T\) berechnet werden:
 \(P_s = \frac{1}{T} \int_{t_0}^{t_0+T} s^2(t) \, dt\)
 Die Störsingalleistung ist gleich der Autokorrelationsfunktion an der Stelle \(\tau=0:\)
\(P_n = \left.s_{nn}(\tau)\right|_{\tau=0} = \left.\mathcal{F}^{-1}\left\{S_{nn}(j\omega)\right\}\right|_{\tau=0} .\)

Das benötigte Geräuschleistungsdichtespektrum ist bekannt, da es durch Filterung aus dem weißen Rauschsignal \(z(t)\) mit der Varianz \(\sigma_z^2\) generiert wird. Es gilt:
\( S_{nn}(j\omega) = \left| H(j\omega) \right|^2 \cdot S_{zz}(j\omega).\)
Bei der Berechnung der inversen Fourier-Transformation hilft das Integral
\(\int \frac{1}{a^2+x^2} \,dx = \frac{1}{a} \arctan\left(\frac{x}{a}\right).\)

\(\displaystyle SNR = \frac{\alpha^2}{\sigma_z^2} \frac{\alpha}{\alpha^2 + \omega_0^2} \)

3. Der in (2.) berechnete Ausdruck für den SNR hängt von dem Filterparameter \(\alpha\) ab. Durch Ableiten diese Ausdrucks kann das Maximum gefunden werden.

\(\displaystyle \alpha = \omega_0\)

Zur Optimierung des SNR wäre ein Bandpassfilter mit Mittenfrequenz \(\omega_0\) noch besser geeignet, als das hier verwendete Tiefpassfilter.

2. Autokorrelation und lineare Systeme

Aufgabenstellung

Die Autokorrelierte \(s_{vv}(\kappa)\) einer Zufallsfolge \(v(n)\) sei für \(\kappa\ge 0\) durch

\(s_{vv}(\kappa)=\left(\frac{1}{2}\right)^\kappa,\ \kappa \ge 0 \)

gegeben.

  1. Geben Sie \(s_{vv}(\kappa)\) für \(\kappa\le 0\) an.
  2. Berechnen Sie den Mittelwert und die Varianz von \(v(n)\).
  3. Berechnen Sie die z-Transformierte \(S_{vv}(z)\) von \(s_{vv}(\kappa)\).
  4. Die \(v(n)\) werde auf ein System mit der Übertragungsfunktion \(H(z)=\frac{z+2}{z+\frac{1}{2}} \) gegeben. Geben Sie \(S_{yy}(z)\) und \(s_{yy}(\kappa)\) an.

Umfang und Schwierigkeitsgrad

  • Zeitlicher Umfang: ca. 30 Minuten
  • Schwierigkeitsgrad: mittel

Lösung

1. In einer vorherigen Aufgabe wurde bereits gezeigt, dass für die Autokorrelationsfolge der Zusammenhang

\(s_{vv}(-\kappa) = s_{vv}^\ast(\kappa)\) gilt. Dies kann hier angewendet werden.

\(\displaystyle s_{vv} = \left( \frac{1}{2} \right)^{|\kappa|}\)

2. Die Autokorrlationsfolge kann über die Verbundwahrscheinlichkeitsdichte bestimmt werden:

\(s_{vv}(\kappa) = \textrm{E}\left\{ \underbrace{v(n)}_{v_1} \, \underbrace{v(n+\kappa)}_{v_2} \right\}\)

\(= \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} v_1 v_2 f_{vv}(v_1,v_2,\kappa) \, dv_1 dv_2.   \)

                         
Unter der Annahme, dass die beiden Zufallsvariablen \(v_1 = v(n)\) und \(v_2 = v(n+\kappa)\) für \(\kappa\rightarrow\infty\) statistisch unabhängig  separierbar. Damit lassen sich die beiden Integrale getrennt berechnen und man erhält

\(\lim_{\kappa\rightarrow\infty}s_{vv}(\kappa) = m_v^2,\)

wovon nun nur noch der Grenzwert bestimmt werden muss.

Die Varianz wird über den Ansatz

\(\sigma_v^2 = \textrm{E}\left\{ \left( v-\textrm{E}\{v\} \right)^2 \right\}\)

berechnet.

\(\displaystyle S_{vv}(z) = \frac{3z}{(2-z)(2z-1)}\)

 Konvergenzbereich: \(\frac{1}{2}<|z|<2\)

3. Die Autokorrelationsfolge in die Definition der z-Transformation

\(S_{vv}(z) = \sum_{n=-\infty}^{\infty} s_{vv}(\kappa) \, z^{-n} \)

einsetzen und die Summe in die beiden Summen \(\sum_{n=-\infty}^{0}\) und  \(\sum_{n=0}^{\infty}\) aufspalten. Diese so umformen, dass die geometrische Reihe angewendet werden kann. Wie lautet der Konvergenzbereich für die z-Transformierte \(S_{vv}(z)\)?

\(\displaystyle S_{yy}(z) = 4 \, S_{vv}(z) \; \laplace \; s_{yy}(\kappa)= 4 \, s_{vv}(\kappa)\)

4.  Für die z-Transformierte der Autokorrelationsfolge des Ausgangssignals des Filters

\(H(z)\) gilt \(S_{yy}(z) =  S_{vv}(z) \, H(z) \, H^\ast\left( \frac{1}{z^\ast}\right).\)

Das gegebene \(H(z)\) einsetzen und vereinfachen.

Recent Publications

P. Durdaut, J. Reermann, S. Zabel, Ch. Kirchhof, E. Quandt, F. Faupel, G. Schmidt, R. Knöchel, and M. Höft: Modeling and Analysis of Noise Sources for Thin-Film Magnetoelectric Sensors Based on the Delta-E Effect, IEEE Transactions on Instrumentation and Measurement, published online, 2017

P. Durdaut, S. Salzer, J. Reermann, V. Röbisch, J. McCord, D. Meyners, E. Quandt, G. Schmidt, R. Knöchel, and M. Höft: Improved Magnetic Frequency Conversion Approach for Magnetoelectric Sensors, IEEE Sensors Letters, published online, 2017

 

Website News

18.06.2017: Page about KiRAT news added (also visible in KiRAT).

31.05.2017: Some pictures added.

23.04.2017: Time line for the lecture "Adaptive Filters" added.

13.04.2017: List of PhD theses added.

Contact

Prof. Dr.-Ing. Gerhard Schmidt

E-Mail: gus@tf.uni-kiel.de

Christian-Albrechts-Universität zu Kiel
Faculty of Engineering
Institute for Electrical Engineering and Information Engineering
Digital Signal Processing and System Theory

Kaiserstr. 2
24143 Kiel, Germany

Recent News

Alexej Namenas - A New Guy in the Team

In June Alexej Namenas started in the DSS Team. He will work on real-time tracking algorithms for SONAR applications. Alexej has done both theses (Bachelor and Master) with us. The Bachelor thesis in audio processing (beamforming) and the Master thesis in the medical field (real-time electro- and magnetocardiography). In addition, he has intership erperience in SONAR processing.

We are pretty ...


Read more ...