En el procesamiento estadístico de señales , el objetivo de la estimación de la densidad espectral ( SDE ) o simplemente la estimación espectral es estimar la densidad espectral (también conocida como densidad espectral de potencia ) de una señal a partir de una secuencia de muestras de tiempo de la señal. [1] Intuitivamente hablando, la densidad espectral caracteriza el contenido de frecuencia de la señal. Uno de los propósitos de estimar la densidad espectral es detectar cualquier periodicidad en los datos, observando picos en las frecuencias correspondientes a estas periodicidades.
Algunas técnicas SDE suponen que una señal se compone de un número limitado (normalmente pequeño) de frecuencias generadoras más ruido y buscan encontrar la ubicación y la intensidad de las frecuencias generadas. Otros no hacen ninguna suposición sobre el número de componentes y tratan de estimar todo el espectro de generación.
El análisis del espectro , también conocido como análisis del dominio de la frecuencia o estimación de la densidad espectral, es el proceso técnico de descomponer una señal compleja en partes más simples. Como se describió anteriormente, muchos procesos físicos se describen mejor como una suma de muchos componentes de frecuencia individuales. Cualquier proceso que cuantifique las distintas cantidades (por ejemplo, amplitudes, potencias, intensidades) versus la frecuencia (o fase ) puede denominarse análisis de espectro .
El análisis del espectro se puede realizar en toda la señal. Alternativamente, una señal se puede dividir en segmentos cortos (a veces llamados fotogramas ) y se puede aplicar un análisis de espectro a estos segmentos individuales. Las funciones periódicas (como ) son especialmente adecuadas para esta subdivisión. Las técnicas matemáticas generales para analizar funciones no periódicas entran en la categoría de análisis de Fourier .
La transformada de Fourier de una función produce un espectro de frecuencia que contiene toda la información sobre la señal original, pero en una forma diferente. Esto significa que la función original puede reconstruirse ( sintetizarse ) completamente mediante una transformada inversa de Fourier . Para una reconstrucción perfecta, el analizador de espectro debe preservar tanto la amplitud como la fase de cada componente de frecuencia. Estas dos piezas de información se pueden representar como un vector bidimensional, como un número complejo o como magnitud (amplitud) y fase en coordenadas polares (es decir, como un fasor ). Una técnica común en el procesamiento de señales es considerar la amplitud o potencia al cuadrado ; en este caso, el gráfico resultante se denomina espectro de potencia .
Debido a la reversibilidad, la transformada de Fourier se denomina representación de la función, en términos de frecuencia en lugar de tiempo; por tanto, es una representación en el dominio de la frecuencia . Las operaciones lineales que podrían realizarse en el dominio del tiempo tienen contrapartes que a menudo pueden realizarse más fácilmente en el dominio de la frecuencia. El análisis de frecuencia también simplifica la comprensión y la interpretación de los efectos de diversas operaciones en el dominio del tiempo, tanto lineales como no lineales. Por ejemplo, sólo las operaciones no lineales o variables en el tiempo pueden crear nuevas frecuencias en el espectro de frecuencias.
En la práctica, casi todo el software y los dispositivos electrónicos que generan espectros de frecuencia utilizan una transformada de Fourier discreta (DFT), que opera con muestras de la señal y que proporciona una aproximación matemática a la solución integral completa. La DFT se implementa casi invariablemente mediante un algoritmo eficiente llamado transformada rápida de Fourier (FFT). La matriz de componentes de magnitud cuadrada de una DFT es un tipo de espectro de potencia llamado periodograma , que se usa ampliamente para examinar las características de frecuencia de funciones libres de ruido, como respuestas de impulso de filtro y funciones de ventana . Pero el periodograma no proporciona ganancia de procesamiento cuando se aplica a señales similares a ruido o incluso a sinusoides con relaciones señal-ruido bajas. En otras palabras, la varianza de su estimación espectral a una frecuencia determinada no disminuye a medida que aumenta el número de muestras utilizadas en el cálculo. Esto se puede mitigar promediando en el tiempo ( método de Welch [2] ) o sobre frecuencia ( suavizado ). El método de Welch se utiliza ampliamente para la estimación de la densidad espectral (SDE). Sin embargo, las técnicas basadas en periodogramas introducen pequeños sesgos que son inaceptables en algunas aplicaciones. Por eso, en la siguiente sección se presentan otras alternativas.
Se han desarrollado muchas otras técnicas de estimación espectral para mitigar las desventajas del periodograma básico. Estas técnicas generalmente se pueden dividir en métodos no paramétricos , paramétricos y , más recientemente, semiparamétricos (también llamados dispersos). [3] Los enfoques no paramétricos estiman explícitamente la covarianza o el espectro del proceso sin asumir que el proceso tiene ninguna estructura particular. Algunos de los estimadores más comunes que se utilizan para aplicaciones básicas (por ejemplo, el método de Welch ) son estimadores no paramétricos estrechamente relacionados con el periodograma. Por el contrario, los enfoques paramétricos suponen que el proceso estocástico estacionario subyacente tiene una determinada estructura que puede describirse utilizando una pequeña cantidad de parámetros (por ejemplo, utilizando un modelo autorregresivo o de media móvil ). En estos enfoques, la tarea es estimar los parámetros del modelo que describe el proceso estocástico. Cuando se utilizan métodos semiparamétricos, el proceso subyacente se modela utilizando un marco no paramétrico, con el supuesto adicional de que el número de componentes distintos de cero del modelo es pequeño (es decir, el modelo es disperso). También se pueden utilizar enfoques similares para la recuperación de datos faltantes [4], así como para la reconstrucción de señales .
A continuación se muestra una lista parcial de técnicas de estimación de densidad espectral:
En la estimación espectral paramétrica, se supone que la señal se modela mediante un proceso estacionario que tiene una función de densidad espectral (SDF) que es función de la frecuencia y los parámetros . [8] El problema de estimación pasa entonces a ser el de estimar estos parámetros.
La forma más común de estimación SDF paramétrica utiliza como modelo un modelo de orden autorregresivo . [8] : 392 Una secuencia de señales que obedece a un proceso de media cero satisface la ecuación
donde son coeficientes fijos y es un proceso de ruido blanco con media cero y varianza de innovación . El SDF para este proceso es
con el intervalo de tiempo de muestreo y la frecuencia de Nyquist .
Existen varios enfoques para estimar los parámetros del proceso y, por tanto, la densidad espectral: [8] : 452-453
Los métodos paramétricos alternativos incluyen el ajuste a un modelo de media móvil (MA) y a un modelo de media móvil autorregresivo completo (ARMA).
La estimación de frecuencia es el proceso de estimar la frecuencia , amplitud y cambio de fase de una señal en presencia de ruido, dadas suposiciones sobre el número de componentes. [10] Esto contrasta con los métodos generales anteriores, que no hacen suposiciones previas sobre los componentes.
Si sólo se quiere estimar la frecuencia de la señal de tono puro más fuerte , se puede utilizar un algoritmo de detección de tono .
Si la frecuencia dominante cambia con el tiempo, entonces el problema pasa a ser la estimación de la frecuencia instantánea tal como se define en la representación tiempo-frecuencia . Los métodos para la estimación de frecuencia instantánea incluyen aquellos basados en la distribución de Wigner-Ville y funciones de ambigüedad de orden superior . [11]
Si se quiere conocer todos los componentes de frecuencia (posiblemente complejos) de una señal recibida (incluidos la señal transmitida y el ruido), se utiliza un enfoque de tonos múltiples.
Un modelo típico de una señal consta de una suma de exponenciales complejas en presencia de ruido blanco ,
La densidad espectral de potencia se compone de funciones de impulso además de la función de densidad espectral debida al ruido.
Los métodos más comunes para la estimación de frecuencia implican identificar el subespacio de ruido para extraer estos componentes. Estos métodos se basan en la descomposición propia de la matriz de autocorrelación en un subespacio de señal y un subespacio de ruido. Una vez identificados estos subespacios, se utiliza una función de estimación de frecuencia para encontrar las frecuencias componentes del subespacio de ruido. Los métodos más populares de estimación de frecuencia basada en el subespacio de ruido son el método de Pisarenko , el método de clasificación de señales múltiples (MÚSICA), el método de vector propio y el método de norma mínima.
Supongamos que desde hasta es una serie de tiempo (tiempo discreto) con media cero. Supongamos que es la suma de un número finito de componentes periódicos (todas las frecuencias son positivas):
La varianza de es, para una función de media cero como la anterior, dada por
Si estos datos fueran muestras tomadas de una señal eléctrica, esta sería su potencia promedio (la potencia es energía por unidad de tiempo, por lo que es análoga a la varianza si la energía es análoga a la amplitud al cuadrado).
Ahora, para simplificar, supongamos que la señal se extiende infinitamente en el tiempo, por lo que pasamos al límite como si la potencia promedio está acotada, que casi siempre es el caso en la realidad, entonces existe el siguiente límite y es la varianza de los datos.
Nuevamente, por simplicidad, pasaremos al tiempo continuo y supondremos que la señal se extiende infinitamente en el tiempo en ambas direcciones. Entonces estas dos fórmulas se convierten
y
La raíz cuadrática media de es , por lo que la varianza de es Por lo tanto, la contribución a la potencia promedio de proveniente del componente con frecuencia es Todas estas contribuciones se suman a la potencia promedio de
Entonces la potencia en función de la frecuencia es y su función de distribución estadística acumulativa será
es una función escalonada , monótonamente no decreciente. Sus saltos ocurren en las frecuencias de los componentes periódicos de , y el valor de cada salto es la potencia o varianza de ese componente.
La varianza es la covarianza de los datos consigo mismos. Si ahora consideramos los mismos datos pero con un retraso de , podemos tomar la covarianza de con y definirla como la función de autocorrelación de la señal (o datos) :
Si existe, es una función par de Si la potencia promedio está acotada, entonces existe en todas partes, es finita y está acotada por cuál es la potencia promedio o la varianza de los datos.
Se puede demostrar que se puede descomponer en componentes periódicos con los mismos períodos que :
De hecho, esta es la descomposición espectral de las diferentes frecuencias y está relacionada con la distribución de potencia de las frecuencias: la amplitud de un componente de frecuencia es su contribución a la potencia promedio de la señal.
El espectro de potencia de este ejemplo no es continuo y, por lo tanto, no tiene derivada y, por lo tanto, esta señal no tiene una función de densidad espectral de potencia. En general, el espectro de potencia suele ser la suma de dos partes: un espectro lineal como el de este ejemplo, que no es continuo y no tiene función de densidad, y un residuo, que es absolutamente continuo y sí tiene función de densidad. .