Anda di halaman 1dari 13

IEEE LATIN AMERICA TRANSACTIONS, VOL. 3, NO.

3, JULY 2005

255

Caracterizacin Espectral Mediante el Mtodo Modificado por Regularizacin de Prony Fusionado con Estimadores Espectrales No Paramtricos de Alta Resolucin
J. L. Ponce-Dvalos, Member, IEEE y Y.V. Shkvarko, Senior Member, IEEE
A la fecha, se ha propuesto una amplia variedad de mtodos de estimacin espectral, entre los que destacan diferentes versiones de los mtodos de mxima entropa de Burg [1], el de mxima verosimilitud de Capon [2], mtodos basados en la descomposicin de la matriz de correlacin de datos en trminos de sus eigenvalores y eigenvectores (Pisarenko [2], MUSIC [1] ESPRIT [3]) y la formulacin Bayesiana de mxima entropa [5], [6]. La intencin principal de las diferentes propuestas de estimacin espectral consiste en obtener mtodos que puedan manifestar un buen desempeo tanto de superresolucin (i.e. poder distinguir fuentes puntuales cercanas entre s [2]), como de alta resolucin, (i. e. poder estimar la PSD de observaciones con espectro distribuido de banda limitada como, por ejemplo, las generadas por el ruido coloreado [12]). Para evaluar el desempeo de las diversas propuestas de estimacin espectral, es conveniente proponer secuencias de datos obtenidas de manera sinttica, esto tiene la ventaja de que se podr trabajar con datos controlados, que pueden ser de valor real o de valor complejo permitiendo as incluir espectros no simtricos. La alta resolucin y la superresolucin son situaciones incompatibles cuando se analiza la estimacin espectral en forma global [1], [2], [3], [7], [8]. Por ello, los mtodos referidos se han enfocado principalmente a situaciones en las que la escena de fondo se considera como ruido blanco Gaussiano, y desafortunadamente poco se ha trabajado en escenarios en los que las seales de inters se encuentran inmersos en ruido coloreado. Ms an, a la fecha no existe mtodo que aborde la problemtica de la alta resolucin y la superresolucin de manera conjunta [1], [2], [3], [5], [7], [10], [17], [18]. Por otra parte, entre los mtodos de estimacin de lneas espectrales para el caso de modelos de seales multiarmnicas, los mtodos de Prony y el de descomposicin armnica de Pisarenko son de los ms extensamente empleados [3], [8] [9], [10], [11]. Sin embargo, estos son altamente sensibles al ruido coloreado y sus resultados arrojan lneas espectrales falsas en diversas posiciones [10], [17], [18]. El mtodo que proponemos permite establecer un hecho importante, esto es: con el mtodo modificado por regularizacin de Prony (MORP) para estimacin espectral que se describe en este trabajo, y bajo diferentes hiptesis acerca del nmero presente de componentes armnicas, resulta

ResumenEn este trabajo se presenta una tcnica novedosa para la caracterizacin espectral con alta resolucin de procesos armnicos ocultos en ruido coloreado. La aproximacin propuesta enfoca el problema de la estimacin espectral a travs la fusin inteligente de dos paradigmas: (i) estimacin paramtrica de lneas espectrales que identifica la seal multi-armnica aplicando el mtodo modificado por regularizacin de Prony (MORP) y (ii) estimacin espectral no paramtrica de Mxima Entropa (ME) y de Mnima Varianza (MV) para la caracterizacin del espectro distribuido que representa el ruido coloreado. Mediante la propuesta de la fusin de estrategias se alcanza una mejora substancial tanto en la resolucin de lneas espectrales cercanas entre si, como en la reconstruccin de las caractersticas de espectro distribuido del ruido de fondo. Se verifica el mtodo propuesto fusionado en dos versiones: MORP-ME y MORP-MV mediante los resultados de simulaciones computacionales y aplicaciones particulares. Palabras Clave Anlisis Espectral, Estimador de Mxima Entropa (ME), Estimador de Mnima Varianza (MV), Mtodo Modificado por Regularizacin de Prony (MORP).

I. INTRODUCCIN

a estimacin de la densidad espectral de potencia (PSD por sus siglas en ingls Power Spectral Density) es tema de gran importancia en el mbito del procesamiento de datos en diversas reas de las ciencias y la ingeniera. La teledeteccin o percepcin remota, procesamiento de voz, procesamiento de imgenes, procesamiento de seales biomdicas, comunicaciones y econometra son slo algunos ejemplos de su aplicacin [1], [2], [3], [4]. De manera especfica, el aspecto de la resolucin, tanto espacial de objetos tipo fuentes puntuales cercanamente espaciados como la temporal generada por tonos de frecuencias cercanas, y la caracterizacin de procesos armnicos inmersos en ruido coloreado, han sido tpicos clave en el desarrollo contemporneo de mtodos de estimacin espectral [1], [2], [3], [5], [6].
J. L. Ponce-Dvalos pertenece al Departamento de Ingeniera Electrnica del ITESM, Campus Guadalajara, Av. Gral. Ramn Corona 2514, Zapopan, Jal., C.P. 45214, Mxico. (e-mail: jlponce@itesm.mx). Y.V. Shkvarko pertenece al Departamento de Telecomunicaciones del CINVESTAV del IPN, Unidad Guadalajara, Av. Lpez Mateos Sur 590, Guadalajara, Jal., Mxico. (e-mail: shkvarko@cts-design.com).

256

IEEE LATIN AMERICA TRANSACTIONS, VOL. 3, NO. 3, JULY 2005

que las lneas espectrales que verdaderamente estn presentes permanecen relativamente inalteradas en su posicin espectral, en tanto que las lneas falsas cambian su posicin en el espectro para cada realizacin experimental. En caso de no existir componentes armnicas, el mtodo arroja resultados en posiciones espectrales aleatorias. A esta caracterstica le llamamos Invariancia en la Posicin Espectral (SPI por sus siglas en ingls Spectral Positional Invariance ). La caracterstica SPI se estableci en primera instancia de manera experimental, pero ha sido corroborada en aplicaciones prcticas con resultados favorables. Su justificacin matemtica se basa en el hecho de que las posiciones espectrales verdaderas tienen mayor probabilidad de ocurrir que las espurias [11]. El objetivo principal de este trabajo es proponer una aproximacin alternativa a la estimacin espectral/espacial de alta resolucin y super resolucin que agrega los paradigmas de estimacin espectral paramtrica y no paramtrica de manera cooperativa. La propuesta hace uso de la propiedad de SPI de las lneas espectrales, obtenidas bajo diferentes hiptesis mediante el mtodo MORP, el cual es una modificacin del mtodo de estimacin espectral modificado mediante regularizacin (MORSE por sus siglas en ingls Modified Regularized Spectral Estimation ) que fue propuesta recientemente en [10]. La estimacin espectral propuesta en este trabajo supone que los datos representan una seal de observacin compuesta, formada por una parte multi-armnica y otra parte de ruido coloreado. El procedimiento consiste primeramente en la aplicacin iterada del mtodo MORP varias veces bajo diferentes hiptesis acerca del nmero de posibles lneas espectrales, las cuales correspondern a las componentes armnicas de la seal. Este procedimiento ha permitido desarrollar una estrategia para obtener la caracterizacin paramtrica explcita del modelo multi-armnico. Despus, realizamos un innovacin regularizada a partir del registro de observaciones iniciales restando la componente multiarmnica (estimada previamente aplicando el mtodo MORP) de la seal original. El siguiente paso es reconstruir la parte distribuida del espectro PSD aplicando estimadores no paramtricos adaptivos de alta resolucin a los datos innovados. En este trabajo proponemos cmo emplear los mtodos no paramtricos de mxima entropa (ME) y de mnima varianza (MV) por producir los mejores desempeos en el sentido de alta resolucin en balance con su eficiencia computacional [1], [2]. La fusin de estos mtodos con MORP presenta una mejora sustancial en la reconstruccin espectral de la PSD resultante, tanto de la parte de alta resolucin de lneas espectrales como de la parte distribuida del espectro continuo de banda limitada. El trabajo se ha organizado de la siguiente forma: en la seccin II se enmarca el problema a estudiar con un anlisis de los mtodos de estimacin existentes y la eleccin de los modelos de prueba; en la seccin III se presenta un breve panorama de los mtodos modernos de anlisis y estimacin espectral, los cuales se ilustran con simulaciones computacionales; en la parte IV se presenta el mtodo propuesto MORP y la estructura computacional de su

aplicacin; en la seccin V se presentan la estrategia de fusin propuesta y los resultados de la agregacin de mtodos MORP-ME y MORP-MV. Las simulaciones computacionales obtenidas permiten verificar la eficiencia de los mtodos propuestos. Finalmente en la seccin VI se presentan las conclusiones. II. MARCO DE TRABAJO DEL PROBLEMA A ESTUDIAR Dos caractersticas inherentes limitan el desempeo de los mtodos de estimacin de la PSD, tanto clsicos como paramtricos modernos [1], [2]: primeramente, la resolucin, es decir, la habilidad de distinguir dos o ms objetos puntuales cercanos unos de otros; la segunda limitante es debida al proceso de ventaneo implcito de los datos cuando se trabaja mediante procesamiento de la transformada discreta de Fourier (DFT, por sus siglas en ingls Discrete Fourier Transform) la cual produce una limitacin finita en el ancho de banda. El ventaneo temporal, o registro finito de datos, se refleja espectralmente como un desparramamiento, es decir, la energa del lbulo principal en el espectro estimado se desparrama hacia los lbulos laterales traslapando y distorsionando cualquier otra respuesta espectral cercana [1], [2]. Los mtodos de alta resolucin tienen por objetivo hacer una extrapolacin fuera de la banda para corregir dicho problema [12]. Los mtodos paramtricos (basados en modelo espectral) permiten obtener resultados con superresolucin pero no pueden reconstruir la parte continua o distribuida de la PSD, la cual est relacionada con el ruido coloreado [1], [2]. Por otra parte, los mtodos no paramtricos (sin modelo espectral) no son capaces de resolver con superresolucin lneas espectrales cercanas, slo proporcionan la envolvente espectral [1], [7]. A fin de explorar los mtodos existentes y los mtodos propuestos, se considerarn dos conjuntos de datos de prueba, los cuales se encuentran reportados en la literatura [1], [2] y son de uso frecuente como test data. Estos dos casos son secuencias de K valores de naturaleza compleja { u[k]; k = 0, 1,, K1}. Es importante aclarar que si bien en cualquier aplicacin ordinaria los datos medidos son cantidades de valor real, la razn de emplear datos de valor complejo obedece a que como lo que se quiere estimar es el espectro el cual es inherentemente complejo, entonces, para tener un escenario controlado y que abarque cualquier posibilidad de estimacin espectral, independientemente de la simetra de este, es necesario generar de manera sinttica espectros que no sean necesariamente simtricos, para as poder evaluar las ventajas y limitaciones de los mtodos de estimacin espectral [2]. Los procesos de valor real quedarn contenidos dentro de la formulacin compleja, como es usual en muchas aplicaciones semejantes. En el dominio de la frecuencia el espectro se encuentra dentro de una banda limitada de frecuencia normalizada con | f | < 1/2 [2]. El primer modelo de prueba detallado en la [1] consiste en una secuencia de K = 32 datos complejos obtenidos de la suma de tres sinusoides de frecuencias normalizadas localizadas en 0.05, 0.40 y 0.42 respectivamente. As como una seal de ruido coloreado extendido en toda la banda, el cual se obtiene

PONCE-DVALOS AND SHKVARKO : SPECTRAL CARACTERIZATION VIA FUSING

257

al hacer pasar ruido blanco gaussiano a travs de un filtro auto-regresivo de orden 1. La razn seal a ruido (SNR, por sus siglas en ingls Signal-to-Noise Ratio ) es aproximadamente de 30 dB en f = 0.4 y alrededor de 15 dB en f = 0.05. El espectro terico es simtrico y se ilustra en la Fig. 1.a. El segundo conjunto de datos de prueba obtenido de la referencia [2] es una secuencia de K = 64 muestras de un proceso que consiste de cuatro sinusoides complejas inmersas en un proceso de ruido coloreado. Las sinusoides a analizar son las frecuencias ubicadas en 0.15 y 0.1 (las cuales estn por debajo del nivel de ruido coloreado), y otras dos que se encuentran cercanas entre s, en 0.2 y 0.21, respectivamente. La seal de ruido coloreado se obtiene al hacer pasar una seal de ruido blanco Gaussiano a travs de un filtro de coseno alzado. En la Fig. 1.b se muestra el espectro terico para estos datos de prueba. En este caso se tiene un espectro no simtrico con SNR promedio de 15 dB.
10

por r ( ) = E{u (t + )u * (t )} = lm 1 T 2T

u (t + )u * (t ) dt

(3)

-10

-20

-30

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

a)
10

PDS Relativa (dB)

-10

-20

con E{} denotando el valor esperado y * el complejo conjugado. Al tratar de evaluar las ecuaciones (1) (2) y (3), surgen dificultades prcticas, ya que en la realidad el proceso a estudiar es observado en una ventana de tiempo dentro de la cual slo se tiene un conjunto limitado de muestras. Por ello, es necesario tratar hiptesis acerca del comportamiento estadstico del fenmeno observado, con el objetivo de obtener un valor estimado de la PSD. Como hiptesis estadstica de trabajo se considera que los datos son procesos ergdicos estacionarios en sentido amplio [1]. La estimacin de la densidad espectral de potencia (PSD) de procesos aleatorios, ha sido estudiada en una amplia variedad de enfoques [1], [2], [3]. Una manera de catalogar los mtodos es categorizarlos en dos clases. La primera comprende los Mtodos No-Paramtricos , (clsicos y modernos), los cuales obtienen la estimacin de la PSD mediante el procedimiento estndar de la DFT y el clculo de la funcin de autocorrelacin, la cual es determinada mediante diferentes hiptesis como se explicar adelante. La siguiente clase comprende los Mtodos Paramtricos, los cuales estn basados en un modelo paramtrico del espectro, algunos de los mtodos frecuentemente usuales son descritos brevemente en seguida. Se presentarn slo las generalidades de dichos mtodos para ilustrar los resultados obtenidos por estos estimadores y se compararn con el mtodo propuesto en este trabajo. Para una descripcin de mayor detalle se hace referencia a la literatura citada [1], [2], [3], [7]. A. Estimacin Espectral No-Paramtrica 1) Mtodos Clsicos: Usualmente se consideran de manera representativa dos estimadores espectrales clsicos desarrollados a partir de los mtodos directo e indirecto de manera discretizada, ellos son: el Periodograma y el Estimador de Blackman-Tukey [7]. El periodograma es la aplicacin del mtodo directo discretizado, dado por [7]
(f)= T P PG K

PSD Relativa (dB)

-30

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

b)
Fig. 1. Espectros tericos de los procesos de ejemplo: a) Espectro simtrico especificado en la ref. [1]; b) Espectro no simtrico especificado en la ref. [2].

III. BREVE PANORAMA DE LOS MTODOS MODERNOS PARA LA ESTIMACIN ESPECTRAL La PSD est definida slo para seales de potencia [1], [2]. En el tiempo continuo se determina como [1] P ( f ) = lm 1 T 2T

k =0

K 1

u[ k ] exp( j 2 f kT )

(4)

u (t ) exp( j 2 f t ) dt

(1)

en donde, u(t) es la seal de observacin y es la representacin matemtica del fenmeno a estudiar, T es el tiempo de observacin. La PSD, tambin se puede calcular por el mtodo indirecto [1] como P( f ) =

en donde {u[k]; k = 0, 1, K1} representa un conjunto de datos de valor real tomados como muestras durante el intervalo de tiempo T del proceso a estudiar. El mtodo realiza una estimacin relativamente pobre debido al efecto de desparramamiento espectral [1]. En la Fig. 2.a y 2.b y se ilustran los periodogramas (4) relativos a los datos de prueba cuyos espectros son presentados en las Fig. 1.a) y 1.b) ( f ) produce estimarespectivamente. Es fcil ver que P
PG

r ( ) exp( j 2 f ) d

(2)

en donde r() es la funcin de autocorrelacin (FAC) definida

ciones muy burdas de los espectros originales. La discretizacin del mtodo indirecto se conoce como correlograma [1] y su aplicacin implica una ventana rectangular intrnseca en el dominio de las frecuencias, la cual provoca variabilidad estadstica [7]. Blackman y Tukey

258

IEEE LATIN AMERICA TRANSACTIONS, VOL. 3, NO. 3, JULY 2005

desarrollaron un mtodo alternativo (referido como estimador BT) que emplea una ventana en el dominio de las frecuencias para reducir la varianza suavizando el periodograma. La ecuacin que determinan el estimador BT es:
(f)= P BT

k = K

r[k ]w[k ]exp( j 2 f k T )

(5)

El objetivo del mtodo de MV es estimar la potencia de la seal observada {u[k]} en la frecuencia de inters fi con la mayor precisin posible. Esto se logra si el filtro pasa-banda centrado en fi cancela tanta potencia residual de salida como sea posible. Por lo tanto el criterio de optimizacin de MV es la minimizacin del valor esperado de la potencia de salida del banco de filtros, es decir la minimizacin de la varianza

en donde se ha empleado una estimacin de la FAC definida como [7] [ m ] = {r 1 K


K m 1 k =0

u[k + m]u [k ]; r[ m ] = r * [ m];


*

(6)

0 | m | K 1} y w[k] es una secuencia real llamada ventana de retardo [1]. Dicha ventana puede ser alguna de las conocidas como la de Hamming, Hanning, Bartlett, etc. [7]. En la Fig. 2.c y 2.d se ( f ) de los datos empleados como ilustra el estimador P
BT

E { | y i [ k ] | 2 } , la cual representa indirectamente la PSD de la seal original {u[k]} en la frecuencia de inters fi [7]. En forma vectorial-matricial, definiendo u = [u[0] u[1] u[K1]T, gi = [gi[0] gi[1] gi[P]]T y ei( fi ) = [1 e j2fi ... e j2fi P]T, la potencia de salida del filtro de MV es por definicin E { | y i [ k ] | 2 } = E { ( g iH u )( u H g i )} =
en donde
H

g iH E { u u H } g i = g iH R P g i denota la transposicin Hermitiana y

RP = E{ u u H } representa la matriz de auto-correlacin restingida a un orden (P+1)(P+1) con P < K de los datos observados. La restriccin de ganancia unitaria se impone a travs de

casos de prueba con una de las ventanas ms frecuentemente usadas de Hamming de ancho K/4. 2) Mtodos Modernos: Los mtodos de alta resolucin (que en la literatura de mayor reconocimiento [1], [2] en anlisis espectral se les nombra como mtodos modernos ) plantean hiptesis sobre el comportamiento de los datos o del espectro. Los hay paramtricos y no paramtricos. Dentro de los ms usuales tenemos: el mtodo de Mnima Varianza (MV) [1], el de Mxima Entropa (ME) [1] y el de clasificacin de mltiples seales MUSIC (por sus siglas en ingls Multiple Signal Classification) [3]. Estimador de MV: El estimador de MV es una adaptacin del Mtodo de Mxima Verosimilitud desarrollado por Capon [2]. Este mtodo permite estimar la PSD a partir de los datos muestreados {u[k]; k = 0, 1,..., K 1} del proceso a estudiar, mediante la minimizacin de la potencia de salida o varianza de un arreglo de I filtros pasa-banda de banda angosta [13], cada uno con respuesta al impulso {gi[k]} centrado en una frecuencia determinada fi; i = 1,..., I, y restringidos a tener una ganancia unitaria para asegurar que no introduzcan distorsin en su respuesta. Los filtros son altamente selectivos y cada uno rechaza cualquier potencia residual de salida debido a contribuciones fuera de banda [13]. En la aproximacin de MV, cada filtro pasa-banda se modela como un filtro transversal de orden P+1. La respuesta de cada filtro para la secuencia de datos de entrada u[k] se obtiene como [7]
{ y i [k ] =

g iH e i = e iH g i = 1 . Efectuando el clculo de minimizacin con restricciones mediante la tcnica usual de multiplicadores de Lagrange [7] se deduce que el estimador de MV para un espacio continuo de frecuencias viene a ser [1]
(f)= P MV 1 1e( f ) e ( f )R P
H

(9)

donde e( f ) = [1 e j2 f ... ej2 f P]T es un vector formado por las potencias de la exponencial compleja { ej2 f p ; p = 0, 1, P} definido para un continuo de frecuencias | f | < 1/2. Este vector es denominado usualmente como vector de asignacin de frecuencias [1] o steering vector en el anlisis de estimacin espacial espectral [13]. En (9), la matriz [0] [ 1] r r [0] r[1] r = M M r[ P ] r[ P 1] [ P ] r [ P + 1] L r O M [0] r L L

R P

(10)

g [ p]u[k p] ; i = 1,..., I
i p =0

y k = 0,1,..., K 1} . (7)

Para asegurar que el filtro no altera la potencia de la seal de entrada se establece como restriccin de calibracin que la ganancia del filtro es unitaria en cada fi, es decir [7] {Gi ( f i ) =

p =0

g i [ p] exp( j 2 p f i ) = 1 ;

i = 1,..., I } .

(8)

representa la estimacin de la matriz de autocorrelacin restringida definida mediante (6) [2]. En la Fig. 2.e y 2.f se muestran los espectros estimados mediante el mtodo de MV de los datos de prueba de las Fig. 1.a) y 1.b) respectivamente. Estimador de ME: El estimador de ME de Burg [1] pretende aliviar el problema del desparramamiento provocado por el truncamiento en los datos. La estrategia consiste en estimar por extrapolacin a la funcin de autocorrelacin definida por (6) fuera de un segmento de [0], r [1],, r [P]}. longitud P<K, es decir, si se conoce { r [P+1], r [P+2], r [K]} mediante un Entonces se estima { r proceso recursivo de prediccin lineal mediante la expresin [2]

PONCE-DVALOS AND SHKVARKO : SPECTRAL CARACTERIZATION VIA FUSING

259

[ k ] = {r

[ p]r[k p] ;
p =1

k = P + 1, K , K }

B. Breve Panorama de Estimacin Espectral Paramtrica (11) La estimacin espectral paramtrica consiste en proponer un modelo que describa al espectro mismo [1], [2], [6] o a la seal [1], [2], [7]. Los modelos usualmente empleados [1], [2], [6], [7] son los llamados auto-regresivo de promedio mvil (ARMA por sus siglas en ingls Auto-Regressive Moving Average), de promedio mvil (MA) y el auto-regresivo (AR). Los parmetros del modelo son estimados usando slo los datos disponibles. Existen diversas tcnicas para obtener dichos parmetros [1], [2], [6], [7]. Otra forma de estimacin espectral es aquella en la que se propone un modelo para la seal [1], [2], [10], [11]. En este trabajo se considera un modelo de seales armnicas inmersas en ruido coloreado como se detallada por ejemplo, en [10] y [11]. Los parmetros a determinar son las amplitudes, las frecuencias y las fases. En el dominio de las frecuencias este tipo de seales estn representadas por lneas espectrales y un espectro distribuido dentro de una banda limitada de frecuencias. La propuesta desarrollada en este trabajo consiste en la fusin inteligente de mtodos paramtricos y no paramtricos. La ventaja de dicha fusin de mtodos es que los resultados bajo esta estrategia superan los resultados obtenidos por otras metodologas. Por una parte, los mtodos paramtricos permiten determinar las componentes armnicas correspondientes al espacio de seal y, por otro lado, los mtodos no paramtricos permiten identificar la componente distribuida del espectro. Los resultados se muestran adelante. C. Problemtica de Estimacin de Alta Resolucin en Ruido Coloreado Los mtodos de eigenvalores y eigenvectores para la estimacin espectral de alta resolucin, como el MUSIC, el de descomposicin armnica Pisarenko o el ESPRIT, han sido desarrollados principalmente para seales inmersas en ruido blanco. La descomposicin en eigenvalores de la matriz de correlacin para seales armnicas en ruido blanco exhibe un comportamiento que permite identificar el subespacio de ruido del subespacio de seal. Por inspeccin directa (dentro de ciertos lmites de probabilidad de deteccin determinados por de la razn seal a ruido [14]) se nota que los eigenvalores de la matriz de correlacin asociados a la componente armnica son considerablemente mayores a los que corresponden al ruido y por lo tanto, se puede discriminar bajo este criterio de comparacin a los dos subespacios (seal armnica y ruido) [14]. En el caso de ruido coloreado no hay un umbral de decisin ni es posible definir un criterio de comparacin que permita una distincin clara de dichos subespacios [1], [2], [14]. En consecuencia no es posible separar directamente los subespacios de seal y ste tipo de ruido. Esto provoca inexactitudes en los resultados de la estimacin espectral bajo cualquier mtodo.

[ p] son los parmetros estimados en donde los coeficientes del modelo auto-regresivo de prediccin lineal, los cuales se determinan a travs del algoritmo recursivo clsico de Levinson detallado en [1] o [2], por ejemplo. La estimacin es tal que la entropa dentro del segmento P de observacin es mxima, en tanto que la aportacin de la informacin fuera de dicho segmento es mnima. El clculo [ p ] ; p = 1,, P)} y la est sujeto a la restriccin de que { r PSD son pares de Fourier, es decir
1/ 2

1 / 2

ME (

[ p], p = 1, K , P . f ) exp( j 2 f p)df = r

(12)

El resultado es el estimador normalizado de ME [7] (f)= P ME


P

1
2

(13)

1+

[ p] exp( j 2 f p)
p =1

En la Fig. 2.g y 2.h se muestran los espectros de los procesos de prueba de Fig. 1 estimados mediante el mtodo ME. Mtodo MUSIC: Este mtodo es uno de los ms populares para la estimacin espectral de alta resolucin [3]. En este caso, la idea consiste en separar los subespacios de seal y de ruido. Si la seal consiste de P sinusoides inmersas en ruido blanco, entonces la descomposicin en autovalores de la matriz de autocorrelacin R K de la seal completa muestra una separacin acentuada entre los autovalores el espacio de la seal y el de ruido, determinada por la magnitud de estos. Los autovalores que pertenecen al ruido son sustancialmente ms pequeos que los de la seal para razones de seal a ruido altas. Definimos al conjunto {vp; p = P+1, P+2,, P+K} como el conjunto de eigenvectores que representan al ruido, caracterizado por ser los de menor autovalor. Los eigenvectores correspondientes al subespacio de seal son ortogonales a los del subespacio de ruido y por lo tanto la magnitud espectral (e H ( f ) v p )( v H p e( f )) =

p = P +1

e H ( f )v p

es nula al ser evaluada en las frecuencias de las componentes armnicas presentes en la seal. Por lo tanto el recproco de esta cantidad tiende a infinito en las frecuencias existentes en la seal. Schmidt [1] nota este resultado y define la PSD estimada por el mtodo de Mltiple clasificacin de seales MUSIC como P MUSIC ( f ) = 1 e ( f )v p v H p e( f )
H

(14)

Los espectros MUSIC estimados para los datos de prueba se presentan en la Fig. 2.i y 2.j.

260

IEEE LATIN AMERICA TRANSACTIONS, VOL. 3, NO. 3, JULY 2005

10

10

PSD Relativa (dB)

PSD Relativa (dB)


-0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5

-10

-10

-20

-20

-30

-30

-40

-40

-50 -0.5

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

Frecuencia Normalizada

(a)
10 10

(b)
PSD Relativa (dB)
0

PSD Relativa (dB)

-10

-10

-20

-20

-30

-30

-40

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

Frecuencia Normalizada

(c)
10 10

(d)
PSD Relativa (dB)
0

PSD Relativa (dB)

-10

-10

-20

-20

-30

-30

-40

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

(e)
10 10

(f)
PSD Relativa (dB)
0

PSD Relativa (dB)

-10

-10

-20

-20

-30

-30

-40

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Noramlizada

Frecuencia Normalizada

(g)
10 10

(h)
PSD Relativa (dB)
0

PSD Relativa (dB)

-10

-10

-20

-20

-30

-30

-40

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

Frecuencia Normalizada

(i)

(j)

Fig. 2. Panorama de los diferentes estimadores espectrales ms usuales, aplicados a los datos de prueba. La columna izquierda corresponde a los datos de la Fig. 1.a. y la columna derecha a los datos de la Fig. 1b. (a) y (b): Periodograma. (c) y (d): Estimacin de Blackman-Tukey. (e) y (f): Estimacin de Mnima Varianza. (g) y (h): Estimacin de Mxima Entropa. (i) y (j): Estimacin MUSIC.

PONCE-DVALOS AND SHKVARKO : SPECTRAL CARACTERIZATION VIA FUSING

261

IV. MTODO PROPUESTO A. Modelo de Datos Dos de los principales estimadores de lneas espectrales son el mtodo de Prony [8] y el de descomposicin armnica de Pisarenko [2]. El mtodo de Pisarenko supone que las frecuencias de las sinusoides ocultas en una seal pueden ser obtenidas a travs del clculo de los autovalores mnimos de la matriz de autocorrelacin (10). Sin embargo, este mtodo es altamente sensible al ruido coloreado que es el considerado en este trabajo, y por ello su uso prctico es limitado [1], [2] y [7]. Debido a esto, en el trabajo presente desarrollamos el mtodo modificado por regularizacin de Prony (MORP) como se detalla en seguida. El modelo considerado para los datos es la composicin {u[k ] = s ( M ) [k ] + n[k ]; k = 0,1, K , K 1} (15)

alternativos para mejorar la estimacin de los parmetros caractersticos del modelo (16). En este trabajo nos basamos en las tcnicas de regularizacin [10], [12] para desarrollar un nuevo mtodo consistente en la caracterizacin adaptiva del espectro de armnicos inmersos en ruido coloreado que superan todos los mtodos de caracterizacin espectral paramtrica de espectro de lneas reportados en la literatura previamente, e.g. [1], [2], [3] y [7]. A este mtodo nosotros lo llamamos mtodo modificado por regularizacin de Prony, detallado en la siguiente subseccin. C. Generalizacin del Mtodo de Prony Mediante Regularizacin El mtodo original de Prony [2] calcula los parmetros caractersticos {Am, fm y m} desacoplando la ecuacin no lineal (16) mediante un sistema auxiliar de ecuaciones lineales en el que se determina primero {zm} como las races de un polinomio caracterstico. Luego, con los valores estimados de } resolviendo (16). m } obtiene { d {z m Para el caso no determinstico en el que se considera ruido coloreado el problema es no lineal y sobre-dimensionado [2]. Referenciado al anlisis detallado de este problema presentado en [1] y [2] mencionamos los factores principales los cuales dificultan la solucin del mismo. Primeramente, debido a la no linealidad no existe solucin analtica en forma cerrada del problema. Como segundo aspecto, la presencia de una componente distribuida de PSD resulta en una sobreestimacin de lneas espectrales correspondientes a la parte multiarmnica del espectro, las cuales pueden ser producidos solamente por mtodos de estimacin espectral paramtrica [1], [2]. Por ello, como ha sido resumido en [1] y [2], el problema de estimacin espectral no lineal bajo estudio debe ser tratado mediante la fusin inteligente de mtodos paramtricos y no paramtricos. Esta aproximacin tiene que considerar algunas pruebas basadas en experimentos con estrategias de estimacin espectral paramtrica para reconstruir el espectro de lneas de la componente multiarmnica eliminando el efecto de sobre-estimacin del orden del modelo. Este problema fue discutido y analizado explcitamente en [1] y [2], donde los autores declaran que este problema est abierto y an sin solucin. El aspecto innovador principal que proponemos en este trabajo es una nueva aproximacin del problema bajo estudio basado en una nueva estrategia de estimacin espectral fusionada que elimina el efecto de sobreestimacin del orden del modelo de la parte multi-armnica en los datos de observacin. Esta aproximacin est justificada en pruebas de hiptesis que corresponden a diferentes rdenes del modelo de Prony con una eleccin adaptiva de decisin a favor de la hiptesis que proporciona el mnimo error en la localizacin y caracterizacin de las lneas espectrales en el espectro combinado. Para tratar diferentes hiptesis del orden M del modelo paramtrico en (16) consideramos que el orden estimado M [Mmn, Mmx], en el se sita dentro de un rango, es decir M que Mmn > Mverdadero y Mmx < K. Ntese que la condicin Mmn > Mverdadero implica que el modelo supuesto es sobre estimado y por lo tanto forzosamente aparecern componentes

es decir, la superposicin de un nmero M < K (usualmente desconocido) de sinusoides complejas con amplitudes Am, frecuencias caractersticas fm, y fases m; m = 1, , M, las cuales estn contaminadas por ruido coloreado { n[k]} cuya densidad espectral de potencia Pn( f ) es desconocida. El modelo de la parte multi-armnica en (15) es dado por
k 1 s ( M ) [k ] = Am exp[ j 2 f m (k 1) + j m ] = d m z m (16) m=1 m=1 M M

en donde {dm=Amexp(jm) y zm= exp(j2fm); m = 1, , M}. En el caso determinstico (i.e. sin ruido {n[k] = 0; k = 0, 1K1} en (15)), el problema tiene solucin exacta si el orden del modelo M es conocido y adems M K/2 [2]. En cualquier otro escenario (i.e. datos ruidosos y/o M desconocida) el modelo (15) es sobre-dimensionado [2]. En estos casos, slo es posible obtener estimaciones aproximadas y ,f ; m = 1,..., M } de los parmetros caractersticos { A
m m m

es un estimado del verdadero del modelo (16), en donde M valor de M. B. Planteamiento del Problema El objetivo principal a desarrollar en este trabajo consiste en realizar una caracterizacin fusionada espectral explcita para el modelo de datos combinados (15). Primero, desarrollamos una estrategia que ofrece la posibilidad a estimar el orden del modelo M, y mediante las definiciones de {dm} y {zm} estimar y ,f ; m = 1,..., M } los parmetros caractersticos { A
m m m

para as reconstruir el modelo multi-armnico (16) y obtener el espectro de lneas. Luego, proponemos una estrategia adaptiva basada en mtodos de MV y/o ME, para estimar la densidad ( f ) . Finalmente espectral del espectro distribuido P
n

fusionando el espectro de lneas con el espectro distribuido del ruido coloreado reconstruimos adaptivamente la PSD total ( f ) . combinada P La caracterstica principal de los estimadores espectrales de lneas, como el de Pisarenko y el de Prony, es la aparicin de lneas espectrales falsas asociadas al ruido [1], [2], [7], [8]. En trabajos recientes [10], [11], [12] se han propuesto mtodos

262

IEEE LATIN AMERICA TRANSACTIONS, VOL. 3, NO. 3, JULY 2005

armnicas adicionales (falsas). En procesos armnicos ocultos en ruido blanco esta situacin se puede reducir, pues es fcil discriminar el subespacio de ruido del subespacio de seal. Sin embargo, en el caso de ruido coloreado el estimador de Prony es sensible al ruido y produce componentes espurias en todos los casos sobredeterminados, como fue analizado en detalle en [1] y [2]. [Mmn, Para cada una de las hiptesis bajo anlisis M Mmx], el sistema de ecuaciones de desacoplamiento que permiten calcular los valores de { zm} es [2] u L u 0 a1 M 1 O M M M u 1 a M K 2 L u K M uM M M + M = u K 1 K 1

(17.a)

que nosotros reescribimos ahora en forma vectorial-matricial como UM aM = uM + M . (17.b)

Como una alternativa, el mtodo MORSE propuesto recientemente en [10] resuelve (17) realizando una descomposicin en valor singular (SVD por sus siglas en ingls Singular Value Decomposition ) de U M , minimizando el error de prediccin y eligiendo los autovalores que minimizan la norma de a M . Este mtodo puede tratar el problema de estimacin espectral de armnicas inmersas en ruido blanco en el que el resultado permite distinguir los subespacios de seal y ruido. Sin embargo, en el caso de ruido coloreado la discriminacin del espacio de seal con este mtodo es pobre, debido a que el MORSE enfrenta el problema obteniendo la pseudo-inversa mediante regularizacin y calculando el parmetro de regularizacin para cada eigenvector. En este trabajo se incorpora el mtodo de regularizacin en la determinacin de la solucin (18). En la siguiente seccin se presenta un mtodo adaptivo robusto para determinar tanto el del modelo como la posicin de las lneas orden M espectrales que aparecen realmente en los datos de prueba. D. Invariancia de Posicin Espectral [Mmn, Mmx] en los Para cualquier hiptesis de prueba M > Mverdadera, la descomposicin casos sobredeterminados, M SVD de U M produce un conjunto de lneas espectrales, de las cuales un subespacio asociado a la seal, de dimensin Mverdadera, representa a las lneas que verdaderamente estn presentes en los datos observados y otro subespacio asociado Mverdadera que representa a las al ruido de dimensin M lneas falsas [14]. En esta subseccin proponemos una estrategia que permite identificar este subespacio de seal. Al aplicar iteradamente diferentes hiptesis de prueba sobre M [Mmn, Mmx] para resolver (17) se observa en resultados experimentales [11] que un subconjunto de M P lneas, aparecen en posiciones espectrales cercanas incluso sobre las posiciones que realmente estn presentes, para todas las hiptesis probadas, todas ellas dentro de un rango de tolerancia f. A esta condicin le llamamos invariancia en la posicin espectral (SPI por sus siglas en ingls Spectral Positional Invariance ). De los resultados experimentales tratados en este estudio y tambin otros analizados previamente [11], se observa que < M para diferentes datos de prueba sintticos las M
P

} se identifican En (17.b), los parmetros { am; m = 1,, M M como los coeficientes del polinomio caracterstico M (z) = z + a1z M 1 + a M , cuyas races {zm = exp(j2fm); m = 1,, M } especifican las posiciones de las lneas espectrales {fm; } para cada una de las hiptesis de prueba M m = 1,, M T [Mmn, Mmx]. El vector M = [ M K1 ] en (17.b) representa el error de prediccin. Ahora el punto de partida es estimar los coeficientes } resolviendo (17.b) y luego mediante {am; m = 1,, M

factorizacin polinomial de M obtener sus ceros {zm} para cada una de las hiptesis de prueba. A partir del conjunto de ceros { zm} se obtienen los correspondientes valores de { dm} de (16) mediante el mtodo de regularizacin, con lo cual se tiene = ( Z H Z + I ) 1 Z H u d M M con 1 z 1 2 Z = z1 M z K 1 1 1 z2
2 z2

(18)

L L L O

K 1 z2 L

1 zM z 2 M M K 1 z M

lneas que corresponden al subespacio de seal se mantienen fijas (dentro del rango de tolerancia aceptado f) y el resto M M P correspondientes al subespacio de ruido cambian aleatoriamente en su posicin espectral. En base a las observaciones anteriores el SPI produce una mecanismo de prueba para separar los subespacios de seal y de ruido resolviendo (17) para diversas hiptesis sobre > Mverdadera. determinadas M Aplicando el mtodo de regularizacin (18) a cada hiptesis lneas que en las hacemos una caracterizacin de las M
P

en donde u M est definido en (17), I representa la matriz de identidad, Z es la matriz de Vandermonde compuesta de los } del polinomio caracterstico ceros {zm; m = 1,, M

estimados previamente, y representa el parmetro de regularizacin. Este ltimo representa un grado de libertad del algoritmo (18) que con una adecuada seleccin proporciona la . posibilidad de controlar el desempeo de la estimacin d
M

En este estudio seguimos el mtodo de Tikhonov [5] para ajustar el parmetro como el recproco de la relacin seal a ruido, i.e. = SNR-1.

pruebas de anlisis aparecen en posiciones espectrales fijas dentro de la ventana de tolerancia f. Estableceremos que dichas lneas representan las armnicas que realmente estn

PONCE-DVALOS AND SHKVARKO : SPECTRAL CARACTERIZATION VIA FUSING

263

presentes en el modelo (15). En el caso particular estudiado en este trabajo el rango de tolerancia para identificar la SPI fue ajustado experimentalmente a f = 102. A manera de ejemplo, la Fig. 3 ilustra los espectros de lneas obtenidos por el mtodo propuesto bajo dos hiptesis de = 12 y M = 16, en los que se aprecia la prueba con M manifestacin de las lneas espectrales verdaderas y falsas. Se muestra la aparicin de las lneas del subespacio de seal en las posiciones fijas para las dos hiptesis de muestra. Esta prueba ilustra claramente la posibilidad de formar un ensamble lneas espectrales que se adaptaron a la hiptesis de las M
P

concepto SPI para la caracterizacin experimental de la componente multi-armnica en los datos mixtos del modelo (15). E. Agregacin de Mtodos de Estimacin Espectral La estrategia de fusin de mtodos paramtricos y no paramtricos de estimacin espectral se basa en la separacin de componentes del modelo (15). Una vez caracterizado el espectro de lneas dado por las estimaciones paramtricas y ,f ; m = 1,..., M } , estos ofrecen la posibilidad de {A
m m m P

SPI. Dicho valor, vendr a ser considerado como la mejor estimacin para el nmero verdadero M de armnicas presentes en el conjunto de datos.
10 10

separar, en los datos de medicin, la componente que corresponde al ruido. Este proceso tiene un significado estadstico llamado innovacin de datos [ k ] = u[k ] s ( M P ) [ k ]; k = 0,1, K , K 1} {n

(19)

Espectro de Lneas

Espectro de Lneas

-10

-10

-20

-20

( M P ) [k ]} es la seal del modelo multi-armnico en donde {s reconstruida a travs de (16) usando los parmetros de ,z caracterizacin { d m m ; m = 1,..., M P } de su espectro de lneas estimadas con el mtodo propuesto modificado de [ k ]; k = 0 ,1, K , K 1} Prony. Esto es, los datos { n presentan la aproximacin del ruido coloreado en el modelo estudiado definido por (15). En seguida, habiendo innovado los datos (19), la estrategia de reconstruccin de la componente distribuida de la PSD es aplicar un mtodo de estimacin espectral no paramtrica de alta resolucin. Basndonos en la experiencia con tratamiento de diferentes mtodos no paramtricos, en este trabajo proponemos fusionar el mtodo desarrollado de Prony modificado con mtodos de mnima varianza (MV) y/o de mxima entropa (ME) [7], para obtener como resultado la reconstruccin del espectro del ( f ) de alta resolucin. ruido coloreado P
n

-30

-30

-40

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

Frecuencia Normalizada

a)
10 10

b)
Espectro de Lneas
0

Espectro de Lneas

-10

-10

-20

-20

-30

-30

-40

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

Frecuecia Normalizada

c)

d)

Fig. 3. Espectro de lneas mediante el mtodo MORP para los modelos de

= 12 y M = 16: a) y b) para los prueba bajo dos hiptesis de trabajo M datos de la Fig. 1.a, c) y d) para los datos de la Fig. 1.b. La propuesta SPI para determinar el orden del modelo de la componente armnica de la seal tiene como sustento el hecho de que es una prueba basada en la estadstica del comportamiento del proceso estudiado, ya que la probabilidad de ocurrencia de una lnea espectral es mxima si sta realmente existe en la seal mixta, independientemente de las caractersticas espectrales del ruido. Esto es claro y demostrable en el caso de ruido blanco [3], pero en el caso de ruido coloreado no existe mtodo analtico nico que permita determinar el nmero de componentes armnicas ya que el problema es altamente no lineal [1], [2], [10] y por lo tanto una prueba razonable es de tipo estadstico basado en prueba de hiptesis. Para que el mtodo propuesto sea vlido, siempre > se deber suponer casos sobredeterminado en los que M Mverdadera. Experimentalmente tambin se probaron situaciones en las que los datos contienen slo ruido coloreado, sin componentes armnicas. Como resultado se obtiene que en este caso no hay componentes espectrales que se repitan para todas las hiptesis probadas, lo cual nuevamente verifica la eficiencia del

Finalmente, la estrategia de fusin que proponemos implica la agregacin de dos espectros: ( i) el espectro de lneas caracterizado por el mtodo MORP y ( ii) el espectro continuo ( f ) estimado mediante alguno de los mtodos no P
n

paramtricos MV y/o ME. A este mtodo fusionado que agregan los paradigmas de estimacin espectral paramtricos y no paramtricos nosotros lo presentamos en dos variantes como mtodo MORP-MV y/o MORP-ME, respectivamente. La estructura computacional del mtodo MORP-MV/ MORP-ME, se describen en la T ABLA I. V. SIMULACIONES COMPUTACIONALES Se presenta ahora la evaluacin del desempeo del mtodo propuesto mediante una serie de experimentos y simulaciones computacionales. Los datos sintticos de valor complejo que sirven como estndar para recuperar la PSD global del modelo de datos, as como los datos de valor real, sirven para ilustrar la eficacia del mtodo en situaciones de aplicaciones tpicas. A. Caracterizacin del Orden del Modelo del Espectro MultiArmnico En primer lugar se ilustra el procedimiento para la determinacin del orden del modelo. La estrategia para identificar el orden del modelo es estadstica de SPI basada en

264

IEEE LATIN AMERICA TRANSACTIONS, VOL. 3, NO. 3, JULY 2005

[ M mn, prueba de hiptesis. Se emplearon doce hiptesis M mn = 11 y M mx = 22, llevndose a cabo 12 mx] con M M realizaciones computacionales siguiendo el algoritmo de la Tabla I. La Fig. 4 presenta la verificacin experimental del concepto SPI a travs de los conteos de las veces en que ocurrieron las diferentes lneas espectrales usando el mtodo
TABLA I ALGORITMO MORP-MV/MORP-ME PARA LA ESTIMACIN DE LA DENSIDAD ESPECTRAL DE POTENCIA
K 1 {u k } k =1 .

observarse que las variaciones o errores de estimacin siempre se encuentran por debajo de la tolerancia aceptada de f = 102.

Colectar datos

Probar diferentes hiptesis de modelos de seal sobredeterminados,

a)

> M, M [Mmn, Mmx], Mmx<K. Caracterizar la IP de las lneas M espectrales mediante el mtodo MORP:
y la matriz U M , como se especifica en (17). - Formar el vector u M

- Mediante el algoritmo MORSE [10], resolver (17) para encontrar los coeficientes del polinomio caracterstico a M - Mediante factorizacin polinomial, encontrar las races {z M } de M (z). - Estimar las frecuencias de todas las

lneas espectrales { ; M f
M

} para las races { z } en cada hiptesis. m = 1, , M M


- Localizar las lneas espectrales que manifiestan IP analizando las hiptesis propuestas mediante el conteo del nmero de repeticiones . Construir el de las frecuencias espectrales y definir el valor de M P
}. ensamble de frecuencias { fm ; m = 1, , M P

b)

- Estimar el vector de fasores {d M } usando (16).


- Obtener un estimado para el modelo de seal de Prony s (MP ) [k]

usando (16).

como es definido en (19). Formar el vector de datos innovados n


Aplicar estimadores espectrales MV ME especificados en (9) y (13) a los datos innovados obtenidos mediante (19) Reconstruir la PSD resultante mediante la agregacin del espectro de lneas obtenido por el mtodo MORP con la componente del espectro distribuido estimado mediante las tcnicas MV ME.

c)
Fig. 4. Nmero de repeticiones en las que aparece cada frecuencia para los casos prueba de este trabajo. a) para los datos de la Fig 1.a. y b) para los datos

. Y c) Ejemplo de la Fig. 1.b. Se emplearon 12 hiptesis para el valor de M del mtodo aplicado al ruido coloreado correspondiente a los datos de la Fig. 1.a.
B. Resultados de las Simulaciones para los Datos Sintticos En la Fig. 5 se muestran los espectros reconstruidos mediante el mtodo fusionado propuesto en sus dos variantes: MORP-MV y MORP-ME. Para el conjunto de datos de prueba referidos en la Fig 1.a, se ha empleado un modelo MV y ME de orden 4 y para el conjunto referido en la Fig. 1.b, se ha empleado un modelo MV y ME de orden 8. La comparacin de los espectros resultantes obtenidos con el mtodo propuesto y los resultados obtenidos con los mtodos previos muestran efectivamente una superioridad del mtodo aqu desarrollado respecto de los previos, ya que se logra una mejor reproduccin con alta resolucin de la componente distribuida de la PSD con superresolucin paramtrica de las lneas espectrales que corresponden a la componente armnica de los datos. Es claro que al innovar los datos sustrayendo la componente multi-armnica, los mtodos de alta resolucin en ambas

MORP [10]. En estas grficas se ilustra, mediante la frecuencia de repeticin, que las lneas espectrales {fm; m = } que verdaderamente se encuentran presentes en los 1, M
P

datos referidos en la Fig.1 tienden a repetirse dentro del rango de tolerancia f = 10-2 en cada realizacin. Por otra parte, las lneas espectrales falsas no tienen ninguna frecuencia de repeticin. Tambin, en la Fig. 4.c se muestra el resultado obtenido al aplicar en un procedimiento similar a la componente de solo ruido coloreado presente en los datos de referencia de la Fig. 1.a, en la cual hay muy baja frecuencia de repeticin detectada por la SPI en comparacin con los resultados de caracterizacin espectral por la SPI que corresponden al modelo combinado (15). Finalmente, en la Tabla II se presentan los desempeos cuantitativos del mtodo propuesto para las estimaciones asociadas a la frecuencia que verdaderamente estn presentes en cada uno de los modelos de prueba de este trabajo. Puede

PONCE-DVALOS AND SHKVARKO : SPECTRAL CARACTERIZATION VIA FUSING

265

versiones MV/ME logran una mejor aproximacin que los mtodos previos (BT, Pisarenko, MUSIC, MORP, MV, ME, etc.)
TABLA II VALORES ESTIMADOS DE LAS FRECUENCIAS MS CERCANAS A LAS FRECUENCIAS VERDADERAS PARA LOS MODELOS DE PRUEBA . PRESENTADOS EN LA FIG. 1, BAJO DIFERENTES HIPTESIS EN M
f m f m f m f m f m f m

verificndola con registros geolgicos de variaciones climticas y meteorolgicas. Los mtodos predicen que adems del ciclo de mxima actividad de 11 aos, existen otros dos, uno de 5 aos y otro de 21 aos aproximadamente.

10

PSD Relativa (dB)

-10

Casos fm de prueba Verdadera

-20

con con con con con con =12 M =15 M =16 M =19 M =20 M =22 M 0.0519 0.0527 0.0523 0.0529 0.0529 0.0525 0.4001 0.4037 0.4001 0.4019 0.4035 0.4032

-30

-40

Datos del modelo de la Fig.1.a.

0.0500 0.4000

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

a)
10

PSD Relativa (dB)

0.4200

0.4282 0.4229 0.4236 9.4229 0.4212 0.4271

-10

-20

Datos del modelo de la Fig.1.b.

-0.1500 0.1000 0.2000 0.2100

-0.1499 -0.1501 -0.1499 -0.1498 -0.1500 -0.1499 0.0997 0.1000 0.0999 0.0999 0.1000 0.1000 0.2008 0.2006 0.2009 0.2008 0.2004 0.2002 0.2132 0.2097 0.2096 0.2092 0.2098 0.2101

-30

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

b)
10

PSD Relativa (dB)

-10

El empleo de datos de valor complejo permite ilustrar detalles de la recuperacin de la PSD tanto en espectros simtricos como en espectros no simtricos. Por ejemplo, las componentes espectrales de ruido coloreado en ambos conjunto de prueba recuperados con los datos innovados tienen mayor aproximacin a los originales que con cualquier otro mtodo previo. En la Tabla III se muestra una comparacin cuantitativa de los valores estimados de las frecuencias, amplitudes y fases obtenidos con el mtodo propuesto y los reportados en la literatura de donde fueron tomados [1], [2]. El anlisis de datos muestra un error promedio porcentual de 4.54% en la amplitud y 0.79% en la fase para los datos del modelo de la Fig. 1.a. y un error promedio porcentual de 2.54% en la amplitud y 0.84% en la fase para los datos del modelo de la Fig. 1.b. Los cuales son resultados satisfactorios dentro de los lmites de tolerancia aceptados. C. Simulaciones en Aplicaciones Reales Una de las aplicaciones tpicas y de inters histrico para la estimacin espectral es el registro de la actividad solar, la cual se manifiesta por la aparicin de manchas en el disco del Sol [2]. El conteo del nmero de manchas es el parmetro utilizado para medir la actividad solar. Para ello se cuenta con un registro histrico de ms de 300 aos, encontrndose una periodicidad aproximada de 11 aos [2]. Los diversos mtodos de estimacin espectral han permitido extrapolar la serie de eventos de dicha actividad hasta 1500 aos antes de Cristo

-20

-30

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

c)
10

PSD Relativa (dB)

-10

-20

-30

-40

-50 -0.5

-0.4

-0.3

-0.2

-0.1

0.1

0.2

0.3

0.4

0.5

Frecuencia Normalizada

d)
Fig. 5. Espectros reconstruidos para los casos prueba de este trabajo. a) MORP-MV para los datos de la Fig 1.a. b) MORP-MV para los datos de la Fig 1.b. c) MORP-ME para los datos de la Fig 1.a. d) MORP-ME para los datos de la Fig 1.b.

En la Tabla VI se presentan los resultados obtenidos mediante diversos mtodos modernos de estimacin espectral [2] y el propuesto en este trabajo en donde se muestra total concordancia de resultados.

266

IEEE LATIN AMERICA TRANSACTIONS, VOL. 3, NO. 3, JULY 2005

TABLA III VALORES ESTIMADOS DE LOS PARMETROS CARACTERSTICOS PARA LOS MODELOS DE PRUEBA PRESENTADOS EN LA FIG..1. SE COMPRARA CON LOS DATOS REPORTADOS EN LA LITERATURA Casos Frecuencia de prueba 0.4200 Datos del modelo de la Fig.1. a 0.4000 0.0500 0.0500 0.4000 0.4200 Datos del modelo de la Fig. 1b 0.1500 0.1000 0.2000 0.2100 Amplitud Amplitud estimada reportada 1.0041 1.0250 1.0260 1.2613 0.9615 0.9949 0.1085 0.1046 0.9910 0.9949 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.1050 0.1001 0.9810 0.9819 Fase estimada (rad) -0.0293 -0.0185 0.0965 -0.1469 0.0319 0.0188 -0.9088 0.6100 1.2572 1.3009 Fase reportada (rad) 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.9112 0.5981 1.2369 1.3010

frecuencia, la duracin mnima de la seal, potencia y valores mnimos de razn seal a ruido. El problema a resolver es la deteccin de los tonos de la seal en presencia de ruido, de tal forma que se cumpla la norma del ITU. Existen diversos mtodos basados en la transformada discreta de Fourier (DFT) agregado con un mtodo de filtraje basado en el algoritmo de Goertzel [15]. El mtodo propuesto en este trabajo es capaz de detectar los tonos duales con la ventaja de que requiere menos datos que los especificados en el estndar para tomar la decisin de cul es el dgito presente en un registro de datos. El anlisis detallado de esta aplicacin se encuentra en desarrollo. Deteccin del Pitch de la Voz : El procesamiento de la voz es un tema de investigacin que encuentra aplicaciones principalmente en tres reas de desarrollo: la sntesis, la codificacin y la compresin de la voz. A la fecha se siguen desarrollando algoritmos para el tratamiento de la voz [16]. Un parmetro fundamental en el procesamiento es el llamado pitch de la voz. El parmetro identifica la componente sonora de la voz diferencindola de los sonidos sordos. El origen de este parmetro est en el hecho de que las cuerdas vocales vibran con una frecuencia determinada para la componente sonora de la voz. En el dominio del tiempo el pitch representa la pseudo-periodicidad de la voz, y en el dominio de la frecuencia representa la separacin de frecuencias adyacentes generadas por los pulsos peridicos de las cuerdas bucales [16]. Las pruebas parciales desarrolladas hasta el momento muestran que el mtodo propuesto, puede recuperar el periodo de pitch y reconstruir la envolvente espectral (la cual representa la caracterstica del modelo del tracto bucal). El anlisis detallado de esta aplicacin est en progreso. VI. CONCLUSIONES

TABLA IV CLCULO DEL PERIODO DE ACTIVIDAD SOLAR MEDIANTE LOS MTODOS DE ESTIMACIN MODERNOS. Mtodo Autorregresivo Media mvil Prony (modelo de 4 sinuoides) Mnima varianza Mtodo propuesto Periodo 1 20.90 aos 24.48 aos Periodo 2 10.72 aos 10.84 aos 10.96 aos 10.67 aos 10.70 aos Periodo 3 5.20 aos 5.52 aos 5.96 aos 5.35 aos 5.27 aos

D. Sugerencias de Aplicaciones En general, la estimacin espectral tiene una amplia y prcticamente ilimitada variedad de aplicaciones. Tan slo mencionaremos algunos tpicos que han sido probados con el mtodo propuesto que han dado resultados satisfactorios. Deteccin DTMF: El tipo de sealizacin usado en la telefona digital es el llamado DTMF, i.e. Dual Tone MultiFrequency, el cual es empleado en la marcacin, seleccin y usos de servicios electrnicos. Es un estndar definido por la International Telecommunication Union (ITU) que consiste en la asignacin de tonos duales para identificar los dgitos 0 a 9, las letras A, B, C y D y los smbolos # y * mediante la combinacin de dos sinusoides de frecuencias bajas y altas, las cuales en principio nunca se pueden generar mediante la voz humana [15]. El estndar especifica los valores de las frecuencias, el porcentaje de tolerancia de desviacin en la

En este trabajo se ha propuesto una metodologa novedosa basada en la fusin o agregacin de mtodos paramtricos y no paramtricos de estimacin espectral que permiten resolver eficientemente el problema de la caracterizacin del espectro de procesos mixtos que estn compuestos con una parte multiarmnica de orden desconocido inmersa en ruido coloreado con espectro distribuido tambin desconocido. Primero, el uso del mtodo robusto de estimacin paramtrica como lo ha sido el mtodo de Prony modificado (MORP) propuesto en este trabajo ha permitido caracterizar las componentes de lneas del espectro con superresolucin. El orden del modelo paramtrico ha sido determinado por la estrategia de invariancia de posicin espectral (SPI) verificada experimentalmente con datos reales y sintticos. La estrategia desarrollada permite detectar la presencia de seales armnicas ocultas en cualquier tipo de seal ruidosa mediante la prueba de la hiptesis de SPI. En el mtodo propuesto, los errores cometidos en el clculo de las frecuencias estimadas, respecto de las frecuencias verdaderas, se absorben en el factor de redondeo. Por lo tanto la hiptesis SPI es vlida dentro de los lmites de tolerancia especificados en este trabajo. Es importante desatacar que debido a la no linealidad del problema bajo anlisis no existe su solucin analtica nica. La

PONCE-DVALOS AND SHKVARKO : SPECTRAL CARACTERIZATION VIA FUSING

267

SPI es una prueba estadstica propuesta cuya validez fue demostrada experimentalmente en una variedad amplia de simulaciones con datos sintticos y reales. Como resultado, el mtodo paramtrico MORP ofrece la ventaja de identificar componentes espectrales cercanas con superresolucin evitando la sobre estimacin del orden del modelo del espectro multi-armnico. Por otra parte, la agregacin de mtodos no paramtricos permite reconstruir la componente distribuida del espectro de la seal asociada al ruido coloreado de fondo. Los mtodos que proponemos emplear tienen la ventaja de que reducen la prdida de resolucin debida al registro finito de datos. Como resultado de la estrategia de agregacin de mtodos que se ha propuesto fue presentado el mtodo fusionado de estimacin espectral en sus dos versiones: MORP-MV y MORP-ME. La metodologa no hace hiptesis acerca de la distribucin espectral del ruido y por lo tanto afirmamos que este resultado es general tanto para ruido blanco como para ruido coloreado. La fusin del mtodo paramtrico MORP para la localizacin y caracterizacin de lneas espectrales, con los mtodos de estimacin espectral no paramtricos MV y ME, presenta como resultado una estimacin espectral completa con alta resolucin de la componente distribuida de la PSD y superresolucin paramtrica de las lneas espectrales que corresponden a la componente multi-armnica de los datos. Los desempeos de resolucin/superresolucin espectral del mtodo MORP-MV/MORP-ME superan a aquellos proporcionados por todos los mtodos previos. Esto verifica la eficiencia de la estrategia propuesta y el mtodo desarrollado. Finalmente, basndonos en los resultados del presente estudio, planteamos que la metodologa descrita abre un panorama amplio de aplicaciones particulares para el mtodo desarrollado MORP-MV/MORP-ME en problemas de anlisis espectral, tanto en tiempo-frecuencia como espacio-frecuencia espacial. Los resultados de las simulaciones computacionales reportadas verifican claramente las ventajas de la propuesta. REFERENCIAS
[1] [2] [3] [4] [5] S. M. Kay, Modern Spectral Estimation, Theory ad application , Prentice Hall, Englewood Cliff, NJ, 1987. S. L. Marple, Digital Spectral Analysis with Applications , Prentice Hall, Englewood Cliff, NJ, 1987. R. Kumaresan, Spectral Analysis, in Radar Handbook , Second Ed. Edited by M.I. Skolnik, McGraw Hill, Boston, 1990. D. L. Hall, J Llinas, Eds. Handbook of Multisensor Data Fusion . Boca Raton, Fl: CRC Press LLC, 2001. Y. Shkvarko, Estimation of Wavefield Power Distribution in the Remotely Sensed Environment: Bayesian Maximum Entropy Approach. IEEE Trans. on Signal Proc ., vol. 50, Sep 2002, pp.2333-2346. Y. Shkvarko, Y. Shmaly, R. Jaime-Rivas, M. Torres-Cisneros, System Fusion in Passive Sensing Using a Modified Hopfield Network. Journal of The Franklin Institute , Elsevier, vol. 338, no. 4, pp. 405-427, Jul 2001. M. H. Hayes, Statistical Digital Signal Processing and Modeling , John Wiley and Sons, Inc. NY, 1996. M. S Mackisack, M. R. Osborne, G. K. Smyth, A modified Prony algorithm for estimating sinusoidal frequencies. SIAM, Journal of Scientific and Statistical Computing , vol. 49, p.p. 111-124, Jan 1991.

[9]

[10]

[11]

[12] [13]

[14] [15] [16] [17]

[18]

R. Carrier, R.L. Mose: High resolutions radar target modeling using a modified Prony estimator, IEEE Trans., AP-40, (1), pp. 13-18, Jan 1992. L. Jun-Seok, K.M. Sun,. Prony based radar target modeling using modified regularized SVD, Electron. Lett., 32, (1), pp 64-65, Jan 1996. J.L. Ponce, Y.V. Shkvarko, J.L. Leyva, New Spectral Positional Invariance Approach of Point Type Targets Embedded in Colored Noise. International Conference on Antenna Theory and Techniques (ICAATT 2003). Ukraine. Sep. 2003. M. Bertero, P. Boccaccio, Introduction to Inverse Problems in Imagining . Bristol, London: IoP Publishing Ltd, 1998. A. Farina, Antenna-Based Signal Processing Techniques for Radar Systems. Artech House Antenna Library Series, Norwood, MA, 1992. H.L. Van Trees, Optimum Array Processing (Detection Estimation and Modulation Theory, Part IV). New York: Wiley, 2002. J. Bellamy, Digital Telephony . New York, Wiley John & Sons, Inc, 2000. L.R. Rabiner, Applications of Voice Processing to Telecommunications, Proc. of the IEEE , vol. 82, no. 2, Feb 1994. V. I. Ponomaryov, L. Nino-de-Rivera Order statistics M Method in Image and Video Sequence Processing Applications, International Journal: Electromagnetic Waves and Electronic Systems, Moscow: ISSN 1560-4128, 2003, vol. 8, no 7-8, pp. 99107, 2003. F. J. Gallegos-Funes, V. I. Ponomaryov, Real-Time Image Filtering Scheme Based on Robust Estimators in Presence of Impulsive Noise, Real Time Imaging VII , 8(2), Elsevier Publ., NY, pp. 6980, 2004.

Jos Luis Ponce-Dvalos . Recibi el ttulo de Fsico por parte de la Universidad Nacional Autnoma de Mxico (UNAM) en 1983. Obtuvo el grado de Maestro en Ciencias por parte de Centro de Investigaciones y Estudios Avanzados (CINVESTAV) en 1993. Actualmente es candidato a Doctor en Ciencias en la Unidad Guadalajara del CINVESTAV. Trabaja como profesor asociado en Instituto Tecnolgico de Estudios Superiores de Monterrey, Campus Guadalajara. Sus reas de inters en investigacin son en procesamiento de seales, estimacin espectral, teledeteccin y procesamiento de imgenes. Yuriy V. Shkvarko (M95SM04). Ingeniero (con honores) en Radio Ingeniera en 1976, Candidato en Ciencias (equivalente a PhD) en radio sistemas en 1980 y Doctor en Ciencias en fsicas de radio, radar y navegacin en 1990, todos del Instituto de Aviacin de Kharkov, Ucrania, (ex URSS). De 1976 a 1991, estuvo en el Departamento de Investigacin Cientfica del Instituto de Aviacin de Kharkov, (ex URSS), desempendose como investigador en diferentes categoras y finalmente como Jefe del Laboratorio de Investigacin en Tecnologas de Informacin para radar y navegacin. De 1991 a 1999 fue profesor de tiempo completo en el Departamento de Anlisis de Sistemas y Control del Instituto Politcnico Nacional de Ucrania en Kharkov, Ucrania. De 1999 al 2001 fue profesor visitante en la Universidad de Guanajuato en Salamanca, Mxico. En 2001, se integr al CINVESTAV del IPN en Guadalajara, Mxico, como profesor titular de tiempo completo. Sus intereses de investigacin son en aplicaciones de procesamiento de seales para percepcin remota, radar de formacin de imgenes, navegacin y comunicaciones, particularmente en problemas inversos, estimacin de campos aleatorios, anlisis espacial adaptivo, procesamiento estadstico multicanal, arreglo de sensor y fusin de sistemas. Posee 12 patentes y ha publicado 2 libros y ms de 100 artculos en Revistas y Memorias de Conferencias sobre estos tpicos.

[6]

[7] [8]