Sumber : AASCIT Communications; Volume 2, Issue 2; February 20, 2015
Oleh : Olusegun A. Aboaba
Table of Contents
A. Rangkuman
Dalam analisis sinyal, sinyal yang akan dideteksi biasanya mengandung parameter yang tidak diketahui seperti amplitudo, waktu tunda, fasa, dan frekuensi. Parameter ini harus diestimasi sebelum sinyal terdeteksi. Teknik yang digunakan untuk memperkirakan parameter sinyal ini dapat diklasifikasikan secara luas menjadi dua kategori utama yang dikenal sebagai metode parametrik dan non-parametrik. Makalah ini menyajikan tinjauan teknik estimasi parameter sinyal ini.
Teknik non-parametrik adalah metode berbasis Fourier untuk memberikan perkiraan spektral dimana tidak ada model sebelumnya yang diasumsikan, dalam artian tidak ada asumsi yang dibuat mengenai proses fisik yang menghasilkan data tertentu. Mereka juga dikenal sebagai metode spektral spektral klasik. Meskipun pendekatan estimasi parameter sinyal ini efisien secara komputasi, namun resolusi frekuensinya terbatas. Metode ini juga menderita efek kebocoran spektral yang sering menutupi sinyal lemah. Kesimpulan yang menonjol dari teknik non-parametrik ini adalah bahwa selalu ada kompromi dalam tradeoff bias karena kedua kesalahan ini tidak dapat diminimalisir secara bersamaan.
Metode berbasis parametrik bagaimanapun dapat digunakan untuk mengekstrak perkiraan resolusi tinggi, terutama pada aplikasi dimana catatan data singkat tersedia karena fenomena sementara, asalkan struktur sinyal diketahui. Teknik ini juga dikenal sebagai metode estimasi spektral berbasis model, dimana model pembangkit dengan bentuk fungsional yang diketahui diasumsikan. Parameter dalam model diasumsikan kemudian diperkirakan, dan karakteristik spektral sinyal dari bunga yang berasal dari model perkiraan. Oleh karena itu, perkiraan karakteristik spektral hanya sebagus model dasarnya. Contoh teknik berbasis parametrik ini mencakup model proses autoregressive (AR) (terdiri dari metode Yule-Walker dan least squares), model proses moving average (MA), serta model proses moving autoregressive moving average (ARMA). Model proses autoregresif, seperti algoritma Prony, adalah teknik berbasis parametrik yang paling sederhana. Algoritma Prony, yang memodelkan data sampel sebagai kombinasi linear dari eksponensial, adalah teknik yang dapat digunakan untuk mengidentifikasi frekuensi, amplitudo, dan fase sinyal. Meskipun algoritma Prony memiliki kemampuan untuk menyelesaikan sinar lebih dekat daripada batas berbasis Fourier, namun memiliki kecenderungan untuk menghasilkan perkiraan yang bias. Versi yang lebih baik dari algoritma Prony, yang diberi nama "dekomposisi nilai singular diikuti oleh pemulihan akar tipe prony," sering disebut sebagai singular value decomposition prony (SVDP).
B. Keunggulan dan Kekurangan dari tiap metode analisis sinyal
Ringkasan kelebihan dan kekurangan metode estimasi parameter sinyal ini disajikan pada Tabel berikut ini :
NO
|
METODE
|
KELEBIHAN
|
KEKURANGAN
|
1
|
Yule-Walker
Algorithm
|
(1) Komputasi efisien.
(2) Menghasilkan resolusi yang
lebih baik daripada metode berbasis Fourier.
|
(1) Urutan Model harus ditentukan terlebih dahulu dalam sebuah
analisis.
(2) Memiliki kinerja relatif
buruk untuk rekaman data singkat.
|
2
|
Least
Squares Method
|
(1) Memiliki kinerja yang unggul daripada algoritma Yule-Walker.
(2) Yield perkiraan spektral
statistik stabil.
|
(1) Urutan Model harus ditentukan terlebih dahulu dalam sebuah analisis.
(2) Resolusi untuk sinyal dengan signal-to-noise ratios (SNRs) rendah
sebanding dengan yang diperoleh dari metode berbasis Fourier.
|
3
|
Pisarenko Harmonic
Decomposition
|
Komputasi yang efisien.
|
(1) Kinerja lemah di SNRs rendah.
(2) Urutan Model harus ditentukan terlebih dahulu analisis.
|
4
|
Extended
Prony Algorithm
|
(1) estimasi Parameter kurang bias dari yang diperoleh dari
metode Pisarenko.
(2) Dapat mengatasi penundaan
untuk lebih dari setengah batas Fourier.
|
(1) Urutan Model harus ditentukan terlebih dahulu dalam sebuah analisis.
(2) Resolusi menurunkan
skenario SNR rendah.
|
5
|
MUSIC
Algorithm
|
(1) Memiliki resolusi yang lebih baik dibandingkan dengan
algoritma berbasis Prony.
(2) Hasil data asimtotik berisi
perkiraan parameter.
|
(1) beban komputasi tinggi.
(2) Urutan Model harus ditentukan terlebih dahulu dalam sebuah analisis.
(3) Gagal mengatasi sinyal yang
berdekatan di SNRs rendah.
|
6
|
Minimum
Norm
|
(1) Memiliki biaya yang lebih rendah komputasi, dan resolusi
yang lebih baik, daripada algoritma MUSIC.
(2) Mengoptimalkan pemisahan akar palsu di root-MUSIC.
|
Bukti puncak palsu, dan penggabungan dari puncak spektrum, pada
nilai SNR yang rendah.
|
7
|
TLS-ESPRIT
|
1) Menghasilkan perkiraan kurang bias.
(2) Lebih akurat dibandingkan ESPRIT konvensional.
(3) memanifestasikan kinerja yang unggul daripada Pisarenko dan
metode norma minimum.
|
(1) Membutuhkan perkiraan yang akurat dari jumlah sinyal.
(2) Memiliki biaya komputasi yang lebih tinggi daripada ESPRIT konvensional.
|
8
|
SAGE
Algorithm
|
(1) Memiliki biaya komputasi yang lebih rendah daripada
algoritma MUSIC.
(2) Hasil data yang dikumpulkan
menghasilkan resolusi yang lebih baik daripada pendekatan berbasis Fourier.
|
Jumlah gelombang menimpa perlu ditentukan sebelum analisis.
|
9
|
Independent Component
Analysis
|
(1) Sensitivitas rendah untuk SNRs, jumlah jalur, dan bandwidth,
bila dibandingkan dengan algoritma MUSIC.
(2) Memiliki biaya komputasi
yang lebih rendah daripada algoritma MUSIC.
|
Membutuhkan seleksi yang tepat
dari fungsi biaya.
|
10
|
Gold-MUSIC Algorithm
|
(1) Sensitivitas rendah ke kondisi SNR yang berbeda.
(2) Memiliki konvergensi yang cepat.
|
Gold-MUSIC dan algoritma MUSIC konvensional
mengikuti langkah yang sama, sampai isolasi kebisingan vektor eigen, yang
membutuhkan perkiraan yang akurat dari jumlah sinyal.
|
C. Kesimpulan dan Saran Pengembangan Selanjutnya
Dalam tulisan ini, tinjauan teknik estimasi parameter sinyal telah dipaparkan. Hal ini menunjukkan bahwa sementara metode estimasi parameter sinyal klasik (atau Fourier) efisien secara komputasi, namun memiliki resolusi frekuensi yang terbatas. Selain itu, teknik estimasi parameter parameter parametrik (atau model-based) dapat berguna dalam mengekstraksi perkiraan resolusi tinggi. Contoh metode estimasi parameter berbasis model ini, yang diulas dalam makalah ini, mencakup model proses autoregresif, algoritma harapan-maksimisasi harapan ruang-alternating, dan teknik berbasis subruang.
Table of Contents
No comments:
Post a Comment