Исходный физический сигнал x (t) является непрерывной функцией времени и называется аналоговым. Числа xk = x (tk) называются отсчетами сигнала. Как правило, отсчеты берутся через равные промежутки времени Δ t – период или шаг дискретизации. Величина fd, обратная периоду дискретизации, называется частотой дискретизации:
Если Δ t выражен в секундах, то частота дискретизации выражается в герцах (Гц).
При обработке сигнала в вычислительных устройствах его отсчеты округляются и представляются в виде двоичных чисел с конечным числом разрядов. Такое округление называется квантованием по уровню. Обычно дискретизация и квантование выполняются внутри одной микросхемы. Сигнал, дискретный по времени и квантованный по уровню, называется цифровым сигналом.
Если в сигнале x (t) присутствует периодическая составляющая с периодом T <2Δ t, то есть с частотой f >1/2Δ t, то в дискретизованном сигнале она наблюдаться не будет, но в нем останутся ложные периодические составляющие с периодами 2 T, 3 T и т.д. Таким образом, частоту (аргумент f спектральной плотности) имеет смысл анализировать только на интервале
|
|
[ -1/(2Δ t), 1/(2Δ t)].
Граничную частоту F = 1/(2Δ t) называют частотой Найквиста. Спектральную плотность в силу симметрии обычно рассматривают только на промежутке [0, 1/(2Δ t)], удваивая ее значения при положительных f для сохранения основных энергетических соотношений. Именно такая спектральная плотность измеряется на практике с помощью прямой фильтрации.
Если для процесса x (t) заранее известно, что в нем отсутствуют периодические составляющие с частотами большими, чем некоторая величина F, то соответствующий дискретизованный процесс с шагом Δ t ≤1/(2 F) несет в себе всю информацию о частотном составе исходного x (t). Этот результат носит название теоремы Котельникова.
Рассмотрим теперь ряд измерений { xk }, из которого тренд, сезонная составляющая и периодические составляющие либо исключены, либо их в нем не было. При этом, если речь идет о сравнении нескольких рядов, требуется, чтобы во всех них выделение этих составляющих было произведено одним и тем же способом. В большинстве случаев модель такого ряда { xk } можно построить, рассматривая его как результат дискретизации некоей реализации стационарного эргодического случайного процесса x (t):
xk = x (k D t).
Еще одна важная возможность состоит в том, чтобы перейти в ряде { xk } к конечным разностям:
yk = xk+ 1 - xk; zk = yk+ 1 - yk и т.д.
Разности достаточно высокого порядка не содержат медленно меняющихся составляющих и их обычно можно изучать методами, применяемыми для стационарных рядов. Этот подход может использоваться в задачах распознавания, когда нужно создать некий обобщенный «портрет» ряда и сравнивать его с «портретами» других рядов, прошедших такую же обработку. Кроме того, многие процедуры прогнозирования исходного ряда можно получать из процедур прогнозирования рядов их конечных разностей.
|
|
Ряд измерений { xk }, моделью которого является стационарный эргодический случайный процесс с дискретным временем, называется стационарным временным рядом.