Professional Documents
Culture Documents
Introdução
MUSIC (Multiple-Signal Characterization Algorithm ) é um algoritmo usado para es-
timação de frequência. O MUSIC é um método de relativamente simples e eficiente de
estimativa de frequéncia. Tem muitas variações e é talvez o método mais estudado em sua
classe. Em sua forma padrão, também conhecida como MUSIC espectral, o método estima
o subespaço de ruı́do a partir das amostras disponı́veis. Isso pode ser feito por qualquer
decomposição de autovalor da matriz de correlação da matriz estimada ou decomposição
de valor singular da matriz de dados, com suas colunas N sendo os N snapshots dos ve-
tores de sinal da matriz. Este último é preferido por razões numéricas. Uma vez que o
subespaço de ruı́do tenha sido estimado, uma busca por pares de ângulos no intervalo é
feita procurando vetores de direção que sejam ortogonais ao subespao de ruı́do possı́vel.
Isto é normalmente realizado procurando por picos no espectro MUSIC. Usando o método
MUSIC podemos estimar a frequência angular dos componentes de onda senoidal de x(n)
como valores de ω para os quais a função
1
S(ω) =
F (ω)
1
= (1)
eH (ω)VN VNT e(ω)
é máxima. Onde a função F(ω) é o espectro nulo do sinal recebido e S(ω) é o eigen-
spectrum do sinal recebido.
MUSIC
Resumindo os passos envolvidos na aplicação do algoritmo MUSIC como um estimador
de frequência:
1. Dadas as amostras x(1), x(2),..., x (N) do sinal recebido, configurar a matriz de dados
L-por-M X, onde L = N - M + 1.
2. Calcular o SVD de X; daı́ determinar os valores singulares e vetores singulares de X.
3. Identificar os vetores singulares do lado direito, υ2k+1 ,..., υM que estão associados com
o menor (M - 2K) valor singular de X. Esses vetores abrangem o subespaço de ruı́do
estimado N; como tal, eles constituem as colunas da matriz Vn , M-por-(M - 2K).
4. Use a matriz Vn para calcular o eigenspectrum S(ω) variando ω no intervalo -π≤ω≤π.
Para dados reais, S(ω), é simétrica em relação a ω. Determine os valores de ω para os
quais atinge seus picos. Estes valores particulares de ω, que somam um número K para
frequências positivas das ondas senoidais contidas no sinal recebido.
1
√
x(n) = 2 ∗ cosω1 n + υ(n), n = 1 , 2,...,7
que
√ consiste em uma onda senoidal mais ruı́do branco. A amplitude da onda senoidal é
2 ,e sua frequência angular ω1 = 1 rad/s. O ruı́do branco tem média zero e variância
2
σ . Daı́ o sinal-ruı́do (SNR), definido como a razão entre o valor médio-quadrado da onda
senoidal e a variância do ruı́do, igual a σ −2 . Um gerador de números aleatórios é usado
para produzir N = 7 amostras de ruı́do branco. Com ω1 = 1 rad/s, e N = 7, o registro
de dados fornecido é ligeiramente maior que um ciclo do componente de onda senoidal.
O requisito é usar o algoritmo MUSIC para estimar a frequência angular ω1 variando o
SNR. Para SNR = 10 dB e M = 4 a matriz de dados é representada por:
−0.99313
0.42526 1.82929 1.31736
−0.90984 −0.99313 0.42526 1.82929
X=
−0.87901 −0.90984 −0.99313 0.42526
−0.21668 −0.87901 −0.90984 −0.99313
daı́ o subespaço de ruı́do estimado η, correspondendo aos dois menores valores singu-
lares de X, medido pelas colunas da matriz.
−0.68927
0.47836
−0.09171 −0.71288
VN =
0.35650 0.49272
−0.62402 −0.14212
−0.94613
0.40878 1.50696 1.14561
−1.24504 −0.94613 0.40878 1.50696
X=
−0.68038 −1.24504 −0.94613 0.40878
0.45395 −0.68038 −1.24504 −0.94613
2
0.49224 0.34020 0.62399 0.50259
−0.01380 0.74396 0.13267 −0.65478
V=
−0.57261 0.53005 −0.28547 0.55647
−0.65546 −0.22324 0.71521 −0.09491
e o subespaço de ruı́do estimado η, correspondendo aos dois menores valores singulares
de X, medido pelas colunas da matriz.
0.62399 0.50259
0.13267 −0.65478
VN =
−0.28547 0.55647
0.71521 −0.09491
Para SNR = 30 dB temos
−0.93126
0.40357 1.40503 1.09130
−1.35104 −0.93126 0.40359 1.40503
X=
−0.61757 −1.35104 −0.93126 0.40357
0.66602 −0.61757 −1.35104 −0.93126
a matriz diagonal de valores singulares de X
P
= diag(3.19095, 2.36457, 0.06077, 0.04424)
a matrix ortogonal V, cujas colunas são os vetores singulares da direita de X, com
valor
−0.59015 −0.50968
0.53708 0.32171
−0.01142 0.76061 −0.14265 0.63324
V=
−0.56992 0.52163 0.26426 −0.57729
−0.62178 −0.21420 −0.74936 0.07727
e o subespaço de ruı́do estimado η, correspondendo aos dois menores valores singulares
de X, medido pelas colunas da matriz.
−0.59015 −0.50968
−0.14265 0.63324
VN =
0.26426 −0.57729
−0.74936 0.07727
Substituindo os valores dos VN obtidos, e variando ω plotamos as curvas identificadas
na figura 1.
3
Figure 1: Eigenspectra para onda em ruı́do calculado usando estimador MUSIC
References
[1] Haykin, Simon. Moderns Filters. Macmillan Publishing Compan, New York