التقدير الطيفي المعلمي | DSP-101

ما وراء الأساليب غير المعلمية

تُعدّ الدورية وطريقة ويلش والطيف الزمني-الترددي جميعها أساليب غير معلمية — لا تفترض أي نموذج للإشارة الأساسية، وتُقدّر كثافة الطيف الطاقي مباشرةً من البيانات باستخدام DFT. قوّتها الكبرى هي العمومية: تعمل مع أي إشارة. قيدها الجوهري هو الدقة الترددية: تحدّها من الأسفل 1/(NT)، حيث N هو طول البيانات وT فترة أخذ العيّنات. لا يمكن الفصل بين ترددين أقرب من هذا الحد مهما زدت المعالجة.

الأساليب المعلمية تتبنّى نهجًا مختلفًا. بدلًا من حساب الطيف مباشرةً من البيانات، تُلائم نموذجًا للإشارة أولًا — عادةً نموذج AR أو MA أو ARMA — ثم تشتقّ الطيف تحليليًا من معاملات النموذج المُلائمة. ولأن النموذج يفرض بنيةً على الإشارة، يمكن للأساليب المعلمية تحقيق دقة فائقة (Super-resolution): الفصل بين مميزات طيفية أقرب مما تتيحه 1/(NT).

متى تستخدم الأساليب المعلمية؟

تتألق الأساليب المعلمية حين تناسب الإشارةَ النموذجُ المفترض. تتميّز في السجلات القصيرة والجيبيات المتقاربة جدًا والتطبيقات التي يُعرف فيها عدد وأماكن الذروات الطيفية مسبقًا. قد تفشل فشلًا ذريعًا إذا لم يطابق النموذج المفترض بنية الإشارة الحقيقية.

معلمي = دقة فائقة لكنه مرتبط بنموذج. غير معلمي = دقة أدنى لكنه خالٍ من الافتراضات.

النموذج الانحداري الذاتي AR

أكثر النماذج المعلمية استخدامًا هو النموذج الانحداري الذاتي AR(p) (نموذج الأقطاب فقط). في نموذج AR(p)، كل عيّنة من الإشارة هي تركيبة خطية لـ p عيّنة سابقة مضافًا إليها مدخل ضوضاء بيضاء:

نموذج AR(p)

x[n] = -\sum_{k=1}^{p} a_k\, x[n-k] + w[n]

a₁, a₂, …, aₚ هي معاملات AR المراد تقديرها. w[n] ~ WN(0, σ²) ضوضاء بيضاء بتباين σ². يكافئ نموذج AR مرشح IIR بأقطاب فقط يُغذَّى بضوضاء بيضاء.

يُستخرج طيف AR بحساب طيف الطاقة لاستجابة مرشح الأقطاب. إذا كان A(ω) = 1 + a₁e^{-jω} + a₂e^{-j2ω} + … + aₚe^{-jpω}، فإن:

كثافة الطيف الطاقي AR

P_{AR}(\omega) = \frac{\sigma^2}{\left|A(\omega)\right|^2} = \frac{\sigma^2}{\left|1 + \sum_{k=1}^{p} a_k\, e^{-j\omega k}\right|^2}

طيف AR دالة كسرية سلسة في التردد بذروات تقع حيث |A(ω)|² صغير — أي بالقرب من أقطاب المرشح. الدقة لا تُقيَّد بطول البيانات، بل بدرجة النموذج ونسبة الإشارة إلى الضوضاء فحسب.

تقدير معاملات AR: طريقة يول-ووكر

لاستخدام طيف AR، يجب تقدير المعاملات a₁, …, aₚ وتباين الضوضاء σ² من البيانات المرصودة. النهج الكلاسيكي الأشهر هو طريقة يول-ووكر، التي تستثمر العلاقة بين معاملات AR وتسلسل الارتباط الذاتي للإشارة.

معادلات يول-ووكر تربط معاملات AR مباشرةً بقيم الارتباط الذاتي r[0], r[1], …, r[p]:

معادلات يول-ووكر (صيغة مصفوفية)

\mathbf{R}\,\mathbf{a} = -\mathbf{r}, \quad \mathbf{R} = \begin{bmatrix} r[0] & r[1] & \cdots & r[p-1] \\ r[1] & r[0] & \cdots & r[p-2] \\ \vdots & & \ddots & \vdots \\ r[p-1] & r[p-2] & \cdots & r[0] \end{bmatrix}

𝐑 مصفوفة ارتباط ذاتي Toeplitz بحجم p×p، عناصرها R_{ij} = r[|i−j|]. 𝐚 = [a₁, …, aₚ]ᵀ. 𝐫 = [r[1], …, r[p]]ᵀ. تُحلّ بخوارزمية ليفنسون-دوربين في O(p²) عملية. تباين الضوضاء: σ² = r[0] + 𝐚ᵀ𝐫.

عمليًا، الارتباط الذاتي الحقيقي مجهول ويُقدَّر من البيانات. إحلال الارتباط الذاتي العيّني r̂[k] في معادلات يول-ووكر يعطي تقدير AR بيول-ووكر. بديل أفضل للسجلات القصيرة هو طريقة بورج (Burg)، التي تُصغّر أخطاء التنبؤ الأمامية والخلفية معًا وتضمن مرشح AR مستقرًا دائمًا.

اختيار درجة النموذج

درجة النموذج AR p معامل حرج — يتحكم في المقايضة بين الدقة والتباين. صغير جدًا: الطيف مُفرط النعومة. كبير جدًا: تظهر ذروات وهمية. ثلاثة معايير مبدئية شائعة:

المعيار	الصيغة	الانحياز
AIC (معيار أكايكي)	AIC(p) = N ln σ̂²(p) + 2p	يميل إلى المبالغة في التقدير (غير متناسق مقارابيًا)
MDL (الحد الأدنى لطول الوصف)	MDL(p) = N ln σ̂²(p) + p ln N	متناسق — يتقارب إلى الدرجة الحقيقية عند N→∞
FPE (خطأ التنبؤ النهائي)	FPE(p) = σ̂²(p) · (N+p+1)/(N−p−1)	مشابه لـ AIC، يُصغَّر عند الدرجة المثلى

عمليًا، احسب المعيار لقيم p = 1, 2, …, p_max واختر p الذي يُصغّره. للبيانات ذات الضوضاء العالية يُفضَّل MDL. حين تتوفر معرفة مسبقة بعدد المركّبات الجيبية، اضبط p ≈ 2 × (عدد الجيبيات) نقطةَ انطلاق.

أساليب الفضاء الجزئي: MUSIC و ESPRIT

أقوى الأساليب المعلمية لتقدير ترددات الجيبيات في الضوضاء هي أساليب الفضاء الجزئي (Subspace Methods). تستغلّ البنية الذاتية لمصفوفة التغاير، مُفكّكةً إياها إلى فضاء جزئي للإشارة وفضاء جزئي للضوضاء.

لنفترض إشارةً مكوّنة من M جيبي مركّب في ضوضاء بيضاء. مصفوفة التغاير 𝐑_x لها M قيمة ذاتية كبيرة (فضاء الإشارة) و N−M قيمة ذاتية متساوية تساوي تباين الضوضاء σ² (فضاء الضوضاء). الفكرة الجوهرية: متجهات الإرشاد عند الترددات الحقيقية e(ωₖ) تكون عمودية على فضاء الضوضاء.

تستثمر خوارزمية MUSIC (تصنيف إشارات متعددة) هذا التعامد لتشكيل طيف زائف:

الطيف الزائف MUSIC

P_{MUSIC}(\omega) = \frac{1}{\mathbf{e}^H(\omega)\,\mathbf{E}_N\,\mathbf{E}_N^H\,\mathbf{e}(\omega)}

𝐄_N مصفوفة متجهات الضوضاء الذاتية (أعمدة). يمتلك P_MUSIC ذروات حادة عند الترددات الحقيقية لأن 𝐞(ω)ᴴ𝐄_N𝐄_Nᴴ𝐞(ω) → 0 حين ω = ωₖ. ذروات MUSIC تُحدّد الترددات فقط، لا مستويات الطاقة.

ESPRIT (تقدير معاملات الإشارة عبر ثبات الدوران) أسلوب مرتبط يستخرج تقديرات الترددات مباشرةً من فضاء الإشارة دون حساب طيف زائف. يستثمر خاصية ثبات الإزاحة في مشعّ الصفيف ويحلّ مسألة قيم ذاتية صغيرة، مما يجعله أكثر كفاءةً حسابيًا من MUSIC لتقدير الترددات بدقة عالية.

MUSIC مقابل ESPRIT

ينتج MUSIC طيفًا زائفًا (يُحسَب على شبكة ترددية) ويتطلب بحثًا عن ذروات. بينما يُعطي ESPRIT تقديرات مباشرة للترددات بحلّ مسألة قيم ذاتية — لا بحث طيفي. كلاهما يحتاج M (عدد الجيبيات) كمُدخَل مسبق، وكلاهما يُحقق دقة فائقة عند نسبة إشارة-ضوضاء مرتفعة. ESPRIT مُفضَّل للكفاءة الحسابية؛ MUSIC للتفسير البصري للطيف الزائف.

كلا الأسلوبين يتطلبان M (عدد الجيبيات) — الخطأ في تحديده يُضرّ بالأداء بشكل جسيم.

معلمي مقابل غير معلمي: متى تستخدم كلًا منهما؟

الأساليب المعلمية

دقة فائقة — تفصل بين خطوط طيفية متقاربة جدًا
تعمل جيدًا مع السجلات القصيرة (N صغير)
طيف AR مشتقّ تحليليًا وسلس
الأفضل لطيف الخطوط: جيبيات في ضوضاء
تفشل إذا أُسيء اختيار درجة النموذج أو بنية الإشارة
حساسة لعدم مطابقة النموذج وتلوين الضوضاء

الأساليب غير المعلمية

لا افتراضات نموذجية — تعمل مع أي نوع إشارة
دقة محدودة بـ 1/(NT) — تتطلب سجلات طويلة
طريقة ويلش: تقديرات مستقرة منخفضة التباين
الأفضل للأطياف العريضة النطاق أو المستمرة أو المجهولة
محصّنة ضد عدم مطابقة النموذج
الخيار الأول القياسي في التحليل الاستكشافي

تطبيقات التقدير الطيفي المعلمي

المجال	التطبيق	الأسلوب المعتمد
الرادار / السونار	تقدير اتجاه الوصول (DOA) من صفائف الهوائيات	MUSIC، ESPRIT
الكلام	الترميز التنبؤي الخطي (LPC) — ضغط الكلام وتوليفه	AR (بورج أو ليفنسون-دوربين)
الطب الحيوي	تحليل تقلب معدل ضربات القلب، ذروات طيف EEG	AR (يول-ووكر)
علم الزلازل	فصل الأنماط الطبيعية المتقاربة للأرض	MUSIC، أقصى إنتروبيا
الاتصالات	تقدير ترددات المتداخلات ضيقة النطاق	ESPRIT، MUSIC
الرنين المغناطيسي NMR/MRI	تقدير الإزاحة الكيميائية من إشارات الانحلال الحر القصيرة	MUSIC، LP (التنبؤ الخطي)

اعتبارات عملية

للأساليب المعلمية مزالق عملية عدة. أولًا: تتطلب جميعها درجة النموذج كمُدخَل — سواء درجة AR p أو عدد الجيبيات M. المبالغة في تقدير M في MUSIC تُوجد ذروات وهمية؛ التقليل منه يُفوّت ذروات حقيقية. ثانيًا: يصبح تقدير مصفوفة التغاير غير موثوق حين يكون عدد اللقطات (كتل البيانات) صغيرًا نسبيًا إلى حجم الصفيف. ثالثًا: الإشارات المتماسكة (ذات علاقة طور ثابتة، كما في الانتشار متعدد المسارات) تُفقد مصفوفة التغاير رتبتها، مما يُضعف أداء MUSIC. معالجة التجانس المكاني تستعيد الرتبة الكاملة في هذه الحالات.

للإشارات الحقيقية القيمة، التطبيقات الكفؤة تستثمر بنية الارتباط الذاتي الحقيقية. خوارزمية ليفنسون-دوربين تحلّ معادلات يول-ووكر في O(p²) عملية لأي درجة AR، مما يجعل تقدير AR رخيصًا حسابيًا حتى عند درجات عالية.

أبرز النقاط

الأساليب المعلمية تُلائم نموذج إشارة (AR، ARMA، أو فضاء جزئي) أولًا قبل تقدير الطيف — محققةً دقةً فائقةً تتخطى حد 1/(NT).
نموذج AR(p) مرشح أقطاب فقط يُغذَّى بضوضاء بيضاء؛ طيفه σ²/|A(ω)|² — ذروات سلسة عند مواضع الأقطاب.
معادلات يول-ووكر تربط معاملات AR بتسلسل الارتباط الذاتي وتُحلّ بخوارزمية ليفنسون-دوربين بتعقيد O(p²).
درجة النموذج p تُختار بعناية — معايير AIC وMDL وFPE توفر إرشادًا مبدئيًا.
MUSIC وESPRIT أسلوبان ضمن الفضاء الجزئي لفصل الجيبيات: يستثمران تعامد متجهات الإشارة والضوضاء الذاتية لمصفوفة التغاير.
الأساليب المعلمية تعمل أفضل مع السجلات القصيرة وضوضاء منخفضة وطيف خطوط؛ غير المعلمية مُفضَّلة للأطياف العريضة أو المجهولة.
الإشارات المتماسكة (متعددة المسارات) تُضعف أساليب الفضاء الجزئي — التجانس المكاني يستعيد الرتبة.