الـ parametric spectral estimation (التقدير الطيفي المعلمي) | DSP-101

أبعد من الطرق الـ non-parametric

الـ periodogram وطريقة Welch والـ spectrogram كلهم طرق non-parametric (غير معلمية) — مبيفترضوش أي model للـ signal اللي تحت، وبيقدّروا الـ PSD على طول من البيانات بالـ DFT. قوّتهم الكبيرة إنهم عامّين: بيشتغلوا مع أي signal. وقيدهم الأساسي هو الـ frequency resolution: حدّها الأدنى 1/(NT)، حيث N طول البيانات وT فترة الـ sampling. متقدرش تفصل بين frequencyين أقرب من الحد ده مهما زوّدت المعالجة.

الطرق الـ parametric (المعلمية) بتمشي بطريقة تانية. بدل ما تحسب الـ spectrum على طول من البيانات، بتعمل fit لـ model للـ signal الأول — عادةً model AR أو MA أو ARMA — وبعدين بتشتق الـ spectrum تحليليًا من معاملات الـ model اللي اتعملها fit. ولأن الـ model بيفرض بنية على الـ signal، الطرق الـ parametric تقدر توصل لـ super-resolution (دقة فائقة): تفصل بين سمات طيفية أقرب من اللي 1/(NT) بتسمح بيه.

إمتى تستخدم الطرق الـ parametric؟

الطرق الـ parametric بتلمع لما الـ model المفترض يناسب الـ signal. بتتميّز في السجلات القصيرة والـ sinusoids القريبة جدًا من بعض، والتطبيقات اللي عدد وأماكن القمم الطيفية فيها معروفين من الأول. وممكن تفشل فشل ذريع لو الـ model المفترض مطابقش بنية الـ signal الحقيقية.

parametric = دقة فائقة بس مربوط بـ model. non-parametric = دقة أقل بس من غير افتراضات.

الـ autoregressive model (AR)

أشهر model parametric هو الـ autoregressive model (النموذج الانحداري الذاتي) AR(p) (model فيه poles بس). في model AR(p)، كل sample من الـ signal هي تركيبة خطية من p sample فاتوا زائد دخل white noise:

الـ model AR(p)

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

a₁, a₂, …, aₚ هي معاملات الـ AR اللي عايزين نقدّرها. وw[n] ~ WN(0, σ²) هي white noise بـ variance σ². والـ AR model بيكافئ IIR filter فيه poles بس متغذّي بـ white noise.

الـ spectrum بتاع الـ AR بيطلع بحساب power spectrum الـ response بتاع filter الـ poles. لو A(ω) = 1 + a₁e^{-jω} + a₂e^{-j2ω} + … + aₚe^{-jpω}، يبقى:

الـ PSD بتاعة الـ 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}

الـ spectrum بتاع الـ AR دالة كسرية ناعمة في الـ frequency، قممها بتيجي مكان ما |A(ω)|² صغير — يعني قريب من poles الـ filter. والـ resolution مش متقيّدة بطول البيانات، متقيّدة بس بدرجة الـ model والـ SNR.

تقدير معاملات الـ AR: طريقة Yule-Walker

عشان تستخدم الـ AR spectrum، لازم تقدّر المعاملات a₁, …, aₚ والـ variance بتاع الـ noise σ² من البيانات المرصودة. والطريقة الكلاسيكية الأشهر هي طريقة Yule-Walker، اللي بتستغل العلاقة بين معاملات الـ AR والـ autocorrelation sequence بتاعة الـ signal.

معادلات Yule-Walker بتربط معاملات الـ AR على طول بقيم الـ autocorrelation r[0], r[1], …, r[p]:

معادلات Yule-Walker (صيغة matrix)

\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 هي autocorrelation matrix من نوع Toeplitz حجمها p×p، وعناصرها R_{ij} = r[|i−j|]. و𝐚 = [a₁, …, aₚ]ᵀ. و𝐫 = [r[1], …, r[p]]ᵀ. بتتحل بخوارزمية Levinson-Durbin في O(p²) عملية. والـ variance بتاع الـ noise: σ² = r[0] + 𝐚ᵀ𝐫.

عمليًا، الـ autocorrelation الحقيقي مش معروف وبيتقدّر من البيانات. وإنك تحط الـ sample autocorrelation r̂[k] في معادلات Yule-Walker بيدّي تقدير الـ AR بطريقة Yule-Walker. وبديل أحسن للسجلات القصيرة هو طريقة Burg، اللي بتصغّر غلطات الـ prediction لقدّام ولورا مع بعض وبتضمن AR filter مستقر دايمًا.

اختيار درجة الـ model

درجة الـ AR model p parameter حرج — بيتحكّم في المقايضة بين الـ resolution والـ variance. صغيرة أوي: الـ spectrum ناعم زيادة عن اللزوم. كبيرة أوي: بتظهر قمم وهمية. وفيه تلات معايير مبدئية منتشرة:

المعيار	الصيغة	الـ bias
AIC (Akaike Information Criterion)	AIC(p) = N ln σ̂²(p) + 2p	بيميل إنه يبالغ في التقدير (inconsistent asymptotically)
MDL (Minimum Description Length)	MDL(p) = N ln σ̂²(p) + p ln N	consistent — بيتقارب للدرجة الحقيقية لما N→∞
FPE (Final Prediction Error)	FPE(p) = σ̂²(p) · (N+p+1)/(N−p−1)	شبه الـ AIC، بيتصغّر عند الدرجة المثالية

عمليًا، احسب المعيار لقيم p = 1, 2, …, p_max واختار p اللي بتصغّره. وللبيانات اللي فيها noise عالي الـ MDL أحسن. ولما يبقى عندك معرفة مسبقة بعدد الـ sinusoids، ظبّط p ≈ 2 × (عدد الـ sinusoids) كنقطة بداية.

الـ subspace methods: MUSIC وESPRIT

أقوى الطرق الـ parametric لتقدير frequencies الـ sinusoids في الـ noise هي الـ subspace methods (أساليب الفضاء الجزئي). بتستغل الـ eigenstructure بتاعة الـ covariance matrix، وبتفكّكها لـ signal subspace وnoise subspace.

افترض signal مكوّنة من M complex sinusoid في white noise. الـ covariance matrix 𝐑_x ليها M eigenvalue كبيرة (الـ signal subspace) وN−M eigenvalue متساوية بتساوي الـ variance بتاع الـ noise σ² (الـ noise subspace). والفكرة الجوهرية: الـ steering vectors عند الـ frequencies الحقيقية e(ωₖ) بتبقى عمودية على الـ noise subspace.

خوارزمية MUSIC (Multiple Signal Classification) بتستغل التعامد ده عشان تعمل pseudo-spectrum:

الـ pseudo-spectrum بتاع MUSIC

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

𝐄_N هي matrix الـ noise eigenvectors (أعمدة). والـ P_MUSIC ليه قمم حادة عند الـ frequencies الحقيقية لأن 𝐞(ω)ᴴ𝐄_N𝐄_Nᴴ𝐞(ω) → 0 لما ω = ωₖ. وقمم MUSIC بتحدّد الـ frequencies بس، مش مستويات القدرة.

ESPRIT (Estimation of Signal Parameters via Rotational Invariance) طريقة قريبة بتطلّع تقديرات الـ frequencies على طول من الـ signal subspace من غير ما تحسب pseudo-spectrum. بتستغل خاصية الـ shift invariance في الـ array وبتحل مسألة eigenvalues صغيرة، وده بيخلّيها أكفأ حسابيًا من MUSIC لتقدير الـ frequencies بدقة عالية.

MUSIC قصاد ESPRIT

الـ MUSIC بيطلّع pseudo-spectrum (بيتحسب على شبكة frequency) ومحتاج بحث عن القمم. أما الـ ESPRIT فبيدّي تقديرات مباشرة للـ frequencies بحل مسألة eigenvalues — من غير بحث طيفي. والاتنين محتاجين M (عدد الـ sinusoids) كدخل مسبق، والاتنين بيوصلوا لـ super-resolution عند SNR عالي. الـ ESPRIT أحسن للكفاءة الحسابية؛ والـ MUSIC للتفسير البصري للـ pseudo-spectrum.

الطريقتين محتاجين M (عدد الـ sinusoids) — والغلط في تحديده بيبوّظ الأداء جامد.

parametric قصاد non-parametric: تستخدم كل واحد إمتى؟

الطرق الـ parametric

super-resolution — بتفصل بين خطوط طيفية قريبة جدًا
بتشتغل كويس مع السجلات القصيرة (N صغيرة)
الـ AR spectrum متشتق تحليليًا وناعم
الأحسن للـ line spectra: sinusoids في noise
بتفشل لو درجة الـ model أو بنية الـ signal اتختاروا غلط
حساسة لعدم مطابقة الـ model وتلوين الـ noise

الطرق الـ non-parametric

مفيش افتراضات model — بتشتغل مع أي نوع signal
resolution محدودة بـ 1/(NT) — محتاجة سجلات طويلة
طريقة Welch: تقديرات مستقرة والـ variance بتاعها واطي
الأحسن للـ spectra العريضة النطاق أو المستمرة أو المجهولة
محصّنة ضد عدم مطابقة الـ model
الاختيار الأول المعياري في التحليل الاستكشافي

تطبيقات الـ parametric spectral estimation

المجال	التطبيق	الطريقة المستخدمة
الرادار / السونار	تقدير الـ direction of arrival (DOA) من antenna arrays	MUSIC، ESPRIT
الكلام	الـ linear predictive coding (LPC) — ضغط الكلام وتوليفه	AR (Burg أو Levinson-Durbin)
الطب الحيوي	تحليل تغيّر معدل ضربات القلب، قمم spectrum الـ EEG	AR (Yule-Walker)
علم الزلازل	فصل الـ normal modes القريبة من بعض للأرض	MUSIC، maximum entropy
الاتصالات	تقدير frequencies الـ interferers الضيقة النطاق	ESPRIT، MUSIC
الرنين المغناطيسي NMR/MRI	تقدير الـ chemical shift من signals الـ free induction decay القصيرة	MUSIC، LP (الـ linear prediction)

اعتبارات عملية

الطرق الـ parametric فيها مطبّات عملية كتير. الأول: كلها محتاجة درجة الـ model كدخل — سواء درجة الـ AR p أو عدد الـ sinusoids M. والمبالغة في تقدير M في الـ MUSIC بتعمل قمم وهمية؛ والتقليل منه بيفوّت قمم حقيقية. التاني: تقدير الـ covariance matrix بيبقى مش موثوق لما عدد الـ snapshots (blocks البيانات) يبقى صغير بالنسبة لحجم الـ array. التالت: الـ coherent signals (اللي العلاقة بين الـ phases بتاعتها ثابتة، زي في الـ multipath) بتخلّي الـ covariance matrix تفقد الـ rank بتاعها، وده بيضعّف أداء الـ MUSIC. والـ spatial smoothing بيرجّع الـ rank الكاملة في الحالات دي.

للـ signals اللي قيمها حقيقية، التنفيذات الكفؤة بتستغل بنية الـ autocorrelation الحقيقية. وخوارزمية Levinson-Durbin بتحل معادلات Yule-Walker في O(p²) عملية لأي درجة AR، وده بيخلّي تقدير الـ AR رخيص حسابيًا حتى عند درجات عالية.

أهم النقط

الطرق الـ parametric بتعمل fit لـ model signal (AR، ARMA، أو subspace) الأول قبل ما تقدّر الـ spectrum — فبتوصل لـ super-resolution أبعد من حد 1/(NT).
الـ AR(p) model هو filter فيه poles بس متغذّي بـ white noise؛ والـ spectrum بتاعه σ²/|A(ω)|² — قمم ناعمة عند أماكن الـ poles.
معادلات Yule-Walker بتربط معاملات الـ AR بالـ autocorrelation sequence وبتتحل بخوارزمية Levinson-Durbin بتعقيد O(p²).
درجة الـ model p لازم تتختار بعناية — معايير AIC وMDL وFPE بتدّي توجيه مبدئي.
MUSIC وESPRIT طريقتين subspace لفصل الـ sinusoids: بيستغلوا التعامد بين الـ signal والـ noise eigenvectors بتوع الـ covariance matrix.
الطرق الـ parametric بتشتغل أحسن مع السجلات القصيرة والـ noise الواطي والـ line spectra؛ والـ non-parametric أحسن للـ spectra العريضة أو المجهولة.
الـ coherent signals (multipath) بتضعّف الـ subspace methods — والـ spatial smoothing بيرجّع الـ rank.