Содержание
|Введение |3 |
|1.1 Задача обработки решетки |5 |
|1.2 Продолжаемость |9 |
|1.2.1 Спектральные основы и совместные множества |9 |
|1.2.2 Сопряженно-симметричные функции и их векторное |10 |
|представление | |
|1.2.3 Характеристики продолжаемости |11 |
|1.3 Граница и внутренняя часть |15 |
|1.3.1 Функции спектральной плотности мощности |15 |
|1.3.2 Дискретизация спектральной основы |16 |
|1.4 Метод Писаренко |18 |
|1.4.1 Метод Писаренко для решеток датчиков |18 |
|1.4.2 Вычисление оценки Писаренко |22 |
|Резюме |25 |
|2.1. Интегральное уравнение для открытого резонатора с |26 |
|осесимметричным диском | |
|2.2 Интегральное уравнение открытого резонатора с |32 |
|диэлектрическим диском, несоосным с зеркалами [72] | |
|Заключение, перспективы |39 |
|3 Метод СВЧ контроля параметров полимеров |40 |
|Литература |45 |
|ПриложениЯ |47 |
|Приложение А |48 |
|Приложение В |50 |
|Приложение С |52 |
|Иллюстрации |54 |

Рассматривается вкратце задача обработки решеток и формулируется задача абстрактной спектральной оценки. Эта задача включает оценку многомерного спектра мощности частотно-волнового вектора по измерениям корреляционной функции и знанию спектральной основы.

Исследование согласующихся по корреляции спектральных оценок приводит к вопросу продолжаемости : существует ли любой положительный спектр на спектральной основе, который в точности согласует данное множество корреляционных выборок? Для ответа на этот вопрос разработана математическая структура, в рамках которой следует анализировать и разрабатывать алгоритмы спектральной оценки.

Метод спектральной оценки Писаренко, который моделирует спектр в виде импульсов плюс шумовая компонента, распространяется со случая временной последовательности на более общий случай обработки решеток. Оценку
Писаренко получают как решение линейной задачи оптимизации, которая может быть решено при использовании линейного алгоритма программирования, к примеру, симплекс - метода.

Введение

Подобно тому, как спектр мощности стационарной временной последовательности описывает распределение мощности в зависимости от частоты, спектр мощности частотно-волнового вектора однородного и стационарного волнового поля описывает распределение мощности в зависимости от волнового вектора и временной частоты или, что эквивалентно, в зависимости от направления распространения и временной частоты. Спектр частота - волновой вектор или информация, которая может быть получена из него, является важной во многих применениях. В радиоастрономии и гидролокации могут быть основаны на информации, содержащейся в оценке спектра мощности. Следовательно, оценка спектра мощности по данным решетки датчиков представляет больной практический интерес.

Раздел II содержит краткий обзор волновых нолей и решеток датчиков, а также введение в задачу спектральной оценки. Рассматриваются альтернативные математические представления спектров мощности, как мер и как функций спектральной плотности. В разделе II вводится термин корешетки, множества разделений вектора и временных запаздываний, для которых доступны корреляционные выборки, и спектральной основы, области частоты-пространства волнового, вектора, содержащей мощность. к которой чувствительны датчики.
Никакой особой структуры не предполагается как и для корешетки. Так и для спектральной основы. Раздел II завершается Формулировкой абстрактной задачи: оценкой спектра мощности при условии того, что он положителен на спектральной основе и равен нулю вне ее, а также обладает некоторыми известными корреляциями для разделений в корешетке. Хотя и проще многих задач, встречаемых на практике, ключевые характеристики, которые отличают задачу решетки, от задачи спектральной оценки мощности временной последовательности, сохраняются : многомерность частотной переменной и неравномерность корешетки.

При условии этой формулировки проблемы естественно рассматривать спектральные оценки, которые согласуются с известной информацией: спектральные оценки, положительные на спектральной основе и равные нулю вне её, в точности согласующиеся с измеренными корреляциями, .исследование таких, согласованных с корреляцией, спектральных оценок ставит два главных вопроса. Первый и более фундаментальный вопрос касается существования любой такой оценки. Эта проблема, продолжаемости имеет глубокие исторические корни [1] и недавно была поднята Дикинсоном [2] относительно двумерной спектральной оценки по методу максимальной энтропии, а также является темой некоторых недавних работ Цибенко[3 - 4]. Проблема продолжаемости исследуется в разделе III. Характеризуются продолжаемые множества корреляционных измерений. Рассматривается также их зависимость от спектральной основы и эффект дискретизации спектральной основы. В попытке ответить на вопрос о продолжаемости разработана необходимая математическая структура, позволяющая анализировать специальные методы спектральной оценки и разрабатывать алгоритмы для их вычисления.

Вторым поднятым вопросом является вопрос единственности: имеется ли единственная согласованная с. корреляцией спектральная оценка и, если нет, как выбрать нужную ? Действительно, единственная оценка не существует, за исключением весьма специальных случаев; задача метода спектральной оценки состоит в выборе одного из ансамбля спектров, удовлетворяющего согласованию корреляции, положительности и ограничениям спектральной основы. Раздел IУ касается метода Писаренко [5] , который включает моделирование корреляционных измерений в виде суммы двух компонентов. Один, шумовой компонент известной спектральной формы, но неизвестной амилитуды, делается настолько большим, насколько это возможно без превращения второго компонента в непродолжаемый. Показано, что спектральная оценка по методу Писаренко решает линейную задачу оптимизации.
Решение этой задачи оптимизации будет всегда существовать, если корреляционные измерения являются продолжаемыми. Показало, что тактически метод Писаренко тесно связан с вопросом продолжаемости и алгоритм вычисления оценки Писаренко будет также служить в качестве теста продолжаемости. Показано, что оценка Писаренко не является всегда единственной в общем случае, хотя она единственна для случая временной последовательности, где задача линейной оптимизации сводится к задаче на собственные значения.

1.1. Задача обработки решетки

Вообразим многомерную однородную среду, поддерживающую волновое поле с комплексными значениями u(x, t) и содержащую решетку датчиков. Волновое паче будет предполагаться однородным и стационарным, так что его статистики второго порядка описываются корреляционной санкцией r , или эквивалентно, спектром мощности [6].

(2.1)

Представление спектра мощности, посредством положительной меры обеспечивает необходимую гибкость для того, чтобы иметь дело с диапазоном спектральных оснований унифицированным образом и обрабатывать спектры, которые содержат импульсы: конечная мощность при единственном волновом векторе.

В инженерной литературе более принято представлять спектр мощности посредством положительной функции спектральной плотности . В этом представлении

(2.2)

где - некоторая фиксированная мера, которая позволяет интерпретировать выражение /2.2/ в виде многомерной поверхности или объемного интеграла, возможно взвешенного, над частотно-волновым векторным пространством.

Если дана 'функция спектральной плотности мощности , то возможно определить соответствующую положительную меру путем требования, чтобы мера подмножества В частотно-волнового векторного пространства равнялась интегралу функции спектральной плотности по В:

(2.3)

Теперь будет сформулирована простая задача спектральной оценки.
Особое внимание будет уделено моделированию свойств процесса сбора данных, которые являются общими для многих задач обработки решеток. Эти свойства включают измерение корреляционной функции при конечном числе неравномерно распределенных точек и ограничения на область пространства частоты-воктора волны, в котором может присутствовать мощность.

Каждый из ПИП производит временную функцию, которая является волновым полем U, подвергнутым выборке в точке пространства. Совокупность временных функций, образуемых всеми ПИП, выход или отклик решетки, должна быть обработана с тем, чтобы обеспечить оценку спектра мощности частоты- волнового вектора. Стохастический характер волнового поля неизменно приводит к случайным 'изменениям любой спектральной оценки, основанной на выходе решетки. Чтобы противодействовать этому эффекту, спектральные оценки часто базируются на устойчивых статистиках, получаемых с выхода решетки.
Обычным примером такой статистики является корреляционная оценка, вычисляемая посредством умножения выхода одного ПИП на задержанный во времени выход второго ПИП с усреднением по времени. Эта обработка дает в результате оценку корреляционной функции с временной задержкой, соответствующей запаздыванию во времени и пространственным разделением, которое является вектором расстояния между ПИП. Процесс усреднения обеспечивает статистически стабильные оценки корреляции, что дает в результате статистическую стабильность спектральной оценки, основанной на этих корреляционных оценках. Важно отметить, что оценки корреляций доступны только для конечного множества междатчиковых расстояний и временных задержек [8]. Тема ошибок корреляционных оценок не будет затрагиваться.
Эта. статья касается скорее свойств множеств истинных корреляционных выборок и спектральных оценок, основанных на корреляционных выборка.

Предполагается известным, что спектр заключен в ограниченной области пространства частота-волновой вектор, спектральной основе. Снаружи этой основы предполагается, что спектр равен нулю. Ограниченная спектральная основа может естественно возникнуть несколькими путями. Например, в среде, которая поддерживает скалярные волны, известный источник, среда и характеристики датчика могут быть использованы для построения соответствующей спектральной основы. Источник может иметь известную временную ширину полосы или известную конечную угловую протяженность.
Соотношение дисперсии и затухание в среде ограничивает область пространства частота-волновой вектор, в которой может присутствовать мощность. ПИП могут иметь конечную временную полосу могут быть направленными. Все эти эффекты могут моделироваться посредством предположения о том, что мощность отсутствует снаружи определенной области пространства частота-волновой вектор. Известная спектральная основа, базирующаяся на физике частной задачи, представляет собой важную априорную информацию, которая может быть использовала в .задаче спектральной оценки.

Во многих применениях значительно больше данных доступно во временном измерении, чем в пространственном измерении. В этих случаях удобно отделить временную переменную посредством анализа Фурье временной последовательности выхода каждого датчика, а затем произвести раздельную спектральную опенку волнового вектора для каждой временной частоты путем использования коэффициентов Фурье в качестве данных для спектрального оценивателя волнового вектора. Таким образом задача оценки стимулируется для комплексных данных, даже хотя физические волновые поля имеют вещественные значения. К счастью, обычный анализ Фурье является часто удовлетворительным, когда данные избыточны, а также неявным при узкополосном характере многих датчиков. Там, где ограниченные данные во временное измерении делают упомянутый выше подход не практичным, а доступными являются широкополосные решетки датчиков, полная задача может трактоваться посредством включения временных переменных и в векторы и k. Тогда будет описывать разделение как в пространстве, так и во времени, a k волновой вектор пространства-времени.
Будем полагать, что принят один из этих двух подходов; следовательно временные переменные и будут опущены.

Простым примером модели спектральной оценки, разработанной выше, является решетка ПИП, состоящая из одинаковым образом ориентированных ИП.

Пример 2.1: решетка из трех ИП. Представим, что решетка ИП, показанная на рис.1, используется для приема единственной временной частоты
, соответствующей длине волны .

ИП с диаметром d имеет полосу пропускания, которая грубо описывается выражением

.

Полагая, что волновое поле удовлетворяет соотношению дисперсии для однородной, недиспергирующей среды, основанием для спектральной оценки должна быть полярная шапка, описываемая двумя уравнениями

и показанная на рис.2

Совместным множеством для этой задачи является только множество всех
3-мерных пространственных разделений между ИП в решетке.

1.2 Продолжаемость

В последнем разделе была построена простая модель задачи обработки решетки: если даны некоторые корреляционные измерения и спектральная основа, получить спектральную оценку. Естественно использование известной информации о спектре для ограничения спектральной оценки требованием того, чтобы она была согласована с измеренными корреляциями, положительной и ограниченной спектральной основой. Такие, спектральные оценки называются спектральными оценками согласованными с корреляцией.

Исследование спектральных оценок, согласованных с корреляцией подымает фундаментальный вопрос о существовании. Если задана, конечная совокупность измеренных корреляций и спектральная основа, то существует ли по крайней мере одна согласованная с корреляцией спектральная оценка ? Если такая спектральная оценка существует, то о измеренных корреляциях говорят, что они продолжаемы. /Корреляционная функция, полученная посредством обратного преобразования Фурье согласованной с корреляцией спектральной оценки, является подходящим продолжением корреляционных измерений на все пространственные разделения/. После некоторых необходимых математических определений мы получим ответ на вопрос о существовании путем характеризации множества продолжаемых корреляционных измерений.

1.2.1 Спектральные основы и совместные множества

Вначале необходимо определить более тщательно термины спектральная основа и совместное множество. Предполагается, что спектральная основа К является компактным подмножеством , т.е. К замкнуто и ограничено.
Предположение относительно компактности К приводит к некоторым техническим преимуществам: непрерывная функция на компактном множестве достигает своей нижней и верхней грани. Кроме того, компактность должна всегда содержаться в физической задаче. Как обсуждалось в предыдущем разделе, знание источника, среды и характеристик датчиков может быть использовано для построения соответствующей спектральной основы.

Совместное множество будет определяться, как конечное подмножество со свойствами

I / 0;

II / если

III / является множеством линейно независимых функций на
.

Условие I/ подразумевает знание r(0) полной мощности в спектре.
Условие II/ отражает тот факт, что корреляционная функция всегда сопряжено симметрична; так, если известна, то известна и . Условия I/ и
II/ совместно подразумевают, что имеет вид

(3.1)

Условие II/ гарантирует, что корреляционные измерения независимы; каждое измерение дает новую информацию о спектре.

Если D > 1 , то задача спектральной оценки является многомерной. Если
и то задача спектральной оценки является известным случаем временной последовательности и вопрос продолжаемости сводится к известной задаче тригонометрических моментов [9].

1.2.2 Сопряженно-симметричные функции и их векторное представление

Спектральная основа и совместное множество естественно предполагает ситуацию векторного пространства для задачи спектральной оценки, в которой сопряженно-симметричные комплекснозначные функции на будут играть центральную роль. Сопряженно-симметричная функция f на является функцией, для которой при всех . Корреляционные выборки, из которых должны образовываться спектральные оценки, являются такими функциями. /Благодаря этой симметрии многие из нижеследующих выражений являются вещественными, хотя они, ради простоты, были записаны в виде, который предполагает, что они могут быть комплексно-значными/. Совместное множество имеет 2М + I элемент и таким образом сопряженно- симметричная функция на характеризуется посредством 2М + I независимыми вещественными числами. Так, сопряженно-симметричная функция на
может рассматриваться как вектор в . /Векторное пространство над вещественными числами выбирается потому, что только умножение на вещественное число, переводит корреляционную функцию в другую корреляционную функцию/. Будут использоваться как функциональное обозначение так и векторное f.

Поскольку является линейно-независимым множеством функций на K, то отсюда следует, что каждый вектор p в может быть единственным образом связан с вещественно-значным -полиномом P(k) на К посредством соотношения

(3.2)

Вектор будет называться положительным, если на К. Р будет обозначать множество этих векторов, связанных с положительными - полиномами. Из компактности К, как можно показать, следует, что Р является выпуклым конусом с вершиной в начале координат. /Множество С является конусом с вершиной в начале координат, если подразумевает для всех [10]. Конусы являются важными видами множеств в задаче спектральной оценки, поскольку только умножение на положительные вещественные числа переводит корреляционную функцию в другую корреляционную функцию, а -полином в другой -полином./

Внутреннее произведение вектора r корреляционных выборок и вектора р полиномиальных коэффциентов будет определяться как

(3.3)

Это внутреннее произведение дает возможность по новому записать - полином: , где обозначает вектор с компонентами . Отметим также, что если , то , что cooтветствует выражению соотношению
Парсеваля.

1.2.3 Характеристики продолжаемости

Пусть Е обозначает множество продолжаемых векторов корреляции. То есть , если

(3.4)

для некоторой положительной меры на К. Из свойств интеграла следует, что, Е является замкнутым выпуклым конусом с вершиной в начале координат.
Кроме того, сечение по Е при :

(3.5) является выпуклой оболочкой компактного множества

(3.6) является выпуклой оболочкой компактного множества
Итак, Е - замкнутый выпуклый конус с вершиной в начале координат, генерируемой посредством А. Эта характеристика продолжаемой корреляция аналогична той, которую дал первоначально Каратеодори в 1907 году для задачи тригонометрических моментов [I]. Важность этого состоит в том, что множество продолжаемых векторов корреляции описывается в терминах простого множества А. Это дает также ясную геометрическую картину продолжаемости и будет полезно в доказательствах.

Вторая характеристика продолжаемости, которая является более полезной при разработке методов спектральной опенки, происходит из того факта, что Е выражается в виде пересечения всех замкнутых полупространств, содержащих его [10]. Эта характеристика включает дуальность, так как полупространства определяются линейными функционалами, т.е. элементами дуального пространства. Замкнутое полупространство определяется посредством вектора q, и вещественного числа с в виде множества

(3.7)

Чтобы определить отдельные полупространства, содержащие Е, достаточно рассмотреть те корреляционные векторы, которые генерируют Е : положительные кратные векторов во множестве А. Замкнутое полупространство содержит Е тогда и только тогда, когда для каждого и каждого .
Поскольку можно сделать произвольно большой, должно быть истинным то, что , т.е. q - член конуса Р. Наименьшее полупространство, содержащее
Е для такого q соответствует выбору с = 0. Итак,

(3.8)

или, словами, следующее.

Теорема о продолжимости : .вектор является продолжимым тогда и только тогда, когда для всех положительных p.

Таким образом, положительные полиномы естественно имеют место в задаче продолжаемости, поскольку они определяют гиперплоскости основы множества Е продолжаемых векторов корреляции. На языке функционального анализа теорема о продолжимости, которая является видом леммы Фаркаша [11], просто констатирует, что Е и Р - положительные сопряженные конусы.[10]. Эта теорема имеет важное следствие относительно перемещения простой характеристики Р, в терминах положительности, на характеристику Е. Хотя введение спектральной основы в рассматриваемую задачу является новым, по существу та же характеристика продолжимости была первоначально использована
Кальдероном и Пепинским [l2], и Рудиным [l3].

Рисунок 4 демонстрирует зависимость Е от спектральной основы.
Существуют две точки зрения на эту зависимость. Прямая точка зрения отмечает тот факт, что Е является выпуклым конусом, генерированным А; поскольку К уменьшилось, А сжалось и Е теперь меньше, чем на рис.3.
Косвенная точка зрения включает ограничения; множество К ограничивает множество Р посредством условия о положительности, а множество Р ограничивает множество P посредством теоремы продолжимости. Итак, когда К сжимается, Р растет, и Е сжимается.

Для случая временной последовательности теорема о продолжимости сводится к тесту положительной определенности теплицевой матрицы, образованной из корреляционных выборок. Следовательно, о продолжимости можно говорить как об общем аналоге положительной определенности.

Пример 3.1 : Случай временной последовательности; D=1, .B этом случае, проблема продолжимости сводится к проблеме тригонометрических моментов [9]. Хотя это и не справедливо в общем случае, для случая временной последовательности, как следует из фундаментальной теоремы алгебры, положительный полином может быть факторизован в виде квадрата модуля М-той степени тригонометрического полинома

.

Внутреннее произведение становится теплицевой формой в коэффициентах

Таким образом, требование того, чтобы внутреннее произведение было положительным для всех полиномов сводится к требованию положительной определенности теплицевой формы, соответствующей корреляционным измерениям.

1.3 Граница и внутренняя часть

Необходимо будет делать различие между границей и внутренней частью множеств Е и Р. Рассмотрение метода Писаренко в разделе 17, к примеру, включает векторы на границах Е и Р. Векторы во внутренней части Е и P являются важными тогда, когда затрагиваются пункции спектральной плотности, как например, в методе спектральной опенки по способу максимальной энтропии
[l4].

Граница замкнутого множества состоит из тех членов, которые находятся произвольно близко к некоторому вектору снаружи множества. Внутренняя часть замкнутого множества состоит из тех членов, которые не находятся на границе. .

Граница и внутренняя часть конечного измеримого множества не зависит от частного выбора нормы вектора [15]. Кроме того, поскольку Р и Е являются выпуклыми множествами, особенно просто охарактеризовать их внутренний части и границы.

Граница Р, обозначаемая , состоит из тех положительных полиномов, которые равны нулю для некоторых . Внутренняя часть Р, обозначаемая , состоит из тех полиномов, которые строго положительны на К.

Положительные полиномы могут быть использованы для определения границы и внутренней части Е. Граница Е, обозначаемая , состоит из тех продолжимых корреляционных векторов, которые превращают в нуль внутреннее произведение с некоторым ненулевым положительным полиномом. Внутренняя часть Е, обозначаемая , состоит из тех корреляционных векторов, которые делают строго положительными внутренние произведения с каждым ненулевым положительным полиномом.

1.3.1 Функции спектральной плотности мощности

Многие методы спектральной оценки представляют спектр мощности не как меру, а в виде функции спектральной плотности. Это ведет к модификации задачи продолжимости: если задана фиксированная положительная конечная мера
, которая определяет интеграл

(3.9)

то какие корреляционные векторы могут быть произведены от некоторой строго положительной функции ? При одном дополнительном ограничении на
, которое легко удовлетворяется на практике, модно показать, что векторы, которые могут быть представлены таким образом, являются векторами, находящимися во внутренней части Е. Кроме того, можно показать, что любой век тор во внутренней части Е может быть представлен в форме /3.9/ для некоторой непрерывной, строго положительной .

Теорема продолжимости для функций спектральной плотности:
Если каждое соседство каждой точки в К имеет строго положительную - меру, то

1/если равномерно ограничена относительно нуля по К, то

;

2/если , то

для некоторой непрерывной, строго положительной функции .

Доказательство этой теоремы содержится в Приложении А.

1.3.2 Дискретизация спектральной основы

Многие представляющие интерес спектральные основы содержат бесконечное число точек. Эти спектральные основы следует часто аппроксимировать в вычислительных алгоритмах посредством конечного числа точек. Поэтому важно понимать эффекты такой аппроксимации.

Рассмотрим дискретную спектральную основу

(3.10)

Мера на дискретной основе полностью характеризуется ее значением
в каждой точке. Итак, обратный интеграл -Фурье сводится к конечной сумме

(3.11)
Аналогично, для санкций спектральной плотности

(3.12)

Мера может считаться определяющей квадратурное правило для интегралов по спектральной основе.

Из определений продолжимых векторов корреляции и положительных полиномов можно заметить, что, если спектральная основа образуется посредством выбора конечного числа- точек из некоторой исходной спектральной основы, то новое множество Е является выпуклым многогранником, вписанным внутрь исходного множества Е, а новое множество Р является выпуклым многогранником, описанный вокруг первоначального множества Р.
Следовательно, новое Е меньше исходного Е, а новое Р больше исходного Р.
Достаточно плотная выборка исходной спектральной основы приведет к многогранникам, которые аппроксимируют исходные множества с произвольной точностью. Например, на рис.5 показан эффект аппроксимации спектральной основы четырьмя выборками для . Исходные конусы Е и Р имеют круговое поперечное сечение при , как показано на рис.3. Конусы, соответствующие выборочной основе имеют /оба/ квадратное поперечное сечение. Границы новых и старых конусов пересекаются у векторов, соответствующих точкам выборки.

1.4 Метод Писаренко

Писаренко описал метод спектральной оценки временной последовательности, в котором спектр моделируется в виде суммы импульсов штос компонента белого шума [5]. Если компонента белого шума выбирается настолько большой, насколько это возможно, то, как он показал, положение и амплитуды импульсов, необходимые для согласования измеренных корреляций, определяются единственным образом. Метод Писаренко будет выведен для более обшей ориентации ИП и для более общей шумовой компоненты. Связь метода
Писаренко с вопросом продолжимости будет продемонстрирована.

Продолженная оценка Писаренко будет получена как решение задачи оптимизации, включающей минимизацию линейного функционала над выпуклой областью, определенной линейными ограничениями.
Решение этой задачи оптимизации существует всегда, но оно может быть не единственным. Получается задача двойственной' оптимизации, которая для случая временных последовательностей приводит к знакомой интерпретации метода Писаренко в виде разработки сглаживающего фильтра с ограничениями по методу наименьших квадратов. И опять, решение этой двойственной задачи существует всегда, но может быть не единственным.

Рассматриваются алгоритмы для вычисления по методу Писаренко.
Основная задача оптимизации записывается, для спектральной основы, состоящее из конечного числа точек, в воде линейной программы стандартного вида. Рассматривается применение симплекс-метода для решения этой основной линейной программы. Представлена двойственная линейная программа.
Рассматриваются также возможность создания вычислительных алгоритмов, более быстрых, чем симплекс-метод.

1.4.1 Метод Писаренко для решеток датчиков

Основой метода Писаренко является однозначное разложение /рис.6/ корреляционного вектора на сумму масштабированного вектора корреляции шума , во внутренней части Е, и остаток на границе Е

(4.1)

Допущение о том, что находится в подразумевает, что такое разложение произвольного вектора существует и единственно. Рассмотрим однопараметрическое семейство корреляционных векторов

(4.2)

Для достаточно положительного не должен быть продолжаемым, а для достаточно отрицательного должен быть продолжимым, так как допущение, что подразумевает, что Е содержит окрестность .
Выпуклость Е означает, что имеется некоторое наибольшее число , такое, что является продолжимым. Поскольку имеются произвольно близко к
непродолжимые векторы, должен быть на границе Е. Кроме того, поскольку тогда и только тогда, когда продолжим, это разложение
может 'быть использовало в качестве теста продолжимости.

Это однозначное разложение может быть сформулировано в виде основной задачи линейной оптимизации на всех положительных спектрах мощности. Отметим, что имеет по крайней мере , одно положительное спектральное представление и, что из /4.1/ для следует

(4.3)

Утверждение того, что является наибольшим числом, так что остаток
продолжаем, приводит к линейной задаче оптимизации

(4.4з)

так что

(4.45)

Максимум равен и он достигается .

Поскольку продолжаемо, оно соответствует некоторой положительной мере . Следовательно /4.1/ принимает вид

(4.5)

Если , то является положительной мерой, которая согласует корреляционные измерения и которая имеет наиболее возможную шумовую компоненту.

Некоторая дополнительная информация относительно остатка и его спектрального представления может быть получена. находится на границе
Е; следовательно, он дает нулевое внутреннее произведение с некоторым ненулевым положительным полиномом

(4.6)

Из этого следует, что основа должна быть на нулевом множестве .
Или более точно, основа любого спектрального представления должна быть на пересечении нулевых множеств всех положительных полиномов, которые образуют нулевое внутреннее произведение с . Это предполагает окончательный шаг в выводе метода Писаренко; а именно, объединение остатка
с импульсным спектром. ^ .

Тот факт, что целевой функционал основной задачи оптимизации не является строго выпуклым, допускает, что решение не может в общем случае быть единственным. Решение основной задачи оптимизации всегда единственно тогда и только тогда, когда корреляционный вектор на границе Е имеет единственное спектральное представление. В случае временной последовательности каждый такой имеет единственное спектральное представление, как сумма М или меньшего числа импульсов[5].

Пример 4.1: Случай временной последовательности, . Как и в примере 3.1, каждый положительный полином может быть факторизован в виде
для некоторого тригонометрического полинома М-той, степени и следовательно могут быть равными нуля не более, чем в М точках.
Спектр , следовательно, должен быть суммой импульсов в этих точках.
Кроме того, поскольку возможно построить положительный полином, который равен нулю в произвольно выбранных точках и нигде больше, то отсюда следует, что имеет единственное спектральное представление в виде суммы импульсов в общих нулях всех положительных полиномов так что
.

В более широком смысле, теорема продолжимости совместно с теоремой
Каратеодори [16] показывает, что имеется по крайней мере одно спектральное представление в виде суммы не более чем 2М импульсов.

Теорема представления: Если , то существует и , так что

(4.7)

Доказательство теоремы представления можно найти в Приложении В. Это представление и, таким образом, решение основной задачи оптимизации могут быть не единственными. Дальнейшее обсуждение этой проблемы единственности можно найти в Приложений С.

Если и местоположения импульсов в единственном решении могут быть определены для данного , то амплитуды импульсов могут быть вычислены просто путем решения набора линейных уравнений. А сейчас мы получим двойственную задачу оптимизации, которая дает и , так что . Тогда, если имеет единственное спектральное представление, местоположения импульсов могут быть определены по нулям . Из теоремы продолжимости следует

(4.8)

Так как и , то отсюда следует, что и для всех .
Кроме того, так как для некоторого , то отсюда следует, что

(4.9а)

на множестве

(4.9b)

и минимум достигается при . Решение этой двойственной задачи может не быть единственным даже в случае временной последовательности, когда она сводится к задаче собственного вектора, полученной Писаренко, и приводит к интерпретации метода Писаренко в виде определения сглаживающего фильтра с ограничениями по методу наименьших квадратов.
Пример 4.2 : Случай временной последовательности, . Как в примере
/3.1/

.

Кроме того, если соответствует белому шуму единичной мощности,

.

Таким образом, двойственная задача оптимизации сводится к нахождению собственного вектора теплицевой матрицы, связанного с , соответствующего наименьшему собственному значению. Если имеется несколько таких собственных векторов, импульсы располагаются в общих нулях соответствующих полиномов. Любой нормированный собственный вектор, соответствующий минимальному собственному значению, дает коэффициенты сглаживающего фильтра, сумма квадратов величин которых ограничена единицей, что дает наименьшую выходную мощность при наличии входного процесса, корреляции которого описываются [17].

1.4.2 Вычисление оценки Писаренко

При разработке алгоритмов вычисления оценки Писаренко можно столкнуться с дискретной спектральной основой

Для такой основы основная задача /4.4/ может быть переписана в виде линейное программы стандартного вида

(4.11з)

так что для

(4.11b) с N переменными и 2М ограничениями. Минимум равен и достигается для
. Основная теорема линейного программирования 18 эквивалентна теореме представления в этом случае. При условии, что для этой линейной программы существует решение, как показано в предыдущем разделе, основная теорема гарантирует решение, в котором не более, чем 2М из не равны нулю, так называемое, базовое решение.

Двойственная линейная программа [l5]

(4.12з)

так что для

(4.12b)

эквивалентная двойственной задаче /4.9/ для дискретной спектральной основы, где ограничение

(4.13)

было использовано для исключения и где . Её минимум равен и достигается при .

Основная задача может быть решена при использовании симплекс-метода
[18]. Применение симплекс-метода к основной задаче приводит в результате к существенно тому же результату /вычислительному алгоритму/, что и применение, /одинарного/ метода замены к двойственной задаче [19]. Применив соответствующий метод для избежания зацикливания [20], может быть получен алгоритм, который гарантирует сходимость к оптимальному решению за конечное число шагов, хотя его воплощения обычно были медленными .

Задача чебышевской аппроксимации связана с вычислением оценки
Писаренко; она может быть сформулирована, как минимизация линейного функционала на выпуклом пространстве, определенном ограничениями типа линейных неравенств [l6]. Она также решалась с использованием симплекс- метода /одинарная замена/. Однако для частной задачи чебышевской аппроксимации непрерывных функций полиномами с одной переменной существует вычислительный метод, который значительно быстрее симплекс-метода, это метод многократной замены Ремеза. Хотя были сделаны попытки распространить этот метод на более общие задачи [21], появившиеся в результате алгоритмы не достаточно хорошо понятны; в частности, не доказана их сходимость.

И наконец, задачи недискретной оптимизации, включенные в вычисление оценки П