Resumen

En este trabajo, se calcula una estimación del espectro de potencia de una señal autorregresiva estacionaria de valor real y sentido amplio a partir de medidas sub-Nyquist o comprimidas en ruido gaussiano blanco aditivo. El problema se formula utilizando los conceptos de detección de covarianza compresiva y estimación no paramétrica del espectro de Blackman-Tukey. Sólo es necesario recuperar de la señal comprimida las estadísticas de segundo orden de la señal original, y no la propia señal. Esto se consigue resolviendo el sistema de ecuaciones sobredeterminado resultante mediante la aplicación de mínimos cuadrados, evitando así la necesidad de aplicar la complicada minimización ℓ1 que de otro modo se requeriría para la reconstrucción de la señal original. Además, no es necesario que la señal sea espectralmente dispersa. Se realiza un estudio del rendimiento del estimador espectral de potencia teniendo en cuenta las propiedades de las diferentes bases del subespacio de covarianza necesarias para la detección de covarianza compresiva, así como diferentes reglas lineales dispersas mediante las cuales se consigue la compresión. Se propone un método para beneficiarse de la posible eficiencia computacional resultante del uso de la base de Fourier del subespacio de covarianza sin afectar considerablemente al rendimiento de la estimación espectral.

• Materias:Simulación numérica Controladores Programación bioobjetiva Redes de retransmisión Simulador dinámico
• Subjects:Numerical simulation Controllers Bioobjective programming Relay networks Dynamic simulator
• Palabras claves:detección de covarianza compresiva, subespacio de covarianza, señal original, ruido gaussiano blanco aditivo, diferentes reglas lineales dispersas, estimación no paramétrica del espectro, posible eficiencia computacional, rendimiento de la estimación del espectro, señal autorregresiva estacionaria, señal
• Keywords:compressive covariance sensing, covariance subspace, original signal, additive white Gaussian noise, different linear sparse rulers, nonparametric spectrum estimation, possible computational efficiency, spectrum estimation performance, stationary autoregressive signal, signal