Дискретные преобразования сигналов

Нет ничего, сколь бы великим и изумительным оно не показалось с первого взгляда, на что мало-помалу не начинаешь смотреть с меньшим изумлением.
Лукреций. Римский поэт и философ, I в.д.н.э.

Введение

Цифровая обработка сигналов оперирует с дискретными преобразованиями сигналов и обрабатывающих данные сигналы систем. Математика дискретных преобразований зародилась в недрах аналоговой математики еще в 18 веке в рамках теории рядов и их применения для интерполяции и аппроксимации функций, однако ускоренное развитие она получила в 20 веке после появления первых вычислительных машин. В принципе, в своих основных положениях математический аппарат дискретных преобразований подобен преобразованиям аналоговых сигналов и систем. Однако дискретность данных требует учета этого фактора, и его игнорирование может приводить к существенным ошибкам. Кроме того, ряд методов дискретной математики не имеет аналогов в аналитической математике.

Преобразование Фурье

Дискретное преобразование Фурье

Дискретное преобразование Фурье может быть получено непосредственно из интегрального преобразования дискретизаций аргументов (t_k = kDt, f_n = nDf):

S(f) = s(t) exp(-j2pft) dt, S(f_n) = Dts(t_k) exp(-j2pf_nkDt), (6.1.1)

s(t) =S(f) exp(j2pft) df, s(t_k) = DfS(f_n) exp(j2pnDft_k). (6.1.2)

Напомним, что дискретизация функции по времени приводит к периодизации ее спектра, а дискретизация спектра по частоте - к периодизации функции. Не следует также забывать, что значения (6.1.1) числового ряда S(f_n) являются дискретизаций непрерывной функции S'(f) спектра дискретной функции s(t_k), равно как и значения (6.1.2) числового ряда s(t_k) являются дискретизацией непрерывной функции s'(t), и при восстановлении этих непрерывных функций S'(f) и s'(t) по их дискретным отсчетам соответствие S'(f) = S(f) и s'(t) = s(t) гарантировано только при выполнении теоремы Котельникова-Шеннона.

Для дискретных преобразований s(kDt) Ы S(nDf), и функция, и ее спектр дискретны и периодичны, а числовые массивы их представления соответствуют заданию на главных периодах Т = NDt (от 0 до Т или от -Т/2 до Т/2), и 2f_N = NDf (от -f_N до f_N), где N – количество отсчетов, при этом:

Соотношения (6.1.3) являются условиями информационной равноценности динамической и частотной форм представления дискретных сигналов. Другими словами: число отсчетов функции и ее спектра должны быть одинаковыми. Но каждый отсчет комплексного спектра представляется двумя вещественными числами и, соответственно, число отсчетов комплексного спектра в 2 раза больше отсчетов функции? Это так. Однако представление спектра в комплексной форме - не более чем удобное математическое представление спектральной функции, реальные отсчеты которой образуются сложением двух сопряженных комплексных отсчетов, а полная информация о спектре функции в комплексной форме заключена только в одной его половине - отсчетах действительной и мнимой части комплексных чисел в частотном интервале от 0 до f_N, т.к. информация второй половины диапазона от 0 до -f_N является сопряженной с первой половиной и никакой дополнительной информации не несет.

При дискретном представлении сигналов аргумент t_k обычно проставляется номерами отсчетов k (по умолчанию Dt = 1, k = 0,1,…N-1), а преобразования Фурье выполняются по аргументу n (номер шага по частоте) на главных периодах. При значениях N, кратных 2:

S(f_n) є S_n = s_k exp(-j2pkn/N), n = -N/2,…,0,…,N/2. (6.1.4)

s(t_k) є s_k = (1/N)S_n exp(j2pkn/N), k = 0,1,…,N-1. (6.1.5)

Главный период спектра в (6.1.4) для циклических частот от -0.5 до 0.5, для угловых частот от -p до p. При нечетном значении N границы главного периода по частоте (значения ± f_N) находятся на половину шага по частоте за отсчетами ± (N/2) и, соответственно, верхний предел суммирования в (6.1.5) устанавливается равным N/2.

В вычислительных операциях на ЭВМ для исключения отрицательных частотных аргументов (отрицательных значений номеров n) и использования идентичных алгоритмов прямого и обратного преобразования Фурье главный период спектра обычно принимается в интервале от 0 до 2f_N (0 Ј n Ј N), а суммирование в (6.1.5) производится соответственно от 0 до N-1. При этом следует учитывать, что комплексно сопряженным отсчетам S_n* интервала (-N,0) двустороннего спектра в интервале 0-2f_N соответствуют отсчеты S_N+1-n (т.е. сопряженными отсчетами в интервале 0-2f_N являются отсчеты S_n и S_N+1-n).

Пример: На интервале Т= [0,99], N=100, задан дискретный сигнал s(k) =d(k-i) - прямоугольный импульс с единичными значениями на точках k от 3 до 8. Форма сигнала и модуль его спектра в главном частотном диапазоне, вычисленного по формуле S(n) =s(k)Ч exp(-j2pkn/100) с нумерацией по n от -50 до +50 с шагом по частоте, соответственно, Dw=2p/100, приведены на рис. 6.1.1.

На рис. 6.1.4. показано обратное преобразование Фурье для дискретного спектра, выполненное по формуле s'(k) =(1/100)S(n)Ч exp(j2pkn/100), которое показывает периодизацию исходной функции s(k), но главный период k={0,99} этой функции полностью совпадает с исходным сигналом s(k).

Из выражений ДПФ можно видеть, что для вычисления каждой гармоники нужно N операций комплексного умножения и сложения и соответственно N² операций на полное выполнение ДПФ. При больших объемах массивов данных это может приводить к существенным временным затратам. Ускорение вычислений достигается при использовании быстрого преобразования Фурье.

Допустим, что массив чисел s_k содержит N = 2^r отсчетов (r - целое). Разделим исходный массив на два первых промежуточных массива с четными и нечетными отсчетами:

s_k' = s_2k, s_k" = s_2k+1, 0 Ј k Ј N/2-1.

Выполним ДПФ каждого массива с учетом того, что шаг функций равен 2 (при Dt=1), а период промежуточных спектров будет соответственно равен N/2:

s_k' Ю S_n', s_k" Ю S_n", 0 Ј n Ј N/2-1.

Для получения одной половины искомого спектра S_n сложим полученные спектры с учетом теоремы запаздывания, т.к. отсчеты функции s_k" сдвинуты относительно s_k' на один шаг дискретизации:

S_n = S_n'+S_n"Ч exp(-j2pn/N). (6.1.6)

S_n+N/2 = S_n'+S_n"Ч exp(-j2p(n+N/2)/N) = S_n'- S_n"Ч exp(-j2pn/N). (6.1.7)

Нетрудно видеть, что для вычисления полного спектра в данном случае потребуется N²/4 операций для вычисления промежуточных спектров плюс еще N операций комплексного умножения и сложения, что создает ощутимый эффект по сравнению с ДПФ.

Но деление массивов на две части может быть применено и к первым промежуточным массивам, и ко вторым, и т.д. до тех пор, пока в массивах не останется по одному отсчету, фурье - преобразование которых равно самому отсчету. Тем самым, алгоритм преобразования превращается в пирамидальный алгоритм перестановок со сложением/вычитанием и с единичным умножением на значение exp(-j2pn/N) соответствующего уровня пирамиды. Первый алгоритм БПФ на данном принципе (из множества модификаций, существующих в настоящее время) был разработан Кули-Тьюки в 1965 г. и позволил повысить скорость вычислений в N/r раз по сравнению с ДПФ. Чем больше N, тем больше эффект БПФ. Так, при N = 1024 имеем r = 10 и соответственно N/r » 100. Что касается условия по количеству точек N = 2^r, то оно рассматривается в варианте N_{k Ј} 2^r, где r - минимальное целое. Массивы с N_k < 2^r дополняется до 2^r нулями, что не изменяет форму спектра. Изменяется только шаг Dw по представлению спектра (Dw = 2p/2^r < 2p/N), который несколько избыточен по адекватному представлению сигнала в частотной области. В настоящее время существуют и алгоритмы БПФ с другими основаниями и их комбинациями, при которых не требуется дополнения сигналов нулями до 2^r.

Заметим, что в соответствии с (6.1.7) отсчеты, сопряженные с правой половиной главного частотного диапазона (0, p ), относятся не к диапазону (-p ,0), а к диапазону (p ,2p ), что, учитывая периодичность спектра дискретных данных, значения не имеет. Т.е. выходной частотный диапазон БПФ равен (0, 2p ). Общее количество отсчетов комплексного спектра в этом условно главном диапазоне равно количеству точек исходного сигнала (с учетом нулевых точек при дополнении сигнала до N=2^r). Алгоритм быстрого обратного преобразования (ОБПФ) тождественен алгоритму прямого БПФ.

При вычислении спектра возможен следующий нежелательный эффект. При разложении участка сигнала в ряд Фурье мы тем самым принимает этот участок за один период Т, который периодически повторяется за пределами участка с фундаментальной частотой 1/Т. При ДПФ, а равно и при БПФ, вычисляется спектр именно такого периодического сигнала. При этом на границах периодов такая функция наверняка будет иметь разрывы или скачки, тем самым существенно искажая спектр. Для устранения этого эффекта применяются так называемые весовые окна, похожие на гауссиан, размер которых равен размеру участка. Анализируемый участок умножается на весовое окно, что плавно сводят сигнал на нет вблизи краев анализируемого участка и в значительной степени устраняют рассмотренные искажения спектра. Методика применения весовых окон подробно рассматривается в курсе цифровой обработки сигналов.

Дискретное преобразование Лапласа (ДПЛ), как и ДПФ, может быть получено из интегрального преобразования дискретизаций аргументов (t_k = kDt, w_n = nDw):

Y(p) =y(t) exp(-pt) dt, Y(p_n) = Dty(t_k) exp(-p_nt_k), (6.2.1)

где p = s+jw - комплексная частота, s і 0.

y(t) = (1/2pj) Y(p) exp(pt) dp. y(t_k) = DtY(p_n) exp(p_nt_k). (6.2.2)

Функцию Y(p) называют изображением Лапласа функции y(t) - оригинала изображения. Нетрудно заметить, что при s = 0 преобразование Лапласа превращается в одностороннее преобразование Фурье, а для каузальных сигналов - в полную аналогию ПФ. Наиболее существенной особенностью преобразования Лапласа является возможность его применения для спектрального анализа функций, не имеющих фурье-образов из-за расходимости интегралов Фурье. Для понимания последнего запишем интеграл Лапласа в развернутой форме:

Y(p) =y(t) exp(-st-jwt) dt =y(t) exp(-st) exp(-jwt) dt =y'(t) exp(-jwt) dt.

Правый интеграл для каузальных сигналов представляет собой преобразование Фурье, при этом сам сигнал y'(t) за счет экспоненциального множителя exp(-st) соответствующим выбором значения s>0 превращается в затухающий, конечный по энергии, что и требуется для существования его фурье-образа. Все свойства и теоремы преобразований Фурье имеют соответствующие аналоги и для преобразований Лапласа.

Определение преобразования. Распространенным способом анализа дискретных цифровых последовательностей является z-преобразование (z-transform). Оно играет для дискретных сигналов и систем такую же роль, как для аналоговых – преобразование Лапласа.

Произвольной непрерывной функции s(t), равномерно дискретизированной и отображенной отсчетами s_k = s(kDt), равно как и непосредственно дискретной функции, можно поставить в соответствие степенной полином по z, последовательными коэффициентами которого являются значения s_k:

где z = s+jv = rЧ exp(-jj) - произвольная комплексная переменная. Полином S(z) называют z-образом или z-изображением функции s(kDt). Преобразование имеет смысл для области тех значений z, в которой ряд S(z) сходится, т.е. сумма ряда представляет собой аналитическую функцию переменной z, не имеющую полюсов и особых точек.

Пример: s_k = {1, 2, 0, -1, -2, -1, 0, 0}.

S(z) = 1z⁰+2z¹+0z²-1z³-2z⁴-1z⁵+0z⁶+0z⁷ = 1+2z-z³-2z⁴-z⁵.

Впервые z-преобразование введено в употребление П.Лапласом в 1779 и повторно "открыто" В.Гуревичем в 1947 году с изменением символики на z^-1. В настоящее время в технической литературе имеют место оба вида символики. На практическое использование преобразования это не влияет, т.к. смена знака только зеркально изменяет нумерацию членов полинома (относительно z⁰), числовое пространство которых в общем случае от -Ґ до +Ґ . В дальнейшем в качестве основной будем использовать символику положительных степеней z, давая пояснения по особенностям отрицательной символики, если таковая имеется.

По заданному или полученному в результате анализа какой-либо системы z-полиному однозначно восстанавливается соответствующая этому полиному функция путем идентификации коэффициентов степеней при z^k с k-отсчетами функции.

Пример: S(z) = 1+3z²+8z³-4z⁶-2z⁷ = 1z⁰+0z¹+3z²+8z³+0z⁴+0z⁵-0z⁶-2z⁷.

s_k = {1, 0, 3, 8, 0, 0, -4, -2}.

Смысл величины z в z-полиноме заключается в том, что она является оператором единичной задержки по координатам функции. Умножение z-образа сигнала s(k) на величину zⁿ означает задержку сигнала на n интервалов: zⁿS(z) Ы s(k-n).

Z-образы с положительными степенями z соответствуют каузальным (физически реализуемым) процессам и системам, которые работают в реальном масштабе времени с текущими и "прошлыми" значениями сигналов. При обработке информации на ЭВМ каузальность сигналов не относится к числу ограничений и возможно использование отрицательных степеней z, соответствующих отсчетам сигналов "вперед". Последнее применяется, например, при синтезе симметричных операторов фильтров, что позволяет производить обработку информации без внесения в сигнал фазовых искажений. При использовании символики z^-1 "прошлым" значениям соответствуют значения с отрицательными степенями z, "будущим – с положительными.

Примеры z-преобразования часто встречающихся на практике дискретных сигналов.

Импульсы Кронекера. В общем случае, в произвольной точке числовой оси:

d(k-n) =1 при k=n, d(k-n) = 0 при k ≠ n.

X_d(z) =d(k-n) z^k = zⁿ.

Для импульса Кронекера в нулевой точке соответственно X_d(z) = z⁰ =1.

Функция Хевисайда (единичный скачок).

x(k) = 0 при k < 0, x(k) = 1 при k і 0.

X(z) =z^k = z^k.

X(z) = 1/(1-z), |z| < 1.

При использовании символики z^-1:

X(z) = 1/(1-z^-1) = z/(z-1), |z| > 1.

Экспоненциальная функция:

x(k) = 0 при k < 0, x(k) = a^k при k і 0.

X(z) =x(k) z^k = a^k z^k = (az)^k.

X(z) = 1/(1-az), |z| > |a|.

Связь с преобразованиями Фурье и Лапласа. Запишем дискретный сигнал s_k в виде суммы весовых импульсов Кронекера:

s_k = s(kDt) =s(nDt) d(kDt-nDt).

S(w ) =s(kDt) exp(-jwkDt).

Выполним замену переменных, z = exp(-jwDt), и получим:

S(w ) =s(kDt)Ч z^k = S(z).

Отсюда следует, что дискретное преобразование Фурье является частным случаем z-преобразования при z = exp(-jwDt). Аналогичной подстановкой z = exp(-p) может осуществляться переход к дискретному преобразованию Лапласа. В общем виде:

S(w) = S(z), z = exp(-jwDt); S(p) = S(z), z = exp(-pDt). (6.3.2)

S(z) = S(w), w = ln z/jDt; S(z) = S(p), p = ln z/Dt. (6.3.3)

При отрицательной символике z связь между представлениями осуществляется соответственно подстановками z^-1 = exp(jwDt) и z^-1 = exp(p).

Свойства z-преобразования. Без углубления в теорию, можно констатировать, что все свойства ДПФ действительны и для z-преобразования. Отметим некоторые из них.

Линейность: Если S(k) = a·x(k)+b·y(k), то S(z) = aX(z)+bY(z). Соответственно, z-преобразование допустимо только для анализа линейных систем и сигналов, удовлетворяющих принципу суперпозиции.

Задержка на n тактов: y(k) = x(k-n).

Y(z) =y(k)Ч z^k =x(k-n)Ч z^k =zⁿx(k-n)Ч z^k-n = zⁿ x(m)Ч z^m = zⁿ X(z).

Соответственно, умножение z-образа сигнала на множитель zⁿ вызывает сдвиг сигнала на n тактов дискретизации.

s(k) _* h(k) Ы S(z)H(z), s(k)·h(k) Ы S(z) _* H(z).

При z = exp(-jwDt) z-преобразование представляет собой особую форму представления дискретных сигналов, при которой на полином S(z) можно ссылаться как на временную функцию (по значениям коэффициентов kDt), так и на функцию частотного спектра сигнала (по значениям аргумента w).

Отображение z-преобразования выполняют на комплексной z-плоскости с Re z и Im z по осям координат (рис. 6.3.1). Спектральной оси частот w на z-плоскости соответствует окружность радиуса:

|z| = |exp(-jwDt)| = = 1.

Подстановка значения какой-либо частоты w в z = exp(-jwDt) отображается точкой на окружности. Частоте w = 0 соответствует точка Re z = 1 и Im z = 0 на правой стороне оси абсцисс. При повышении частоты точка смещается по окружности против часовой стрелки, и занимает крайнее левое положение на частоте Найквиста w_N = p/Dt (Re z = -1, Im z = 0). Отрицательные частоты спектра отображаются аналогично по часовой стрелке на нижней полуокружности. Точки w_N совпадают, а при дальнейшем повышении или понижении частоты значения начинают повторяться в полном соответствии с периодичностью спектра дискретной функции. Проход по полной окружности соответствует одному периоду спектра, а любая гармоника спектра сигнала задается на плоскости двумя точками, симметричными относительно оси абсцисс.

Z-преобразование позволяет производить разложение сигналов и функций, например передаточных функций фильтров, на короткие составляющие операции свертки, для чего достаточно приравнять z-полином к нулю, найти его корни a_i, и переписать полином в виде произведения двучленов:

S(z) = a₀(z-a₁)(z-a₂)...,

где а₀- последний отсчет сигнала (коэффициент при старшей степени z).

Но произведению в z-области соответствует свертка в координатной области, и при обратном преобразовании двучлены (z-a_i) превращаются в двухточечные диполи {-a_i,1}, а сигнал длиной N представляется сверткой (N-1) диполей:

s_k= a₀{-a₁,1}_*{-a₂,1}_*{-a₃,1}_* ...

Пример. s_k = {1.4464, -2.32, 3.37, -3, 1}. S(z) = z⁴-3z³+3.37z²-2.32z+1.4464. a₀ = 1.

Корни полинома S(z): a₁ = 0.8+0.8j, a₂ = 0.8-0.8j, a₃ = 0.7+0.8j, a₄ = 0.7-0.8j,

S(z) = (z-0.8-0.8j)(z-0.8+0.8j)(z-0.7-0.8j)(z-0.7+0.8j).

Корни полинома представлены на z-плоскости на рис. 6.3.1. Корни полинома комплексные и четыре двучлена в координатной области также будут комплексными. Но они являются сопряженными, и для получения вещественных функций следует перемножить сопряженные двучлены и получить биквадратные блоки: S(z) = (z²-1.4z+1.13)(z²-1.6z+1.28).

При переходе в координатную область: s_k = {1.13, -1.4, 1} _* {1.28, -1.6, 1}.

Аналитическая форма z-образов существует для z-преобразований, если возможно свертывание степенного ряда в аналитическое выражение. Выше, в примерах z-преобразования, уже приводилось приведение к аналитической форме z-образов функции Хевисайда и экспоненциальной функции.

Обратное z-преобразование в общем случае производится интегрированием по произвольному замкнутому контуру C, расположенному в области сходимости и окружающему все особые точки (нули и полюсы) z-образа:

s_k = (1/2pj)

S(z) =a_n/(1-b_nz) Ы a_n(b_n)^k = s_k.

Пример. S(z) = 1/(1-5z+6z²) = 3/(1-3z)-3/(1-2z) Ы 3Ч 3^k -3Ч 2^k = s(k).

Уравнение дискретной свертки двух функций (сигналов) может быть получено непосредственно из интегрального уравнения свертки при замене интегрирования суммированием мгновенных значений функций с шагом Dt:

y(kDt) = Dth(nDt) s(kDt-nDt). (6.4.1)

y(k) =h(n) s(k-n) є h_n s_{k-n є} y_k. (6.4.1')

y(k) = h(n) _* s(k-n) є s(k) _* h(n) є s_{k *} h_n.

Техника свертки приведена на рис. 6.4.1. Для вычисления свертки массив одной из функций (s_k- входного сигнала) располагается по ходу возрастания номеров. Массив второй функции (h_n - более короткой, оператор свертки), строится параллельно первому массиву в обратном порядке (по ходу уменьшения номеров, в режиме обратного времени). Для вычисления y_k значение h₀ располагается против s_k, все значения s_k-n перемножаются с расположенными против них значениями h_n и суммируются. Результаты суммирования являются выходным значением функции y_k, после чего оператор h_n сдвигается на один номер k вперед (или функция s_k сдвигается ему навстречу) и вычисление повторяется для номера k+1 и т.д.

В начальный момент свертки при вычислении значений y_k оператор h_n, построенный в режиме обратного времени, "зависает" для значений k-n при n>k против отсутствующих отсчетов входной функции. "Зависание" исключают либо заданием начальных условий - дополнительных отсчетов, чаще всего нулевых или равных первому отсчету входной функции, либо началом свертки с отсчета входной функции k = n с соответствующим сокращением интервала выходной функции. Для операторов со значениями -n (вперед по времени) такой же момент может наступать и в конце входного массива.

Пример. Уравнение свертки: y_k =b_n x_k-n = b_o x_k + b₁ x_k-1 + b₂ x_k-2. Значения оператора bn:

b_o = 5, b₁ = 3, b₂ = 2. Входной сигнал: x_k = {0,1,0,0,0}, начальные условия: x_-n = 0.

s(k) Ы S(w), h(n) Ы H(w), Y(w) = S(w)Ч H(w), Y(w) Ы y(k).

С появлением алгоритмов БПФ, позволяющих быстро вычислять преобразования Фурье, вычисление свертки через частотную область стало широко использоваться. При значительных размерах сигналов и длины ядра свертки такой подход позволяет в сотни раз

сократить время вычисления свертки.

Выполнение произведения спектров может производиться только при одинаковой их длине, и оператор h(n) перед ДПФ необходимо дополнять нулями до размера функции s(k).

Второй фактор, который следует принимать во внимание, это цикличность свертки при ее выполнении в спектральной области, обусловленная периодизацией дискретных функций. Перемножаемые спектры являются спектрами периодических функций, и результат на концевых интервалах может не совпадать с дискретной линейной сверткой, где условия продления интервалов (начальные условия) задаются, а не повторяют главный период.

На рис. 6.4.3 приведены результаты свертки сигнала s_k, заданного на интервале k=(0-50), с функцией h_n = aЧ exp(-aЧ n), a = 0.1. Свертка, выполненная через ДПФ, в левой части интервала резко отличается от линейной свертки. Характер искажения становится понятным, если дополнить главный интервал с левой стороны его периодическим продолжением (на рисунке показана часть левого бокового периода, свертка с которым заходит в главный период). Для операторов h_n со значениями n, вперед по положению, аналогичные искажения появятся и в правой части главного периода. Для устранения таких искажений сигнальная функция должна продлеваться нулями на размер оператора h(n), что исключит наложение боковых периодов главной трассы функции. Следовательно, перед переводом функций s(k) и h(n) в спектральную область их размер должен продлеваться нулями до длины K+N при односторонних операторах h(n), или до длины K+2N при двусторонних операторах h(n).

При выполнении свертки через БПФ ощутимое повышение скорости вычислений появляется только при большой длине функций и операторов (например, M>1000, N>100). Следует также обращать внимание на разрядность результатов, т.к. перемножение чисел дает увеличение разрядности в 2 раза. При ограниченной разрядности числового представления с соответствующим округлением это может приводить к погрешностям суммирования.

В системах оперативной обработки данных часто возникает потребность вычислить свертку очень сигнала, поступающего на вход системы последовательными порциями (например, при получении данных от датчиков скважинных приборов). В таких случаях применяется так называемая секционная свертка. Суть ее состоит в том, что каждая из этих частей сворачивается с ядром отдельно, а затем полученные части объединяются. Для объединения достаточно размещать их друг за другом с наложением (перекрытием) в N-1 точку (N – длина ядра свертки), и производить суммирование в местах перекрытия.

Литература по дискретным преобразованиям сигналов

1. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. – М.: Мир, 1989. – 540 с.
2. Гольденберг Л.М. и др. Цифровая обработка сигналов: Учебное пособие для вузов. - М.: Радио и связь, 1990.- 256 с.
3. Канасевич Э.Р. Анализ временных последовательностей в геофизике. - М.: Недра, 1985.- 300 с.
4. Никитин А.А. Теоретические основы обработки геофизической информации: Учебник для вузов. - М.: Недра, 1986.- 342 с.
5. Оппенгейм А.В., Шафер Р.В. Цифровая обработка сигналов. – М.: Связь, 1979. – 416 с.
6. Рапопорт М.Б. Вычислительная техника в полевой геофизике: Учебник для вузов. - М.: Недра, 1993.- 350 с.

Copyright ©2006 Davydov А.V.

к оглавлению

Знаете ли Вы, что релятивизм (СТО и ОТО) не является истинной наукой? - Истинная наука обязательно опирается на причинность и законы природы, данные нам в физических явлениях (фактах). В отличие от этого СТО и ОТО построены на аксиоматических постулатах, то есть принципиально недоказуемых догматах, в которые обязаны верить последователи этих учений. То есть релятивизм есть форма религии, культа, раздуваемого политической машиной мифического авторитета Эйнштейна и верных его последователей, возводимых в ранг святых от релятивистской физики. Подробнее читайте в FAQ по эфирной физике.

НОВОСТИ ФОРУМА Рыцари теории эфира

10.11.2021 - 12:37: ПЕРСОНАЛИИ - Personalias -> WHO IS WHO - КТО ЕСТЬ КТО - Карим_Хайдаров. 10.11.2021 - 12:36: СОВЕСТЬ - Conscience -> РАСЧЕЛОВЕЧИВАНИЕ ЧЕЛОВЕКА. КОМУ ЭТО НАДО? - Карим_Хайдаров. 10.11.2021 - 12:36: ВОСПИТАНИЕ, ПРОСВЕЩЕНИЕ, ОБРАЗОВАНИЕ - Upbringing, Inlightening, Education -> Просвещение от д.м.н. Александра Алексеевича Редько - Карим_Хайдаров. 10.11.2021 - 12:35: ЭКОЛОГИЯ - Ecology -> Биологическая безопасность населения - Карим_Хайдаров. 10.11.2021 - 12:34: ВОЙНА, ПОЛИТИКА И НАУКА - War, Politics and Science -> Проблема государственного терроризма - Карим_Хайдаров. 10.11.2021 - 12:34: ВОЙНА, ПОЛИТИКА И НАУКА - War, Politics and Science -> ПРАВОСУДИЯ.НЕТ - Карим_Хайдаров. 10.11.2021 - 12:34: ВОСПИТАНИЕ, ПРОСВЕЩЕНИЕ, ОБРАЗОВАНИЕ - Upbringing, Inlightening, Education -> Просвещение от Вадима Глогера, США - Карим_Хайдаров. 10.11.2021 - 09:18: НОВЫЕ ТЕХНОЛОГИИ - New Technologies -> Волновая генетика Петра Гаряева, 5G-контроль и управление - Карим_Хайдаров. 10.11.2021 - 09:18: ЭКОЛОГИЯ - Ecology -> ЭКОЛОГИЯ ДЛЯ ВСЕХ - Карим_Хайдаров. 10.11.2021 - 09:16: ЭКОЛОГИЯ - Ecology -> ПРОБЛЕМЫ МЕДИЦИНЫ - Карим_Хайдаров. 10.11.2021 - 09:15: ВОСПИТАНИЕ, ПРОСВЕЩЕНИЕ, ОБРАЗОВАНИЕ - Upbringing, Inlightening, Education -> Просвещение от Екатерины Коваленко - Карим_Хайдаров. 10.11.2021 - 09:13: ВОСПИТАНИЕ, ПРОСВЕЩЕНИЕ, ОБРАЗОВАНИЕ - Upbringing, Inlightening, Education -> Просвещение от Вильгельма Варкентина - Карим_Хайдаров.