Результат интеллектуальной деятельности: СПОСОБ И УСТРОЙСТВО ДЛЯ СЖАТИЯ ДАННЫХ, ПРЕДСТАВЛЯЮЩИХ ЗАВИСЯЩИЙ ОТ ВРЕМЕНИ СИГНАЛ

Настоящее изобретение относится к способу и устройству обработки сигналов для сжатия данных, представляющих зависящий от времени сигнал.

Сжатие данных играет центральную роль в управлении колоссальным объемом данных. Например, многие современные инженерные, научные, и относящиеся к статистике виды деятельности требуют сбора больших объемов электронных данных для обработки и хранения информации. Например, электронные данные могут быть представлением изменяющегося со временем сигнала. Управление данными является в высшей степени востребованной задачей, при этом управление также может содержать хранение и передачу данных. Эффективное управление данными достижимо с помощью интеллектуальных способов сжатия данных, вследствие чего пространство хранения, требуемое для хранения информации, присутствующей в данных, и/или ширина полосы передачи, требуемая для передачи данных, в значительной степени уменьшаются.

В текущее время, когда собираются колоссальные объемы данных, например, в случае непрерывного потока данных, представляющих изменяющийся со временем сигнал, собираемый в течение выполнения непрерывного наблюдения, выполняемого над машиной, т.е. наблюдения вибраций машины в течение ее работы, вычисление и хранение преобразования Фурье, т.е. спектральных данных изменяющегося со временем сигнала, особенно в их полноте, делает необходимым огромный объем пространства хранения.

Нормальные способы сжатия спектральных данных включают в себя либо использование универсальных инструментов сжатия без потерь (ZIP), либо использование оптимизированного в отношении памяти кодирования. Однако отношения сжатия (отношение пространства хранения/ресурсов, требуемых, чтобы хранить сжатые данные, к пространству хранения/ресурсам, требуемым, чтобы хранить фактические данные) для вышеупомянутых способов являются заметно низкими и являются неэффективными способами сжатия данных. Таким образом, пространство хранения и ширина полосы передачи данных, по существу, не уменьшаются.

Целью настоящего изобретения является обеспечить эффективные способ и устройство обработки сигналов для сжатия данных, представляющих зависящий от времени сигнал.

Вышеупомянутая цель достигается посредством способа для сжатия данных согласно пункту 1 формулы изобретения и устройства обработки сигналов согласно пункту 13 формулы изобретения.

Лежащей в основе целью изобретения является сжатие данных D(nT), представляющих зависящий от времени сигнал A(t). Зависящий от времени сигнал A(t) содержит множество зависящих от времени частичных сигналов A_i(t). Способ сжатия начинается с этапа, на котором принимается множество спектров S_i(f). Каждый спектр S_i(f) однозначно соответствует одному из зависящих от времени частичных сигналов A_i(t) и каждый спектр S_i(f) содержит множество частот f_j и множество амплитуд a_j,i множества частот f_j. Амплитуды a_j,i однозначно назначаются f_j и являются мерами вкладов f_j в A_i(t). На последующем этапе, для каждого спектра S_i(f) множество амплитуд a_j,i нормализуются для получения множества нормализованных амплитуд b_j,i. На последующем этапе, для каждой частоты f_j, нормализованные амплитуды b_j,i обрабатываются на основе распределения нормализованных амплитуд b_j,i по отношению к пороговому значению (T_v), и один или более соответствующих параметров модели (MP_j) определяются для представления распределения нормализованных амплитуд b_j,i. На последующем этапе, генерируется набор сжатых данных (CDS). CDS содержит, по меньшей мере, упомянутые один или более параметров модели и частоту f_j. Поэтому CDS обеспечивает возможность сжимать огромные объемы данных.

Согласно одному варианту осуществления настоящего изобретения, для каждого частичного сигнала A_i(t), генерируется временная метка t_i. Временная метка t_i представляет момент времени, в который частичный сигнал A_i(t) был получен. Временные метки t_i являются предпочтительными для идентификации последовательности появления A_i(t), для индексирования по спектрам множества амплитуд a_j,i и множества нормализованных амплитуд b_j,i, и для обработки множества нормализованных амплитуд b_j,i для получения CDS.

Согласно другому варианту осуществления настоящего изобретения, для каждой частоты f_j, если каждая нормализованная амплитуда b_j,i меньше, чем пороговое значение (T_v), то MP_j, определенный из этапа обработки, будет содержать среднее значение (AV) нормализованных амплитуд b_j,i для f_j. Дополнительно, CDS дополнительно содержит первую временную метку t₁. Хотя вклад f_j в D(nT) меньше, чем требуемое значение (т.е. пороговое значение), т.е. f_j не является значимой частотой. Однако вклад f_j может моделироваться и сохраняться посредством сохранения среднего значения f_j в D(nT) для получения достоверного представления D(nT) посредством CDS.

Согласно еще другому варианту осуществления настоящего изобретения, для каждой частоты f_j, если каждая нормализованная амплитуда b_j,i больше, чем пороговое значение (T_v), и если разность между экстремальными значениями нормализованных амплитуд b_j,i меньше, чем пороговое значение (T_v), то MP_j, определенный из этапа обработки, будет содержать среднее значение (AV) нормализованных амплитуд b_j,i для f_j. Дополнительно, CDS дополнительно содержит первую временную метку t₁. Вклад f_j в D(nT) является более большим, чем требуемое значение (т.е. пороговое значение), тем самым делая f_j значимой частотой. Вклад f_j может моделироваться и поддерживаться посредством сохранения среднего значения f_j в D(nT) для получения достоверного представления D(nT) посредством CDS.

Согласно еще другому варианту осуществления настоящего изобретения, для каждой частоты f_j, если, по меньшей мере, одна из нормализованных амплитуд b_j,i не меньше, чем пороговое значение (T_v), и если разность между экстремальными значениями нормализованных амплитуд b_j,i не меньше, чем пороговое значение (T_v), то на этапе обработки выполняется алгоритм аппроксимации для моделирования распределения нормализованных амплитуд b_j,i частоты f_j. Таким образом, MP_j, определенный из этапа обработки, будет содержать один или более параметров модели алгоритма аппроксимации. Посредством этого, алгоритм аппроксимации упрощает моделирование усложненных распределений. Согласно варианту вышеупомянутого варианта осуществления, CDS также содержит соответствующие временные метки t_k.

Согласно варианту вышеупомянутого варианта осуществления, алгоритм аппроксимации является полиномиальной подгонкой, которая является простым способом моделирования распределения.

Согласно другому варианту вышеупомянутого варианта осуществления, алгоритм аппроксимации является ступенчатой функцией, которая увеличивает скорость моделирования нелинейного распределения.

Согласно предпочтительному варианту вышеупомянутого варианта осуществления, алгоритм аппроксимации является итеративным алгоритмом подгонки на основе конечных точек, например, алгоритмом Рамера - Дугласа - Пекера. Таким образом, получается меньший набор точек для определения распределения, содержащего большой набор точек. Таким образом, достигаются очень высокие отношения сжатия и точность сжатия.

Согласно еще другому варианту осуществления настоящего изобретения, CDS содержит для каждого спектра S_i(f), сумму SF_i множества амплитуд a_j,i. Это является предпочтительным, так как это помогает в восстановлении a_j,i, так как обработка выполняется над нормализованными амплитудами.

Согласно еще другому варианту осуществления настоящего изобретения, пороговое значение является пропорциональным обратному количественного числа (NoP) множества частот f_j и также коэффициенту допустимого отклонения (T_f). Это обеспечивает переменную порога, и помогает в оказании влияния на распределение нормализованных амплитуд b_j,i.

Согласно еще другому варианту осуществления настоящего изобретения, способ дополнительно содержит этап, следующий за этапом обработки, на котором строятся восстановленные данные D'(nT) посредством обработки CDS. На последующем этапе, определяется коэффициент корреляции (CC) между данными D(nT) и восстановленными данными D'(nT). Порог изменяется в ответ на CC, и вышеупомянутые этапы повторяются до тех пор, когда получается удовлетворительный CC. Посредством этого, точность CDS улучшается.

Здесь раскрывается устройство обработки сигналов, сконфигурированное с возможностью сжимать данные D(nT) согласно любому из вышеупомянутых вариантов осуществления. Устройство обработки сигналов содержит модуль приема спектральных данных, модуль нормализации амплитуд, модуль сравнения, модуль параметров и блок памяти. Модуль приема спектральных данных принимает множество спектров S_i(f). Модуль нормализации амплитуд нормализует множество амплитуд a_j,i для каждой из множества частот f_j каждого из множества спектров S_i(f). Таким образом, получается множество нормализованных амплитуд b_j,i. Модуль сравнения сравнивает каждую из множества нормализованных амплитуд b_j,i с пороговым значением (T_v). Модуль параметров обрабатывает нормализованные амплитуды b_j,i частоты f_j на основе распределения нормализованных амплитуд b_j,i по отношению к пороговому значению (T_v). Таким образом, определяются упомянутые один или более соответствующих параметров (MP_j) для представления распределения нормализованных амплитуд b_j,i. Блок памяти сохраняет набор сжатых данных (CDS).

Согласно одному варианту осуществления настоящего изобретения, устройство обработки сигналов дополнительно содержит модуль корреляции. Модуль корреляции определяет коэффициент корреляции (CC) между данными D(nT) и восстановленными данными D'(nT). Посредством этого, точность CDS для представления данных D(nT) улучшается.

Согласно одному варианту осуществления настоящего изобретения, устройство обработки сигналов дополнительно содержит модуль спектра. Модуль спектра принимает каждый из зависящих от времени частичных сигналов A_i(t) и вычисляет соответствующий спектр S_i(f). Модуль спектра может быть интегрированным с вышеупомянутыми модулями в каскаде. Посредством этого, гибкость в применении устройства обработки сигналов улучшается, так как спектры S_i(f) легко вычисляются и являются доступными для сжатия данных D(nT).

Вышеупомянутые и другие варианты осуществления изобретения, относящиеся к способу и устройству обработки сигналов для сжатия данных, представляющих зависящий от времени сигнал, будут теперь описываться со ссылкой на сопровождающие чертежи настоящего изобретения. Проиллюстрированные чертежи и варианты осуществления предназначены, чтобы иллюстрировать, но не ограничивать изобретение. Сопровождающие чертежи содержат следующие фигуры, на которых сходные ссылочные позиции указывают на сходные части, всюду в описании и чертежах.

Фигуры схематическим образом иллюстрируют дополнительные примеры вариантов осуществления изобретения, на которых:

Фиг. 1 изображает систему наблюдения состояния, содержащую модуль получения данных и устройство обработки сигналов, сжимающее данные, представляющие зависящий от времени сигнал,

Фиг. 2 изображает различные модули устройства обработки сигналов, показанного на фиг. 1, при этом покомпонентные изображения множества спектров, матрица амплитуд, и матрица нормализованных амплитуд схематически иллюстрируют операции модуля спектра, модуля приема спектральных данных, модуля нормализации амплитуд соответственно,

Фиг. 3 изображает иллюстративную матрицу амплитуд, и иллюстративную матрицу нормализованных амплитуд, упомянутые на фиг. 2, и

Фиг. 4 изображает иллюстративный способ построения набора сжатых данных для восстановления данных для сжатия данных, представляющих зависящий от времени сигнал, упомянутый на Фиг. 1, и

Фиг. 5 изображает блок-схему последовательности операций способа для сжатия данных, представляющего сжатие данных, представляющих зависящий от времени сигнал.

Система 10 наблюдения состояния, соединенная с мотором 20, для наблюдения степени исправности мотора 20 изображена на Фиг. 1.

Система 10 наблюдения состояния содержит модуль 30 получения данных (в дальнейшем упоминаемый как "DAQ 30") и устройство 40 обработки сигналов в соответствии с одним вариантом осуществления изобретения. DAQ 30 получает зависящий от времени сигнал A(t) 45, который является непрерывным сигналом (характеризующимся независимой переменной времени "t"), который имеет отношение к вибрациям мотора 20. DAQ 30 обеспечивает данные D(nT) 65 в устройство 40 обработки сигналов. D(nT) 65 являются представлением дискретного времени (характеризующимся независимой переменной "nT") сигнала A(t) 45, которое впоследствии обрабатывается для сжатия D(nT) 65 для достижения цели настоящего изобретения.

DAQ 30 содержит датчик 31, модуль 32 обработки сигналов, и аналогово-цифровой преобразователь ADC 33 (ADC). Датчик 31 получает A(t) 45 и обеспечивает его в модуль 32 обработки сигналов. Модуль 32 обработки сигналов обрабатывает A(t) 45 и обеспечивает A'(t) в ADC 33. ADC 33 оцифровывает A'(t), тем самым создавая D(nT) 65, которые обеспечиваются в устройство 40 обработки сигналов, которое эффективно представляет A(t).

A(t) 45 может непрерывно получаться посредством DAQ 30 и может толковаться как содержащий множество зависящих от времени частичных сигналов A_i(t) (с i=1, 2, …, NoS) 46-50. A_i(t) 46-50 может толковаться как A(t) 45, полученный в течение множества индивидуальных временных интервалов Δt_i (с i=1, 2, …, NoS) 51-55, соответственно, или как A(t) 45, подвергнутый оконной обработке временной области, при этом интервалы окон соответствуют Δt_i 51-55. Альтернативно, DAQ 30 может получать A(t) 45 в течение Δt_i 51-55 посредством оконной обработки временной области, при этом A(t) 45 может толковаться как последовательный сбор A_i(t) 46-50.

Продолжительности Δt_i 51-55 могут определяться пользователем или могут быть фиксированными или переменными в зависимости от типа A(t) 45, требований обработки сигналов, характеристик DAQ 30 и/или устройства 40 обработки сигналов, и так далее. Продолжительности могут быть микросекундами, миллисекундами, или в секундах. Δt_i 51-55 являются, в общем, смежными. Однако Δt_i 51-55 могут быть перекрывающимися или разделенными некоторыми промежутками времени, и так далее.

Здесь, признак "частичные сигналы" определяется как часть A(t) 45, полученная посредством DAQ в течение соответствующего Δt_i 51-55.

Здесь "NoS" является безразмерной сущностью и указывает на количественное число сигналов A_i(t) 46-50, полученных в течение Δt_i 51-55, которые в полноте обеспечивают формирование A(t) 45. Т.е. NoS представляет количество частичных сигналов A_i(t).

Множество временных меток t_i (с i=1, 2, …, NoS) 56-60 определяются из A(t), при этом каждая временная метка t_i 56-60 представляет время начала соответствующего частичного сигнала A_i(t) 46-50, полученного в течение временного интервала Δt_i 51-55. Например, временная метка t₁ 56 обозначает время начала частичного сигнала A₁(t) 46.

Данные D(nT) 65 являются представлением дискретного времени сигнала A(t) 45. Таким образом, A_i(t) 46-50 дает результатом множество частичных сигналов дискретного времени D_i(nT) (с i=1, 2, …, NoS; n=1, 2, …, NoP) 66-70 соответственно, при этом D_i(nT) 66-70 соответствуют D(nT) 65, присутствующему в Δt_i 51-55. D_i(nT) 66-70 также может получаться посредством оконной обработки области дискретного времени сигнала A(t) 45. Поэтому D(nT) 65 содержит представления дискретного времени множества частичных сигналов A_i(t) 51-55, т.е. D_i(nT) 66-70. Дополнительно, D(nT) 65 также может быть цифровым представлением эквивалента дискретного времени сигнала A(t).

Здесь, "NoP" является безразмерной сущностью и указывает на количественное число выборок, содержащихся в каждом частичном сигнале дискретного времени D_i(nT) 66-70. "NoP" также равно количественному числу частот, определимых из NoP-точечного дискретного преобразования Фурье (DFT), выполненного над D_i(nT) 66-70. Значимость признака "NoP" будет объяснена в последующих разделах.

"NoP" для D_i(nT) 66-70 может изменяться посредством изменения частоты дискретизации в ADC 33, т.е. посредством субдискретизации или передискретизации. "NoP" также может модифицироваться посредством дополнения нулями, или в другом альтернативном аспекте, может изменяться продолжительность Δt_i 51-55, чтобы оказывать влияние на изменение "NoP". Изменение "NoP" соответственно изменяет количественное число частот, определимых из NoP-точечного DFT.

Здесь, временные метки t_i 56-60 также представляют время начала для D_i(nT) 66-70 соответственно. Поэтому временные метки t_i 56-60 содержат информацию относительно времени получения D_i(nT) 66-70, т.е. времени начала Δt_i 51-55, и являются предпочтительными для сжатия D(nT) 65, также как для восстановления D(nT) 65. В альтернативном аспекте, t_i 56-60 могут быть любыми моментами времени соответствующих Δt_i 51-55, из которых вычисляется информация относительно времени получения сигнала A_i(nT) 66-70. Другими словами, временные метки t_i 56-60 представляют момент времени, в который соответствующий частичный сигнал A_i(t) и D_i(nT), соответственно, были получены.

Устройство 40 обработки сигналов, содержащее процессор 90 и блок 100 памяти для сжатия D(nT) 65, изображено на Фиг. 2. На Фиг. 2 иллюстративно изображено NoP=6 и NoS=5.

Процессор 90 содержит модуль 105 спектра, модуль 130 приема спектральных данных, модуль 140 нормализации амплитуд, модуль 150 сравнения, модуль 160 параметров, и модуль 170 корреляции. Вышеупомянутые модули 105, 130, 140, 150, 160, 170 сконфигурированы с возможностью сжимать данные D(nT).

Модуль 105 спектра принимает D_i(nT) 66-70 и вычисляет множество спектров S_i(f) (с i=1, 2, …, NoS) 106-110.

Модуль 105 вычисляет S_i(f) 106-110, которые могут быть множеством NoP-точечных (дискретных преобразований Фурье) DFT. S_i(f) 106-110 содержит множество частот f_j (с j=1, 2 …, NoP) 111-116 и множество амплитуд a_j,i (с j=1, 2 …, NoP; с i=1, 2 …, NoS) 121-126 частот f_j 111-116. Здесь, вычисленные амплитуды a_j,i 121-126 однозначно назначаются f_j 111-116 и являются мерами вкладов f_j 111-116 в A_i(t) 46-50. Это назначение амплитуд a_j,i 121-126 и частот f_j 111-116 находится в соответствии с хорошо известным определением спектра зависящего от времени сигнала, т.е. амплитуды являются мерами вклада назначенной частоты в лежащий в основе зависящий от времени сигнал.

Схематическая работа модуля 105 изображена как покомпонентное изображение "105". Здесь, для каждого из S_i(f) 106-110, горизонтальная ось "f" представляет "частоту" (f_j 111-116), и вертикальная ось "A" представляет "амплитуду", то есть амплитуды (a_j,i 121-126) частоты f_j 111-116 лежащего в основе зависящего от времени сигнала.

Здесь объясняется иллюстративный способ для реализации работы модуля 105. Например, D_i(nT) 66-70 принимаются устройством 40 обработки сигналов и они буферизуются как блоки данных конкретной длины в блоке 100 памяти. Каждый блок данных соответствует каждому из D_i(nT) 66-70, полученному в течение каждого из Δt_i 51-55. Каждый блок данных обеспечивается временной меткой с помощью соответствующего t_i 56-60 для идентификации времени начала D_i(nT) 66-70. Блоки, соответствующие D_i(nT) 66-70, затем извлекаются и обрабатываются для вычисления S_i(f) 106-110.

Здесь, a_j,i 121-126 и f_j 111-116 спектра S_i(f) 106-110 могут быть отображены как двухмерная матрица 128 амплитуд, расположенная в строках и столбцах, например, с NoP строками (представляющими NoP частот f_j 111-116) и NoS столбцами (представляющими NoS сигналов D_i(nT) 66-70).

Каждый из S_i(f) 106-110 вычисляется из соответствующего D_i(nT) 66-70. Поэтому "NoS" также обозначает "количество спектров".

Модуль 130 приема спектральных данных принимает спектры S_i(f) 106-110 от модуля 105 спектра. Модуль 130 затем размещает вектор из a_j,i 121-126 и вектор из f_j 111-116, присутствующих в S_i(f) 106-110. Таким образом, вектор a_j,i 121-126 назначается соответствующей временной метке t_i 56-60.

В матрице 128 амплитуд, каждому столбцу "i" из NoS столбцов назначена соответствующая временная метка t_i 56-60, которая соответствует соответствующему D_i(nT) 66-70. Аналогично, каждой строке "j" из NoP строк назначена соответствующая частота f_j 111-116. Например, первому столбцу назначена временная метка t₁ 56 и он содержит все амплитуды a_j,i 121-126 частот f_j 111-116, вычисленные из S₁(f) 106. Аналогично, первой строке назначена f₁ 111 и она содержит амплитуды a_j,i 121-126 частоты f₁ 111, вычисленные из количества NoS спектров S_i(f) 106-110.

Покомпонентное изображение "130" иллюстрирует пример матрицы 128 амплитуд для пяти спектров S_i(f) 106-110 (NoS=5) и шести частот f_j 111-116 (NoP=6). Например, значения a_1,1 121 по a_6,1 126 в столбце представляют значения шести частот f₁ 111 по f₆ 116, определенные из S₁(f) 106, вычисленного для D₁(nT) 66, несущего временную метку t₁ 56. Значения a_3,1 123 по a_3,5 123 в строке представляют значения третьей частоты "f₃ 113", определенные из S₁(f) 106 по S₅(f) 110, вычисленных соответственно для D₁(nT) 66 по D₅(nT) 70, несущих соответствующие временные метки t₁ 56 по t₅ 60.

Дополнительно, для каждого из S_i(f) 106-110 модуль 130 вычисляет алгебраическую сумму SF_i (с i=1 по NoS) 135 амплитуд a_j,i 121-126 частот f_j 111-116.

Например,

, , и так далее.

Таким образом, SF_i 135 также является вектором длины "NoS". Дополнительно, каждая из SF_i 135 может однозначно соответствовать каждой из NoS временных меток t_i 56-60. Например, SF₁ соответствует t₁, SF₃ соответствует t₃, и так далее.

Модуль 140 нормализации амплитуд принимает матрицу 128 амплитуд от модуля 130 приема спектральных данных. Для каждого из S_i(f) 106-110, амплитуды a_j,i 121-126 нормализуются посредством модуля 140. Таким образом, получается множество нормализованных амплитуд b_j,i (с j=1, 2 …, NoP; с i=1, 2 …, NoS) 141-146. Каждая из b_j,i 141-146 вычисляется в соответствии со следующей формулой:

Т.е.

Например,

, , и так далее.

Здесь, b_j,i 141-146 также располагаются в матрице 148 нормализованных амплитуд по отношению к S_i(f) 106-110, несущим временные метки t_i 56-60, соответственно. Матрица 148 нормализованных амплитуд снова содержит NoP строк и NoS столбцов. Схематическая работа модуля 140 изображена как покомпонентное изображение "140".

В вышеупомянутом контексте, признак "нормализация" определяется как, для каждого S_i(f) 106-110, обработка деления индивидуальных амплитуд a_j,i 121-126 частоты f_j 111-116 на алгебраическую сумму амплитуд a_j,i 121-126. Поэтому посредством нормализации, могут измеряться относительные вклады или процентные вклады каждой из f_j 111-116, присутствующей в каждом из A_i(t) 46-50. Таким образом, вклад некоторой частоты f_j 111-116 может оцениваться и может измеряться для определения того, как эта конкретная частота f_j 111-116 может представляться для сжатия D(nT) 65, что будет объяснено далее.

NoP строк и NoS столбцов матрицы 128 амплитуд и матрицы 148 нормализованных амплитуд всего лишь иллюстрируют и представляют способ, в котором принятые a_j,i 121-126 частот f_j 111-116 каждого из S_i(f) 106-110 и соответствующие b_j,i 141-146 могут размещаться для обработки информации гибким способом. Эти NoP строк и NoS столбцов могут транспонироваться и информация там может представляться и обрабатываться соответственно без потери общности.

Вышеупомянутый пример (NoP=6 и NoS=5) является всего лишь иллюстративным, и не должен толковаться как ограничивающий изобретение. NoP и NoS могут быть любыми двумя положительными целыми числами и величины NoP и NoS могут быть огромными. Например, для 256-точечного FFT, вычисленного для 300 спектров, "NoP" равняется 256, и "NoS" равняется 300.

Здесь, количественное число частот f_j 111-116, т.е. NoP, определимое из S_i(f) 106-110, равняется количественному числу выборок, т.е. снова NoP, присутствующих в каждом из D_i(nT) 66-70. Например, количественное число равняется "16" для 16-точечного DFT, "32" для 32-точечного DFT, и так далее. Однако для вычисления S_i(f) 106-110 из D_i(nT) 66-70 эффективным способом, т.е. для настройки количества частот f_j 111-116, определимых из каждого из S_i(f) 106-110, D_i(nT) 66-70 могут дискретизироваться с повышением, дискретизироваться с понижением, дополняться нулями, и так далее, как упомянуто выше без потери общности для D_i(nT) 66-70.

Здесь, каждый S_i(f) 106-110 содержит один и тот же вектор частот f_j 111-116, т.е. другой S_i(f) 106-110 может отличаться только в векторе амплитуд a_j,i 121-126, вычисленных для другого D_i(nT) 66-70. Здесь, каждая частота f_j 111-116 содержит один и тот же вектор временных меток t_i 56-60.

Модуль 150 сравнения принимает матрицу 148 нормализованных амплитуд. Для каждого спектра S_i(f) 106-110, модуль 150 сравнивает нормализованные амплитуды b_j,i 141-146 с пороговым значением T_v.

T_v пропорционален обратному "NoP", т.е. количественному числу (NoP) частот f_j 111-116. Здесь, отношение между T_v и NoP может быть показано следующим образом:

Посредством сравнения каждой нормализованной амплитуды b_j,i 141-146 каждого спектра S_i(f) 106-110 с пороговым значением T_v, модуль 150 сравнения генерирует распределение нормализованных амплитуд b_j,i 141-146 частоты f_j по отношению к T_v.

После этого, посредством обработки матрицы 148 нормализованных амплитуд, содержащей b_j,i 141-146, и распределения b_j,i 141-146 по отношению к T_v в модуле 160 параметров, является возможным моделировать распределение b_j,i 141-146 по S_i(f) 106-110.

Модуль 160 параметров принимает матрицу 148 нормализованных амплитуд, содержащую b_j,i 141-146, и распределение b_j,i 141-146 для каждой частоты f_j 111-116 по отношению к T_v.

Для каждой частоты f_j 111-116, нормализованная амплитуда b_j,i 141-146 и распределение b_j,i 141-146 по отношению к T_v, соответственно, обрабатываются, чтобы получать один или более параметров модели (MP_j) (с j=1 по NoP). Параметры модели MP_j являются подходящими для моделирования распределения нормализованных амплитуд b_j,i 141-146. Например, b_1,1 по b_1,6 141 обрабатываются для получения MP₁ для моделирования f₁ 111, и b_4,1 по b_4,6 144 обрабатываются для получения MP₄ для моделирования f₄ 114, и так далее.

Для каждой из f_j 111-116, MP_j зависит от тенденции распределения b_j,i 141-146 частоты f_j 111-116 по отношению к T_v. MP_j вычисляется посредством моделирования частот f_j 111-116 на основе разных тенденций распределения соответствующих b_j,i 141-146.

Для этого, выделяются три разных случая:

Случай 1) В случае, когда тенденция распределения соответствующих b_j,i 141-146 конкретной частоты f_j 111-116 является такой, что каждая из b_j,i 141-146 меньше, чем T_v, MP_j для представления нормализованных амплитуд b_j,i этой конкретной частоты f_j 111-116 является средним значением (AV) нормализованных амплитуд b_j,i 141-146 конкретной частоты f_j 111-116 спектров S_i(f). Среднее значение (AV) для этой конкретной частоты f_j 111-116 вычисляется посредством обработки нормализованных амплитуд b_j,i этой конкретной частоты f_j 111-116 по S_i(f) 106-110, как показано ниже:

Например, если для f₁ 111, если все из b_1,1 по b_1,5 141 меньше, чем T_v, то AV для f₁ 111 вычисляется, как показано ниже:

Случай 2) В случае, когда тенденция распределения нормализованных амплитуд b_j,i 141-146 частоты f_j 111-116 является такой, что разность между экстремальными значениями (т.е. разность Δ между максимальным значением и минимальным значением для b_j,i) нормализованных амплитуд b_j,i этой конкретной частоты f_j 111-116 меньше, чем T_v, то MP_j для представления нормализованных амплитуд b_j,i 141-146 этой конкретной частоты f_j 111-116 является опять таки средним значением (AV) нормализованных амплитуд b_j,i 141-146 конкретной частоты f_j 111-116, как вычислено выше.

Например, если для f₅ 115, если b_5,4 является максимальным значением и b_5,5 является минимальным значением , и если разность Δ между b_5,4 и b_5,5 меньше, чем T_v, то AV для f₅ 115 вычисляется, как показано ниже:

Случай 3) В оставшихся случаях, если тенденция распределения b_j,i 141-146 конкретной частоты f_j 111-116 отличается от тенденций вышеупомянутых распределений в случаях 1) и 2), распределение нормализованных амплитуд b_j,i 141-146 моделируется и представляется посредством алгоритма аппроксимации. Здесь, MP_j этой конкретной частоты f_j 111-116 являются результирующими параметрами модели алгоритма аппроксимации. Алгоритм аппроксимации может быть одним из следующих:

линейная подгонка, в которой результирующий MP_j, определяющий линейное уравнение для моделирования b_j,i 141-146, содержит значение наклона, и значение пересечения оси;

квадратичная подгонка, в которой результирующие MP_j, определяющие квадратичное уравнение для моделирования b_j,i 141-146, являются одним или более коэффициентами, представляющими переменную квадратичного уравнения;

кубическая подгонка, в которой результирующие MP_j, определяющие кубическое уравнение для моделирования b_j,i 141-146, являются одним или более коэффициентами, представляющими переменную кубического уравнения;

полиномиальная подгонка n-ого порядка, в которой результирующие MP_j, определяющие полиномиальное уравнение n-ого порядка для моделирования b_j,i 141-146, являются одним или более коэффициентами, представляющими переменную полиномиального уравнения n-ого порядка;

ступенчатая функция, где результирующий MP_j, определяющий ступенчатую функцию для моделирования b_j,i 141-146, является кумулятивной функцией, определенной как сумма элементарных ступенчатых функций; или

итеративный алгоритм подгонки на основе конечных точек, где результирующие MP_j, определяющие итеративный алгоритм подгонки на основе конечных точек для моделирования b_j,i 141-146, могут получаться из алгоритма Рамера - Дугласа - Пекера, и так далее.

Таким образом, в зависимости от соответствующих распределений нормализованных амплитуд b_j,i 141-146 для разных частот f_j 111-116, параметры модели MP_j вычисляются, в конце концов давая результатом данные, которые являются подходящими для использования в качестве основы для генерирования набора сжатых данных CDS для представления исходных данных D(nT) 65.

CDS, представляющий данные D(nT) 65, содержит следующее:

вектор частот f_j 111-116,

вектор временных меток t_i 56-60,

алгебраическую сумму SF_i 135 амплитуд a_j,i 121-126 каждого спектра S_i(f), что является предпочтительным для масштабирования MP_j для каждой из f_j 111-116, так как MP_j был создан с использованием только b_j,i 141-146, и

параметры модели MP_j для представления тенденций распределения нормализованных амплитуд b_j,i 141-148 каждой частоты f_j 111-116.

Более того, для тех частот f_j 111-116, для которых соответствующий параметр модели MP_j выбирается, чтобы быть средним значением (AV) нормализованных амплитуд b_j,i 141-146 (т.е. случаи 1) и 2), как описано выше), дополнительно первая временная метка t₁ 56 назначается AV.

В общем, для всех других случаев (т.е. случаев, нежели случаи 1) и 2)) и для всех частот, соответственно, CDS должен содержать информацию о том, является ли MP_j средним значением (случаи 1) и 2)), или был смоделирован посредством алгоритма аппроксимации (случай 3)). Если MP_j для конкретной частоты f_j 111-116 основывается на алгоритме аппроксимации, то CDS дополнительно содержит следующее:

информацию о типе алгоритма аппроксимации (например, ступенчатая функция, итеративный алгоритм подгонки на основе конечных точек, и так далее), использованного для приближения нормализованных амплитуд b_j,i 141-148 конкретной частоты f_j 111-116, и

MP_j алгоритма аппроксимации для этой конкретной частоты f_j 111-116 также будет содержать пары из одного или более значений амплитуд и соответствующих одной или более временных меток t_i 56-60 этой конкретной частоты f_j 111-116. Здесь, значения амплитуд могут быть самими одной или более нормализованными амплитудами b_j,i 141-146 или средним некоторого количества нормализованных амплитуд b_j,i 141-146 этой конкретной частоты f_j 111-116.

Посредством обработки CDS, является возможным, по существу, восстанавливать данные D(nT).

Чтобы оценить качество сжатия перед окончательным сохранением CDS, сигнал данных D'(nT) восстанавливается из набора сжатых данных CDS и сравнивается с исходным сигналом D(nT). Для оценки, модуль 170 корреляции принимает набор сжатых данных CDS и обрабатывает его для построения сигнала данных D'(nT) для соответствующего Δt_i 51-55.

Восстановление D'(nT) посредством обработки CDS объясняется иллюстративным образом со ссылкой на Фиг. 4.

Модуль 170 корреляции определяет коэффициент корреляции CC посредством сопоставления D'(nT) и D(nT). CC является безразмерной сущностью и является просто качественным индексом для представления сходства между D'(nT) и D(nT).

На основе определенного CC, можно принимать решение повторять сжатие с другими предварительными условиями. Например, если коэффициент корреляции показывает, что сходство D'(nT) и D(nT) не является достаточным, пороговое значение T_v должно изменяться. Это может давать результатом измененную тенденцию распределения нормализованных амплитуд b_j,i 141-146 частоты f_j 111-116 и, таким образом, новые параметры модели MP_j' для этой частоты.

Пороговое значение T_v может изменяться, чтобы получать измененное пороговое значение T_v' посредством умножения T_v на коэффициент допустимого отклонения T_f. Здесь, отношение между T_v', NoP и T_f может быть показано следующим образом:

T_f может изменяться, чтобы изменять T_v. Фактически, это дает результатом изменение распределения b_j,i 141-146 по отношению к T_v. Тем самым, это дает результатом изменение MP_j для каждой f_j 111-116. Например, если CC между D'(nT) и D(nT) находится между "0" и "0,8", можно предполагать, что качество восстановленного сигнала D'(nT) является плохим, и качество может быть улучшено посредством понижения T_v, т.е. посредством уменьшения T_f, тем самым выбирая другой MP_j.

Аналогично, если CC равняется "0,8" или больше, можно предполагать, что MP_j для восстановления D'(nT) являются достаточными. Затем текущий CDS рассматривается как конечный CDS и он сохраняется в памяти.

T_v, T'_v и T_f являются безразмерными сущностями. T_f просто служит, чтобы увеличивать или уменьшать T_v. Если T_f выбирается между "0" и "1", то T_v уменьшается. Альтернативно, если T_f больше, чем "1", то T_v увеличивается. Однако предпочтительно T_f должен быть неравным "1".

После изменения порогового значения, заново определенное пороговое значение T'_v посылается в модуль 150 сравнения. Там, пороговое значение T_v, которое используется для сравнения с нормализованными амплитудами b_j,i 141-146, устанавливается на новое пороговое значение T'_v, т.е. T_v=T'_v.

После этого, выполняются такие же этапы, как описано выше, для определения распределения нормализованных амплитуд b_j,i 141-146 каждого спектра S_i(f) 106-110 по отношению к пороговому значению T_v. Т.е. Модуль 150 сравнения снова генерирует распределение b_j,i 141-146 по отношению к T_v, при этом T_v соответствует измененному пороговому значению T'_v.

После определения распределения, снова является возможным моделировать распределение b_j,i 141-146 по S_i(f) 106-110.

Модуль 160 параметров принимает информацию относительно сравнения между каждой из b_j,i 141-146 с T_v, т.е. информацию о вышеупомянутом распределении.

Снова, для каждой частоты f_j 111-116, нормализованная амплитуда b_j,i 141-146 и распределение b_j,i 141-146 по отношению к T_v, соответственно, обрабатываются, чтобы получать один или более параметров модели MP_j, как описано выше. MP_j снова вычисляется посредством моделирования частот f_j 111-116 на основе разных тенденций распределения соответствующих b_j,i 141-146, снова рассматривая вышеупомянутые три разных случая 1), 2) и 3).

После вычисления параметров модели MP_j для каждой частоты f_j 111-116, генерируется новый набор сжатых данных CDS, который содержит:

вектор частот f_j 111-116,

вектор временных меток t_i 56-60,

алгебраическую сумму SF_i 135 амплитуд a_j,i 121-126 каждого спектра S_i(f), что является предпочтительным для масштабирования MP_j для каждой из f_j 111-116, так как MP_j был создан с использованием только b_j,i 141-146, и

параметры модели MP_j для представления тенденций распределения нормализованных амплитуд b_j,i 141-148 каждой частоты f_j 111-116.

Более того, для тех частот f_j 111-116, для которых соответствующий параметр модели MP_j выбирается, чтобы быть средним значением (AV) нормализованных амплитуд b_j,i 141-146 (т.е. случаи 1) и 2), как описано выше), дополнительно первая временная метка t₁ 56 назначается AV.

В общем, для всех других случаев (т.е. случаев, нежели случаи 1) и 2)) и для всех частот, соответственно, CDS должен содержать информацию о том, является ли MP_j средним значением (случаи 1) и 2)), или был смоделирован посредством алгоритма аппроксимации (случай 3)). Если MP_j для конкретной частоты f_j 111-116 основывается на алгоритме аппроксимации, то CDS дополнительно содержит следующее:

информацию о типе алгоритма аппроксимации (например, ступенчатая функция, итеративный алгоритм подгонки на основе конечных точек, и так далее), использованном для приближения нормализованных амплитуд b_j,i 141-148 конкретной частоты f_j 111-116, и

MP_j алгоритма аппроксимации для этой конкретной частоты f_j 111-116 также будет содержать пары из одного или более значений амплитуд и соответствующих одной или более временных меток t_i 56-60 этой конкретной частоты f_j 111-116. Здесь, значения амплитуд могут быть самими одной или более нормализованными амплитудами b_j,i 141-146 или средним некоторого количества нормализованных амплитуд b_j,i 141-146 этой конкретной частоты f_j 111-116.

Частоты, для которых параметры модели были вычислены с использованием алгоритмов аппроксимации, являются f_k и соответствующие временные метки, сохраненные в параметрах модели для f_k, являются t_k.

Чтобы обеспечивать достаточное качество сжатия, как описано выше, сигнал данных D'(nT) снова восстанавливается из набора сжатых данных CDS и сравнивается с исходным сигналом D(nT). Модуль 170 корреляции определяет новый коэффициент корреляции CC посредством сопоставления D'(nT) и D(nT).

На основе определенного CC, можно принимать решение повторять сжатие снова с другими предварительными условиями. В этом случае, вышеупомянутая процедура, начинающаяся с изменения порогового значения T_v с другим коэффициентом допустимого отклонения T_f, повторяется, давая результатом новое распределение и новые параметры модели MP_j и т.д.

В заключение, когда CC показывает достаточное сходство между D'(nT) и D(nT), соответствующий набор сжатых данных CDS сохраняется. Так как вместо всех амплитуд a_j,i сохраняются только средние значения и/или параметры модели MP_j, может достигаться эффективное отношение сжатия.

Модуль 105 спектра и модуль 130 приема спектральных данных могут быть объединены, чтобы формировать одиночный модуль с возможностью выполнения функций обоих модулей 105, 130.

Модуль 150 сравнения, модуль 160 параметров, и модуль 180 корреляции могут быть объединены, чтобы формировать одиночный модуль с возможностью выполнения функций модулей 150, 160, 170.

Блок 100 памяти выполнен с возможностью хранения D_i(nT) 66-70, принятых от DAQ 30, промежуточных данных, полученных в течение разных этапов обработки D_i(nT) 66-70, посредством вышеупомянутых модулей 105, 130, 140, 150, 160, 170, a_j,i 121-126 и f_j 111-116, вычисленных из S_i(f) 106-110, и так далее.

Упомянутые один или более вышеупомянутых модулей 105, 130, 140, 150, 160, 170 работоспособным образом соединены с процессором 90 и могут реализовываться как независимые модули или как частично объединенные модули или полностью объединенный модуль, при этом процессор 90 сконфигурирован с возможностью соответственно для выполнения соответствующих функций упомянутых одного или более вышеупомянутых модулей 105, 130, 140, 150, 160, 170. Дополнительно, упомянутые один или более модули 105, 130, 140, 150, 160, 170, могут быть соединенными и могут располагаться внутри или вне процессора 90.

Процессор 90 может быть процессором общего назначения, микроконтроллером, цифровым сигнальным процессором, программируемой пользователем вентильной матрицей (FPGA), FPGA с частично динамически перестраиваемой конфигурацией, специализированной интегральной схемой, и комбинацией перечисленного.

Достаточными модулями для достижения цели изобретения являются модуль 130, модуль 140, модуль 150 и модуль 160. Однако устройство обработки сигналов из Фиг. 2 обеспечено дополнительными модулями, т.е. блоком 100 памяти, модулем 105, и модулем 170.

Пример матрицы 128 амплитуд и матрицы 148 нормализованных амплитуд, где NoP=4 и NoS=10, содержащих иллюстративные значения a_j,i 121-126 и b_j,i 141-146 соответственно, проиллюстрированы на Фиг. 3. Так как NoP равняется "4", соответствующий T_v равняется "0,25". Столбцы матрицы 128 амплитуд и матрицы 148 нормализованных амплитуд несут соответствующие временные метки t_i 56-60.

Здесь, для f₁, матрица 128 амплитуд содержит иллюстративные значения амплитуд [5, 6, 6, 7, 5, 6, 1, 2, 5, 3], для f₂, матрица 128 амплитуд содержит иллюстративные значения амплитуд [54, 56, 52, 54, 52, 58, 59, 55, 53, 51], для f₃, матрица 128 амплитуд содержит иллюстративные значения амплитуд [10, 20, 30, 10, 20, 30, 0, 20, 30, 30], и для f₄, матрица 128 амплитуд содержит иллюстративные значения амплитуд [20, 5, 25, 30, 23, 5, 24, 6, 23, 5], полученные из иллюстративных десяти спектров S₁(f) по S₁₀(f). Соответствующим образом, SF₁ равняется 89, SF₂ равняется 87, SF₃ равняется 113, SF₄ равняется 101, SF₅ равняется 100, SF₆ равняется 99, SF₇ равняется 84, SF₈ равняется 83, SF₉ равняется 111, и SF₁₀ равняется 89. Каждый столбец матрицы 128 амплитуд назначен соответствующей временной метке t₁ по t₁₀, сгенерированной из соответствующих D₁(nT) по D₁₀(nT).

Здесь, для f₁, матрица 148 нормализованных амплитуд содержит иллюстративные значения нормализованных амплитуд [0,06, 0,07, 0,05, 0,07, 0,05, 0,06, 0,01, 0,02, 0,05, 0,03], для f₂, матрица 148 нормализованных амплитуд содержит иллюстративные значения нормализованных амплитуд [0,61, 0,64, 0,46, 0,53, 0,52, 0,59, 0,70, 0,66, 0,48, 0,57], для f₃, матрица 148 нормализованных амплитуд содержит иллюстративные значения нормализованных амплитуд [0,11, 0,23, 0,27, 0,10, 0,20, 0,30, 0,00, 0,24, 0,27, 0,34], и для f₄, матрица 148 нормализованных амплитуд содержит иллюстративные значения нормализованных амплитуд [0,22, 0,06, 0,22, 0,30, 0,23, 0,05, 0,29, 0,07, 0,21, 0,06].

Для f₁, можно наблюдать отсюда, что каждое из значений нормализованных амплитуд [0,06, 0,07, 0,05, 0,07, 0,05, 0,06, 0,01, 0,02, 0,05, 0,03] ниже T_v. Поэтому MP₁, соответствующий f₁, является средним значением (AV) для [0,06, 0,07, 0,05, 0,07, 0,05, 0,06, 0,01, 0,02, 0,05, 0,03], которое равняется "0,047", и первой временной меткой t₁.

Для f₂, можно наблюдать отсюда, что каждое из значений нормализованных амплитуд [0,61, 0,64, 0,46, 0,53, 0,52, 0,59, 0,70, 0,66, 0,48, 0,57] выше T_v, также как разность между экстремальными значениями ("0,70" и "0,46") равняется "0,24", что ниже T_v. Поэтому MP₂, соответствующий f₂, является средним значением (AV) для [0,61, 0,64, 0,46, 0,53, 0,52, 0,59, 0,70, 0,66, 0,48, 0,57], которое равняется "0,576", и первой временной меткой t₁.

Для f₃, можно наблюдать отсюда, что некоторые из значений нормализованных амплитуд [0,11, 0,23, 0,27, 0,10, 0,20, 0,30, 0,00, 0,24, 0,27, 0,34] выше T_v, тогда как другие ниже T_v. Также, разность между экстремальными значениями ("0,30" и "0,00") равняется "0,30", что выше T_v. Поэтому MP₃, соответствующий f₃, получаются из алгоритма Рамера - Дугласа - Пекера, при этом MP₃ составляет [(0,11, t₁), (0,3, t₆), (0, t₇), (0,24, t₈), (0,34, t₁₀)].

Для f₄, можно наблюдать отсюда, что некоторые из значений нормализованных амплитуд [0,22, 0,06, 0,22, 0,30, 0,23, 0,05, 0,29, 0,07, 0,21, 0,06] выше T_v, тогда как другие ниже T_v. Также, разность между экстремальными значениями ("0,30" и "0,05") равняется "0,25", что равно T_v. Поэтому MP₃, соответствующий f₄, получаются из алгоритма Рамера - Дугласа - Пекера, при этом MP₃ составляет [(0,22, t₁), (0,06, t₂), (0,3, t₄), (0,05, t₆), (0,29, t₇), (0,07, t₈), (0,21, t₉), (0,06, t₁₀)].

Поэтому CDS содержит следующее:

вектор частот f₁ по f₁₀,

вектор временных меток t₁ по t₁₀,

алгебраическую сумму SF₁ по SF₁₀ амплитуд каждого спектра S₁(f) по S₁₀(f), т.е. [89, 87, 113, 101, 100, 99, 84, 83, 111, 89], и

параметры модели (MP), как показано ниже:

MP₁: [(0,047, t₁)]

MP₂: [(0,576, t₁)]

MP₃: [(0,11, t₁), (0,3, t₆), (0, t₇), (0,24, t₈), (0,34, t₁₀)], и

MP₄: [(0,22, t₁), (0,06, t₂), (0,3, t₄), (0,05, t₆), (0,29, t₇), (0,07, t₈), (0,21, t₉), (0,06, t₁₀)].

Здесь, f₃ и f₄ составляют f_k, и временные метки t₁, t₆, t₇, t₈ и t₁₀ составляют t_k для MP₃ и временные метки t₁, t₂, t₄, t₇, t₈, t₉ и t₁₀ составляют t_k для MP₄.

Фиг. 4 изображает иллюстративную матрицу восстановленных амплитуд для восстановления D'(nT) на основе вышеупомянутого CDS. Для каждой частоты f_j восстановленная амплитуда частоты f_j зависит от типа параметра модели MP_j.

В вышеупомянутых случае 1) и случае 2), если частота f_j представлена посредством соответствующего MP_j, который содержит только среднее значение нормализованных амплитуд частоты f_j и первую временную метку t₁, то каждая восстановленная амплитуда a'_j,i частоты f'_j для временной метки t_i в матрице восстановленных амплитуд будет генерироваться посредством умножения среднего значения нормализованных амплитуд частоты f_j на соответствующую SF_i. То есть, восстановленные амплитуды a'_j,i частоты f'_j будут следующими: [AV*SF₁, AV*SF₁, ----, AV*SF_NoS-1, AV*SF_NoS].

В вышеупомянутом случае 3), если частота f_j представлена посредством MP_j, полученного из алгоритма аппроксимации, например, алгоритма Рамера - Дугласа - Пекера, то каждая восстановленная амплитуда a'_j,i частоты f_j может генерироваться посредством передачи MP_j в модуль обратного алгоритма аппроксимации, в этом случае модуль обратного алгоритма Рамера - Дугласа - Пекера для получения каждой из восстановленной амплитуды a'_j,i частоты f'_j для каждой из временной метки t_i.

Как упомянуто выше, CDS обрабатывается для восстановления матрицы 180 восстановленных нормализованных амплитуд и впоследствии матрицы 190 восстановленных амплитуд частот f_j. Посредством вычисления обратного DFT каждого из столбцов матрицы 190 восстановленных амплитуд является возможным построить D'_i(nT), т.е. восстановленные частичные сигналы. Посредством непрерывного и последовательного размещения D'_i(nT) по отношению к временным меткам, строится D'(nT).

Фиг. 5 изображает резюмирующую блок-схему последовательности операций способа для сжатия D(nT) 65, представляющих A(t) 45.

На этапе 200, принимаются сигналы D_i(nT) 66-70 с t_i 56-60 и вычисляются соответствующие S_i(f) 106-110.

На последующем этапе 210, для каждого из количества NoS спектров S_i(f) 106-110, количество NoP амплитуд a_j,i 121-126, каждая из которых соответствует каждой из f_j 111-116, принимаются и располагаются, как упомянуто выше. Каждый из S_i(f) 106-110 обеспечивается временной меткой с помощью соответствующего t_i 56-60. Таким образом, создается матрица 128 амплитуд с NoP строк и NoS столбцов, при этом каждый столбец назначен временной метке t_i 56-60. Матрица 128 амплитуд может создаваться при обеспечении выводов модуля 105 в модуль 130. Дополнительно, для каждого из S_i(f) 106-110, вычисляется соответствующая SF_i 135, как упомянуто выше.

На последующем этапе 220, каждый столбец матрицы 128 амплитуд нормализуется, чтобы получать матрицу 148 нормализованных амплитуд, как раскрыто в предшествующих разделах. Матрица 128 амплитуд может обеспечиваться в модуль 140 для получения b_j,i 141-146. Для каждого из S_i(f) 106-110, соответствующие a_j,i 121-126 нормализуются, чтобы получить b_j,i 141-146.

На последующем этапе 230, каждая из b_j,i 141-146 каждого из S_i(f) 106-110 сравнивается с T_v, который пропорционален обратному "NoP", т.е. количественного числа частот f_j 111-116 каждого из S_i(f) 106-110. Матрица 148 нормализованных амплитуд может обеспечиваться в модуль 150 для сравнения каждой из b_j,i 141-146 каждого из S_i(f) 106-110 с T_v. Таким образом, распределение b_j,i 141-146 по отношению к T_v может получаться и иллюстрироваться.

На последующем этапе 240, для каждой из f_j 111-116, распределение b_j,i 141-146 частоты f_j 111-116 по S_i(f) 106-110 принимается для вычисления соответствующего MP_j для соответствующей частоты f_j 111-116, как описано выше.

На этапе 250, генерируется набор сжатых данных (CDS), как определено выше.

На этапе 260, D'(nT) восстанавливается из CDS. На последующем этапе 270, D'(nT) сопоставляется с D(nT) 65 для получения коэффициента корреляции CC. На основе определенного CC, как объяснено в предшествующих разделах, T_f может изменяться, чтобы изменять пороговое значение T_v. В случае, когда CC показывает, что сходство между D'(nT) и D(nT) не является достаточным, генерируется новое пороговое значение T'_v посредством изменения последнего порогового значения T_v. Затем, процедура возвращается на этап 230, при этом каждая из нормализованных амплитуд b_j,i 141-146 каждого из спектра S_i(f) 106-110 сравнивается с пороговым значением T_v=T'_v. В случае, когда CC показывает, что сходство между D'(nT) и D(nT) является достаточным, процедура продолжается на этапе 280.

Коэффициент корреляции CC является обратно пропорциональным коэффициенту допустимого отклонения T_f.

На этапе 280, текущий набор сжатых данных CDS сохраняется или, в зависимости от приложения, дополнительно обрабатывается.

В заключение, D(nT) 65 сжимается, т.е. пространство хранения для хранения информации (амплитуды, частоты и времени), содержащейся в D(nT) 65, в значительной степени уменьшается в силу хранения только CDS в блоке 100 памяти. Впоследствии, является возможным использовать его либо для ссылки, либо также для передачи.

В вышеупомянутом способе для сжатия D(nT) 65, этап 200 и этапы 260, 270 являются необязательными этапами для достижения цели изобретения.

Хотя изобретение было описано со ссылкой на конкретные варианты осуществления, это описание не предназначено, чтобы толковаться в ограничивающем смысле. Различные примеры раскрытых вариантов осуществления, также как альтернативные варианты осуществления изобретения, должны быть ясными для специалистов в данной области техники при обращении к описанию изобретения. Поэтому предполагается, что такие модификации могут делаться без отхода от вариантов осуществления настоящего изобретения, как определены.

СПИСОК ССЫЛОЧНЫХ ПОЗИЦИЙ

10 Система наблюдения состояния

20 Мотор

30 Модуль получения данных

31 Датчик

32 Модуль обработки сигналов

33 Аналогово-цифровой преобразователь

40 Устройство обработки сигналов

45 Зависящий от времени сигнал A(t)

46-50 Множество зависящих от времени частичных сигналов A_i(t)

51-55 Множество временных интервалов Δt_i

56-60 Множество моментов времени t_i (временных меток)

65 Данные D(nT)

66-70 множество частичных сигналов дискретного времени D_i(nT)

90 Процессор

100 Блок памяти

105 Модуль спектра

106-110 Множество спектров S_i(f)

111-116 Множество частот f_j

121-126 Множество амплитуд a_j,i

128 Матрица амплитуд

130 Модуль приема спектральных данных

131-135 Сумма частот SF_i

140 Модуль нормализации амплитуд

141-146 Множество нормализованных амплитуд b_j,i

148 Матрица нормализованных амплитуд

150 Модуль сравнения

160 Модуль параметров

170 Модуль корреляции

180 Матрица восстановленных нормализованных амплитуд

190 Матрица восстановленных амплитуд

200 Этап приема D_i(nT) и вычисления S_i(f)

210 Этап создания матрицы амплитуд

220 Этап создания матрицы нормализованных амплитуд

230 Этап сравнения матрицы нормализованных амплитуд с порогом

240 Этап обработки нормализованных амплитуд b_j,i для вычисления параметров модели MP_j

250 Этап генерирования набора сжатых данных

260 Этап построения D'(nT)

270 Этап сопоставления D'(nT) и D(nT)

280 Этап сохранения набора сжатых данных