A new spectral measure of complexity and its capabilities for detecting signals in noise

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

This article is devoted to the improvement of signal recognition methods based on the information characteristics of the spectrum. A discrete function of the normalized ordered spectrum is established for a single window function included in the DFT. Lemmas on estimates of entropy, imbalance and statistical complexity in processing a time series of independent Gaussian quantities are proved. New concepts of one-dimensional and two-dimensional spectral complexities are proposed. The theoretical results obtained were verified by numerical experiments, which confirmed the effectiveness of the new information characteristic when detecting a signal mixed with white noise at low signal-to-noise ratios.

About the authors

A. A. Galyaev

Institute of Control Sciences of RAS

Author for correspondence.
Email: galaev@ipu.ru

Corresponding Member of the RAS

Russian Federation, Moscow

V. G. Babikov

Institute of Control Sciences of RAS

Email: babikov@ipu.ru
Russian Federation, Moscow

P. V. Lysenko

Institute of Control Sciences of RAS

Email: pavellysen@ipu.ru
Russian Federation, Moscow

L. M. Berlin

Institute of Control Sciences of RAS

Email: berlin.lm@phystech.edu
Russian Federation, Moscow

References

  1. Amigo J.M. Ordinal methods: Concepts, applications, new developments, and challengesIn memory of Karsten Keller (19612022) / J. M. Amigo, O. A. Rosso // Chaos: An Interdisciplinary Journal of Nonlinear Science. 2023. Vol. 33, no. 8. P. 080401. https://pubs.aip.org/cha/article/33/8/080401/2905538/ Ordinal-methods-Concepts-applications-new.
  2. Distinguishing Noise from Chaos / O.A. Rosso, H.A. Larrondo, M. T. Martin et al. // Phys. Rev. Lett. 2007. Oct. V. 99. P. 154102. https://link.aps.org/doi/10.1103/PhysRevLett.99.154102.
  3. Perkey S. Using Fourier Coefficients and Wasserstein Distances to Estimate Entropy in Time Series / S. Perkey, A. Carvalho, A. Krone-Martins // 2023 IEEE 19th International Conference on e-Science (e-Science). Limassol, Cyprus: IEEE, 2023. P. 1–2. https://ieeexplore.ieee.org/document/10254949/.
  4. Statistical Distributions / C. Forbes, M. Evans, N. Hastings, B. Peacock. 1 edition. Wiley, 2010. https: //onlinelibrary.wiley.com/doi/book/10.1002/9780470627242.
  5. Klenke A. Probability Theory: A Comprehensive Course / A. Klenke. Universitext. London: Springer London, 2014. https://link.springer.com/10.1007/978-1-4471-5361-0.
  6. Галяев А.А. Статистическая сложность как критей рий задачи обнаружения полезного сигнала / А.А. Галяев, П.В. Лысенко, Л.М. Берлин // Автоматика и телемеханика. 2023. С. 121–145.
  7. Distances in Probability Space and the Statistical Complexity Setup / A. M. Kowalski, M. T. Mart’ın, A. Plastino et al. // Entropy. 2011. V. 13. №. 6. P. 1055–1075. http://www.mdpi.com/1099-4300/13/6/1055.
  8. Richards M.A. The Discrete-Time Fourier Transform and Discrete Fourier Transform of Windowed Stationary White Noise / M.A. Richards // Technical Memorandum. 2013. P. 1–24.
  9. Kay S.M. Fundamentals Of Statistical Processing, Volume 2: Detection Theory / S.M. Kay. Prentice-Hall signal processing series. Pearson Education, 2009. https://books.google.ru/books?id=wwmnY9xyt9MC.
  10. Орлов И.Я. Оценка потерь обнаружения сигналов приемнёком с адаптивным порогом на основе метода порядковых статистик / И.Я. Орлов, Е.С. Фитасов // Известия вузов. Радиофизика. 2018. Т. 61. № 7. С. 596–604
  11. Cazelles E. The Wasserstein-Fourier Distance for Stationary Time Series / E. Cazelles, A. Robert, F. Tobar // IEEE Transactions on Signal Processing. 2021. V. 69. P. 709–721. https://ieeexplore.ieee.org/document/9303405/.
  12. Berlin L.M. Comparison of Information Criteria for Detection of Useful Signals in Noisy Environments / L.M. Berlin, A.A. Galyaev, P.V. Lysenko // Sensors. 2023. V. 23. № 4. https://www.mdpi.com/1424-8220/23/4/2133.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».