线性预测谱估计的仿真-面向对象程序设计.docVIP

武夷学院综合性实验报告 学院：数学与计算机 专业： 通信工程 班级 1班 学年第 1 学期 学号 姓名 指导教师 课程名称 面向对象程序设计 实验项目名称 线性预测谱估计的仿真 同组成员 实验地点 实验时间 实验目的与要求： 一、实验目的： 1、了解预测谱估计的基本原理 2、掌握AR模型谱估计原理 3、知道AR模型谱估计阶次的确定 4、掌握Levinson-Durbin算法 4、掌握其设计及算法流程 实验原理及内容：二、实验内容： 在掌握线性预测谱估计的理论和算法的基础上，运用Levinson-Durbin算法，对其进行MATLAB仿真，估计出不同情况下信号的功率谱，通过比较仿真出来的不同信号的频谱图，分析了不同参数对功率谱估计效果的影响。 三、实验原理与方法： 线性预测谱估计的基本原理：対一无限长的随机信号x（n）进行功率谱估计，采用经典周期图法，对其进行加窗w（n），得到：y（n）=x（n）×w（n）。进行傅立叶变换，对应的功率谱为Y（ejw）=1/2piX（ejw）*W（ejw）。所得频谱的有限长度为N+M-1，增大了频谱长度，降低了频谱的分辨率。但由于加窗后所得到的频谱仅仅是加窗的那段信号的频谱，窗外的信号为零点，无法估计其频谱，因此引入线性预测频谱估计。线性预测功率谱估计的基本原理是拥有限长的数据估计信号，建立线性预测模型，通过某种算法得到模型参数来估计精确的信号顾虑谱。 2.AR模型功率谱估计的原理是：假设分析的信号是由一个均方误差的白噪声激励----线性时不变系统所得到分析信号的功率谱估计. 实验设备与材料：计算机、MATLAB软件、实验教材 实验方法与步骤： 设计方法：1.产生正弦信号，以待估计此信号的功率谱。改变采样频谱、数据长度以及信号频率，并对正弦信号加入不同大小高斯白噪声，产生不同的待估计信号。 2.做自相关函数的无偏估计，得到自相关函数数组，并用二维数组存放自相关函数值。 3.Levinson—Durbin算法主体部分，递推各阶模型参数和误差功率。首先进行初始化，计算AR模型的一阶模型参数和误差功率，最终预测误差准则函数。然后依次地推出k阶的模型参数、误差功率和最终预测误差准则函数。 4.根据最终预测误差准则确定阶数，确定阶数p为此时的k值。 5.根据确定下来的阶数p确定AR模型参数，估计信号的功率谱。利用Levinson算法递推到p阶的参数，带入公式可估计出信号的功率谱。 实验程序：1 clear all Fs=1000; N=256; n=0:1/Fs:N/Fs; F1=100; F2=200; a=1; b=1; A=0; SNA=10; x1=a*(cos(2*pi*F1*n)+sin(2*pi*F1*n))+(cos(2*pi*F2*n)+sin(2*pi*F2*n)); noise=awgn(x1,SNA,0,db); x=x1+A*noise; subplot(211); plot(n,abs(x)); xlabel(时间（s）); ylabel(幅度); title(x=a*(cos(2*pi*F1*n)+sin(2*pi*F1*n))+(cos(2*pi*F2*n)+sin(2*pi*F2*n))+A*noise); for m=1:(N+1) R(m)=0; end for m=1:(N+1) sum=0; for n=1:(N-(m-2)) sum=sum+x(n)*x(n+m-1); end R(m)=sum/N; end for k=1:(N+1) a(k,k)=0; FPE(k)=0; P(k+1)=0; end P(1)=R(1); a(1,1)=-R(2)/R(1); P(2)=(1-(abs(a(1,1)))^2)*P(1); FPE(1)=P(2)*(N+2)/N; S=0; for k=2:N for l=1:(k-1) M=a(k-1,l)*R(k-l+1); S=S+M; end a(k,k)=-(R(k+1)+S)/P(k); for i=1:(k-1) a(k,i)=a(k-1,i)+a(k,k)*a(k-1,k-i); end P(k+1)=(1-(abs(a(k,k)))^2)*P(k); FPE(k)=P(k+1)*(N+k+1)/(N-k+1); S=0; end min=FPE(1); for k=2:N if FPE(k)min; min=FPE(k); p=k;