云师大数字信号处理实验06第一篇实验六随机信号功率普分析.docVIP

本科学生实验报告 学号 124090380 姓名 赵玲 学院 物电学院 专业、班级 12电子 实验课程名称 随机信号功率的分析 教师及职称 和伟 开课学期 2014 至 2015 学年 下学期 填报时间 2015 年 4 月 29 日 云南师范大学教务处编印 实验序号 06 实验名称 随机信号功率的频谱分析 实验时间 2015年4月29日 实验室 数字信号处理实验室（313） 一．实验预习 1．实验目的 深刻理解随机信号的特型，掌握随机信号功率频谱估计的基本原理，灵活运用各种随机信号功率频谱估计的基本方法。 2．实验原理、实验流程或装置示意图 实验原理： 功率谱估计是随机信号处理中的一个重要的研究和应用领域.功率谱估计基本上可以非参数估计的经典方法和参数估计的近代方法.典型功率谱估计是基于FFT算法的非参数估计,对足够长的记录数据效果较好。 在工程实际中，经典功率谱估计法获得广泛应用的是修正期图发。该方法采取数据加窗处理再求平均的办法。通过求各段功率谱平均，最后得到功率谱计P（m）， 即： 式中：为窗口函数ω[k]的方差。K表示有重叠的分数段。 由于采用分段加窗求功率谱平均，有效地减少了方差和偏差，提高了估计质量，使修正周期图法在经典法中得到普遍应用。但在估计过程存在两个与实际不符的假设，即 （1）利用有限的N个观察数据进行自相关估计，隐含着在已知N个数据之外的全部数据均为零的假设。 （2）假定数据是由N个观察数据以N为周期的周期性延拓。同时在计算过程中采用加窗处理，使得估计的方差和功率泄露较大，频率分辨率较低，不适用于短系列的谱分析和对微弱信号的检测。 近代谱估计是建立在随机信号参数模型的基础上，通过信号参数模型或预测误差滤波器（一步预测器）参数的估计，实现功率谱估计。由于既不需要加窗，又不需要对相关函数的估计进行如经典法那样的假设，从而减少公里泄露，提高了频谱分辨率。常用的参数模型有自回归（AR）模型、滑动平均（MA）模型、自回归滑动平均（ARMA）模型。其中AR模型是基本模型，求解AR模型的参数主要有L—D算法和Burg算法。 [例1.6.1] 已知某随机信号由两个余弦信号和噪声构成 x(t)=cos(10*2πt)+ cos(20*2πt)+ s（t） s（t）是均值为0，方差为1的白噪声。使用周期图法和修正周期图法（Welch法）估计信号的功率谱。 【解】 周期图发是对随机系列的N点抽样数据直接经行DFT计算，然后求结果的模值得平方。 clc,clear,close all Fs=1000; t=0:1/Fs:1; figure(1); x=sin(2*pi*50*t)+2*sin(2*pi*120*t)+randn(size(t)); plot(t,x); 运行结果如图1.6.1（a）所示。粗略地估计该信号的功率谱，作N=1024点FFT： figure(2); Pxx=abs(fft(x,1024)).*2/1001; subplot(2,1,1); plot([0:1023]*Fs/1024,10*log10(Pxx)); axis([0,1023,-30,30]); grid on 计算结果如图1.6.1（b）所示。 随着抽样数据（时窗宽度），逐渐接近无偏估计。这种方法的问题是方差大且方差不随抽样点数增加而减小。减小方差的办法是把抽样数据xn分段，每段做周期图，然后相加取平均值。这种不重叠的周期图求平均的方法由Bart-lett于1953年引入，故又称为Bartlett法。 Pxx1=(abs(fft(x(1:256))).^2+abs(fft(x(257:512))).^2+abs(fft(x(513:768))).^2)/(256*3); subplot(2,1,2); plot([0:255]*Fs/256,10*log10(Pxx1)); axis([0,1023,-30,30]); grid on 计算结果如图1.6.1（b）所示。 可见将数据分成3段，平均的方差是各段256点计算的1/3；随着分段的增加，方差减小。但分段数不能太多，因为分段数增加会使得每断数据点数减少，造成频率分辨率下降。为了减少偏差，提高频率分辨率，1970年Welch对Bartlett法进行了改进，提出了重叠平均周期图法（Welch法）。一般选取重叠点数为分段点数的一半可以明显减小估计的方差。若选取128点重叠，重新计算可得 figure(3); Pxx2=(abs(fft(x(1:256))).^2+abs(fft(x(12