第三章 随机信号的功率谱估计.ppt

第三章 随机信号的功率谱估计 郑宝玉 内 容 随机信号的特征 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 最大熵谱估计算法 Levinson算法 Levinson算法 Levinson算法 Levinson算法 Levinson算法 Levinson算法 Levinson算法 Levinson算法 Berg算法 Berg算法 Berg算法 Berg算法 Berg算法 内 容 随机信号的特征 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 最小方差谱估计 最小方差谱估计 最小方差谱估计 最小方差谱估计 最小方差谱估计 最小方差谱估计 最小方差谱估计 内 容 随机信号的特征 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 基于矩阵特征分解的谱估计 自相关矩阵的特征分解 自相关矩阵的特征分解 自相关矩阵的特征分解 基于矩阵特征分解的谱估计 MUSIC方法 理论基础 若噪声子空间的向量不止一个，用类似的方法可以证明有 MUSIC方法 MUSIC算法 Pisarenko谐波分解(PHD) PHD算法的步骤 1)求x(n)的自相关函数并构成自相关矩阵Rp,且设 p=M 2)对Rp进行特征分解,得特征值 及特征向量 将其排序并找出最小的特征值 及相应的 3)将 代入(7)，形成 M 阶多项式并求该多项式的根， 得到x(n)的M 个频率 4)由(1)有 5)再由(1)得： 故可求得 定理2 信号向量ei与噪声子空间的向量Vk都正交，即 由于自相关矩阵Rp的特征向量 构成一组正交基，因此有 注意: (11)对应于Mp的情况，在这种情况下，若再使用(8), 则求出的V(z)将有p-M个多余零点。故不宜再使用(8)计算。 基本思路 由于信号向量与噪声子空间的各个向量都正交, 因此 信号向量与噪声空间各向量的线性组合也 正交,故有 且上式在 处应为零。从而有 该峰值对应的就是正弦信号的频率，分辨率优于AR模型法。 * Levinson算法 Berg算法 MEM的核心是求解如下方程： 这个方程实际上是联合AR模型法和预测滤波法得出的。 我们发现，方程(1)有如下特点： 系数矩阵是一个Toplitz矩阵，利用Toplitz矩阵的性质 可简化方程求解。 实际问题中，一般只知道信号的某些观测值，而不知道 其AR模型阶数，该阶数也需要在方程求解过程中找到。 下面介绍两种算法。 引言 原理 假设已得到k阶线性预测系数(预测滤波参数)，我们来考虑求k＋1阶滤波参数。k阶滤波参数的矩阵方程为 由于系数矩阵的Toplitz性质，上式又有如下形式 现考虑模型阶数增加1, 即从k变为k+1的情况。 对于k+1模型, 有 由于系数矩阵的Toplitz性质，k+1阶系数矩阵 可有两种分块形式。 利用这个性质，可设 式中 比较(3)和(4)，可知，当 (3)与(4)等效；且有下列两个递推关系式： 即当下式成立时 和 由(8)末式还可得： (5)－(10)构成Levinson算法基础。 现用i表示递推过程的阶数，令i=k+1, 并设信号模型的最大阶数为N，则有如下Levinson算法: 1) 由(3)式，令i=k+1＝0，得 2) 置i=k+1＝1; 3) 由(8)、(10)式计算 4) 由(7)、(10)式计算 5)由(6)、(7)和(10)式计算 6) 置i =i+1; 7) 判别：若 转3)；否则，结束程序。 算法 讨论 Levinson算法第4步利用了一个重要递推关系(12)， 通常称为Levinson关系式 递推过程产生一个滤波参数序列 通常称为偏相关系数 递推过程产生的 可用来监视i阶信号模型的均方 误差估值。 递推结果的最终解为 和 递推过程及结果 讨论 优点：计算简单 缺点：需根据有限观测数据估计自相关序列r(n) ? 短数据序列时，自相关估计值误差很