时域离散随机信号处理-第4章.ppt

第三种方法由Parzen在1976年提出， 称为自回归传递函数准则（CAT）［25］，定义是： (4.5.42) 式中 同样, 模型的阶次取使上式最小的k值。以上三种估计模型阶次的方法性能类似［26］。 还有其它的模型阶次估计方法， 可参考文献［27］～［29］。 4.6 最大熵谱估计与最大似然谱估计 4.6.1 最大熵谱估计 1. 利用最大熵的原则外推自相关函数 按照Shannon对熵的定义， 当随机变量X取离散值时，熵的定义为 (4.6.1) 式中pi是出现状态i的概率。当X取连续值时，熵的定义为 (4.6.2) 式中, p(x)是X的概率密度函数，对于离散随机序列, 概率密度函数用联合概率密度函数代替。显然,熵代表一种不确定性， 最大熵代表最大的不确定性， 或者说最大的随机性。下面我们研究对于有限的自相关函数值不作任何改变，对于未知自相关函数用最大熵原则外推，即不作任何附加条件的外推方法。 假设x(n)是零均值正态分布的平稳随机序列，它的N维高斯概率密度函数为 式中 按照（4.6.2）式，x(n)信号的熵为 （4.6.3） 式中det(Rxx(N))表示矩阵Rxx(N)的行列式，由上式表明为使熵最大，要求det(Rxx(N)最大。 (4.4.8) 式中 将(4.4.8)式代入（4.4.7）式, 得到 (4.4.9) 式中 因为 因此 (4.4.10) 4.4.3 AR模型隐含自相关函数延拓特性 AR模型的自相关函数和模型系数之间的关系服从Yule-Walker方程，重写如下： m≥1 m=0 上式中，对于m≥1的情况，公式本身就是一个递推方程，如果已由观测数据计算出p+1个自相关函数，用 ,m=0,1,2, , …,p表示，对于m＞p的情况, 可以用该公式外推得到，公式如下： 0≤m≤p 0p (4.4.11) 上式中，系数hA(l)需用（4.3.6）式求出。因此AR模型隐含着自相关函数外推的特性。我们知道,经典谱估计BT法中，自相关函数只能限于由观测数据计算出的有限个自相关函数，其它的认为是0，造成了谱估计分辨率低、模糊。也正是AR模型具有自相关函数外推特性， 使它具有高分辨率的优点。 4.5 AR谱估计的方法 4.5.1 自相关法——列文森（Levenson）递推法 自相关法的出发点是选择AR模型的参数使预测误差功率最小，预测误差功率为 (4.5.1a) 假设信号x(n)的数据区在0≤n≤N-1范围，有p个预测系数，N个数据经过冲激响应为api(i=0, 1, 2, …, p)的滤波器， 输出预测误差e(n)的长度为N+P， 因此应用下式计算: (4.5.1b) 显然,e(n)的长度长于数据的长度，上式中数据x（n）的两端需补充零点，这相当于无穷长的信号经过加窗处理，得到长度为N的数据。 用（4.5.1b）式对系数api的实部和虚部求微分的方法使预测误差功率最小，得到 (4.5.2) 式中自相关函数采用有偏自相关估计， 即 m=0, 1, 2, …, p m=-p+1, -p+2, …, -1 (4.5.3) 对比（4.3.7）式，（4.5.2）式就是已推导出的Yule-Walker方程，因此自相关法也是基于解Yule-Walker方程的一种方法。 首先由信号的观测数据估计出其自相关函数，再解该方程，得到模型参数，便可求出信号的功率谱。 因此该方法也称为Yule-Walker法。但是直接解该方程，需要计算逆在矩阵，不方便。在第三章自适应滤波器中，曾介绍了基于Yule-Walker方程中自相关矩阵的性质，导出Levenson-Durbin递推法，这是一种高效的解方程方法。下面把已推出的Levenson[CD*2]Durbin递推法简化重写如下： （4.5.4） i=1, 2, 3, …, k-1 （4.5.5） （4.5.6） 由k=1开始递推，递推到k=p，依次得到{a11,σ21}，{a21,a22, σ22}，…，{ap1,ap2,…,app,σ2p}。AR模型的各个系数以及模型输入白噪声方差求出后， 信号功率谱用下式计算： （4.5.7） （4.5.6）式表明： ，说明随着阶数增加， 预测误差功率将减少或者不变，为此要求|akk|≤1,akk称为反射系数。另外, 递推公式提供了一种确定模型阶数的实验方法， 如模型的阶数不知道，由低阶开始递推，当递推到M阶时，预测误差满足允许的值，停止递推，选AR模型的阶数为M。 这种递推法效率高， 且当阶数变化时， 无需从头计算。  如果知道信号的 N个观测数据（x(n),0≤n≤N-1