现代信号处理ch4-8.ppt

* 基于高阶谱的模型参数估计 解决办法 －必须用合适的方法把非稳定极点变换成非因果AR过程。实际上，非因果AR模型在一些特殊情况下，例如，在天文信号、空间信号、地质信号以及被污染了的图像信号的处理中大量得到应用。 －非因果AR模型估计方法通常有三种：全搜索法、优化计算法和转换为MA模型法。 不稳定问题及其解决方法 * 多谱的应用 多谱应用:用于信息学、海洋学、地球物理学、生物医学、机械学和经济时间序列分析等学科领域 对信号处理而言，多谱可应用于自适应信号处理、阵列信号处理和多维信号处理 信号处理中多谱的作用 从正态信号中提取信息 检测和定性分析系统的非线性特征 从有色正态噪声中提取信号（如水下信号、空间信号等） 提取非正态信号的相位信息 * * * 第四章 随机信号的功率谱估计 * 主要内容 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 MA模型谱估计 ARMA模型谱估计 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 空间谱估计 * 一、经典谱估计与现代谱估计 经典谱估计 现代谱估计 * 二、参数模型法概述 基本概念 信号模型 * 三、基于AR模型的谱估计法 谱分解定理 AR模型法 Levision-Durbin算法 AR模型的稳定性及其阶的确定 AR谱估计的性质 格形滤波器 AR模型参数提取方法 AR谱估计的异常现象及其补救措施 * 四、MA模型谱估计 * 五、ARMA模型谱估计 * 六、最小方差谱估计 基本原理 MV谱与ME谱或AR谱的关系 * 七、基于矩阵特征分解的谱估计 自相关矩阵的特征分解 基于子空间的频率估计与信号估计 基于信号子空间的频率估计与功率估计 基于噪声子空间的频率估计与功率估计 PHD方法 MUSIC方法 * 八、 高阶谱估计 研究的必要性 高阶统计量 高阶累积量和多谱的性质 三阶相关和双谱及其性质 基于高阶谱的相位谱估计 基于高阶谱的模型参数估计 多谱的应用 * 研究高阶谱的必要性 关于模型参数估计问题 所谓模型参数估计，就是根据有限长的数据序列(如模型输出端所观测到的信号y(n)来估计图中随机信号模型的参数) 与前面所述不同之处在于：这里考虑了观测过程所引入的噪声v(n). ∑ H ( z ) ( h ( n ) ) v(n) y(n) x(n) u(n) * 研究高阶谱的必要性 基于二阶统计量的模型参数估计方法的缺陷 前述模型参数估计方法中，估计得到的模型参数仅与 信号的自相关函数或功率谱包络相匹配；其功率谱不 含信号的相位特性，亦称盲相。即 这种模型只适合于高斯随机信号，因为高斯信号仅用 二阶统计量(均值和方差)就能加以描述。 * 研究高阶谱的必要性 二阶统计量方法的基本限制 前面讨论的方法中，一般都假设： 信号模型中的系统H(z)是最小相位的。 激励信号u(n)是均值为零，方差为 的高斯白噪声。 测量引入的噪声信号v(n)是均值为零，方差为 的高斯白噪声； 且v(n)与信号x(n)统计无关，即v(n)不影响信号的谱形状 故有 * 研究高阶谱的必要性 二阶统计量方法存在的问题 在许多实际应用(如地震勘探、水声信号处理、远程通 信)中，往往不能满足上述假设；甚至系统是非线性的。 对于非高斯信号的模型参数，如仅仅考虑与自相关函数 匹配，就不可能充分获取隐含在数据中的信息。 若信号不仅是非高斯的，而且是非最小相位的，采用基 于自相关函数的估计方法所得到的模型参数，就不能反 映原信号的非最小相位特点。 当测量噪声较大，尤其当测量噪声有色时，基于自相关 函数的估计方法所得到的模型参数有较大的估计误差。 * 研究高阶谱的必要性 解决问题的方法 从观测数据中提取相位信息 信号分析必须具有抗有色噪声干扰的能力 因此，必须用高阶谱(高阶统计量)来分析信号 * 高阶统计量 特征函数与高阶矩 特征函数：随机变量 x 的特征函数定义为 或 其中 f(x) 是随机变量 x 的概率密度函数。 高阶矩：对(1b)求k 阶导数，得 则随机变量x 的k 阶矩定义为 即特征函数的k 阶导数在原点的值。 * 高阶统计量 累积量生成函数与高阶累积量(cumulant) 累积量生成函数 或 称为累积量生成函数(又叫第二特征函数)。 高阶累积量：随机变量x的k 阶累积量定义为 即累积量生成函数的k 阶导数在原点的值。 * 高阶统计量 累积量生成函数与高阶累积量(cumulant) 高阶矩与高阶累积量的关系 关系: 结论: － 二、三