新MATLAB辅助现代工程数字信号处理 第二版 教学课件 李益华 第6 10章_ 第7章.pptVIP

第7章 功率谱估计 　　　 7.1 功率谱估计及其分析方法　　如果用φxx(m)表示随机信号x(n)的自相关函数，Pxx(ω)表示它的功率谱密度，则有 　　由于实际的随机信号只能是它的一个实现或一个样本序列的片段，因此，根据有限个样本序列估计的信号功率谱密度为 　　功率谱估计已被广泛地应用于各种信号处理中。在信号处理的许多场所，要求预先知道信号的功率谱密度。功率谱估计也常被用来得到线性系统的参数估计。由于白噪声的自功率谱PSD为一常数，即σω2，于是有　　　　　　　　　　Pyy(ω)=σω2|H(ω)|2　　　　　(7.6)　　因此，通过估计输出信号的自功率谱(PSD)，可以估计出系统的频率特性|H(ω)|。 　　　　　　　7.2 经典谱估计法　　经典功率谱估计法可分成两种: 一种是自相关函数估计法，或称为BT法; 另一种是基于DFT的周期图法，或称为直接法。7.2.1 自相关函数估计法　　设观察到N个样本序列{xn}的值为x(0)，x(1)，…，x(N－1)， 现需由此N个数据来估计自相关函数φxx(m)。由于xn只能观察到0≤n≤N－1的N个值，而n0与nN－1 时的xn值是未知的，一般只能假定为零。根据自相关函数的定义得到 　 　　由于x(n)只有N个观测值，因此对于每一个固定延迟m，可以利用的数据只有(N－|m|－1)个， 且在[0， N－1]范围内，所以实际计算　　　为 　　【例 7.1】 采用自相关函数估计法，求带有白噪声干扰的频率为10 Hz的正弦信号的功率谱。　　MATLAB程序如下:  　　%MATLAB PROGRAM 7-1　　　clf; f=10; 　　　N=1000; Fs=500; %数据长度和采样频率　　　n=[0: N－1]; t=n/Fs; %时间序列　　　Lag=100; %延迟样本点数　　　randn(′state′，0); %设置产生随机数的初始状态　　　x=sin(2*pi*f*t)+0.6*randn(1，length(t)); %原始信号　　　[c，lags]=xcorr(x，Lag，′unbiased′); %对原始信号进行无偏自相关估计　　　subplot(311)，plot(t，x); %绘原始信号x 　　xlabel(′t/s′); ylabel(′x(t)′); grid; 　　legend(′含噪声的信号x(t)′); 　　subplot(312); plot(lags/Fs, c); %绘x信号自相关，lags/Fs为时间序列　　xlabel(′t/s′); ylabel(′Rxx(t)′); 　　legend(′信号的自相关Rxx′); grid; 　　Pxx=fft(c，length(lags)); %利用FFT变换计算信号的功率谱　　fp=(0: length(Pxx)－1)′*Fs/length(Pxx); %求功率谱的横坐标f　　Pxmag=abs(Pxx); %求幅值　　subplot(313); 　　plot(fp(1: length(Pxx)/2), Pxmag(1: length(Pxx)/2)); %绘制功率谱曲线　　xlabel(′f/Hz′); ylabel(′|Pxx|′); grid; 　　legend(′信号的功率谱Pxx′); 程序运行结果如图7.1所示。 图 7.1 自相关函数估计间接法求功率谱密度 7.2.2 周期图法　　周期图法是直接将离散信号x(n)进行傅里叶变换来求取功率谱估计。假设x(n)为有限长随机信号序列，其功率谱估计可表示为 式中， 　　【例 7.2】 利用FFT算法求信号x(t)=sin(2πf1t)+ cos(2πf2t)+u(t)的功率谱。其中，f1=40 Hz，f2=80 Hz，u(t)为白噪声，采样频率fs=1 kHz。信号长度取256和1024。　　MATLAB程序如下: 　　　%MATLAB PROGRAM 7-2　　　clf; 　　　Fs=1000; 　　　f1=40; f2=80; 　　　%Case 1: N=256　　　N=256; Nfft=256; 　　　n=[0: N-1]; 　　　t=n/Fs; 　　　xn=sin(2*pi*f1*t)+cos(2*pi*f2*t)+randn(1，N); 　　Pxx=10*log10(abs(fft(xn，Nfft).^2)/(N+1)); 　　f=(0: length(Pxx)－1)*Fs/length(Pxx); 　　subpl