第12章12.1-12.4.ppt

零阶预测器的误差等于信号的功率 递推公式 递推过程中，要始终保持： P 阶AR模型（LP）有三组参数： 可互相导出： 都是 p+1 个 AR模型 基于AR模型谱估计的实现： 由 估计 步骤1 步骤2 解Yule-walker方程，得估计的模型参数 步骤3 尚需离散化 离散谱，用FFT计算 实际计算： 12.3 AR模型谱估计的性质 1. AR谱的平滑特性 AR模型是一有理分式，估计出的谱平滑，不需要像周期图那样再做平滑或平均，因此，不需要为此去牺牲分辨率。 2. AR谱的分辨率 经典谱估计： 假定： 分辨率反比于 N ，即 对间接法： 分辨率还要降低 AR模型包含了对 的“预测”或“外推”。实际上，这包含着自相关函数的“外推”。令： AR谱 AR谱对应的自相关函数 可以证明： AR模型自相关函数匹配性质 证明： 由 两边做DTFT反变换： 左边 右边 有： 上式等效于Yule-Walker 方程，对同样的模型系数 ，因此必有 当 时，可以用下式外推： 外推后的 对应AR谱，因此AR谱有较高的分辨率。而经典谱估计中无外推，即： 分辨率低 注意到AR模型自相关函数的匹配： 设想：如果阶次 , 则AR谱对应的自相关函数完全等于信号的自相关函数，AR谱等于真谱。 （b) p=10; (c) p=20; (d) p=30 3. AR模型谱的匹配性质 P 阶线性预测 从LSI系统输入、输出关系 若用AR谱去匹配信号的谱，则误差序列的谱应由常数谱来匹配，体现 的白化性质。 从AR模型和LP等效关系 p 阶AR模型 * * 第12章 参数模型功率谱估计 12.1 平稳随机信号的参数模型 12.2 AR模型的正则方程与参数计算 12.3 AR模型谱估计的性质与阶次选择 12.4 AR模型的稳定性与信号建模 12.5 关于线性预测 12.6 AR模型系数的求解算法 所谓模型，即是用某种形式来近似地描述或模拟所研究的对象或过程。 模型 具体模型 数学模型 模拟模型 缩尺模型 数式模型 图表模型 时间序列1：美国人口增长趋势 时间序列2：美国罢工趋势 时间序列3：美国月事故死亡趋势 时间序列4：太阳黑子活动趋势 12.1 平稳随机信号的参数模型 经典谱估计： 分辨率低（受窗函数长度的限制）; 方差性能不好； 方差和分辨率之间的矛盾。 对平稳信号建模: 用于功率谱估计:提高分辨率，减小方差； 也可用于信号的特征提取，预测，编码及 数据压缩 等。 步骤2 由 的先验知识，如 ,估计 的参数： 步骤1 假定所研究的平稳过程 是由一白噪声序列 激励一线性系统所产生的输出； 从功率谱估计的角度，对平稳信号建模的步骤： 即是对 建立的数学模型。 参数 一旦上述系数被求出，则： 功率谱估计： 随机信号通过LSI系统的输入输出关系 步骤3 LSI系统的输入、输出关系： 以上两式是LSI系统的时域表示，无论对确 定性信号还是随机信号都成立。现假定输入、 输出是平稳随机信号（输入是白噪声）。 差分方程 卷积关系 转移函数的两种表示形式，独立于信号。 谱分解的Z域表示 待辨识的参数。 AR（Auto—Regressive，自回归）模型 若： 并假定： 全极点模型 则： MA（Moving—Average,移动平均）模型 若： 则： 全零点模型 ARMA（Auto-Regressive Moving- Average,自回归－移动平均） 模型 极—零模型 ARMA模型 如果： 不全为零 则： AR模型: 全极模型， 线性，用的最多， 被研究的也最多，性能很好； MA模型：全零模型，看起来简单； 但是非线性； ARMA模型：极－零模型，二者的综合。 具体选用那一个模型，一是取决于信号的特点，二是取决于信号处理任务的需要，需区别对待。 12.2 AR模型的正则方程与参数计算 目标：找到已知参数和未知参数的关系， 以便求解未知参数： 已知参数： 求解方法：由下面的差分方程入手： 两边同乘 ，求均值 未知参数： 和 的 互相关 因果系统 卷积关系 结果1： 结果2： 结合起来 正则方程（Normal Eq.） Toepl