(周围)现代信号处理基础平稳随机信号特征与信号模型解析.ppt

* * * * * * * * * 1.5 平稳随机信号的参数模型 1.5.1 谱分解 1.5.2 平稳随机信号的参数模型 1.5.3 三种模型之间的关系 1.5.4 AR模型的Yule-Walker方程 最小相位系统 若离散系统传递函数H(z)的所有零点都在单位圆内，则称其为最小相位系统。 最小相位序列 序列 ，若其Z变换的所有零点都在单位圆内，则称该序列为最小相位序列。即： 式中零点 1.5.1 谱分解 （1） 倒序列 （2） 共轭系数多项式 （3） 共轭反射多项式 （4） 共轭倒序多项式 可证明： 最大相位（时延）序列：零点全在单位圆外。 零点 零点 若将 不变 可证明：共有2M个序列具有相同振幅谱 。 部分能量： 序列总能量： * 最小相位序列能量集中在初始阶段(时延最小），最大相位序列能量集中在尾部(时延最大）。（证明见P12） 零点倒易 其功率谱估计： * 具有相同振幅谱的2M个序列，其自相关函数相同。 自相关函数的不变性 序列 的取样自相关： * 最小相位谱分解：找出 成对共轭对称零点 （共2M个）；将单位圆内零点归总构成最小相位多项式A(z). 零点倒易 零点0.5 零点2 零点0.2 零点5 零点倒易 例： 序列 序列 序列 序列 最小相位序列 最大相位序列 序列 序列 序列 序列 具有相同幅度谱 不同序列的部分能量 部分能量： * 不同序列总能量相同。 * 最小相位序列能量集中在初始阶段(时延最小），最大相位序列能量集中在尾部(时延最大）。（证明见P12） 谱分解定理 其 为常数，B(z)是有理函数，即 ，其中 任何实平稳随机信号x(n)的有理功率谱Sxx(z)都可唯一地表示成最小相位形式： 都是最小相位多项式。 例：某平稳随机信号x(n)的有理功率谱为 试利用谱分解定理将其分解为最小相位形式。 解： 零点： 极点： 谱分解定理的推论 任何平稳随机信号x(n)都可以看成由白噪声序列 激励一个因果和稳定的线性时不变系统B(z)产生的输出。 平稳随机信号模型 (白噪声) N(z)、D(z)最小相位多项式 （零极点都在单位圆内） 白噪声 色噪声 白化滤波器 例：已知一离散时间有色噪声 ，其自功率谱为 试设计一线性数字滤波器H(z)对其进行白化处理。 解： 随机过程的统计描述 概率描述 统计平均描述 － 均值 － 均方差或方差 － (自)相关函数与(自)协方差函数 － 功率谱密度（简称功率谱）函数 信号的参数模型（信号模型） 随机过程描述方式 1.5.2 平稳随机信号的参数模型 信号的参数模型 基本考虑 思路 假设所研究的过程x(n)是由u(n)激励 一个线性系统H(z) 所产生的输出； 由已知的x(n)或其自相关函数Rxx(n)来估计H(z)的参数 由H(z)的参数来估计x(n)的功率谱。 好处：对一个研究对象建模是现代工程常用方法 使所研究的对象有一个简洁的数学表达式 (如数据压缩） 通过对模型的研究，使我们对研究对象有更深入的了解 约束 H(z)是稳定因果移不变系统，单位脉冲响应是确定性的 x(n)可为平稳随机序列,亦可为确定性时间序列,取决于u(n) 模型与系统 信号模型不同于FIR系统和IIR系统，主要不同如下： 信号模型激励源为(白)噪声,其输出为(平稳)随机序列 信号模型具有两重性:本身是系统, 描述的是信号。 因此，对信号模型来说， - 既要研究模型的系统特性(主要不是研究模型的系统特性) - 又要研究信号的统计特性(主要研究模型描述的统计特性) 平稳性与稳定性：系统稳定性与信号平稳性等价。 相互关系 AR模型与MA模型、ARMA模型的关系 自相关函数、功率谱、信号模型之间关系 信号模型 ARMA模型(自回归滑动平均模型, Auto-Regressive Moving-Average) Σ D D D D … … … Σ 设输入 是零均值方差为 的白噪声序列， 输出功率谱： 若h(n)是实的，可证明： 有： 信号模型 MA模型(滑动平均模型, Moving-Average,全零点) D D D … Σ 信号模型 AR模型 (自回归模型，Autogressive，全极点模型) Σ D D D D … … … （1) Wold分解定理 任何广义平稳随机过程都可以分解为一个完全随机部分和一个确定的部分。 （2) Wold分