第七章现代谱估计电子教案.docVIP

第七章 现代谱估计 经典谱估计以傅立叶变换为基础，具有计算效率高的优点，但是由于将未观测数据认为0和数据加窗，具有频率分辨率低、旁瓣泄漏等严重的缺陷。为此，近几年来，在提高功率谱估计的分辨率方面提出了很多新的方法。 以1967年Burg提出的最大熵谱分析法为代表的现代谱估计法，以参数模型为基础，不认为在观察到的N个数据以外的数据全为零。因此克服了经典谱估计法的缺点，提高了谱估计的分辨率。后来发现线性预测自回归模型法(简称AR模型法)与Burg的最大熵谱分析法是等价的，它们都可归结为通过Yule-Walker方程求解自回归模型的系数问题。目前常用的求自回归模型系数的算法有三种：①为Levinson递推算法；②为Burg递推算法；③为正反向线性预测最小二乘算法。除了最大熵谱分析法(包括线性预测AR模型法)外近年来出现了许多适用于不同情况的提高谱估计分辨率的新方法，如模型法中还有滑动平均(MA)模型法与自回归滑动平均(ARMA)模型法，另外还有Pisarenko谐波分解法，Prony提取极点法，Prony谱线分解法以及Capon最大似然法等等。本章主要讨论最大熵谱分析法(包括线性预测AR模型法)，它是目前用得最多的一种高分辨率的谱估计方法。 参数模型估计法就是根据已观察到的数据，选择一个正确的模型，认为x(n)是白噪声通过此模型产生的，这样就不必认为N个以外的数据全为零了。这就有可能得到比较好的估计。这种方法分以下三个步骤进行。 三个处理步骤为 1 确定或选择一个合适的模型—依赖于对所研究随机过程进行理论分析和实验研究； 2 根据观测数据估计模型参数—涉及各种算法的研究； 3 由模型参数计算功率谱。 参数模型谱估计法的关键问题是 ： ——模型选择问题（AR， MA ，ARMA）和参数确定方法（导致产生了各种算法） §7.1 自回归模型谱估计 §7.1.1 建立模型 在实际中我们所遇到的随机过程，常常总是可以用一个具有有理分式的传递函数的模型来很好地表示它，因此可以用一个线性差分方程作为产生随机序列x(n)的系统的模型： （7.1） 这里表示白色噪声，下图所示为离散随机信号x(n)的有理传输函数模型，输入为零均值、方差为的白噪声序列。 将上式(7.1)变换到z域则有 该模型的传递函数为： (7.2) 其中 (7.3) 式中ak为自回归系数，称为AR系数；bk为滑动平均系数，称为MA系数。 当输入的白噪声的功率谱密度为时，输出的功率谱密度为 (7.4) 将代入上式得 (7.5) 如果能研究各ak及bl就可求得，于是，求功率谱的实质变为确定系统参数的问题。 §7.1.2 三种模型 AR模型 设，并不会影响式(7.1)与式(7.2)的一般性。如果除b0=1外的所有bl均为零。则式(7.1)成为： (7.6) 式(7.6)的形式被称为p阶自回归模型简称AR(Autoregressive)模型。将式(7.6)进行z变换，可得AR模型的传递函数为 (7.7) 自回归模型的H(z)只有极点，没有除原点以外的零点，如图7.1所示。因此又称为全极点模型。当我们采用自回归模型时，式(7.5)成为 (7.8) 此时，只要我们能求得所有ak参量，就可求得。 图7.1 自回归模型 MA模型 如果式(7.1)中除a0=1的所有ak均为零，则式(7.1)成为 (7.9) 式(7.9)的形式称为q阶滑动平均模型，简称MA(Moving Average)模型。MA模型的传递函数为 （b0=1） (7.10) MA模型的H(z)只有零点没有除原点以外的极点，因此又称为全零点模型。当我们用MA模型时，式(7.5)成为 (7.11) 此时，只要我们能求得与所有的bl参量，就可求得。 ARMA模型 当均不完全为零时的模型称为ARMA模型，即极点—零点模型。式(7.1)和式(7.2)分别表示了ARMA模型的差分方程与传递函数。 由以上的讨论可见，用模型法作功率谱估计，实际上要解决的是模型的参数估计问题。 §7.1.3 Word分解定理 Wold分解定理为我们对模型的选择以及以上三种模型之间的关系提供了理论基础。 Wold分解定理告诉我们：任何一个有限方差的平稳ARMA过程可以分为完全随机的部分和确定的部分。 推论：任何有限方差的ARMA或MA平移过程可以用可以是无限阶的AR模型表达；同样，任何ARMA或AR模型可以用可能是无限阶的MA模型表示。因此，如果在这三个模型中选了一个与信号不匹配的模型，利用高的阶数仍然可以得到好的