AR谱与自适应谱线(第五章)重点分析.pptVIP

AR谱分析与自适应谱线增强器 第五章 AR谱分析与自适应谱线增强器 5.1 时间序列的参数模型与谱估计 5.2 自适应谱线增强器 5.3 谱线检测与谱线跟踪问题 本章小结 利用给定的样本数据估计一个平稳随机过程的功率谱密 度称为谱分析；而能够将正弦波信号从宽带噪声分离出来的 自适应噪声抵消器，称为自适应谱线增强器。谱分析和自适 应谱线增强器在雷达、声纳、生物医学工程、故障诊断技术 等各个领域中得到了广泛应用。 谱分析方法分为两大类：非参数化方法和参数化方法。 非参数化功率谱分析（或周期图谱法）称为经典谱分析，其 主要优点是物理概念明确，计算方法简单，其缺点是频率分 辨力低；而现代谱分析一般是指基于模型的参数化谱分析， 它具有数据短、频率分辨力高的特点。 本章主要平稳随机过程自回归（AR）谱分析方法及其在 谱线检测、跟踪和识别中的应用。 5.1 时间序列的参数模型与谱估计 相当多的平稳随机过程都可以看作线性系统对白噪声激 励的响应，而这种响应按发生的时序排列就可得到时间序 列；如果用线性差分方程来描述时间序列的因果关系所得到 数学模型，则称之为自回归-移动平均（Autoregressive Mov －ing Average — ARMA）模型。 假设时间序列可以用具有有限个参数的模型近似地描 述，那么，在估计出这些参数的同时，近似地估计了时间序 列的本身，包括它的功率谱。这样，谱估计问题就简化为参 数估计问题。 5.1.1 三种时间序列模型及其相互联系 （1）自回归模型 如果时间序列 {xk}能用下述n 阶差分 方程描述 （5.1.1） 则称{xk}为 p 阶自回归序列或 AR(p)序列。其中，wk 是均值 为零、方差为σ2 的白噪声序列，记为{wk} ~ WN(0，σ 2 )； ai（i=1，… ，p）为常数。产生AR(p) 模型如图5-1所示。 （2）滑动平均模型 时间序列{xk} 若能用下述 n 阶差分 方程描述： （5.1.2） 式中{ wk }~ WN(0，σ 2), bi（i=1，2，… ，q）为常数, 则称 {xk}为 q 阶滑动平均归序列或 MA(q) 序列。 图5-2是产生MA(q)序列的模型结构。MA(q)序列 {xk} 是 白噪声通过FIR滤波器所产生的输出，因而它一般是有色噪 声。 （3）自回归滑动平均模型 由式（5.1.1）和（5.1.2）， 即可得到自回归滑动平均模型ARMA(p，q)序列{xk}所满足 的差分方程 （5.1.3） 产生ARMA（p，q）序列的模型结构如图5-3所示 以上介绍了三种广泛应用的时间序列模型。为了说明这 三种模型的实用性以及它们之间的联系，下面我们不加证明 地给出以下几个重要的结论： （1）任何一个有限方差的实值平稳ARMA或MA序列都 可近似地表示成唯一的、阶数足够大的AR序列；同样，任 何ARMA或AR序列也可用阶数足够大的MA序列来近似表 示。这就是著名的Wold分解定理。 （2）基于Wold分解定理，总可以选择阶数足够高的AR 模型来合理逼近任意平稳的时间序列，而建立 AR 模型比 ARMA或MA模型在计算上要简单的多。 正是基于这个缘故，关于有理式传递函数的模型大多采 用AR模型来近似，特别是在大信噪比的条件下，AR(p) 与 ARMA(p，q) 模型的精度没有本质上的差别。 5.1.2 ARMA谱估计 在谱线检测与跟踪问题中，考虑的问题是输入序列{xk } 含有背景噪声 wk 成分和 M 个正弦波成分，如图5-4所示。 其中，M个正弦波可以不具有谐波关系。因而，用经典的 FFT分析方法这种信号很难获得高的频率分辨力。 下面证明，当 wk 为白噪声时，输入序列 {xk}可用基于 ARMA模型的谱估计方法，也即皮萨连柯（Pisarenko）谱 估计来精确地描述。 先考虑单个正弦波的情况，即 并假定初始相位φk 是在（-π，π）均匀分布的独立随机变 量，它在一次实现中为常量。将上式代入三角恒等式 可得二阶差分方程 对上式的两边取 z － 变换，得 这样，就得到特征多项式 它有一对共轭复数根，即 由此可决定正弦频率 通常取正频率。显然，若M 个实正弦波没有重复频率的话， 则该M 个频率应该由特征多项式 （5.1.4） 的根决定。易知，|zi|=1, 且系数是对称的，即 ak=a2M-k ，其 中， (0 ≤ k≤ M)。 与式（5.1.4）对应的差分方程是 这样的过程称为可预测过程，又称为退化的AR序列，即 A(z-1)sk=0 当输入序列{xk }为受白噪声 wk “污染”的