数据分析与信号处理试题(大作业)分析.doc

《数据分析与信号处理》考试题目 一、???? ?????????在MATLAB下分析其谱信号特征，要求给出时域波形、频域功率谱及分析结果； ????????对该信号叠加高斯或白噪声，并对含噪声的信号分别采用高通、低通、带通和自适应滤波等滤波方法进行处理，对比分析各种滤波效果。 综述基于模型的现代功率谱参数估计方法，并将其中一种方法在MATLAB下实现。 以信号噪声消除应用为例，对比分析付氏分析和小波分析的功能差别。 《数据分析与信号处理》答卷 一 答题如下： 我在网上下载了一份打火机声音的WAV格式音频文件，然后应用MATLAB中的wavread命令来读入（采集）该语音信号，将它赋值给某一向量。再将该向量看作一个普通的信号，对其进行FFT变换实现频谱分析，再依据实际情况对它进行滤波。具体结果见下图： 图一 原始信号时域频域图 结果分析：由上图可知，打火机的声音为低频信号，其能量主要集中在1500HZ以下。 对该信号叠加一个信噪比为20分贝的高斯白噪声，可用awgn命令来实现，下面对含噪声的信号分别采用高通、低通、带通和自适应滤波等滤波方法进行处理，结果见下图： 图二 原始信号和加噪信号对比图 可以看出，由于受到噪声的干扰，信号发生了变化。 图三 低通滤波器处理 结果分析：可以看出，在低通滤波后，高频部分全部被滤除了，而低频部分的噪声没有滤除。 图四 高通滤波器处理 可以看出，在高通滤波后，低频部分全部被滤除了，而高频部分的噪声没有滤除。 图五 带通滤波器处理 可以看出，两边全部被滤除，而带内噪声未被滤除。 二 答题如下: 现代功率谱估计即参数谱估计方法是通过观测数据估计参数模型再按照求参数模型输出功率的方法估计信号功率谱。主要是针对经典谱估计的分辨率低和方差性能不好等问题提出的。主要方法有最大嫡 谱分析法(AR 模型法)、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。其中AR 模型应用较多, 具有代表性。常用的模型有ARMA 模型、AR 模型、MA 模型。 ARMA 模型功率谱数学式子表达为: 其中是激励白噪声的方差, 为功率谱密度, 和 为模型参数。 如果ARMA模型参数全为0，就演化为AR模型： 如果ARMA模型参数全为0，就演化为MA模型： 在实际中, AR 模型的参数估计比较简单, 对其有充分的研究, 而对于ARMA 模型, 其参数比较复杂, 对其算法的研究和改进还在完善中。 下面取信号 xn=cos(2*pi*40*n)+cos(2*pi*41*n)+3*cos(2*pi*90*n)+ 0.1*randn(size(n)) 用周期图法求出的功率谱曲线和burg 算法求出的AR 功率谱曲线( p=50)，求得结果如下： 图六 周期图法求出的功率谱曲线和burg 算法求出的AR 功率谱曲线 对应的代码为： fs=200; n=0:1/fs:1; xn=cos(2*pi*40*n)+cos(2*pi*41*n)+3*cos(2*pi*90*n)+ 0.1*randn(size(n)); window=boxcar(length(xn)); nfft=512; [pxx,f]=periodogram(xn,window,nfft,fs); subplot(121) plot(f,10*log10(pxx)) xlabel(frequency(hz) ); ylabel(power spectral density(Db/Hz) ); title(periodogram psd estimate ); order1=50; range=oneside; magunits=db; subplot(122) pburg(xn,order1,nfft,fs,range) 经典功率谱估计的分辨率反比于有效信号的长度, 但现代谱估计的分辨率可以不受此限制。这是因为对于给定的N 点有限长序列x(n), 虽然其估计出的自相关函数也是有限长的, 但是现代谱估计的一些隐含着数据和自相关函数的外推, 使其可能的长度超过给定的长度, 不象经典谱估计那样受窗函数的影响。因而现代谱的分别率比较高, 而且现代谱线要平滑得多, 从上图可以清楚看出。 三 答题如下： 小波分析是傅立叶分析思想的发展与延拓，它自产生以来，就一直与傅立叶分析密切相关，他的存在性证明，小波基的构造以及结果分析都依赖于傅立叶分析，二者是相辅相成的，两者主要的不同点： 1、傅立叶变换实质是把能量有限信号f(t)分解到以{exp(jωt)}为正交基的空间上去；小波变换的实质是把能量有限信号f(t)分解到W-j和V-j所构成的空间上去的。