实验三 随机信号的功率谱估计.docxVIP

随机信号的功率谱估计一、 实验目的（1）了解估计功率谱密度的几种方法；（2）掌握功率谱密度估计在随机信号处理中的作用。二、 实验原理随机信号的功率谱密度用来描述信号的能量特征随频率的变化关系。对功率谱密度的估计又称功率谱估计。线性估计法（有偏估计）：线性估计方法是有偏的谱估计方法，谱分辨率随数据长度的增加而提高。包括：自相关估计、自协方差法、周期图法。非线性估计（无偏估计）：非线性估计方法大多是无偏的谱估计方法，可以获得高的谱分辨率。包括：最大似然法、最大熵法1． 自相关估计法假设我们已知随机信号x(n)的M长的自相关序列{}，利用自相关函数法可以得到x(n)的功率谱估计： (3-1)利用窗函数，上式又可表达为 (3-2)其中，为矩形窗函数，定义为 (3-3)因此，实际上是真正功率谱与窗函数傅立叶变换的卷积。矩形窗函数不仅降低了谱估计的分辨率，而且使谱估计产生了旁瓣。为了降低旁瓣影响，可以采用具有较小旁瓣的窗函数，如Hamming 窗，它定义为 (3-4)这种窗函数可以有效的抑制旁瓣，但是，此时主瓣宽度增大，从而降低了谱估计的分辨率，这种主瓣和旁瓣之间的矛盾在线性谱估计方法中是无法解决的。2． 周期图法假设已知随机信号的N个样本，利用周期图方法，信号x(n)的功率谱估计为 (3-5)利用上述方法得到的谱估计方差与信号的功率谱平方成正比，为了减小它的方差，可以将信号序列进行分段处理，然后再求各分段结果的平均，这就是平均周期图方法，即Bartlett方法。（1）Bartlett 平均周期图方法将一个随机序列 (0≤n≤N）分成K段，每段长度为L，各段之间互不重迭，因而N=KL，可以想到，第i段的信号序列可表示为 (3-6)对于每一段的周期图又可写成, (3-7)于是，功率谱估计定义为 (3-8)因此，对于固定的记录长度来讲，分段数K增大可使谱估计的方差减小，但是由于L的减小，相应的功率谱主瓣增宽，谱分辨率降低，显然，方差和分辨率也是矛盾的。除了分辨率降低以外，分段处理还会引起序列的长度有限所带来的旁瓣效应。为减小这种影响，最有效的办法是给分段序列用适当的窗函数加权，可以得到较平滑的谱估计，当然，相应的分辨率也有所下降。最大熵法对信号的功率谱密度估计的一种方法。1967年由J.P.伯格所提出。其原理是取一组时间序列，使其自相关函数与一组已知数据的自相关函数相同，同时使已知自相关函数以外的部分的随机性最强，以所取时间序列的谱作为已知数据的谱估值。它等效于根据使随机过程的熵为最大的原则,利用N个已知的自相关函数值来外推其他未知的自相关函数值所得到的功率谱。最大熵法功率谱估值是一种可获得高分辨率的非线性谱估值方法，特别适用于数据长度较短的情况。最大熵法谱估值对未知数据的假定　一个平稳的随机序列，可以用周期图法对其功率谱进行估值。这种估值方法隐含着假定未知数据是已知数据的周期性重复。现有的线性谱估计方法是假定未知数据的自相关函数值为零，这种人为假定带来的误差较大。最大熵法是利用已知的自相关函数值来外推未知的自相关函数值，去除了对未知数据的人为假定，从而使谱估计的结果更为合理。实验内容和结果自相关估计MATLAB：clear;%清屏fs=1000;%设采样频率为1000n=0:1/fs:1;N=length(n);W1=2*pi*300;%300Hz角频率W2=2*pi*310;%310Hz角频率X1n=cos(W1*n)+cos(W2*n);%两个余弦信号相加X2n=randn(1,N);%白噪声信号xn=X1n+X2n;%产生含有噪声的信号序列XN subplot(3,1,1)plot(n,xn);xlabel(n)ylabel(输入信号) m=-100:100;[r,lag]=xcorr(xn,100,biased);%求XN的自相关函数R，biased为有偏估计lag为R的序列号subplot(3,1,2)hndl=stem(m,r);%绘制离散图，分布点从-100—+100set(hndl,Marker,.)set(hndl,MarkerSize,2);ylabel(自相关函数R(m)) %利用间接法计算功率谱k=0:1000;%取1000个点w=(pi/500)*k;M=k/500;X=r*(exp(-1i*pi/500).^(m*k));%对R求傅里叶变换magX=abs(X);subplot(3,1,3)plot(M,10*log10(magX));title(功率谱)周期图法clear;fs=4000;%设采样频率为4000n=0:1/fs:1;N=length(n);W1=2*pi*300;W2=2*pi*310;%X1n=cos(W1*n)+cos(W2*n);%两个余弦信号相加X2n=randn(1,N);%白噪声