3.计算自相关函数的估计-广州大学.pptVIP

谱估计结果——p=80,N=512 例：利用L-D算法进行谱估计 结论： 一序列含有白噪声和两个频率间隔很近的余弦信号， 利用L-D算法估计该序列的功率谱。 设x[k]的观测数据分别为N=128和N=512。 观测数据N越短，谱估计误差越大，谱估计的分辨率越低。 原因： (1) 在计算相关函数估计时，对N个观测数据以外的数据作零的假设，观测数据越短，自相关函数估计误差越大，因此功率谱估计误差就越大。 (2) 用有限个观测数据进行功率谱估计，相当于对信号加窗，由于窗函数的长度和频率分辨率成正比，因此观测数据越短，谱估计的分辨率就越低。 5、伯格(Burg)递推算法 L-D算法缺点： 在计算相关函数估计时，对N个观测数据以外的数据作零的假设，故谱估计误差较大。 伯格(Burg)递推算法基本思想： 直接从观测的数据利用线性预测器的前向和后向预测的总均方误差之和为最小的准则来估计反射系数，进而通过L-D算法的递推公式求出AR模型优化的参数。 伯格(Burg)递推算法步骤 (1) 确定初始条件 (2) 从p=1开始迭代计算: 计算AR模型参数 递推p阶均方误差 5、伯格(Burg)递推算法 (3) 递推高一阶前、后向预测误差 (4) 若阶数小于p，则阶数加1，回到步骤(2)进行下一次迭代，直到达到预定阶数p。 (5)