第三章平稳过程的线性模型.pptVIP

第三章 平稳过程的线性模型 随机信号的模型 “模型”一词常用表示一些假设，这些假设可用于解释或描述组织或约束物理数据产生的内在规律。随机过程用模型表示可回溯到Yule(1972)的一种思想，这种思想就是强相关时间序列u(n)可用独立的随机序列作用于一个线性滤波器产生。通常假设激励是零均值，方差为常数的高斯分布的随机序列。这样的随机序列构成一个纯随机过程，通常指高斯白噪声 3.1 有理分式模型 有里分式模型是应用最为普遍的线性模型，该模型的系统函数为有理式 根据分子分母的具体情况，有理分式模型可以分为： 3.1.1 ARMA模型（autoregressive moving average） 一类很重要的随机过程可以用有理传递函数建模。这类随机信号在实践中经常会出现。有理传递函数模型也通常用于其它类型的随机过程的近似表示。用有理传递函数表示的随机过程可以通过白噪声驱动具有有理传递函数的系统产生。 ARMA(p,q)的系统函数H(z)为： 3.1.4 三种模型系数间关系 实际中，我们常常会关心谱的估计。这将在本书以后章节中介绍。功率谱估计问题是从随机过程单个样本的有限测量集来估计随机过程的功率谱。有两类重要谱估计方法：非参数法和参数法。非参数法不作有关过程的假设。而仅是建立在测量的基础上。这种方法同模型法比性能较差。参数法假设随机过程的模型（MA、AR、ARMA），谱估计以模型参数的推导为基础，这其中一个基本问题是：哪一个模型更合适，是MA、AR还是ARMA？ Wold分解定理和Kolmogorov-Szego 定理都给我们提供了随机过程不同有理传递函数模型间的重要关系。由Wold分解定理可知，AR模型或ARMA模型可用一个可能是无穷阶MA模型表示。Kolmogorov-Szego 定理暗示MA模型或ARMA模型可用一个可能是无穷阶AR模型表示。这些结果是很重要的，因为如果模型选错，我们也可获得一个很好的近似。例如，如果我们正企图用AR模型建立一个ARMA(p,q)模型，只要你选择足够大的AR模型的阶数，那么结果仍然是可以接受的。 3.2 平稳随机信号通过线性系统 从前面的研究可以看出，三个模型都可以看作是白噪声通过一个线性系统的输出 3.2.1 平稳随机信号通过线性系统的定理 设：x(n)通过一线性移不变系统h(n)后输出为y(n) 则有： 1.相关卷积定理 若 则： 也就是说，卷积的相关等于相关的卷积 两边求傅立叶变换： 根据维纳—辛钦定理和相关定理（式2.4.7），由上式得 2.输入输出互相关定理 输入、输出序列的互相关等于输入自相关与系统单位抽样响应的卷积 3.均值定理 输出随机序列的均值等于输入随机序列的均值与系统零频率（直流）响应的乘积，即 证明（略） 3.2.2白噪声激励线性模型 根据谱分解定理，任何平稳随机信号x(n)都可以看成是白噪声w(n)激励一个因果稳定的可逆系统H(z)产生的输出，如图3.1所示： 3.3AR模型的正则方程与参数 计算 什么是正则方程（normal equation)： 就是在均方误差（MSE）最小准则下建立的模型参数与相关函数的关系。 AR模型应用最为广泛： 3.3.1尤勒-沃克(Yule-Walker)方程 如前所叙述的那样,p阶AR模型的系统函数为 AR模型与线性预测讨论 假定AR模型的系统增益G=1,激励白噪声的方差为待求量,则AR模型的系统函数为: (1)AR模型的逆滤波器是预测误差滤波器 (2)预测滤波器对AR过程有白化作用 3.3.3 预测误差格型滤波器及Burg算法 * * 一般地，随机过程模型时域的关系可描述如下： AR模型——自回归模型 MA模型——滑动平均模型 ARMA模型——自回归滑动平均模型 可以看出，ARMA模型的系统函数H(z)既有极点，又有零点，故，ARMA模型又称为零-极点模型 此为ARMA模型的差分方程 这里 是零均值，功率为 的白噪声。这样的随机过程叫做自回归滑动平均（autoregressive moving average--ARMA）。 就是自回归参数， 叫做动平均参数。为了明确地指出分子分母的阶数，我们叫这样的随机过程为ARMA(p,q)。 有趣的是，如果ARMA过程x(n)作为滤波器 的输入，我们就可将驱动噪声 恢复出来。这个逆滤波器是ARMA的“分析滤波器”。 下图表明ARMA过程是如何通过一个白噪声的输入产生的。 图 ARMA(p,q) 随机过程模型（这里p=q） 习惯上将用于产生ARMA 过程的系统H(z)叫做ARMA 的“综合滤波器”