4无线通信信号处理_第2讲(现代谱估计-续).ppt

* 基于高阶谱的模型参数估计 基本原理 与AR功率谱估计(即单谱估计)相类似，AR过程的多谱 估计与已知的多谱相匹配的程度，也可用线性预测的多 谱来衡量，亦即可用多谱的平坦度来衡量。说明如下： 设用p 个值x(n)作线性预测，即 则预测误差 利用(10b)，可写出e(n)的多谱为 式中 * 基于高阶谱的模型参数估计 基本原理 (续) 如果选择预测系数ak ，使得 式中 为一常量，则有 上式表明：x(n)是由 的非正态白噪声激励参数为{ak}(k=1,…,p)的AR过程产生的。 结论：预测误差的多谱的平坦度可用作AR过程多谱与实际多谱接近程度的一种度量。 * 基于高阶谱的模型参数估计 不稳定问题及其解决方法 不稳定问题：用单谱(功率谱)和多谱估计AR模型参数时 都存在稳定性问题。 解决办法 －当用单谱估计AR模型时，只要把不稳定极点替换为其 倒数极点(反演技术)即可，这是因为 －当用多谱估计AR模型时,不能作这种替换. 以双谱为例 而 故 * 多谱的应用 多谱应用: 用于信息学、海洋学、地球物理学、生物医学、目标识别、机械学和经济时间序列分析等学科领域 对信号处理而言，多谱可应用于自适应信号处理、阵列信号处理和多维信号处理 信号处理中多谱的作用 从非正态信号中提取信息 检测和定性分析系统的非线性特征 从有色正态噪声中提取信号（如水下信号、空间信号等） 提取非正态信号的相位信息 * * 第二讲（续） 现代谱估计-高阶谱估计 南京邮电大学 郑宝玉 2015.8.20 * 高阶谱估计 研究的必要性 高阶统计量 高阶谱 高阶累积量和多谱的性质 三阶相关和双谱及其性质 累量与多谱估计 基于高阶谱的相位谱估计 基于高阶谱的模型参数估计 多谱的应用 参考:姚天任等《现代数字信号处理》(184-199；204-205) * 研究高阶谱的必要性 关于模型参数估计问题 所谓模型参数估计，就是根据有限长的数据序列(如模型输出端所观测到的信号y(n)来估计图中随机信号模型的参数，) 与前面所述不同之处在于：这里考虑了观测过程所引入的噪声v(n). ∑ H ( z ) ( h ( n ) ) v(n) y(n) x(n) u(n) 图1 * 基于二阶统计量的模型参数估计方法的缺陷 前述模型参数估计方法中，估计得到的模型参数仅与 信号的自相关函数或功率谱包络相匹配；其功率谱不 含信号的相位特性，亦称盲相。即 这种模型只适合于高斯随机信号，因为高斯信号仅用 二阶统计量(均值和方差)就能加以描述。 研究高阶谱的必要性 * 二阶统计量方法的基本限制 前面讨论的方法中，一般都假设： 信号模型中的系统H(z)是最小相位的。 激励信号u(n)是均值为零, 方差为 的高斯白噪声。 测量信号v(n)是均值为零, 方差为 的高斯白噪声；且 v(n)与信号x(n)统计无关, 即v(n)不影响信号的谱形状 ,故有 (b) 由此可见,信号模型的冲激响应h(n) 必须由输入激励 u(n) 与输出信号y(n)的互相关才能得到。在许多实际应用中， 这是很困难的。但信号的高阶统计 量能够冲激响应h(n)。 研究高阶谱的必要性（续） * 二阶统计量方法存在的问题 在许多实际应用(如地震勘探、水声信号处理、远程通 信)中，往往不能满足上述假设；甚至系统是非线性的。 对于非高斯信号的模型参数，如仅仅考虑与自相关函数 匹配，就不可能充分获取隐含在数据中的信息。 若信号不仅是非高斯的，而且是非最小相位的，采用基 于自相关函数的估计方法所得到的模型参数，就不能反 映原信号的非最小相位特点。 当测量噪声较大，尤其当测量噪声有色时，基于自相关 函数的估计方法所得到的模型参数有较大的估计误差。 研究高阶谱的必要性（续） * 解决问题的方法 从观测数据中提取相位信息 信号分析必须具有抗有色噪声干扰的能力 因此，必须用高阶谱(高阶统计量)来分析信号 研究高阶谱的必要性（续） * 随机信号的高阶特征 不同ARMA过程具有相同形状的功率谱,即模型的多重性 两个具有零均值和相同方差的高斯白色噪声和指数分布 白色噪声显然是不同的随机过程,但它们的功率谱相同 用这样两个白色噪声激励同一个ARMA模型,产生的两个 ARMA过程显然是不同的随机过程,但它们的功率谱相同 两个灰度图相同的图像有可能是不同的图像。 以上事实说明