[信号处理第四章.doc

第四章 信号的建模 §4.1 引言 信号建模在很多应用中是很重要的问题。例如在数据压缩中，包括N个数据x(0), …, x(N-1)的波形x(n)要在通信信道中传输或要存入磁带或磁盘上。当然我们可以将该信号一个点一个点地传输或存贮，但若能用较少的k个参数(kN)对信号进行精确的建模，就可以只传输或存贮这些参数，提高处理效率，然后由接收机或数据检索系统根据模型参数对信号进行重构。不妨考虑一个具体例子，设有信号，要将它存入磁盘，当然我们可以把所有的信号值存入，但更有效的方法是只存贮幅度、频率和相位，以后的任何时候都可以由这些参数精确地重建该信号。更实际的情况是，假设要存贮或传送的信号可以精确地建模为L个正弦序列之和： (4.1) 同样，可以存贮或传送x(n)的信号值，也可以只存贮或传送模型参数{,,,k=1, …, L}。采用何种方法取决于精度和效率两者的折衷考虑。 信号建模的另一个应用是信号预测(外推)和信号插值。这两个问题中都已知x(n)在给定时间段的值，目的是要确定x(n)在其它时间段的值。例如在预测中，x(n)在时刻n=0,1, …, N-1的值已知，要预测下一个信号值x(N)。在插值中，信号在某个时间段[N1, N2]的一个或多个相继的值被丢失或严重失真，我们要利用该区间外的数据恢复或估计区间内的x(n)值。两种情况中，若能找出精确表示x(n)的模型，则可用它估计未知的x(n)值。例如，假定x(n)的模型是如下递归形式： (4.2) 则给定n?[0, N-1]的x(n)值，下一个值x(N)可由式(4.2)估计为： (4.3) 信号建模要涉及到信号的有效表示问题。一般的建模过程分两步。第一步是选择合适的参数模型形式。例如可以象刚才介绍的，将信号建模为正弦序列之和，或者采用其衰减加权形式： 本章采用的模型是将信号表示为一个因果线性移不变滤波器的输出，滤波器的系统函数是如下形式的有理函数： (4.3) 如图4.1所示。这样，信号模型就包括滤波器系数和，以及对图中输入信号v(n)的描述。对大多数要建模的信号，它们都是确定性信号，因此为使模型尽可能地有效，图中的滤波器输入一般是一个固定信号，如单位采样信号?(n)。或者是用几个参数就能表示的参数化信号，例如对语音信号建模时，可取： 其中表示段周期。又如用于多脉冲线性预测编码时，可取： 在4.7节我们将研究用于随机过程的模型，这时到滤波器的输入将是一个随机过程，一般是一个白噪声。 图4.1 将信号x(n)建模为一个线性移不变滤波器对输入v(n)的响应。 需要找出滤波器H(z)和输入v(n)，使尽可能地逼近x(n)。 选择了模型的形式后，下一步是估计模型参数，使得对给定的信号有最佳的逼近。但是，对“最佳”逼近有许多不同的定义方式。依赖于所采用的定义，建模问题将有不同的解，且求解模型参数也有不同的技术。因此，在研究信号建模方法时，不仅要找出能有效工作的有用模型，还要有由给定数据确定模型参数的高效计算方法。 本章将介绍一系列的信号建模方法。首先在4.2节介绍最小平方方法，它是使信号x(n)与滤波器输出间的误差的平方和达到最小，误差为e(n)=x(n)-。由于该方法需要求解非线性方程，因此实际上很少使用。4.3节介绍Pade逼近方法，它是通过强制模型在一个有限的固定区间[0, N-1]是精确的(e(n)=0)而使问题的求解切实可行，它只需要求解一个线性方程组。但该方法的不足之处是对区间[0, N-1]之外n个间隔的值的建模精度没有保证。因此4.4节给出Prony方法，它是将最小平方方法和Pade逼近方法融合在一起，也只需要求解线性方程组，但所获得的模型在平均意义上比Pade方法更准确；然后又推导了Shanks方法，它在寻找系统函数的零点方面对Prony方法有所改进；又介绍了采用Prony方法进行全极点建模的特例，并给出了全极点建模和线性预测间的相互关系。4.5节又回到4.2节的最小平方方法的研究，给出了求解非线性建模方程的一种迭代方法。4.6节介绍了全极点建模的自相关方法和协方差方法，他们是全极点Prony方法的修正形式，主要用于有限长度数据的情况。然后在4.7节介绍了随机过程的建模问题。本章介绍的只是信号建模的主要部分，在第六章还要介绍基于格型滤波器的信号建模，第九章的自适应滤波器中将介绍非平稳信号的一些建模方法。 §4.2 最小平方(直接)建模方法 本节将研究确定性信号的建模，信号x(n)被