25-26-离散傅里叶变换-运用举例.pptVIP

3　随机信号功率谱估计 对于确定性信号，傅里叶变换是进行频率分析研究的理论基础，但对于随机信号，其傅里叶变换不存在，因此研究它的功率谱。 在实际应用中，通常只能采集或观测到平稳随机过程的一个抽样序列的一段(有限个)数据，如果根据这有限个已知数据来估计随机过程的功率谱的问题，简称谱估计(谱分析)问题。 谱估计方法 经典谱估计，也称为线性谱估计 现代谱估计，也称为非线性谱估计 经典谱估计 BT法：1958年，R.Blackmant和J.Tukey提出， 先估计自相关函数，再计算功率谱。 周期图法：1898年，Schuster利用傅里叶级数去拟合待分析的信号，提出周期图的术语，但直到FFT出现，周期图法才受到人们的重视。这种方法直接对观测数据进行FFT，取模平方，除以N得到功率谱。 经典谱估计致命的缺点是频率分辨率低，原因是傅里叶变换域是无限大，而观测数据是有限长，观测不到的数据被认为是0。这相当于将信号在时域加了矩形窗，在频域使真正的功率谱卷积一个sinc函数。 现代谱估计 如果由观测数据能够估计出信号模型的参数，信号的功率谱可以计算出来。谱估计问题变成了由观测数据估计信号模型参数的问题。 模型种类很多，如AR模型、MA模型等。 合适地选择模型，功率谱估计质量比经典谱估计的估计质量有很大提高。 参数模型法以信号模型为基础。 参数模型法：AR、MA、ARMA模型 非参数模型法：Pisarenko、MUSIC、ESPRIT法 - 离散傅里叶级数 - 离散傅里叶变换的推导与定义 - 离散傅里叶变换的基本性质 - 频率域采样 - 离散傅里叶变换的应用举例 DFT的快速算法----FFT的出现， 使DFT在数字通信、 信号处理、 数值分析等各个领域都得到广泛应用。 1 用DFT计算线性卷积 如果 0≤k≤L-1 则由时域循环卷积定理有： Y(k)=DFT［y(n)］=X1(k)X2(k), 0≤k≤L-1 由此可见，循环卷积既可在时域直接计算，也可以按照上图所示的计算框图在频域计算。 由于DFT具有快速算法（FFT），当N很大时，在频域计算的速度快得多，因而常用DFT(FFT)计算循环卷积。 用DFT计算循环卷积 y(n) 在实际应用中，需要计算两个序列的线性卷积，为了提高运算速度，希望用DFT(FFT)计算线性卷积。 而DFT只能直接用来计算循环卷积，为此须知线性卷积和循环卷积之间的关系以及循环卷积与线性卷积相等的条件。 设h(n)和x(n)都是有限长序列，长度分别是N和M。 它们的线性卷积和循环卷积分别表示如下： 其中：L≥max［N, M］ 对照式(1)可以看出， 上式中: yc(n)等于yl(n)以L为周期的周期延拓的主值序列。 线性卷积与循环卷积 yl(n)的长度为N+M-1，因此只有当循环卷积长度L? N+M-1时， yl(n) 以L为周期进行周期延拓时才无混叠现象。 此时取其主值序列显然满足yc(n)＝ yl(n) 。 由此：循环卷积等于线性卷积的条件是-----L ? N+M-1 用DFT计算线性卷积框图 如果取L＝N+M-1，则可用DFT(FFT)计算线性卷积，计算框图如下图。其中DFT和IDFT通常用快速算法(FFT)来实现，故常称其为快速卷积。 实际上，如果两个序列的长度相差很大，例如MN。如选取L=M+N-1，以L为运算区间进行快速卷积，则要求对短序列补充很多零点，序列必须全部输入后才能进行快速计算。因此要求存贮容量大，运算时间长，并使处理延时很大，很难实时处理。 而且，在某些应用场合，序列长度不定或者认为是无限长（如语音信号和地震信号等），在要求实时处理时，不能直接套用上述方法。 解决问题的方法：是将长序列分段计算，这种分段处理法有重叠相加法和重叠保留法两种。 这里介绍重叠相加法。 设序列h(n)长度为N， x(n)为无限长序列。 将x(n)均匀分段， 每段长度取M， 则： 于是， h(n)与x(n)的线性卷积可表示为： 其中： 该式说明，计算h(n)与x(n)的线性卷积时，可先进行分段线性卷积yk(n) ，然后把分段卷积结果叠加起来即可。 重叠相加法卷积示意图 每一分段卷积yk(n)的长度为N+M-1，因此yk(n)与yk+1(n) 有N-1个点重叠，必须把重叠的部分相加，才能得到完整的卷积序列y(n)。 由图可以看出，当第二个分段卷积y1(n)计算完后，叠加重叠点便可得输出序列y(n)的前2M个值，同样，分段卷积yi(n) 计算完后，就可得到y(n)第 i 段的M个序列值。 　　用DFT计算分段卷积yk(n)的方法如下：