功率谱分析(Matlab)..docVIP

功率谱分析 由题目内容，设采样频率fs=1000HZ，数据长度为256，模型阶数为14，f1=200,f2=300、250。 （1）用最大熵法进行谱估计 运行程序后，观察图像f1和f2相差较小时，功率谱变化更剧烈；模型的阶数越高，图像中能够获得的信息就越多，但同时计算量也就越大；增加数据长度可以获得更多的信息，提高了谱分析的分辨率，这是因为AR模型的谱估计隐含着对数据和自相关函数的外推，其长度可能会超过给定长度，分辨率不受信源信号的限制。 分别用Levinson递推法和Burg法进行功率谱分析 ? Levinson递推法 运行程序后，观察图像，f1和f2相差较小时，功率谱变化更剧烈；模型的阶数越高，图像中能够获得的信息就越多，但同时计算量也就越大；增加数据长度可以获得更多的信息，提高了谱分析的分辨率，但本题中信号为正弦信号加白噪声，故图像观察不明显。 ? Burg法 运行程序后，观察图像，f1和f2相差较小时，功率谱变化更剧烈；模型的阶数越高，图像中能够获得的信息就越多，但同时计算量也就越大；增加数据长度可以获得更多的信息，提高了谱分析的分辨率。 改变信号的相位、频率、信噪比，上述谱分析结果有何变化 如果正弦信号的频率过大，超过fs/2，会产生频率混叠现象，输入f1=600HZ，会在400HZ处产生一个波峰；降低信噪比会导致谱分辨率下降；信号起始相位的变动可导致谱线的偏移和分裂（我的图像观察不到）。 最大熵法估计 N=1024; Nfft=256; Fs=1000; n=0:N-1; t=n/Fs; x1=sin(2*pi*200*t); x2=sin(2*pi*300*t); %0.3 xn=x1+awgn(x1,10)+x2+awgn(x2,10); [Pxx1,f]=pmem(xn,14,Nfft,Fs); subplot(4,1,1) plot(f,10*log10(Pxx1)); xlabel(Frequency (Hz));ylabel(Power Spectrum (dB)); title(MEM f2/fs=0.3,Nfft=256,Oder=14); grid N=1024; Nfft=256; Fs=1000; n=0:N-1; t=n/Fs; x1=sin(2*pi*200*t); x2=sin(2*pi*250*t); %0.25 xn=x1+awgn(x1,10)+x2+awgn(x2,10); [Pxx1,f]=pmem(xn,14,Nfft,Fs); subplot(4,1,2) plot(f,10*log10(Pxx1)); xlabel(Frequency (Hz));ylabel(Power Spectrum (dB)); title(MEM f2/fs=0.25,Nfft=256,Oder=14); grid N=1024; Nfft=512; %修改数据长度512 Fs=1000; n=0:N-1; t=n/Fs; x1=sin(2*pi*200*t); x2=sin(2*pi*300*t); %0.3 xn=x1+awgn(x1,10)+x2+awgn(x2,10); [Pxx1,f]=pmem(xn,14,Nfft,Fs); subplot(4,1,3) plot(f,10*log10(Pxx1)); xlabel(Frequency (Hz));ylabel(Power Spectrum (dB)); title(MEM f2/fs=0.3,Nfft=512,Oder=14); grid N=1024; Nfft=256; Fs=1000; n=0:N-1; t=n/Fs; x1=sin(2*pi*200*t); x2=sin(2*pi*300*t); %0.3 xn=x1+awgn(x1,10)+x2+awgn(x2,10); [Pxx1,f]=pmem(xn,24,Nfft,Fs); %修改阶数为24 subplot(4,1,4) plot(f,10*log10(Pxx1)); xlabel(Frequency (Hz));ylabel(Power Spectrum (dB)); title(MEM f2/fs=0.3,Nfft=256,Oder=24); Grid Burg法估计 N=1024; Nfft=256; Fs=1000; n=0:N-1; t=n/Fs; x1=sin(2*pi*200*t); x2=sin(2*p