- 1、本文档共10页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
Yule-Walker方程
实 验 报 告
课程名称:
学 院:
专 业:
年 级:
班 级
姓 名:
学 号:
指导教师:
模型参数满足Yule-Walker方程
矩阵形式
求解Yule-Walker方程,就可以得到AR模型系数
当模型阶次较大时,直接用矩阵运算求解的计算量大,不利于实时运算。利用系数矩阵的特性,人们提出了如L-D算法等快速算法。
(三)实验内容和步骤
编写求解Yule-Walker方程的程序,并对实际生理信号(例如脑电)建立AR模型。
对同一数据,使用matlab信号处理工具箱自带函数aryule计算相同阶数AR模型系数,检验程序是否正确。
用伪随机序列(白噪声)驱动AR模型,观察输出是否与真实脑电信号相似,对比真实信号与仿真信号的功率谱。
流程图:
实验流程图如下:
源程序:
clear; clc;
load eegdata;
x = eegdata (1:1024); % 长度可以任意选择,但信号越长计算量越大
load ecgdata;
x = ecgdata (1:1024); % 长度可以任意选择,但信号越长计算量越大
p = 12; % 尝试改变模型阶数,观察效果
Rxx = xcorr(x,biased);
Rtemp = zeros(1,p);
Rl = zeros(p,1);
for k = 1:length(Rtemp)
Rtemp(k) = Rxx(length(x)-1+k);
Rl(k) = Rxx(length(x)+k);
end
Rs = toeplitz(Rtemp); % 生成自相关系数矩阵(Toeplitz型)
A = -inv(Rs)*Rl; % AR模型系数估计
Sw = [Rtemp(1),Rl]*[1;A]; % 白噪声方差估计
% 采用malab自带函数估计模型系数
[a,E] = aryule(x,p); % a--系数,E--预测误差,k--反射系数
da = a(2:end)-A % 自编程序求解是否正确?
Stem(da);title(‘参数估计偏差’)
w = randn(size(x));
x2 = filter(1,a,w); % 仿真数据
figure;
subplot(3,1,1);plot(x);title(真实数据);
subplot(3,1,2);plot(x2);title(仿真数据);
error=mean((x2-x).^2);
Rxx2=xcorr(x2,biased);
Px=abs(fft(Rxx));
Px2=abs(fft(Rxx2));
figure;
subplot(2,1,1);plot(-1023:1023,Px);title(真实信号功率谱);
subplot(2,1,2);plot(-1023:1023,Px2);title(仿真信号功率谱);
%%绘制Sw、E随p变化散点图,以下是统计得到的结果
p=[8 9 10 11 12 13 14 15 16];
Sw=[1.0527 1.0301 1.0150 0.9961 0.9943 0.9942 0.9896 0.9877 0.9872];
E=[3.8741 3.4337 3.3200 3.7314 3.3683 3.4809 3.5826 3.6253 3.4176];
subplot(2,1,1);stem(p,Sw);xlabel(p);ylabel(Sw);title(Sw随p变化散点图);
subplot(2,1,2);plot(p,E,-o);xlabel(p);ylabel(E);title(E随p变化散点图);
实验结果:
1、p=12时,比较心电信号与脑电信号的da值,并作出散点图。
脑电信号 心电信号
结果分析:
由以上两个图可以看出脑电信号的参数估计偏差比心电信号的参数估计偏差要小许多,脑电信号的自编程序跟MATLAB信号处理工具箱自带函数aryule的处理更接近。由此可知,L-D算法与自编程序相比较,自编程序对估计的参数比较精确一些。
2、p=12时,比较心电信号与脑电信号的真实数据与仿真数据
脑电信号 心电信号
结果分析:
由上面两幅图可以看出,对心电信号与脑电信号建模后,心电信号的真实数据和仿真数据相差很大,该模型产生的信号更能真实的反映脑电信号的特征。不同噪声的激励得到的信号时不同的。
3、p=12时,比较心电信号与脑电信号的功率谱,
脑电信号 心电信号
结果分析:
在比较脑电信号与心电信号的图之后不难发现,对信号进行功率谱估计时,脑电信号的功率谱的纵坐标相差不大,但是相对而说心电信号的相差是极大的。
4、L-D算法与
文档评论(0)