北京交通大学(数字信号处理研究生课程)ch6_3现代功率谱估计.ppt

(3) 递推高一阶前、后向预测误差 (4) 若阶数小于p，则阶数加1，回到步骤(2)进行下一次迭代，直到达到预定阶数p。 (5) 估计功率谱 伯格(Burg)递推算法步骤 伯格(Burg)递推算法 [Pxx,f] = pburg (x,p,NFFT,Fs) Burg算法估计频谱的MATLAB函数 x：进行功率谱估计的输入有限长序列； p: 模型的阶数 NFFT：DFT的点数； Fs ：绘制功率谱曲线的抽样频率，默认值为1； Pxx：功率谱估计值； f：Pxx值所对应的频率点 利用Burg法进行谱估计程序 N=512;NFFT=1024;Fs=2;p=40; n=0:N-1;randn(state,0); x=cos(0.3*pi*n)+cos(0.32*pi*n)+randn(size(n)); [P,f]=pyulear(x,p,NFFT,2); [Pw, f2]=pburg(x,p,NFFT,2); subplot(211);plot(f,10*log(P));grid;title(L-D); axis([0 1 -30 60]); subplot(212);plot(f2,10*log(Pw));grid;title(Burg); axis([0 1 -30 60]); AR模型阶数p=50 的谱估计结果 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 -20 0 20 40 60 L-D 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 -20 0 20 40 60 Burg AR模型阶数p=80 的谱估计结果 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 -20 0 20 40 60 L-D 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 -20 0 20 40 60 Burg 功率谱估计 功率谱估计 近代数字信号处理(Advanced Digital Signal Processing) 电子信息工程学院 信号与图像处理研究室 离散随机序列的特征描述 平稳随机序列通过LTI系统 经典功率谱估计 现代功率谱估计 现代谱估计简介 问题提出 平稳随机信号的参数模型 AR模型参数与自相关函数的关系 Y-W方程的L-D递推算法 AR模型参数与线性预测滤波器的关系 伯格(Burg)递推算法 问题提出 经典法存在问题: 1. 方差性能不好，不是Px(W)的一致估计 2. 平滑周期图和平均周期图改善了周期图的方差性能，但却降低了谱分辨率和增大了偏差。 3. 可能使短序列的功率谱估计出现错误的结果 出现问题的主要原因: 将观测数据以外的数据一律视为零，与实际不符。 参数模型法的基本思想 根据所研究信号的先验知识，对观测数据以外的数据作出某种比较合理的假设。 方法： (1) 选择一个好的模型，在输入是冲激函数或白噪声的情况下，使其输出等于所研究的信号，至少也是对该信号的一个良好近似。 (2) 利用已知的自相关函数或数据求模型的参数。 (3) 利用求出的模型参数或数据估计该信号的功率谱。 平稳随机信号的参数模型 AR模型 (AutoRegressive model ) MA模型 (Moving Average model) ARMA模型 (AutoRegressive- Moving Average model ) 若输入白噪声的功率谱 则输出序列的功率谱为 若能确定模型中各参数{an, bn}和s2就可以求得功率谱Px(?) 平稳随机信号的参数模型 AR模型参数与自相关函数的关系 描述p阶AR模型的差分方程为 将上式两端同乘以y[k-m]再求数学期望 AR模型参数与自相关函数的关系 由于输入是白噪声信号 Rh[n]=s2d[n] 对于因果系统, p阶AR模型的自相关函数与模型参数的关系 Yule-Walker(Y-W) 方程 AR模型参数与自相关函数的关系 Y-W 方程的矩阵表示 例: p=3 时的Y-W 方程 若已知Ry[n] ，由Y-W方程解出各参数a3(1), a3 (2), a3 (3), s2。则可由AR模型参数获得功率谱Py(?)的估计值。 Y-W方程的L-D递推算法 一阶Y-W方程的解 解此方程得 Y-W方程的L-D递推算法 二阶Y-W方程的解 Y-W方程的L-D递推算法 p阶Y-W方程的递推解 Y-W方程的L-D递推算法 (1) 计算自相关函数的估计值 (2) 求解一阶模型参数关函数的估计值 L-D算法估计功率谱的步骤 (4) 求出功率谱