第14章_参数模型功率谱估计_2分解.ppt

用求伪逆的方法可求出 ；注意，伪逆可用 奇异值分解（SVD）的方法求解；求出 后， 剩下的工作是求 2. 用 对 滤波； 3. 滤波输出 相当于一 MA（q) 过程，按 上节MA模型的求解方法，可求 出 ARMA(p,q)模型 的 参数。 ARMA 模型系数求解的方法： 1 先求出： ，它们可构成 ； （a）MA(10) （b）MA(16) （c）ARMA(10,10) （d）ARMA(10,13) 14.10 基于矩阵特征分解的功率谱估计 假定信号由 M 个复正弦加白噪声组成： 已知： 不会奇异 可构成 目标：1. 由该矩阵估计 个正弦信号的频率和幅度； 2. 估计信号 的功率谱； 定义： 为信号向量，它包含了 个复正弦，其频率和原信号的频率相同。 求解的关键是自相关矩阵的分解： 信号相关阵的表示 因为： 所以： 相关矩阵的分解：信号部分和噪声部分 秩是 秩为 秩为 再定义 特征分解 借用特征向量的特点 主特征向量 构成的p+1维空间 构成的M维信号空间 构成的噪声空间 信号空间特征值 基于噪声子空间的频率估计和功率谱估计： 噪声空间只有一个特征向量 可以证明： 和信号向量正交 即： 求解上式，可得到 的 个根，它们都 在单位圆上，因此可求出 实现了频率估计 M 阶多项式 方法： 由 估计 ，由 构成 ，并假定 ； 2. 对 作特征分解，找最小的 ，及 3. 代入上式，解出： 实现了频率估计。 4. 由下式，求 求出 5. 由 按上述步骤，可求出正弦信号的参数－ Pisarenko 谐波分解 若噪声空间向量不止一个，估计信号的频率，可应用谱估计的方法。 1. 若 MUSIC(Multiple Signal Classification)方法 2. 若 EV(Eigenvector)方法 用特征分解求出的功率谱曲线 与本章内容有关的MATLAB文件： 1. pyulear.m 用AR模型的自相关法估 计信号的功率谱，其基本调用格式是： [Px, F] = pyulear(x, order, Nfft, Fs) 2. pburg.m 用AR模型的Burg算法估计信 号的功率谱，其基本调用格式是： [Px, F] = pburg(x, order, Nfft, Fs) （一） 有关功率谱估计的MATLAB文件 3. pcov.m 用AR模型方差方法估计信号的 功率谱，其基本调用格式是： [Px, F] = pcov(x, order, Nfft, Fs) 4. pmcov.m 用AR模型的改进的方差方法估 计信号的功率谱，其基本调用格式是： [Px, F] = pmcov(x, order, Nfft, Fs) 5. pmem.m 最大熵功率谱估计，其估计 性能类似pyulear, 其基本调用格式是： [Px, F] = pmem(x, order, Nfft, Fs) 6. pmusic.m 用自相关矩阵分解的MUSIC 算法估计信号的功率谱，其基本调用格 式是： [Px, F] = pmusic(x, order, Nfft, Fs) 7. peig.m 用自相关矩阵分解的特征向量 法估计信号的功率谱，其基本调用格式是： [Px, F] = peig(x, order, Nfft, Fs), [Px, F，V, E] = peig(x, order, Nfft, Fs), x :信号向量，order:模型的阶次，Fs:抽样频率，Nfft:对x作FFT时的长度。Px:估计出的功率谱，F是频率轴坐标。对peig, 输出的E 是由自相关矩阵的特征值所组成的向量，V是由特征向