第14章_参数模型功率谱估计_1讲义.ppt

定义：若平稳过程 存在 阶模型，使得 模型的输出 和 在 阶统计意义上 一致，则称 可在 阶统计意义上准确建模。 是 在 阶统计意义上准确模型； 即是自相关和功率谱匹配； 做谱分解，可得 ，但由于 失去相位信息，所以模型无穷多 若 已知，由 实际上，我们可以在其它阶次的统计量上建模。 阶次大于 2 的谱称为“多谱（Polyspectrum)。 三阶谱定义为: 三阶谱又称“双谱（Bispectrum)”,对应的相关函数又称三阶相关： 阶次大于2的统计分析，称为“高阶谱分析（High-Order Spectral Analysis)”, MATLAB中有专门的工具箱。 Wold分解定理： 任一平稳过程 均可作如下分解： 1. 是一规则过程（平稳，连续谱）, 是一纯正弦过程，二者不相关; 2. 可以表为一个无穷阶的MA过程: 并有 且 和 也不相关 这一分解的含义是：任一宽平稳过程的 功率谱都可表为一连续谱和一线谱的和： Wold 分解定理是平稳过程的一个基本定理。可用于不同模型之间的等效。如 可由一 p 阶AR模型来产生，所以，一个 p 阶AR模型可由一无穷阶的MA模型来等效，反之亦然。这为建模及模型求解提供了方便。 离散谱，用FFT计算 实际计算： 14.3 AR模型谱估计的性质 1. AR谱的平滑特性 AR模型是一有理分式，估计出的谱平滑，不需要像周期图那样再做平滑或平均，因此，不需要为此去牺牲分辨率。 2. AR谱的分辨率 经典谱估计： 假定： 分辨率反比于 N ，即 对间接法： 分辨率还要降低 AR模型包含了对 的“预测”或“外推”。实际上，这包含着自相关函数的“外推”。令： AR谱 AR谱对应的自相关函数 可以证明： AR模型自相关函数匹配性质 证明： 由 两边做DTFT反变换： 左边 右边 有： 上式等效于Yule-Walker 方程，对同样的模型系数 ，因此必有 当 时，可以用下式外推： 外推后的 对应AR谱，因此AR谱有较高的分辨率。而经典谱估计中无外推，即： 分辨率低 注意到AR模型自相关函数的匹配： 设想：如果阶次 , 则AR谱对应的自相关函数完全等于信号的自相关函数，AR谱等于真谱。 （b) p=10; (c) p=20; (d) p=30 最大熵谱估计: Burg 于 1975年博士论文。 Maximum Entropy Spectral Estimation，MESE） 关于熵： 设信源由 这 M 个 事件组成： 产生 的概率是 的信息量： 对数以e为底 对数以2为底 奈特（nat) 比特（bit） 单位 离散型随机变量 连续型随机变量 熵 Burg最大熵谱估计的思路是： 已知某随机信号自相关函数 的 个值 ，现希望以这 个值对 的自相关函数予以外推。外推的方法很多，Burg的准则是：外推后的自相关函数对应的时间序列具有最大的熵，即是最随机的。 最大熵功率谱 保证： 的递推方法很多。 所以 很多 说明了自相互函数的外推特点 原则： 是所有各种可能外推所对应的时间序列中最随机的，即含有最大信息量（熵）。再假定 是高斯的。在这三个条件制约下，有： 3. AR模型谱的匹配性质 P 阶线性预测 从LSI系统输入、输出关系 若用AR谱去匹配信号的谱，则误差系列的谱应由常数谱来匹配，体现 的白化性质。 从AR模型和LP等效关系 p 阶AR模型 给定平稳信号 的功率谱，希望用一模型的谱来匹配它，匹配的原则是使二者比值的积分最小。 令 相对 中的参数 最小 可得到最佳 Yule-Walker Eq的又一解释： 当 有： 的