通信与信息系统专业张成根次作业.docVIP

报告二 AR模型谱估计 一、 原理分析 1、平稳ARMA过程：如果离散随机过程服从线性差分方程 （1） 其中是一离散白噪声，则称为ARMA过程，式（1）所示的差分方程称为ARMA模型。该模型描述的是一个时不变的线性系统。 2、平稳ARMA过程的功率谱密度：如果（1）式中的，则平稳ARMA过程的功率谱密度为 (2) 3、Wold分解定理：任何一个具有有限方差的ARMA或MA过程都可以表示成唯一的、阶数有可能无穷大的AR过程；同样，任何一个ARMA或AR过程可以表示成一个阶数可能无穷大的MA过程。 4、ARMA谱估计：该谱估计是使用个已知的观测数据计算出ARMA过程的功率谱密度估计值。若使用式（2）进行谱估计，需要事先辨识出整个ARMA模型及激励噪声的方差，而ARMA模型的辨识涉及到AR阶数、MA阶数的确定，以及AR参数和MA参数的估计。并且MA参数的估计需要求解非线性方程，不易实现，为此，我们可由Wold分解定理，将其简化为只有线性运算、需要辨识较少参量的谱估计过程。 5、基于LS法的AR模型谱估计 （1）给定AR的真实阶数，计算自相关函数。 （2）由来生成维的Hankel矩阵 （3） （3）求解修正的Yule—Walke方程： （4） 得到 （5） 其中 （4）对AR参数进行估计即可。 6、基于SVD-TLS法的AR模型谱估计 （1）对增广矩阵进行SVD分解，即，并存储奇异值和矩阵。其中 （6） （2）确定增广矩阵的有效秩。 （3）由和来计算矩阵。其中是矩阵的第行、第列的元素， （4）解方程 （7） 得到未知参数，进而实现总体最小二乘估计。 二、 过程分析 三、结果分析 1、LS法的AR模型谱估计 图1 LS法和arccest函数法（AR阶数=4） 图2 LS法和arccest函数法（AR阶数=100） 2、SVD-TLS法的AR模型谱估计 图3 SVD-LS法 3、结果分析 （1）对LS法和arccest函数调用法来说，当AR模型的阶数较小时，并且和比较接近时，两处的频谱混合在了一起，无法分辨出来，谱估计效果差。 （2）对LS法和arccest函数调用法来说，适当增加AR模型的阶数，能够较好的将和两处的频谱分辨出来，谱估计效果好。 （3）对SVD-TLS法来说，通过编程选择恰当的AR模型的阶数，也能够较好的将和两处的频谱分辨出来，谱估计效果好。 四、实验心得 通过这次实验，我对ARMA模型、AR模型以及AR模型的谱估计有了更深入的理解，掌握了实现AR模型谱估计的两种方法：LS法和SVD-TLS法，对这两种方法实现AR模型谱估计的区别有了更加清楚的认识，同时更加熟悉了MATLAB中的一些基本编程操作。 附录：matlab程序代码 1、LS法的程序代码： clc clear all clf p=4; N=128; n=1:N; w(n)=randn(1,N); %产生零均值方差为1的高斯白噪声 x(n)=sqrt(20)*sin(2*pi*0.2*n)+sqrt(2)*sin(2*pi*0.213*n)+w(n); rx=xcorr(x); %求信号x(n)的自相关序列 for j=1:p R(j,:)=[rx(j-p+N:j+N-1)]; %生成p阶Hankel矩阵 end d=rx(1,N:2*N-1); %从信号x(n)的自相关序列提取后N个值 for i=1:p r(i)=d(i+1); end ls_a=-(R*R)^(-1)*R*r; %LS法计算AR模型参数 ls_a1=[1 fliplr(ls_a)]; %fliplr讲行向量左右翻转 [h1,w1]=freqz(1,ls_a1,1024,1); %AR模型的参数的频率特性估计 subplot(211) plot(w1,abs(h1)) xlabel(频率(Hz)); title(LS法估计); legend(AR阶数=4); grid on %函数调用法 avec=arrcest(x,p); %使用函数实现AR模型的参数估计 [h2,w2]=freqz(1,avec,1024,1); subplot(212) plot(w2,abs(h2)) xlabel(频率(Hz)); title(arrcest函数法估计); legend(AR阶数=4); grid on 2、SVD-TLS法的程序代码： clc clear all clf N=128; n=1:N; M=100; pe=30; w(n)=randn(1,N); %产生零均值方差为1的高斯白噪声 xn=sqrt(20)*sin(2*pi*0.2*n)+sqrt(2)*sin(2*