7_医学信号处理现代谱估计.ppt

第七章功率谱估计的现代方法—— 现 代 谱 估 计; 经典谱估计以傅立叶变换为基础，具有计算效率高的优点，但是由于将未观测数据认为0和数据加窗，而具有频率分辨率低、旁瓣泄漏等严重的缺陷。 现代谱估计与经典谱估计不同，它以参数模型为基础，能够得到小方差和高分辨率，特别是数据长度很短的情况，更具优势。;现代谱估计法的基本思想：; §7.2 自回归模型(AR)谱估计;有理分式传递函数的模型的差分方程为：;求功率谱的实质变为确定系统参数的问题;如果除b0外其它的MA系数都等于0，即;自回归模型;如果除a0外其它的AR系数都等于0，即;如果除a0=1和b0=1外其它的AR系数和MA系数都不全等于0，即;到底选择什么模型？三种模型之间关系如何？—Word分解定理; 结论： 由于对AR模型参数的估计，得到的是线性方程。故AR模型比ARMA以及MA模型有计算上的优点，即只需解一组线性方程，而ARMA或MA模型一般需要解一组非线性方程。同时，实际的物理系统往往是全极点系统。AR模型得到了深入的研究和广泛的应用。;已知：自相关函数 ;7.3.1 Yule-Walker方程的推导;如何根据自相关函数确定系统参数;可见，AR模型输出信号的自相关函数具有递推性质，即：;选择m0的前P个方程并写成单一正规矩阵的形式为：;AR模型谱估计;Yule-Walker方程的求解;Levinson-Durbin递推算法：  算法的关键就是要推导出由第K阶AR模型的参数计算第k+1阶AR模型AR(k+1)参数的迭代计算公式。;;;递推公式为：;AR模型参数和 a1,a2，…，ap 激励源方差 ;给定初始值和AR模型的阶数p，可按照L-D算法流程进行估计，流程终止规则为 或;AR模型谱估计的L-D算法流程;例7-1、已知实数据序列;;一、AR模型的稳定性具有下面性质：;阶太低，功率谱平滑的太厉害，平滑后的谱分辨不出真实谱中的两个峰； 阶太高，可以提高谱估计的分辨率，但会出现许多虚假谱峰。;所以，估计一个AR(p）过程，选取AR(k）阶数要求 k≥p , 但k不能太大。如果估计精确的话， kp时，AR(p)模型参数估计为：;三、确定AR模型的阶的方法 — 一般的观察方法，简单而直观;1、FPE(最终预测误差）;2、Akaike（AIC)信息准则;此外，还有CAT等准则 。; §7.4 线性预测谱估计;预测误差为：;确定系数ak的一个原则是使预测误差功率最小。根据这一原则推导出的预测器系数-ak与x(n)的自相关序列Rxx(m)之间的关系为：;将两个关系式写成矩阵展开式分别为：;将(1)和(2)两个关系式合并为一个式子：;将(3)写成矩阵展开形式为：; 熵—是信息量的一种量度，也是不确定性的一种量度。信息量与事件发生概率之间有类似于反比例的关系，信息量与概率之间存在对数关系。复合事件的信息量等于各独立事件信息量之和。对于事件A有：;N个符号组成信号系统传递消息，每个符号出现的概率为pi，接收到第i个符号的信息量为I(i)，消息中总的平均信息量为：;对于零均值的高斯平稳随机过程则有：;det[R(N)]是行列式的值。于是有下列式子：;均值为0的高斯平稳随机过程的熵的表达式，它是R(N)的函数。;最大熵谱估计：为了使得H取得最大值，应当使det[R(N)]取最大值。根据外推或预测方法，求出使det[R(N+1)] 取最大值的Rxx(N+1)：;结论： ;实际上，假定在线性预测谱估计中，用外推的方法得到了Rxx(N+1)，即：;使联立方程有非零解的充分必要条件是系数行列式等于0：; 7.6.1 预测误差格型滤波器;代入有：;上式中;格型前向预测误差滤波器;格型预测误差滤波器传递函数为;也就是相当于：;后向预测误差;格型后向预测误差滤波器传递函数为; 7.6.2 Burg递推算法——Kp的确定;算法准则是前向均方误差和后向均方误差之和最小。;如果用后向预测方法以均方误差最小为准则确定Kp，用 表示为：;Burg算法准则是前向均方误差和后向均方误差之和最小，令;于是得到：;对于长度为N的有限长序列，有下面一系列递推关系式。当p=1时：;于是有：;于是;继续代入求得K3，b3(n)，e3(n)，…，以此类推。便可以由x(n)求得各阶Kp以及前向与后向误差及其各个akk。;Burg法估计AR(p)模型参数的具体步骤为： 1、确定初始条件： 2、按照公式 计算Kp。 3、按照公式 计算ep(n)和bp(n)。 4、计算均方误差： 5、p=p+1。 6、重复第2—5步，直至满足条件为止。;例5-2、设N=5的数据记录为x(0)=1,x(1)=2,x(2)=3,x