现代信号处理ch4–1–2.pptVIP

第四章 随机信号的功率谱估计 * 引言 作用：功率谱起着类似于频谱的作用 应用：遍及通信、噪声监测、信号检测与估计、模式识别、振动分析等领域 出发点：观测数据 理论基础：平稳随机过程的自相关函数与功率谱密度之间存在傅立叶变换关系 注意：随机信号不能直接进行傅立叶变换 主要内容 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 MA模型谱估计 ARMA模型谱估计 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 空间谱估计 一、经典谱估计与现代谱估计 经典谱估计 现代谱估计 经典谱估计 基本思想：以傅立叶变换为基础，附以平均、加窗、平滑等预处理或后处理 优缺点 优点：简单易行、计算效率高 缺点：分辨率低、旁瓣效应，数据短时缺点更突出 适用范围：长数据 主要方法：B－T法、周期图法 相互关系 － 二者存在联系，均采用加窗来改善特性 － FFT的出现使二者获得新生，并引入细化FFT － 都存在致命缺点：分辨率低 经典谱估计 具体步骤： （1）从无限长随机序列x(n)中截取长度N的有限长序列xN(n)。 （2）由N长序列xN(n)求(2M-1)点的自相关函数序列 。即 是双边序列。 （3）由相关函数的傅氏变换求功率谱。即 经典谱估计 以上过程中经历了二次截断，一次是将x(n)截成N长，称为加数据窗，一次是将Rx(m)截成(2M-1)长，称为加延迟窗。 FFT问世后，可利用快速相关法求得 。 经典谱估计 周期图法又称直接法，它是从随机信号x(n)中截取N长的一段，把它视为能量有限信号，直接取xN(n)的傅氏变换，得到频谱XN(k)，然后再取其幅值的平方，并除以N，作为对x(n)真实功率谱Sx(ejw)的估计 的抽样 。 周期图法包含了二条假设： 1. 认为随机序列是广义平稳且各态遍历的，可以用其一个样本x(n)中的一段xN(n)来估计该随机序列的功率谱。这必然带来误差。 2. 由于对xN(n)采用DFT，就默认xN(n)在时域是周期的，以及XN(k)在频域是周期的。这种方法把随机序列样本x(n)看成是截得一段xN(n)的周期延拓，这也就是周期图法这个名字的来历。 经典谱估计 相关法： 1. 当 而 时， 是Rx(m)的一致估计。 2. 矩形窗时， 是Sx(ejw)的有偏估计。但对于满足一定条件的窗比如三角窗且 时， 趋于无偏。 3. 时， 的方差较小，当M=N时，方差相对较大。 4. 不是Sx(ejw)的一致估计。 周期图法： 1. 当N有限长时 是有偏的。当 时， 是无偏的，这种情况叫渐进无偏。 2. 当 时， 的方差趋于 ，总大于等于 估值均值的平方。 3. 不是 的一致估计。 经典谱估计 B-T法和周期图法都不是Sx(ejw)的一致估计，主要问题是方差大。改进方法：主要的途径有改善窗口形状、平均和平滑。 相关法的两次截断就是两次加矩形窗，这将造成泄漏效应。影响到分辨率和方差。为了减少泄漏和提高谱估计的分辨率，改善窗的形状是必要的。对窗函数谱的总的要求是希望它的主瓣尽可能窄以改善分辨力，旁瓣尽可能小以减少能量外泄、改善方差。但实现时两者往往是矛盾的，任何减小旁瓣的努力都要以牺牲主瓣宽度为代价，两者只能兼顾，不可兼得。常用的窗有汉宁窗、海明窗、三角窗等。 经典谱估计 周期图法得出的估计谱方差特性不好：当数据长度N太大时，谱线的起伏加剧；N太小时谱的分辨率又不好。对其改进的主要方法有两种，即平均和平滑，平均就是将截取的数据段xN(n)再分成L个小段，分别计算功率谱后取功率谱的平均，这种方法使估计的方差减小，但偏差加大，分辨率下降。平滑是用一个适当的窗函数W(ejw)与算出的功率谱 进行卷积，使谱线平滑。这种方法得出的谱估计是无偏的，方差也小，但分辨率下降。现比较常用的是Welch法，又叫加权交叠平均法（WOSA)，它以加窗（加权）求取平滑，以分段重叠求得平均，集平均与平滑于一体，是一种折衷。 经典谱估计 不管数据记录有多长，周期图和自相关法得到的估计都不是功率谱的良好估计。事实上，随着记录长度增加，这两种估计的随机起伏反而会更加严重。此外，它们还存在以下两个难以克服的固有缺点。 （1）频率分辨率（区分两个邻近频率分量的能力）不高，这是因为它们的频率分辨率反比于数据记录长度，而实际应用中一般不可能获得很长的数据记录。 （2）经典谱