清华university数字信号处理演示课件第12章节.pptVIP

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) 12.10 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 * * 12.5 关于线性预测的进一步讨论 上一节使用的AR模型等效于一个 p 阶的线性预测器。即Yule-Walker方程等效于Wiener-Hopf 方程。但估计的功率谱的分辨率不理想，其原因是仅用了前向预测，即 对同样一组数据，我们可以实现双向预测： Forward Prediction 前向预测误差序列 误差功率 Backward Prediction 后向预测误差功率 对同一组数据的后向预测 后向预测误差序列 令： 可以得到使 最小的 及 。当然也可使用正交原理得： 后向预测的Wiener-Hopef Eq 可以证明： 前、后向预测对等关系 上述结果表明，使用已知的 p 个数据，我们可以实现前向预测，也可以实现后向预测，两种情况下可各自得到对等的Wiener-Hopf方程。将它们单独使用，所得分辨率都不理想。可以设想，如将二者结合起来，即同时使前向、后向预测误差功率为最小，应能得到更好的分辨率。人们在线性预测方面进行了大量的研究。 前、后向预测误差序列有如下的关系： 初始条件 反射系数 上述关系引出了线性预测中的Lattice结构。这一结构在现代谱估计、语音信号处理中有着重要的应用。 上述的关系还是集总平均。对实际的信号：单个样本有限长，求均值要简化，对 取代 的范围 N点数据，前向预测误差序列范围 上三角+中间块+下三角：上、下加窗； 中间块：上、下不加窗； 中间块+上三角：下不加窗、上加窗； 中间块+下三角：上不加窗、下加窗； 12.6 AR模型系数求解算法 AR模型系数求解算法很多，人们目前仍在探讨新的求解算法。目前，常用的算法是： 1. 自相关法 2. Burg算法 3. 协方差(covariance)方法； 4. 改进的协方差算法（modified ~) , 又称：Marple 算法 5. 最大似然（Maximum Likelihood)估计 3. 递推算法：由 求 ，由 递 推，还是直接由 递推 各算法之间的主要区别： 1. 的取值范围，即 选择那一个？ 2. 仅用前向预测，还是前后向都预测？即 令 最小，还是 最小？ 一、自相关法 令： 使用 使用前向预测 使最小，得 注意：矩阵 的结果，即是对有限长数据求出的自相关函数，因此，上式等效于： 自相关法的特点： 1. 只用前向预测，且 等效前、后加窗, 分辨率不好; 2. 用 ，得到的 是Toeplits阵，才 可能用Levinson算法求解；