3无线通信信号处理_第2讲(现代谱估计).pptVIP

* MUSIC方法 理论基础（pM时） 若pM, 噪声子空间的向量不止一个, 用类似方法可以证明： 定理2 信号向量ei与噪声子空间的向量Vk都正交，即 由于自相关矩阵Rp的特征向量 构成一组正交基，因此有 注意: (11)对应于pM的情况。在这种情况下，若再使用(8), 则求出的V(z)将有p-M个多余零点。故不宜再使用(8)计算。 * MUSIC方法 MUSIC算法 基本思路 由于信号向量与噪声子空间的各个向量都正交, 因此 信号向量与噪声空间各向量的线性组合也 正交,故有 且上式在 处应为零。从而有 该峰值对应的就是正弦信号的频率,分辨率优于AR模型法。 * MUSIC空间谱： 噪声子空间方法 信号子空间方法 波束形成器： MUSIC方法的应用--空间谱估计 作为比较, 这里给出MV谱估计结果： （最小方差谱) (最佳滤波器系数)（15） * 式(15)由capon提出，称为最小方差无畸变(MVDR : minimum variance distortionless response )波束形成器或DOA估计 MUSIC方法的应用--空间谱估计 所谓波束形成器即设计一滤波器抽头(权系数) * MUSIC方法的应用--空间谱估计 * MUSIC方法的应用--空间谱估计 * 子空间分解的另外一种算法--ESPRIT 考虑类似于式(8)的矩阵(Vandermonde矩阵), 求其频率 * ESPRIT (cont..) * ESPRIT (cont..) * ESPRIT (cont..) 算法 * 小结 * 现代谱估计 功率谱估计 空间谱估计 ARMA谱估计 (差分模型) 最大熵方法 (信息论) Pisarenko谐波分析 (特征值分解) 扩展Prony方法 (复指数模型拟合) 等价关系 波束形成器 Capon空间谱 MUSIC 子空间方法 ESPRIT 广义特征值分解 * * * 引 言 MEM的核心是求解如下方程： 这个方程实际上是联合AR模型法和预测滤波法得出的。 我们发现，方程(1)有如下特点： 系数矩阵是一个Toplitz矩阵，利用Toplitz矩阵的性质 可简化方程求解。 实际问题中，一般只知道信号的某些观测值，而不知道 其AR模型阶数，该阶数也需要在方程求解过程中找到。 下面介绍两种算法。 * Levinson算法 原理 假设已得到k阶线性预测系数(预测滤波参数)，我们来考虑求k＋1阶滤波参数。k阶滤波参数的矩阵方程为 由于系数矩阵的Toplitz性质，上式又有如下形式 * Levinson算法 现考虑模型阶数增加1, 即从k变为k+1的情况。 对于k+1模型, 有 由于系数矩阵的Toplitz性质，k+1阶系数矩阵 可有两种分块形式。 * Levinson算法 利用这个性质，可设 式中 * 通过比较(3)和(4), 有 重写如下： 由(8)末式还可得： (7)－(9)构成Levinson算法基础。 * Levinson算法 现用i表示递推过程的阶数，令i=k+1, 并设信号模型的最大阶数为N，则有如下Levinson算法: 1) 由(3)式，令i=k+1＝0，得 2) 置i=k+1＝1; 3) 由(6)、(9)式计算 4) 由(7)、(9)式计算 5)由(6)、(8)和(9)式计算 6) 置i =i+1; 7) 判别：若 转3)；否则，结束程序。 算法 * Levinson算法 讨论 Levinson算法第4步利用了一个重要递推关系(12)， 通常称为Levinson关系式 递推过程产生一个滤波参数序列 通常称为偏相关系数。 递推过程产生的 可用来监视i阶信号模型的均方 误差估值。 递推结果的最终解为 和 * Levinson算法 讨论 优点：计算简单 缺点：需根据有限观测数据估计自相关序列r(n) ? 短数据序列时，自相关估计值误差很大，引起预测 滤波参数误差，导致“谱峰飘移”和“谱线分裂”(即出 现虚假谱线) ? 长数据序列时，自相关估计值虽精确，但计算量大。 优缺点 * 最大熵谱估计算法 Levinson算法 Berg算法 * Berg算法 前向预测与后向预测 考虑信号序列值： 前向预测 后向预测 前向预测误差： 后向预测误差： 其中 分别为p阶前、后向预测系数。 * Ber