数字信号处理研究生课程Chapter4.pptVIP

性能分析： 适用于非平稳信号；一些实验结果说明它的分辨率优于自相关法，另外对于纯正弦信号数据，可以有效地估计正弦信号的频率。 （2）. 修正协方差法（前后向线性预测最小二乘法）： 估计方法：修正协方差法使用前向和后向预测误差平均值最小的方法， 估计AR模型的参数，进而估计信号的功率谱。 前向和后向预测误差功率ρpe、ρpb分别用下式表示： 预测误差平均功率最小 性能分析： 该方法去掉了Burg法所用的Levinson的约束条件，估计得到的谱在谱线分裂和频率偏移时较Burg法有较大改善；该方法也适用于非平稳信号。  几种方法的比较： 自相关法可以用Levinson递推算法，运算量小，但分辨率受窗长度的限制； 协方差法，去除了自相关法加窗处理的不合理假设，分辨率高，运算量较大； 修正协方差法，分辨率高，在谱线分裂和偏移上较Burg法有较大改善，运算量大； Burg算法，可用改进的Levinson递推算法，分辨率高，但对正弦信号存在谱线分裂和偏移现象。 例4.5.1 已知信号的四个观察数据为x(n)={x(0), x(1), x(2), x(3)}={2, 4, 1, 3}， 分别用自相关法和协方差法估计AR（1）模型参数。  解（1） 自相关法： (2) 协方差法: 4、 关于AR模型阶次的选择 对于白噪中的AR信号，其阶次的选择应折衷考虑。 如选择AR模型，其阶次应加大，较低的阶次会使谱估计产生偏移， 降低分辨率。 信噪比愈低，平滑作用愈严重，愈需要高的阶次， 因此信噪比低应选高的阶次。 阶次愈高，分辨率愈高；但阶次太高，会使估计误差加大，谱峰分裂。 图 4.5.3 AR模型阶次太小时的平滑作用 最终预测误差（FPE）准则 阿凯克信息论准则 自回归传递函数准则（CAT） 4.5 最大熵谱估计 估计思想：采用最大熵原则，外推自相关函数方法估计信号功率谱。它基于将已知的有限长度自相关序列以外的数据用外推的方法求得，而不是把它们当作是零。 1. 利用最大熵的原则外推自相关函数 按照Shannon对熵的定义， 当随机变量X取离散值时，熵的定义为 式中pi是出现状态i的概率。当X取连续值时，熵的定义为 式中, p(x)是X的概率密度函数， 先讨论一维高斯分布的信号的熵，然后推广到N维。 假设x(n)是零均值正态分布的平稳随机序列，它的N维高斯概率密度函数为 同理可求得N维高斯分布信号的熵为 式中det(Rxx(N))表示矩阵Rxx(N)的行列式，由上式表明为使熵最大，要求det(Rxx(N))最大。 用最大熵方法外推rxx(N+1)： 设rxx(N+1)是信号自相关函数的第N+2个值，根据自相关函数的性质，由N+2个自相关函数组成的矩阵为 为选择rxx(N+1)使det(Rxx(N+1))最大， 解下列方程： 用数学归纳法，得到 上式是rxx(N+1)的一次函数，可以解出rxx(N+1)。以此类推，可推出任意多个其它自相关函数值，而不必假设它们为零， 这就是最大熵谱估计的基本思想。 3. 修正的周期图求平均法（Welch法） 主要思想：对Bartlett法进行修正，使之更适合FFT计算。 选择适当的窗函数w(n)，并在周期图计算前直接加进去； 在分段时，可使各段之间有重迭，这样将会使方差减小。 估计方法： 首先把数据长度为N的信号x(n)分成L段，每一段数据长度为M，N=LM； 然后把窗函数w(n)加到每一个数据段上， 求出每一段的周期图，形成修正的周期图； 再对每一个修正的周期图进行平均。 第i段的修正周期图为 i=1, 2, 3, …，L 式中 同样, 将每一段的修正的周期图之间近似看成互不相关, 最后功率谱估计为 对上式求统计平均, 得到 式中 估计效果分析： 估计是渐近无偏的； 这种方法对窗函数没有限制，无论什么样的窗函数均可使谱估计非负； 分段时，为了减少因分段数增加给分辨率带来的影响，可使各段间有重叠，例如重叠50%。 结论：传统的功率谱估计方法无论采取哪一种改进方法，总是以减少分辨率为代价，换取估计方差的减少，提高分辨率的问题无法根本解决。 4.3 现代谱估计中的参数建模 存在问题：经典谱估计中，采用观测到的N个样本值估计功率谱，认为在此观察到的N个数据以外的x(n)=0，这与实际情况是不符合的，从而造成分辨率的降低。 解决方法：根据已观察到的数据，选择一个正确的模型，认为x(n)是白噪声通过此模型产生的，那么就不必认为N个以外的数据全为零了。 方法步骤： 选择合适的信号模型； 根据x(n)有限的观测数据，或者它的有限个自相关函数估计值，估计模型参