第3章测试信号的时域分析与处理详解.pptVIP

2.组合积分方法 高于四阶的效果不好，计算繁杂，误差较大。因此可用低阶的公式进行组合积分。 当b-a较大时，可将区间(a,b)等分成几个子区间，然后分段进行梯形积分并相加。 上式称为组合梯形积分公式 2.组合积分方法 如果分段进行辛普森积分并相加，则将积分区间分为m(m=2n)个子区间，并取两个子区间（含三个数据点）为一个积分子区间，进行二阶多项式插值后求积分。由3.4-14可得 上式称为组合辛普森积分公式 3.5时域信号的平滑与建模 有用信号（确定性信号或随机信号）一般都是与干扰信号（与有用信号无关的随机信号）混合在一起的。本节讨论的就是如何将有用信号提取出并探明有用随机信号和干扰噪声的统计特性。 测试信号x(t)可看做趋势项y(t)和随机噪声u(t)相加的结果。 y(t)是有用信号，通常比x光滑，反映了x走向趋势。u(t)是信号x的随机部分，对u建模就是确定其统计学特性（均值、方差、概率密度函数、概率分布函数）。对信号的建模包含对其趋势项和随机项的建模。 3.5.1滑动平均（MA）模型 与曲线拟合类似，可以在一个较长的时域信号中摘取一小段，然后用多项式或直线去逼近其趋势项，从而达到信号平滑的目的。 信号建模就是确定上述多项式的阶数和系数。虽然最小二乘法也适用，但由于时域信号量大，因此计算量太大，需考虑其他方法。 在时间序列x[n]中某一点x[n]前后各取k个数据点，并通过这2K+1个数据拟合一个最小二乘直线，则这条直线一定通过平均数据点 。 3.5.1滑动平均（MA）模型 令x[n]的平均值 作为趋势项y[n]的估计值，就等于在该点上应用了最小二乘直线的估计值，却没有进行繁复的系数估算。 对时间序列x[n]逐点进行上述平均处理，称为滑动平均MA（Moving Average)。也可以采用递推算法： 3.5.1滑动平均（MA）模型 考虑时间间隔越久远的数据对某时刻信号的影响越小，因此引入加权平均的概念。将3.5-5改写为 式3.5-5相当于等权平均。ai应满足 否则将引进不应有的增益或衰减。一般在所考虑的2k+1个数据点中间取最大权值，然后向前后对称递减，递减规律可以是线性也可是非线性。(以三角形分布为例，p59) 3.5.1滑动平均（MA）模型 如果对所选数据点进行非线性拟合并按拟合结果进行平滑，其结果就相当于加权平均平滑。 下面以二阶多项式拟合为例说明，例如取五个点x[n-2],x[n-1],x[n],x[n+1],x[n+2],并将时间坐标原点移到x[n]处，这样得到5对数据。 对此用最小二乘法求二次拟合曲线得 3.5.1滑动平均（MA）模型 要求a0,a1,a2来保证E最小，可对E求偏导数，令其为零并解方程组（过程略），取t=0时的 作为y[n]的估计值，即 显然这相当于取滑动平均的权系数为 至于取更多点数据做多项式拟合平滑，相应的模型可用以下差分方程表示，系数可查表3-5 第1、3章作业 1.测试信号的物理特性千差万别，但按其变化特点来看可以分为三类，试问分别为哪三类并简述各自特点。 2.测试信号处理及分析的主要目的（内容）有哪些？ 3.某12位AD转换器工作范围为0-5V，试求该AD转换器的分辨率q 及其量化噪声的标准差δe. 4.时域信号中峰值是如何获取的，造成峰值误差的原因有哪些？ 5.假如测量获取的时间序列x[n]为[1.1,1.2,1.3,1.2,1.2,1.1],试求其均值和方差。 第1、3章作业 6.求通过数据点（1,1)(1.2,1.5)(2,4)的拉格朗日二次（抛物线）插值。 7.什么是Runge现象，克服Runge现象的两种方法是什么。 8.在数据拟合时，选定拟合函数形式的方法有哪些？最常用的函数形式是什么，为什么？ 9.常用的差分近似求法有哪些？写出计算公式并绘图说明。 10.常见的数值积分方法有哪些，简要说明之。 3.5.2自回归模型 测试数据大都存在一定的“惯性”或“记忆”现象。采样间隔Ts足够小时，y[n]与y[n-1]甚至更早的值y[n-i]是相关的。可将y[n]表示为其以前数据的线性组合，即 上式称为y的p阶自回归AR（Auto Regresive)模型，简记为AR（p)。ε[n]称为残差项。下面先从一阶自回归模型AR（1）开始讨论。 1.AR（1）模型 假设测试序列y[n]是零均值的平稳随机过程，并且具有一阶记忆，残差ε[n]假设是一个白噪声序列。在上述条件下可以写出y[n]的AR（1）模型。 式