功率谱估.ppt

用向量Y左乘上式, 并取数学期望, 得到 E［YY T］A=E［YW T］A 式中 特征向量A的求解： 式中,σw2是自相关函数Ryy的最小特征值; A是对应σw2的特征矢量，AR系数可以利用Ryy的特征值分解求出。 计算特征方程的根，即可估计出正弦波的频率，特征方程如下： 该方程有2P个根，这些根在z平面的单位圆上，它们是 i=1, 2, 3, …, 2P 式中的ωi即是正弦波的频率。 性能分析： 该方法避免了采用有限数据估计自相关函数的计算，适合短序列参数估计，克服了L-D递推中的某些缺点，计算量小。 但对正弦信号的谱估计，仍存在某些谱线分裂与频率偏移现象。 3、 协方差法与修正协方差法 （1）. 协方差法 估计方法：利用使预测误差功率最小的方法求模型参数 该公式中使用的观测数据均已得到，不需要在数据两端补充零点， 因此比较自相关法去掉了加窗处理的不合理假设。 式中 即通过求解下列方程组求apk 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 经过简化，得到 令 将上式写成矩阵形式求apk ： 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: 图 4.5.3 AR模型阶次太小时的平滑作用 4、 关于AR模型阶次的选择 如果是纯P阶AR信号，应选择模型阶次k ≥ P。 如果选择模型阶次k＜P时，将产生对谱的平滑作用，降低谱的分辨率。如果选择k≥P，且假定观测的数据没有误差（没有干扰），估计的参数应是： 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。 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 其他谱估计方法 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。 4.5.1 最大熵谱估计 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， 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 式中 先讨论一维高斯分布的信号的熵，然后推广到N维。 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。 2. 最大熵谱估计与AR模型谱估计的等价性 AR模型信号自相关函数与模型参数服从Yule-Walker方程 m≥1 m=0 将m≥1的情况写成： 如果从N个线性方程中解得的N个AR参数a1, a2,…, aN值，代入上式并将其整理成行列式的