- 1、本文档共96页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
功率谱估
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
文档评论(0)