清华大学数字信号处理第12章.ppt

Yule-Walker 方程的快速计算 －Levinson-Durbin快速算法： 反射系数 要求解的参数： 思路： 利用Toeplitz 矩阵特点，由低阶 高阶 零阶预测器的误差等于信号的功率 递推公式 递推过程中，要始终保持： P 阶AR模型（LP）有三组参数： 可互相导出，请给出它们互相导出的公式。 都是 p+1 个 AR模型 基于AR模型谱估计的实现： 由 估计 步骤1 步骤2 解Yule-walker方程，得估计的模型参数 步骤3 尚需离散化 离散谱，用FFT计算 实际计算： 12.3 AR模型谱估计的性质 1. AR谱的平滑特性 AR模型是一有理分式，估计出的谱平滑，不需要像周期图那样再做平滑或平均，因此，不需要为此去牺牲分辨率。 2. AR谱的分辨率 经典谱估计： 假定： 分辨率反比于 N ，即 对间接法： 分辨率还要降低 AR模型包含了对 的“预测”或“外推”。实际上，这包含着自相关函数的“外推”。令： AR谱 AR谱对应的自相关函数 可以证明： AR模型自相关函数匹配性质 证明： 由 两边做DTFT反变换： 左边 右边 有： 上式等效于Yule-Walker 方程，对同样的模型系数 ，因此必有 当 时，可以用下式外推： 外推后的 对应AR谱，因此AR谱有较高的分辨率。而经典谱估计中无外推，即： 分辨率低 注意到AR模型自相关函数的匹配： 设想：如果阶次 , 则AR谱对应的自相关函数完全等于信号的自相关函数，AR谱等于真谱。 （b) p=10; (c) p=20; (d) p=30 最大熵谱估计: Burg 于 1975年博士论文。 Maximum Entropy Spectral Estimation，MESE） 关于熵： 设信源由 这 M 个 事件组成： 产生 的概率是 的信息量： 对数以e为底 对数以2为底 奈特（nat) 比特（bit） 单位 离散型随机变量 连续型随机变量 熵 Burg最大熵谱估计的思路是： 已知某随机信号自相关函数 的 个值 ，现希望以这 个值对 的自相关函数予以外推。外推的方法很多，Burg的准则是：外推后的自相关函数对应的时间序列具有最大的熵，即是最随机的。 最大熵功率谱 保证： 的递推方法很多。 所以 很多 说明了自相互函数的外推特点 原则： 是所有各种可能外推所对应的时间序列中最随机的，即含有最大信息量（熵）。再假定 是高斯的。在这三个条件制约下，有： 3. AR模型谱的匹配性质 P 阶线性预测 从LSI系统输入、输出关系 若用AR谱去匹配信号的谱，则误差系列的谱应由常数谱来匹配，体现 的白化性质。 从AR模型和LP等效关系 p 阶AR模型 给定平稳信号 的功率谱，希望用一模型的谱来匹配它，匹配的原则是使二者比值的积分最小。 令 相对 中的参数 最小 可得到最佳 Yule-Walker Eq的又一解释： 当 有： 的真实功率谱 AR谱 AR模型自相关函数匹配性质 所以，理论上：我们可用一个全极点模型来近 似已知谱 ，达到任意精度。 由： 增加 ，等效地扩大了 相等的部分 在 内紧随 （1）全局跟随性质（global) 因为均值为1，所以 在 上下波动 （2）局部跟随性质（local) 总效果： 紧随 的峰值 从对整个积分的贡献来考虑 情况多 情况少 紧跟 谱的峰值 * * 第12章 参数模型功率谱估计 12.1 平稳随机信号的参数模型 12.2 AR模型的正则方程与参数计算 12.3 AR模型谱估计的性质与阶次选择 12.4 AR模型的稳定性与信号建模 12.5 关于线性预测 12.6 AR模型系数的求解算法 12.7 MA模型 12.8 ARMA模型 12.9 P