功率谱估计程序.ppt

应用：正弦信号 平均周期图法 应用：正弦信号 修正的周期图法求平均 应用：白噪声信号 周期图法 应用：白噪声信号 平均周期图法 修正的周期图法求平均 人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。 * 平均周期图法 平均周期图法 则该估计方法的偏移量，即估计功率谱的均值： 由于Ii(w)是N/L 长度的数据根据周期图法估计的功率谱，因此该功率谱的均值是真实谱与三角窗函数幅度谱的卷积，即： 平均周期图法 注意这里三角窗函数的时间长度为2N/L，不是原来的2N，因此平均周期图法中由于三角窗长变大，则平滑效果明显，偏移量增大，降低了频域的分辨率。 平均周期图法 估计功率谱的方差为： 平均周期图法 减小了方差，但同时牺牲了偏移量和分辨率。 由于平均周期图法假设了每一段估计的功率谱密度是独立，如果采用同一个样本进行估计，因此独立性是很难保证的，因此估计功率谱的方差减小量没有公式计算的小。 平均周期图法 N= 256 N=256，L=4 窗函数法 周期图法的功率谱估计为： 相当于对无限长的样本数据加上了矩形窗函数，其中矩形窗的长度为N。 窗函数法 在实际采样过程中，只能得到一个样本函数的有限长数据，就相当于对原无限长的一个样本数据加上了矩形窗函数。 窗函数法 对时域信号加上窗函数后，对估计的功率谱密度的影响是如何？ 估计的自相关函数为： 其中N为窗函数v(n)的时间长度 窗函数法 则估计功率谱均值取决于自相关函数的均值： 窗函数法 则自相关函数的变化： 窗函数法 其中 1/N*∑v(n)v(n+m)为数据窗函数v(n)的自相关函数(确定性信号的自相关函数)。 我们设其为vc(m)： 窗函数法 这样估计的功率谱密度的均值为： 注意到Vc(w)为确定性信号自相关函数的傅立叶变换，实际上这个Vc(w) 为确定性信号的功率谱： 其中V(w)为窗函数v(n)的FFT 窗函数法 这样加窗的功率谱密度均值为： 其中V(w)为时域窗函数的FFT 窗函数法 如果窗函数为矩形窗vR(n)，则估计的功率谱密度均值为真实功率谱与窗函数功率谱的卷积(实际上这个窗函数功率谱是三角窗函数的FFT变换) 窗函数法 如果加载的不是矩形窗，而是相同时间长度N的其它窗函数，如三角窗、Hanning、Hamming 和Blackman窗，那么对估计的功率谱的影响是什么呢？ 窗函数法 实际上也就相当于对N点的样本函数x(n)加载了窗函数。 窗函数法 首先由于估计功率谱密度均值是与窗函数能量谱的卷积关系，因此加窗后，仍然是有偏估计。 并且估计的方差也与矩形窗的方差近似。 其它窗函数的优势？？？ 窗函数法 相同时间长度的不同类型窗函数提供了频谱分辨率(主瓣宽度)和谱掩蔽(旁瓣幅度)的折衷方法。不同窗函数具有不同主瓣宽度，而旁瓣衰减也有所不同。 窗函数法 窗函数 旁瓣衰减(dB) 主瓣宽度(*2pi/N) 矩形窗 -13 0.89 Hanning -32 1.44 hamming -43 1.30 Blackman -58 1.68 窗函数法 窗函数法 矩形窗 窗函数法 汉明窗 窗函数法 窗函数法 矩形窗 窗函数法 汉明窗 修正的周期图求平均法 这种功率谱估计方法综合了以上两种改进算法： 首先将N长的信号x(n)分为L段，每一段的长度为N/L。 再将窗函数v(n)加载到每一个数据段上。 修正的周期图求平均法 采取以上修正算法对原有周期图法的改进 将数据段截断，数据长度由原来的N点变为N/L，则估计功率谱的方差变为原来的1/L，因此降低了方差。 同时数据加载了窗函数，增加了旁瓣衰减，因此和原来的矩形窗相比，窗函数降低了真实功率谱中不同谱峰的相互干扰。 修正的周期图求平均法 但同时算法也有自身的局限： 数据段截断，减小了每一段数据的长度，则相应降低了频域分辨率。 再者，加入了其它类型的窗函数，则增加了窗函数的主瓣宽度，再次降低了频率分辨率。 因此经典的谱估计算法无论采用哪种改进方法，总是牺牲了分辨率，从而得到估计方差的减小。 应用 周期图法以及改进的周期图法对不同信号的功率谱估计性能是不同的。 对于正弦信号这样包含谱峰的信号而言，在要考虑频域分辨率的同时，考虑主瓣宽度对其它谱峰的影响问题。 而类似于平缓谱结