功率谱估计模型法程序.ppt

特征分解法谱估计 在得到角频率之后，需要计算各个频率分量的功率值Pi，设信号子空间归一化的特征矢量为vi 同乘以特征矢量的转置： 而自相关矩阵Rxx： 特征分解法谱估计 简化得到： ; 特征分解法谱估计 这样谱估计算法过程为： 给定p阶谐波过程， 求其(p+1)?(p+1)自相关阵的最小特征值和特征矢量。 最小特征值对应的特征向量的方程组求根， ，根的幅角为估计的频率 根据线性方程组获得复指数功率 特征分解法谱估计 则估计的功率谱为： 总结 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。 * * 应用 —AR模型，—周期图法 应用 数据长度为64，采用分段的周期图法和AR模型 应用 —AR模型，—周期图法 应用 数据长度为64点，取不同阶数(4、20)的AR模型对谱估计的影响。 应用 MA模型估计功率谱密度 与AR模型一样，首先推导MA参数bi与样本数据x(n)的正则方程。 首先，MA模型参数为： MA模型估计功率谱密度 输入白噪声信号u(n)、MA模型以及输出x(n)之间为线性卷积的关系： 与AR模型进行相同的分析，得到： MA模型估计功率谱密度 MA模型只有q个零点，并且注意MA的正则方程，MA模型计算的自相关函数的取值范围为[-q q]，并且类似于MA模型参数bi的自相关函数 这样估计的功率谱密度为： MA模型估计功率谱密度 注意到，根据计算的自相关函数rxx(m)得到的功率谱为： 因此从谱估计的角度，MA模型谱估计等效于经典谱估计中的自相关法，谱估计的分辨率低。 ARMA模型估计功率谱密度 ARMA模型实际上AR模型和MA模型的综合，其正则方程为： 其中h(k)为ai和bi的函数，因此该方程为非线性方程，求解较为复杂。 最大熵谱估计方法 rxx(k)的最大熵外推法 经典谱估计中是零值外推，对于窄带信号是很不精确的，如何对rxx(k)进行外推？ 这里re(k)表示自相关函数的外推值 最大熵谱估计方法 对re(k)的约束条件是什么？ 保证得到的功率谱密度是实数，并且是非负的。 使随机信号x(n)的熵最大，等价为使得x(n)尽可能的‘白化’，对功率谱而言，使得估计的功率谱Pxx(w)‘尽可能平坦’。 最大熵谱估计方法 对于能量有限的信号，具有高斯分布的随机信号x(n)具有最大的熵率，并且x(n)是高斯AR过程，即x(n)的功率谱是全极点形式的谱结构。 最大熵谱估计方法 根据以上要求外推的自相关函数rxx(k)： 而ap为自相关正则方程的解： 最大熵谱估计方法 最大熵谱估计的解释是：根据给定随机信号x(n)，利用对x(n)AR模型的限制，对自相关函数进行外推，并且假设x(n)为高斯分布。 实际上最大熵谱估计与Yule-Walker方法估计功率谱是等价的。 最大熵谱估计方法 这里对最大熵谱估计方法的描述，用于解释该方法谱估计的实质问题。 最大熵估计外推对数据强加了一个全极点模型，因此MEM估计是否优于传统方法，取决于所分析的信号类型，以及信号模型逼近AR过程的程度 特征分解法谱估计 对于带有白噪声的正弦波组合，由于正弦波之间是非谐波的关系 ，因此不能用基于傅立叶变换的周期图法进行分析。而特征分解法可以得到比AR模型更高的分辨率，特别是信噪比比较低的时候，谱估计的效果比较理想。 特征分解法谱估计 一阶谐波过程： 其中复指数A1=|A1|ej?1 , ?1是均匀分布的随机变量，w(n)是方差为σw2 的白噪声 特征分解法谱估计 复数随机信号的自相关矩阵定义为： 特征分解法谱估计 Rss的秩为1. 特征分解法谱估计 定义 则Rss可以用e1表示： 因此Rss的非零特征值为M|A1|2 特征分解法谱估计 Rxx和Rss的特征向量是一致的。 Rxx的特征根是Rss的特征根和噪声方差之和 特征分解法谱估计 根据Rx 的特征值和特征矢量获得关于x(n)的参数： Rx进行特征值分解，最大的特征值为M|A1|2+σw2 ，其它的特征值均为σw2 利用Rx 的特征值求信号功率|A1|2和噪声方差： 特征分解法谱估计 最大特征值对应的特征矢量为e1，则e1第二个系数为 ejw1, 其频率即为w1 特征分解法谱估计 基于信号自相关矩阵分解的频率估计算法：将样本空间分为信号子空间和噪声子空间，然后用频