Yule-Walker方程实验报告.docVIP

评分 大理大学实验报告 2015—2016学年度第 3 学期 实验目的 二、实验环境 1、硬件配置：IntelR） Core(TM) i5-4210U CPU @1.7GHz 1.7GHz 安装内存（RAM）：4.00GB 系统类型：64位操作系统 2、软件环境： 三、实验内容 (包括本实验要完成的实验问题及需要的相关知识简单概述)编写求解Yule-Walker方程的程序，并对实际生理信号（例如脑电）建立AR模型。 对同一数据，使用atlab信号处理工具箱自带函数aryule计算相同阶数AR模型系数，检验程序是否正确。 用伪随机序列（白噪声）驱动AR模型，观察输出是否与真实脑电信号相似，对比真实信号与仿真信号的功率谱。 四、实验结果与分析 （包括实验原理、数据的准备、运行过程分析、源程序（代码）、图形图象界面等） 实验原理 随机信号可以看作是由当前激励白噪声w(n)以及若干次以往信号x(n-k)的线性组合产生，即所谓自回归模型（AR模型） 模型参数满足Yule-Walker方程 矩阵形式 求解Yule-Walker方程，就可以得到AR模型系数 当模型阶次较大时，直接用矩阵运算求解的计算量大，不利于实时运算。利用系数矩阵的特性，人们提出了如L-D算法等快速算法。 clear; clc; M=1024; load ecgdata;x = ecgdata(1:1024); %导入心电信号的数据 %load eegdata;x = eegdata(1:M); %导入脑电信号的数据 %load icpdata;x = icpdata(1:1024); %导入颅内压信号的数据 %load respdata;x = respdata (1:1024);%导入个呼吸信号的数据 p=1:60; %P的取值范围 Sw=zeros(1,length(p)); %创建一个1行列长为length(p)的Sw零矩阵或数组 E=zeros(1,length(p)); %创建一个1行列长为length(p)的E零矩阵或数组 FPE=zeros(1,length(p)); %创建一个1行列长为length(p)的FPE零矩阵或数组 for i=1:60 %尝试改变模型阶数，观察效果 Rxx = xcorr(x,biased);%估计随机过程中的互相关序列，biased为有偏的互相关函数估计； Rtemp = zeros(1,i); %创建一个i行1列的Rtemp零矩阵或数组 Rl = zeros(i,1); %创建一个i行1列的Rl零矩阵或数组 for k = 1:length(Rtemp) %for循环从1到length(Rtemp) Rtemp(k) = Rxx(length(x)-1+k); %取Rxx（0）到Rxx（p-1）赋值 Rl(k) = Rxx(length(x)+k); %取Rxx（1）到Rxx（p）赋值 end Rs = toeplitz(Rtemp); %生成自相关系数矩阵(Toeplitz型) A = -inv(Rs)*Rl; %AR模型系数估计 Sw(i)= [Rtemp(1),Rl]*[1;A]; %白噪声方差估计 % 采用malab自带函数估计模型系数 [a,E(i)] = aryule(x,i); %malab实现L-D算法的AR模型参数估计，a--系数，E--预测误差，k--反射系数 %[a,E(i)] = arburg(x,i); %malab实现Burg算法的AR模型参数估计 da = a(2:end)-A; %自编程序求解是否正确？ FPE(i)=E(i)*(M+i+1)/(M-i-1); %FPE算法 w = randn(size(x)); %生成随机噪声 x2 = filter(1,a,w); %仿真数据 end figure %画图 subplot(3,1,1),plot(p,E,-*),gr