谱估计基础及仿真分析 - Read.DOC

谱估计基础及仿真分析 0引言 现代信号分析中,对于常见的具有各态历经的平稳随机信号,不可能用清楚的数学关系式来描述,但可以利用给定的N个样本数据估计一个平稳随机信号的功率谱密度叫做功率谱估计(PSD)。它是数字信号处理的重要研究内容之一。功率谱估计可以分为经典功率谱估计(非参数估计)和现代功率谱估计(参数估计)。功率谱估计在实际工程中有重要应用价值,如在语音信号识别、雷达杂波分析、波达方向估计、地震勘探信号处理、水声信号处理、系统辨识中非线性系统识别、物理光学中透镜干涉、流体力学的内波分析、太阳黑子活动周期研究等许多领域,发挥了重要作用。 一 相关的数学基础 1.1 概率论： 1.1.1多维高斯分布 高斯分布公式： (1) 准则为：内68.26%；：95.44%；：99.74%。 向量的形式的公式为： (2) 其中； (3) 1.1.2 mont-carlo仿真 为指数分布，瑞利分布，还有正交的高斯分布等。 1.2 随即过程 平稳随即过程：多维联合概率密度和时间起点无关，狭义的平稳。 数字特征： 相关函数： (4) 协方差： (5) 广义的平稳：， (6) 各态历经性：时间平均代替集平均。 平稳的功率谱：维纳－辛钦定理 (7) (8) 能量有限；有限不连续点等条件才能傅立叶变换成立。 下面给出几种随即过程： 白噪声；只跟自己相关。 随相正弦波 ； (9) 高斯随机过程 完备表达式。 平稳白高斯的 (10) 数理统计 参数估计 无偏性： 有效性：CRB： (11) 一致性： 方法 1 数字特征法 (12) (13) 最大似然估计 使似然函数最大的估计方法： (14) (15) 从理论出发，渐近无偏；渐近有效；渐近高斯；不变性。 最大似然估计高斯分布的均值和方差： (16) ，有偏的，渐近无偏的。 最小二乘估计 已知样本模型和样本解方程： 准则：，可以看作广义逆。 线性最小均方误差估计 线性样本组合求 (17) 二：经典谱估计 傅立叶变换 (18) 时间离散化：DTFT (19) 离散DFT (20) 功率谱估计 经典的功率谱估计是将数据工作区外的未知数据假设为零，相当于数据加窗。经典功率谱估计方法分为：相关函数法、周期图法以及改进的周期图估计法即平均周期法和平滑周期图法； 2.1相关函数法 该方法先由序列估计出自相关函数R，然后对其进行傅立叶变换，得到功率谱估计。当延时和数据长度相比很小的时候可以有良好的估计精度。 Fs=500;%采样频率 n=0:1/Fs:1; %产生含有噪声的序列 xn=cos(2*pi*40*n)+3*cos(2*pi*90*n)+randn(size(n)); nfft=512; cxn=xcorr(xn,unbiased);%计算序列的自相关函数 CXk=fft(cxn,nfft); Pxx=abs(CXk); index=0:round(nfft/2-1); k=index*Fs/nfft; plot_Pxx=10*log10(Pxx(index+1)); figure(1) plot(k,plot_Pxx); 图1 相关函数功率谱估计 2.2周期图法 把随机序列x(n)的N个观测数据视为一能量有限的序列，直接计算x(n)的离散傅立叶变换，得X(k)，然后再取其幅值的平方，并除以N，作为序列x(n)真实功率谱的估计。 Fs=600;%采样频率 n=0:1/Fs:1;%产生含有噪声的序列 xn=cos(2*pi*40*n)+3*cos(2*pi*90*n)+0.1*randn(size(n)); window=boxcar(length(xn));%矩形窗 nfft=512; [Pxx,f]=periodogram(xn,window,nfft,Fs);%直接法 plot(f,10*log10(Pxx)); window=boxcar(length(xn));%矩形窗 nfft=1024; [Pxx,f]=periodogram(xn,window,nfft,Fs);%直接法 figure(1) plot(f,10*log10(Pxx)); 图2 周期图法功率谱估计 2.3平均周期图法和平滑平均周期图法 对于周期图的功率谱估计，当数据长度N太大时，谱曲线起伏加剧，若N太小，谱的分辨率又不好，因此需要改进。两种改进的估计法是平均周期图