现代信号处理第4章old.ppt

4.5 AR谱估计的方法 自相关法的出发点是选择AR模型的参数使预测误差功率最小，预测误差功率为 假设信号x(n)的数据区在0≤n≤N-1范围，有p个预测系数，N个数据经过冲激响应为api(i=0,1, 2, …, p)的滤波器，输出预测误差e(n)的长度为N+P 4.5.1 自相关法——列文森(Levenson)递推法 由信号的观测数据，估计信号的功率谱 显然,e(n)的长度长于数据的长度，上式中数据x(n)的两端需补充零点，这相当于无穷长的信号经过加窗处理，得到长度为N的数据。用上式对系数api求微分的方法使预测误差功率最小，得到 上面的矩阵就是Yule-Walker方程 式中的自相关函数采用有偏自相关估计 m=0, 1, 2, …, p m=-p, -p+2, …, -1 因此自相关法是基于解Yule-Walker方程的一种方法。首先由信号的观测数据估计出自相关函数，再解该方程，得到模型参数，便可求出信号的功率谱。因此该方法也称为Yule-Walker法。但是直接解该方程，需要计算逆矩阵，很不方便。利用Yule-Walker方程中自相关矩阵的性质，可以导出Levenson-Durbin递推法，这是一种高效的解方程方法。简称为列文森递推法。 i=1, 2, 3, …, k-1 由k=1开始递推，递推到k=p，依次得到{a11,σ21}，{a21,a22, σ22}，…，{ap1,ap2,…,app,σ2p}。AR模型的系数以及模型输入白噪声方差求出后，信号功率谱为： 上式表明： ，说明随着阶数增加， 预测误差功率将减少或者不变，为此要求|akk|≤1,akk称为反射系数。 递推公式提供了一种确定模型阶数的方法，如模型的阶数未知，由低阶开始递推，当递推到M阶时，预测误差满足要求，则停止递推，选AR模型的阶数为M。递推法效率高，当阶数变化时，无需重新计算 如果已知N个观测数据（x(n),0≤n≤N-1），利用列文森递推法计算功率谱的计算流程图如下图所示 利用列文森递推法计算功率谱的流程图 k=1, 2, 3, …, p-1 该方法和自相关法一样，仍利用预测误差功率最小方法求模型参数，但求预测误差功率的公式不同： 对比自相关法求预测误差功率的公式，不同的是求和限不同。该公式使用的观测数据是已知的，不需要在数据两端补充零点，因此与自相关法相比，去掉了加窗处理的不合理假设。 4.5.2 协方差法与修正协方差法 1.协方差法 白噪声的方差为 仍然使用梯度最小的方法求模型参数： 协方差函数 观测数据x(n)(n=0, 1, 2, …, N-1)，利用上面公式可以求出模型的参数：{api(i=1, 2, 3, …, p); σ2w}。式中的协方差函数cxx(j, k)，有两个变量，因此也适合于非平稳随机信号。式中的协方差矩阵是埃尔米特（Hermitian）矩阵，是半正定的。这种方法近似于自相关法。一些实验结果说明它的分辨率优于自相关法，另外对于纯正弦信号数据，可以有效地估计正弦信号的频率。  修正协方差法使用前向和后向预测误差平均值最小的方法，估计AR模型的参数，从而得到信号的功率谱。信号的前向和后向预测分别如下： 2.修正协方差法 式中apk是AR模型的参数 最小预测误差平均功率是模型输入白噪声的方差，即ρp=σ2w，前、后向预测误差平均功率为 前向和后向预测误差功率ρpe、ρpb分别用下式表示 和协方差法一样，上式仅对用到的观测数据的预测误差求和。为了使预测误差平均功率最小，求ρp对apk(k=1, 2, 3, …, p)的微分,或者用复梯度法求，得到 化简并写成矩阵形式为： 白噪声的方差估计值为 例:已知信号的四个观察数据为x(n)={x(0), x(1), x(2), x(3)}={2, 4, 1, 3}，分别用自相关法和协方差法估计AR(1)模型参数。 1)自相关法： 解 2)协方差法: x(n)={2, 4, 1, 3} 4.5.3 伯格(Burg)递推法 设信号x(n)观测数据区间为：0≤n≤N-1，前向、后向预测误差功率分别用ρp,e和ρp,b表示，预测误差平均功率用ρp表示，公式分别为 前向、后向预测误差递推公式如下： 将上式带入平均误差公式中，得到 求预测误差平均功率ρp最小时的反射系数kp， 上式就是利用伯格递推法求第p个反射系数的公式 将伯格递推法求AR模型参数的递推公式总结如下： 利用伯格递推法求AR模型参数的流程图如下图所示 伯格递推法流程图 书159页 n = p … N-1 p = 0 计算AR模型参数应用较多的为以下三种方法： 1、自相关法 ---（Levinson法） 2、协方差法 / 改进协方差法 3、Burg