实验三AR模型的参数估计.docVIP

实验三 AR模型的参数估计 设计目的 利用维纳预测方法实现对AR模型的参数估计。 实现AR模型参数的自适应估计 设计原理与方法 1. 利用维纳预测方法来估计AR模型的参数 实验1中如果已知s(n)，维纳滤波也就没有多少意义了。因此，实验一纯粹是为了理解维纳滤波原理而设计的。下面我们考虑利用维纳预测方法来估计AR模型的参数。 假定s(n)是一个p阶AR模型，即 (3-1) 其中w(n)是均值为零，方差等于的高斯白噪声。在已知准确自相关函数 的情况下，由下面Yule-Walker方程可以得到AR模型参数和 (3-2) 其中为的自相关矩阵，其意义类似于(1-9)式，只是将N换成, 换成而已，A为的系数列向量，定义为 (3-3) ε为的单位列向量，除第一个元素等于1外，其余元素均为零，即 (3-4) 利用LMS算法实现AR模型参数的估计 自适应信号处理方法的应用十分广泛，其中一个非常重要的方面是用来进行参数估计。 我们已经知道，如果信号为一个M阶的AR模型，即 (3-5) 通过解Yule-Walker方程可以得到AR模型的参数估计，同样，利用LMS算法，我们也可以对AR模型的参数估计进行自适应估计，其算法如下： (3-6) (3-7) （3-8） 这种算法的实现框图如图3.1所示。 图3.1同样可以证明，只要步长值选择合适，当时，上述自适应算法得到的也收敛于AR模型的参数。 设计步骤 仔细阅读有关维纳预测原理，弄清AR模型参数估计与维纳预测的关系，根据框图3.2编制AR模型参数估计程序。 运行AR模型参数估计程序，选择p=1, =-0.6, L=100, =1, 观察并记录与的最佳估值，与理论值进行比较。 固定p=1, =-0.6, =1, 改变L=50,500, 观L的大小对AR模型参数估计精度的影响。 图3.2 仔细阅读有关自适应系统仿真的内容，按照图3.3给出的框图,编制自适应AR模型参数估计程序(将实验二中自适应滤波程序稍作修改即可)。 运行自适应AR模型参数估计程序,选择 观察并记录的收敛情况及和 利用100个，通过实验一解Yule-Walker方程的方法，得和估计和，与步骤7中的和比较，有什么差别？为什么？ 改变噪声的方差，其它条件同步骤7，观察的方差对自适应算法的收敛性，收敛速度以及失调量的影响。 图3.3 设计报告要求 1． 简述设计目的和原理。 2． 按设计步骤附主要结果。 3． 根据结果总结主要结论。 ． 。 附录 参考程序 利用维纳预测方法实现对AR模型的参数估计。clear all; %输入：AR模型阶数p，AR模型参数ai，i＝1，......p，dw2，信号s(n)样本数L% L=input(L=); R=input(重复次数=); ac=0; dwc=0; a1=-0.6; dw2=1; for(z=1:R); w=randn(1,L); %利用MATLAB的rand函数产生Lw(n),根据(1—20)产生L个s(n)% s(1)=w(1); for(i=2:L); s(i)=w(i)-a1*s(i-1); end; %根据公式(1-18)(将x换成s)，由L个s(n)估计p＋1个自相关函数，解方程(1－21)得a11，.......，app% fss=zeros(1,2); %计算fss for(i=1:2); for(k=0:(L-i-1)); fss(i)=(1/(L-i))*s(k+1)*s(k+i)+fss(i); end; end; for(i=1:2); %生成Rss矩阵 for(k=1:2); Rss(k,i)=fss(abs(k-i)+1); end; end; a11=-(Rss(2,1)/Rss(2,2)); dw22=Rss(1,1)+a11*Rss(1,2); temp1(z)=a11; temp2(z)=dw22; ac=a11+ac; dwc=dw22+dw