22_AR谱估计及方法.pptVIP

§4.5 AR谱估计的方法 引言 （1）主要方法 本节要解决的问题是: 如果不知道 的自相关函数 , 而只知道它 的N个观测数据 , , 如何求 模型的参数? 通常有下列两类方法: a) 利用 求 的估计 , 再用Levinson算法求模型参数的估计 值; b) 利用最小二乘方准则, 直接由信号时间序列 计算 模型参数. 本节介绍以下三种方法: —自相关法(Levinson法, 或Yule-Walker法); —协方差法及修正协方差法; —Burg法. 以上方法都是基于线性预测原理, 根据估计准则建立求解AR系数的数学 模型. (2) 估计 (即模型参数)的准则 理论上, 采用预测误差功率最小准则, 表示为 (4.5.1) 实际上, 采用由时间平均代替集合平均的最小平方准则, 即 (4.5.2) 式中 的求和范围暂时未指定, 取决于下面要讨论的算法. 4.5.1 自相关法——Levinson递推法 (1) 估计准则 假设信号 的数据区间为 , 前向预测误差滤波器的冲激响 应为 , 则预测误差为 , (4.5.3) 上式表明, 是 与 的卷积, 其长度为 . 因此,式(4.5.2)可具体 表示为 (4.5.4) (2)预测误差 的计算 式(4.5.3)的计算原理如图4.5.1所示. 由于 的长度大于 的长度, 因此计算中需对 的两端补零. 这 相当于长度为 点的已知数据 , 是由无限长数据 ( )经 加窗后得到的. 由图可见, 当数据长度 时(通常都是满足的), 计算 的求和范 围是0? . (3) AR系数 的求解 由式(4.5.4), 得 (4.5.5) 式中, —— 模型参数的 维列矢量; ——由取样自相关函数 (其中 )构成的取样自相关矩 阵. 自相关函数估计为 (4.5.6) 可见, 是有偏自相关估计. 将式(4.5.5)对 求导并令其等于零(复梯度法), 可得 (4.5.7) 或者写成 (4.5.8a) 最小预测误差功率(即白噪声方差)为 (4.5.8b) 式(4.5.8)即为Yule-Walker方程. 由此可见, 自相关法 也是基于解Yule-Walker方程的一种方法. Levinson-durbin递推法是求解Yule-Walker方程的高 效算法, 具体方法见§3.3. 如果已知信号的 个观测数据( , ), 利用Levinson递推法计 算功率谱的流程见西电教材图4.5.1. (4) 说明 a)由 个自相关函数的估值, 利用Levinson递推法求解Yule-Walker方程 所得的AR模型参数等效于前向预测器的系数, AR模型激励白噪声的方差 等效于前向预测的最小预测误差功率 . b) 自相关法计算相对简单, 但需事先根据已知观测数据估计自相关函数 (采用有偏估计). 在计算预测误差时因作了加窗处理, 结果使得分辨率降 低. 数据越短, 分辨率越低, 可能还会出现谱峰频率偏移与谱线分裂(即在 信号谱峰附近产生虚假谱线). 4.5.2 协方差法与修正协方差法 1.协方差法 (1)估计准则 (4.5.9) 注意: 本算法仍采用前向预测误差 , 其求和范围是 . (2)预测误差功率 计算 计算原理如图4.5.2所示. 特点: 为回避“加窗处理”而引入的频谱卷积效应, 即避免在数据段 以外补零, 本算法“规定”在第一个数据