实验三、随机信号的功率谱估计方法.pdf

《数字信号处理II》 实验三 上机报告 班级：硕5086 姓名：赵渊华 学号：3115314001 一、 实验目的 1、 利用自相关函数法和周期图法实现对随机信号的功率谱估计 2、 观察数据长度、自相关序列长度、信噪比、窗函数、平均次 数等谱估计的 分辨率、稳定性、主瓣宽度和旁瓣效应的影响。 3、 学习使用FFT 提高谱估计的运算速度。 4、 体会非参数化功率谱估计方法的优缺点。 二、 实验原理 假设信号x(n)为平稳随机过程，其自相关函数定义为 (3-1) 其中E表示取数学期望，*表示共轭运算。根据定义，x (n)的功率谱密度P() 与 (m) 自相关序列 存在下面关系：  P() (m)ej m (3-2) m 1  (m) 2  P()ej m d (3-3) 但是，实际中我们很难得到准确的自相关序列(m) ，只能通过随机信号的 一段样本序列来估计信号的自相关序列，进而得到信号的功率谱估计。 目前，常用的线性谱估计方法有两种，即相关函数法和周期图方法，本实 验对这两种方法分别予以讨论。 1． 自相关函数法 (m) 假设我们已知随机信号x(n)的M长的自相关序列{ }，利用自相关函数法 可以得到x(n)的功率谱估计：  1 L m * ˆ M 1 ˆ j m (m) x (i)x(i m) P()  (m)e (3-4) L  m i 1 mM 1 利用窗函数，上式又可表达为  R  jm ˆ ˆ P() WM (m)(m)e (3-5) m 其中，WR ( m) 为矩形窗函数，定义为 M R 1 m  M W ( m)  (3-6) M 0 m  M  R ˆ 因此，P() 实际上是真正功率谱P() 与窗函数W ( m) 傅立叶变换的卷积。 M 矩形窗函数不仅降低了谱估计的分辨率，而且使谱估计产生了旁瓣。为了降低 旁瓣影响，可以采用具有较小旁瓣的