数字信号处理四.ppt

（4.6.9） （4.6.10） (4.6.11) 在（4.3.6）式中，令m=N+1，得到 (4.6.12) 将以上求出的系数a1,a2,…,aN代入上式，求出rxx(N+1)。而最大熵外推自相关函数的公式是(4.6.7)式，按照该公式的最后一行展开， 得到 （4.6.13） 上式即是最大熵外推自相关函数的公式， 对比（4.6.12）式， 两公式完全一样，证明了AR模型功率谱估计和最大熵谱估计的等价性。这里最大熵外推自相关函数等价于已知N+1个自相关函数，匹配一个N阶AR信号模型的系数。一旦通过解Yule-Walker方程，解出模型参数，最大熵谱估计用下式计算信号功率谱： （4.6.14） 最大似然谱估计是用一个FIR滤波器实现，该滤波器对所关心频率的正弦信号，可以无失真地通过，而对于其它频率的信号，让其频响尽可能地小，亦即将它们尽可能地滤除。此时, 滤波器输出的均方值，就作为信号的功率谱估计。 设实信号用x(n)表示，FIR滤波器系统函数用A(z)表示： 输出y(n)为 (4.6.15) 4.6.2 最大似然谱估计——最小方差谱估计 式中 输出信号的均方值为 (4.6.16) 上式中T表示转置, H表示共轭转置, Rp=E［XXT］是Toeplith 自相关矩阵,为求 ,必须先求FIR滤波器的系数。求这些系数的原则是：在所关心频率ωi处，信号x(n)无失真地通过， 即在ωi处的传输函数为1： 式中 (4.6.17) 另外一个原则是在ωi附近的频率分量尽量衰减掉，即ω≠ωi处, 滤波器输出y(n)的均方差 最小, 即(4.6.16)式最小, 此时 作为信号x(n)的功率谱估计 。因此, 最大似然谱估计称为最小方差谱估计更为合适，但由于习惯也可以仍称为最大似然谱估计。在以上原则下，使方差 最小的滤波器系数和 分别为［30］、 ［31］ 应该指出,此时 并不是真正意义上的信号功率谱, 只是描述了信号功率谱的相对强度。 下面分析最小方差谱估计与AR模型谱估计之间的关系： （4.6.20） (4.6.21) 4.7 特征分解法谱估计 无论是实正弦波还是复正弦波，都可以用一个退化AR模型表示，设P个实正弦波组成的信号用下式表示： （4.7.1） 式中，初相位θi是在区间（-π，π）均匀分布的随机变量， 首先分析下面的三角恒等式： -π＜ω＜π 4.7.1 正弦波用退化AR模型表示 令x(n)=sin(ωn+θ), 则上式变为 （4.7.2） 将上式进行Z变换，得到 （4.7.3） 这样(4.7.2)式的特征多项式为 （4.7.4） 上式的两个根分别是:z1=ejω,z2=e-jω,它们共轭成对，且模为1。 由这两个根可以确定正弦波的频率。对比AR模型的系统函数， 可以把正弦波信号用一个特殊的AR（2）模型表示，括弧中的2表示模型是二阶的。该AR模型的激励白噪声方差趋于0，极点趋于单位圆。通常称为退化的AR模型。这一模型系数有两个，即2 cosω和1，（4.7.2）式是模型的差分方程。 对于P个实正弦波, 特征多项式是 （4.7.5） 上式是z-1的2P阶多项式，可以表示为 （4.7.6） 注意上式中的系数ak(k=1,2,3,…,2P),必须保证它的根共轭成对。考虑到根共轭成对，也可表示为 （4.7.7） 这样由(4.7.6)式，P个正弦波组合的模型用下面2P阶差分方程描述 （4.7.8） 对于复正弦波情况，P个复正弦波组成的信号是 （4.7.9） 用一个退化的AR（p）模型表示的差分方程为 （4.7.10） 其特征多项式为 (4.7.11) 其根为 1≤i≤P 注意这里的根不是共轭成对出现的。  总结以上P个正弦波组合是一个退化的AR(2P)过程，独立参量个数为P个；P个复正弦波的组合是退化的AR（P）过程， 独立参量个数仍为P个。实正弦过程相应的退化AR过程的阶数比复正弦情况的阶数高1倍。 白噪声中正弦波组合的信号为 （4.7.12） 式中，w(n)为白噪声, 且 将(4.7.12)式中x(n)的用AR(2P)表示，即将(4.7.8)式带入(4.7.12)式中， 得到 （4.7.13） 4.7.2 白噪声中正弦波组合用一特殊的ARMA模型表示 将（4.7.12）式中的n用n-i代替, x(n-i)=y(n-i)-w(n-i) 再将上式带入 (4.7.13)式, 得到 (4.7.14) 上式可以看成一个特殊的ARMA(2P,2P)模型，括弧中的两个2P分别表示ARMA模型系统函数分子和分母的阶次。它与一般的ARMA模型比