功率谱 自相关.pptVIP

第三章 随机信号的功率谱估计 郑宝玉 引言 作用：功率谱起着类似于频谱的作用 应用：通信、噪声监测、信号检测与估计、 模式识别、振动分析等领域 依据：观测数据（出发点） 基础：平稳随机过程的自相关函数与功率谱密 度之间存在傅立叶变换关系（理论基础） 注意：随机信号不能直接进行傅立叶变换 内 容 随机信号的特征 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 内 容 随机信号的特征 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 经典谱估计与现代谱估计 经典谱估计 现代谱估计 经典谱估计 基本思想：以傅立叶变换为基础，附以平均、加窗、平滑等预处理或后处理 优缺点 优点：简单易行、计算效率高 缺点：分辨率低、旁瓣效应，数据时缺点更突出 适用范围：长数据 主要方法：B－T法、周期图法 相互关系 － 二者存在联系，均采用加窗来改善特性 － FFT的出现使二者获得新生，并引入细化FFT － 都存在致命缺点：分辨率低 现代谱估计 算法基础 以随机过程或信号的的参数模型为基础,故称为参数模型法或参数法 历史沿革 － 从非工程领域(如实验数据和观测数据的处理、统计学) 的时间序列分析(早已有之)到工程领域的现代谱估计 － 现代谱估计始于60年代，经历了从线性预测滤波 最大熵谱估计(Burg,1967) 自回归谱估计方法(1968) Pisarenko谐波分解 多信号分类算法(MUSIC,1981) HOS方法 内 容 随机信号的特征 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 参数模型法概述 基本概念 信号模型 基本概念 参数模型法的基础 信号的参数模型(即信号模型),而信号模型又以描述信号的离散随机过程的统计特性为基础。 离散随机过程的统计描述 信号模型 基本考虑 信号模型 信号模型 模型与系统 信号模型不同于FIR系统和IIR系统，主要不同如下： 内 容 随机信号的特征 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 基于AR模型的谱估计法 AR模型法 预测滤波法 等价关系 AR模型法 基本公式 基于AR模型的谱估计由下式计算： AR模型法 推导 AR模型法 具体推导（续） 考虑上式第二项的计算。设AR模型的脉冲响应为h(n),在方差为 白噪声作用下产生输出x(n)，故有 AR模型法 具体推导（续） 为求AR模型参数，应先由(2)式第二式选择m0的p个方程求出p个模型参数，然后代入第易个方程求出 。 设已知自相关函数的头p+1个值为{r(0),r(1),…,r(p),则(2) 式可表示为 预测滤波法 基本结果 x(n)的线性预测值为 等价关系 等价关系 概率描述 统计平均描述 － 均值 － 均方差或方差 － (自)相关函数与(自)协方差函数 － 功率谱密度（简称功率谱）函数 思路 假设所研究的过程x(n)是由u(n)激励一个线性系统 H(z) 所产生的输出；如图1。 由已知的x(n)或其自相关函数rx(n)来估计H(z)的参数； 由H(z)的参数来估计x(n)的功率谱。 好处：对一个研究对象建模是现代工程常用的方法 使所研究的对象有一个简洁的数学表达式 通过对模型的研究，使我们对研究对象有更深入的了解 约束 H(z)是稳定因果移不变系统，单位脉冲响应是确定性的 x(n)可为平稳随机序列,亦可为确定性时间序列,取决于u(n) AR模型 (自回归模型，Autogressive，全极点模型) MA模型(滑动平均模型,Moving-Average,全零点模型) ARMA模型(自回归滑动平均模型) 基本模型 信号模型激励源为(白)噪声,其输出为(平稳)随机序列 信号模型具有两重性:本身是