生物医学信号处理六教程.pptVIP

* 1、FPE(最终预测误差） N为观测数据长度， 为拟合残差方差，随阶增加而减小，FPE的最小值对应的阶数为最后确定的阶。 四、确定AR模型的阶的方法—根据误差准则确定 * 2、Akaike（AIC)信息准则 AIC(i)= 最小所对应的阶。 i为模型的阶， 为模型误差，随着阶的增加而减小，而式中第二项随阶次增加而增加。 AIC定义式有一个最小值。 适用于AR模型。 * 此外，还有CAT等准则 。 通过实验发现：在将这些准则用于估计AR模型的阶，对于实际数据，所得到的谱估计结果常常无太大区别。 对于短数据，以上准则都不理想。 在实际应用中，应该参照实验结果对模型的阶加以适当调整。 * §7.4 线性预测谱估计 假设{x(n)}是一个N阶AR过程，现在时刻{x(n)}的值 可以由过去N个时刻的取样值的加权来预测，加权系数为-ak，那么 N阶线性预测器：可看作用序列{x(n-N),x(n-N-1) , …… ,x(n-1)}激励一个冲击响应为-ak的线性时不变系统的输出值。 {x(n-N),x(n-N-1) , …… ,x(n-1)} -ak 预测误差为： 预测误差功率为： 确定系数ak的一个原则是使预测误差功率最小。根据这一原则推导出的预测器系数-ak与x(n)的自相关序列Rxx(m)之间的关系为： 将两个关系式写成矩阵展开式分别为： * 将(1)和(2)两个关系式合并为一个式子： * 将(3)写成矩阵展开形式为： 可以看出：N阶线性预测器的系数ak与AR模型中的AR系数相等，预测误差概率最小值Pmin与AR模型中的输入噪声方差 相等。所以，线性预测谱估计与AR谱估计是等效的。 * 熵—是信息量的一种量度，也是不确定度性的一种量度。信息量与事件发生概率之间有类似于反比例的关系，信息量与概率之间存在对数关系。复合事件的信息量等于各独立事件信息量之和。对于事件A有： §7.5 最大熵谱估计（MESE） Maximum Entropy Spectral Estimation） 7.5.1 按最大熵谱外推自相关函数 * N个符号组成信号系统传递消息，每个符号出现的概率为pi，接收到第i个符号的信息量为I(i)，消息中总的平均信息量为： 这个平均信息量称为具有符号i和概率pi的信号系统的熵。对于随机过程，应该用联合概率密度函数来定义熵： {x0,x1,…,xN}为随机过程的N+1个取样值。 * 对于零均值的高斯平稳随机过程则有： 其中X=[x0,x1,…,xN]为由N+1个取样值构成行矩阵，XH为X的共轭转置矩阵。 * det[R(N)]是行列式的值。于是有下列式子： * 均值为0的高斯平稳随机过程的熵的表达式，它是R(N)的函数。 * 最大熵谱估计：为了使得H取得最大值，应当使det[R(N)]取最大值。根据外推或预测方法，求出使det[R(N+1)] 取最大值的Rxx(N+1)： 由 得到： * 结论： 上述方程为Rxx(N+1)的一元一次方程，可由已知或估计的N+1个自相关值Rxx(0)、 Rxx(1)、…、 Rxx(N)求出Rxx(N+1)。以此类推。 可以证明这种按最大熵外推自相关函数的结果与AR模型是等价的。所以，上式实质为Yuler－walker方程。 * 实际上，假定在线性预测谱估计中，用外推的方法得到了Rxx(N+1)，即： 7.5.2 MESE与AR谱估计等效 * 使联立方程有非零解的充分必要条件是系数行列式等于0： 结论 因此：最大熵谱估计与AR模型谱估计和线性预测谱估计是等效的 。 此外，还可以证明：AR谱估计等效于最佳白化处理。 * 7.6.1 预测误差格型滤波器 §7.6 预测误差格型滤波器及伯格(Burg)递推算法 已知n个观测数据x(1),x(2),…,x(n-1)，利用p阶线性预测滤波器估计x(n)为 估计误差为： * 代入有： * 上式中 因此可得： * 格型前向预测误差滤波器 * 格型预测误差滤波器传递函数为 同时有： * 也就是相当于： * 后向预测误差 * 格型后向预测误差滤波器传递函数为 又因： 因此： * 7.6.2 Burg递推算法——Kp的确定 根据信号的有限个取样值估计AR模型参数的方法——自相关法、协方差法和Burg递推法。 自相关法和协方差法都是直接估计AR参数，而Burg法是先估计反射系数，然后利用Levinson-Durbin递推算法由反射系数求得AR参数。 Burg法可以保证： * 算法准则是前向均方误差和后向均方误差之和最小。 如果用前向预测方法以均方误差最小为准则确定K