生物医学信号处理五教程.pptVIP

方差的讨论（假定x是方差为 的白噪声随机过程）。 由于周期图的方差与随机过程的4阶矩有关，计算一般随机过程的方差非常困难。但可以计算高斯白噪声的周期图的方差，其结果对一般随机信号有重要参考价值。 矩分解定理 说明： １、　　　　　　方差不等于零，周期图的方差不趋近于零，不满足一致估计的条件，周期图不是功率谱的一致估计。 ２、方差较大， 不是功率谱的好估计。使得取一次估计得到的周期图的一致性和稳定性差。 说明此时周期图的方差为常数，与记录数据长度无关，即周期图的方差不会随记录数据的长度的增加而下降。 高斯白噪声序列的周期图 3个周期图的平均值都近似等于1，但是其方差并不随数据记录长度增加而下降。 结论：周期图法不是功率谱的一致估计，而且周期图都在真实功率谱附近随机起伏。 包括主瓣平滑作用和旁瓣泄漏作用， 但是，增加信号的数据点数。数据量增大，相当于滞后窗加宽，相应的傅立叶变换的主瓣变窄，即功率扩散的频率范围变窄。同时，方差不会降低，随机起伏现象仍然存在。且数据点越多，随机起伏越密集。 随机信号： 取N=64和256，观测周期图以及周期图的平均。 讨论：点数增大，滞后窗加宽，其傅立叶变换的主瓣变窄，功率扩散的频率范围变窄。 function []=sinvnperiod() clf; %case 1 :N=64 x(n)=sin(2*pi*f*n+p)+v(n) N=64or256; n=[0:N-1]; f=0.2; wn1=randn(1,N); wn2=randn(1,N); wn3=randn(1,N); wn4=randn(1,N); wn5=randn(1,N); xn1=sin(2*pi*f*n)+wn1; xn2=sin(2*pi*f*n)+wn2; xn3=sin(2*pi*f*n)+wn3; xn4=sin(2*pi*f*n)+wn4; xn5=sin(2*pi*f*n)+wn5; px1=10*log10(abs(fft(xn1).^2)/(N+1)); px2=10*log10(abs(fft(xn2).^2)/(N+1)); px3=10*log10(abs(fft(xn3).^2)/(N+1)); px4=10*log10(abs(fft(xn4).^2)/(N+1)); px5=10*log10(abs(fft(xn5).^2)/(N+1)); figure(1); x=(0:length(px1)-1)/length(px1); plot(x,px1,x,px2,x,px3,x,px4,x,px5); pxmean=10*log10((px1+px2+px3+px4+px5)/5); figure(2); plot(x,pxmean); edit sinvnperiod.m 经典谱估计的缺点 加窗造成主瓣平滑作用，使得频率分辨率低； 加窗效应，相关图法主观认为未观测数据都等于0，造成频谱能量的泄漏； 周期图法不是功率谱的一致估计，而且周期图都在真实功率谱附近随机起伏； 周期图法假设数据是以N为周期的周期性延拓，把不真实的信息加于随机过程之上，限制了频率分辨率和谱估计的质量指标，对短时间序列误差太大。 一些改进方法的思路 将长度为N的序列分k段进行谱估计，分别求出每一段的功率谱，然后加以平均，甚至可以每段数据有部分重叠，得平均周期图。这时，如果各段数据相互独立，则所得估计的方差为原来不分段时得1/k，达到一致估计。缺点是点数减少，分辨率下降，这样会造成有偏的。 不用矩形窗，采用合适的窗函数来消除矩形窗旁瓣带来的谱失真，但同时频谱宽度增大。即改进的周期图法。 以上两者结合为平均改进周期图法，即韦尔奇法。 经典谱估计法 1 2 3 [例如] 为了说明经平均后的周期图作为功率谱估计的实际效果，设有一零均值高斯分布的随机过程，其功率谱密度为 与 的特性 第六章功率谱估计的经典方法 功率谱就是指功率谱密度（power spectral density,PSD），简称谱。 研究二阶平稳随机过程特征—功率谱密度—揭示随机过程中所隐含的周期及相邻的谱峰等有用信息，要用有限长的N个样本数据去估计该平稳随机过程的功率谱密度—谱估计的方法。此种估计是建立在时间平均的方法之上，并假定具有遍历性。 功率谱密度 当x(t)为广义平稳过程时，其能量通常是无限的，则需研究其功率在频域上的分布，即功率谱密度。 对于平稳随机过程，谱分析是采用自相关函数： 自相关函数是滞后积 的数学期望。 Wie