第四章2 数字信号处理二.ppt

§4.3 现代谱估计中的参数建模 一、模型的选择 二、模型参数和自相关函数之间的关系 2. AR模型的系数与信号自相关函数之间的关系 3． 模型的系数与信号自相关函数之间的关系 §4.4 模型谱估计的性质 一． 模型的线性预测 三、 模型隐含自相关函数延拓特性 §4.5 AR谱估计的方法 方法：自相关法，Burg法，协方差法，修正协方差法 共同点： 根据观测数据，求模型参数，使信号预测误差功率最小 对于长记录数据，估计质量相似；对于短记录数据 不同方法之间存在差别。 一、自相关法——Levinson递推法 误差准则：预测误差功率最小 预测误差功率 设观测数据的长度为N， ，0≤n≤N－1，预测误差滤波器的长度p+1， 预测误差的长度为N＋p。 自相关函数的取值范围( ) 在观测数据两端分别添加了p个样本值，大小为0 上式中， 且 令 说明自相关法就是Yule-Walker方程的求解。 求解步骤 观测数据 自相关函数 模型参数 信号功率谱 直接求解Yule-Walker方程，需要求解逆矩阵，不方便。Levinson-Durbin递推法，可高效求解Yule-Walker方程。 核心公式 模型的定阶 实验方法，由低阶开始递推，当递推到M阶时，预测误差满足允许的值，停止递推。 优点: 计算效率高； 当阶数变化时，无需从头计算。 缺点: 当观测数据长度较短时，估计误差较大，会出现谱峰频率偏移与谱线分裂。若数据量较大，自相关函数估计较准确，但计算量大，因此，应适当选择数据长度。 谱线分裂：假设所估计的随机过程是由一个正弦信号+噪声构成，AR谱估计中存在两个靠得很近的谱峰，似乎在随机过程中还存在另一个正弦信号。 虚假谱峰：设信号为AR(p)，估计的模型参数为AR(q)，当qp时，会产生q-p个额外极点，若这些额外的极点出现在单位圆附近，就会出现虚假的谱峰，有人建议模型的最高阶 ，N是记录的数据长度。 二.协方差法与修正协方差法 预测误差功率 与自相关法相对比，预测误差功率求和限不同了。在上式中，所有的观测数据都已用到，并且不需要在数据两端补充零点。 优点:去掉了自相关法中加窗处理的不合理假设。 使用复梯度法使上式达到最小 使用复梯度法使上式达到最小 特点: ① 适用于非平稳随机信号； ② 近似于自相关法,一些实验结果说明其分辨率优于自相关法； ③ 可以有效估计正弦信号的频率。 误差准则： 前后向预测误差功率之和最小。 前向预测 后向预测 前后向预测误差平均功率 经过化简 令 白噪声方差的估计值 根据①,②,③式,可以求出AR模型的参数,求出信号的功率谱 根据①,②,③式,可以求出AR模型的参数,求出信号的功率谱 特点: ①. 除了计算协方差函数不同以外,与协方差法计算功率谱的方法是一样的。 ②. 适用于估计正弦波频率：可以得到十分准确的频率估计,分辨率高且统计稳定,估计结果与正弦相位的依赖关系明显减少。 3. Burg递推法 由观测数据直接计算AR模型参数 设前向、后向预测误差功率分别为 和 ，预测误差平均功率为 ，则 ② 其中， 已知数据x(n), ，为了保证计算范围不超出给定界限，要求 特点 ① 对于AR信号能够得到比较精确的谱估计； ② 短数据的谱估计比自相关函数法精确； ③ 但对正弦信号的谱估计有一定的困难，存在谱线偏移和谱分裂现象，且峰值的位置与相位有关系。 4. 关于模型阶次的选择 1. 若信号为纯p阶AR模型AR (p)，估计的信号模型为AR (k)； 当 ，将产生对谱的平滑作用,降低谱的分辨率 当 , 4. 关于模型阶次的选择 2. 当信号含有噪声，宜选择ARMA模型。若选择了AR模型，其阶次应加大。较低的阶次会使谱估计产生偏移，降低分辨率，并且分析结果与信噪比有关。信噪比愈低，平滑作用愈严重，愈需要高的阶次。 阶次愈高，分辨率愈高；但阶次太高，会使估计误差加大,谱峰分裂。 3. 模型阶次估计的三种方法. ①.最终预测误差准则 : k阶AR模型的白噪声方差的估计值. N: 观测数据长