[工学]离散数字信号处理第五章.pptVIP

功率谱估计问题 我们主要针对宽平稳随机过程，功率谱估计等于自相关估计。对各态历经过程，可用时间平均代替期望值： 6.1 非参数化方法 从一组观测数据中估计随机过程的自相关序列，并取傅立叶变换来获得功率谱估计。 缺点是： 估计精度不高，需要的数据量大； 6.1.1 周期图方法 5.1.1 周期图方法 5.1.1 周期图方法——性能分析 5.1.1 周期图方法——性能分析 5.1.1 周期图方法——举例 5.1.1 周期图方法——举例 5.1.1 周期图方法——分辨率 5.1.1 周期图方法——分辨率举例 5.1.1 周期图方法——方差 5.1.1 周期图方法——方差 5.1.1 周期图方法——方差 5.1.2 修改的周期图 5.1.2 修改的周期图 5.1.2 修改的周期图 5.1.3 周期图平均（Bartlett） 5.1.3 周期图平均（Bartlett） 5.1.3 周期图平均（Bartlett） 5.1.3 周期图平均（Bartlett） 5.1.4 平均的修改周期图（Welch） 5.1.4 平均的修改周期图（Welch） 5.1.4 平均的修改周期图（Welch） 5.1.5 BT方法——周期图平滑 5.1.5 BT方法的统计特性 功率谱的期望： 5.1.6 非参数化功率谱估计的总结 估计的波动性（折中了分辨率和方差）； 价值因子： 5.2 最小方差谱估计（MV估计） 5.2 最小方差谱估计（MV估计） 5.2 最小方差谱估计（MV估计） 5.2 最小方差谱估计（MV估计） 5.2 最小方差谱估计（MV估计） 5.3 最大熵方法(MEM) 5.3 最大熵方法(MEM) 5.3 最大熵方法(MEM) 5.4 参数化方法 5.4.1 AR功率谱估计 5.4.1 AR功率谱估计 5.4.1 AR功率谱估计 5.4.1 AR功率谱估计 5.4.1 AR功率谱估计 5.4.1 AR功率谱估计 5.4.1 AR功率谱估计 5.4.1 AR功率谱估计 5.4.2 MA功率谱估计 5.4.2 MA功率谱估计 5.4.3 ARMA功率谱估计 5.5 频率估计 5.5 频率估计 5.5 频率估计 5.5 频率估计 5.5 频率估计 5.5.1 Pisarenko谐波分解 最终的MV估计为： 其中： 模型阶数的选择： 理论上p越大越好，但实际上数据长度有限，而且自相关的估计存在方差，p应该远小于数据长度N。 对有限的数据长度N，估计的自相关值也有限，怎样获得更多的自相关值，MEM方法就可以外推自相关序列。 如果知道 ，怎样外推 的自相关值？ MEM的思路： 对自相关值施加约束。 1，功率谱是实数且非负；2，外推使过程的熵最大，或过程尽可能“白”； 熵的定义：对高斯随机过程 MEM就是最大化熵且满足自相关约束： 高斯过程的功率谱是全极点模型的功率谱 把这个方程简化得 对非高斯随机过程，MEM估计可表示为： 如何求解参数就是MEM估计的关键。 由于功率谱要满足自相关的约束，根据正则方程 MEM方法非常类似于AR过程的功率谱估计。 改为p 非参数化功率谱估计之所以精度不高，没有从有限个数据中获得过程更多的信息。把过程的模型组合到功率谱的估计中： AR模型，MA模型和ARMA模型来估计功率谱。 步骤： 通过数据估计模型参数——直接写出功率谱 ARMA的功率谱估计 举例：随机相位正弦 功率谱估计是否精确与模型的选择，以及参数的估计精度密切相关。 自相关法： 自相关法的特点： 1，假定kp的数据自相关为零，因此对自相关序列加窗，分辨率低。(由于自相关序列估计值的随机性) 2， 存在“谱线分裂”。（实线，p=4,虚线，p=12） 自相关法中的自相关估计是有偏的，利用无偏估计能得到另一种形式，但自相关矩阵不具有正定性。 协方差方法： 协方差法的矩阵不是Toeplitz矩阵，不能用快速算法来求解。但在“短”数据序列时的分辨率比自相关法高。 修改的协方差方法： 修改的协方差法的矩阵不是Toeplitz矩阵，不能用快速算法来求解。但在“短”数据序列时的分辨率比自相关法高。 关键在于矩阵元素的计算方式不同。 举例：四阶窄带自回归过程的短数据序列 自相关法。虚线是真实的功率谱，实线是平均后的。 举例：四阶窄带自回归过程的短数据序列 协方差法 举例：四阶窄带自回归过程的短数据序列 修改的协方差法 AR模型阶数的选择： 模型太小，功率谱估计不够精确；模型阶数太