测试信号分析与处理第2版宋爱国刘文波王爱民电子课件第8章随机信号处理.pptVIP

一、相关函数的估计 但所得的自相关函数的估计是有偏估计，有 而当N→∞时，有 （8-101） （8-102) （8-103） 一、相关函数的估计 上式表明是渐近无偏估计。由式（8-102）还可以看出：|m|越大，偏差越大。但m大小不影响估计的方差，因此，这种估计方法比较常用。 在用这种方法估计自相关函数时，|m|宜取小，N要取大，以减小估计的偏差。但随着N的增大，运算时间迅速增加，为了解决估计精度和速度的矛盾，又提出了一种用FFT进行相关函数估计的方法，利用相关与卷积之间的关系，有 可以用FFT来计算上述卷积，得出相关函数的估计。 （8-104） 二、功率谱估计 功率谱估计在雷达、声纳、语音、地震学和生物医学工程等领域有着广泛应用，如了解目标特性、进行目标识别；对运行机床、飞机、汽车等进行谱分析，可以检验设计效果和诊断故障。所以在分析随机信号时，功率谱估计的问题十分重要。 功率谱估计分为经典功率谱估计法和现代功率谱估计法。经典功率谱估计法的主要特点是与任何模型参数无关，是一类非参数化方法；而现代功率谱估计法的主要特点是使用参数化的模型，是一类参数化的功率谱估计方法。下面只介绍经典功率谱估计法，主要讨论离散随机信号序列的功率谱估计问题，这是一种最基本最常用的经典功率谱估计方法。 二、功率谱估计 由前面随机信号描述一节知道，连续随机信号的功率谱密度与自相关函数是一对傅里叶变换对，即 若 是 的抽样序列，由序列的傅里叶变换的关系，可得 即 与 也是一对傅里叶变换对。显然，由序列傅里叶变换的频谱特性可知， 是以2π为周期的。 二、功率谱估计 而实际计算只能从离散随机信号序列 的有限长（长度为N）的数据来对 与 进行估计。设有限长离散序列为 ，则 由DFT的下列卷积特性： 若 ，则 从而有 即 （8-105） 二、功率谱估计 综上所述，先用FFT求出随机离散信号N点的DFT，再计算幅频特性的平方，然后除以N，即得出该随机信号的功率谱估计。由于这种估计方法是在将Rx(τ)离散化的同时，使其功率谱周期化了，故称之为“周期图法”，也称为经典谱估计法。周期图法进行谱估计，是有偏估计，由于卷积的运算过程会导致功率谱真实值的尖峰附近产生泄漏，相对地平滑了尖峰值，因此造成谱估计的失真。另外，当N→∞时，功率谱估计的方差不为零，所以不是一致性估计。并且功率谱估计在Ω等于 2π/N整数倍的各数字频率点互不相关，其谱估计的波动比较显著，特别是当N越大、2π/N越小时，波动越明显。但如果N取得太小，又会造成分辨率的下降。为此，人们提出了许多改进的周期图法，如分段平均周期图法、加窗平均周期图法等。 二、功率谱估计 分段平均周期图法就是将信号进行分段进行谱估计并将之进行平均，从而得到最终的谱估计。加窗平均周期图法就是在计算周期图法之前，对信号分段加非矩形窗，形成修正周期图法，加窗平均周期图法可有效提高谱估计的平滑性。 二、功率谱估计 例8-7 若有信号为 式中，f1=100 Hz，f2=200 Hz，w(t)为白噪声（用 MATLAB中的函数产生）。设采样频率 Fs=2 000Hz。应用 MATLAB编程：1）用周期图法计算，当数据长度分别为 N1=256和 N2=1024两种情况下信号的功率谱；2）用平均周期图法计算N2=1024情况下信号的功率谱。 解： 其MATLAB程序如下： pi=3.1416; Fs=2000; 二、功率谱估计 %情况1：数据长度N1=256 N1=256; N1fft=256; n1=0:N1-1; t1=n1/Fs; f1=100; f2=200; xn1=sin(2*pi*f1*t1)+2*sin(2*pi*f2*t1)+randn(1,N1); Pxx1=10*log10(abs(fft(xn1,N1fft).^2)/N1); x1=(0:length(Pxx1)-1)*Fs/length(Pxx1); subplot(3,1,1),plot(x1,Pxx1,k); ylabel(256点功率谱（dB）); 二、功率谱估计 %情况2：数据长度N2=1024 N2=1024; N2fft=1024; n2=0:N2-1; t2=n2/Fs; xn2=sin(2*pi*f1*t2)+2*sin(2*pi*f2*t2)+randn(1,N2); Pxx2=10*log10(abs(fft(xn2,N2fft).^2)/N2); x2=(0:length(