生物医学信号处理5 教程文件.pptVIP

第六章功率谱估计的经典方法; 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。;经典谱估计－线性、非参数化方法：周期图法，相关图法等。采用经典的傅里叶变换及窗口截断。对长序列有良好估计。 现代谱估计－非线性、参数化方法：最大似然估计，最大熵法，AR模型法，预测滤波器法，ARMA模型等。对短序列的估计精度高，与经典法相互补充。是融合经典变换理论、统计估计理论、系统辨识、信息论、时间序列分析及计算方法等理论与技术－新学科。应用广泛，发展迅速。;经典谱估计＋现代谱估计＝完整的谱估计理论;能谱密度 设x(t)是确定性的复连续信号，若其绝对可积或其能量有限，即：;6.2 自相关函数和谱密度的估计;２：有偏估计： ;利用自相关函数计算功率谱的实质：周期图;即加窗截断为有限长序列，则有：;功率谱的估计可写成：;估计方差为1，长度N=32的白噪声序列的自相关函数和周期图。 实现程序为： edit ransig.m 然后编辑ransig.m文件为 运行结果。;function [m,ms,sq,cc,cs]=ransig() N=32; x=randn(1,N); disp(均值); m=mean(x); disp(均方值); ms=x*x/N; disp(方差); xstd=std(x,1); sq=xstd.*xstd; cc=xcorr(x,unbiased); figure(1); plot(x); xlabel(n); ylabel(x(n));;均值 m = 0.2326 均方值 ms = 0.8507 方差 sq = 0.7966;;6.3 相关图法(Correlogram Method);第二步，求;显见，实际上自相关估计;所以估计的偏差为：;周期图不是R(m)的傅立叶变换，为有偏估计;估计方差：推导过程略。(l=n-k); m越大，分辨率越高，但自相关的偏差及方差也相应增大，通常取m=N/10 —N/5，较好。;6.4 周期图法(Periodogram Method);分析周期图法谱估计的性能：;不难看出： 是个三角函数（两个矩形函数的卷积）， 被称为Bartlett窗函数，用　　　表示。;自相关函数的真值;Bartlett窗函数及其傅立叶变换示意图;;当 时;方差的讨论（假定x是方差为 的白噪声随机过程）。;;;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。 ; 高斯白噪声序列的周期图;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。;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;;;;;;经典谱估计的缺点 ;一些改进方法的思路;[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 ;平均后的周期图(每段取16个数据);经典谱估计法总结：;6.5 改进的周期图法;修正的周期图—加窗周期图法：;汉宁窗函数： 海明窗函数： ;Bartlett法—周期图的平均：;定义：xi(n)是x(n)的K个互不相关的取样序列，每个序列长度为L。则xi(n)的周期图为 则这些周期图的平均为：;性能分析略。（将近无偏估计，且在K和L都趋于无穷大时为一致估计）;例子：