非参数功率谱估计课件.ppt

非参数功率谱估计 信号频谱分析 基于DFT功率谱估计 脑电波分析 ? 脑电波信号1（正常的脑电波） 脑电波信号2（癫痫病人脑电波） 信号1两种不同方法的功率谱估计 周期图 AR模型 人体磁场探测 记录一 记录二 周期图 BT 不同方法得到的功率谱估计： 周期图 相关图法 AR模型 MUSIC 信道估计 输入 H(z) 输出 噪声 真实值 估计值 0 dB 噪声 10 dB 噪声 谱估计算法一览 谱估计算法 现代谱估计 经典谱估计 周期图 Periodogam BT(相关图法) AR, ARMA模型 最大熵 最大似然 基于特征值分解 Pisarenko谐波分解 MUSIC 非参数谱估计的理论基础 功率谱定义 维纳定理：自相关序列和功率谱函数是傅立叶变换对 实际应用中，只能得到信号的一个有限长样本，必须假设信号的遍历性： 其中 有限数据时维纳定理仍然成立 非参数功率谱估计的两种不同途径 1，信号 ? 频谱 ? 功率谱估计： 周期图法 2，信号 ? 自相关函数 ? 功率谱估计： 相关图法 周期图法 影响频谱估计性能的因素：采样，实际信号一般为模拟信号，基于计算机的处理，需在时域和频率域进行采样 时域 频域 采样间隔大，可能造成频率域的混叠 不能得到两个采样点之间频率的频谱。分辨率不高 离散傅立叶变换 影响频谱估计性能的因素：有限长数据，实际中得到的数据总是有限长的，效果相等于目标信号加一个矩形窗 目标信号 可得样本范围 矩形窗 用于处理的实际信号 频率域解释： 窗函数造成的问题： 谱峰的平滑：两个谱峰可能被估计成一个谱峰，分辨率降低 引入旁瓣：出现功率的泄露，甚至出现虚假的谱峰 真实谱 窗函数，长度为10 窗函数，长度为20 卷积结果 卷积结果 窗函数长度为5的结果 结论：主瓣宽度越小，分辨率越高 可以利用其他类型窗函数改善性能 分辨率：频谱上两个靠得很近的谱峰被分辨开来的能力 窗函数问题的改善： 采用旁瓣能量更低的窗函数（p.194）：矩形窗在边缘有突变，包含丰富的高频分量。改进的方法是对边缘进行衰减，实现较平滑的过渡。 降低旁瓣能量的代价是增大主瓣的宽度。从而降低了分辨率 窗函数的选择是分辨率(主瓣宽度)和功率泄漏（旁瓣）的折衷 偏差: 功率谱估计： 估计的均值： 其中： 三角窗 周期图法的性能分析 或者： 周期图法的性能分析 实际中数据长度有限，偏差总是存在，为 例子 ：渐进无偏估计 高斯白噪声 N=50 N=100 N=500 样点数增加可改善性能， 通过改进窗函数，也可改善性能，(图5.7, 5.9, 5.14) 估计的协方差： 功率谱估计在两个频率出的协方差，定义为 省略中间步骤，得到(5.3.26) 其中： 结论：不是一致估计 估计的协方差 方差很大，说明不同次估计结果的变化范围很大