现代谱估计课件.pptx

现代谱估计内容与要求了解 功率谱估计的物理意义和应用掌握: 非参数化功率谱估计 平稳ARMA过程 ARMA参数功率谱估计 MATLAB与功率谱估计学习现代谱估计的意义利用给定的一组样本数据估计一个平稳随机信号的功率谱密度称为功率谱估计在许多工程应用中，功率谱的分析与估计是十分重要的，因为它能给出被分析对象的能量随频率分布的情况，应用范围广泛，如：被动式声纳谱峰的位置可给出鱼雷的方向；功率谱密度的峰值和波形显示心率、呼吸频率和高血压对动脉壁的影响；基于Welch法的脉搏波功率谱密度估计A点对应呼吸率；B点对应脉率(心率)；C、D、E、F对应的频率分别是B点频率的整数倍(2～5倍)，因此可以认为是脉率的谐波。功率谱估计的生理意义举例功率谱估计的作用频谱是信号在频率域上的重要特征，反映了信号的频率成分以及分布情况信号的频谱估计是信号分析的重要手段，也是信号综合的前提第一节经典功率谱估计Classical Methods for Power Spectral Estimation估计方法分类两大类信号频谱估计方法： 经典频谱估计和现代频谱估计经典频谱估计属线性估计，成熟于20世纪70年代前，计算简单，但存在着频率分辨率低和频谱旁瓣泄漏严重的缺点现代频谱估计是非线性估计，在20世纪70年代后发展起来，具有较高的频率分辨率本章主要介绍这两类方法的基本原理1 、经典频谱估计 经典频谱估计是用有限长信号进行的线性估计 基础是信号的傅里叶变换 有两种算法：相关函数法和周期图法 (1)、经典谱估计的基本算法 相关函数法: 先估计信号的相关函数，再根据维纳－辛钦定理，由信号相关函数的傅里叶变换得到信号的功率谱密度函数 周期图法: 从信号幅频特性的平方来得到信号的功率谱密度函数 两种方法所得的结果是一致的 a、相关函数法 基本步骤：先计算长度为N的随机信号x(n)自相关函数的估计值再计算信号自相关函数的傅里叶变换，从而得到信号功率谱密度函数的估计值 2N-1点信号自相关函数的离散傅里叶变换，可用快速傅里叶变换来实现 b、周期图法（Periodogram spectrum） 基本步骤：先计算长度N的信号x(n)的傅里叶变换再取其绝对值平方，除以N，得到信号功率谱密度函数的估计值考察信号自相关函数估计的性能信号自相关函数估计值的均值为：结论：信号自相关函数的估计是有偏的,但是 所以该估计又是渐近无偏的 的方差若x(n)是零均值的高斯随机信号，可以推出 因Rx(m)有界，当N??时，信号自相关函数的估计方差趋向于零 结论：信号自相关函数估计是渐近无偏的一致估计 考察经典频谱估计的性能 两种经典频谱估计方法所得结果是一致的，有： 令w(m)为三角窗 其中w(m)的傅里叶变换W(ej?)为：经典频谱估计的性能结论：谱估计的均值为信号真实频谱和W(ej?)的卷积，因此是有偏的但当N??时，W(ej?)趋向于冲激函数，因冲激函数和任意函数的卷积仍为该函数本身，因此该估计又是渐近无偏的信号长度对频谱估计的影响因信号谱估计均值是信号真实频谱和W(ej?)的卷积，要在信号频谱中分辨出宽度为B rad/s 的峰，必须使W(ej?)的主瓣宽度小于B W(ej?)归一化的主瓣宽度为 ，若信号的采样频率为fs，则有：结论：要使频谱分辨率越高，信号点数N应该越大 经典谱估计的方差 先定义两个函数x和y的协方差若x(n)是零均值的高斯白噪声，方差为 ，则有令?1=?2=? 当N??时，频谱估计方差?2不趋向于零，而趋向于 ，因此经典频谱估计不是一致估计 经典谱估计的方差 若取?1= 2k?/N，?2=2l?/N，k、l是整数，则有：当k?l时， 等于零即：在估计的频谱上相隔2?/N整数点的各点，其估计值是互不相关的N越大，2?/N越小，各点靠得越近，估计的频谱起伏程度就越严重 上述方差分析的结论虽然是从零均值的高斯白噪声中推出的，但是对其他信号情况同样有指导意义Matlab周期图估计 % Create signal. Fs = 1000; t = 0:1/Fs:.3; rand(state,0); x = cos(2*pi*t*200)+randn(size(t)); % A cosine of 200Hz plus noise % Instantiate spectrum object and call its PSD method. h = spectrum.periodogram(rectangular,UserDefined); hopts = psdopts(h,x); % Default options set(hopts,Fs,Fs,SpectrumT