第5章功率谱估计.PDFVIP

第5章 功率谱估计 在第1章介绍了可以用一个模型来描述一个随机信号。最常用的模型有两类，一是线性 系统模型，如ARMA、AR和MA模型，它们刻画一个由白噪声驱动的线性有理分式系统产生的 随机信号。另一类是复正弦模型，它们刻画的是被噪声污染的正弦信号。用模型法进行谱估 计的方法称为现代谱估计方法，主要区别于周期图法等经典谱估计方法。 经典的周期图谱估计存在两个明显的问题，第一，谱估计的分辨率与记录数据长度成正 比，对于较短的记录数据，无法得到高分辨的谱估计。第二，基本的周期图谱估计方法不是 一致估计，在记录数据趋于无穷时，估计的方差并不趋于零，因此不是可靠的估计。为了改 善周期图的可靠性问题，进行了平均化处理，例如平均周期图。平均周期图改善了估计的方 差性能，但同时降低了分辨率，除非有长的记录数据，否则周期图法很难在分辨率和可靠性 方面都取得满意的结果。因为有限带宽信号在时域是无限的，用有限的数据记录进行经典谱 分析，意味着对加窗后的序列做傅立叶变换，截取有限长数据，就相当加矩形窗的操作，可 以选择其它窗函数以改善分析性能，但加窗是必然的操作。时域加窗对应的乘运算，带来频 域的卷积。由于窗函数的傅立叶变换一般是一个光滑地集中在零频率附近的窄带函数，频域 卷积的结果是对原始信号频谱的平滑，降低了它的频率分辨率。由于窗函数的频谱的主瓣宽 度与窗长度成反比，使得谱估计的分辨率与窗长度成正比。 现代谱估计的方法不是直接的进行功率谱的计算，而是假设随机信号服从一个模型，通 过有限的数据记录，对信号模型的参数进行估计，通过模型参数得到信号的功率谱。例如假 设一个信号服从p 阶AR模型，从记录的数据估计AR模型的参数，得到AR模型参数以后， 代入AR模型功率谱的表达式，可以绘制出具有任意光滑性的功率谱密度图，也可以按任意 精度得到它的峰值点的位置。当然，由于对模型参数的估计存在误差，由于测量噪声的影响， 限制了模型法功率谱密度图能够达到的分辨率。理论上证明，AR 模型的参数估计存在一致 估计，并且是渐进无偏的，这说明，如果一个信号符合AR模型的假设，随着记录数据的增 加，可以得到一个可信的功率谱估计。对于另一种常用随机信号模型：复正弦信号模型，通 过分析其自相关矩阵特征空间的正交性质，得到对频率估计的有效方法。 本章首先简要复习经典谱估计的基本结论，然后分别讨论基于线性系统模型和复正弦模 型的功率谱估计方法。 179 5.1经典谱估计 第1章给出了功率谱密度的一个等价定义是 2  1 M j 2fn  S (f ) lim E  x (n)e  （5.1） M  2M 1 n M  在如上方程中，将取期望运算应用于求和项中，再通过极限运算，就得到维纳－欣钦定理的 表达式：功率谱是自相关序列的离散时间傅立叶变换。 在只有观测数据集{x (0), x (1), x (N 1)} 的情况下，（5.1）式的一个最简单的估计式 为 2 1 N 1 j 2fn ˆ Sper (f ) x (n)e (5.2) N n 0 这就是周期图的定义。它是经典谱估计的基本公式。 本节不作证明，将周期图谱估计的性能要点总结如下： 估计器均值