《数字信号处理题解及电子》第12章-2课件.pptVIP

;对同样一组数据，我们可以实现双向预测：;Backward Prediction;令：;可以证明：;前、后向预测误差序列有如下的关系：;上述关系引出了线性预测中的Lattice结构。这一结构在现代谱估计、语音信号处理中有着重要的应用。;上述的关系还是集总平均。对实际的信号：单个样本有限长，求均值要简化，对;;N点数据，前向预测误差序列范围;;上三角+中间块+下三角：上、下加窗；;12.6 AR模型系数求解算法; 3. 递推算法：由 求 ，由 递 推，还是直接由 递推;一、自相关法;注意：矩阵 的结果，即是对有限长数据求出的自相关函数，因此，上式等效于：;二、Burg算法;先求： ;递推步骤;Burg 算法的特点：;三、改进的协方差法——Marple方法;上述最小化的结果是得到一个协方差方程：;;12.7 MA模型;再推导一步，有：;从谱估计的角度，MA模型等效于经典法中的间接法，所以分辨率低。因此，MA模型用于谱估计无优势。但，MA模型： 1. 常用于系统辨识； 2. ARMA模型中包含了MA部分。;令其等效为 模型;步骤： 1. 由 ,建立 得 ; 2. 对 建立 阶线性预测器，系数为 ,即建立两次AR模型。;12.8 ARMA(p,q)模型;可以先 求 ，然后再解第一个方程，求出 ；但这样做的效果不好，一是 的性能不好，二是第一个方程也不好求解。首先，建立一个超定方程（方程个数未知数）： ;用求伪逆的方法可求出 ；注意，伪逆可用 奇异值分解（SVD）的方法求解；求出 后， 剩下的工作是求;2. 用 对 滤波； 3. 滤波输出 相当于一 MA（q) 过程，按 上节MA模型的求解方法，可求 出 ARMA(p,q)模型 的 参数。;（a）MA(10) （b）MA(16) （c）ARMA(10,10) （d）ARMA(10,13);12.10 基于矩阵特征分解的功率谱估计;已知：;定义：;相关矩阵的分解：信号部分和噪声部分;特征分解; 构成的p+1维空间;基于噪声子空间的频率估计和功率谱估计：;求解上式，可得到 的 个根，它们都 在单位圆上，因此可求出 ;???法：;4. 由下式，求;若噪声空间向量不止一个，估计信号的频率，可应用谱估计的方法。;2. 若;用特征分解求出的功率谱曲线;与本章内容有关的MATLAB文件：;3. pcov.m 用AR模型方差方法估计信号的 功率谱，其基本调用格式是： [Px, F] = pcov(x, order, Nfft, Fs) 4. pmcov.m 用AR模型的改进的方差方法估 计信号的功率谱，其基本调用格式是： [Px, F] = pmcov(x, order, Nfft, Fs) ; 5. pmem.m 最大熵功率谱估计，其估计 性能类似pyulear, 其基本调用格式是： [Px, F] = pmem(x, order, Nfft, Fs) 6. pmusic.m 用自相关矩阵分解的MUSIC 算法估计信号的功率谱，其基本调用格 式是： [Px, F] = pmusic(x, order, Nfft, Fs);7. peig.m 用自相关矩阵分解的特征向量 法估计信号的功率谱，其基本调用格式是： [Px, F] = peig(x, order, Nfft, Fs), [Px, F，V, E] = peig(x, order, Nfft, Fs), x :信号向量，order:模型的阶次，Fs:抽样频率，Nfft:对x作FFT时的长度。Px:估计出的功率谱，F是频率轴坐标。对peig, 输出的E 是由自相关矩阵的特征值所组成的向量，V是由特征向量组成的矩阵。V的列向量张成了噪声子空间，V的行数减去列数即是信号子空间的维数。 ;（二）有关AR模型参数估计的文件： 包括：aryule, arburg, arcov 及 armcov。 8.