高等数字信号处理第2章_现代谱估计.ppt

2.6 扩展Prony方法 扩展Prony方法对于N点复数序列 采用 的估计模型是一组p个具有任意幅值、相位、 频率与衰减因子的指数函数，即 式中， 为幅值； 为相位（单位：弧度）； 为衰减因子； 表示振荡频率； 代表 采样间隔。 2.3.1 前向线性预测 (d) ——前向线性预测的Wiener-Hopf方程 解此方程则得m阶线性预测器的最佳参数 及 。 2.3.1 前向线性预测 上式与AR模型参数的正则方程式极其相似，若 令 ，则有 ， 成立。这说 明，对于同一个p阶的AR随机信号 ，其AR模 型和同阶的最佳线性预测器模型是等价的。所以 有 (f ) 即p阶线性预测器的输出是一个白噪声序列。 2.3.1 前向线性预测 结论：对于给定的随机信号 ，若其最佳前向 线性预测器的阶次等于 的AR模型阶次时，其 前向线性预测误差为白噪声序列。所以阶次等于 AR模型阶次的最佳前向预测误差滤波器实际上 是AR模型的逆系统，即白化滤波器。 2.3.2 后向线性预测 与前向线性预测对应的还有后向线性预测器。即 由n时刻以后的p个数据 来预测 ，即 式中，上标b代表后向预测。在实际工作中，总是用同一组数据来同时实现前向和后向预测，这样上式可改写为 2.3.2 后向线性预测 预测误差 但习惯上常将写成，即 仿照前向预测器的推导方法，同样可导出下列公 式： 最佳均方误差 及 2.3.2 后向线性预测 对于实序列有 及 若 为复数序列，则 2.3.3 格形滤波器 对于m阶的前、后向预测误差，有如下递推公式 成立 式中， 称为反射系数， 。且 2.3.3 格形滤波器 2.4 Burg算法 Burg算法的基本概念 Burg算法存在的问题 改进的协方差算法 2.4.1 Burg算法的基本概念 基本思想 自相关法进行AR谱估计时，是遵循以下思路进行的： 由观测的信号数据 先估计自相关函数 。 根据估计的自相关函数，利用Levinson-Durbin递推算法求解模型参数 、 。 由得出的AR模型参数计算信号的功率谱 。 2.4.1 Burg算法的基本概念 1967年提出的Burg算法在一定程度上改善了这种状况。它所遵循的计算思路是： 由观测的信号数据 先估计反射系数 。 根据估计出的反射系数，利用Levinson-Durbin算法递推出AR模型参数 、 。 由得出的AR模型参数计算信号的功率谱 。 2.4.1 Burg算法的基本概念 由于在计算中避开了估计自相关函数 ，而 直接从输入数据计算AR模型参数 所以减小了计算误差，从而改善了 的频率分辨率。 Burg算法的另一特点是：使用前向、后向预测 误差平方和最小的原则来估计 ，而不是象自相 关法那样只按前向预测误差 的方差最小的原 则导出其正则方程。 2.4.1 Burg算法的基本概念 算法推导 令 应满足 在上式中代入格形滤波器公式，可得 2.4.1 Burg算法的基本概念 估计出后 ，阶次m时的AR模型参数系数仍然 由Levinson-Durbin算法递推求出，即有 2.4.1 Burg算法的基本概念 计算步骤 由初始条件 ，再由式(2-4-2)求出 ； 由 得 时的参数 由 及式(2.3.15)求出 和 ，再由式(2.4.2) 估计 ； 依照式(2.4.3) ~ 式(2.4.5)，求 出时的参数 、 及 ； 重复上述过程，直到 ，求出所有阶次时的AR参数。 2.4.1 Burg算法的基本概念 若定义式(2.4.2)的分母为 那么可以证明， 可以由 和 递推计算，即 这样，可以有效地提高计算速度。 2.4.2 Burg算法存在的问题