离散随机过程与非参数化谱估计.ppt

4. 实例分析 实例一：随机信号1 信号样本为采样频率5120Hz，样本长度32768点 信号的成分： 集中在0-300Hz、1000-1500Hz的能量； 700Hz窄带分量； 2300-2500Hz的噪声。 包络基本相似，但是噪声信号的频带表现有差异。 4. 实例分析 实例二：随机信号2 信号样本为采样频率2560Hz，样本长度32768点 信号的成分： 100、200、300、400Hz处的周期成分； 分布在0-1kHz的白噪声； 1080Hz和1180Hz的两个幅度不大的周期分量。 对随机噪声的体现有差异。 * * * * * * * * * 离散随机过程与非参数化谱估计 Outline 1.离散随机过程介绍 2.谱估计概述 3.非参数化谱估计介绍 4.非参数化谱估计总结 5.实例分析 Outline 1.离散随机过程介绍 2.谱估计概述 3.非参数化谱估计介绍 4.非参数化谱估计总结 5.实例分析 1. 离散随机过程——定义 统计学角度： 离散随机变量+有序时间信息→离散随机过程 信号分类角度： 确定信号 随机信号 离散随机信号 随机信号的幅相随时间做无规律变化，无法用确定的时间函数来表示。 随机信号样本无穷多，不满足FT条件，随机信号是功率信号。 平稳随机信号的统计规律是确定的，可以用统计学方法描述平稳随机信号。 1. 离散随机过程——描述随机过程的统计特性 数学期望：描述随机信号的平均值。 均方值(二阶原点矩)：描述信号的平均功率。 自相关函数：描述随机信号的每两个具有一定时间间隔的幅度值之间的联系程度的数值，它是时间间隔的一个函数。其峰值表征周期成分。 互相关函数：描述两个信号之间的相关性。 方差、自协方差、互协方差、高阶矩等统计特征。 统计特性 1. 离散随机过程——自相关函数定义（离散）和统计原理 集总自相关 时间自相关 当m=0时自相关函数取得最大值，依定义2，此时最大值表示均方差。 定义1： 定义2： 各态遍历 单一样本 广义平稳 集总平均：定义2中 N→∞ 求和的平均，需要无穷多样本。 时间平均：有限时间样本，在时域内的求和平均。 各态遍历性：观察时间足够长的平稳过程的一个样本函数的时间平均等于其集 总平均，可以用其任一个样本来得到其数字特征。 估计的偏差：即估计值的均值和真值的差。 1. 离散随机过程——自相关函数定义（离散）和统计原理 集总自相关 时间自相关 定义1： 定义2： 各态遍历单一样本 广义平稳 估计的质量评价： 定义估计的偏差： 估计为无偏估计 若 若 估计为渐近无偏估计 当m=0时自相关函数取得最大值，依定义2，此时最大值表示均方差。 1. 离散随机过程——自相关函数的估计 估计1： 估计2： （渐近无偏） （无偏） 对估计1的说明： 是三角窗，当 N→∞ 时w(m) →1，是数据截短后产 生的矩形窗在做自相关时产生的。 Outline 1.离散随机过程介绍 2.谱估计概述 3.非参数化谱估计介绍 4.非参数化谱估计总结 5.实例分析 2. 谱估计概述——谱估计产生的背景 一般来讲，能量信号的FT收敛，而功率信号FT通常不收敛。实际信号多为随机信号，随机信号大多属于功率信号而非能量信号，FT不收敛，因此无法得到频谱分布信息。 随机信号的某些统计特性具有平稳性，其均值和自相关函数具有平稳性。前人证明该确定的自相关函数存在傅氏变换。功率信号的功率谱描述了信号功率随频率的分布特点，维纳-辛钦定理指出，信号功率谱恰好是其自相关函数的傅里叶变换。 谱估计就是对功率谱进行估计，它的基础是傅里叶变换。  信号 能量信号 : 功率信号 : ，P=0 ，E=∞ 2. 谱估计概述——功率谱（密度）函数 功率谱 (Power Spectral Density, PSD)： 功率谱密度函数描述的是随机信号的能量随着频率的分布情况。 用随机过程的有限时间傅里叶变换来定义谱密度(快速傅里叶变换（FFT）估计谱密度的依据) 用相关函数的傅里叶变换来定义谱密度(平稳随机过程不包含周期分量并且均值为零，保证相关函数在时差趋向于无穷时衰减) 用平稳随机过程的谱分解来定义谱密度(维纳的广义谐和分析理论) 功率谱的三种定义方式: 2. 谱估计概述——频谱和功率谱 研究功率谱的目的: FT不存在时可以代替FT研究信号的成分。 频谱不存在的信号，功率谱可以存在；对于频谱存在的信号，功率谱也一定存在。 2. 获得有用的功率信