经典谱估计与现代谱估计[文字可编辑].ppt

1 内 容 ? 经典谱估计与现代谱估计 ? 参数模型法概述 ? 基于 AR 模型的谱估计法 ? 最大熵谱估计算法 ? 最小方差谱估计 ? 基于矩阵特征分解的谱估计 ? 高阶谱估计 2 内 容 ? 随机信号的特征 ? 经典谱估计与现代谱估计 ? 参数模型法概述 ? 基于 AR 模型的谱估计法 ? 最大熵谱估计算法 ? 最小方差谱估计 ? 基于矩阵特征分解的谱估计 ? 高阶谱估计 3 高阶谱估计 ? 研究的必要性 ? 高阶统计量 ? 高阶谱 ? 高阶累积量和多谱的性质 ? 三阶相关和双谱及其性质 ? 基于高阶谱的相位谱估计 ? 基于高阶谱的模型参数估计 ? 多谱的应用 参考 : 《现代数字信号处理》 (184-199 ； 204-205) 4 研究高阶谱的必要性 ? 关于模型参数估计问题 ? 所谓模型参数估计，就是根据有限长的数据序列 ( 如模 型输出端所观测到的信号 y ( n ) 来估计图中随机信号模型 的参数， ) ? 与前面所述不同之处在于：这里考虑了观测过程所引 入的噪声 v ( n ) . ∑ H ( z ) ( h ( n ) ) v(n) y(n) x(n) u(n) 5 研究高阶谱的必要性 ? 基于二阶统计量的模型参数估计方法的缺陷 ? 前述模型参数估计方法中，估计得到的模型参数仅与 信号的自相关函数或功率谱包络相匹配；其功率谱不 含信号的相位特性，亦称盲相。即 2 2 ) ( ) ( ? ? ? j u e H S ? ? 这种模型只适合于高斯随机信号，因为高斯信号仅用 二阶统计量 ( 均值和方差 ) 就能加以描述。 6 研究高阶谱的必要性 ? 二阶统计量方法的基本限制 前面讨论的方法中，一般都假设： ? 信号模型中的系统 H ( z ) 是最小相位的。 ? 激励信号 u ( n ) 是均值为零，方差为 的高斯白噪声。 ? 测量信号 v ( n ) 是均值为零，方差为 的高斯白噪声； 且 v ( n ) 与信号 x(n ) 统计无关，即 v ( n ) 不影响信号的谱形状 故有 2 u ? 2 v ? ) ( )] ( ) ( [ ) ( ) ( ) ( ) ( 2 2 2 2 2 m h m n y n u E m R H S S u uy v u v xx yy ? ? ? ? ? ? ? ? ? ? ? ? ? ? 7 研究高阶谱的必要性 ? 二阶统计量方法存在的问题 ? 在许多实际应用 ( 如地震勘探、水声信号处理、远程通 信 ) 中，往往不能满足上述假设；甚至系统是非线性的。 ? 对于非高斯信号的模型参数，如仅仅考虑与自相关函数 匹配，就不可能充分获取隐含在数据中的信息。 ? 若信号不仅是非高斯的，而且是非最小相位的，采用基 于自相关函数的估计方法所得到的模型参数，就不能反 映原信号的非最小相位特点。 ? 当测量噪声较大，尤其当测量噪声有色时，基于自相关 函数的估计方法所得到的模型参数有较大的估计误差。 8 研究高阶谱的必要性 ? 解决问题的方法 ? 从观测数据中提取相位信息 ? 信号分析必须具有抗有色噪声干扰的能力 因此，必须用高阶谱 ( 高阶统计量 ) 来分析信号 9 随机信号的高阶特征 功率谱估计， Wiener 滤波器都是以信号的相关函数为工具 。 ? ? ? ? ? ? ? ? ? ? p i j i q i j i e e z A z B P 1 2 1 2 2 2 2 1 1 ) ( ) ( ) ( ? ? ? ? ? ? ? 模型的多重性 ：考虑功率谱 故 由于 , 1 ) ( 1 1 1 * ? ? ? ? ? j j e e ? ? ? ? ? ? ? ) ( 1 1 ) ( 1 2 1 2 2 1 2 2 1 2 2 2 ? ? ? ? ? ? ? ? ? ? ? ? P e e P p i i q i i p i j i i q i j i i ? ? ? ? ? ? ? ? ? ? ? ? ? ＝ － － 即不同 ARMA 过程具有相同形状的功率谱。这一特性 称为相关函数的多重性或模型的多重性。 相关函数的局限性 10 随机信号的高阶特征（续） 两个具有零均值和相同方差的高斯白色噪声和 指数分布白色噪声显然是不同的随机过程，但它 们的功率谱相同。 用这样两个白色噪声激励同一个 ARMA 模型，产生的 两个 ARMA 过程显然是不同的随机过程，但它们的功 率谱相同。 两个灰度图相同的图像有可能是不同的图像。 以上事实说明 , 要准确地刻画随机信号 , 仅使用相关 函数 ( 二阶统计量 ) 是不够的 , 还必须使用更高阶的统 计量。三阶和更高阶的统计量合称高阶统计量。 相关函数 ： 刻画信号的粗糙像 高阶统计量 ：刻画信号的细节 11 高阶统计量 ? 特征函数与高阶矩 ?