数字信号处理课件 .pptVIP

现代数字信号处理课程;现代数字信号处理课程回顾;第一章 时域离散随机信号的分析;对一个随机序列的统计描述，可以由这个序列的自相关函数来高度概括。 对一平稳随机信号，只要知道它的自相关函数，就等于知道了该随机信号的主要数字特征。;的特性;各态遍历性：;功率密度谱：;随机序列数字特征的估计：;平稳随机序列通过线性系统：;相关卷积定理：;时间序列信号模型：;滤波器阶数： 对于IIR滤波器或者AR模型、ARMA模型，阶数是指p的大小，如果用差分方程表示，则p就是差分方程的阶数。 对于FIR滤波器或者MA模型的阶数，则是指q的大小，或者说是它的长度减1。 三种信号模型可以相互转化，而且都具有普遍适用性， 但是对于同一时间序列用不同信号模型表示时，却有不同的效率。 这里说的效率, 指的是模型的系数愈少，效率愈高。;谱分解定理： 如果功率谱Pxx(ejω)是平稳随机序列x(n)的有理谱，那么一定存在一个零极点均在单位圆内的有理函数H(z), ;rxx(m);第二章 维纳滤波和卡尔曼滤波;x(n)=s(n)+v(n) ;正交性原理：;维纳—霍夫方程：;FIR维纳滤波求解：; 设定d(n)=s(n)，对上式两边做Z变换，得到 ;因果IIR维纳滤波求解：;; 因果维纳滤波器的复频域最佳解为 ; 通过前面的分析, 因果维纳滤波器设计的一般方法可以按下面的步骤进行：  (1) 根据观测信号x(n)的功率谱求出它所对应的信号模型的传输函数，即采用谱分解的方法得到B(z)。 (2) 求 的Z反变换，取其因果部分再做Z变换，即舍掉单位圆外的极点，得 (3) 积分曲线取单位圆，应用（2.3.38）式和（2.3.39）式，计算Hopt(z), E［|e(n)|2］min。 ;维纳预测：;纯预测： 假设x(n)=s(n)+v(n)，纯预测问题是在v(n)=0情况下对s(n+N), N＞0的预测，此时x(n)=s(n)。  因果情况下，假设s(n)与v(n)不相关，纯预测情况下;一步线性预测：; 前向预测： ;得到下面的方程组： ; 后向预测： ; 维纳－霍夫方程;Levinson-Durbin算法：;卡尔曼滤波：; 假设某系统k时刻的状态变量为xk，状态方程和量测方程（也称为输出方程）表示为 ;第三章 自适应数字滤波器;LMS自适应横向滤波器：; 最佳权矢量W*和最小均方误差：; 其中,μ是一个控制稳定???和收敛速度的参量，称之为收敛因子。 方向是性能函数下降最快的方向，因此称为最陡梯度下降法。; Widrow-Hoff LMS算法：;图 3.2.10 LMS算法稳态误差; μ值的影响 对稳定性的影响： ;预测误差格型滤波器：;LMS自适应格型滤波器：;最小二乘（LS）滤波：;自适应滤波器的应用：;参考输入端存在一定的有用信号： 当有信号分量泄漏到参考输入中时，噪声的抵消能力可以通过比较输入端的信噪比、参考输入端的信噪比及输出端的信噪比数值大小来评价。; 2) 胎儿心电监护 ;自适应逆滤波：;第四章 功率谱估计;BT法：;周期图法：;修正周期图法：; 结论：传统的功率谱估计方法，采用观测到的N个样本值估计功率谱，认为在此观察到的N个数据以外的x(n)=0。因此，无论采取哪一种改进方法，总是以减少分辨率为代价，换取估计方差的减少，提高分辨率的问题无法根本解决。 ; 估计功率谱的方法： 首先根据信号观测数据估计信号自相关函数； 求出模型参数； 最后按照下式求出信号的功率谱: ; AR模型隐含着自相关函数外推的特性，使它具有高分辨率的优点。 ;信号预测误差最小原则（或预测误差功率最小） 自相关法（Levinson递推法） Burg法 协方差法 修正协方差法;关于AR模型阶次的选择 如果是纯P阶AR信号，应选择模型阶次k ≥ P。 如果选择模型阶次k＜P时，将产生对谱的平滑作用，降低谱的分辨率。 对于白噪声中的AR信号，其阶次的选择应折衷考虑。 如选择AR模型，其阶次应加大，较低的阶次会使谱估计产生偏移， 降低分辨率。 信噪比愈低，平滑作用愈严重，愈需要高的阶次， 因此信噪比低应选高的阶次。 阶次愈高，分辨率愈高；但阶次太高，会使估计误差加大，谱峰分裂。;最大熵谱估计方法：;第五章 时频分析;傅立叶变换的不足：;短时傅里叶变换：;STFT特点： STFT要求窗口内信号平稳，即窗口不能太长； 时间分辨率和频率分辨率受不确定定理限制，不能同时任意小； 窗口固定不变，分辨率单一； 窗函数选择难； STFT建立在信号稳态基础之上，不能及时反映信号频谱随时间变化的情况。;小波分析：;; 小波变换的特点 多分辨率分析方法； 小波变换