现代功率谱估计.pptVIP

例2：利用Burg法进行谱估计 分析： 根据Burg算法的步骤，从1起一直递推到p阶，即可求得AR(p)的模型参数，以及对x[k]进行功率谱估计的结果。 一序列含有白噪声和两个频率间隔很近的余弦信号， 利用Burg法估计该序列的功率谱。 设AR模型的阶数分别为50和80 。 这一过程可以直接利用MATLAB中的PBURG函数实现。 利用Burg法进行谱估计程序 N=512;Nfft=1024;Fs=2*pi; n=0:N-1; xn=cos(0.3*pi*n)+cos(0.32*pi*n)+randn(size(n)); order=50;figure(1) pburg(xn,order,Nfft,Fs) title(Burg Algorithm,p=50) order=80;figure(2) pburg(xn,order,Nfft,Fs) title(Burg Algorithm,p=80) AR模型阶数p=50 的谱估计结果(Burg法) AR模型阶数p=80 的谱估计结果(Burg法) 结论： 低阶AR模型的功率谱比高阶模型的功率谱平滑，但频率分辨率比高阶模型低。 AR模型的最佳阶数的确定 ： (1) 不断增加模型的阶，同时观察预测误差功率，当其下降到最小时，对应的阶可作为AR模型的阶。 (2) 观察各阶模型预测误差的周期图，当其最接近平坦时即对应模型的最佳阶。 例2：利用Burg法进行谱估计 一序列含有白噪声和两个频率间隔很近的余弦信号， 利用Burg法估计该序列的功率谱。 设AR模型的阶数分别为50和80 。 七 、小结 1、平稳随机信号的参数模型 2、 AR模型参数与自相关函数的关系 3、AR模型参数与线性预测滤波器的关系 4、Y-W方程的L-D递推算法 5、伯格(Burg)递推算法 6、利用MATLAB进行AR模型功率谱估计 * 现代功率谱估计 广州大学物理与电子工程学院 第六章 功率谱估计 6.6 现代功率谱估计 现代功率谱估计 0、问题提出 1、平稳随机信号的参数模型 2、AR模型参数与自相关函数的关系 3、AR模型参数与线性预测滤波器的关系 4、Y-W方程的L-D递推算法 5、伯格(Burg)递推算法 6、利用MATLAB进行AR模型功率谱估计 0、问题提出 经典法存在问题: 1. 方差性能不好，不是Px(W)的一致估计。 2. 平滑周期图和平均周期图改善了周期图的方差性能，但却降低了谱分辨率和增大了偏差。 3. 可能使短序列的功率谱估计出现错误的结果。 出现问题的原因: 将观测数据以外的数据一律视为零，与实际不符。 参数模型法的基本思想 根据所研究信号的先验知识，对观测数据以外的数据作出某种比较合理的假设。 方法： (1) 选择一个好的模型，在输入是冲激函数或白噪声的情况下，使其输出等于所研究的信号，至少也是对该信号的一个良好近似。 (2) 利用已知的自相关函数或数据求模型的参数。 (3) 利用求出的模型参数或数据估计该信号的功率谱。 1、平稳随机信号的参数模型 AR模型 MA模型 ARMA模型 若输入白噪声的功率谱 则输出序列的功率谱为 若能确定模型中各参数an和bl就可以求得功率谱Px(?) 1、平稳随机信号的参数模型 2、AR模型参数与自相关函数的关系 Yule-Walker（Y-W）方程 若已知Ry[n] ，由Y-W方程解出各参数a1, a2,…, ap，则可由AR模型参数获得功率谱Py(?)的估计值。 3、AR模型参数与线性预测滤波器的关系 前向线性预测滤波器 y[k]的预测值 由其过去值y[k-1], y[k-2],?, y[k-p]的线性加权得到。 前向预测误差 前向预测误差滤波器系统函数 后向线性预测滤波器 由y[k],y[k-1], ?, y[k-p+1] p个数据预测数据y[k-p] 后向预测误差 前向预测误差滤波器系统函数 3、AR模型参数与线性预测滤波器的关系 4、Y-W方程的L-D递推算法 (1) 计算自相关函数的估计值 (2) 由自相关函数的估计值，递推 (3) 求出功率谱估计 4、Y-W方程的L-D递推算法 例1：利用L-D算法进行谱估计 (2) 根据L-D算法的递推步骤递推计算谱估计。由于均方预测误差随着阶次的增加而减小 ，故取p=80。 分析： (1) 将N个观测数据以外的数据视为零，计算其自相关函数估计。 一序列含有白噪声和两个频率间隔很近的余弦信号， 利用L-D算法估计该序列的功率谱。 设x[k]的观测数据分别为N=128和N=512。 或直接利用MATLAB中的PYULEA