AR模型谱估计精选课件.pptVIP

AR 模型谱估计 平稳随机信号的参数模型 ? 参数模型法的思路： ①假定所研究的过程 x ( n ) 是一个输入序列 u ( n ) 激励一个线性系统 H ( z ) 的输出 ; ②由已知的 x ( n ) , 或其自相关函数 r x ( m ) 来估计 H ( z ) 的参数 ; ③由 H ( z ) 的参数来估计 x ( n ) 的功率谱。 u ( n ) H ( z ) x ( n ) 平稳随机信号的参数模型 x ( n ) ? ? ? a k x ( n ? k ) ? ? b k u ( n ? k ) k ? 1 k ? 0 p q B ( z ) ? 1 ? ? b k z k ? 1 q ? k x ( n ) ? ? h ( k ) u ( n ? k ) k ? 0 ? A ( z ) ? 1 ? ? a k z p ? k B ( z ) H ( z ) ? A ( z ) 2 ? B ? ( e ) jw P x ( e ) ? ? 2 2 jw jw ( e ) ) A A ( e 2 b k ? 0 jw 2 k ? 1 H ( z ) ? ? h ( k ) z k ? 0 2 ? ? k 2 ? p 2 k ? 1 u ( k ) 的方差 ? 为白噪声 1 ? ? a k e ? jwk AR 模型 全极点：该模型现 在的输出是现在的 输入和过去 p 个输 出的加权和。 ? ? ? ? ? ? ? ? ? ? ? 经常使用的参数模型是线性模型 , 其中以有理分式 型应用最为普遍 , 有理分式模型一般表现为自回归动均 模型 , 即 ARMA 模型 , 自回归模型 ( AR 模型 ) 和动均模 型 ( MA 模型 ) 都是 YuleWalker 模型的特殊情况。事 实上 , 白噪声序列通过全极点型、全零点型滤波器会分 别产生 AR, MA 和 ARMA 过程。在这三种参数模型 中 , AR 模型得到了普遍应用 , 因为 AR 模型的参数计 算是线性方程 , 比较简单 , 与建立在外推自相关函数时 保持原概率空间的最大熵法是等价的 , 同时很适合表示 很窄的频谱 , 在作谱估计时 , 由于具有递推特性所以所 需的数据较短 ; 而 MA 模型表示窄谱时一般需要数量很多 的参数 ; ARMA 模型虽然所需的参数数量最少 , 但 ? 参数估计的算法是非线性方程组 , 其运算远比 AR 模型 ? 复杂 , 故 AR 模型参数估计是重点。 ? ? ? ? AR 模型法 AR 模型法的基本理论 任何具有功率谱密度的随机信号都可以看成由白 噪声 激励一物理网络所形成 , 可写成 : 该形式称为 p 阶自回归模型 , 简称 AR 模型。将其进行 z 变换可得 AR 模型的传递函数为 : ? 自回归模型的 H(z) 只有极点 , 没有除原点以外的零点 , 因此又称 为全极点型。当用自回归模型时 , 功率谱密度的表达式写成 : 式中 : 为 白噪声的功率谱密度。因此只要求解出 及所有 的值 , 就可以得到随机信号 x(n) 的功率 谱。目前估计 AR 模型参数的方法有 : ( 1) 相关函数类算法 : ( 2) 反射系数类算法 : ( 3) 最小二乘类算法 : ? ( 1) 相关函数类算法 : 先估计自相关序列 , 然后解 YuleWalker 方程算出 AR 系数 , 计算出功率谱。经 ? 常使用有偏自相关估计 , 以保证自相关矩阵正定性 , 此 ? 法适于较长的序列。 ? ( 2) 反射系数类算法 : 它不需要估计过程的自相关函数 , 而是按照 Levinson 递推公式直接从序列值递推计算预测 误差和反射系数 ( 递推估计反射系数时 , 是使各阶的平均 预测误差功率最小 ) , 最后得到模型系数 , 计算出功率谱。 优点是分辨率高 , 适于短序列。具体的算法有 Burg 算法 和 Itakura 算法 , 两者的主要区别在于计算平均预测误差功 率的方法不同 , 前者采用向前、向后预测误差功率的算 术平均而后者取几何平均。 ? ( 3) 最小二乘类算法 : 可有多种算法 , 例如直接用 LS 方法 拟合出模型参数或是采用 FTF 算法求出模 ? 型参数。 ? ? ? ? ? AR 模型法的仿真 YuleWalker 方程 采样频率为 200Hz, 采样点数为 50 和 200 时 , 采 用 YuleWalker 方程的仿真图。 当采样点数为 50 时 , 在频率为 40Hz 处的谱峰明 显向左偏移 , 且在频率为 60~ 70Hz 之间出现了虚 假谱峰。当采样点数为 200 时 , 谱峰回到 40H