数字信号处理方法-时域离散随机信号处理方法.ppt

数字信号处理方法-时域离散随机信号处理方法;4.1 引 言 ;(4.1.2) ;将（）式代入(4.1.1)式, 得到 ; 上式中x(n)是观测数据，Pxx(ejω)是随机变量，必须对Pxx(ejω)取统计平均值， 得到 ; 现代谱估计以信号模型为基础，图表示的是x(n)的信号模型，输入白噪声w(n)均值为0，方差为σ2w，x(n)的功率谱由下式计算： ;图4.1.1 平稳随机序列的信号模型;4.2 经 典 谱 估 计 ;对上式进行傅里叶变换，得到BT法的功率估计值为 ; 有时称(4.2.3)式为加权协方差谱估计。它要求加窗后的功率谱仍是非负的，这样窗函数w(m)的选择必须满足一个原则，即它的傅里叶变换必须是非负的， 例如巴特利特窗就满足这一条件。  为了采用FFT计算（）式，设FFT的变换域为(0~L-1)，必须将求和域(-M+1, M-1)移到（0~L-1），功率谱的计算公式如下： ;(4.2.7) ;4.2.2 周期图法 将功率谱的另一定义（）式重写如下: ;图 4.2.1 用周期图法计算功率谱框图 ; 1. 周期图与BT法的等价关系 周期图法的功率谱估计公式用（）式表示，下面由该公式出发推导它们的等价关系。 ;上式中的方括号部分正是有偏自相关函数的计算公式, 因此得到 ; 2. 周期图法谱估计质量分析 1) 周期图的偏移 已知自相关函数的估计值 ，m=-(N-1), -N, -N+1, …, 0, 1, 2, …,N-1，按照（4.2.2）式求功率谱的统计平均值， 得到 ;（） ;(4.2.12) ; 2) 周期图的方差 由于周期图的方差的精确表示式很繁冗，为分析简单起见， 通常假设x(n)是实的零均值的正态白噪声信号，方差是σx2，即功率谱是常数σx2 ，其周期图用IN(ω)表示，N表示观测数据的长度。 按照周期图的定义，周期图表示为 ;式中 ;利用正态白噪声、多元正态随机变量的多阶矩公式，有 ;将上式代入周期图的均方值公式中， 得到 ; 显然，当N趋于无限大时，周期图的方差并不趋于0，而趋于功率谱真值的平方，即 ; 为了进一步说明数据长度N对功率谱估计的影响，下面求两个频率处的协方差函数。 ;图 4.2.2 白噪声的周期图 ;4.2.3 经典谱估计方法改进 ; 将得到的L个周期图进行平均，作为信号x(n)的功率谱估计， 公式如下： ; 上式表明,平均周期图仍然是有偏估计， 偏移和每一??的数据个数M有关；由于MN,平均周期图的偏移比周期图的偏移大， 表现在三角谱窗主瓣的宽度比周期图主瓣的宽度宽。由于三角谱窗主瓣的宽度变宽，分辨率更加降低，因此也可以说， 偏移的大小反映分辨率的低与高。  按照（）式求方差，由于是L次独立观测，L个周期图相互独立，因此平均周期图的方差为 ;图 4.2.3 平均周期图法 ; 2. 窗函数法 这种方法是用一适当的功率谱窗函数W(ejω)与周期图进行卷积，来达到使周期图平滑的目的的。 ;那么 ;对（）式求统计平均, 得到 ; 上式表明, 周期图的窗函数法仍然是有偏估计, 其偏移和wB(m)、w(m)两个窗函数有关，如果w(m)窗的宽度比较窄， M比N小得多，这样|m|N，则wB(m)~1, （）式可以近似写成下式： ; 3. 修正的周期图求平均法 这种方法和平均周期图法一样，首先把数据长度为N的信号x(n)分成L段，每一段数据长度为M，N=LM。然后把窗函数w(n)加到每一个数据段上， 求出每一段的周期图，形成修正的周期图，再对每一个修正的周期图进行平均。第i段的修正周期图为 ;同样, 将每一段的修正的周期图之间近似看成互不相关, 最后功率谱估计为 ;U称为归一化因子。(4.2.31)式的证明可参考文献［2］。 为使功率谱估计渐近无偏，（）式和(4.2.32)式中的归一化因子是不可缺少的。这种在计算周期图之前， 先对各数据段加窗函数的方法，使平均周期图方法的估计方差减少，当然分辨率同样减少。但这种方法对窗函数没有限制；此外，分段时，相邻的两段可以有重叠，进一步使方差减少，可以重叠50%［6］。总之，传统的功率谱估计方法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。 ; 对于由白噪声和正弦信号或者窄带信号组成的信号，在计算周期图之前，给数据加窗是有利的，如果不加数据窗，相近的低电平信号可能被高电平信号的旁瓣淹没掉。在图（a）中，ω处的正弦信号的旁瓣几乎掩盖了在ω/π=0的信号，经过给数据加哈明窗处理后，功率谱如图4.2.4(b