第七章现代谱估计电子教案.pdfVIP

[ 笔记 ] 第七章现代谱估计电子教案 第七章 现代谱估计 经典谱估计以傅立叶变换为基础，具有计算效率高的优点，但是由于将未观测 数据认为 0 和数据加窗，具有频率分辨率低、旁瓣泄漏等严重的缺陷。为此，近几 年来，在提高功率谱估计的分辨率方面提出了很多新的方法。 以 1967 年 Burg 提出的最大熵谱分析法为代表的现代谱估计法，以参数模型为 基础，不认为在观察到的 N个数据以外的数据全为零。因此克服了经典谱估计法的 缺点，提高了谱估计的分辨率。后来发现线性预测自回归模型法 ( 简称 AR模型法 ) 与 Burg 的最大熵谱分析法是等价的，它们都可归结为通过 Yule-Walker 方程求解 自回归模型的系数问题。目前常用的求自回归模型系数的算法有三种 :? 为 Levinson 递推算法 ;? 为 Burg 递推算法 ;? 为正反向线性预测最小二乘算法。除了最 大熵谱分析法 ( 包括线性预测 AR模型法 ) 外近年来出现了许多适用于不同情况的提 高谱估计分辨率的新方法，如模型法中还有滑动平均 (MA)模型法与自回归滑动平均 (ARMA)模型法，另外还有 Pisarenko 谐波分解法， Prony 提取极点法， Prony 谱线 分解法以及 Capon最大似然法等等。本章主要讨论最大熵谱分析法 ( 包括线性预测 AR模型法 ) ，它是目前用得最多的一种高分辨率的谱估计方法。 参数模型估计法就是根据已观察到的数据，选择一个正确的模型，认为 x(n) 是 白噪声通过此模型产生的，这样就不必认为 N个以外的数据全为零了。这就有可能 得到比较好的估计。这种方法分以下三个步骤进行。 三个处理步骤为 1 确定或选择一个合适的模型—依赖于对所研究随机过程进行理论分析和实验 研究 ; 2 根据观测数据估计模型参数—涉及各种算法的研究 ; 3 由模型参数计算功率谱。 参数模型谱估计法的关键问题是 : ——模型选择问题 (AR， MA ，ARMA)和参数确定方法 ( 导致产生了各种算法 ) ?7.1 自回归模型谱估计 ?7.1.1 建立模型 在实际中我们所遇到的随机过程，常常总是可以用一个具有有理分式的传递函 数 的模型来很好地表示它，因此可以用一个线性差分方程作为产生随机序列 x(n) 的系统的 模型 : qp x(n),b,(n,l),ax(n,k) (7.1),,lk,0,1lk ,(n) 这里表示白色噪声，下图所示为离散随机信号 x(n) 的有理传输函数模型， 输入 2 为零均值、方差为的白噪声序列。 ,, w(n) x(n) Hzhn()(), 将上式 (7.1) 变换到 z 域则有 pq,,1k aX(z)z,bW(z)z (a,1),,0kl,0,0kl q,1bz,lX(z)B(z),0lH(z),,, 该模型的传递函数为 : (7.2)pW(z)A(z),kaz,k,0k p,,kA(z),az,k,,k,0 其中 (7.3),q,1,B(z)bz,,l,l,0, 式中 a 为自回归系数，称为 AR系数 ;b 为滑动平均系数，称为 MA系数。 kk 2 当输入的白噪声的功率谱密度为时，输出的功率谱密度为 P(z),,,,, ,1BzBz()(),212, ,, (7.4)SzHzHz()()(),,xx,,,1AzAz()(), 2j,Be()j2j,,,