随机信号的功率谱估计.ppt

. . 第三章 随机信号的功率谱估计 郑宝玉 内 容 随机信号的特征 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 最大熵谱估计算法 Levinson算法 Berg算法 Levinson算法 MEM的核心是求解如下方程： 这个方程实际上是联合AR模型法和预测滤波法得出的。 我们发现，方程(1)有如下特点： 系数矩阵是一个Toplitz矩阵，利用Toplitz矩阵的性质 可简化方程求解。 实际问题中，一般只知道信号的某些观测值，而不知道 其AR模型阶数，该阶数也需要在方程求解过程中找到。 下面介绍两种算法。 引言 Levinson算法 原理 假设已得到k阶线性预测系数(预测滤波参数)，我们来考虑求k＋1阶滤波参数。k阶滤波参数的矩阵方程为 由于系数矩阵的Toplitz性质，上式又有如下形式 Levinson算法 现考虑模型阶数增加1, 即从k变为k+1的情况。 对于k+1模型, 有 由于系数矩阵的Toplitz性质，k+1阶系数矩阵 可有两种分块形式。 Levinson算法 利用这个性质，可设 式中 Levinson算法 比较(3)和(4)，可知，当 (3)与(4)等效；且有下列两个递推关系式： 即当下式成立时 和 由(8)末式还可得： (5)－(10)构成Levinson算法基础。 Levinson算法 现用i表示递推过程的阶数，令i=k+1, 并设信号模型的最大阶数为N，则有如下Levinson算法: 1) 由(3)式，令i=k+1＝0，得 2) 置i=k+1＝1; 3) 由(8)、(10)式计算 4) 由(7)、(10)式计算 5)由(6)、(7)和(10)式计算 6) 置i =i+1; 7) 判别：若 转3)；否则，结束程序。 算法 Levinson算法 讨论 Levinson算法第4步利用了一个重要递推关系(12)， 通常称为Levinson关系式 递推过程产生一个滤波参数序列 通常称为偏相关系数 递推过程产生的 可用来监视i阶信号模型的均方 误差估值。 递推结果的最终解为 和 递推过程及结果 Levinson算法 讨论 优点：计算简单 缺点：需根据有限观测数据估计自相关序列r(n) ? 短数据序列时，自相关估计值误差很大，引起预测 滤波参数误差，导致“谱峰飘移”和“谱线分裂”(即出 现虚假谱线) ? 长数据序列时，自相关估计值虽精确，但计算量大。 优缺点 Berg算法 前向预测与后向预测 考虑信号序列值： 前向预测 后向预测 前向预测误差： 后向预测误差： 其中 分别为p阶前、后向预测系数。 Berg算法 Berg算法原理 根据前面的基本概念，可知m阶前向预测误差为 类似地， m阶后向预测误差为 再利用Levinson关系式： 有 其中 Berg算法 Berg算法原理（续） 定义m阶前、后向预测误差的功率为 将(16)代入(17)，并令Pm对 的偏导数为零,得最佳 Berg算法 Berg算法 设已知有限数据序列x(n),n=0,1,…,N，则可按下列步骤计算预测滤波器系数，并在此基础上计算功率谱。 1. 置m=0, 计算初值 2. m=m+1,并按(19)计算反射系数 3.计算滤波器系数： 4. 计算预测误差功率Pm： 5.按(16)式计算滤波器输出 6. 置m=m+1, 并重复步骤(2)-(5), 直到m=p。 Berg算法 Berg算法（续） 最后，由Berg算法估计的滤波器系数 计算功率谱密度： 内 容 随机信号的特征 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 最小方差谱估计 基本原理 MV谱与ME谱或AR谱的关系 最小方差谱估计 MVSE基本原理 三点说明 最小方差功率谱估计(MVSE)，又称最大似然谱估 计，但实际上它并不是最大似然谱估计； 提出者[Capon,1969]也把这个方法叫做高分辨率谱估 计方法，但实际上其分辨率并不高于AR模型法； 尽管这样，但由于其思路独特，仍有了解的必要。 下面，讨论该方法的导出过程。 最小方差谱估计 MVSE基本原理 算法推导