《医学信号分析与处理》5_随机信号的相关函数估计与功率谱估计.ppt

* * 【例5.3】（续，曲线） * * AR谱估计的性能 稳定性； 平滑性； 高分辨率 * * AR谱估计存在的问题 谱线分裂问题。即谱估计中本应该存在一条谱处出现了两个紧挨着的谱峰。 谱峰频率偏移问题。即估计得到的谱峰位置偏离了真实谱峰的位置。 噪声影响问题。若观测数据中含有噪声，AR谱估计的分辨率会下降，这是由于附加噪声使估计的谱峰加宽、平滑，并偏离真实谱峰。 为了解决上述问题，人们提出了许多解决方法，可以参阅有关文献。 * * 最大熵谱估计（信息量与熵的概念） * * 最大熵谱估计（思路） 最大熵谱估计（maximum entropy spectral estimation）方法是1967年由伯格提出的，是一种典型的现代谱估计方法。 的基本思路：对已知的（或已经估计得到的）有限个自相关函数值 不加修改，并依据这些已知值（或估计值）而对超过 范围的未知延迟点上的自相关函数进行外推或预测，外推的原则是使熵达到最大。 此外，在保持与已知自相关函数值一致的约束条件下，由外推得到的自相关序列来进行功率谱估计。 * * 最大熵谱估计 * * 最大熵谱估计（续） * * 最大熵谱估计与AR谱估计的等价性 * * 最大熵谱估计与AR谱估计的等价性（续） * * MA模型与ARMA模型谱估计方法 MA模型谱估计 * * ARMA模型谱估计 AR模型谱估计一般可以得到较高的频率分辨率，但是当观测数据中含有噪声时，AR谱估计的性能会有所下降。在这种情况下，若采用ARMA模型谱估计方法，则可以得到较好的结果。 * * ARMA模型谱估计（续） * * §4.4 功率谱估计的现代方法：参数模型法 经典谱估计法存在的问题 频率分辨率较低； 旁瓣泄漏 * * 最小方差谱估计方法 最小方差功率谱估计（minimum variance spectrum estimation，简记为MVSE）是Capon于1968年提出的，Locass于1971年将其引入一维时间序列分析。MVSE又称为最大似然谱估计，但是实际上，这是名词的误用。最小方差谱估计不是最大似然谱估计。 * * 【例5.1】 【例5.1】 * * Welch法谱估计结果 * * 周期图谱估计的性能 周期图谱估计的数学期望 * * 说明 * * 周期图谱估计的方差 * * 周期图谱估计的泄漏现象 在周期图谱估计中，对于长度为 的有限长随机信号序列，可以看作由无限长随机信号序列经矩形窗截断而成的，即相当于无限长信号序列与窗函数的乘积。 对于这两个信号的乘积，其傅里叶变换为 的形式。 因此，由有限长随机信号序列所得到的频谱等于该信号的理想频谱与窗函数频谱的卷积。 如果信号的真正功率集中在一个较窄的频带内，则该卷积运算将会把这个窄带的功率扩展到邻近的频段，这种现象称为频谱“泄漏”。 * * 泄漏现象举例 * * 泄漏现象的危害 泄漏现象除了对频谱估计产生畸变以外，还对功率谱估计及正弦分量的可测性带来有害的影响。因为弱信号的主瓣很容易被强信号泄漏到邻近旁瓣的部分所淹没，从而造成谱估计的模糊与失真。 另外，卷积运算使信号主瓣变宽，其增加的宽度由窗的主瓣所决定。对于矩形窗信号序列，其傅里叶变换的主瓣宽度近似地等于观测时间的倒数。 因此，对于数据长度较短的观测信号，其功率谱估计的分辨率是不高的。 * * 举例：白噪声序列的周期图 * * 【例5.2】 * * 【例5.2】（续） * * 改善周期图性能的方法 平均周期图法 * * 平均周期图法（续） * * 窗函数法 * * 窗函数法（续） * * 表5.1中各量的含义 * * 常用的窗函数曲线 * * 常用的窗函数曲线（续） * * 修正周期图的平均：Welch法 Welch法对平均周期图法（即Bartlett法）进行了两点修正。 首先，将 的分段方法进行了改进。它允许每一段的数据与其相邻的数据段有一定的交叠。例如，每一段数据重合一半时，数据的段数变为： 式中， 为每段数据的长度， 为数据的总长度。 第二，每一段的数据加窗可以不是矩形窗，例如使用汉宁窗或汉明窗。这样可以改善矩形窗旁瓣较大所引起的谱失真。 * * Welch法功率谱估计 * * Welch法功率谱估计进一步讨论 * * 不同谱估计方法的比较 * * 各种经典谱估计法的主要计算公式 * * §5.4 功率谱估计的现代方法 经典谱估计存在的问题 这些方法谱估计的方差性能较差； 这些方法谱估计的分辨率较低； 这些方法存在一定的频谱泄漏问题 * * 存在上述缺点的原因 方差性能问题：主要是由于在实际进行功率谱估计