多种功率谱估计郑州大学随机信号处理大作业.docxVIP

随机信号处理大作业

多种功率谱估计的算法实现及性能比较

一、引言

频谱分析是信号处理的基石，为我们提供了时域以外的另一种信号研究手段——频域，使得很多在时域看起来很复杂的问题，用频域来分析就变得十分简单。对于随机信号而言，由于不存在傅里叶变换，我们通过对其功率谱的分析来研究其频域特性。功率谱估计问题就是根据一组有限观测值来估计该过程谱的内容，对于平稳随机过程而言，所有的功率谱估计方法都是根据有限的观测值来逼近真实值，估计结果的好坏与估计方法密切相关。功率谱估计的方法可分为古典法和现代法，古典法基于傅里叶变换，包括直接法和间接法，现代谱估计包括直接解Yule-Walker方程法、Levinson-Durbin快速递推法、Burg算法、MUSIC算法、本文将对上述功率谱估计的方法进行分析。

二、原理及过程

1、古典法

这里采用古典法中的直接法(周期图法)进行功率谱估计，其具体步骤如下。

第一步：由获得的N点数据构成的有限长序列xv(n)直接求傅里叶变换，得频谱

Xx(ejw)

第二步：取频谱幅度的平方，并处以N,以此作为对xx(n)真实功率谱S(ew)的估计，

即

2、Yule-Walker方程法

①假定所研究的随机过程x(n)是由一白噪声序列w(n)激励一因果稳定的可逆线性系

统H(z)的输出

②由观测获得的数据记录x(n)估计H(z)的参数

③由H(z)的参数估计x(n)的功率谱

由上可知，可以将平稳随机信号x(n)的功率谱表示为

S。(eiw)=o2|H(eǐw)|2(2.1

其中，σ2是白噪声w(n)的功率谱(为常数),H(ejiw)是系统H(z)的频谱。这样

谱估计问题就转化为模型参数的估计问题，在AR、MA和ARMA三种模型中，求AR模型的参数是解线性方程，易于求解，并且MA模型和ARMA模型都可以用高阶的AR模型近似

所以这里我们采用AR模型来进行功率谱估计。

p阶AR模型的系统函数为

p阶AR模型有p+1个待定参数：a?,a?,…,a,和系统增益G。

Yule-Walker方程

(2.3)“*”代表取共轭。

(2.4)

可表示成下面的矩阵形式：

(2.5)

上式用到了自相关函数的偶对称性质，由这p个方程，可以求出p个参数a;。有了参

数a;(i=1,2,…,p),就可以根据尤勒-沃克方程有自相关函数和参数a;求系统增益G。然

后可以根据

(2.6)求功率谱，或者由H(z)用fregz()函

数来求功率谱

下面进行功率谱估计的关键就成了解Yule-Walker方程，下面可分为两种方法解方程。

(1)、直接解尤勒-沃克方程

①由式(2.3)计算自相关函数

②根据式(2.5)列写矩阵方程

③通过矩阵求逆解矩阵方程，得a;(i=1,2,…,p)

④求系统增益G

⑤代入公式求功率谱

(2)、Levinson-Durbin快速递推法

Yule-Walker方程是线性方程组，它的一般解法是矩阵求逆或高斯消去法，通常避免矩阵求逆，因其运算量太大，在p3数量级，Levinson-Durbin快速递推法是解Yule-Walker方程的快速有效的算法，这种算法利用方程组系数矩阵所具有的一系列好的性质，使运算量

大大减少，在p2数量级，这是一种按阶次进行递推的算法，Levinson-Durbin快速递推法是

从一阶开始，由p-1阶模型的参数递推求解p阶模型的参数。

M阶AR模型参数的Levinson-Durbin快速递推算法表示如下：

(2.7)

其中，m=1,2,…,p,po=R(0),km为反射系数，pm为预测误差功率

自相关函数估计：

Levinson-Durbin快速递推法解Yule-Walker方程的步骤：

①由式(2.8)计算自相关函数R(0)

②解一阶时的Yule-Walker方程得一阶参数a?,P?

③由Levinson-Durbin快速递推式，即式(2.7)逐次推出各参数

④将各参数带入式(2.6),或由fregz()函数和H(z)即可估计x(n)的功率谱

3、Burg算法

Burg算法是不需要自相关函数直接由观测数据求解反射系数的方法，其特点是不对自相关函数进行估计，而是利用前、后向线性预测系数之间的递推关系，直接求出反射系数

再利用Levinson关系式求得AR模型参数。

P阶前向预测表示为：

P阶前向预测误差表示为：

P阶后向预测表示为：

P阶后向预测误差表示为：

借助Levinson关系式am(i)=am-1(i)+kmam-1(m-i),i=1,2,…