- 1、本文档共9页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
《生物医学信号处理》实习报告
学生姓名:
学号:
实验室名称:
工程名称:生物医学信号的参数建模及功率谱分析
工程内容:
编写函数求解Y-W方程,运用函数x=filter(b,a,w)学习随机信号的建模;
与Matlab的函数进行比拟,检验正确性:
[aE]=aryule(x,p);L-D算法——用不同的阶数进行比拟。
[aE]=arburg(x,p);burg算法——用不同的阶数进行比拟。
根据提供的RR间期数据建立AR模型,阶数大于10不等;
运用两种方法计算这两组RR间期数据的功率谱、LF/HF;
原理〔写出具体的计算公式〕
AR参数模型
参数模型谱估计作为现代功率谱估计的重要研究方向,主要包括AR模型、MA模型和ARMA模型。因AR模型参数的精确估计可通过解一组线性方程得到,计算工程量较小,最为常用。
参数模型法的建模思路:
假定所研究的过程x(n)是由一个输入序列u(n)鼓励一个线性系统H(z)的输出;
有的x(n),或其自相关函数来估计H(z)的参数;
由H(z)的参数来估计x(n)的功率谱。
其中:
1.1AR参数建模
x(n)、u(n)间的关系可表述为下式的差分方程形式:
(1)
另外,(2)
式、(2)式两边z变换,并假定,得:
(3)
其中:
为保证H(z)为稳定且最小相位的系统,的零点均在单位圆内。
假定u(n)为方差为的白噪声序列,由随机信号通过线性系统的理论可知,输出序列x(n)的功率谱:
〔4〕
(1)式中,当全为0,那么(1)式、(3)式、(4)式分别变为:
〔5〕
〔6〕
此三式给出的模型即为AR模型。AR模型是一个全极点模型,其当前输出时现在输入与过去p个输入的加权和。
1.2AR模型的构建
将1.1中(5)式两边同乘以x(n+m),并求均值,得:
〔7〕
因u(n)为白噪声,由(2)式,得:
〔8〕
如果是因果序列,即时,,那么上式(8)可简化为:
〔9〕
根据变换定义,,因此,综合(8)式、(9)式,有:
所以式还可以继续简化为:
〔10〕
基于自相关函数的偶对称性()。上式可写成矩阵形式:
〔11〕
该式即为模型的方程。
综上分析,一个p阶的AR模型共p+1个参数,即,仅需知道x(n)前p+1个自相关函数,由(9)、(10)、(11)式的线性方程即可求得这p+1个参数,将他们带入功率谱方程中,即可求出x(n)的功率谱。
1.3AR模型阶数的选择
阶次p未知,先选定稍大的值,在递推过程中确定。例如在使用Levinson递推时,给出由低阶到高阶的每一组参数,且模型的最小预测误差功率递减。当到达所指定的希望值,或不再发生变化时,此时的阶数即最正确的阶次。
最终预测误差准那么:
信息论准那么:
当FPE(k)和AIC(k)在某一k处取得极小值,此时k即为最适宜的阶次p.
随机信号功率谱分析方法
2.1平均周期图法
周期图法即把随机序列的个观测数据视为一能量有限的序列,直接计算的离散傅里叶变换,得,然后再取其幅值的平方,并除以,作为序列的真实功率谱的估计。
平均周期图根本原理:
观测一个随机变量,得到L组独立记录数据,用每一组数据求其均值,然后将L个均值加起来求均值,这样得到的均值,其方差是原始周期图法方差的1/L.
平均周期估计器定义:
其中:
为保证获得最大分辨率,L应尽可能选大一些,这里选定L=N-1。
2.2自相关法
自相关法的理论根底是W-H定理。先由序列估计出自相关函数,再对进行傅里叶变换:
其中,为平稳随机过程的自相关函数。
从而得到的功率谱估计。其中自相关函数的估计有两种方法:无偏自相关函数估计和有偏自相关函数估计,BT法功率谱估计采用的是有偏自相关函数估计法。
编写的源程序:
AR参数建模算法的实现代码
1.直接运用观测值的自相关序列来求解方程,自定义的方程MATLAB实现代码如下:
function[a,E]=YW(x,p)
A=xcorr(x,x);%求x的自相关
N=length(A);
b=int16((N+1)/2);%b取R(0)在矩阵A中所对应的的下标
fori=1:p+1%求解p阶的自相关矩阵
k=b;%根据自相关序列左右对称求解
forj=1:p+1
v(i,j)=A(abs(k));
k=k+1;
end
b=b-1;
end
s=zeros(p+
文档评论(0)