现代信号处理.pptVIP

01经典谱估计与现代谱估计02参数模型法概述03基于AR模型的谱估计法04最大熵谱估计算法05最小方差谱估计06基于矩阵特征分解的谱估计07高阶谱估计呛口小辣椒博客taobao6166内容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高阶谱估计研究的必要性高阶统计量高阶谱高阶累积量和多谱的性质三阶相关和双谱及其性质基于高阶谱的相位谱估计基于高阶谱的模型参数估计多谱的应用参考:《现代数字信号处理》(184-199；204-205)研究高阶谱的必要性关于模型参数估计问题所谓模型参数估计，就是根据有限长的数据序列(如模型输出端所观测到的信号y(n)来估计图中随机信号模型的参数，)与前面所述不同之处在于：这里考虑了观测过程所引入的噪声v(n).∑H(z)(h(n))v(n)y(n)x(n)u(n)这种模型只适合于高斯随机信号，因为高斯信号仅用二阶统计量(均值和方差)就能加以描述。前述模型参数估计方法中，估计得到的模型参数仅与信号的自相关函数或功率谱包络相匹配；其功率谱不含信号的相位特性，亦称盲相。即基于二阶统计量的模型参数估计方法的缺陷0102研究高阶谱的必要性研究高阶谱的必要性二阶统计量方法的基本限制前面讨论的方法中，一般都假设：信号模型中的系统H(z)是最小相位的。激励信号u(n)是均值为零，方差为的高斯白噪声。测量信号v(n)是均值为零，方差为的高斯白噪声；且v(n)与信号x(n)统计无关，即v(n)不影响信号的谱形状故有研究高阶谱的必要性二阶统计量方法存在的问题在许多实际应用(如地震勘探、水声信号处理、远程通信)中，往往不能满足上述假设；甚至系统是非线性的。对于非高斯信号的模型参数，如仅仅考虑与自相关函数匹配，就不可能充分获取隐含在数据中的信息。若信号不仅是非高斯的，而且是非最小相位的，采用基于自相关函数的估计方法所得到的模型参数，就不能反映原信号的非最小相位特点。当测量噪声较大，尤其当测量噪声有色时，基于自相关函数的估计方法所得到的模型参数有较大的估计误差。信号分析必须具有抗有色噪声干扰的能力因此，必须用高阶谱(高阶统计量)来分析信号从观测数据中提取相位信息解决问题的方法研究高阶谱的必要性21功率谱估计，Wiener滤波器都是以信号的相关函数为工具。相关函数的局限性模型的多重性：考虑功率谱即不同ARMA过程具有相同形状的功率谱。这一特性称为相关函数的多重性或模型的多重性。43随机信号的高阶特征随机信号的高阶特征（续）两个具有零均值和相同方差的高斯白色噪声和指数分布白色噪声显然是不同的随机过程，但它们的功率谱相同。用这样两个白色噪声激励同一个ARMA模型，产生的两个ARMA过程显然是不同的随机过程，但它们的功率谱相同。两个灰度图相同的图像有可能是不同的图像。以上事实说明,要准确地刻画随机信号,仅使用相关函数(二阶统计量)是不够的,还必须使用更高阶的统计量。三阶和更高阶的统计量合称高阶统计量。相关函数：刻画信号的粗糙像高阶统计量：刻画信号的细节或则随机变量x的k阶矩(即k阶原点矩)定义为由于k阶矩由生成，故特征函数为随机变量x的矩生成函数(矩母函数)，又成为第一特征函数。特征函数与高阶矩特征函数：随机变量x的特征函数定义为其中f(x)是随机变量x的概率密度函数。高阶矩：对(1b)求k阶导数，得高阶统计量或即累积量生成函数的k阶导数在原点的值。累积量生成函数与高阶累积量(cumulant)累积量生成函数称为累积量生成函数(第二特征函数或累积量母函数)。高阶累积量：随机变量x的k阶累积量定义为高阶统计量高阶统计量累积量生成函数与高阶累积量(cumulant)高阶矩与高阶累积量的关系关系:(注意：k阶中心矩定义为)结论:－二、三阶累积量分别是二、三阶中心矩；均值为零时,就是二、三阶相关(矩)－四阶以上的累积量不等于相应的中心矩高阶统计量累积量的物理意义高斯随机变量的高阶矩与累积量高斯随机变量可用二阶矩完全描述。实际上,零均值高斯