《随机信号分析与估计》_第7章.pptVIP

7.4现代谱估计

用FPE、AIC和CAT估计AR模型的阶,所得的谱估计结果常常并无多大区别,有时会混合使用这三种准则来判阶,以取得比较满意的结果。但是当已知的信号序列的长度较短时,这三种准则都不太理想。另外,在分析噪声中的谐波时,如果信噪比很高,用FPE或AIC准则判阶往往阶数偏低。实验表明,对于特别主要的数据,阶数最好选在数据长度的之间,一般可以获得较为令人满意的结果。在实际应用这些准则时,还应该参照实验结果对模型的阶数作适当调整。上一页返回图7.3功率谱估计时相关函数的三角窗返回7.3功率谱的经典估计

如图7.3所示,是一个三角形窗口。因此,根据频域的卷积定理,又可以表示为式中,VN(ω)是vN(m)的离散时间傅里叶变换,其解析式是上一页下一页返回7.3功率谱的经典估计

由此可见,用经典法所得谱估计的均值有以下特点:(1)(ω)是GX(ω)的有偏估计。从时域上看,这是由于真实自相关函数被乘以窗口vN(m)所造成的。从频域上看是由于真实功率谱被谱窗口VN(ω)所卷积。(2)当N→∞时,VN(ω)趋于δ函数[ω=0时,VNω→∞,其余各ω处VNω=0,且VN(ω)的积分等于1]。因此估计是渐近无偏的,因为δ函数与任意函数的卷积仍得该函数。上一页下一页返回7.3功率谱的经典估计

2.方差方差的一般分析比较困难,因此以下只对白色高斯过程做分析,不过所得结论对一般情况也有一定的普遍意义。这些结论是:(1)无论如何加大N,功率谱估计也不是一致估计。其方差的数量级在σ4X(σ2X是数据xn的方差)。(2)功率谱上频率相距为2πN整数倍的各点估计值是互不相关的。因此估计结果沿频率轴起伏比较剧烈,而且N越大,2πN越小,因此表现出的起伏程度越严重。为了说明上述特点,我们从推导两个不同频率ω1、ω2处估计值的协方差入手分析,因为这既能说明不同频率处的起伏关系,又能说明每一点的方差特性(只要令ω1=ω2即可)。上一页下一页返回7.3功率谱的经典估计

可证明协方差的特性是上一页下一页返回7.3功率谱的经典估计

7.3.4经典谱估计的改进经典的两种功率谱估计法是由傅里叶变换作为理论基础的,一种是19世纪末由舒斯特(Schuster)直接利用傅里叶级数去拟合某类信号时所提出的周期图法,又称直接法。另一种是由布莱克曼-图基(Blackman-Tukey)运用平稳过程的维纳-定理,由采样数据序列间接得到的功率谱估计法,又称间接法。由于不管观测数据中N多大,直接、间接方法得出的估计均非理想的估计,它们的主要缺陷为:上一页下一页返回7.3功率谱的经典估计

(1)弱信号被强信号的旁瓣所淹没;(2)分辨率约为数据长度的倒数,导致分辨率不高;(3)频谱存在旁瓣,导致出现“泄漏”现象而使主瓣失真。(1)平均。此法的基本思路是将整个长数据N分成K段,每段对每一段分别估计其功率谱,然后求其平均值作为最后的谱估计。理论上,如果各段数据是互相独立的,则求平均值后估计值的均值不变,仍等于每段估计的均值,但可以使估计值的方差减小到每段估计值方差的上一页下一页返回7.3功率谱的经典估计

(2)平滑。由上可见,平均周期图法功率谱估计方差的减小是以增大偏移和降低分辨率为代价得来的。实际中降低谱估计方差还有一种方法,它是用一适当的功率谱窗函数W(ejω)与周期图进行卷积而使周期图平滑,故称为周期图平滑法,又称为窗函数法。上一页下一页返回7.3功率谱的经典估计

方法是作出自相关估计后先用适当的窗函数和它相乘,然后再作傅里叶变换,得出最后的功率谱估计上一页下一页返回7.3功率谱的经典估计

式中,上标SM代表平滑后的谱估计,上标N、M代表原始数据的点数。从频域上看,这一步骤的含义是用wM(m)的离散时间傅里叶变换WM(ω)与的离散时间傅里叶变换(也就是周期图)相卷积作为平滑后的功率谱估计式中上一页下一页返回7.3功率谱的经典估计

卷积的效果是使周期图得到平滑。只要窗函数选择合适,就可以减少泄漏效应,使旁瓣降低及谱平滑,从而使偏移与方差减小,但这种方法也是以窗函数主瓣变宽为代价的,因此,功率谱估计分辨率降低。(3)修改的周期图求平均法(Welch法)。这是应用得很广的实用程序,性质上属于平均法,但也吸收了平滑法的特点。把数据