信号处理(四):功率谱估计
对应信号处理(六):谱估计的任务,周期图法与相关图法的原理及存在问题;最大熵谱估计;AR 模型法谱估计(相关函数法、Burg 算法);特征分解法、信号子空间与噪声子空间、MUSIC 法。
本节导读
这一节对应信号处理的「(六)功率谱估计」,共四条:
- 谱定义和谱估计的任务、经典谱估计(周期图法和相关图法)依据的原理及存在问题。
- 最大熵谱估计:原理、数学描述及特点。
- 模型法谱估计:谱估计原理。谱估计方法,重点:自回归模型法谱估计(相关函数法、Burg 算法等)、AR 模型阶数的确定原则不作为考试要求。
- 特征分解法谱估计:多正弦谱估计特点、信号子空间与噪声子空间、MUSIC 法。
学完要做到:会算短序列的周期图,知道它与相关图的关系;说清经典方法的方差与分辨率问题;知道最大熵谱与 AR 谱的关系;会由估计的自相关求 AR 谱,会算 Burg 算法的第一级反射系数;会判断子空间的维数,说清 MUSIC 伪谱的含义。
记号沿用第 24—26 节:N 为数据长度,r^(m) 为有偏自相关估计,P(ω) 为功率谱,km 为反射系数,fm、bm 为前向、后向预测误差。
谱估计的任务与经典谱估计
功率谱定义为自相关序列的 DTFT(第 25 节),也可以写成
P(ω)=N→∞limE[N1n=0∑N−1x(n)e−jωn2]谱估计的任务,就是由有限长(N 点)的一次观测估计出这个功率谱。
周期图法直接对数据做傅里叶变换:
P^per(ω)=N1n=0∑N−1x(n)e−jωn2相关图法(BT 法)先估计自相关,再取延迟不超过 L(L<N)的部分,加窗后做傅里叶变换:P^BT(ω)=∑m=−LLw(m)r^(m)e−jωm。两者依据的都是维纳—辛钦定理;用全部延迟、不加窗时,相关图就等于周期图。
存在的问题:
- 方差大:周期图的方差约为 P2(ω),数据加长也不减小,不是一致估计,谱线起伏剧烈;
- 分辨率有限:相当于数据加了长 N 的矩形窗,主瓣宽约 2π/N,间隔小于它的两个谱峰分不开;
- 泄漏:窗的旁瓣把强分量的能量漏到别的频率,会压住弱分量。
改进的办法:分段平均(Bartlett 法,K 段平均后方差约降为 1/K,但每段变短,分辨率变差);加窗并重叠分段(Welch 法);相关图法里取较小的 L 并加窗。
最大熵谱估计
原理:只知道 r(0),⋯,r(p) 时,相关图法等于把其余自相关当成零,这是人为的假设。Burg 的思路是对未知的自相关做外推,使过程的熵最大——在与已知自相关相符的所有过程中选最随机的那一个,对未知部分不加额外假设。
数学描述:对高斯过程,熵率与 ∫−ππlnP(ω)dω 成正比;在 r(m)(∣m∣≤p)保持不变的约束下求极大,解为
PME(ω)=1+∑k=1pake−jωk2Ep其中 ak、Ep 由 Yule-Walker 方程解出,所以最大熵谱与用同样 p+1 个自相关求出的 AR(p) 模型谱相同。
特点:分辨率高,适合短数据,谱峰尖锐;但对阶数敏感,噪声较强时谱峰位置可能偏移。
模型法谱估计
谱估计原理:把 x(n) 看成白噪声通过系统 H(z) 的输出,先由数据估计模型参数,再用 P(ω)=σ2∣H(ejω)∣2 得到谱(第 25 节)。这样不必假设窗外的数据或自相关为零,短数据也能有较高的分辨率。MA、ARMA 模型也能用,AR 模型的参数由线性方程求出,最常用。
AR 模型法有两种求参数的方法:
- 相关函数法(自相关法、Yule-Walker 法):先由数据求 r^(m),再用 Levinson-Durbin 算法解出 ak 和 σ2=Ep。
- Burg 算法:不先估计自相关,直接由数据逐级求反射系数,使该级前向与后向预测误差功率之和最小:
求和取两种误差都有定义的那些 n。由柯西不等式,∣km∣≤1,模型总是稳定的;短数据时分辨率比相关函数法高。求出 km 后,再按 Levinson 关系递推出 ak。
本节后面还有约 2038 字:报名学员看全文
每门课前 10 节免费看全文;从第 11 节起,完整教程要报名后由顾问在后台为你的账号开通才能看。
题库账号可以直接登录,但第 11 节起的完整教程要报名后由后台开通才能看。
学完练一练
按本节考点从本课的课后练习里抽题(每次 10 道以内),做完看解析、错题自动进错题本。第 11 节起的课后练习报名学员才能练。
本节内容由 AI 辅助编写,配图由 AI 生成,仅供备考参考;考试要求以《全国各类成人高等学校招生考试大纲(2024 年版)》及浙江省教育考试院当年公布为准。