杭州紫金港培训学校(紫金港专升本)杭州紫金港培训学校(紫金港专升本)
同等学力申硕电子科学与技术学科综合考前辅导第五类 信号处理第 27 节 / 共 32 节约 25 分钟报名学员看全文

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。

本节考点:经典谱估计最大熵谱估计AR 模型法谱估计特征分解法与 MUSIC

本节导读

这一节对应信号处理的「(六)功率谱估计」,共四条:

  1. 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。
  2. 最大熵谱估计:原理、数学描述及特点。
  3. 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。
  4. 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:NNN 为数据长度,r^(m)\hat r(m)r^(m) 为有偏自相关估计,P(ω)P(\omega)P(ω) 为功率谱,kmk_mkm​ 为反射系数,fmf_mfm​、bmb_mbm​ 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)=lim⁡N→∞E[1N∣∑n=0N−1x(n)e−jωn∣2]P(\omega)=\lim_{N\to\infty}E\Big[\frac1N\Big\lvert\sum_{n=0}^{N-1}x(n)e^{-j\omega n}\Big\rvert^2\Big]P(ω)=N→∞lim​E[N1​​n=0∑N−1​x(n)e−jωn​2]

谱估计的任务,就是由有限长(NNN 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)=1N∣∑n=0N−1x(n)e−jωn∣2\hat P_{\mathrm{per}}(\omega)=\frac1N\Big\lvert\sum_{n=0}^{N-1}x(n)e^{-j\omega n}\Big\rvert^2P^per​(ω)=N1​​n=0∑N−1​x(n)e−jωn​2

相关图法(BT 法)先估计自相关,再取延迟不超过 LLL(L<NL\lt NL<N)的部分,加窗后做傅里叶变换:P^BT(ω)=∑m=−LLw(m)r^(m)e−jωm\hat P_{\mathrm{BT}}(\omega)=\sum_{m=-L}^{L}w(m)\hat r(m)e^{-j\omega m}P^BT​(ω)=∑m=−LL​w(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)P^2(\omega)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 NNN 的矩形窗,主瓣宽约 2π/N2\pi/N2π/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,KKK 段平均后方差约降为 1/K1/K1/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 LLL 并加窗。

最大熵谱估计

原理:只知道 r(0),⋯ ,r(p)r(0),\cdots,r(p)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 ∫−ππln⁡P(ω) dω\int_{-\pi}^{\pi}\ln P(\omega)\,\mathrm d\omega∫−ππ​lnP(ω)dω 成正比;在 r(m)r(m)r(m)(∣m∣≤p\lvert m\rvert\le p∣m∣≤p)保持不变的约束下求极大,解为

PME(ω)=Ep∣1+∑k=1pake−jωk∣2P_{\mathrm{ME}}(\omega)=\frac{E_p}{\big\lvert 1+\sum_{k=1}^{p}a_ke^{-j\omega k}\big\rvert^2}PME​(ω)=​1+∑k=1p​ak​e−jωk​2Ep​​

其中 aka_kak​、EpE_pEp​ 由 Yule-Walker 方程解出,所以最大熵谱与用同样 p+1p+1p+1 个自相关求出的 AR(ppp) 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)x(n)x(n) 看成白噪声通过系统 H(z)H(z)H(z) 的输出,先由数据估计模型参数,再用 P(ω)=σ2∣H(ejω)∣2P(\omega)=\sigma^2\lvert H(e^{j\omega})\rvert^2P(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)\hat r(m)r^(m),再用 Levinson-Durbin 算法解出 aka_kak​ 和 σ2=Ep\sigma^2=E_pσ2=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:
km=−2∑nfm−1(n) bm−1(n−1)∑n[fm−12(n)+bm−12(n−1)]k_m=\frac{-2\sum_{n}f_{m-1}(n)\,b_{m-1}(n-1)}{\sum_{n}\big[f_{m-1}^2(n)+b_{m-1}^2(n-1)\big]}km​=∑n​[fm−12​(n)+bm−12​(n−1)]−2∑n​fm−1​(n)bm−1​(n−1)​

求和取两种误差都有定义的那些 nnn。由柯西不等式,∣km∣≤1\lvert k_m\rvert\le 1∣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 kmk_mkm​ 后,再按 Levinson 关系递推出 aka_kak​。

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。

我要提问免费报名咨询