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)
同等学力申硕信息与通信工程学科综合考前辅导第二门 信号处理(选考)第 14 节 / 共 32 节约 30 分钟报名学员看全文

信号处理(六):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和问题,最大熵谱估计,AR 模型法谱估计(相关函数法、Burg 算法),特征分解法谱估计、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Burg算法特征分解法与MUSIC

本节导读

这一节对应信号处理「(六)功率谱估计」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。

注意第 3 条的最后一句:AR 模型怎样定阶不考。学完要做到:说清周期图、相关图的原理和三个问题(分辨率、方差、泄漏);说清最大熵谱估计「外推自相关」的思想;会用相关函数法、Burg 算法求 AR 参数并算谱;说清 MUSIC 法的原理与特点。

本节记号沿用第 10—12 节:r(m)r(m)r(m) 与估计 r^(m)\hat r(m)r^(m),功率谱 S(ω)S(\omega)S(ω),估计 S^(ω)\hat S(\omega)S^(ω),数据长度 NNN;第 mmm 级前向、后向误差 fm(n)f_m(n)fm​(n)、bm(n)b_m(n)bm​(n),反射系数 kmk_mkm​,预测误差功率 σm2\sigma_m^2σm2​。

谱的定义与谱估计的任务

广义平稳序列的功率谱有两种等价的定义:自相关的 DTFT(维纳—辛钦定理),或 lim⁡N→∞E[1N∣∑n=0N−1x(n)e−jωn∣2]\lim\limits_{N\to\infty}E\Big[\dfrac1N\Big\lvert\sum_{n=0}^{N-1}x(n)e^{-j\omega n}\Big\rvert^2\Big]N→∞lim​E[N1​​∑n=0N−1​x(n)e−jωn​2]。实际只有有限长、常常只有一条的数据,谱估计的任务就是由这段数据尽量准确地估计 S(ω)S(\omega)S(ω):分辨率要高(相近的谱峰分得开),方差要小(估计稳定),偏差要小。

经典谱估计:周期图法与相关图法

周期图法:S^(ω)=1N∣XN(ejω)∣2\hat S(\omega)=\dfrac1N\lvert X_N(e^{j\omega})\rvert^2S^(ω)=N1​∣XN​(ejω)∣2,直接对数据做傅里叶变换(可用 FFT)再取模平方。相关图法(布莱克曼—图基法):先估计自相关,再加窗做变换 S^(ω)=∑∣m∣≤Mr^(m)w(m)e−jωm\hat S(\omega)=\sum_{\lvert m\rvert\le M}\hat r(m)w(m)e^{-j\omega m}S^(ω)=∑∣m∣≤M​r^(m)w(m)e−jωm。用有偏自相关估计、取全部延迟 M=N−1M=N-1M=N−1 且不加窗时,相关图就是周期图。

两者依据的原理相同——把有限数据之外的部分当成零(等于加了矩形窗),由此带来三个问题:

问题表现原因
分辨率低两个谱峰间隔小于约 2π/N2\pi/N2π/N 就分不开窗函数主瓣宽约 2π/N2\pi/N2π/N
方差大数据加长,起伏并不减小,不是一致估计每个频点只由一段数据算一次
泄漏强信号的旁瓣淹没弱信号矩形窗旁瓣高

改进办法有分段平均(巴特利特法)、重叠分段并加窗平均(韦尔奇法)等,它们降低方差的代价都是分辨率下降。

最大熵谱估计

已知 r(0),r(1),⋯ ,r(p)r(0),r(1),\cdots,r(p)r(0),r(1),⋯,r(p) 时,经典法把更大延迟的自相关当零;伯格提出另一种外推:在与已知自相关一致的前提下,选使过程的熵率最大的那种外推,即「对未知的部分不作额外假设」。数学上解出的谱是

S^(ω)=σp2∣1+∑k=1pake−jωk∣2\hat S(\omega)=\frac{\sigma_p^2}{\Big\lvert 1+\sum_{k=1}^{p}a_ke^{-j\omega k}\Big\rvert^2}S^(ω)=​1+∑k=1p​ak​e−jωk​2σp2​​

其中 aka_kak​、σp2\sigma_p^2σp2​ 就是由这些自相关解 Yule-Walker 方程得到的 AR(ppp)参数——高斯情形下,最大熵谱估计与 AR 模型谱估计等价。特点:不加窗,短数据也有较高的分辨率,谱线尖锐;但对噪声较敏感,阶数选择不当会出现谱峰分裂或虚假峰。

AR 模型法谱估计:相关函数法与 Burg 算法

模型法分三步:选模型(AR、MA、ARMA)→ 由数据估计参数 → 把参数代入模型谱公式。AR 模型法最常用,参数估计有两种主要方法:

  • 相关函数法(尤尔—沃克法):先算有偏自相关估计 r^(m)\hat r(m)r^(m),再解 Yule-Walker 方程(用 Levinson-Durbin 递推)。保证模型稳定,但短数据时分辨率不够高。
  • Burg 算法:不先算自相关,而是直接由数据逐级求反射系数,准则是该级前向、后向误差功率之和最小:
km=−2∑nfm−1(n) bm−1(n−1)∑n[fm−12(n)+bm−12(n−1)]k_m=\frac{-2\sum_nf_{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)​

求和取数据范围内两项都有定义的 nnn;f0(n)=b0(n)=x(n)f_0(n)=b_0(n)=x(n)f0​(n)=b0​(n)=x(n),σ02=1N∑x2(n)\sigma_0^2=\dfrac1N\sum x^2(n)σ02​=N1​∑x2(n),然后按格型公式更新误差、按 σm2=(1−km2)σm−12\sigma_m^2=(1-k_m^2)\sigma_{m-1}^2σm2​=(1−km2​)σm−12​ 更新误差功率,再用 Levinson 的系数递推得到 aka_kak​。Burg 算法保证 ∣km∣≤1\lvert k_m\rvert\le 1∣km​∣≤1,短数据时分辨率比相关函数法高。

本节后面还有约 1907 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