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。
本节导读
这一节对应信号处理「(六)功率谱估计」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。
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) 与估计 r^(m),功率谱 S(ω),估计 S^(ω),数据长度 N;第 m 级前向、后向误差 fm(n)、bm(n),反射系数 km,预测误差功率 σm2。
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 N→∞limE[N1∑n=0N−1x(n)e−jωn2]。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):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)=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。用有偏自相关估计、取全部延迟 M=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/N 就分不开 | 窗函数主瓣宽约 2π/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) 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)=1+∑k=1pake−jωk2σp2其中 ak、σp2 就是由这些自相关解 Yule-Walker 方程得到的 AR(p)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),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:
求和取数据范围内两项都有定义的 n;f0(n)=b0(n)=x(n),σ02=N1∑x2(n),然后按格型公式更新误差、按 σm2=(1−km2)σm−12 更新误差功率,再用 Levinson 的系数递推得到 ak。Burg 算法保证 ∣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。