Harbin Institute of Technology
随机过程课程设计报告
二进制振幅键控(2ASK)信号的功率谱分析
院（系）名称：电子与信息工程学院
学生姓名：
学生学号：
指导教师：
哈尔滨工业大学
2014年11月
摘要
二进制振幅键控（2ASK）是出现最早的、也是最简单的数字调制方式，是研究其他数字调制方式的基础。由于数字基带信号是随机信号，因此2ASK信号也是随机信号，不满足傅里叶变换条件，只能分析其功率谱性质。
以前学习这部分知识的时候，缺乏随机过程的知识，书上直接给出相应的结果，对结果不是很理解。通过随机过程的学习，对随机信号功率谱密度的求解有了比较清楚的了解，于是自己动手推算了一下功率谱密度公式的由来，并通过绘图从理论上对2ASK信号的功率谱进行了分析。在这个过程中，我对随机过程的基础知识有了更进一步的掌握，并对数学在通信中的重要作用有了深刻认识，收获很大。
关键词：二进制振幅键控；功率谱密度；随机过程
目录
一、数字调制简介和问题的提出 (1)
1、数字调制简介 (1)
2、问题提出 (1)
二、二进制振幅键控（2ASK）基本原理 (1)
三、2ASK功率谱分析 (3)
1、2ASK信号的功率谱密度频域表达式的推导 (3)
2、2ASK信号的功率谱密度具体表达式 (4)
3、2ASK信号的功率谱密度分析 (5)
四、心得体会 (5)
参考文献 (6)
1 / 6
一、数字调制简介和问题的提出
1、数字调制简介
在现代计算机内部进行信息传递以及参与运算处理的大多数是二进制数字信号，在物理形式上表现为方波信号。根据傅里叶变换的知识我们知道，方波具有丰富的低频分量，在计算机内部通过导线进行短距离传输是可以的，但是却不适宜在诸如空气的无线信道中进行传送，必须将这些信号经过某种形式的变换之后才能传输，这种变换就是调制。
调制之前的信号我们称为数字基带信号。用数字基带信号对载波的某些参量进行控制，使载波的这些参量随基带信号变化而变化，一般来说载波是正弦波，所以称之为正弦载波调制。根据控制的参量不同，可以分为振幅键控（ASK ）、移频键控（FSK ）和移相键控（PSK ），数字基带信号分别控制载波的幅度、频率、相位，从而完成对基带信号的调制。由于我们接触到二进制的数字比较多，我们一般研究二进制信号的调制。其中，二进制振幅键控（2ASK ）是数字调制中出现最早的（最初的电报系统就是使用了这种调制方式），也是最简单的，是研究其他数字调制方式的基础。
2、问题提出
一般来讲，我们传输的信号都是随机的，不满足傅里叶变换的条件，因此我们在研究这些信号谱分布时，无法研究频谱结构，而只能讨论它们的功率谱结构。之前在学习《通信原理》时，课本上对2ASK 功率谱的分析没有推导过程，而是直接将功率谱的公式给出；当时又比较缺乏随机过程的知识，对结果的得出很不理解。学习完随机过程这门课之后，我想，能不能运用所学的功率谱的知识，推导出2ASK 功率谱的表达式呢？
二、二进制振幅键控（2ASK ）基本原理
设数字基带信号为二进制码元0、1组成的序列，发送“1”符号的概率为P ，发送“0”符号的概率为1-P ，且它们相互独立，则一个二进制振幅键控信号可以表示成一个单极性矩形脉冲序列与一个正弦载波相乘，即
()[()]cos o n s c n
e t a g t nT t ω=-?∑
其中，s T 为二进制基带信号序列（码元）的时间间隔。
2 / 6
()g t 是高度为1，持续时间为s T 的矩形脉冲。
n a 是第n 个码元的电平取值，n a 的取值服从下述关系
0,1,1n P a P
?=?-?概率为概率为 令()()n s n
s t a g t nT =-∑，则()o e t 可表示为： ()()cos o c e t s t t
ω=
目前，2ASK 信号的产生有两种方法，乘法器实现和键控法，分别如图1和图2所示。乘法器实现就是通过二进制基带信号序列与载波直接相乘得到；键控法就是使用一个受()s t 控制的开关来控制cos c t ω的输出，从而得到调制信号。输出的波形如图2所示。
开关电路
(a) 2ASK 乘法器实现 (b) 2ASK 的键控法实现
图1 2ASK 信号产生的两种方法
图2 2ASK 调制输出波形
3 / 6
三、2ASK 功率谱分析
1、2ASK 信号的功率谱密度频域表达式的推导
基于以上原理，我们分析2ASK 信号的谱结构。由于二进制码元序列()s t 和2ASK 信号()o e t 都是随机信号，不具备傅里叶变换条件，故只能讨论其功率谱结构。设()o e t 的功率谱密度为()E p f ，()s t 的功率谱密度为()S p f ，()s t 是平稳随机过程，其自相关函数为()S R τ。
首先求该信号的自相关函数：
()(,)[()()]
[()cos ()cos ()]
[()()][cos cos ()]
()[cos cos ()]
cos cos(22)()[]2
cos cos(22)()()22o e t o o c c c c S c c c c S c c S S R t t E e t e t E s t t s t t E s t s t E t t R t t t R t R R ττωτωττωωττωωτωτωττωτωτττ+=+=??+?+=?+??+=??+++=+=+
由上式可以看出，2ASK 信号的自相关函数是关于时间t 的函数，故2ASK 信号不是平稳随机过程。根据随机过程中关于功率谱密度的定义，我们知道对于非平稳随机过程2ASK 信号，其功率谱密度可表示为
()(,)i X X S A R t t e d ωτωττ∞--∞
=+? 上式成立的条件是(,)X A R t t τ+
绝对可积，1lim 2T T T A
dt T -→∞=?表示时间平均。 而
()()1cos (2)lim cos (2)2
220T S S c c T T R R A t t dt T ττωτωτ-→∞?+=
?+=?
故
()()(,)cos cos (2)22
()cos 2S S X c c S c R R A R t t A A t R τττωτωττωτ+=+?+=
将上述结果进行傅里叶变换得到2ASK 信号的功率谱密度
4 / 6 ()()(cos )2
1()[()()]2
11()[()()]22
S E c S c c S c c R p f P P f f f f f τωτωπδωωδωωπδδπ==?++-=??++-F 1[()()]4
S c S c P f f P f f =++- （1） 上式中，由角频率ω变为频率f 用到了公式2f ωπ=。该式就是2ASK 信号的功率谱密度在频域的表达式。
2、2ASK 信号的功率谱密度具体表达式
单极性矩形脉冲序列()s t 的功率谱密度比较复杂，这里直接使用已有结论：
22
22()(1)()(1)(0)()S S S P f f P P G f f P G f δ=-+- 上式中，()G f 是()g t 的傅里叶变换，是矩形脉冲的频谱。根据()g t 的频谱特点，对于所有0m ≠的整数，有()0S G mf =，上式变为
22
22()(1)()(1)(0)()S S S P f f P P G f f P G f δ=-+- 将上式带入2ASK 信号的功率谱密度在频域的表达式（1）得
[]222221()(1)()()41(1)(0)()()4
E s c c s c c P f f P P G f f G f f f P G f f f f δδ??=-++-+??-++- 当数字信号码元1和0统计独立且概率相等是，12P =
，上式变为 []22221()()()161(0)()()16
E s c c s c c P f f G f f G f f f G f f f f δδ??=++-+??++- (2) 考虑到幅度为1，周期为s T 的矩形脉冲频谱为
sin ()()s s s s s T f G f T Sa T f T T f
πππ== (0)s G T =
5 / 6
将上述两式代入(2)式，得到2ASK 信号的功率谱密度具体表达式如下：
[]22
sin ()sin ()1()()()1()()16c s c s E s c s c s c c f f T f f T P f T f f T f f T f f f f ππππδδ+-=+++-++- (3)
3、2ASK 信号的功率谱密度分析
根据式(3)，可以绘出2ASK 信号功率谱密度曲线如下图所示。
从上图可以看出，2ASK 信号的功率谱密度是对单极性矩形脉冲信号()s t 的功率谱密度的搬移，并且幅度有所降低，符合(1)式的理论结果。
四、心得体会
作为通信专业的研究生，我越来越认识到数学在通信中所起的作用，由于通信信号一般都是随机信号，因此随机过程更是与通信信号的分析密不可分。通过随机过程的学习，重温之前专业课所讲的知识，并运用随机过程相关知识对结果进行推导，不仅使我清楚了2ASK 信号的功率谱密度是如何得到的，加深了对知识的理解，而且也是一种思维的锻炼，启发我从理论的高度（而不是仿真的角度）思考结果为什么会这样。相信随着课题研究的深入，我能更加体会到随机过程的重要性，体会到数学的重要性。
但我同时明白，数学思维的训练不是一时半会就能收到效果的，需要持之以恒不断的努力、做好长期的打算。既然选择了这条路，就不能抱有退缩的想法。
参考文献
[1] 郭黎利等.通信原理.哈尔滨:哈尔滨工程大学出版社,2003
[2] 樊昌信等.通信原理(6版).北京:国防工业出版社,2010.7
[3] 田波平等.应用随机过程.哈尔滨:哈尔滨工业大学出版社,2012.4
[4] 朱华等.随机信号分析.北京:北京理工大学出版社,2011.7
[5] 张媛. 基于功率谱分析的信号调制方式识别与参数估值. 天津:天津理工大学出版社, 2013.
6 / 6
振动台在使用中经常运用的公式 1、 求推力（F ）的公式 F=（m 0+m 1+m 2+ ……）A …………………………公式（1） 式中：F —推力（激振力）（N ） m 0—振动台运动部分有效质量（kg ） m 1—辅助台面质量（kg ） m 2—试件（包括夹具、安装螺钉）质量（kg ） A — 试验加速度（m/s 2） 2、 加速度（A ）、速度（V ）、位移（D ）三个振动参数的互换运算公式 2.1 A=ωv ……………………………………………………公式（2） 式中：A —试验加速度（m/s 2） V —试验速度（m/s ） ω=2πf （角速度） 其中f 为试验频率（Hz ） 2.2 V=ωD ×10-3 ………………………………………………公式（3） 式中：V 和ω与“2.1”中同义 D —位移（mm 0-p ）单峰值 2.3 A=ω2 D ×10-3 ………………………………………………公式（4） 式中：A 、D 和ω与“2.1”，“2.2”中同义 公式（4）亦可简化为： A= D f ?250 2 式中：A 和D 与“2.3”中同义，但A 的单位为g 1g=9.8m/s 2 所以： A ≈D f ?25 2 ,这时A 的单位为m/s 2 定振级扫频试验平滑交越点频率的计算公式 3.1 加速度与速度平滑交越点频率的计算公式 f A-V = V A 28.6 ………………………………………公式（5） 式中：f A-V —加速度与速度平滑交越点频率（Hz ）（A 和V 与前面同义）。
3.2 速度与位移平滑交越点频率的计算公式 D V f D V 28.6103?=- …………………………………公式（6） 式中：D V f -—加速度与速度平滑交越点频率（Hz ）（V 和D 与前面同义）。 3.3 加速度与位移平滑交越点频率的计算公式 f A-D =D A ??2 3 )2(10π ……………………………………公式（7） 式中：f A-D — 加速度与位移平滑交越点频率（Hz ），（A 和D 与前面同义）。 根据“3.3”，公式（7）亦可简化为： f A-D ≈5× D A A 的单位是m/s 2 4、 扫描时间和扫描速率的计算公式 4.1 线性扫描比较简单： S 1= 1 1 V f f H - ……………………………………公式（8） 式中： S1—扫描时间（s 或min ） f H -f L —扫描宽带，其中f H 为上限频率，f L 为下限频率（Hz ） V 1—扫描速率（Hz/min 或Hz/s ） 4.2 对数扫频： 4.2.1 倍频程的计算公式 n=2Lg f f Lg L H ……………………………………公式（9） 式中：n —倍频程（oct ） f H —上限频率（Hz ） f L —下限频率（Hz ） 4.2.2 扫描速率计算公式 R= T Lg f f Lg L H 2/ ……………………………公式（10） 式中：R —扫描速率（oct/min 或）
现代信号处理作业 实验题目： 设信号)()8.0cos(25.0)47.0cos()35.0cos()(321n v n n n n x ++++++=θπθπθπ，其中321,,θθθ是[]ππ,-内的独立随机变量，v(n)是单位高斯白噪声。 1.利用周期图法对序列进行功率谱估计。数据窗采用汉明窗。 2.利用BT 法对序列进行功率谱估计，自相关函数的最大相关长度为M=64,128,256,512采用BARTLETT 窗。 3.利用Welch 法对序列进行功率谱估计，50%重叠，采用汉明窗，L=256,128,64。 4.利用Burg 法对序列进行AR 模型功率谱估计，阶数分别为10，13. 要求每个实验都取1024个点，fft 作为谱估计，取50个样本序列的算术平均，画出平均的功率谱图。 实验原理： 1）。周期图法： 又称间接法，它把随机信号的N 个观察值x N (n)直接进行傅里叶变换，得到X N (e jw ),然后取其幅值的平方，再除以N ，作为对x （n ）真实功率谱的估计。 2^ )(1)(jw e X N w P N per = ， 其中∑-=-=1 )()(N n jwn N jw N e n x e X 2）。BT 法： 对于N 个观察值x(0),x(1),。。。,x(N-1),令x N (n)=a(n)x(n)。计算r x （m ）为
∑--=-≤+= m N n N N x N m m n x n x N m r 10 1),()(1 )(,计算其傅里叶变换 ∑-=--≤= M M m jwm x BT N M e m r m v w P 1 ,)()()(^ ^ ，作为观察值的功率谱的估计。 其中v(m)是平滑窗。 3)。Welch 法： 假定观察数据是x(n),n=0,1,2...,N-1，现将其分段，每段长度为M,段与段之间的重叠为M-K,第i 个数据段经加窗后可表示为 1,...,1,0 )()()(-=+=M i iK n x n a n x i M 其中K 为一整数，L 为分段数，该数据段的周期图为 2)(1)(^w X MU w P i M i per =，其中∑-=-=1 0)()(M n j w n i M i M e n x w X 。由此得到平均周期图为 ∑-==10 ^_ )(1)(L i i per w P L w P 。其中归一化U 取∑-== 10 2 )(1M n n a M U 。 4）。Burg 法： 在约束条件下，使得)(2 1^^^ b f ρρρ+=极小化，其中，约束条件是它所得到的 各阶模型解要求满足Levison 递归关系。 仿真结果： 1.周期图法
有关功率谱分析的相关总结 谱是个很不严格的东西，常常指信号的Fourier变换，是一个时间平均（time average）概念功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析，能量有限的信号通常为能量信号，他们的傅里叶变换是收敛的)，所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。有两个重要区别：1。功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机过程有频谱吗？）（随机的频域序列）2。功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶矩是否存在并且二阶矩的Fourier变换收敛；而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。 频谱和功率谱的区别在于： （1）信号通常分为两类：能量信号和功率信号； （2）一般来讲，能量信号其傅氏变换收敛（即存在），而功率信号傅氏变换通常不收敛，当然，若信号存在周期性，可引入特殊数学函数（Delta）表征傅氏变换的这种非收敛性；（3）信号是信息的搭载工具，而信息与随机性紧密相关，所以实际信号多为随机信号，这类信号的特点是状态随机性随时间无限延伸，能量无限。换句话说，随机信号大多属于功率信号而非能量信号，它并不存在傅氏变换，亦即不存在频谱； （4）若撇开搭载信息的有用与否，随机信号又称随机过程，很多噪声属于特殊的随机过程，它们的某些统计特性具有平稳性，其均值和自相关函数具有平稳性。对于这样的随机过程，自相关函数蜕化为一维确定函数，前人证明该确定相关函数存在傅氏变换； （5）能量信号频谱通常既含有幅度也含有相位信息；幅度谱的平方（二次量纲）又叫能量谱，它描述了信号能量的频域分布；功率信号的功率谱描述了信号功率随频率的分布特点，也已证明，信号功率谱恰好是其自相关函数的傅氏变换； （6）实际中我们获得的往往仅仅是信号的一段支撑，此时即使信号为功率信号，截断之后其傅氏变换收敛，但此变换结果严格来讲不属于任何“谱”； （7）对于（6）中所述变换若取其幅度平方，可作为信号功率谱的近似，是为经典的“周期图法”； （8）FFT是DFT的快速实现，DFT是DTFT的频域采样，DTFT是FT的频域延拓。人们不得已才利用DFT近似完成本属于FT的任务。若仅提FFT，是非常不专业的。 功率谱是个什么概念？它有单位吗? 随机信号是时域无限信号，不具备可积分条件，因此不能直接进行傅氏变换。一般用具有统计特性的功率谱来作为谱分析的依据。功率谱与自相关函数是一个傅氏变换对。功率谱具有单位频率的平均功率量纲。所以标准叫法是功率谱密度。通过功率谱密度函数，可以看出随机信号的能量随着频率的分布情况。像白噪声就是平行于w轴，在w轴上方的一条直线。功率谱密度，从名字分解来看就是说，观察对象是功率，观察域是谱域，通常指频域，密度，就是指观察对象在观察域上的分布情况。一般我们讲的功率谱密度都是针对平稳随机过程的，由于平稳随机过程的样本函数一般不是绝对可积的，因此不能直接对它进行傅立叶分析。可以有三种办法来重新定义谱密度，来克服上述困难。 一是用相关函数的傅立叶变换来定义谱密度；二是用随机过程的有限时间傅立叶变换来定义
数字信号处理 课程实验报告 实验指导教师：黄启宏 实验名称 MATLAB 仿真实现经典谱估计（采用周期图法） 专业、班级 电子与通信工程 姓 名 张帅 实验地点 仿古楼301 实验日期 2013.11.17 一、实验内容 采用周期图法（直接法）实现经典谱估计。 二、实验目的 （1）掌握周期图法（直接法）估计出功率谱的步骤和方法； （2）在实验的过程中找到影响经典谱估计的因素； （3）了解周期图法（直接法）估计功率谱的缺陷。 三、实验原理 把随机信号()x n 的N 点观察数据()N x n 视为一能量有限信号，直接取得()N x n 傅里叶变换，得()jw N x e ，然后再取其幅值的平方，并除以N ，作为对()x n 真实的功率谱()jw P e 的估计。即为： ^ 21()|()|PER N P X N ωω= ^ 21()|()|PER N P k X k N = 四、涉及实验的相关情况介绍（包含使用软件或实验设备等情况） 一台安装MATLAB 软件的电脑
五、实验记录 程序、相关的图形、相关数据记录及分析）（ %采用直接法（周期图法）估计功率谱； clear Fs = 1000;%采样频率 n = 0:1 /Fs: .3;%产生含有噪声的序列 xn = cos(200*pi*n)+0.1*randn(size(n)); subplot(311);%输出随机信号xn； plot(n,xn);xlabel('时间');ylabel('幅度');title('输入信号x（n）'); axis([0 0.3 -2 2]); grid on; window = boxcar( length( xn) ) ;%矩形窗 nfft = 512; [Pxx f]= periodogram( xn,window,nfft,Fs) ;%直接法 subplot(312) plot( f,10* log10( Pxx) ) ; title('直接法经典谱估计,512点'); xlabel('频率（Hz）'); ylabel('功率谱密度'); grid on; window = boxcar( length( xn) ); nfft = 1024;
功率谱定义 从确定性信号功率计算开始 ()()221 11lim lim 222T T T T T P x t dt X d T T ωωπ∞--∞→∞→∞==?? ()()21lim 2T T S X T ωω→∞= S(w)为功率谱密度，简称功率谱 则 ()12P S d ωωπ+∞-∞= ? 随机信号的功率谱密度 （1）样本功率谱与功率谱密度 ()()21,lim ,2X T T S X T ωξωξ→∞= 针对一个具体的样本而言，其是一个确定性的信号 (2) 随机信号的平均功率及平均功率谱密度 ()X X P E P ξ=???? 需要对具体的样本取概率均值才能计算出功率 ()()()21,lim ,2X X T T S E S E X T ωωξωξ→∞??==?????? 故功率谱密度是对所有概率取期望的反应。 （3）自相关函数与功率谱密度 ()()R S τω? （4）信号的自相关函数计算 分为确定信号和随机信号 确定信号 02002*0 1()lim ()()T T x T R x t x t dt T ττ-→∞=-? 周期信号 0202*0 1()()()T T x R x t x t dt T ττ-=-? 随机信号 *()[()()]x R E x t x t ττ=- 2 功率计算 （1）根据定义来计算
（2）周期信号如何计算 0cos()A t ω的计算 200()()1()[]2 A A s d T πσωωπσωωωω+∞-∞-++==?不好算因此放弃，但是应该可以类推得出结论 (3)自相关函数计算 0cos()A t ω的计算 /2 200/2 /222000/2201()cos()cos(())cos()cos(2)1[]2 cos()2 T T T T r A t t d T A A t d T A τωωτωωτωωτωωτ+-+-=-+-==?? 所以其功率谱为 200()2 A πσωωσωω（-）+（+） 0j t Ae ω的计算 0000/2()2/2 /22/2 21()1T j t j t T T j T j r A e e dt T A e dt T A e ωωτωτωτ τ+---+-===?? 总结：因此周期函数，首先转换成傅里叶级数，然后再通过自相关函数的定义计算自相关函数，得到其功率谱密度。
谱让人联想到的Fourier变换，是一个时间平均（time average）概念，对能量就是能量谱，对功率就是功率谱。 功率谱的概念是针对功率有限信号的，所表现的是单位频带内信号功率随频率的变化情况。保留了频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。 有两点需要注意： 1. 功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机的频域序列） 2. 功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶矩是否存在并且二阶矩的Fourier变换收敛；而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。 频谱分析： 对动态信号在频率域内进行分析，分析的结果是以频率为坐标的各种物理量的谱线和曲线，可得到各种幅值以频率为变量的频谱函数F(ω)。频谱分析中可求得幅值谱、相位谱、功率谱和各种谱密度等等。频谱分析过程较为复杂，它是以傅里叶级数和傅里叶积分为基础的。 功率谱密度： 功率谱密度（PSD），它定义了信号或者时间序列的功率如何随频率分布。这里功率可能是实际物理上的功率，或者更经常便于表示抽象的信号被定义为信号数值的平方，也就是当信号的负载为1欧姆(ohm)时的实际功率。
由于平均值不为零的信号不是平方可积的，所以在这种情况下就没有傅里叶变换。维纳-辛钦定理（Wiener-Khinchin theorem）提供了一个简单的替换方法，如果信号可以看作是平稳随机过程，那么功率谱密度就是信号自相关函数的傅里叶变换。 信号的功率谱密度当且仅当信号是广义的平稳过程的时候才存在。如果信号不是平稳过程，那么自相关函数一定是两个变量的函数，这样就不存在功率谱密度，但是可以使用类似的技术估计时变谱密度。 随机信号是时域无限信号，不具备可积分条件，因此不能直接进行傅氏变换。一般用具有统计特性的功率谱来作为谱分析的依据。 功率谱与自相关函数是一个傅氏变换对。 功率谱具有单位频率的平均功率量纲。所以标准叫法是功率谱密度。从名字分解来看就是说，观察对象是功率，观察域是谱域。 通过功率谱密度函数，可以看出随机信号的能量随着频率的分布情况。像白噪声就是平行于一条直线。 一般我们讲的功率谱密度都是针对平稳随机过程的，由于平稳随机过程的样本函数一般不是绝对可积的，因此不能直接对它进行傅立叶分析。可以有三种办法来重新定义谱密度，来克服上述困难。 1. 用相关函数的傅立叶变换来定义谱密度； 2. 用随机过程的有限时间傅立叶变换来定义谱密度； 3. 用平稳随机过程的谱分解来定义谱密度。 三种定义方式对应于不同的用处，首先第一种方式前提是平稳随机过程不包含周
数字信号处理作业 1.两个导联C3,C4位置的脑电信号（已预处理），实验采样频率为 250Hz，每次实验采集8秒数据，总共做了36次实验。依次求出C3,C4位置第1秒~第8秒数据的功率谱。 clc clear load('C:\Users\刘冰\Desktop\数字信号处理\matlab\C3C4.mat') a(1:8,1:512)=zeros(); for j=1:8 for k=0:35; z=fft(Left_C3(((j-1)*250+1+2000*k):(2000*k+j*250)),512); %截取特定的一段数据进行傅里叶变换 a(j,:)=p(j,:)+z.*conj(z)/512; %求其功率谱end a(j,:)=p(j,:)./36;%求平均值 end p(1:8,1:512)=zeros(); for j=1:8 for k=0:35; z=fft(Left_C4((j-1)*250+1+2000*k:2000*k+j*250),512); 、%截取特定的一段数据进行傅里叶变换 p(j,:)=q(j,:)+z.*conj(z)/512; end p(j,:)=q(j,:)./36; end for i=1:8 w=0:2*pi/255:2*pi; figure plot(w/pi,p(i,1:256),'b',w/pi,q(i,1:256),'r')%在一幅图里面显示C3C4功率谱，因为其结果是对称的，所以只取前一半结果 legend('C3','C4');%线段标题
title(['第',num2str(i), '秒 C3、C4脑电功率谱对照']) end 0.20.40.60.81 1.2 1.4 1.6 1.82 0100 200 300 400 500 600 700 第1秒 C3、C4脑电功率谱对照
功率谱密度 不同形式的数字基带信号具有不同的频谱结构，分析数字基带信号的频谱特性，以便合理地设计数字基带信号，使得消息代码变换为适合于给定信道传输特性的结构，是数字基带传输必须考虑的问题。 在通信中，除特殊情况（如测试信号）外，数字基带信号通常都是随机脉冲序列。因为，如果在数字通信系统中所传输的数字序列是确知的，则消息就不携带任何信息，通信也就失去了意义。故我们面临的是一个随机序列的谱分析问题。 考察一个二进制随机脉冲序列。设脉冲、分别表示二进制码“0”和“1”, 为 码元的间隔，在任一码元时间内，和出现的概率分别为p和1-p。 则随机脉冲序列x(t)可表示成: 其中 研究由上面二式所确定的随机脉冲序列的功率谱密度，要用到概率论与随机过程的有关知识。可以证明，随机脉冲序列x(t)的双边功率谱公式（1）： 其中、分别为、的傅氏变换，。 可以得出如下结论： （1）随机脉冲序列功率谱包括两部分：连续谱（第一项）和离散谱（第二项）。对于连续谱而言，由于代表数字信息的及不能完全相同，故，因此，连 续谱总是存在；而对于离散谱而言，则在一些情况下不存在，如及是双极性的脉冲，且出现概率相同时。 （2）当、、p及给定后，随机脉冲序列功率谱就确定了。 上式的结果是非常有意义的，它一方面能使我们了解随机脉冲序列频谱的特点，以及如何去具体地计算它的功率谱密度；另一方面根据它的离散谱是否存在这一特点，将使我们明确能否从脉冲序列中直接提取离散分量，以及采取怎样的方法可以从基带脉冲序列中获得所需的离散分量。这一点，在研究位同步、载波同步等问题时，将是十分重要的；再一方面，根据它的连续谱可以确定序列的带宽（通常以谱的第一个零点作为序列的带宽）。 下面，以矩形脉冲构成的基带信号为例，通过几个有代表性的特例对功率谱密度公式的应用及意义做进一步的说明，其结果对后续问题的研究具有实用意义。
信号的功率谱分析 1、功率谱密度函数的定义 对于随机信号)(t x ，由于其任一样本函数都是时间的无限的函数，一般不能满足傅里叶变换的存在条件（即积分?∞ ∞-dt t x )(必须收敛）。如果将样本函数取在一个有限区间]2 ,2[T T -内，如图所示，令在该区间以外的0)(=t x ，则积分?∞ ∞-dt t x )(收敛，满足傅里叶变换条件，变换后用功率谱密度函数表示。 2、功率谱密度函数（又称功率谱）的物理意义 是在频域中对信号能量或功率分布情况的描述。功率谱表示振动能量在频率 域的分解，其应用十分广泛。功率谱的横坐标是频率，纵坐标是实部、虚部的模 的平方。 功率谱密度函数作为随机信号在频域内描述的函数。对于随机信号而言，它 不存在频谱函数，只存在功率谱密度函数（功率大小在频谱中反映为频谱的面 积）。时域中的相关分析为在噪声背景下提取有用信息提供了途径。功率谱分析 则从频域提供相关技术所能提供的信息，它是研究平稳随机过程的重要方法。 3．功率谱密度函数的应用 (1)结构各阶固有频率的测定 工程结构特别是大型结构(如高层楼房、桥梁、 高塔和重要机械设备等)要防止共振引起的破坏，需要测定其固有频率。如果对 结构加以激励(或以大地的脉动信号作为激励信号)，即可测定结构的响应(振动信 号)，再对响应信号作自功率谱分析，便可由谱图中谱峰确定结构的各阶固有频
率。 (2)利用功率谱的数学特点求取信号传递系统的频率响应函数。 (3)作为工业设备工作状况的分析和故障诊断的依据 根据功率谱图的变化，可以判断机器设备的运转是否正常。同时．还可根据机器设备正常工作和不正常工作时，振动加速度信号的功率谱的差别，查找不正常工作时，功率谱图中额外谱峰产生的原因以及排除故障的方法。 自功率谱密度函数 定义及其物理意义 假如)(t x 是零均值的随机过程，即0=x μ（如果原随机过程是非零均值的，可以进行适当处理使其均值为零）又假设)(t x 中没有周期分量，那么当∞→τ， 0)(→τx R 。这样，自相关函数)(τx R 可满足傅里叶变化的条件∞?∞ ∞- ττd R x )(。 )(τx R 傅里叶变换)(f S x ，ττπτd e R f S j x x 2)()(-∞∞-? =和逆变换 df e f S R j x x πττ2)()(-∞ ∞ -?=定义)(f S x 为)(t x 的自功率谱密度函数，简称自谱或自功率谱。 出此可见， )(f S x 曲线下和频率轴所包围的面积就是信号的平均功率，)(f S x 就是信号的功率密度沿频率轴的分布，故称)(f S x 为自功率谱密度函数。自功率谱密度函数和幅值谱的关系为 2)(1lim )(f X T f S x T x →=利用这一种关系，就可以通过直接对时域信号作傅里叶变换来计算功率谱。自相关分析可以有效地检测出信号中有无周期成分。自功率谱密度也能用来检测信号中的周期成分。周期信号的频谱是脉冲函数，在某特定频率上的能量是无限的。但是在实际处理时，用矩形窗函数对信号进行截断，这相当于在频域用矩形窗函数的频谱sinc 函数和周期信号的频谱——δ函数实行卷积，因此截断后的周期函数的频谱已不再是脉冲函数，原来为无限大的谱线高度变成有限长，谱
随机信号的功率谱密度估计和相关函数
随机信号的功率谱密度估计和相关函数 1．实验目的 了解估计功率谱密度的几种方法，掌握功率谱密度估计在随机信号处理中的作用。 ⒉实验原理 随机信号的功率谱密度用来描述信号的能量特征随频率的变化关系。功率谱密度简称为功率谱，是自相关函数的傅里叶变换。对功率谱密度的估计又称功率谱估计。 1.线性估计法（有偏估计）：线性估计方法是有偏的谱估计方法，谱分辨率随数据长度的增加而提高。包括自相关估计、自协方差法、周期图法。 2.非线性估计（无偏估计）：非线性估计方法大多是无偏的谱估计方法，可以获得高的谱分辨率。包括最大似然法、最大熵法 ⒊实验任务与要求 1. 所有功能均用matlab仿真。 2. 输入信号为：方波信号+n(t)，方波信号信号基频1KHz，幅值为1v，n(t)为白噪声。 3. 编写自相关估计法、自协方差法、周期图法、最大似然法、最大熵法的matlab 程序。正确的运行程序。 4. 必须用图示法来表示仿真的结果。对几种功率谱估计的方法进行比较分析，发现它们各自有什么特点？。 5. 按要求写实验报告。 4.Matlab程序如下： 生成输入信号： clear; fs=1024;%设采样频率为1024 n=0:1/fs:1; N=length(n); W=2000*pi;%因方波频率F=1000HZ所以角频率W=2000pi X1n=square(W*n);%方波信号 X2n=randn(1,N);%白噪声信号 xn=X1n+X2n; %产生含有噪声的信号序列XN subplot(3,1,1) plot(n,xn); xlabel('n') ylabel(…输入信号?) %绘输入信号图
1. （10分）随机变量12,X X 彼此独立，且特征函数分别为12(),()v v φφ，求下列随机变量的特征函数： （1） 122X X X =+ （2）12536X X X =++ 解：（1）() 121222()jv X X jvX jv X jvX X v E e E e E e e φ+???? ??===?????? ? 12 21212()(2)jvX jv X X X E e E e v v φφ????=????和独立 （2）() 1212536536()jv X X jv X jv X jv X v E e E e e e φ++???? ==????? ? 12536 12jv X jv X jv X X E e E e E e ?????? ??????和独立 6 12(5)(3)jv e v v φφ= 2. （10分）取值()1,1-+，概率[0.4,0.6]的独立()半随机二进制传输信号()X t ，时隙长度为T ，问： （1） 信号的均值函数()E X t ????； （2） 信号的自相关函数(),X R t t τ+； （3） 信号的一维概率密度函数();X f x t 。 解：（1）()10.410.60.2E X t =-?+?=???? (2) 当,t t τ+在同一个时隙时： []222(,)()()[()]10.6(1)0.41X R t t E X t X t E X t ττ+=+==?+-?= 当,t t τ+不在同一个时隙时： [][][](,)()()()()0.20.20.04 X R t t E X t X t E X t E X t τττ+=+=+=?= （3）()()();0.610.41X f x t x x δδ=-++ 3. （10分）随机信号0()sin()X t t ω=+Θ，()()0cos Y t t ω=+Θ，其中0 ω为常数，Θ为在[]-,ππ上均匀分布的随机变量。
随机信号分析题目及答 案 HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】
1. （10分）随机变量12,X X 彼此独立，且特征函数分别为12(),()v v φφ，求下列随机变量的特征函数： （1） 122X X X =+ （2）12536X X X =++ 解：（1） ()121222()jv X X jvX jv X jvX X v E e E e E e e φ+??????===??????? （2） () 121 2 536536 ()jv X X jv X jv X jv X v E e E e e e φ++????==????? ? 2. （10分）取值()1,1-+，概率[0.4,0.6]的独立 ()半随机二进制传输信号()X t ，时隙长度为T ，问： （1） 信号的均值函数()E X t ????； （2） 信号的自相关函数(),X R t t τ+； （3） 信号的一维概率密度函数();X f x t 。 解：（1）()10.410.60.2E X t =-?+?=???? (2) 当,t t τ+在同一个时隙时： 当,t t τ+不在同一个时隙时：
（3）()()();0.610.41X f x t x x δδ=-++ 3. （10分）随机信号0()sin()X t t ω=+Θ，()()0cos Y t t ω=+Θ，其中0 ω为常数，Θ为在[]-,ππ上均匀分布的随机变量。 （1） 试判断()X t 和()Y t 在同一时刻和不同时刻的独立性、相关性及正交性； （2） 试判断()X t 和()Y t 是否联合广义平稳。 解： （1） 由于X (t )和Y(t )包含同一随机变量 θ，因此非独立。 根据题意有 1 2f ()θπ = 。 []001 sin()02E[X(t )]E t sin(w t )d π π ωθθπ - =+Θ= +=?， 由于0XY XY R (t,t )C (t,t )==，X (t )和Y(t )在 同一时刻正交、线性无关。 除()012w t t k π-=±外的其他不同时刻 12120XY XY R (t ,t )C (t ,t )=≠，所以1X (t )和2Y(t )非正交 且线性相关。
功率谱密度谱是一种概率统计方法，是对随机变量均方值的量度。一般用于随机振动分析，连续瞬态响应只能通过概率分布函数进行描述，即出现某水平响应所对应的概率。 功率谱密度是结构在随机动态载荷激励下响应的统计结果，是一条功率谱密度值—频率值的关系曲线，其中功率谱密度可以是位移功率谱密度、速度功率谱密度、加速度功率谱密度、力功率谱密度等形式。数学上，功率谱密度值—频率值的关系曲线下的面积就是方差，即响应标准偏差的平方值。 谱是个很不严格的东西，常常指信号的Fourier变换，是一个时间平均（time average）概念功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析)，所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。有两个重要区别：1。功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机的频域序列）2。功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶局是否存在并且二阶矩的Fourier变换收敛；而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。热心网友回答提问者对于答案的评价：谢谢解答。 频谱分析（也称频率分析），是对动态信号在频率域内进行分析，分析的 结果是以频率为坐标的各种物理量的谱线和曲线，可得到各种幅值以频率为变 量的频谱函数F(ω)。频谱分析中可求得幅值谱、相位谱、功率谱和各种谱密 度等等。频谱分析过程较为复杂，它是以傅里叶级数和傅里叶积分为基础的。 功率谱是个什么概念？它有单位吗? 随机信号是时域无限信号，不具备可积分条件，因此不能直接进行傅氏变换。一般用具有统计特性的功率谱来作为谱分析的依据。功率谱与自相关函数是一个傅氏变换对。功率谱具有单位频率的平均功率量纲。所以标准叫法是功率谱密度。通过功率谱密度函数，可以看出随机信号的能量随着频率的分布情况。像白噪声就是平行于w轴，在w轴上方的一条直线。 功率谱密度，从名字分解来看就是说，观察对象是功率，观察域是谱域，通常指频域，密度，就是指观察对象在观察域上的分布情况。一般我们讲的功率谱密度都是针对平稳随机过程的，由于平稳随机过程的样本函数一般不是绝对可积的，因此不能直接对它进行傅立叶分析。可以有三种办法来重新定义谱密度，来克服上述困难。 一是用相关函数的傅立叶变换来定义谱密度；二是用随机过程的有限时间傅立叶变换来定义谱密度；三是用平稳随机过程的谱分解来定义谱密度。三种定义方式对应于不同的用处，首先第一种方式前提是平稳随机过程不包含周期分量并且均值为零，这样才能保证相关函数在时差趋向于无穷时衰减，所以lonelystar说的不全对，光靠相关函数解决不了许多问题，要求太严格了；对于第二种方式，虽然一个平稳随机过程在无限时间上不能进行傅立叶变换，但是对于有限区间，傅立叶变换总是存在的，可以先架构有限时间区间上的变换，在对时间区间取极限，这个定义方式就是当前快速傅立叶变换（FFT）估计谱密度的依据；第三种方式是根据维纳的广义谐和分析理论：Generalized harmonic analysis, Acta Math, 55(1930),117-258,利用傅立叶-斯蒂吉斯积分，对均方连续的零均值平稳随机过程进行重构，在依靠正交性来建立的。 另外，对于非平稳随机过程，也有三种谱密度建立方法，由于字数限制，功率谱密度的单位
第5章随机信号与线性系统5.1 线性时不变系统 5.2 平稳白噪声通过LTI系统 5.3 信号功率谱与带宽 5.4 噪声中的信号处理 5.5 平稳序列通过离散LTI系统
5. 3 信号功率谱与带宽
例 正交性的影响。
解： 1212(,)[()()] UV R t t E U t V t =12 ()()()*() UV XY R R h h ττττ∴=??* 12 ()()()()UV XY S S H j H j ωωωω=2221211211(()())()h Y t h X t d E d ξξξξξξ∞∞∞∞????=?????∫∫112211221211222112 ()()[()()]()()[)]XY h h E X t Y t d d h h R d d ξξξξξξξξτξξξξ∞∞?∞?∞ ∞∞?∞?∞=??=+?∫∫∫∫
讨论： 1.如果X(t )与Y(t )正交，有则，即U(t )与V(t ) 正交 2.如果X(t )与Y(t )无关，有则所以即U(t )与V(t )也是无关0)(=τXY R 0)(=τUV R ()XY X Y R m m τ=()()0 UV UV U V C R m m ττ=?=12(0)((0))Y X UV V U m H j R m j m H m τ==()2() XY X Y S m m ωπδω=*122(0)(0) X Y m m H j H j π=*12 ()()()() UV XY S S H j H j ωωωω∴=
3.如果与的非零频带互不重叠， 则，，即U(t)与V(t)正交 又若与至少有一个为零；使或则即U(t)与V(t)正交且无关。 4.即使X(t)＝Y(t)，若与分别是不 同频带的BPF ； 则同样有即U(t)与V(t)正交且无关。 1()H j ω2()H j ω0)(=ωUV S 1(0)H j 2(0)H j 0 )()(==ττUV UV C R )(1ωH )(2ωH 0 )()(==ττUV UV C R 0U m =0 V m =
关于matlab 中噪声功率谱密度与方差之间的关系的理解 1. 连续时间系统 高斯白噪声的定义为：如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。 故对于连续时间系统，理想的高斯白噪声的功率谱密度是一个常数，设为n0，而带宽是无限宽的，其功率为： 0*n ∞=∞ （1） 在n0不是为无穷小的情况下，理想的噪声功率Pn 是无限大的。 而实际当中，噪声带宽是有限宽的，只需要在我们所关心的频带范围内，噪声功率谱密度是个常数，则我们可认为其是高斯白噪声。设噪声单边功率谱密度为0n ，低通带宽为W ，则其噪声功率为： 0*2n n P W = （2） 如图1.1所示： o W -W 幅度 频率/HZ 0 2 n 图1.1 我们知道，高斯白噪声的分布为2 ~(0,)X N σ，则其功率为： 222()()()()n P E x D x E x D x σ==+== （3） 故对于低通系统有： 20/2 n W σ= （4） 而对于带通系统，如图1.2所示，有： 200*2*2n n P W n W σ=== （5）
W -W 幅度 频率/HZ 0 2 n 2. 离散时间系统 对于离散时间系统而言，带宽受到抽样速率fs 的限制。设WGN 一秒内抽取的一组数据样本为： 12[],,....fs x n x x x = 22([])0;([])([])E x n D x n E x n σ=== 2.1理论分析 由于时间为单个的离散点，故理想功率为0；但有下列定义：对于序列[]x n 的能量E 定义为序列各抽样值的平方和，则数据样本的能量为： 2221()*[()]*s f s s E x n f E x n f σ===∑ （6） 将功率定义为序列能量除以序列的时间，即 2*t s b E P f T σ==（单位：J/S ） （7） 式中，Tb 为序列时间，此处等于1S 。 如果功率单位采用W/symbol ，则有： 2/s t s P P f σ==（单位：J/symbol ） 2.2另一种理解 而实际当中，抽样点是一个时间段，认为1/s s T f =时间内的幅值就等于此抽样时刻的幅值，则单位抽样时间内的噪声能量为： 22***t s s s E E T f T σσ=== （6） 则噪声功率（单位：J/symbol ）为：
《现代信号处理》 姓名：李建强 学号：201512172087 专业：电子科学与技术 作业内容：在MATLAB平台上对一个特定的平稳随机信号进行经典功率谱估计和现代功率谱估计的比较 一、前言 功率谱估计是信息学科中的研究热点,在过去的30多年里取得了飞速的发展。在许多工程应用中，它能给出被分析对象的能量随频率的分布情况。平滑周期图是一种计算简单的经典方法，它的主要特点是与任何模型参数无关，但估计出来的功率谱很难与信号的真是功率谱相匹配。与周期图方法不同，现代谱估计主要是针对经典谱估计(周期图和自相关法)的分辨率低和方差性能不好的问题而提出的。其使用参数化的模型，能够给出比周期图方法高得多的频率分辨率。其内容极其丰富，涉及的学科和领域也相当广泛，按是否有参数大致可分为参数模型估计和非参数模型估计，前者有AR模型、MA模型、ARMA模型、PRONY指数模型等;后者有最小方差方法、多分量的MUSIC方法等。 二、总体概述 本次实验分别使用经典的功率谱估计（如周期图法）与AR模型法对某一特定的平稳随机信号进行其功率谱估计，由图像得到信号的频率。利用MATLAB平台，直观形象地观察并比较二者估计效果的区别，以便于加深对功率谱估计的理解和掌握。 三、具体的实现步骤 1、经典法功率谱估计 周期图法又称直接法，它是从随机信号x(n)中截取N长的一段，把它视为能量有限的
真实功率谱的估计的一个抽样。 1.1、实现步骤 （1）、模拟系统输出参数x(n)=A*sin(2πf1*n)+B*sin(2πf2*n)，包括序列长度N（128或512或1024，加性高斯白噪声（AGWN）功率一定，设置A，B，f1，f2，n的值。 （2）、应用周期图法（不加窗）对信号的功率谱密度进行估计，使用直接法在MATLAB 平台上进行编程实现。 （3）、输出相应波形图，进行观察，记录。 1.2 MATLAB源代码实现 clear all; %清除工作空间所有之前的变量 close all; %关闭之前的所有的figure clc; %清除命令行之前所有的文字 n=1:1:128; %设定采样点n=1-128 f1=0.2; %设定f1频率的值0.2 f2=0.213; %设定f2频率的值0.213 A=1; %取定第一个正弦函数的振幅 B=1; %取定第一个正弦函数的振幅 a=0; %设定相位为0 x1=A*sin(2*pi*f1*n+a)+B*sin(2*pi*f2*n+a); %定义x1函数，不添加高斯白噪声x2=awgn(x1,3); %在x1基础上添加加性高斯白噪声，信噪比为3,定义x2函数temp=0; %定义临时值，并规定初始值为0 temp=fft(x2,128); %对x2做快速傅里叶变换 pw1=abs(temp).^2/128; %对temp做经典功率估计
功率谱密度估计方法的MATLAB实现 在应用数学和物理学中，谱密度、功率谱密度和能量谱密度是一个用于信号的通用概念，它表示每赫兹的功率、每赫兹的能量这样的物理量纲。在物理学中，信号通常是波的形式，例如电磁波、随机振动或者声波。当波的频谱密度乘以一个适当的系数后将得到每单位频率波携带的功率，这被称为信号的功率谱密度（power spectral density, PSD）或者谱功率分布（spectral power distribution, SPD）。功率谱密度的单位通常用每赫兹的瓦特数（W/Hz）表示，或者使用波长而不是频率，即每纳米的瓦特数（W/nm）来表示。信号的功率谱密度当且仅当信号是广义的平稳过程的时候才存在。如果信号不是平稳过程，那么自相关函数一定是两个变量的函数，这样就不存在功率谱密度，但是可以使用类似的技术估计时变谱密度。信号功率谱的概念和应用是电子工程的基础，尤其是在电子通信系统中，例如无线电和微波通信、雷达以及相关系统。因此学习如何进行功率谱密度估计十分重要，借助于Matlab工具可以实现各种谱估计方法的模拟仿真并输出结果。下面对周期图法、修正周期图法、最大熵法、Levinson递推法和Burg法的功率谱密度估计方法进行程序设计及仿真并给出仿真结果。 以下程序运行平台：Matlab R2015a（8.5.0.197613） 一、周期图法谱估计程序 1、源程序 Fs=100000; %采样频率100kHz N=1024; %数据长度N=1024 n=0:N-1; t=n/Fs; xn=sin(2000*2*pi*t); %正弦波,f=2000Hz Y=awgn(xn,10); %加入信噪比为10db的高斯白噪声 subplot(2,1,1); plot(n,Y) title('信号') xlabel('时间');ylabel('幅度');
实验报告 实验课程：数字信号处理实验开课时间：2020—2021 学年秋季学期 实验名称：随机信号功率谱分析实验时间： 2020年9月30日星期三 学院：物理与电子信息学院年级：大三班级：182 学号：1843202000234 姓名：武建璋 一、实验预习 实验目的要求深刻理解随机信号的特性，掌握随机信号功率谱估计的基本原理，灵活运用各种随机信号功率谱估计的基本方法。 实验 仪器 用具 装有Matlab的计算机一台 实验原理 功率谱估计是随机信号处理中的一个重要的研究和应用领域.功率谱估计基本上可以非参数估计的经典方法和参数估计的近代方法.典型功率谱估计是基于FFT 算法的非参数估计,对足够长的记录数据效果较好。 在工程实际中，经典功率谱估计法获得广泛应用的是修正期图发。该方法采取数据加窗处理再求平均的办法。通过求各段功率谱平均，最后得到功率谱计P（m），即： 式中：为窗口函数ω[k]的方差。K表示有重叠的分数段。 由于采用分段加窗求功率谱平均，有效地减少了方差和偏差，提高了估计质量，使修正周期图法在经典法中得到普遍应用。但在估计过程存在两个与实际不 符的假设，即 （1）利用有限的N个观察数据进行自相关估计，隐含着在已知N个数据之外的全部数据均为零的假设。 （2）假定数据是由N个观察数据以N为周期的周期性延拓。同时在计算过程中采用加窗处理，使得估计的方差和功率泄露较大，频率分辨率较低，不适用于短系列的谱分析和对微弱信号的检测。 近代谱估计是建立在随机信号参数模型的基础上，通过信号参数模型或预测误差滤波器（一步预测器）参数的估计，实现功率谱估计。由于既不需要加窗，又不需要对相关函数的估计进行如经典法那样的假设，从而减少公里泄露，提高了频谱分辨率。常用的参数模型有自回归（AR）模型、滑动平均（MA）模型、自回归滑动平均（ARMA）模型。其中AR模型是基本模型，求解AR模型的参数主要有L—D算法和Burg算法。