现代谱估计

谱估计在现代信号处理中是一个很重要的课题。

功率谱估计课分为经典谱估计方法和现代谱估计方法。

研究二阶平稳随机过程特征－功率谱密度－揭示随机过程中所隐含的周期及相邻的谱峰等有用信息。

则要用有限长的N 个样本数据去估计该平稳随机过程的功率谱密度－谱估计的方法。

此种估计是建立在时间平均的方法之上，并假定具有遍历性。

经典谱估计－线性、非参数化方法：周期图法，相关图法等。

采用经典的傅里叶变换及窗口截断。

对长序列有良好估计。

现代谱估计－非线性、参数化方法：最大似然估计，最大熵法，AR 模型法，预测滤波器法，ARMA 模型等。

对短序列的估计精度高，与经典法相互补充。

是融合经典变换理论、统计估计理论、系统辨识、信息论、时间序列分析及计算方法等理论与技术－新学科。

应用广泛，发展迅速。

1、谱密度意义 一、 能谱密度设x(t)是确定性的复连续信号，若其绝对可积或其能量有限，即：则x(t)的连续傅氏变换存在，由下式给出：错误！未找到引用源。

根据Parseval 能量定理，有：错误！未找到引用源。

由上式可见，信号能量E 等于信号频谱模值平方错误！未找到引用源。

在整个频域上的积分，故称错误！未找到引用源。

为信号的能谱密度。

当x(t)为广义平稳过程时，其能量通常是无限的，则需研究其功率的频域上的分布，即功率密度。

对于平稳随机过程，谱分析是采用自相关函数：错误！未找到引用源。

) 1 1 ( ) ( 2- - - ∞ < =⎰ ∞∞- dt t x E )2 1 ( ) 2 exp( ) ( ) ( - - - - =⎰ ∞∞- dt ft j t x f X π)3 1 ( ) ( ) ( 22- - - ==⎰ ⎰ ∞∞- ∞∞- df f X dt t x E )4 1 ( ) ( ) ( 2 - - = f X f ε [ ] )5 1 () ( * ) ( ) ( - - + = Γ τ τ τ x t x E xWiener-Kinchine 定理将自相关函数与功率谱密度联系起来：错误！未找到引用源。

AR 模型的功率谱估计BURG 算法的分析与仿真钱平（信号与信息处理 S101904010）一．引言现代谱估计法主要以随机过程的参数模型为基础，也可以称其为参数模型方法或简称模型方法。

现代谱估计技术的研究和应用主要起始于20世纪60年代，在分辨率的可靠性和滤波性能方面有较大进步。

目前，现代谱估计研究侧重于一维谱分析，其他如多维谱估计、多通道谱估计、高阶谱估计等的研究正在兴起，特别是双谱和三谱估计的研究受到重视，人们希望这些新方法能在提取信息、估计相位和描述非线性等方面获得更多的应用。

现代谱估计从方法上大致可分为参数模型谱估计和非参数模型谱估计两种。

基于参数建摸的功率谱估计是现代功率谱估计的重要内容，其目的就是为了改善功率谱估计的频率分辨率，它主要包括AR 模型、MA 模型、ARMA 模型，其中基于AR 模型的功率谱估计是现代功率谱估计中最常用的一种方法，这是因为AR 模型参数的精确估计可以通过解一组线性方程求得，而对于MA 和ARMA 模型功率谱估计来说，其参数的精确估计需要解一组高阶的非线性方程。

在利用AR 模型进行功率谱估计时，必须计算出AR 模型的参数和激励白噪声序列的方差。

这些参数的提取算法主要包括自相关法、Burg 算法、协方差法、 改进的协方差法，以及最大似然估计法。

本章主要针对采用AR 模型的两种方法：Levinson-Durbin 递推算法、Burg 递推算法。

实际中，数字信号的功率谱只能用所得的有限次记录的有限长数据来予以估计，这就产生了功率谱估计这一研究领域。

功率谱的估计大致可分为经典功率谱估计和现代功率谱估计，针对经典谱估计的分辨率低和方差性能不好等问题提出了现代谱估计，AR 模型谱估计就是现代谱估计常用的方法之一。

信号的频谱分析是研究信号特性的重要手段之一，通常是求其功率谱来进行频谱分析。

功率谱反映了随机信号各频率成份功率能量的分布情况，可以揭示信号中隐含的周期性及靠得很近的谱峰等有用信息，在许多领域都发挥了重要作用。

现代功率谱估计
现代功率谱估计是一种使用现代信号处理技术来计算信号功率谱的方法。

功率谱表示信号在频率域上的能量分布情况，描述了信号在不同频率上的能量或功率的分布。

在现代信号处理中，有几种方法可以用于功率谱估计：
周期图法（Periodogram Method）：这是最简单的功率谱估计方法之一。

通过对信号进行傅里叶变换，然后取幅度的平方得到功率谱估计。

但是在实际应用中，可能需要对信号进行分段并对每个段进行周期图法计算，最后取平均值来获得更准确的估计结果。

Welch方法：这是一种常用的功率谱估计方法，它通过将信号分成多个段并对每个段进行周期图法计算，最后对所有段的结果进行平均来减小估计的方差，提高估计的准确性。

改进的周期图法：包括Bartlett、Hanning、Hamming等窗口函数来改进周期图法，减小泄漏效应leakage effect，提高频谱估计的分辨率和准确性。

自回归AR模型：利用信号的自相关性建立AR模型，然后通过这个模型来计算功率谱。

这种方法在非平稳信号和具有明显谱峰或特定频率成分的信号表现上较好。

这些现代功率谱估计方法可以根据不同的信号特点和应用需求选择合适的方法，并在工程、信号处理和科学领域有着广泛的应用。

现代信号处理经典的功率谱估计《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figureclc; %清除命令行之前所有的文字n=1:1:128; %设定采样点n=1-128f1=0.2; %设定f1频率的值0.2f2=0.213; %设定f2频率的值0.213A=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0x1=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0temp=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k=0:length(temp)-1;w=2*pi*k/128;figure(1); %输出x1函数图像plot(w/pi/2,pw1) %输出功率谱函数pw1图像xlabel('信号频率/Hz');ylabel('PSD/傅立叶功率谱估计');title('正弦信号x(n)添加高斯白噪声后的,周期图法功率频谱分析');grid;%------------------------------------------------------------------------- pw2=temp.*conj(temp)/128; %对temp做向量的共轭乘积k=0:length(temp)-1;w=2*pi*k/128;figure(2);plot(w/pi/2,pw2); %输出功率谱函数pw2图像xlabel('信号频率/Hz');ylabel('PSD/傅立叶功率谱估计');title('正弦信号x（n）自相关法功率谱估计');grid;1.3 matlab仿真图形（1）、用直接法，功率谱图像,采样点N=128。

实验报告一、实验名称噪声中正弦信号的现代法频谱分析二、实验目的通过对噪声中正弦信号的现代法频谱分析，来理解和掌握现代谱估计的基本概念，以及学会应用现代谱估计以及改进后的方法。

三、基本原理1．参数模型法是现代谱估计的主要内容，思路如下：① 假定所研究的过程)(n x 是由一个输入序列)(n u 激励一个线性系统)(z H 的输出； ② 由已知的)(n x ，或其自相关函数)(m r x ； ③ 由)(z H 的参数来估计)(n x 的功率谱。

2．自回归模型，简称AR 模型，它是一个全极点的模型。

“自回归”的含义是：该模型现在的输出是现在的输入和过去p 个输出的加权和。

此模型可以表现为以下三式：① ∑=+--=pk k n u k n x a n x 1)()()(；② ∑=-+==pk kk z a z A z H 111)(1)(；③ 2121)(∑=-+=pk jwkk jwx e a e P σ。

3．AR 模型的正则方程建立了参数k a 和)(n x 的自相关函数的关系，公式如下：=)(m r x ∑=--pk x k k m r a 1)( 1≥m 时，=)(m r x 21)(σ+-∑=k r a pk x k 0=m 时。

4．Levinson-Durbin 算法：从低阶开始递推，直到阶次p ，给出了在每一个阶次时的所有参数。

公式如下：① 1111/])()()([--=-∑+--=m m k x x m m m r k m r k a k ρ；② )()()(11k m a k k a k a m m m m -+=--；③ ]1[21mm m k -=-ρρ。

5. 自相关法：使用线性预测的方法来计算不同阶数下的预测器系数，使用前向线性预测，预测误差为∑=-+=-=pk k f k n x a n x n x n x n e1)()()(ˆ)()(ˆ，预测均方误差为∑-+==1022}{1)]([p N n ffn eNn e E ，使前向预测误差功率相对AR 参数k a 最小，将反射系数代入Levinson-Durbin 算法即可求解。

基于Matlab的现代谱估计仿真【摘要】谱估计技术作为一种重要的信号分析手段广泛应用于各种技术领域，具有十分重要的工程应用价值。

文章在介绍Yule-Walker方程法等常用现代谱估计算法原理基础上基于Matlab仿真平台对估计算法进行了仿真和验证。

仿真结果表明，Yule-Walker方程法等谱估计算法可以实现对加噪信号频谱的正确估计。

【关键词】功率谱；估计；Matlab仿真1.引言现代谱估计以信号参数化模型为基础，分为参数化模型谱估计和非参数化模型谱估计，参数化模型谱估计法采用的模型包括AR模型、MA模型、ARMA模型和PRONY模型等；非参数化模型包括最小方差方法和多分量MUSIC等方法。

文章在对现代谱估计中Yule-Walker方程法等谱估计方法原理进行介绍的基础上，利用Matlab平台对其进行了仿真和验证。

2.Yule-Walker方程谱估计法若已知序列x（n）的N个值{x（n），x（n-1），x（n-2），….，x（n-N+1）}，为了用Yule-Walker程求得{a1，a2…….，ap}和，我们首先由{x（n）}估计序列（p+1）个自相关函数，利用下式计算出序列的功率谱。

（2-1）设仿真信号为频率为100Hz的点频信号，该点频信号附加一定功率的高斯白噪声信号，采用Yule-Walker方程谱估计算法估计出的信号频谱如图2.1所示。

图2.1 Yule-Walker 谱估计法仿真结果仿真结果表明，Yule-Walker算法可以正确地估计出信号频谱。

而且仿真结果也表明，采样点数越大，频谱分辨力越好。

3.Levensin-Durbin递推谱估计法用尤了沃克法方程法估计AR参数{a1，a2，…，ap}和，如果用高斯消去法解（p+1）个联立方程需要p3次运算。

因此，我们有必要寻找更简便的计算方法，Levensin-Durbin算法只需要p2次运算，而且可以递推地计算p阶以下所有的AR参数估计，即{a1，1，}…{ap，1，ap，2，…ap，p，}。

现代谱估计实验报告1 实验目的功率谱估计在实际工程中有重要应用价值。

如在语音信号识别、雷达杂波分析、波达方向估计、地震勘探信号处理、水声信号处理、系统辨识中非线性系统识别、物理光学中透镜干涉、流体力学的内波分析、太阳黑子活动周期研究等许多领域发挥了重要作用。

本次实验的目的主要是深入理解现代谱估计的基本理论，包括ARMA 模型、ARMA 谱估计。

掌握现代谱估计的基本方法，包括SVD-TLS 算法等。

利用ARMA 功率谱估计中Cadzow 谱估计子和Kaveh 谱估计子来进行谱估计。

2 实验原理2.1 背景若离散随机过程{x(n)}服从线性差分方程)()()()(11j n e n e i n x n x q j j p i i b a -+=-+∑∑==（1）式中e （n ）是一离散白噪声，则称{x(n)}为ARMA 过程，而式（1）所示的差分方程称为ARMA 模型。

系数a 1,a 2……a p ,和b 1,b 2……b q ,分别称为自回归参数和滑动平均参数，而p 和q 分别叫做AR 阶数和MA 阶数。

式（1）所示的ARMA 过程，其功率谱密度为)()()()()(22e e P jw jw z x B B e z A z B w jw δδ=== （2）ARMA 谱估计的目的是使用N 个已知的观测数据x(0)，x(1)…..x(N-1)计算出ARMA 过程{x(n)}的功率谱密度估计。

在实际中，可以运用cadzow 谱估计子和kaveh 谱估计子来估计，cadzow 谱估计子秩序确定AR 阶数p 和估计AR 参数，而kaveh 谱估计子也只需要确定AR 阶数p 和估计AR 参数以及MA 阶数。

2.2 相关算法AR阶数p的确定用奇异值分解（SVD）,AR参数的估计用总体最小二乘法(TLS),即应用（SVD—TLS）算法来完成ARMA谱估计。

SVD—TLS算法：步骤1 计算增广矩阵B的SVD，并储存奇异值和矩阵V;步骤2 确定增广矩阵B的有效秩p；步骤3 计算矩阵S;步骤4 求S的逆矩阵S--,并计算出未知参数的总体最小二乘估计。

现代谱估计方法
基于模型谱估计方法
现代谱估计方法以模型为基础，利用采样的数据建立模型，使谱估计的结果更能体现随机信号全局性的性质。

这种方法相较于经典的谱估计方法，更适用于采样点数比较少的情况。

在模型谱估计中，建立一个符合实际物理过程的模型是关键步骤。

通常使用的模型包括线性时不变（LTI）系统、周期性非平稳过程、自回归模型（AR模型）和滑动平均模型（MA模型）等。

这些模型的选择取决于信号的性质和所关注的问题。

一旦建立了模型，就需要使用采样数据进行参数估计。

常用的参数估计方法包括最小二乘法、最大似然估计法、最小绝对偏差法等。

这些方法可以根据不同的模型和问题选择使用。

最后，使用估计的参数进行谱估计。

对于LTI系统，可以使用Yule-Walker方程或Burg方法计算自相关函数的参数，然后使用这些参数计算功率谱密度。

对于非平稳过程，可以使用时变滤波器或适应性滤波器来估计谱。

现代谱估计方法相较于经典方法具有更高的精度和可靠性，尤其适用于采样点数较少的情况。

然而，它也需要更复杂的计算和更深入的专业知识。