当前位置：文档之家 › ARMA谱估计与系统辨识 清华大学《现代信号处理》讲义-张贤达

ARMA谱估计与系统辨识 清华大学《现代信号处理》讲义-张贤达

  • 格式：ppt
  • 大小：491.50 KB
  • 文档页数：35

下载文档原格式

  / 35

合集下载

现代信号处理

现代信号处理

确定性信号－>随机信号； 平稳信号处理－>非平稳信号处理; 时域－>频域－>时频分析;


根据处理对象和应用背景的不同而选择相应 的处理方法
8
课程主要内容
时域离散随机信号的分析 维纳滤波和卡尔曼滤波 自适应数字滤波器 功率谱估计 时频分析

9
第一章 时域离散随机信号的分析
1.1 1.2 1.3 1.4 1.5 1.6
均方值（二阶原点矩 ）：
方差（二阶中心矩 ）： 协方差：
D E[ X ]
2 2 2


x f ( x)dx

2
2 E[ X ]

x f ( x)dx
2
cov[ X , Y ] E[( X X )(Y Y )* ] E[ XY * ] E[ X ]E[Y ]*
Cxx ( X m , X n ) Rxx (m, n)
这种情况下， 自相关函数和自协方差函数没有什么区别。
23
互相关函数定义为
Rxy (m, n) E[ X Y ]
* m n



* xm yn f X m ,Yn ( xm , m, yn , n)dxmdyn
互协方差函数定义为
4
课程讨论的主要问题－1


对信号特性的分析
研究对象：确定性信号－>随机信号； 研究目的：提取信号中的有用信息； 主要内容：
随机信号的统计特性； 随机信号的参数建模； 功率谱估计（经典谱估计和现代谱估计）； 时频分析（短时傅立叶变换、维格纳变换、小波变换）

5

ARMA谱估计与系统辨识 清华大学《现代信号处理》讲义-张贤达

ARMA谱估计与系统辨识 清华大学《现代信号处理》讲义-张贤达


Ax b
b
A
1 x
0
-b A+-e Ez = 0 或 B + Dz = 0
扰动矩阵
总体最小二乘TLS: Total Least Squares
思想：寻求一个解z，使得
m
n1
1/ 2
2
dij min
i1 j1

定义代价函数
Σ

diag(
2 11
,
2 22
,
,
2 nn
)
主奇异值：p个大的奇异值（p个信号分量的能量） 次奇异值：其它小奇异值（扰动或误差的能量）
信号与噪声的分离：
准则一：归一化比值
v(k)


2 11


2 11



2 kk
1/
2


2 nn
1/
2
1
若阈值=0.995，v(k)>阈值的最小整数k定为矩阵A的“有效秩”。
其中：A(z) 1 a1z1 apz p B(z) 1 b1z1 bq zq
ARMA模型描述的线性时不变（LTI）系统
e(n) hi x(n)
传递函数：
H (z)

B(z) A( z )


hi z i
i

x(n) e(k )hnk e(n) hn k
bq1bq

c1


2b0bq

cq

非线性方程，MA参数辨识 （Newton－Raphson迭代）
协方差函数的Fourier变换
Px (z)
5.7 因果ARMA模型辨识 高斯有色噪声中的谐波恢复 清华大学《现代信号处理》讲义 -张贤达

5.7 因果ARMA模型辨识 高斯有色噪声中的谐波恢复 清华大学《现代信号处理》讲义 -张贤达


∞
k 2
( j ) h ( j + n ) ∑ a (i ) h ( j + m i )
i =0
p
b( j + m )
∵ ∑ a (i ) x ( n i ) = ∑ b ( j ) e ( n j )
i=0 j =0
q
h
δ
修正Yule-Walker方程： 方程： 修正 方程
∑ a (i ) c
Φ 4 = Φ1 + Φ 2 + Φ 3
四阶累积量定义
c4 x (τ 1 ,τ 2 ,τ 3 ) = cum x * ( n ), x ( n + τ 1 ), x ( n + τ 2 ), x ( n + τ 3 ) = α (1)α (2)α (3)α * (4) e j (ω1τ1 +ω 2τ 2 +ω 3τ 3 ) +
τ1 = τ 2 = τ 3 = τ
c4 x (τ ,τ ,τ ) = ∑ α (i ) e jωiτ = c4 x (τ )
4
i =1 p
虚拟谐波： 虚拟谐波：
x ( n ) = ∑ α (i ) e j (ω i n +Φ i )
2 i =1
p
Rx (τ ) = ∑ α (i ) e jωiτ
f m +1 ( m, 0) ≠ 0
比检验 f ( m, 0) ≠ 0 更稳定
残差时间序列法： 残差时间序列法：
已辨识出， 假设 a (i ), i = 1, , p已辨识出，并滤波 y ( n ) = x ( n ) + v ( n )
y ( n ) = ∑ a (i ) y ( n i )
《现代信号处理》教学大纲

《现代信号处理》教学大纲

《现代信号处理》教学大纲适用专业：信息与通信工程、物联课程性质：学位课网工程、电子与通信学时数：32 学分数： 2课程号：M081001 开课学期：秋季第(1)学期大纲执笔人：何继爱大纲审核人：陈海燕一、课程的地位和教学目标现代信号处理作为信息类专业研究生的一门专业基础课，是在传统数字信号处理基础上，基于概率统计的思想，用数理统计、优化估计、线性代数和矩阵计算等工具，研究有限数据量的随机信号的分析与处理，且系统可能是时变、非线性的，它是近代才发展起来的前沿学科。

主要讨论基于信号模型分析和滤波的基本理论和基本方法；以现代谱估计和自适应滤波为核心内容，并介绍现代信号处理的新技术。

该课程为众多信号处理的应用领域打下基础，包括通信、声学、图像、雷达、声纳、生物医学等领域的信号处理。

本课程的知识目标是使学生牢固掌握现代信号处理一些最基本的理论、方法和应用，并能跟踪和学习新的理论、方法和技术；内容涉及随机信号统计分析、现代谱估计、自适应滤波器、时频分析与二次型时频分布、信号多速率变换、盲信分离和阵列信号处理方法等；建立现代信号处理的知识体系，对课程内容总体把握；具有一定的实验和模拟仿真的基本知识。

了解现代信号处理重要新技术的发展趋势，为从事信息与通信工程及相关电子系统的工程设计打下坚实的基础。

本课程的能力目标是通过课程的学习提高学生的分析计算方法、演绎推理方法和归纳法等基本数学处理方法；运用数学、物理及工程概念及方法发现问题、分析问题和解决问题的能力，以及理论与实际相结合的能力；能够触类旁通，提高学生的科学学习方法；掌握通信学科的信号分析与处理基本理论和技能，思路开阔，具有运用所学知识的能力、搜集和提炼信息的能力、团队合作能力、表达能力和创新能力等。

本课程的专业素质目标通过本课程的课堂学习、单元知识及章节总结、习题及专题研讨培养学生培养良好严谨的科学研究态度和正确的思维方法，使学生敢于提出问题、善于分析问题和解决问题的能力及具有团队合作精神。

清华大学《现代信号处理》课件

清华大学《现代信号处理》课件

现代信号处理（离散随机信号处理）电子工程系本课程要讨论的主要问题：（1）对信号特性的了解随机信号（随机过程，时间序列––随机过程的一个实现）信号模型→参数估计→现代谱估计：参数化谱估计讨论信号模型及模型参数的估计问题，比较参数谱估计方法和周期图方法的优劣。

（2）对统计意义下最优滤波器设计的研究平稳条件下：Wiener滤波器理论非平稳条件下：Kalman滤波理论上的目标，实际算法可达到的最佳结果（3）对环境的自适应，具备“学习能力”的滤波算法自适应均衡、波束形成、线性自适应滤波器（4）更多信息的利用，挖掘（针对非高斯问题）线性系统、功率谱：二阶矩，高斯过程的完全刻划非线性、多谱：高阶量，循环平稳（5）对时间（空间）–––频率关系的适应性：全局特性与局域特性，小波变换，时频分析信号处理算法设计面向的几个主要因素n信噪比n先验知识n雷达n通信系统n电子对抗n对先验知识的利用：统计基础上的假设、学习过程n算法复杂性与性能要求的匹配性一些进展中的课题盲自适应信号处理序列贝叶斯估计、粒子滤波阵列信号处理等等与信号处理紧密关联的学科人工神经网络统计学习理论模式识别等等教材n张旭东，陆明泉：离散随机信号处理，2005年10月，清华大学出版社主要参考书①S. Haykin, Adaptive Filter theory, Third Edition, Prentice-Hall, 1996，//Fouth Edition 2001 (电子工业出版社均有影印本)①S.M. Kay, Modern Spectral Estimation: Theory & Application,Prentice-Hall, 1988①S.M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, Prentice Hall PTR, 1993.①S. Mallat, A Wavelet Tour of Signal Processing, Academic press, 1998，Second Edition 1999①扬福生, 小波变换的工程分析与应用, 科学出版社, 2000.① D. G. Manolakis, et,al. Statistical and Adaptive Signal Processing, Mcgraw-Hall, 2000.①J. G. Proakis, et al. Algorithms for Statistical Signal Processing, Prentice hall, 2002①张贤达现代信号处理第2版清华大学出版社课程成绩n平时作业10％n2个Matlab作业40％（布置后2周内提交）n期末开卷考试50％1.1随机信号基础被噪声干扰的初相位是随机值的正弦波信号本质上均是随机的，但将信号作为随机信号处理，还是做为确定信号处理，与我们的应用目标和我们的先验知识有关，一般地，我们总是选择对应用有利的处理方式。

现代信号分析与处理技术_第1讲_参数估计方法

现代信号分析与处理技术_第1讲_参数估计方法


一、估计子的偏差和无偏估计
ˆ ˆ 1、θ 是θ 的无偏估计子：θ 满足
ˆ E (θ ) = θ ˆ ˆ ˆ 否则θ 是有偏估计子,估计的偏差为： b(θ ) = E (θ ) − θ
ˆ ˆ 2、θ 是θ 的渐近无偏估计子:若对所有θ , N → ∞ 时, b(θ ) → 0 .
1 N −1 ˆ 例 1、样本均值估计的无偏性： m x = ∑ xn N n =0 1 N −1 1 N −1 ˆ E [ m x ] == ∑ E[ xn ] = ∑ m x = m x 无偏估计 N n =0 N n =0
2
一般将式子右边的分母记着 I (θ ) ，称为 Fisher 信息量：
⎡ ∂ ⎤ I (θ ) = E ⎢ ln f ( x;θ ) ⎥ ⎣ ∂θ ⎦
2
Cramer-Rao不等式(对矢量参数的情况):(介绍)
若估计的参数是矢量 θ , 并将似然函数的对数表示为 L=lnf(x;θ), 则构造Fisher信息矩阵(p×p):
p列
⎡ r (0) r (1) ˆ = ⎢ r (1) r (0) Rx ⎢ ⎢ r (2) ( p) r (2) ( p − 1) x ⎣x
r ( p) ⎤ r ( p − 1) ⎥ = 1 XX T ⎥ N ⎥ (2) rx (0) ⎦
对r(1)(l)构造的自相关阵,没有上式的分解,所以不能保证半正定性.
例 2、样本方差估计的无偏性：
1 N −1 2 ˆ x = ∑ ( xn − m x ) 2 1) 均值 m x 已知时： σ N n=0 1 N −1 1 N −1 2 2 2 2 ˆ E [σ x ] = ∑ E [( xn − m x ) ] = ∑ σ x = σ x 无偏 N n=0 N n=0 1 N −1 2 2 ˆ ˆ ˆ 2) 均值取估计 m x 时： σ x = ∑ ( xn − m x ) N n =0 ˆ 记 m x = x 。由于各样本 xi 是独立同分布的,故有：
MUSIC方法_清华大学《现代信号处理》讲义_-张贤达

MUSIC方法_清华大学《现代信号处理》讲义_-张贤达


改进方法1: (求根MUSIC方法)
基本思想：Pisarenko谐波分解 (不需一维搜索)
a H ( )G 0
j
或
j ( m 1)
G H a( ) 0

T
a( ) 1, e , , e
z e j
p( z ) 1, z, , z
m 1 T

波束形成器：
w opt
1 H R xx a (d ) 1 H a(d )R xx a (d )
5. 改进的MUSIC方法
改进方法1：
ˆ ( ) a H ( )Ua P( ) H a ( )GG H a( )
p
ˆ 2 U
i 1
2 i
i
H s s 2 k k
观测空间 = 信号子空间 + 噪声子空间
特征值分解后，与大特征值对 应 与小特征值对 应
子空间的几何意义：
U S, G
H H H S S S S G H U U H S, G H I H G S G G G
S S I p , GH G Im p , G H S 0 S H G 0
Vandermonde矩 阵
j p e j ( m 1) p e 1
方向矩阵
满列秩 1 2 p
1 j1 e j ( m 1)1 e
1 e j2 e j ( m 1)2
2
加性噪声

2

1 lim N N
2

n 1
N
z (n) w H E x(n)x H (n) w
2
现代信号处理课件

现代信号处理课件

当两种假设为等可能时，即P(H0)=P(H1)
P( H 0 ) H1 Lnl ( z ) Ln Ln ........( 1 28 ) H0 P( H1 )
则有 η＝1，Lnη＝0
21:20 24
§1-3最大后验概率准则 Maximum Posteriori Probability
称为最大后验概率准则，常简称为MAP准则。
即 p(z |H0) < p(z |H1)----(1-30) 时 判决为H1，否则判决为H0。 P(z | Hi), i=0, 1 为在给定观测值为z的条件下，Hi为真的概率， 此值为后验概率。
最大后验概率准则与最小总错误概率准则是等价的
21:20
26
例1: 设一个二元通信系统发送1V,0V的信号，受到2 为1/12w加性高斯噪声的干扰。系统发送1V 0V信号的 概率分别是0.6和0.4，代价分别为C00= -2, C01=8, C10= 6,
假设――所要检验的对象的可能情况或状态
检验――检测系统所做的判决过程
21:20 13
检测分类
二元检测：只有两种可能的假设
多元检测：有多个可能的假设 复合假设：信号是一随机过程的实现，其均 值或方差可处于某个数值范围内
序列检测：按取样观测值出现的次序进行处 理和判决
21:20 14
二元假设检验可能的情况
H0假设为真，判决H0（正确）；代价－C00 H1假设为真，判决H0（漏警）；代价－C01
H0假设为真，判决H1（虚警）；代价－C10 H1假设为真，判决H1（正确）；代价－C11
21:20 15
贝叶斯准则(Bayes)
代价、风险最小
源有两个输出，两个输出发生的概率已知，即先验概率已知P(H0), P(H1)分 别为假设H0和H1发生的概率。
最大熵谱估计 清华大学《现代信号处理》讲义 -张贤达

最大熵谱估计 清华大学《现代信号处理》讲义 -张贤达


P (ω ) =
1
k = p
∑
p
λk e
jω k
= λ k
∑
p
k e jω k
与AR功率谱等价 AR功率谱等价
Fejer-Riesz定理： 定理： 定理
W ( z) =
k = p
∑
p
k z k W (ω ) = →
z =e jω
k = p
∑
2
p
k e jω k
p
若 W (ω ) ≥ 0 ，则一定可以找到一个 A( z ) = ∑ a (i ) z i 满足
1 J (ω ) = 2π
1 ∫π log P (ω )dω + k∑p λk R ( k ) 2π =
π
p q
∫
π
－π
P (ω )e jω k d ω
1 + ∑ k C ( k ) 2π k = q
log P (ω )e jω k d ω ∫－π
π
P (ω ) =
k = q p
π
倒谱(cepstrum) ln P (ω )
∫ π log P (ω )dω
1 π 相关函数匹配： ∫ P (ω )e jω k d ω = R ( k ), k = 0, ±1,L , ± p 2π π 条件 倒谱匹配：1 π log P (ω )e jω k d ω = C ( k ), k = 0, ±1, L , ± p 2π ∫π
i=0
W ( z ) = A( z ) =
2
∑ a (i ) z
i =0
p
i
而且若 A( z ) = 0 的根全部在单位园内，则A(z)是唯一确定 的。故有
[现代信号处理（第二版）].张贤达.扫描版（2）

[现代信号处理（第二版）].张贤达.扫描版（2）

信号的频谱分析式研究信号特性的重要手段之一，对于确定信号，可以用Fourier变换来考察信号的频谱特性，而对于广义平稳随机信号而言，相应的方法是求其功率谱。

功率谱反映了随机信号功率能量的分布特征，可以揭示信号中隐含的周期性以及靠的很近的谱峰等有用信息，有很广泛的应用。

在雷达信号处理中，回波信号的功率提供了运动目标的位置、强度和速度等信息（即功率谱的峰值与宽度、高度、和位置的关系）；在无源声纳信号处理中，功率谱密度的位置给出了鱼雷的方向（方位角）信息；在生物医学工程中，功率谱的峰和波形，表示了一些特殊疾病的发作周期；在语音处理中，谱分析用来探测语音语调共振；在电子战中，还利用功率谱来对目标进行分类。

功率谱密度函数反映了随机信号各频率成份的功率分布情况，是随机信号处理中应用很广泛的技术。

实际应用中的平稳信号通常是有限长的，因此，只能从有限的信号中去估计信号的真实功率谱，这就是功率谱估计问题。

寻找可靠与质量优良的估计谱是这次研究的主要内容。

功率谱估计可分为非参数化方法（低分辨率分析），参数化方法（高分辨率分析），广义的功率谱分析（空间谱分析），也可以把非参数化方法称为经典谱估计，参数化方法称为现代谱估计（包括空间谱估计）这次论文从不同角度介绍了现代谱估计的一些主要算法，包括参数模型法、Pisarenko 谐波分解法、最大熵估计、多重信号分类（MUSIC）、旋转不变技术(ESPRIT)等。

参数模型法将以ARMA模型为主，以及其谱估计所需的AR、MA的参数和阶数；最大熵估计也就是Burg最大熵谱估计,它在不同约束条件下，分别与AR谱估计、ARMA谱估计等价；MUSIC 方法是一种估计信号空间参数的现代谱估计方法；ESPRIT方法是一种估计信号空间参数的旋转不变技术，其基本思想是将谐波频率的估计转变为矩阵束的广义特征值分解。

最后，这次论文还会分析它们各自的优缺点及应用场合。

并利用计算机语言对各种现代谱估计算法的进行仿真实现，并比较它们的性能。

现代信号与信息处理理论

现代信号与信息处理理论


f(A|z)
f(z| A)f(A)

f(z| A)f(A)dA
(2 12)N/2exp21 2iN 1(ziA)2 2 12 Aexp2 12 AAA2 (2 12)N/2exp21 2iN 1(ziA)2 21 2 Aexp2 12 AAA2dA
lnf(z|)m ax
lnf(z|) <--对数似然函数
f (z|)

0 ˆml
lnf(z|)
ˆml
0
最大似然方程
29
2019/11/17
估计理论
举例：高斯白噪声中的DC电平估计
ziA vi i1 ,...,N A~N(A,2A)
vi 是独立同分布的高斯随机变量，均值为零，方差为 v2


N 2

1 2A

A|z
N2
z
A 2A
2A|z
f(A|z)
1 22 A|z
exp2 12 A|z(AA|z)2
Aˆms A|z N2 z 2A A Aˆmap A|z Aˆms
2A|z



f(|z)d ˆ0
ˆm s f(|z)dE(|z)
最小均方估计是被 估计量的条件均值
22
2019/11/17
估计理论
2 条件中位数估计
——采用绝对值代价函数
C(|z)| ˆ(z)| f(|z)d
ˆ(z)( ˆ(z))f(|z)d ( ˆ(z))f(|z)d
方差尽可能小
无偏性和有效性 M se( ˆ(z))E { [ ˆ(z)]2} 均方误差尽可能小
一致性：随着观测数据增加，估计依概率收敛于真值

课程名称：现代信号处理-------高阶统计量及其谱分析(精)

课程名称:现代信号处理 -------高阶统计量及其谱分析课程编号:0211007(博士生 0221024(硕士生学分:3 学时:46授课对象:博士 /硕士研究生任课教师:姬红兵教授联系电话:88204144 地点 :办公楼 424室Email:教材:1. Higher-Order Spectral Analysis, C. L. Nikias and A. P. Petropulu, Prentice Hall, 1993.参考资料:1、“高阶统计量及其谱分析” ,张贤达,清华大学出版社。

2、“现代信号处理” ,张贤达,清华大学出版社。

3、期刊:IEEE Transactions on Signal Processing, Proceedings of IEEE, IEEE Signal Processing Magazine等。

6、 HOS 主页:.先修课程:信号与系统,随机信号分析(处理 ,数字信号处理。

课程介绍:本课程主要介绍现代信号处理中的“高阶统计量及其谱分析”和“时频分析” 等内容。

重点介绍随机信号和确定性信号的矩和累积量以及高阶谱的定义和基本性质; 高阶累积量和高阶谱的估计方法, 包括常规非参数估计法和基于 AR 、MA 和 ARMA 模型的参数估计法。

并介绍高阶累积量及其谱在信号检测、系统辩识、非线性检测等方面的应用。

课程目的:通过本课程的学习,使学生对高阶统计量及其谱的性质和估计算法, 估计性能、计算复杂性, 以及这些算法在信号处理和相关研究领域的应用奠定一个坚实的基础。

考核方式及要求:1、考核方式:笔试(硕士生+综述或研究报告2、提交内容:文献专题综述(或翻译报告或研究报告 1篇。

要求打印稿和电子版文件一同提交。

电子版文件命名格式:“现代信号处理 07(博 /硕 -姓名”发至hbji@。

3、提交期限:于 2007年 6月 30日前;更新日期:2007年 3月 1日课程内容第一部分基本定义与性质一 . 绪论1.1 功率谱1.2 信号处理中为什么用多谱?1.3 应用二 . 随机信号的累积量谱2.1 引言2.2 矩和累计量2.3 累积量谱2.4 非高斯线性过程的累计量谱2.5 非线性过程检测与辨识三 . 确知信号的矩谱3.1 引言3.2 能量信号的矩3.3 周期能量信号的矩谱3.4 功率信号的矩3.5 周期功率信号的矩谱第二部分高阶谱估计与信号恢复四 . 高阶谱估计的常规方法 (非参数4.1 引言4.2 间接法4.3 直接法4.4 复调制法4.5 常规法的统计特性4.6 双谱混叠的测试4.7 在极坐标栅格上的双谱计算五 . 高阶谱估计的参数化方法5.1 引言5.2 MA方法5.3 非因果 AR 方法5.4 ARMA方法5.5 模型定阶5.6应用六 . 利用高阶谱恢复信号的非参数方法6.1 从高阶谱估计幅度和相位6.2 相位恢复算法6.3仅利用双谱相位重构信号第三部分应用专题七 . 瞬态信号分析10.1瞬态信号的参数估计10.2瞬态信号检测十一 . 时间序列中非线性的检测与表征11.1一般 V olterra 系统11.2 二次相位耦合11.3 三次相位耦合十二 . 基于高阶谱的时频分布12.1 Wigner 多谱12.2 Wigner高阶谱的应用Course Outline: PART I: BASIC DEFINITIONS AND PROPERTIES•Introductiono Power Spectrumo Why polyspectra in signal processing?o Applications•Cumulant Spectra of Stochastic Signalso Moments and cumulantso Cumulant spectrao Cumulant spectra of non-Gaussian linear processes o Detecting and identifying nonlinear processes •Moment Spe ctra of Deterministic Signalso Moments of energy signalso Moments spectra of aperiodic energy signals o Moments of power signalso Moment spectra of periodic power signalsPART II: HIGHER-ORDER SPECTRA ESTIMATION AND SIGNAL RECONSTRUCTION•Conventional M ethods for the Estimation of Higher-Order Spectrao Indirect class of conventional methodso Direct class of conventional methodso Statistical properties of conventional methodso Bispectrum computation on polar rasters•Higher-Order Cepstra (Polycepstrao The complex cepstrumo The differential cepstrumo The power cepstrumo The bicepstrum and tricepstrumo The cepstrum of bicoherencyo Inverse filter reconstructiono The cross-bicepstrum•Nonparametric Methodso Magnitude and phase estimation from higher-order spectra o Phase recovery algorithmso Signal reconstruction from only the phase of the bispectrum •Parametric Methodso MA methodso Noncausal AR methodso ARMA methodso Model order determinationPART III: SPECIAL TOPICS•Analysis of transient sig nals•Nonlinearities in Time Serieso V olterra Systemso Quadratic filter identification techniqueso Methods for the detection of quadratic phase coupling •Time-Frequecy Distributions Based on Higher-Order Statistics。

盲信号分离(2) 清华大学《现代信号处理》讲义 -张贤达PPT课件


Wl (k 1) Wl (k) D [ f ( y(k L))vT (k L l)
y(k L)uT (k l)]
L
其中 u(k )
WT Lq
(k )
f
(
y(k
q))
q0
10
频域与时域相结合
频域方法与时域方法相比具有算法简单收敛速度快 等优点，但是其固有的位置和增益的不确定性问题解决 起来很困难；而时域的盲分离方法避免了这一点，但是 它算法复杂，收敛速度慢，只有在最优点附近才能快速 收敛。针对频域和时域方法的优缺点，Tsuyoki在[11]中 提出了一种多策略的盲信号分离方法，该方法是分两步： 第一步在频域里做盲分离；然后在时域里再进行分离。 下图是该方法的过程示意图。
[7] Amari S. Natural gradient learning for over- and under-complete bases in ICA. Neural Computation, 1999, 11(8): 1875-1883
[8] H. Saruwatari, T. Kawamura,etc., "Evaluation of fast-convergence algorithm for blind source separation of real convolutive mixture," Signal Processing, 2002 6th International Conference on, vol. 1, pp.346--349, Aug. 2002.
[15] 朱孝龙，张贤达，冶继民，基于自然梯度的递归 最小二乘盲信号分离分阶段学习的盲信号分离，中国科 学E辑，2003，33 (8)：741—748

ESPRIT方法清华大学《现代信号处理》讲义-张贤达

3.6 ESPRIT方法
Estimating Signal Parameters via Rational Invariant Technique
1. 基本ESPRIT方法
x(n) As(n) w(n) y(n) x(n 1) AΦs(n) w(n 1)
1
A
e
j1
e j(m1)1
1
e j p
J1
Im1,0
和
J2
0,Im1 ，则
XX12
J1X J2X
X
X1 最后一行
第一行
X2
AS
W
Vandermonde 矩阵
A
A1 最后一行
第一行
ቤተ መጻሕፍቲ ባይዱ
A2
旋转矩阵
A2 A1Φ
不考虑噪声时
XX12
A1S A2S
A1ΦS
R xx
APAH
2I
Us
,
U
n
Σs 0
0
2I
UsH
U
准则函数：
max
R
max
UT SbU UT SwU
max Q uTi Sbui i1 uTi Swui
ui是矩阵对(Sb ,Sw )的第i个最大广义特征值对应的广 义特征向量。令i 1, , c 1,则矩阵Uc1=[u1, , uc1] 的列构成c类信号的最优类鉴别子空间。
yi,k UTc1si,k描述样本特征向量si,k在最优类鉴别子空间 的投影。若不同类型的特征向量投影分别用 ，， 等符号 画出，则投影图直观地给出了不同特征的类鉴别性能。
满秩 广义特征值是广义特征多项式 | A B | 0 的根
Cxx ,Cxy APAH , APΦH AH Cxx Cxy APAH APΦH AH AP I ΦH AH

Pisarenko谐波分解 清华大学《现代信号处理》讲义 -张贤达

sin ( 2π fn + θ ) + sin ( 2π f ( n 2) + θ ) = 2 cos ( 2π f ) sin ( 2π f ( n 1) + θ ) x ( n ) 2 cos ( 2π f ) x ( n 1) + x ( n 2) = 0
Z变换
X ( z ) 2 cos ( 2π f ) z 1 X ( z ) + z 2 X ( z ) = 0
T
两边同乘y， 两边同乘 ，取数学期望
E {yy T } a = E {( x + v ) v T } a
白噪声
R y a = σ 2 Ia R y a = σ 2a
特征方程的系数向量(特征向量 特征方程的系数向量 特征向量) 特征向量 特征值分解 R y = UΣU T
谐波恢复的ARMA建模法： 建模法： 谐波恢复的 建模法
∑ a x(n i) = 0
i =0 i
2p E x ( n + m ) ∑ ai x ( n i ) = 0 i =0
2p
∑ a R ( m i ) = 0,
i =0 i x
2p
m
y (n) = x(n) + v(n)
2p 2p
R y ( k ) = Rx ( k ) + σ 2δ ( k )
(1 2 cos ( 2π f ) z
特征方程
1
+ z 2 ) X ( z ) = 0
不为零
∴ 1 2 cos ( 2π f ) z 1 + z 2 = 0
其根 z = cos ( 2π f ) ± j sin ( 2π f ) = e ± j 2π f

MUSIC方法-清华大学《现代信号处理》讲义--张贤达


相关函数矩阵 Rxx

1 N
N
x(i)xT (i)
i 1
2. 由Rxx的EVD，得到 G [u p1, , um ]
3. 求多项式 z p m1 T (z1)GGH p(z) 0 的根 zi e ， ji 具有最大幅值的 p 个根给出DOA估计，即
m =arccos

1 N z(n) 2
N n1
min
m
z(n) wH x(n) w, x(n) wi*xi (n) i 1
1
N
N n1
z(n) 2

1 N
N n1
wH x(n) 2

wH

1 N
N
x(n)xH
(n)

w
n1

则
min
1 N
N n1
z(n) 2
min wH Rˆ xxw
故 pH (z)GGHp(z) 0 是z和 z1的多项式， 不方便求根
两边同乘 zm1后，
pH (z)GGHp(z) 0
zm1pT (z1)GG H p(z) 0
其根 zi e ji 给出DOA估计 i
求根MUSIC方法
1. 由m 1观测数据向量x(1), x(2), , x(N)估计样本
1 2 p
1



e j1

e j(m1)1
1 e j2
e j (m1)2
1
e j p


e j(m1) p
p
信号模型 xk (n) ak (i )si (n) ek (n), k 1, , m i 1

现代信号处理的理论和方法》Chapter1PPT课件

这样，表示v0(n)， v1(n)所需bit数是20fs/2= 10fs。比原来的 16fs，bit数下降了近40%。
信号的多分辨率分析
对频带的不均匀剖分产生了不同的时间、频率分辨 率，对快变信号需要好的时间分辨率，对慢变信号 需要好的频率分辨率。
d1(n)
H1(z)
↓2
x(n)
d2(n)
a1(n)
现代信号处理的理论与方法
预修课程
概率论与数理统计 信号与系统 数字信号处理 随机过程
课程特点及主要内容
以平稳随机信号处理技术为基础，主要讲授 现代数字信号处理的新理论和新技术。
非平稳随机信号的处理方法； 非高斯信号处理方法； 多抽样率信号处理技术； 盲信号处理技术
成绩评定
课堂作业 40% 闭卷考试 60%
盲源分离、盲均衡、盲系统辨识
第一章 信号分析基础
1.1 随机信号的统计描述 1.2 信号的时间和频率 1.3 信号的时间分辨率和频率分辨率 1.4 信号的时宽和带宽 1.5 信号的分解
1.1.1 信号的分类
信号的分类：
➢ 确定性信号 ➢ 随机信号：
✓ 平稳随机信号 ✓ 非平稳随机信号
1.1.2 随机信号的统计描述
➢均值、均方值和方差：
mx(n)E[X(n)] x(n)pXn(x,n)dx
Dx2(n)E[ X(n)2]
1、高阶统计和高阶谱方法
功率谱只揭示了该随机序列的幅度信息，而 没有反映出其相位信息。要准确描述随机信 号，仅使用二阶统计量是不够的，还要使用 高阶统计量。
2、 时频分析技术
有效地克服了傅里叶变换存在的不足
FT
X(j )x(t),ej t
X (t, ) x(t),t,
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
零点部分
极点部分
极点的作用：决定系统的稳定性和因果性
A( z ) 0 即极点不在单位圆上
因果性：称x(n)是e(n)的因果函数，若
⑴ hi
i

⑵x(n) hi e(n i )
i 0

即因果系统要求极点在单位圆以内，A(z)的根|z|<1
零点的作用：决定系统的可逆性，即
1 z 1 的无数多项 中含有 A( z )
无限冲激响应(IIR)系统
白噪声中的AR过程： x(n) s(n) v(n)
v(n) ~ WN(0, v2)
B( z )
2
Px ( ) Ps ( ) Pv ( )
2 v2 w 2 A( z) A( z 1 ) z e j A( z)
n 0
N 1
2
谱窗
功率谱曲线平滑, 但分辨率下降
Px ( ) Rx (k ) w(k )e jkT
要提高分辨率，使用参数化的谱估计！ 经典谱估计：使用FFT的谱估计 现代谱估计：参数化谱估计
3.1 ARMA谱估计与系统辨识

平稳ARMA过程
离散随机过程 {x(n)} 服从线性差分方程：

ARMA功率谱估计的两种线性方法
Cadzow谱估计子
B( z ) B( z 1 ) N ( z ) N ( z 1 ) Px ( z ) 1 A( z ) A( z ) A( z ) A( z 1 )
2
N ( z) A( z 1 ) N ( z 1 ) A( z) 2 B( z) B( z 1 )
A( z ) x(n) B( z )e(n)
则功率谱
e(n)～N (0, 2 )
Px ( ) 2
其中
B( z ) A( z )
2
z e jw
B( z ) B( z 1 ) 2 A( z ) A( z 1 )
z e jw
A( z 1 ) 1 a1 z a p z p A* ( z ) B( z 1 ) 1 b1 z bq z q B* ( z )
若A(z)和B(z)无可对消公共因子，且 a p 0 ，则AR参数 a1 ,, a p 可由p个修正Yule-Walker方程唯一确定或辨识。
a R (l i) R (l )，
i 1 i x x
p
l q 1,, q p
Rx (q 1) R (q 2) x Rx (q p )
x ( n)
i
h e( n i )
i

Rx (k ) E{x( n) x* ( n k )}
* E hi e( n j ) hi e ( n k i ) i 0 j 0
hi h j E e(n j )e* (n k i )
i 0 i j 0 j
p
q
ห้องสมุดไป่ตู้
n
a R (l i) a h h
2 i 0 i x i 0 i j 0 j

j l i

2
h b
j 0 j

j l
a R (l i) 0，
i 0 i x
p
l q
修正Yule-Walker方程(MYW方程)
定理(AR参数的可辨识性)：
A = UΣV H 其中U为m m酉矩阵，V为n n酉矩阵。
酉矩阵： -1 = UH U
2 2 2 Σ diag(11, 22 ,, nn )
主奇异值：p个大的奇异值（p个信号分量的能量）
次奇异值：其它小奇异值（扰动或误差的能量）
信号与噪声的分离： 准则一：归一化比值
1 v(k ) 2 2 1/ 2 11 nn
x(n) ai x(n i) e(n) b j e(n j )
i 1 j 1
AR参数
MA参数
a x(n i) b e(n j)
i 0 i j 0 j
p
q
e(n) ~ N (0, 2 ) 后向移位算子：z j x(n) x(n j )
第三章
现代谱估计
清华大学自动化系 张贤达 zxd-dau@ 电话：62794875
经典谱估计

样本 直接法
假设已零均值化， 2k N
x(0), x(1),, x( N -1)
周期函数
N 1 n 0 jnT
X N ( ) x(n)e

Px ( )
i 0 j 0


hi h j 2 (k i j )
i 0 j 0
BBR公式： Rx (k )
2
h h
i 0

i ik
BBR公式 Rx (k )
p p
2
h h
i 0

i ik
a h( n i ) b ( n j ) b
2 11 2 kk 1/ 2
若阈值=0.995，v(k)>阈值的最小整数k定为矩阵A的“有效秩”。
准则二：使用归一化奇异值 kk kk ，且 11 1 11 kk <某个很小的阈值(0.05)的最小整数k定为有效秩。

AR阶数确定的信息量准则法
N p q 1 ˆ2 FPE ( p, q) wp N p q 1
p
p
k 0,1,, q
Kaveh谱估计子： Px ( )
ck z k k q
q
1 i 1 ai z
p
i
2
z e jw

ARMA功率谱密度的特例
A( z ) x(n) B( z )e(n)

特例一：MA过程
A( z ) 1
i
x(n) B( z )e(n)
H 1 ( z )
是否存在。
1 A( z ) H ( z ) B( z )
可逆性：称e(n)是x(n)的可逆函数，若
(1)存在序列 i ，并满足
(2)
i

i 0

i

——可逆系统的稳定性 ——可逆性条件
e( n ) i x ( n i )

ARMA过程的功率谱密度
Rx ( q 1 p) 1 0 Rx ( q 1) Rx ( q 2 p) a1 0 Rx (q p 1) Rx (q) a p 0 Rx (q)
又 其中
Px ( z )
k
Cx ( k ) z

k
(k ) z
k 0

k
(k ) z k
k 0

1 Cx (k ), (k ) 2 Cx (k ),
k 0 其他
则
i N ( z ) i 0 ni z (k ) z k A( z ) p ai z i k 0 p i 0
若构造：
Re
Rx (qe 1) R (q 2) x e Rx (qe M ) Rx (qe ) Rx (qe 1 pe ) Rx (qe 1) Rx (qe 2 pe ) Rx (qe M 1) Rx (qe M pe )
1 2 X N ( ) N
间接法
1 N 1 Rx (k ) x(n) x(n k ) N n 0
Px ( ) Rx (k )e jkT
n 0
N 1
周期图法
数据窗
有偏估计,平滑性差
加窗函数
1 Px ( ) N
N 1 k 0
x(n)c(n)e jnT


修正Yule-Walker方程
a x(n i) b e(n j)
i 0 p i j 0 q j
p
q
令e(n) (n) 令x(n) h(n)
n
a h( n i ) b ( n j ) b
i 0 i j 0 j
等价
高斯白噪 N (0, 2 )
x ( n)
k
e(k )h

nk
e(n) hn
满足ARMA模型的条件： (1)冲激响应系数必须绝对可求和： hk (系统稳定) (2)A(z)和B(z)无公共因子(p,q唯一)
k
(3)系统是物理可实现的(因果系统)
B( z ) H ( z) A( z )
p
ai z i ，比较系数得 两边同乘 i 0
nk ai (k i )
i 0
p
k 0,1,, p
ai 所以，Cadzow谱估计子的关键：估计AR阶数p和AR参数
Kaveh谱估计子
B( z ) B( z ) Px ( z ) 1 A( z ) A( z ) A( z ) A( z 1 )
i 1 p
线 谱 加性白噪声中的可预测过程： x(n) s(n) v(n)
x(n) ai x(n i) v(n) a j v(n j )
i 1 j 1
p
p
特殊的ARMA
所以：

白噪声中的AR过程 = ARMA过程 白噪声中的可预测过程 = 特殊的ARMA过程
B( z ) H ( z ) hi z 1 b1 z 1 bq z q A( z ) i