第八章参数模型功率谱估计资料

功率谱估计引言：对信号和系统进行的分析研究、处理有两类方法：一类是在时域内进行，维纳滤波、卡尔曼滤波以及自适应滤波等都属于时域处理方法；另一类方法是频域研究方法。

对于确定性信号，傅里叶变换是在频率分析研究的理论基础，但是在实际生活中大多数信号是随机信号，而随机信号的傅里叶变换是不存在的，在实际应用中，通常通过采集和观测平稳随机过程的一个抽样序列的一段（有限个）数据，根据这有限个已知的数据来估计随机过程的功率谱问题来对随机信号进行分析，这即是频率谱估计。

功率谱估计是数字信号处理的主要内容之一，主要研究信号在频域中的各种特征，目的是根据有限数据在频域内通过用某种有效的方法来估计出其功率谱密度，从而得出信号、噪声及干扰的一些性质来，提取被淹没在噪声中的有用信号。

功率谱估计就是通过信号的相关性估计出接受到信号的功率随频率的变化关系，实际用途有滤波，信号识别（分析出信号的频率），信号分离，系统辨识等。

谱估计技术是现代信号处理的一个重要部分，还包括空间谱估计，高阶谱估计等。

按照Weiner —Khintchine 定理，随机信号的功率谱和其自相关函数服从傅里叶变换关系，可以得出功率谱的一个定义，如公式（1）所示：()jwm m xx jw xx e m re P -∞-∞=∑=)( 公式（1）对于平稳随机信号，服从各态历经性，集合平均可以用时间平均来代替，可以推出功率谱的另一定义。

如公式（2）所示：()])(121[2lim ∑-=-∞→+=N N n jwn N jw xx e n x N E e P 公式（2）频率谱估计主要分为经典谱估计和现代谱估计，经典谱估计是将数据工作区外的未知数据假设为零,相当于数据加窗,主要方法有相关法和周期图法;现代谱估计是通过观测数据估计参数模型再按照求参数模型输出功率的方法估计信号功率谱,主要是针对经典谱估计的分辨率低和方差性能不好等问题提出的,应用最广的是AR 参数模型。

参数法功率谱估计一、信号的产生（一）信号组成在本实验中，需要事先产生待估计的信号，为了使实验结果较为明显，我产生了由两个不同频率的正弦信号（频率差相对较大）和加性高斯白噪声组成的信号。

（二）程序N=1024;n=0:N-1;xn=2*cos(2*pi*0.2*n)+ cos(2*pi*0.213*n)+randn(1,1024);这样就产生了加有白噪声的两个正弦信号其波形如下0100200300400500600-8-6-4-2246810(a) 两个正弦信号与白噪声叠加的时域波形二、参数模型法功率谱估计（一）算法原理简介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 是由一个白噪声序列)(n 激励一个因果稳定的可逆线性系统)(z H 的输出；② 由已知的)(n x ，或其自相关函数)(m r x 估计)(z H 的参数；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 ∑=+--=p k k n u k n x a n x 1)()()(；② ∑=-+==p k kk z a z A z H 111)(1)(；③ 2121)(∑=-+=p k jwkk jw x 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 ∑=--p k x k k m r a 1)( 1≥m 时，=)(m r x 21)(σ+-∑=k r a pk x k 0=m 时。

（二）两种AR 模型阶次的算法1．Yule-Walker 算法(自相关法)（1）算法主要思想Yule-Walker 算法通过解Yule-Walker 方程获得AR 模型参数。

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。

功率谱估计方法综述：简介：随机信号的持续时间是无限长的，因此随机信号的总能量是无限的，因而随机过程的任意一个样本寒暑都不满足绝对可积条件，所以其傅里叶变换不存在。

尽管随机信号的总能量是无限的，但其平均功率却是有限的，因此，要对随机信号的频域进行分析，应从功率谱出发进行研究才有意义。

信号的功率谱密度描述随机信号的功率在频域随频率的分布。

功率谱估计(PSD)是用有限长的数据来估计信号的功率谱，即利用给定的N个样本数据估计一个平稳随机信号的功率谱密度。

背景：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。

功率谱估计方法主要分为2大类：非参数化方法（又称经典功率谱估计）和参数化方法（又称现代功率谱估计）。

非参数化方法有相关函数法(BT法)、周期图法、平均周期图法、平滑平均周期图法等；而参数化谱估计有R模型法、移动平均模型法(简称MA模型法)、自回归移动平均模型法(简称ARMA模型法)、最大熵谱分析法(AR模型法)、Pisarenko谐波分解法、Prony 提取极点法、Prony谱线分解法以及capon最大似然法等，由于涉及许多复杂数学计算，在此未作详细数学推导，以下介绍几种常用的功率谱估计方法一、非参数化方法（经典法）经典功率谱估计是将数据工作区外的未知数据假设为零，相当于数据加窗。

1、自相关法又称相关函数法(BT法)，根据维纳—辛钦定理：平稳随机过程的自相关函数和功率谱函数是一傅里叶变换对，对于平稳随机信号来说，其相关函数是确定性函数，故其功率谱也是确定的．这样可由平稳随机离散信号的有限个离散值，求出自相关函数，然后作Fourier变换，得到功率谱。

由于随机序列{X(n)}的自相关函数R(n)=E[X(n)X(n+m)]定义在离散点m上，设取样间隔为错误！未找到引用源。

功率谱估计模型法汇总1.短时傅里叶变换（STFT）短时傅里叶变换是一种常见的功率谱估计方法，它将信号分成若干小段，并分别对每一小段进行傅里叶变换。

通过将时域信号转换为频域信号，可以得到信号在不同频率上的能量分布。

然后，对每一小段的频谱进行平均，得到整个信号的频谱估计结果。

2.自相关法自相关法是一种通过计算信号与其自身的相关性来估计功率谱的方法。

自相关函数表示信号在不同时刻的相似程度，通过对自相关函数进行傅里叶变换，可以得到信号的功率谱估计结果。

自相关法适用于平稳信号的功率谱估计。

3.平均周期图法（APM）平均周期图法是一种通过信号的周期平均来估计功率谱的方法。

该方法将信号分成若干个周期，并对每个周期的波形进行傅里叶变换。

然后，对每个周期的频谱进行平均，得到整个信号的频谱估计结果。

平均周期图法适用于具有明显周期性的信号，如正弦信号或周期性脉冲信号。

4.基于模型的方法基于模型的方法是一种通过对信号进行建模来估计功率谱的方法。

常见的模型包括自回归模型（AR）和最大似然估计（MLE）模型。

通过拟合信号模型，可以得到模型参数，进而估计信号的功率谱。

基于模型的方法适用于非平稳信号的功率谱估计。

5.基于窗函数的方法基于窗函数的方法是一种通过对信号进行加窗来估计功率谱的方法。

常见的窗函数包括矩形窗、汉明窗和凯泽窗等。

通过对信号进行加窗，可以抑制信号的频谱泄漏效应，提高功率谱估计的精度。

除了以上列举的几种方法，还存在其他一些功率谱估计模型，如周期图法、周期图平均法、波尔兹曼机等。

每种方法都有其适用的场景和优缺点。

在实际应用中，根据信号特性和需求选择合适的功率谱估计模型非常重要。

总而言之，功率谱估计模型是信号处理领域中常用的方法，用于分析信号的频谱特征。

不同的模型适用于不同的信号特性，根据实际需求选择合适的估计方法可以提高功率谱估计的准确性和可靠性。

功率谱估计浅谈摘要：介绍了几种常用的经典功率谱估计与现代功率谱估计的方法原理，并利用Matlab对随机信号进行功率谱估计，对两种方法做出比较，分别给出其优缺点。

关键词：功率谱；功率谱估计；经典功率谱估计；现代功率谱估计前言功率谱估计是从频率分析随机信号的一种方法,一般分成两大类:一类是经典谱估计;另一类是现代谱估计。

由于经典谱估计中将数据工作区以外的未知数据假设为零，这相当于数据加窗，导致分辨率降低和谱估计不稳定。

现代谱估计则不再简单地将观察区外的未知数据假设为零，而是先将信号的观测数据估计模型参数，按照求模型输出功率的方法估计信号功率谱，回避了数据观测区以外的数据假设问题。

周期图、自相关法及其改进方法(Welch)为经典(非参数)谱估计方法, 其以相关和傅里叶变换为基础,对于长数据记录较适用,但无法根本解决频率分辨率低和谱估计稳定性的问题,特别是在数据记录很短的情况下,这一问题尤其突出。

以随机过程的参数模型为基础的现代参数法功率谱估计具有更高的频率分辨率和更好的适应性,可实现信号检测或信噪分离,对语音、声纳雷达、电磁波及地震波等信号处理具有重要意义,并广泛应用于通信、自动控制、地球物理等领域。

在现代参数法功率谱估计方法中,比较有效且实用的是AR模型法，Burg谱估计法,现代谱估计避免了计算相关,对短数据具有更强的适应性,从而弥补了经典谱估计法的不足,但其也有一些自身的缺陷。

下面就给出这两类谱估计的简单原理介绍与方法实现。

经典谱估计法经典法是基于传统的傅里叶变换。

本文主要介绍一种方法：周期图法。

周期图法由于对信号做功率谱估计，需要用计算机实现，如果是连续信号，则需要变换为离散信号。

下面讨论离散随机信号序列的功率谱问题。

连续时间随机信号的功率谱密度与自相关函数是一对傅里叶变换对，即：()()j x x S R e d +∞-Ω-∞Ω=⎰τττ若()x R m 是()x R Ω的抽样序列，由序列的傅里叶变化的关系，可得()()j j n x x m S e R m e ωω∞-=-∞=∑即()j x S e ω与()x R m 也是一对傅里叶变换对。