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100kHzN=1024; %数据长度N=1024n=0:N-1;t=n/Fs;xn=sin(2000*2*pi*t); %正弦波,f=2000HzY=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');grid on;window=boxcar(length(xn)); %矩形窗nfft=N/4; %采样点数[Pxx f]=periodogram(Y,window,nfft,Fs); %直接法subplot(2,1,2);plot(f,10*log10(Pxx));grid on;title(['周期图法谱估计,',int2str(N),'点']);xlabel('频率（Hz）');ylabel('功率谱密度');2、仿真结果二、修正周期图法（加窗）谱估计程序1、源程序Fs=100000; %采样频率100kHzN=512; %数据长度M=32; %汉明窗宽度n=0:N-1;t=n/Fs;xn=sin(2000*2*pi*t); %正弦波,f=2000HzY=awgn(xn,10); %加入信噪比为10db的高斯白噪声subplot(2,1,1);subplot(2,1,1);plot(n,Y)title('信号')xlabel('时间');ylabel('幅度');grid on;window=hamming(M); %汉明窗[Pxx f]=pwelch(Y,window,10,256,Fs);subplot(2,1,2);plot(f,10*log10(Pxx));grid on;title(['修正周期图法谱估计 N=',int2str(N),' M=',int2str(M)]); xlabel('频率（Hz）');ylabel('功率谱密度');2、仿真结果三、最大熵法谱估计程序1、源程序fs=1; %设采样频率N=128; %数据长度改变数据长度会导致分辨率的变化；f1=0.2*fs; %第一个sin信号的频率,f1/fs=0.2f2=0.3*fs; %第二个sin信号的频率，f2/fs=0.2或者0.3P=10; %滤波器阶数n=1:N;s=sin(2*pi*f1*n/fs)+sin(2*pi*f2*n/fs); %s为原始信号x=awgn(s,10); %x为观测信号，即对原始信号加入白噪声，信噪比10dB figure(1); %画出原始信号和观测信号subplot(2,1,1);plot(s,'b'),xlabel('时间'),ylabel('幅度'),title('原始信号s');grid;subplot(2,1,2);plot(x,'r'),xlabel('时间'),ylabel('幅度'),title('观测信号x');[Pxx1,f]=pmem(x,P,N,fs); %最大熵谱估计figure(2);plot(f,10*log10(Pxx1));xlabel('频率(Hz) ');ylabel('功率谱(dB) ');title(['最大熵法谱估计模型阶数P=',int2str(P),' 数据长度N=',int2str(N)]);2、仿真结果四、L evinson递推法谱估计程序1、源程序fs=1; %设采样频率为1N=1000; %数据长度改变数据长度会导致分辨率的变化；f1=0.2*fs; %第一个sin信号的频率,f1/fs=0.2f2=0.3*fs; %第二个sin信号的频率，f1/fs=0.2或者0.3M=16; %滤波器阶数的最大取值,超过则认为代价太大而放弃L=2*N; %有限长序列进行离散傅里叶变换前，序列补零的长度n=1:N;s=sin(2*pi*f1*n/fs)+sin(2*pi*f2*n/fs);%s为原始信号x=awgn(s,10);%x为观测信号，即对原始信号加入白噪声，信噪比10dBfigure(1); %画出原始信号和观测信号subplot(2,1,1);plot(s,'b'),axis([0 100 -3 3]),xlabel('时间'),ylabel('幅度'),title('原始信号s'); grid;subplot(2,1,2);plot(x,'r'),axis([0 100 -3 3]),xlabel('时间'),ylabel('幅度'),title('观测信号x'); grid;%计算自相关函数rxx = xcorr(x,x,M,'biased');%计算有偏估计自相关函数，长度为-M到M，%共2M+1r0 = rxx(M+1); %r0为零点上的自相关函数，相对于-M，第M+1个点为零点R = rxx(M+2:2*M+1);% R为从1到第M个点的自相关函数矩阵%确定矩阵大小a = zeros(M,M);FPE = zeros(1,M);%FPE：最终预测误差，用来估计模型的阶次var = zeros(1,M);%求初值a(1,1) = -R(1)/r0;%一阶模型参数var(1) = (1-(abs(a(1,1)))^2)*r0;%一阶方差FPE(1) = var(1)*(M+2)/(M);%递推for p=2:Msum=0;for k=1:p-1%求a(p,p)sum=sum+a(p-1,k)*R(p-k);enda(p,p)=-(R(p)+sum)/var(p-1);for k=1:p-1 %求a(p,k)a(p,k)=a(p-1,k)+a(p,p)*a(p-1,p-k);endvar(p)=(1-a(p,p)^2)*var(p-1); %求方差FPE(p)=var(p)*(M+1+p)/(M+1-p);%求最终预测误差end%确定AR模型的最佳阶数min=FPE(1); %求出FPE最小时对应的阶数p = 1;for k=2:Mif FPE(k)<minmin=FPE(k);p=k;endend%功率谱估计W=0.01:0.01:pi; %功率谱以2*pi为周期，又信号为实信号，只需输出0到PI即可；he=ones(1,length(W)); %length()求向量的长度for k=1:phe=he+(a(p,k).*exp(-j*k*W));endPxx=var(p)./((abs(he)).^2); %功率谱函数；F=W*fs/(pi*2); %将角频率坐标换算成HZ坐标，便于观察；重要！figure;plot(F,abs(Pxx))xlabel('频率/Hz'),ylabel('功率谱P'),title([' AR模型的最佳阶数p=' int2str(p)] ); grid;2、仿真结果五、B urg法谱估计程序1、源程序fs=1;%设采样频率为1N=900;%数据长度改变数据长度会导致分辨率的变化；f1=0.2*fs;%第一个sin信号的频率,f1/fs=0.2f2=0.3*fs;%第二个sin信号的频率，f1/fs=0.2或者0.3M=512;%滤波器阶数的最大取值,超过则认为代价太大而放弃n=1:N;s = sin(2*pi*f1*n/fs)+sin(2*pi*f2*n/fs);%s为原始信号x = awgn(s,10);%x为观测信号，即对原始信号加入白噪声，信噪比10dB for i=1:Nef(1,i)=x(i);eb(1,i)=x(i);endsum=0;for i=1:Nsum=sum+x(i)*x(i);endr(1)=sum/N;% Burg递推for p=2:M% 求解第p个反射系数sum1=0;for n=p:Nsum1=sum1+ef(p-1,n)*eb(p-1,n-1);endsum1=-2*sum1;sum2=0;for n=p:Nsum2=sum2+ef(p-1,n)*ef(p-1,n)+eb(p-1,n-1)*eb(p-1,n-1); endk(p-1)=sum1/sum2;% 求解预测误差平均功率r(p)=(1-k(p-1)*k(p-1))*r(p-1);% 求解p阶白噪声方差q(p)=r(p);% 系数aif p>2for i=1:p-2a(p-1,i)=a(p-2,i)+k(p-1)*a(p-2,p-1-i); endenda(p-1,p-1)=k(p-1);% 求解前向预测误差for n=p+1:Nef(p,n)=ef(p-1,n)+k(p-1)*eb(p-1,n-1);end%求解后向预测误差for n=p:N-1eb(p,n)=eb(p-1,n-1)+k(p-1)*ef(p-1,n);endend% 计算功率谱for j=1:Nsum3=0;sum4=0;for i=1:p-1sum3=sum3+a(p-1,i)*cos(2*pi*i*j/N);endsum3=1+sum3;for i=1:p-1sum4=sum4+a(p-1,i)*sin(2*pi*i*j/N);endpxx=sqrt(sum3*sum3+sum4*sum4);pxx=q(M)/pxx;pxx=10*log10(pxx);pp(j)=pxx;end%画出功率谱ff=1:N;ff=ff/N;figure;plot(ff,pp),axis([0 0.5 -20 10]),xlabel('频率'),ylabel('幅度（dB）'),title('功率谱P');grid;2、仿真结果。
![[2017年整理]Matlab功率谱计算](https://img.taocdn.com/s1/m/270708e8900ef12d2af90242a8956bec0975a5cd.png)
