功率谱估计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。
维纳滤波、卡尔曼滤波，可用于自适应滤波，信号波形预测等（火控系统中的飞机航迹预判）。
如果我在噪声中加入一个信号波形。
要完全滤波出我加入的信号波形，能够做到吗？如果知道一些信息，利用一个参考信号波形，可利用自适应滤波做到（信号的初始部分稍有失真）。
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提取被淹没在噪声中的有用信号。
下面对谱估计的发展过程做简要回顾:英国科学家牛顿最早给出了“谱”的概念。
后来，1822年，法国工程师傅立叶提出了著名的傅立叶谐波分析理论。
该理论至今依然是进行信号分析和信号处理的理论基础。
傅立叶级数提出后，首先在人们观测自然界中的周期现象时得到应用。
19世纪末，Schuster提出用傅立叶级数的幅度平方作为函数中功率的度量，并将其命名为“周期图”（periodogram）。
这是经典谱估计的最早提法，这种提法至今仍然被沿用，只不过现在是用快速傅立叶变换（FFT）来计算离散傅立叶变换（DFT），用DFT的幅度平方作为信号中功率的度量。
周期图较差的方差性能促使人们研究另外的分析方法。
1927年，Yule提出用线性回归方程来模拟一个时间序列。
Yule的工作实际上成了现代谱估计中最重要的方法——参数模型法谱估计的基础。
Walker利用Yule的分析方法研究了衰减正弦时间序列，得出Yule-Walker方程，可以说，Yule和Walker都是开拓自回归模型的先锋。
1930年，著名控制理论专家Wiener在他的著作中首次精确定义了一个随机过程的自相关函数及功率谱密度，并把谱分析建立在随机过程统计特征的基础上，即，“功率谱密度是随机过程二阶统计量自相关函数的傅立叶变换”，这就是Wiener—Khintchine定理。
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。
南昌大学实验报告学生姓名：学号：专业班级：实验类型：□验证□综合□设计□创新实验日期：实验成绩：一、实验名称基于AR模型的功率谱估计及Matlab实现二、实验目的1.了解现代谱估计方法，深入研究AR模型法的功率谱估计2.利用Matlab对AR模型法进行仿真三、实验原理1.现代谱估计现代功率谱估计以信号模型为基础，如下图所示为x(n)的信号模型，输入白噪声ω(n)均值为0，方差为σω2，x(n)的功率谱可由下式计算：P xx(e jω)=σω2|H(e jω)|2如果通过观测数据估计出信号模型的参数，信号功率谱就可以按上式计算出来，这样估计功率谱的问题就变成由观测数据估计信号模型参数的问题。
2.功率谱估计的步骤：（1）选择合适的信号模型；（2）根据x(n)有限的观测数据，或者有限个自相关函数估计值，估计模型的参数；（3）计算模型的输出功率谱。
3.模型选择选择模型主要考虑是模型能够表示谱峰、谱谷和滚降的能力。
对于尖峰的谱，选用具有极点的模型，如AR、ARMA模型；对于具有平坦的谱峰和深谷的信号，可以选用MA模型；既有极点又有零点的谱应选用ARMA模型，应该在选择模型合适的基础上，尽量减少模型的参数。
4.AR模型功率谱估计在实际中，AR 模型的参数估计比较简单，对其有充分的研究，AR模型功率谱估计又称为自回归模型，它是一个全极点的模型，要利用AR模型进行功率谱估可以通过列文森(Levenson)递推算法由Yule-Walker 方程求AR模型的参数。
4.MATLAB中AR模型的谱估计的函数说明：1．Pyulear函数：功能：利用Yule--Walker方法进行功率谱估计.格式：Pxx=Pyulear(x,ORDER,NFFT)[Pxx,W]=Pyulear(x,ORDER,NFFT)[Pxx,W]=Pyulear(x,ORDER,NFFT,Fs)Pyulear(x,ORDER,NFFT,Fs,RANGE,MAGUNITS)说明：Pxx =Pyulear(x,ORDER,NFFT)中，采用Yule--Walker方法估计序列x的功率谱，参数ORDER用来指定AR模型的阶数，NFFT为FFT算法的长度，默认值为256，若NFFT为偶数，则Pxx为（NFFT/2 + 1）维的列矢量，若NFFT为奇数，则Pxx为（NFFT + 1）/2维的列矢量；当x为复数时，Pxx长度为NFFT。
第3章功率谱估计和信号频率估计方法在信号处理和通信系统设计中，功率谱估计和信号频率估计是非常重要的技术。
功率谱估计可以用来研究信号的频域特性和频率分量的强度分布，信号频率估计可以用来确定信号的频率成分。
本章将介绍功率谱估计和信号频率估计的常用方法。
3.1功率谱估计功率谱是描述信号功率随频率变化的函数。
常用的功率谱估计方法有非参数法和参数法。
非参数法是一类基于信号的样本序列进行计算的方法，不依赖于对信号的概率模型的先验假设。
常见的非参数法有周期图法、半周期图法等。
周期图法是一种基于时域序列的离散傅里叶变换的方法。
它将信号分成多个时段，对每个时段进行傅里叶变换，然后求得功率谱密度。
周期图法具有快速计算和较好的频率分辨能力的特点，适用于信号周期性较强的情况。
半周期图法是周期图法的一种改进方法。
它首先将信号分成两个连续的时段，计算各自的功率谱密度，然后取两个时段的平均值作为最终的功率谱估计。
半周期图法减少了周期图法中窗函数的影响，提高了估计的准确性。
参数法是一种基于对信号进行参数建模的方法。
常见的参数法有自回归(AR)模型、线性预测(ARMA)模型等。
自回归模型是一种用于描述信号随机过程的自回归线性滤波模型。
它通过自回归系数描述信号当前样本值与过去样本值的线性关系。
自回归模型估计功率谱的方法主要有Burg方法、 Yule-Walker方法等。
自回归模型具有较好的频率分辨能力和较高的准确性，适用于信号具有较长时间相关性的情况。
线性预测模型是将信号分解成预测误差和线性组合的方式。
它通过选择适当的线性预测滤波器系数来最小化预测误差的均方差，从而得到功率谱的估计。
线性预测模型估计功率谱的方法主要有Levinson-Durbin算法和Burg算法等。
线性预测模型具有较好的频率分辨能力和较高的估计准确性，适用于信号具有较强的谱峰特性的情况。
3.2信号频率估计信号频率估计是通过对信号进行时域分析来确定信号的频率成分。
