第12章参数模型功率谱估计

第12章：参数模型功率谱估计12.1平稳随机信号的参数模型：该参数模型的思路是：（1）假定所研究的过程由一个输入序列激励一个线性系统的输出，如图：（2）由已知的，或者其自相关函数来估计的参数。)(nx)(nu)(zH)(nx)(nu)(zH)(nxmrx)(zH12.1平稳随机信号的参数模型：（3）由的参数来估计的功率谱。不论是确定性信号还是随机信号，对上图所示的线性系统，和之间总有如下的输入输出关系：)(zH)(nx)(nx)(nx)(nu010)()()(:)()()(kpkqkkkknukhnxknubknxanx及(12.1.1)(12.1.2)12.1平稳随机信号的参数模型：对上式两边分别取z变换，并假定，可得：1ob011)()(1)(1)()()()(kkqkkkpkkkzkhzHzbzBzazAzAzBzH其中：(12.1.3)(12.1.4a)(12.1.4b)(12.1.4c)12.1平稳随机信号的参数模型：为了保证是一个稳定的且是最小相位系统，，的零点都应在单位圆内。假定是一个方差为的白噪声序列，由随机信号通过线性系统的理论可知，输出序列的功率谱：2222|)(||)(|)()()()()(jjjjjjjxeAeBeAeAeBeBeP（12.1.5）)(zH)(zA)(zB)(nu2)(nx12.1平稳随机信号的参数模型：AR模型：在中，如果：（1）全为零，那么，，分别变成：qbbb,...,,21（12.1.1）(12.1.1)(12.1.3)(12.1.5)pkkjkjxpkkkpkkeaePzazAzHnuknxanx12211|1|)(11)(1)()()()((12.1.6)(12.1.7)(12.1.8)12.1平稳随机信号的参数模型：MA模型：（2）全为零，那么，，全变成：(12.1.1)(12.1.3)(12.1.5)paaa,...,,21qkkjkjxkqkkqkkqkkebePzbzBzHbknxbnuknxbnx1221011|1|)(1)()(1,)()()()((12.1.9)(12.1.10)(12.1.11)12.1平稳随机信号的参数模型：ARMA模型：（3）若，不全为零，则给出的模型为自回归—移动平均模型，简称ARMA模型，显然此模型是一个既有极点，又有零点的模型。总结：由于ARMA模型是一个极—零模型，它易于反映功率谱中的峰值和谷值。AR模型易反映谱的中峰值，而MA模型易反映谱中的谷值。paaa,...,,21qbbb,...,,21(12.1.1)12.2AR模型的正则方程与参数计算假定、都是实平稳的随机信号，为白噪声，方差为，现在我们建立AR模型的参数和的自相关函数的关系，也就是AR模型的正则方程（Yule-Walker方程）。0001)0()2()1()()2()0()1()2()1()1()0()1()()2()1()0(221pxxxxxxxxxxxxxxxxaaarprprprprrrrprrrrprrrr)(nu)(nx)(nu)(nx2ka(12.2.4)12.2AR模型的正则方程与参数计算上式可简单的表示为：pRa2(12.2.5)的自相关矩阵是全零列向量为，式中)1()1(,1,,,1P1ppRpaaaTp12.2AR模型的正则方程与参数计算2121)()()()()()(),()()()()()()()()1(,),1(),()(pkkpkkknxanxEneEnnxnenenxnknxannxnnxnpnxpnxpnxpnnxxxxx为：因此总的预测误差功率则：之间的误差为和真实值记预测值的预测，那么是对真实值。记时刻的值个数据来预测我们利用这已知，个数据时刻之前的在设(12.2.6)(12.2.7)(12.2.8)12.2AR模型的正则方程与参数计算方程称为线性预测的和方程有页下书再由最小均方误差公式由此式可得即正交误差序列和预差应使最小的为求得使HopfWienerkrarnnxnxEpmkmramrpmnnxmnxEnenxpnxpkapkxkxpkxkxkxx)11.2.12()10.2.12()()0()()()(:)312(,2,1),()(:,,1,0)()()(:,)()1(,,(,,,1,1min1(12.2.9)(12.1.10)(12.2.11)将这两个方程和AR模型的正则方程相比较，可以看出他们及其相似，因为是同一个随机信号，若线性预测器的阶次和AR模型的阶次一样，那么有：上两式说明，一个p阶AR模型的个参数同样可以用来构成一个P阶的最佳线性预测器。所以AR模型和线性预测器是等价的，由此可以看出，AR模型是在最小平方意义上对数据的拟合。2min,...2,1pkakk12.2AR模型的正则方程与参数计算)(nx1p),...,,(12paa12.2AR模型的正则方程与参数计算Levinson-Durbin递推算法：Levinson-Durbin递推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，即这一特点有利于选择AR模型的合适阶次。211111111)()()(/)()()(mmmmmmmmmkxxmmkkmakkakamrkmrkakpmmaaammm,...,2,1),(),...,2(),1(12.2AR模型的正则方程与参数计算上述算法的递推导是建立在的前个自相关函数已知的基础上，但在实际的工作中，往往不能精确的知道的自相关函数，而知道的仅仅是N点数据，即，为此，可以这样：1）首先由估计的自相关函数，得2）用代替上述递推算法中的，重新求解Yule-Walker方程，这时求出的AR模型参数是真实参数的估计值，即)(nx1p)(nx)(nxN)(nxN)(nx)(mxr)(mrx)(mrxppaaa,,,21由这些参数，得到的功率谱的估计，即：对在单位圆上均匀抽样，设分点为N个，则得到离散谱：12.2AR模型的正则方程与参数计算211)(pkjwkkpjwAReaep)(nx)(jwxep12.2AR模型的正则方程与参数计算式中这样上式可用FFT快速计算。210221221)(NklkNjkppklkNjkplNjAReaeaep0,...,,1110Npaaa12.3AR模型谱估计的性质及阶次p的选择12.3.1AR模型谱估计的性质1谱的平滑性谱比周期图谱平滑的多。2）谱的分辨率经典谱估计的分辨率反比于使用的信号长度，现代谱估计的分辨率不受此限制。3）谱的匹配性质在整个频率范围内，和相跟随，但在每一局部处，它跟随的峰点要比跟随谷点的程度好。ARARARAR)(jwAReP)(jwxep)(jwxep12.3.1AR模型谱估计的性质4）谱的统计特性谱的方差反比于数据的长度和信噪比。5）模型谱估计方法的不足其一，谱的分辨率和求模型时所使用的信号的信噪比有着密切的关系。信噪比越小，谱的分辨率降低的越明显。其二，如果是含有噪声的正弦信号，在应用时发现，谱峰的位置易受的初相位的影响，ARAR)(nxNNSNRARARARSNR)(nx)(nx12.3.1AR模型谱估计的性质且在有的算法中，还可能出现“谱线分裂”的现象，即在本来应只有一个谱线的位置附近分裂成两个谱线。其三，谱估计的质量受到阶次p的影响。P选的过低，谱太平滑，反映不出谱峰。P选的过大，可能产生虚假的峰值。12.3.2AR模型阶次的选择AR模型的阶次p是单调下降的，直观上讲，当模型的最小误差功率达到所指定的希望值，或是不再发生变化时，其时的阶次即是要选的正确阶次。因此，降到多少才合适，有几个不同的准则被提出，常用的有两个：（1）最准预测误差准则：)1()1()(kNkNkFPEkp12.3.2AR模型阶次的选择（2）信息论准则：其中为数据的长度，当阶次由1增加时，和都将在某一个处取得极小值。将此时的定为最合适的。在实际运用时发现，当数据较短时，它们给出的阶次偏低，且二者给出的结果基本上是一致的。上面两式仅为阶次选择提供一个依据，究竟阶次取多少为好，还要在实践中由所得到的结果作多次比较后，予以确定。kpNkAICk2)ln()()(nxNNk)(kFPE)(kAICkkp12.4AR模型的稳定性及对信号建模问题的讨论12.4.1AR模型的稳定性重新定义自相关矩阵为：并记其行列式的值为。用三个结论来说明矩阵的性质与AR模型稳定性的关系。)0()1()()1()0()1()()1()0(1xxxxxxxxxprprprprrrprrrRR)det(1pR1pR12.4.1AR模型的稳定性结论一：如果是正定的，那么，由Yule-Walker方程解出的构成的阶AR模型是稳定的，且是唯一的。也即的零点都在单位圆内。此性质称为AR模型的最小相位性质。结论二：若由个复正弦组成，即pkkkKnjAnx1exp)(1pR)(,),2(),1(paaap)(zA)(nxp12.4.1AR模型的稳定性式中为常数，是在内均匀分布的零均值随机变量，的自相关函数为:则由前个值组成的自相关矩阵是奇异的，而是正定的，即：pkkkxmjAmr12)exp()(pkRRkp,2,10)det(,0)det(1kkA,k)~()(nx1p)(,),1(),0(prrrxxx1pRpRRR,,,2112.4.1AR模型的稳定性结论三：如果由个正弦组成（实的或复的），则是完全可以预测的，即预测误差等于零。结论二指出了何时奇异何时正定的条件，它和结论三一起正弦信号的某些性质。特别说明，用AR模型对纯正弦信号建模是不合适的，会出现自相关矩阵为奇异的情况，要克服自相关阵奇异的情况，最常用的方法是加上白噪声，这样不会等于零。)(nxp)(nx1pR)det(1pR12.4.2关于信号建模问题的讨论*信号建模的本质：准确建模的定义：设平稳随机过程存在阶模型，使得模型的输出在阶统计特性上和的同阶统计特性相一致，则把称为阶统计意义上可准确建模的随机过程，而把改模型称作在阶统计意义上的准确模型。)(nx)(nx)(nx)(nx12.6AR模型系数的求解算法12.6.1自相关法令则（12.5.13）可写为：令TfpfpfpfpfppNepeeee)1(,),(,),1(),0(Tffffpfppaaaaa)(,),2(),1(a1式中fpfpaXe10pNnfpHfpfpfeene102)(12.6.1自相关法由最小平方原理，并将前面的式子互相代入，得到：此式即是(12.2.5)式的Yule-Walker方程和（12.2.10）、（12.2.11）式的Wiener-Hopf方程,由此得出结论：)0()0()1()()1()0()1()()1()0(1xxxxxxxxxxprrprprprrrprrrRpffppaRmin112.6.1自相关法（1）由个自相关函数，利用递归求解方程所得到的AR模