现代谱估计..docVIP

现代谱估计实验报告 1 实验目的 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。 本次实验的目的主要是现代谱估计基本理论包括、估计的基本方法，包括。谱估计中adzow谱估计子和aveh谱估计子谱估计 2 实验原理 2.1 背景 若离散随机过程{x(n)}服从线性差分方程 （1） 式中e（n）是一离散白噪声，则称{x(n)}为ARMA过程，而式（1）所示的差分方程称为ARMA模型。系数a1,a2……ap,和b1,b2……bq,分别称为自回归参数和滑动平均参数，而p和q分别叫做AR阶数和MA阶数。式（1）所示的ARMA过程，其功率谱密度为 （2） ARMA谱估计的目的是使用N个已知的观测数据x(0)，x(1)…..x(N-1)计算出ARMA过程{x(n)}的功率谱密度估计。 在实际中，可以运用cadzow谱估计子和kaveh谱估计子来估计，cadzow谱估计子秩序确定AR阶数p和估计AR参数，而kaveh 谱估计子也只需要确定AR阶数p和估计AR参数以及MA阶数。 2.2 相关算法 AR阶数p的确定用奇异值分解（SVD）,AR参数的估计用总体最小二乘法(TLS),即应用（SVD—TLS）算法来完成ARMA谱估计。 SVD—TLS算法： 步骤1 计算增广矩阵B的SVD，并储存奇异值和矩阵V; 步骤2 确定增广矩阵B的有效秩p； 步骤3 计算矩阵S; 步骤4 求S的逆矩阵S--,并计算出未知参数的总体最小二乘估计。 3 实验内容 仿真的观测数据由下给出： xn = square(W*n)+0.2*randn(1,N) ） ，fs = 20000n = 0:1/fs:0.1，N = length(n)，W = 2000*pi。 1、采样周期图法进行谱估计假设未知，LS方法确定和参数然后使用adzow谱估计子进行谱估计。 atlab仿真 仿真的数据如图。 时域信号功率谱估计 x(n)的N 个观测数据视为一能量有限的序列。直接计算x(n)的离散傅立叶变换，得X(k)，然后再取其幅值的平方，并除以N，作为序列x(n)真实功率谱的估计。仿真图如图2。 图2 周期图法功率谱 功率谱估计 3是设置了M=2001，qe=100，pe=50，后得出的x(n)的功率谱图形。 图3 ARMA模型功率谱 本次实验分别用了周期图法和的参数估计方法对方波信号进行了功率谱估计，通过实验仿真图对比可以发现： 周期图法得到的功率谱估计频谱分辨率不能适应高分辨率的要求参数的谱估计可以获得频分辨率的。N 点有限长序列x(n)，虽然其估计出的自相关函数也是有限长的， 但是现代谱估计的一些隐含着数据和自相关函数的外推，使其可能的长度超过给定的长度，不像经典谱估计那样受窗函数的影响。因而现代谱的分别率比较高，而且现代谱线要平滑得多，从上图可以清楚看出。 6 附录 Matlab程序如下： main.m clear; close all fs = 20000; n = 0:1/fs:0.1; N = length(n); W = 2000*pi; x1n = square(W*n); x2n = randn(1,N); xn = x1n+0.2*x2n; figure;plot(n,xn); title(时域信号); Nfft = 100; [Pxx,f] = period(xn,fs,Nfft); figure;plot(f,Pxx); title(周期图法功率谱); %ARMA谱估计 pe = 50; qe = 100; NARMA = length(xn); M = length(n); [a,Rx,p] = ARMA (xn,qe,pe,M); %Cadzow谱估计子 [Pw] = Cadzow(a,Rx,p,NARMA); %功率谱× figure;plot((0:length(Pw)-1)*fs/length(Pw),Pw); title(ARMA模型); period.m function [Pxx,f] = period(xn,fs,Nfft) Pxx = abs(fft(xn,Nfft).^2)/Nfft; f = (0:length(Pxx)-1)*fs/length(Pxx); ARMA.m function [a,Rxx,p] = ARMA(xn,qe,pe,M) Rxx = xcorr(xn,unbiased); for(i = 1:M) for(