现代谱估计2(精)

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

重新定义(12.2.4)式的自相关矩阵R为:
并记其行列式的值为 det(Rp+1。)。现在,我们用三个结 论来说明矩阵Rp+1的性质及与AR模型稳定性的关系。
结论1: 如果 Rp+1 ,是 正 定的 , 那么 , 由 Yule-Walker 方程解出的 a(1),a(2),…,a(p)构成的p阶AR模型是稳定的,且是唯一的。
也即 A(z) 的零点都在单位圆内。此性质称为 AR 模型的最小相位
性质。 该结论告诉我们,只要RP+1,是正定的,那么由Levinson方法 求解Yule-Walker方程时,解总是存在,且是唯一的,并保证了 A(z) 是最小相位的。这一性质,体现在求解过程中,等效地是:
但是,在由实际数据 xN(n) 估计自相关函数时,如果字长 过短,或是由于运算时的舍入误差,有可能使A(z)的零点移到 单位圆上或圆外,使模型不稳定。 因此,如果在递推过程中出ρk≤O,或是 |ak(k)|≥1 ,则
可以证明,若x(n)是由p个实正弦所组成,则RM的秩最大为2p。
结论 3:如果 x(n) 由 p 个正弦组成 ( 实的或复的 ),则 x(n)是完 全可以预测的,即预测误差等于零。
结论2指出了RP+1何时奇异、何时正定的条件,它和结论3一起 都揭示了正弦信号的某些性质。 特别要说明的是,用 AR 模型对纯正弦信号建模是不合适的,
实际上,目前提出的有关AR模型系数的求解及AR 模型性能的讨论大都是建立在线性预测的理论上的。
而且这些算法的性能一般要优于自相关法。
因此,为了进一步介绍AR模型的有关算法,有必
要再介绍一些有关线性预测的理论。
不失一般性,假定x(n)为复信号。(12.2.6)式的
线性预测是利用n之前的p个值对x(n)作预测,我们称
现代功率谱估计
电子与信息工程学院
谢志远
12.4 AR模型的稳定性及对信号建模问题的讨论
12.4.1 AR模型的稳定性
AR模型的输出x(n)是由一个方差为σ2的白噪声u(n)激励一 个全极模型H(z)所产生的。从系统理论的观点看,H(z)必须是 稳定的,也即H(z)的极点必须在单位圆内。
从保证x(n)是平稳的观点看,也要求H(z)的极点必须在单
可能会出现自相关阵为奇异的情况。但是,在信号处理中经常要 用正弦信号作为试验信号以检验某个算法或系统的性能。为克服 自相关阵奇异的情况,最常用的方法是加上白噪声,这样det(RP+1) 不会等于零。
12.4.2关于信号建模问题的讨论
1.关于信号建模的本质
对信号建立参数模型的思路:“假定所研究的过程x(n)是由 一个输入序列u(n)激励一个线性系统的输出,在(12.2.1)式中, 也确实是把模型的输出看作是x(n)。 似乎任意地给定一个平稳过程x(n),它均可由一个白噪序列 u(n)激励一个线性系统H(z)来精确地产生。显然,这种概念是不 确切的。 对信号x(n)建立参数模型,并不是要求模型的输出x’(n)在时 域等于x(n),而是要求它们在某一阶次上的统计特征相同。 用x(n)的自相关函数建立x(n)和模型参数的关系(即建模), 称为在二阶统计意义上的建模,并要求x(n)和x’(n)在自相关函数 和功率谱这些二阶统计量上相匹配。
应使递推停止。
我们在10.2节已证明,平稳随机信号的自相关矩阵是非 负定的,也就是说RP+1可能是正定,也可能是半正定。下面的 结论指出,RP+1,何时正定,何时为半正定。
结论2说明,一般情况下,若x(n)由p个复正弦所组成,RM是其 M×M的自相关阵,那么,当M>p时,RM的秩最大为p,即rank(RM)=p。
当 x(n) 的功率谱 Px(ejω) 满足 Paley-Wiener 条件时 (12.1.1) 式才 成立
满足此式的功率谱Px(z)在单位圆上必然无零点,也即PX(ejω) 不能是由纯正弦信号所形成的Baidu Nhomakorabea谱。 等效地说,由纯正弦过程所组成的平稳过程不具有(12.1.1) 式的形式,因此,也不宜于建立AR,MA或ARMA模型。这和前面的 讨论是一致的。
之为“前向预测"。与之对应的还可以作“后向预
测”。
前向预测:
后向预测:
可得后向预测时的Wiener-Hopf方程:
上述结果表明,前向预测和后向预测的最小均方误差相等,
而前、后向预测器的系数是一个简单的共轭关系。
前、后向预测误差和反射系数在不同阶次时的递推关系:
12.5关于线性预测的进一步讨论
前面的讨论指出,一个 p 阶的 AR 模型等效于一个 p
阶的线性预测器。根据已知的自相关函数 rx(m) 利用
Levinson递归算法求解Yule-Walker方程可得到该模型 的 P+1 个参数 a(1) , a(2) , … , a(p) 及σ2 ,从而实现 功率谱估计。 12.2节所介绍的AR模型的求解算法称为“自相关 法”,该方法是目前已提出的各种AR模型求解算法的 一种,而且是最为简单的一种。
位圆内。读者可自己证明,如果H(z)有一个极点在单位圆外, 那x(n)的方差将趋于无穷,因此x(n)是非平稳的。
H(z) 的分母多项式 A(z) 的系数是由 (12.2.4) 式的 YuleWalker 方程求解出的,a(1),a(2), …,a(p) 能否保证 A(z) 的零点都在单位圆内,将直接取决于自相关矩阵R的性质。
由自相关函数和功率谱的匹配性质,平稳过程 x(n) 在二
阶统计意义上总可准确建模,AR模型即是其准确模型之一。 实际上,由(12.1.5)式,有:
由于功率谱失去了相位信息,因此x(n)在二阶统计意义 上的准确模型有无穷多个,它们的幅频响应都一样,而相频 响应可任意赋值。
2.关于信号建模的若干基本问题的讨论 12.1 节 指 出 , 平 稳 信 号 通 过 一 个 线 性 移 不 变 系 统 后 总 有 (12.1.1)式的输入、输出关系。此说法不甚严密。实际上,只有
相关文档
最新文档