现代谱估计分析信号的功率谱(1)---AR 模型谱估计

2024-06-20 02:28

本文主要是介绍现代谱估计分析信号的功率谱(1)---AR 模型谱估计,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

         本篇文章是博主在通信等领域学习时,用于个人学习、研究或者欣赏使用,并基于博主对通信等领域的一些理解而记录的学习摘录和笔记,若有不当和侵权之处,指出后将会立即改正,还望谅解。文章分类在通信领域笔记

          通信领域笔记(5)---《现代谱估计分析信号的功率谱(1)---AR 模型谱估计》

现代谱估计分析信号的功率谱(1)---AR 模型谱估计

目录

1 背景分析

1.1 设计要求

2 理论分析推导

2.1 AR 模型谱估计原理

2.2 AR 模型谱估计步骤

3 MATLAB 仿真

3.1 AR 模型谱估计

3.1.1 AR 模型自相关法功率谱估计

3.1.2 AR 模型协方差法功率谱估计

3.1.3 AR 模型与经典谱估计对比


1 背景分析

        现代谱估计是一种用于分析信号的功率谱的技术。与传统的基于傅里叶变换 的经典谱估计方法相比,现代谱估计具有更高的分辨率和更准确的频率估计能力。传统谱估计方法主要基于傅里叶变换,将信号从时域转换到频域,然后计算各个频率成分的功率。但是,傅里叶变换对于非周期信号和有限长度的信号存在分辨率限制,即无法准确区分频率相近的成分。此外,傅里叶变换还受到窗函数选择和泄漏效应的影响,可能导致谱估计的偏差。

        现代谱估计方法通过利用信号的自相关函数或协方差函数等统计特性,以及先进的数学工具和算法,提高了谱估计的分辨率和准确性。其中一些常见的方法包括自回归模型(AR模型)、最大熵谱估计(MESP)、最小方差无偏估计(MVUE)等。这些方法利用了信号中的统计信息,可以更好地分辨频率相近的成分,并减小窗函数选择和泄漏效应的影响。

        现代谱估计方法的发展受益于信号处理、统计学和计算机科学等多个领域的进步。随着技术的不断发展,现代谱估计方法将在更多领域得到应用,并为信号处理和数据分析提供更准确、更有效的工具。

        本次实验主要验证在时间序列分析中,AR 模型(自回归模型)和皮萨伦科(Pisarenko)分析方法的相关问题。

皮萨伦科(Pisarenko)分析方法见通信领域笔记专栏:

        《现代谱估计分析信号的功率谱(2)---Pisarenko 谐波分解法》

1.1 设计要求

        通过 MATLAB 软件产生如下信号:

        𝑥(𝑛) = 2 cos(2𝜋𝑓1𝑛) + 2 cos(2𝜋𝑓2𝑛) 2 cos(2𝜋𝑓3𝑛) + 𝑣(𝑛)

        其中𝑓1 = 0.05、𝑓2 = 0.40、𝑓3 = 0.42,𝑣(𝑛)是实高斯白噪声(信噪比由 5dB -10dB,步进 5dB),𝑓1-𝑓3均为归一化的频率。

        1)使用 AR 模型对信号进行功率谱估计,模型参数计算分别使用自相关法,协方差法。而后与经典谱估计进行对比分析,并且验证模型阶数变化时带来的影响。

        2)使用皮萨伦科(Pisarenko)分析信号成分。


2 理论分析推导

        信号建模谱估计是现代谱估计的重要方法,其中 AR 模型功率谱估计是最 常用的一种方法,这是因为 AR 模型参数的精确估计可以用解一组线性方程的方法求得,而对于 MA ARMA 模型功率谱估计来说,其参数的精确估计需要解一组高阶的非线性方程。所以实验的现代谱估计内容以 AR 模型谱估计为主来进行实验分析和验证。

2.1 AR 模型谱估计原理

2.2 AR 模型谱估计步骤


3 MATLAB 仿真

3.1 AR 模型谱估计

        首先采用归一化载波频率,设置采样点数为,生成三个不同频率的余弦信号,最后使用 awgn 函数加入高斯白噪声,生成信号𝑥𝑛

N=200;%采样点数
Fs = 1000;  %采样频率
fc1 = 0.05*Fs; % 归一化载波频率转化为载波频率
fc2 = 0.40*Fs;
fc3 = 0.42*Fs;
n = 0:1/Fs:(N-1)/Fs;xn = 2*cos(2*pi*fc1*n) + 2*cos(2*pi*fc2*n) + 2*cos(2*pi*fc3*n);
xn = awgn(xn,5);  %加入高斯白噪声信号
nfft = N;
p=30;   %AR模型阶数
q=30;   %MA模型参数

3.1.1 AR 模型自相关法功率谱估计

        直接调用 Matlab 中的 pyulear 函数估计功率谱,设置高斯白噪声信噪比 SNR 为 5

%%自相关法求AR模型参数
[Pxx1,F1]=pyulear(xn,p,N,Fs);%直接调用matlab中的pyulear函数估计功率谱
Pxx1=10*log10(Pxx1);
figure(1);
plot(F1,Pxx1);
title('AR模型自相关法');

        分别观察在不同的阶下,自相关法求解 AR 模型功率谱参数,阶次的选取以 步进 8102030 为选择,分别得到了 AR 模型在 2 阶、10 阶、20 阶、30 阶、60 阶、80 阶、110 阶、130 阶的情况下得到的功率谱参数情况。

        从图中可以看到,在阶次不断增加的情况下,归一化频率 0.40.42 的区分度由不清晰到区分度越来越清晰,但随着阶次的增高,尤其是在 80 阶以后,尽管分辨率比较高,但出现的虚假谱峰也越来越多。我们知道,一个经验法则是:AR 模型阶次应该选择在 𝑁/3 𝑁/2之间,N 表示采样点数,这样可以得到谱估计的高分辨率。本次实验使用自相关法求谱估计参数时,选取的采样点数为 256,因此模型阶次的建议选择为 85<N<128,但根据目前的具体实验结果来看,选择30 阶的 AR 模型既可以区分 0.40.42 频率,也没有较多的虚假谱峰,因此优先选择 30 阶的 AR 模型进行谱估计。下面将采用协方差法求解不同次阶的 AR 模型,并分析。

3.1.2 AR 模型协方差法功率谱估计

        直接调用 Matlab 中的 pburg 函数估计功率谱,设置高斯白噪声信噪比 SNR 为 5

%%协方差法求AR模型参数
[Pxx2,F2]=pburg(xn,p,N,Fs);%直接调用matlab中的pburg估计功率谱
Pxx2=10*log10(Pxx2);
figure(2);
plot(F2,Pxx2);
title('AR模型协方差法');

        从图中可以看到,在阶次低于 30 阶的情况下,归一化频率 0.40.42 的区分度由不清晰到区分度越来越清晰;但随着阶次的增高,在阶次 40 60 阶的情况下,出现了较大的虚假谱峰,导致无法区分归一化频率 0.40.42;尤其是在 60 阶以后,已经区分不了归一化频率 0.40.42。根据目前的具体实验结果来看,不论是自相关法还是协方差法的 AR 模型估计功率谱,选择 30 阶的 AR 模型既可以区分 0.40.42 频率,也没有较多的虚假谱峰,因此优先选择 30 阶的 AR 模型进行谱估计。下面将采用 30 阶的 AR 模型谱估计对比经典谱估计,并分析。

3.1.3 AR 模型与经典谱估计对比

        采用经典谱估计的直接法和间接法估计功率谱,并对比 30 阶的 AR 模型自相关法和协方差法估计功率谱,初始信噪比 SNR 设置为 5dB,信噪比 SNR 步进幅度为-5dB

        由图可以看出,四种不同的谱估计方法在SNB=-5dB皆可以有效的估计出功率谱,能够清晰的区分相近频率。那么接下来将不断减小信噪比 SNR,比较功率谱估计情况。

还可以比较:

  • 四种方法在 SNB=0dB 时功率谱估计都可以取得相对不错的效果。

  • 四种方法在 SNB=-5dB 时功率谱估计都还可以区分相近频率点,但是经典谱估计的直接法出现的虚假谱峰较高,已经影响了判别。

  • 四种方法在 SNB=-10dB 时,经典谱估计直接法已经无法识别,经典谱估计间接法功率、AR 模型谱估计自相关法和协方差法还勉强可以识别,经典谱估计间接法功率相对更优。

  • 四种方法在 SNB=-15dB 时,此时四种方法皆不可以识别相近谱峰,无法使用这四种方法进行谱估计。


     文章若有不当和不正确之处,还望理解与指出。由于部分文字、图片等来源于互联网,无法核实真实出处,如涉及相关争议,请联系博主删除。如有错误、疑问和侵权,欢迎评论留言联系作者,或者关注VX公众号:Rain21321,联系作者。

这篇关于现代谱估计分析信号的功率谱(1)---AR 模型谱估计的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1076838

相关文章

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况?这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次?3.1 未启用

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map(如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现:基于红黑

Spring、Spring Boot、Spring Cloud 的区别与联系分析

《Spring、SpringBoot、SpringCloud的区别与联系分析》Spring、SpringBoot和SpringCloud是Java开发中常用的框架,分别针对企业级应用开发、快速开... 目录1. Spring 框架2. Spring Boot3. Spring Cloud总结1. Sprin

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory

MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析

《MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析》本文将详细讲解MyBatis-Plus中的lambdaUpdate用法,并提供丰富的案例来帮助读者更好地理解和应... 目录深入探索MyBATis-Plus中Service接口的lambdaUpdate用法及示例案例背景