(中文)第五章 功率谱估计
功率谱估计教材
1 ˆxx (m) r N
ˆ ( w) P BT
N |m|1
n 0
x ( n ) x ( n m)
m m
ˆxx (m) e jwm r
自相关法
由于在估计x的自相关函数时，数据的长度为N， 因此估计的自相关函数r̂xx(m)的长度为2N-1点：
ˆxx (m) r ˆxx (m) r 0
功率谱估计
--非参数估计方法
功率谱估计
经典功率谱估计（非参数法）
自相关法 周期图法
参数谱估计（参数法）
AR、MA、ARMA模型
经典谱估计法-自相关法
自相关法-BT(Blackman-Tukey提出)
随机信号的一个样本数据为[x(0),x(1),…,x(N-1)]，长 度为N。 先根据样本数据估计自相关函数r̂xx(m)，再利用FFT 变换，得到功率谱的估计PBT(w)。
m
jwm ˆ E[rxx (m)]e
窗函数法
则自相关函数的变化：
1 ˆxx (m)] E[r N
n
E[ x(n)v(n) x(n m)v(n m)]
1 E[ x(n) x(n m)] v(n)v(n m) N n
1 rxx (m) N
这样，功率谱估计为：
m N 1 m N 1
| m | N 1 else
ˆ ( w) P BT
jwm ˆ rxx (m) e
周期图法
相关法是利用样本数据对自相关函数进行估计， 进而估计功率谱密度，而周期图法则根据功率 谱密度的另一定义：
1 N 1 Pxx (w) lim E[ | x(n)e jwn |2 ] N N n 0
功率谱估计
第五章 功率谱估计§5.1 引言从第一章的讨论中，我们已经知道一个随机信号在各时间点上的值是不能先验确定的，它的每个实现(样本)往往是不同的，因此无法象确定信号那样可以用数学表达式或图表精确地表示它，而只能用它的各种统计平均量来表征它。
其中，自相关量作为时移的函数是最能较完整地表征它的特定统计平均量值。
而一个随机信号的功率谱密度(函数)，正是自相关函数的傅氏变换。
对于一个随机信号来讲，它本身的傅氏变换是不存在的，只能用功率谱密度来表征它的统计平均谱特性。
因此功率谱密度是一个随机信号的一种最重要的表征形式。
我们要在统计意义下了解一个随机信号，就要求知道(或估计)的它功率谱密度。
如果我们用)(m xx φ表示随机信号)(n x 的自相关函数，)(ωxx P 表示它的功率谱密度(以下简写成PSD)，则有[见式(1.56)]∑∞-∞=-=m mj xxxx e m P ωφω)()( (5.1)而其中[])()()(m n x n x E m xx +∆*φ(5.2)对于平稳随机过程，根据各态历经假设，集合的平均可以用时间的平均代替，于是上式可写成∑-=*∞→++=NNn N xx m n x n x N m )()(121lim )(φ (5.3)将式(5.3)代入式(5.1)得n j m NN n N xx xx e m n x n x N P P ωωω∑∑∞-∞=-=*∞→⎥⎦⎤⎢⎣⎡++-=)()(121lim )()(⎥⎦⎤⎢⎣⎡+⋅⎥⎦⎤⎢⎣⎡+=∑∑∞-∞=+*-=-∞→m m n j N N n n j N e m n x e n x N )()()(121lim ωω 令m n l +=，上式可写成*∞-∞=---=∞→⎥⎦⎤⎢⎣⎡⋅⎥⎦⎤⎢⎣⎡+=∑∑l l j n j N N n N xx e l x e n x N P ωωω)()(121lim )(2)(121lim ⎥⎦⎤⎢⎣⎡+=--=∞→∑n j N N n N e n x N ω (5.4)式(5.4)在∞→N 的极限情况下是不可能收敛的，这是因为对于无限时域的随机信号，它的傅氏变换是不存在的。
功率谱估计
功率谱估计引言：对信号和系统进行的分析研究、处理有两类方法：一类是在时域内进行，维纳滤波、卡尔曼滤波以及自适应滤波等都属于时域处理方法；另一类方法是频域研究方法。
对于确定性信号，傅里叶变换是在频率分析研究的理论基础，但是在实际生活中大多数信号是随机信号，而随机信号的傅里叶变换是不存在的，在实际应用中，通常通过采集和观测平稳随机过程的一个抽样序列的一段（有限个）数据，根据这有限个已知的数据来估计随机过程的功率谱问题来对随机信号进行分析，这即是频率谱估计。
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通过用某种有效的方法来估计出其功率谱密度，从而得出信号、噪声及干扰的一些性质来，提取被淹没在噪声中的有用信号。
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。
按照Weiner —Khintchine 定理，随机信号的功率谱和其自相关函数服从傅里叶变换关系，可以得出功率谱的一个定义，如公式（1）所示：()jwm m xx jw xx e m re P -∞-∞=∑=)( 公式（1）对于平稳随机信号，服从各态历经性，集合平均可以用时间平均来代替，可以推出功率谱的另一定义。
如公式（2）所示：()])(121[2lim ∑-=-∞→+=N N n jwn N jw xx e n x N E e P 公式（2）频率谱估计主要分为经典谱估计和现代谱估计，经典谱估计是将数据工作区外的未知数据假设为零,相当于数据加窗,主要方法有相关法和周期图法;现代谱估计是通过观测数据估计参数模型再按照求参数模型输出功率的方法估计信号功率谱,主要是针对经典谱估计的分辨率低和方差性能不好等问题提出的,应用最广的是AR 参数模型。
ch6 功率谱估计-随机信号处理-陈芳炯-清华大学出版社
1500
50
100
真实谱
10
8
6
4
2
0
150
-2
-1
0
1
2
窗函数，长度为10
2000
20
15
10
5
0
-2
-1
0
1
2
窗函数，长度为20
3000
1000 500
1500 1000
500
2000 1000
0
0
0
100
200
300
0
100
200
例子
bia(Sˆx ())
1
2
S x ()W ( )d S x ()
x(n) sin(2*n) u(n)
高斯白噪声
30 20 10
0 0 10 20 30 40 50
N=50
50
40
30
20
10
0
0
50
100
N=100
250 200 150 100
50 0 0 100 200 300 400 500
(1
)D0
(
2
)d
2
1
2N
S()D0 (1
)D0 ( 2
)d
2
其中：
d0
(n)
1, 0,
| n | N 1 other
F
D0 ()
1 2
Var (Sˆ ( ))
1
2N
2
S ()D0 ( )D0 ( )d
E(Sˆ( ))2
N Var[Sˆx ()] E[Sˆx ()] 0
N=500
功率谱估计
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。
经典功率谱估计
雷达和声呐系统
目标检测
在雷达和声呐系统中，经典功率谱估计常被用于目标检测。通过对接收到的信号进行功率 谱分析，可以判断是否存在目标以及目标的位置和速度等信息。
距离和速度测量
在雷达和声呐系统中，经典功率谱估计还可以用于距离和速度测量。通过对接收到的信号 进行功率谱分析，可以估计出目标与系统之间的距离和相对速度。
信号分类
在雷达和声呐系统中，经典功率谱估计还可以用于信号分类。通过对接收到的信号进行功 率谱分析，可以判断目标的类型，例如区分飞机、船舶或车辆等不同类型目标。
05 经典功率谱估计的改进方 法
基于小波变换的功率谱估计
1
小波变换能够将信号分解成不同频率和时间尺度 的分量，从而更好地揭示信号的内在结构和特征。
然而，这些方法通常需要较长 的数据长度和较为复杂的计算 过程，对于短数据和实时处理 的应用场景具有一定的局限性 。
研究展望
01
随着信号处理技术的发展，经典功率谱估计方法仍有进一步优化的空 间。
02
针对短数据和实时处理的应用场景，研究更为快速、准确的功率谱估 计方法具有重要的实际意义。
03
结合机器学习和人工智能技术，探索基于数据驱动的功率谱估计方法 是一个值得关注的方向。
优点
能够提供较高的频率分辨率和较低的估计误差。
原理
格莱姆-梅尔谱估计利用了信号的模型参数，通过 构造一个模型函数来描述信号的频率响应特性， 并求解该函数的极值问题得到信号的功率谱。
缺点
需要预先设定模型函数的形式和参数，且计算复 杂度较高。
03 经典功率谱估计的优缺点
优点
01
02
03
算法成熟
经典功率谱估计方法经过 多年的研究和发展，已经 相当成熟，具有较高的稳 定性和可靠性。
第5章 功率谱分析及其应用3
2 xy
Gxy 2 Gx Gy
相干函数是表示两个信号在频域内的相似 性。
随机信号的功率谱密度
▪ 频率响应函数的定义
H
Gxy Gx
▪ 谱相干函数的性质
2
Sxy ( f ) Sx ( f )Sy ( f )
油管振动自谱
第五章 信号分析技术
机械工程测试技术基础
§5.2 功率谱分析及其应用
一、自功率谱密度函数
1 定义
Sx ( f )
Rx
(
)e
j
2
f
d
称 Sx(f) 为 x(t) 的自功率谱密度函数
7
第五章 信号分析技术
机械工程测试技术基础
2 功率谱分析及其应用
2.1 自功率谱密度函数
1 定义 ➢ 根据维纳—辛钦公式，平稳随机过程的功率谱密
Sy f Sx f
测量中经常用这个公式计算频率响应函数的幅值， 但无法计算它的相位、实部和虚部。
随机信号的功率谱密度
▪ 互功率谱密度函数定义
➢
如果互相关函数满足付氏变换条件
Rxy
d
Sxy
R xy
e j d
Rxy
1
2
S xy
e j d
▪ 单边互谱密度函数
Gxy
➢ 虚部
Qxy
2
R xy
sin d
Gxy Gxy e jxy
Gxy Cxy 2 Qxy 2
xy
arctan
Qxy Cxy
第五章 信号分析技术
机械工程测试技术基础
第五章 功率谱的估计
5. 功率谱的估计（周期图与窗函数）5.1. 随机信号的功率谱 5.1.1. 功率谱的定义由前面的讨论，我们知道，Fourier 变换是从频域上描述信号的基本工具。
在确定性信号的情况下，当信号是周期时，可以分解为傅氏级数，构成离散频谱。
当信号是非周期性的，只在有限时间段内有值，满足狄拉克绝对可积(平方可积)条件，可以通过傅立叶变换，获得频谱。
但是，对于随机信号，一般既不是周期的，又不是绝对可积的，因此，严格意义上，随机信号既不能进行傅氏级数分解，又不能进行傅氏变换。
为了解决这一困难，维纳首先提出了广义谐波分析的概念。
所谓广义谐波分析是指：随机信号的傅氏分析可以从极限意义上来讨论。
1. 广义谐波分析取随机信号)(t x 在有限时间内的（-T~+T ）的一段，并定义⎩⎨⎧+<<-=其他0)()(Tt T t x t x T 由于时间有限，所以)(t x T 存在傅氏变换，即)()(ωX t x FTT −→←取极限值，并就全部样本集合从总集意义上求平均值，便可以获得随机信号的功率谱定义如下：⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧=∞→T X E S T T x 2)(lim )(2ωω2. 维纳-辛钦定理可以证明，如果)(t x 是零均值的，上式又可以写成维纳-辛钦定理的形式，表示成自相关函数的傅氏变换。
即：⎪⎩⎪⎨⎧==⎰⎰∞∞--∞∞-ωωπωττωωτωτd e S R d e R S j x x j x x)(21)()()(根据傅氏变换的卷积定理：2*)()()()(*)(ωωωT T T FT T T X X X t x t x =⋅−→←-亦即⎰∞∞--=ττωωτd e R X j T T )()(2式中dt t x t x dt t x t x R TT T T T T T ⎰⎰+-∞∞-+=+=ττττ)()()()()(因此[]ττωωτωτd dt t x t x E Te TX E S TT T T T j T T ⎭⎬⎫⎩⎨⎧⎥⎦⎤⎢⎣⎡+==⎰⎰+-∞→∞∞--∞→)()(21lim 2)(lim)(2注意到[][])(21)()2(21lim )(21lim )()(21lim )()(21lim )()(21lim τττττττττττττx T x T x T T T x TT x T T T T T T T T T R T R T T R dt T R dt R T dt t x t x E T dt t x t x E T =⎪⎪⎭⎫ ⎝⎛-=⎥⎦⎤⎢⎣⎡-=⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡+=⎥⎦⎤⎢⎣⎡+∞→∞→+-∞→+-∞→+-∞→+-∞→⎰⎰⎰⎰所以ττωωτd e R S j x x -∞∞-⎰=)()(3. 随机过程的功率谱密度函数的三种定义(1) 自功率谱密度函数定义为随机过程的傅立叶频谱幅值平方的数学期望：{}2)(21),(ωωT x X E T T S ={}2)(21lim )(ωωT T x X E TS ∞→=(2) 自功率谱密度函数定义为随机过程的自相关函数的傅立叶变换：ττωωτd e R S j x x -∞∞-⎰=)()((3) 自功率谱密度函数在中心频率f 的带宽f ∆内的取值，定义为随机过程样本信号，通过中心频率为f ，带宽f ∆的带通滤波后的平均功率：⎥⎦⎤⎢⎣⎡∆=∆⎰-∞→TT T T x dt f f t x T f f S 2),,(21lim ),( ⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡∆=⎰-∞→→∆T TT T f x dt f f t x T f S 20),,(21lim lim )(5.1.2. 功率谱的性质1. 对称性对于实信号，由于)(τx R 是实偶函数，所以)(ωx S 也是实偶函数。
- 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、"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、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)。
B z B 1 z 2
S xx e
j
2
H e
j
2
2
B e
Ae
j j
2
1 1 If h n is real , then H H z : z 1 j j 1 z re z e r j z re hn is real 1 1 j e z r 1 j 1 1 j H H e H e H z 1 z r r
矩形窗幅频特性
分辨率损失
x(m) cos0.35 m cos0.4 m 0.25cos0.8 m X (k ) x(m) w(m)e j (2 / N ) mk
m0 N 1
可以看出频率分辨率决 定于数据窗的持续时间 （采样点数-1）
窗口函数对分辨率和泄漏的影响
频率分辨率：窗口函数频 谱的主瓣宽度。
Blackman -Tukey 法
方法理论和实践的比较
对功率谱加窗平滑等价于对估计的自相关序列进行加窗。对窗 口有一定要求：三角窗(Bartlett)和Parzen窗可以，但不适用于汉 明，汉宁或凯瑟窗。
5.3 参数功率谱密度估计
估计步骤： (1) 信号建模 (2) 估计模型参数 (3) 计算功率谱
功率谱密度:
2
A z A z 1
2
1
1 Ae
j
2
模型参数
AR p 模型:
MAq 模型:
a1, , a p ,
2
ARMA p, q 模型:
b1, , bq ,
2
a1, , a p , b1, , bq ,
(1) 周期图法
• Periodogram – Sir Arthur Schuster in 1899
1 ˆ Pxx ( f ) N
m 0 N 1 2 j 2fm
x(m)e
1 j 2 fm 2 ˆ ˆ P ( f ) r ( m ) e | X ( f ) | xx xx N m ( N 1)
泄漏：旁瓣谱峰的水平（导 致虚假谱峰出现）
因此要根据实际情况选择不 同的窗口。矩形窗具有最窄 的主瓣宽度。旁瓣振幅的减 小只能以降低分辨率为代价。 利用矩形窗口分辨两个频率， 应当使两个频率的绝对差值 大于矩形窗频谱的主瓣宽度： |w1-w2|>mainWin
各种不同窗口的属性比较和实域频域特性
m
2
2
rxx (m) Ex(n) x(n m) x(n) x(n m)
n
m
rxx (m)e
j 2 fm
m n
x(n) x(n m)e j 2 fm
n
x(n)e j 2 fn
n
m 0 M 1
(3) 能量泄漏，分辨率损失和加窗操作
可用数据=完整数据※矩形窗
j j j
xN (n) x(n)wR (n)
1 傅利叶变换：X N (e ) X (e ) W (e ) 2 j - j ( N 1) / 2 WR (e ) A( )e
X (e j )WR (e j ( ) )d
[ P ( f )]
Variance:
BT XX
1 2
1 2
PXX (v)Wc ( f v)dv
相关窗谱为单位面积时，为渐进无偏估计
Uw 2 Var[ P ( f )] PXX ( f ) N Uw/k of the variance of the periodogram
Uw相关窗口的能量
j 2fm
sin 2fN 2 VarPxx ( f ) Pxx ( f ) 1 N sin 2f
2
一个无偏但不一致的估计 An unbiased but not a consistent estimate
(2) Bartlett 法
B
(i )
1 N
An asymptotically unbiased
Variance:
sin 2fN 1 2 B Var[ PXX ( f )] PXX ( f ) 1 N sin 2f K
2
1/k of the variance of the periodogram
(2) Moving Average 模型
输入输出关系: 全零点模型
ห้องสมุดไป่ตู้
x n
系统方程:
b u n k
k 0 k q
q
H MA z B z bk z k
k 0
功率谱密度:
S xx z 2 B z B z 1 S xx e
N 1
– Mean
N 1 1 2 j 2fm | m| EPxx ( f ) E X ( f ) 1 rxx (m) e N N m ( N 1)
lim
– Variance
N
EPxx ( f )
m
rxx (m) e
– Yule-Walker 方程 – AR 模型特性 – 参数估计方法
• 5.3.4 MA模型的功率谱估计 • 5.3.5 ARMA模型的功率谱估计
5.3.1 信号模型及其功率谱
有理函数模型:
白噪声
线性移不变系统
平稳随机信号
(1) Autoregressive-Moving Average (ARMA) 模型
(1)时域采样 和抗混叠滤 波
FTDTFT：
X ( f ) x(t )e j 2 ft dt
X (e j )
m
x(m)e j m
(2) 频域采样和时域添零操作
频域采样: DTFT-->DFT
X (e j )
m
x(m)e j m
X (k ) x(m)e j (2 / N ) mk
平均多个不同数据块的周期图估计结果
1 ( f ) Pxx K
B
P
i 1
K
(i ) XX
(f)
sin ( f v) N ( v ) dv P XX sin ( f v) 1/ 2
1/ 2 2
Mean:
E[ P XX ( f )] E[ P XX ( f )]
• Autoregressive (AR) Model（自回归） • Moving-Averatge (MA) Model（移动平均） • Autoregressive Moving-Average (ARMA) Model（自回归移动平均）
本节内容
• 5.3.1 信号模型及其功率谱 • 5.3.2 AR,MA,ARMA 模型与 他们的功率谱 • 5.3.3 AR 模型的功率谱估计
5.2 平稳随机信号的谱估计
• 功率谱为自相关函数的Fourier变换
– Wiener-Khintchine 定理
Pxx ( f )
m
j 2fm r ( m ) e xx
• 自相关的估计值
– 估计值的均值与方差
(1)Wiener-Khintchine 定理
1936年
Pxx ( f ) X ( f ) X ( f ) X * ( f ) x(m)e j 2fm
m0
N 1
补零操作
通过对采样信号后 面补零来得到更高密 度的频谱。低密度离 散频谱，在使用线性 内插重建连续频谱时 会产生误差。提高频 谱密度可以减少这个 误差。
x(m), 0 m N xe (m) 0, N m M X (k ) x(m)e j ( 2 / M ) mk
| m| E[ x(k ) x(k m)] 1 rxx (m) N k 0
1 ˆ Var[rxx (m)] N
k
r
2 xx
(k ) rxx (k m)rxx (k m)
是一个渐进无偏
5.2.2 非参数功率谱密度估计方 法
• • • • 周期图法 Bartlett法（平均多个周期图, 采用不同数据块） Welch 法 (平均多个周期图, 采用重叠的数据块) Blackman-Tukey 法 (周期图平滑)
unbiased Biased
估计2：
1 ˆxx (m) r N
N | m| 1
k 0
x( k ) x( k m)
Nonnegative definite
Smaller variance
估计量的均值和方差
Mean:
1 ˆxx (m)] E[r N
Variance:
N |m|1
Variance:
sin 2fN 1 2 B Var[ P XX ( f )] P XX ( f ) 1 N sin 2f K
2
1/k of the variance of the periodogram
Welch-Bartlett 方法
j
2
B e
j
2
(3) Autoregressive 模型
输入输出关系:
全极点模型
x n ak x n k u n