作业-随机信号的参数建模法

一、概述

在随机信号的参数模型中，我们认为随机信号x(n)是由白噪声w(n)激励某一确定系统的响应，只要w(n)的参数确定了，研究随机信号就可以转化成研究产生随机信号的系统。

对于平稳随机信号，主要有三种常用的线性模型：AR（Auto-Regression，自回归）模型、MA（Moving Average，滑动平均）模型和ARMA（Auto-Regression-Moving Average，自回归滑动平均）模型。

1、MA模型

随机信号x(n)由当前的激励w(n)和若干次过去的激励w(n−k)线性组合产生：

2、AR模型

随机信号x(n)由本身的若干次过去值x(n−k)和当前的激励值w(n)线性组合产生：

p 是系统阶数,系统函数中只有极点,无零点,也称为全极点模型,系统由于极点的原因,要考虑到系统的稳定性，因而要注意极点的分布位置，用AR（p）来表示。

3、ARMA模型

ARMA 是 AR 与 MA 模型的结合：
它既有极点又有零点，所以称为极零点模型，要考虑零点的位置分布保证系统的稳定性，用ARMR(p,q)表示。

二、AR模型的参数估计

实际应用中，使用较多的是AR模型，下面我们对AR模型进行参数估计，其它两种模型可以进行类比计算。

1.AR模型参数和自相关函数的关系

对上式两边同乘x(n-m),然后求均值得：
根据自相关函数的偶对称特性，可进一步化简为：

又由于系统的冲击响应h(n)是因果的，所以输出的平稳随机信号x(n)与输入的白噪声之间的互相关函数有：

推导出：

转换到时域得到：

h(0)=1。显然AR模型系统输出信号x(n)的自相关函数具有可递推性，即：

这就是著名的Yule－Walker（Y-W）方程，并将Y-W方程进行变换：
再根据自相关函数方程得到白噪声方差为：

整理简化并写成矩阵的形式：

由于自相关函数是偶对称函数，Rxx(m)=Rxx(-m),因而自相关矩阵为对称矩阵，与主对角线平行的斜对角线上的元素都是相同的，存在高效算法，其中广泛应用的有Levinson－Durbin（L-D）算法。Y-W方程表明，只要已知输出平稳随机信号的自相关函数，就能求出AR模型中的参数{ a(k)},并且需要观测的数据较少。

2.实例

a：

b：

c:

将Rxx(0),Rxx(1),Rxx(2),Rxx(3)代入可求得估计值：a1=-0.6984 ;a2=-0.2748；a3=0.0915；误差：e1=0.1151;e2=0.1002;e3=0.0498。原因在于我们只有一部分的观测数据，使得自相关序列值有偏差。