随机信号的功率谱及参数估计与python仿真

1.概要：本文以 x(n)=sin(2*π*f1*n+π/3)+10*\sin(6*π*f2*n+π/4)+wgn(0,sigma)
为例进行其功率谱的估计及观察sigma参数对f1,f2估计的影响，影响情况以MSE为衡量标准
（注：f1规定为0.1，f2规定为0.3。n的取值为[1,256]，wgn(0,sigma)是0均值，标准差为sigma的高斯分布的随机数）

2.随机信号功率谱的估计方法：对于平稳随机信号，其功率谱与其自相关函数为傅里叶变换对。对于本例而言，其均值E[x(n)]为0，自相关函数R(m)与时间起点无关，只与时间间隔m有关因而具有平稳性，可以直接运用维纳-欣钦定理。如果是不具有平稳性的话可以把其自相关函数取均值得到E[R]再运用维纳欣钦定理。

3.自相关的估计方法：通过上文内容可以知道，对于随机信号来说，其自相关函数是得到功率谱的重要途径。常用的自相关估计方法有两种：

• （1）
  
  这种估计方法的均值为：
  
  方差为：
  
  可以看到这种估计方法是一种无偏估计

• （2.）
  
  均值为：
  
  当N趋近于无穷时是无偏估计。

• 两种估计的性能比较：

一般用第二种方法去估计自相关。

4.估计参数f1和f2的方法：本例是一个实函数，其功率谱是有偶对称形状的。故其谱上一定会出现一高一低两个峰，两个峰出现的位置理论来说是在DTFT频谱的0.2π和0.6π处。但计算机无法处理DTFT，只能处理DFT和FFT。DTF是对DTFT在[0,2π]内的等间隔采样，FFT则是DFT的快速运算版本。在DFT的频谱横坐标是采样点的序号，我们需要由这样一个序号去转换到频率。这里我使用的方法就是在一定的范围内把寻找两个最大峰的横坐标，以256点DFT为例，那么横坐标的值乘以1/256得到就是f1和f2的估计值。

5.参数估计好坏的衡量指标：MSE均方误差

6.程序实现：功率谱估计

#随机信号功率谱估计
import numpy as np
import matplotlib.pyplot as plt
from math import *

#n取值从1到256
def signal(n):
    if(n<1 or n>256):
        return 0
    else:
        return (sin(0.2*pi*n+pi/3)+10*sin(0.6*pi*n+pi/4)+np.random.normal(0,1,1)[0])
    
#生成WN项（旋转因子）
def wn_k(k,n,N):
    return complex(cos(2*pi*n*k/N)