测试信号分析-估计理论的基本原理

估计理论的基本原理

随机信号序的统计量估计

随机信号序列 x(n)，有限长度 均值、相关函数、功率谱密度函数的估计式为
$$\hat{m}=\frac{1}{N}\sum x(n)$$ $${\hat{R}}_{xx}=\frac{1}{N}\sum x(n)x(n+m)$$ $${\hat{P}}_{xx}(e^{j\omega })=\sum _{m=-(N-1)}^{N-1}{R}_{xx}{e}^{-j\omega n}$$

● 无偏估计: 估计均值准确
● 一致估计: 随着采样点增加，估计的均方误差趋于0（未必无偏，如果有偏那么渐进无偏）
● 有效估计: 估计方差小

估计均值$\hat{m}$是无偏的
估计方差$\hat{\sigma }=\frac{1}{N}\sum [x(n)-m_x{]}^2$无偏一致。
估计方差$\hat{\sigma }=\frac{1}{N}\sum [x(n)-{\hat{m}}_x{]}^2$有偏一致，渐进无偏。
估计方差$\hat{\sigma }=\frac{1}{N-1}\sum [x(n)-{\hat{m}}_x{]}^2$无偏一致。

相关函数估计的计算式

$${\hat{R}}_{xx}=\frac{1}{N-|m|}\sum _{n=0}^{N-|m|-1}x(n)x(n+m)$$

按照有限长的数据集进行估计。估计质量如何？

• 均值：是无偏估计
• 方差：估计值比较分散，综合质量较差(方差估计比较复杂)

实际使用的计算式
$${\hat{R}}_{xx}=\frac{1}{N}\sum _{n=0}^{N-|m|-1}x(n)x(n+m)$$

• 显然是有偏的
• 渐进无偏
• 方差更小了（避免当N较小的时候碰到小数的除法造成大方差）

结论：实际计算中m宜小，N宜大。但 N 大，N2/2次乘法，计算量也大。

解决直接计算带来的问题，用FFT估计相关函数

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fCyP0aio-1604984727185)(fig/4.png)]

1. 把x(n)往右移动m个点，然后对应相乘相加，会得到$N{R}_{xy}(m)$的采样点。

具体实现：
做一个变量代换x’(t)=x(-t)

因为卷积的自变量移动方向和相关函数的相反，所以需要做这个代换，从而有

$${\hat{R}}_{xy}=\frac{1}{N}\sum _{n=0}^{N-1}x(n)y(n+m)=\sum _{n=0}^{N-1}x(n-m)y(n)$$$$=\sum _{n=0}^{N-1}x(-(m-n))y(n)=\frac{1}{N}{x}^{\prime }(m)\ast y(m)$$

2. 时域中的卷积可转换成频域中的乘积,就可以使用FFT在频域中相乘

具体实现：
两个长度为 N 的序列作线性卷积后长度 2N-1（相关函数会有2N-1个点），而做FFT后有N-1个点。
需对 x(n) 补零到 2N点，再做FFT。

step1: 补零做FFT得X
step2: 做复共轭$X^{\ast }$得到$\frac{1}{N}|X^2|$
step3: 做IFFT得到$R_0$
step4: 调整估计的错位，大概是N个点

例子

1 不听
2 不听
3 运动中的标志点检测

有意思 想做

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YZNnfTEP-1604984727186)(fig/5.png)]

复习题是C。

功率谱的经典估计法

窗函数和谱分析

1.基于采样数据的 DFT，其周期是由采样时窗所决定的，对某个时窗 T 里的数据作变换，意味 着这个时窗就是信号的周期，而不管信号的实 际周期是多少。

2.一旦选定时窗 (T = NTs)，谱的最小间隔也就确 定了 (Δf = 1/T) 。当用 IDFT 来重建时域信号时， 将是具有以 T 为间隔的周期信号。

3.基于时窗的不同选择 谱泄漏和栅栏效应的问题。

【泄露】：窗函数瓣不是delta而是sinc
【栅栏】：离散采样，就像透过栅栏来观测。因此要么展宽时窗，要么改善窗函数。（不等加权窗）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pvp5WSHi-1604984727187)(fig/6.png)]

功率谱估计概述

维纳辛钦公式：自相关和自功率谱密度互为傅里叶
$$R_{xx}->F->P_{xx}(j\Omega )$$$$R_{xy}->F->P_{xy}(j\Omega )$$

问题:如何用这单一样本的有限长数据去估 计原随机信号真实的功率谱?

1. 周期图法（PER法）

直接建立在功率谱的定义式上，FFT很快，当FFT被提出之后周期图法成为主流。

1. 取 N 点数据的 DTFT (DFT)。
2. 求模之平方并除以 N。

周期图法的计算式隐含着假设把随机信号 x(n)看成是遍历（各态历经的），用一个样本 x(n) 的 N 点的谱来替代无限样本谱集合。

2. 维纳辛钦公式

由维纳-辛钦公式，经自相关函数间接获得。(间接法) (Blackman-Tukey法)（下标是作者名字的缩写）

一样要补零。

1. 对X(n)补零，计算自相关函数(用常用计算方法)
   • 只要存在卷积操作或者相关计算，补零之后才能充分利用每一个点的数据。
2. 按2N-1点对R做DFT，就可以得到自功率谱。

直接法—P (k)共N点
间接法—共2N点

2N点的谱，把所能估计出的自相关函数都使用上了，而估计自相关函数时，把N点数据也全都使用上了。

3. 质量评价

【周期图法】
估计的均值：不是谱密度的真值，而是真值与三角窗函数的卷积。卷积结果造成真谱的尖峰处产生泄漏，平抑了峰值。（有偏、渐进无偏）
估计的方差：方差一定还会有，且极限是${\sigma }^4$，所以不是一致估计。这样的估计是不好的。

经典功率CPU估计的改进

周期图法是有偏不一致的。

1. 用合适的窗函数对谱估计作平滑
   ----- 加窗平滑(Blackman-Tukey法)
2. 对同一过程作多次估计
   ----- 平均周期图法 (Bartlett法)
3. 把1)和2)结合起来
   ----- 韦尔奇法 (Welch法)

1. 加窗平滑法（BT法）

原理：先做自相关的估计，然后选择合适的窗函数进行截取，最后再做DFT

M≤N-1，窗函数v(m)在[-M,M]区间上取值， 其余为0。

数据从0~N-1
自相关函数则取[-M,M]，即只用到了部分数据而不是全部数据点 （可能尾部的数据点会影响估计质量）

假定：P的变化是慢的，在V的主瓣内是一个常数，V（窗函数）的积分是1

• 估计的均值：能够满足渐进无偏的。
• 估计的方差：加了一个窗之后，方差会渐进趋于0（渐进无偏，一致估计）

2. 平均周期图法 (Bartlett法)

K个独立同分布的随机变量的均值之方差， 等于单个变量方差的 1/K。长数据N分成K段，每段M=N/K，每段用周期图法（定义法）求谱，最后做平均。

• 平均：每段的均值是一样的，依然是渐进无偏估计。但是每一段的N更小了，所以偏差会变大。分辨率降低了。

• 方差：如果K够大，那么是一致估计，但是K不可能取到无穷大。且相邻的数据段有较强的相关性，不具完全独立 性，实际方差（包含了协方差）大于计算结果。

具体的分辨率是多少呢：
$$W(\omega )的主瓣半宽度是\frac{2\pi }{N}k$$
严格区分两个频谱的时候，要距离一整个主瓣

3. 平均周期图法

1. 把N点数据分成K份，可以重叠，每段数据需要补零至2的整数幂
2. 每段数据都进行加窗
3. 根据功率谱定义求各段功率谱，然后求平均
4. 为了进行渐进无偏，需要除以窗函数的能量$U=\frac{\sum w^2}{M}$

质量评判：

• 引进这个U之后，对自功率谱的估计是渐进无偏的。
• 尽管这里使用的是离散求和，但是原本的积分中，由于e指数函数的正交性，最终结果和离散求和只差一个系数U
• 交叉使用的时候，协方差增大。

工程应用：

1. 数据量较小的时候估计相关函数，只要使用一般估计式子就行。
2. 数据量大的时候用FFT来估计相关函数
3. 计算功率谱的时候一般不用傅里叶，而是直接计算，现在一般用韦尔奇法。

【如何评判一个估计的好坏】