主要工作
1.阅读了英语论文(英语课做paper分享)
2.小论文(声学原理大作业)
3.仿真一下现代数字信号处理中的现代功率谱密度
一、英语文献
【1】Research on MPSK Modulation Classification of Underwater Acoustic Communication Signals
【2】Automatic Modulation Classification for Underwater Acoustic Communications
二、现代功率谱密度的仿真
本栏前两节经典谱估计中提到:经典谱估计下,方差和分辨率是一对矛盾。这是因为经典谱估计将数据进行了加窗,自相关法还对自相关进行了加窗(二次加窗),这就让我们想到把原始数据藏在一个系统H(Z)中,让这个系统包含这组数据的特性,这样一来,系统中的系数就可以表示系统反映的数据。这就是现代功率谱密度估计-参数模型法的思想。按照书本的就是先根据数据的自相关函数r(m)求出H(Z)系数,再通过H(Z)进行谱估计。
参数模型法有AR,MA,ARMA模型,其性质为:
AR | MA | ARMA | |
---|---|---|---|
H(Z) | |||
线性/非线性 | 线性 | 非线性 | 非线性 |
反映频谱特性 | 峰值 | 谷值 | 兼顾 |
1、概率梳理
由于AR模型是线性方程,也可以等效预测模型,所以AR模型远比另外两种实用,所以本文只梳理和仿真了AR模型。
首先模型中令输入是白噪声,需要求解H(Z)的系数也就是ak,k=1,2…p。也就是要通过数据的自相关与ak的关系进行求解,也就是需要通过正则方程(Yule-Walker方程),正则方差的推导过程如下:
其中,正则方差可以用Lecinson-Durbin递推快速算法计算,也就是自相关法的方法。后面还会说其他的方法以及比较。
并且在预测模型中,二者系统的系数是相等的,其最小误差等效于AR模型输入端白噪声的方差。其关系如下:
2、AR模型的几种方法
比较常见的有刚刚提及的自相关法,还有burg法和改进后的协方差法,它们之间的区别如下:
自相关法 | burg法 | 改进后的协方差法 | |
---|---|---|---|
预测方式 | 前向预测 | 前后向预测 | 前向预测 |
加窗 | 前后加窗 | 前后都不加窗 | 前后都不加窗 |
Levinson递推算法 | 可以使用 | 可以使用 | 不可使用 |
除此之外,还有常会用到的最大熵谱估计,由于数据可能相对于原始数据还是有截短。之前的经典谱估计是将两边直接为零,而这里是将两边加上最随机的数,也就是最大熵的准则。
3、AR模型的方法与具体仿真
为了和经典功率谱估计比较,采用的原数据和前两节经典功率谱估计一样的,仿真采取的阶数均为50
三、小论文架构
声学原理这堂课留的大作业,正好乘此机会整理本学期的周报学习内容。