matlab 频谱不对称_Matlab中fft与fwelch有什么区别?如何用fft求功率谱?

讲这个话题,就要先搞清楚频谱、功率谱的概念,可参考我的另一篇文章

信号的频谱 频谱密度 功率谱密度 能量谱密度

做信号处理的朋友应该都会fft比较熟悉,就是求傅里叶变换。我在这里也不再去讲这个函数了,但需要注意的一点:实信号的频谱关于0频对称,是偶函数,如果st = cos(2pif0*t)+1;  t的长度为4000,那么0频的位置在第一个点,做fftshift后,0频的位置在低2001个点的位置,fft后的信号关于第2001个点对称,而不是4000个点左右对称。

pwelch是用来求功率谱的,采用Welch平均周期法对信号进行谱估计,它通过分段选取数据进行加窗求功率,再进行平均,pwelch函数的使用方式为:

pxx = pwelch(x,window,noverlap,nfft)
[pxx,f] = pwelch(x,window,noverlap,f,fs)

其中,

  • X表示输入序列;

  • window:当window是一个数值时,表示窗函数长度,即分段长度L,默认的窗函数为hamming窗;当window是一个序列时,表示窗函数序列;

  • NFFT表示FFT的点数

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Matlab功率估计的详尽分析——绝对原创 功率估计是信息学科的研究热点,在过去的30多年里取得了飞速的发展。现代估计主要是针对经典估计(周期图和自相关法)的分辨率低和方差性能不好的问题而提出的。其内容极其丰富,涉及的学科和领域也相当广泛,按是否有参数大致可分为参数模型估计和非参数模型估计,前者有AR模型、MA模型、ARMA模型、PRONY指数模型等;后者有最小方差方法、多分量的MUSIC方法等。 ARMA估计叫做自回归移动平均估计,它是一种模型化方法。由于具有广泛的代表性和实用性,ARMA估计在近十几年是现代估计最活跃和最重要的研究方向之一。 二: AR参数估计及其SVD—TLS算法。 分析方法要ARMA模型的阶数和参数以及噪声的方差已知.然而这类要在实际是不可能提供的,即除了一组样本值x(1),x(2),…,x(T)以供利用(有时会有一定的先验知识)外,再没有其它可用的数据.因此必须估计有关的阶数和参数,以便获得密度的估计.在ARMA定阶和参数之估计,近年来提出了一些新算法,如本文介绍的SVD—TLS算法便是其之一。 三:实验结果分析和展望 1,样本数多少对估计误差的影响。(A=[1,0.8,-0.68,-0.46]) 图1 上部分为N=1000;下部分为取相同数据的前N=50个数据产生的结果。 图1 N数不同:子图一N=1000,子图二N=200,子图三 N=50 由图可知,样本数在的多少,在对功率估计的效果上有巨大的作用,特别在功率密度函数变化剧烈的地方,必须有足够多的数据才能完整的还原原始功率密度函数。 2,阶数大小对估计误差的影响。 A=[1,-0.9,0.76] A=[1,-0.9,0.76,-0.776] 图二 阶数为二阶和三阶功率密度函数图 A=[1,-0.9,0.86,-0.96,0.7] A=[1,-0.9,0.86,-0.96,0.7,-0.74] 图三 阶数为三阶和四阶功率密度函数图 如图所示,阶数相差不是很大时,并不能对结果产生较大的影响。但是阶数太低,如图二二阶反而不能很好的估计出原始值。 3,样本点分布对估计误差 对于相同的A=[1,-0.9,0.86,-0.96,0.7];样本的不同,在估计时的误差是不可避免的。因此,我们在取得样本时,应该尽可能的减少不必要的误差。 图四:不同的样本得到不同的估计值 4,奇异值的阈值判定范围不同对结果的影响。 上图是取奇异值的阈值大于等于0.02,而下图是取阈值大于等于0.06,显然在同种数据下,阈值的选取和最终结果有密切关系。由于系数矩阵和其真实值的逼近的精确度取决于被置零的那些奇异值的平方和。所以选取太小,导致阶数增大,选取太大会淘汰掉真实的系数。根据经验值,一般取0.05左右为最佳。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值