matlab平稳随机信号,平稳随机信号处理.ppt

平稳随机信号处理

图c是用STFT求出的x(n)的联合时频分布后，再求幅平方得到的谱图。该图是三维图形的二维投影，一个轴是时间，一个轴是频率。由该图可以清楚地看到x(n)的时间与频率的关系。 (c) 例2、令 该信号称作线性调频信号，也称作Chirp信号，其频率与时间n成正比， t 无论从时域还是频域，都很难看出该信号的调制类型及其他特点。 从x(n)的时频分布图上，我们可以看出，该信号的频率与时间成正比，而且信号的能量主要集中在时间-频率平面的一条曲线上。 Matlab的specgram.m文件可用来求出一个信号的频谱，并绘出其三维图形。 t=-2:0.001:2; % +/-2 secs @ 1kHz sample rate y=chirp(t,100,1,200,'q'); % Start @ 100Hz, cross 200Hz at t=1sec specgram(y,128,1E3,128,120); % Display the spectrogram help specgram SPECGRAM Spectrogram using a Short-Time Fourier Transform (STFT). B = SPECGRAM(A) calculates the spectrogram for the signal in vector A. SPECGRAM divides the signal into overlapping segments, windows each segment and forms the columns of B with their discrete Fourier transforms. 例：用直接法计算序列 的功率谱。 解：求x(n)的DFT： 故得： 周期图法虽然简便，但它只是实随机序列功率谱密度的估值，因此与功率谱密度P(ejω)真值之间还存在着误差。 若当序列长度N趋于无限时，周期图与其统计平均值的偏差或Pxx (ejω)的方差趋近于零，则认为是满意的估计。 因此在随机信号处理技术中往往采取多种措施，对周期图法进行改进，以达到尽量减少估计误差(数学期望与方差)的目的 常用的改进方法有窗函数法和平均法。 (一)采取加窗处理减少功率泄露 用有限长序列来估计功率谱，实际上等于加窗对随机序列进行截短，因此必然会出现吉卜斯效应，使信号原来集中在小范围的功率，被扩散到更宽的频带内。这种因截断而扩散到主瓣以外的功率称为泄露功率。 功率泄露使得谱估计值与真值之间的误差加大。采取窗处理的办法，先将序列x(n)乘以适当的窗函数ω(n)，即： 然后再利用FFT求出相应的功率谱密度。在时域加窗相当于促使频域收敛的快一些，其物理含义是对功率谱给以平滑滤波，减少功率泄露。 缺点：加窗处理的结果，必然导致频带加宽，容易出现混叠现象，使分辨率降低。 (二)采取平均化处理减少统计变异性 在实际中，对于平稳随机信号都是通过一次观测，求出其全部统计特性。但是这只有当观测时间趋于无限大时，方能得到正确的结果。因此对有限长数据进行的处理，其统计特性一定存在着误差，这就是所谓的统计变异性。 减少这种统计变异性的方法有二种：1、加长观测时间，增大样本数据量，其结果必然是对设备提出过高要求；2、对同一现象独立观测多次，然后对结果进行平均化处理。 例如：观测总长度为 Tl，则可把它分成等长的 K 段，每段长度为 Tr，Tl= KTr，然后利用FFT算法分别求出每段的功率谱密度估值Pk(m)，其中 k =1,2,3…K..。于是经平均化处理后的功率谱估值为： 故得极限的频率分辨率为： 即分辨率减弱了K倍。 从概率论知道：K个相同的独立随机变量的平均方差应等于单独方差的1/K。所以若假设各级周期图彼此相互独立无关，则经平均处理后，将使估计的方差大约减少K倍。换句话说，这种方法是用降低频率分辨率为代价，换取了估计方差的减小。 两种计算功率普密度方法的框图 快速相关法 修正周期图平均法 5.5 经典谱估计算法的比较 1、经典谱估计，不论是直接法还是间接法，都可用FFT快速计算，且物理概念明确，因而仍是目前常用的谱估计方法。 2、谱的分辨率较低，它正比于2π/N，N是所使用的数据的长度。 3、由于不可避免的窗函数的影响，使得真正的谱P(ω)在窗口主瓣内的功率向边瓣部分“泄露”，降低了分辨率。较大的边瓣有可能掩盖P(ω)中较弱的成分，或是产生假的峰值。当分析的数据较短时，这些影响更为突出。 4、方差性能不好，不是P(ω)的一致估计