matlab周期图法,周期图谱估计及其改进方法的Matlab仿真

1引言对信号与系统的研究处理主要有时域、频域两种方法。对确定性信号,可以进行傅里叶变换,从而进行频域分析,但对随机信号,由于其傅里叶变换不存在,通常是求其功率谱来进行频谱分析,因为功率谱反映了随机信号各频率成分功率能量的分布情况,可以揭示信号中隐含的周期性及靠得很近的谱峰等有用信息。功率谱估计主要分两大类:一类是经典谱估计;另一类是现代谱估计。现代谱估计是以信号模型为基础的,主要有AR模型法、最大似然谱估计、特征分解法谱估计等;经典谱估计是建立在传统傅里叶变换的基础上的,主要有BT法和周期图法。相比而言,周期图法以其物理概念清晰,不需要估计自相关函数,方法简便和可利用FFT计算效率高等特点,已成为功率谱估计的一种基本方法。本文主要研究周期图谱估计及其Welch改进算法的仿真与窗函数对谱估计的影响,通过对比给出窗函数的通用选择标准。2周期图法及估计质量按照Weiner-Khintchine定理,信号的功率谱和其自相关函数服从一对傅里叶变换关系,Pxx(ej)=rxx(m)e-jn(1)对于平稳随机信号,服从各态历经性定理,集合平均可以用时间平均代替,由式(1)可以推导出功率谱定义的另一个定义:Pxx(ej)=limE[2N1+1Nn=-Nx(n)e-jn2](2)可以看出求功率谱需要无限个观测数据。因此根据有限个数据样本计算随机序列的真正功率谱,就是功率谱的估计问题[1]。如果忽略求统计平均的运算,观测数据为x(n),0nN-1,可得周期图法的定义Nm=-P赞xx(ej)=1NNn=0x(n)e-jn2(3)下面分析周期图法的估计质量,已知自相关函数的估计值为r赞xx(m),m=-(N-1),-N,-N+1,…,0,1,2,…,N-1功率谱的统计平均为E[P赞xx(ej)]=N-1E[r赞xx(m)]e-jn(4)把有偏自相关函数统计平均值代入式(4),可得E[P赞xx(ej)]=N-1N-Nmrxx(m)e-jn=wB(m)rxx(m)e-jn(5)式中,wB(m)=N-mN,mN0,其他对式(5)利用傅里叶变换性质可得E[P赞xx(ej)]=21-乙WB(ej)Pxx[ej(-)]d(6)WB(ej)=FT[wB(m)]=M1[ssinin(M(/2/2))]2(7)周期图的统计平均值等于它的真值与三角谱窗函数的卷积,因此,周期图是有偏估计,但当N时,wB(m)1,三角窗谱函数趋近于函数,周期图的统计平均值趋于它的真值,因此周期图法属于渐进无偏估计。用IN()来计算周期图,N表示数据的长度,x2表示方差,则周期图的方差可表示为[1]:var[IN(w)]=x4{1+[Nsinsi(nN())]2}(8)可见,当N趋于无穷时,周期图的方差并不趋于0,而趋于m=-(N-1)m=-(N-1)m=-功率谱真值的平方,即var[IN(w)]x4,因为信号功率谱的真值是x2,说明周期图的方差很大,周期图的均方误差也很大,因此周期图法估计的功率谱在x2附近的起伏很大,故周期图是非一致估计,是一种很差的功率谱估计方法。从协方差函数可推导出[1]以2/N的整数倍为频率间隔,周期图的值是不相关的,当数据长度N增大时,不相关的频率间隔减少,会使周期图谱曲线起伏加剧,当数据长度N太小时,谱的分辨率又不好。采用正弦信号仿真,f1=60Hz,f2=150Hz,如图1所示。在频率60Hz和150Hz处功率谱有两个峰值,说明信号中含有这两个频率成分,但功率谱密度在很大范围内波动,而且并没有因信号取样点数的增加而有明显改进。3经典谱估计方法的改进用有限长样本序列的Fourier