功率谱估计在信号处理中很重要,最近在学习《现代信号处理》,老师让用经典功率谱估计来估计信号的功率谱;记录下来,这也是一种学习。功率谱密度(Power Spectral Density,PSD)
1、简要介绍
首先,利用给定的一组样本数据估计一个平稳随机信号的功率谱密度被陈伟功率谱估计。在许多工程应用中,功率谱的估计是十分重要的,因为它能给出功率谱密度、谱峰的宽度、高度和位置;可以确定运动目标的位置、辐射强度和运动速度。在生物医学工程中,PSD的峰形和波形显示类癫痫病发作的周期,在目标识别中,PSD可以作为目标的特征之一。
其次,在数字信号处理中,一个连续时间的随机过程必须先进行采样,变成离散序列后在进行有关处理,这一处理包括:从连续函数变化为离散序列、从模拟系统变化为离散系统、从Fourier积分变化为Fourier级数;
最后,经典谱估计也是一种非参数化的谱估计;假定随机过程有N个样本x(0),x(1),x(2),...x(N-1)。不失一般性,假定这些数据已零均值化。估计离散信号x( n)的谱估计分别为非参数方法和参数化方法。非参数化方法也称为经典谱估计,他是以Fourier变化为基础的,有两种主要方法,即直接法和间接法。关系如图所示:
总结:
加窗函数虽然能够减小周期图的偏差,改善功率谱曲线的光滑性,但作为非参数化谱估计,周期图具有分辨率低的固有缺陷,不能适应高分辨功率谱估计的需要。与之相比,参数化谱估计可以提过功能比周期图高很多的频率分辨率,故常称参数化谱估计为高分辨率谱估计。
2、实际例子
|
1)直接法(给出了没有取对数的情况!)通过分别取128/256/512/1024个点进行测试