随机信号的参数建模法（Modern modeling method for signal）

为随机信号x(n)是由白噪激励某一确定系统的响应，只要白噪的参数确定了，研究随机信号就可以转化成研究产生随机信号的系统。

三种参数模型

MA模型（滑动平均模型 Moving average model）

随机信号x(n)由当前的激励w(n)和若干次过去的激励w(n-k)线性组合产生：
$$x(n)=\sum _{k=0}^q{b}_{k}w(n-k)$$
该模型的系统函数是：
$$H(z)=\frac{X(z)}{W(z)}=\sum _{k=0}^q{b}_k{z}^{-k}$$

q表示系统阶数，系统函数只有零点，没有极点，所以该系统一定是稳定的系统，也称为全零点模型，用 MA（ q ）来表示。

AR模型（自回归模型 Auto-regression model）

随机信号由本身的若干次过去值x(n-k)和当前的激励值w(n)线性组合产生：
$$x(n)=w(n)-\sum _{k=1}^p{a}_{k}x(n-k)$$
该模型的系统函数是：
$$H(z)=\frac{1}{1+{\sum }_{k=1}^p{a}_k{z}^{-k}}$$
p是系统阶数，系统函数中只有极点，无零点，也称为全极点模型，系统由于极点的原因，要考虑到系统的稳定性，因而要注意极点的分布位置，用 AR ( p )来表示。

ARMA模型（自回归滑移平均模型 Auto-regression-Moving average model）

ARMA 是 AR 与 MA 模型的结合：
$$x(n)=\sum _{k=0}^q{b}_{k}w(n-k)-\sum _{k=1}^p{a}_{k}x(n-k)$$
该模型的系统函数是：
$$H(z)=\frac{{\sum }_{k=0}^q{b}_k{z}^{-k}}{1+{\sum }_{k=1}^p{a}_k{z}^{-k}}$$
它既有零点又有极点，所以也称极零点模型，要考虑极零点的分布位置，保证系统的稳定，用 ARMR（ p ，q ）表示。

AR 模型参数的估计

AR模型参数和自相关函数的关系

例7.2 已知自回归信号模型 AR（3）为：
$$x(n)=\frac{14}{24}x(n-1)+\frac{9}{24}x(n-2)-\frac{1}{24}x(n-3)+w(n)$$
式中w(n)是具有方差${\sigma }_w^2=1$的平稳白噪声，求
a． 自相关序列$R_{xx}(m)$, m＝0，1，2，3，4，5。
b． 用 a 求出的自相关序列来估计 AR（3）的参数{${\hat{a}}_k$}，以及输入白噪声的方差${\hat{\sigma }}_w^2$大小。
c． 利用给出的 AR 模型，用计算机仿真给出 32 点观测值 x(n)＝[0.4282 1.1454
1.5597 1.8994 1.6854 2.3075 2.4679 1.9790 1.6063 1.2804 -0.2083 0.0577 0.0206 0.3572 1.6572 0.7488 1.6666 1.9830 2.6914 1.2521 1.8691 1.6855 0.6242 0.1763 1.3490 0.6955 1.2941 1.0475 0.4319 0.0312 0.5802 -0.6177]，用观测值的自相关序
列直接来估计 AR(3)的参数{${\hat{a}}_k$}以及输入白噪声的${\hat{\sigma }}_w^2$。

解：使用MATLAB验证

a.
$a_1=-\frac{14}{24}$ , $a_2=-\frac{9}{24}$ , $a_3=\frac{1}{24}$

$\left[\begin{array}{cccc}R(0)& R(1)& R(2)& R(3)\\ R(1)& R(0)& R(1)& R(2)\\ R(2)& R(1)& R(0)& R(1)\\ R(3)& R(2)& R(1)& R(0)\end{array}\right]\left[\begin{array}{c}1\\ a_1\\ a_2\\ a_3\end{array}\right]=\left[\begin{array}{c}1\\ 0\\ 0\\ 0\end{array}\right]$

整理得：

$\left[\begin{array}{cccc}1& a_1& a_2& a_3\\ a_1& 1+a_2& a_3& 0\\ a_2& a_1+a_3& 1& 0\\ a_3& a_2& a_1& 1\end{array}\right]\left[\begin{array}{c}R(0)\\ R(1)\\ R(2)\\ R(3)\end{array}\right]=\left[\begin{array}{c}1\\ 0\\ 0\\ 0\end{array}\right]$

借助MATLAB计算：

a = [-14 / 24, -9 / 24, 1 / 24];
A = [1, a(1), a(2), a(3);...
     a(1), 1 + a(2), a(3), 0;...
     a(2), a(1)+a(3), 1, 0;...
     a(3), a(2), a(1), 1];
b = [1; 0; 0; 0];
Rxx = A \ b

结果：

Rxx =

    4.9377
    4.3287
    4.1964
    3.8654

对于R（4）、R（5），根据公式$R_{xx}(m)=-{\sum }_{k=1}^p{a}_k{R}_{xx}(m-k)$：

for m = 5 : 6
    Rxx(m) = 0;
    for k = 1 : 3
        Rxx(m) = Rxx(m) - a(k) * Rxx(m - k);
    end
end
Rxx

结果：

b.

$$\left[\begin{array}{cccc}R(0)& R(1)& R(2)& R(3)\\ R(1)& R(0)& R(1)& R(2)\\ R(2)& R(1)& R(0)& R(1)\\ R(3)& R(2)& R(1)& R(0)\end{array}\right]\left[\begin{array}{c}1\\ {\hat{a}}_1\\ {\hat{a}}_2\\ {\hat{a}}_3\end{array}\right]=\left[\begin{array}{c}{\hat{\sigma }}_w^2\\ 0\\ 0\\ 0\end{array}\right]$$

借助MATLAB计算：

注意$R_{xx}(0)=4.9377$,在MATLAB中表示为Rxx(1)

R =[ Rxx(1) Rxx(2) Rxx(3) Rxx(4);...
     Rxx(2) Rxx(1) Rxx(2) Rxx(3);...
     Rxx(3) Rxx(2) Rxx(1) Rxx(2);...
     Rxx(4) Rxx(3) Rxx(2) Rxx(1)];
b = [1; 0; 0; 0];
R \ b

结果：

即${\sigma }_w^2=1$，$a_1=-\frac{14}{24}$ , $a_2=-\frac{9}{24}$ , $a_3=\frac{1}{24}$ ，

可以得到结论：对AR模型参数是无失真的估计，因为已知 AR 模型，我们可以得到完全的输出观测值，因而求得的自相关函数没有失真，当然也就可以不失真的估计。

c.

样本自相关定义$R_{xx}(m)=\frac{1}{n}{\sum }_{i=1}^n{x}_i{x}_{i+m}$

借助MATLAB计算$R_{xx}(m)$：

clear; clc;
xn = [0.4282 1.1454 1.5597 1.8994 1.6854 2.3075 2.4679 1.9790...
      1.6063 1.2804 -0.2083 0.0577 0.0206 0.3572 1.6572 0.7488...
      1.6666 1.9830 2.6914 1.2521 1.8691 1.6855 0.6242 0.1763...
      1.3490 0.6955 1.2941 1.0475 0.4319 0.0312 0.5802 -0.6177];

Rxx = xcorr(xn) ./ length(xn);
Rxx = Rxx(length(xn) : end)

结果：

将$R_{xx}(0)=1.9271$，$R_{xx}(1)=1.6618$，$R_{xx}(2)=1.5381$，$R_{xx}(3)=1.3545$，代入计算
$$\left[\begin{array}{cccc}R(0)& R(1)& R(2)& R(3)\\ R(1)& R(0)& R(1)& R(2)\\ R(2)& R(1)& R(0)& R(1)\\ R(3)& R(2)& R(1)& R(0)\end{array}\right]\left[\begin{array}{c}1\\ {\hat{a}}_1\\ {\hat{a}}_2\\ {\hat{a}}_3\end{array}\right]=\left[\begin{array}{c}{\hat{\sigma }}_w^2\\ 0\\ 0\\ 0\end{array}\right]$$

借助MATLAB计算:

R =[ Rxx(1) Rxx(2) Rxx(3) Rxx(4);...
     Rxx(2) Rxx(1) Rxx(2) Rxx(3);...
     Rxx(3) Rxx(2) Rxx(1) Rxx(2);...
     Rxx(4) Rxx(3) Rxx(2) Rxx(1)];
b = [1; 0; 0; 0];
R' \ b

结果：


${\sigma }_w^2=\frac{1}{2.1376}=0.4678$
$a_1=-0.6984$ , $a_2=-0.2748$ , $a_3=0.0915$

与真实的AE模型的误差为$e_1=0.1151$，$e_2=0.1002$，$e_3=0.0498$，原因在于我们只有一部分的观测数据，使得自相关序列值与理想的完全不同。

输入信号的方差误差比较大：$e_{\sigma }＝0.5322$，造成的原因比较多，计算机仿真的白噪声由于只有 32 点长，32 点序列的方差不可能刚好等于 1。给出一段观测值求 AR 模型参数这样直接解方程组，当阶数越高时直接解方程组计算就越复杂，因而要用特殊的算法使得计算量减小且精确度高。