pmusic
伪谱采用MUSIC算法
语法
描述
例子
输入参数
输出参数
提示
在估计伪谱的过程中,pmusic
根据估计的特征向量计算噪声子空间和信号子空间vj和特征值λj信号的相关矩阵。这些特征值中的最小值与阈值参数一起使用(2页)
在某些情况下影响噪声子空间的维数。
长度n特征向量的pmusic
是信号子空间和噪声子空间的维数之和。这个特征向量的长度取决于你的输入(信号数据或相关矩阵)和你使用的语法。
下表总结了特征向量长度对输入参数的依赖关系。
特征向量长度取决于输入数据和语法
输入数据形式x |
语法注释 |
特征向量的长度为n |
---|---|---|
行向量或列向量 |
|
|
行向量或列向量 |
|
|
行向量或列向量 |
|
2× |
l——- - - - - -米矩阵 |
如果 |
米 |
米——- - - - - -米非负定矩阵 |
|
米 |
你应该指定nwin
>(1页)
或长度(nwin)
>(1页)
如果你愿意(2页)
>1
有任何效果
算法
多重信号分类(MUSIC)算法采用施密特特征空间分析方法从信号或相关矩阵中估计伪谱[1].该算法对信号的相关矩阵进行特征空间分析,以估计信号的频率含量。该算法特别适用于含有加性高斯白噪声的正弦波和信号。如果不提供相关矩阵,则估计信号相关矩阵的特征值和特征向量。
用于计算MUSIC伪谱估计的算法考虑了信号和噪声子空间的相对大小。
如果信号子空间的维数小于噪声子空间的维数,则MUSIC伪谱估计由
在哪里p信号子空间的维数是和吗vk是k相关矩阵的特征向量。在和中使用的特征向量对应于最大的特征值并张成信号子空间。
如果噪声子空间的维数小于信号子空间的维数,则MUSIC伪谱估计由
在哪里N信号子空间的维数加上噪声子空间的维数vk是k相关矩阵的特征向量。在和中使用的特征向量对应于最小的特征值,并张成噪声子空间。
在每种情况下,向量e(f)由复指数组成,所以是内积vkHe(f)相当于傅里叶变换。这是用来计算伪谱估计。FFT是计算每一个vk然后把大小的平方求和。
参考文献
[1]劳伦斯市马普尔。数字频谱分析.Englewood Cliffs, NJ: Prentice-Hall, 1987, pp. 373-378。
[2]施密特,R. O.多发射极位置和信号参数估计。IEEE®天线与传播汇刊.AP-34卷,1986年3月,第276-280页。
[3]斯托伊卡,彼得和伦道夫·l·摩西。信号的频谱分析.上马鞍河,新泽西州:Prentice Hall, 2005。
扩展功能
版本历史
R2006a之前介绍